近年來，發展智能工廠成為全球制造業的顯學，隨著人力短缺、工資上漲、產品交期越來越短、市場需求變動大等問題出現，制造業正面臨新一波轉型挑戰。如何在控制生產成本的同時，還能提高生產力與效率，則是轉型的主要目的，也因此，從德國、美國到中國臺灣各個制造大國，無不積極推動工業4.0，希望能協助制造業者解決經營困境、提升競爭力，而大數據分析與優化(Manufacturing Analytic&Optimization；MAO)則成為發展工業4.0的基礎。 　　 　　制造業大數據分析五大應用 　　 　　深耕制造業多年的IBM，在大數據分析上提供的不只是產品，還有結合產業知識與豐富經驗的顧問服務，幫助制造業者做出正確有效率的大數據分析。 　　IBM商業分析部資深業務劉君彥指出，目前市面上有很多大數據分析的解決方案，但大多只能做到資料視覺化，也就是以圖表呈現分析結果，而IBMMAO可以根據制造業所面臨的問題，決定要做哪一種分析，例如預測或模擬，甚至整合財務或產銷端資訊，找出解決問題的方法，這在智能制造過程中是非常重要的事，因為企業往往擁有大數據，卻不知道該如何分析。 　　IBM全球企業咨詢服務事業群資深顧問李藝鋒進一步指出，目前，高科技制造業者面臨到的問題主要有三種，第一、未預期的物料問題或設備故障直接沖擊產能，以致耗損大量成本；第二、因制程穩定性問題造成產品良率下降，不但影響獲利更影響客戶滿意度；第三、制程世代轉換越來越快，如何加快量產速度，成為獲利的關鍵因素。因此，IBM根據制造業所面臨到的問題與產品生命周期，歸納出制造業大數據分析五大應用模式： 　　第一、物料品質監控。原物料品質不穩定其實有跡可循，然而傳統SPC監控要等到發生問題時才會做出警示，此時不僅己經影響產品品質，更不容易找出原因，而MAO則是主動分析趨勢變化，發現潛在問題即早做出預警，以便能及早解決(如：更換物料)維持產品品質。 　　第二、設備異常監控與預測。傳統SPC監控雖然也涵蓋設備參數，但有時設備仍然會發生問題，工程師也不知道設備發生問題該怎么處理最有效，MAO運用設備感測資料及維修日志，找出發生設備異常的模式，監控并預測未來故障機率，好讓工程師可以即時執行最適決策。 　　第三、零件生命周期預測。零件或耗材有其生命周期，制造業者多半根據供應商建議進行定期更換，卻忽略了生產及環境條件對耗損速度的影響，導致以下兩種情況經常發生，一是在太早更換零件，造成不必要的開銷，二是太晚更換零件，導致品質受影響。MAO根據生產及設備狀態資料、零件資訊，精準預測零件生命周期，在需要更換的最佳時機提出建議，幫助制造業者達到品質成本雙贏。 　　第四、制程監控提前警報。制造業的制程參數相當多且彼此會互相影響，若是因為制程參數偏移而影響產品品質，工程師只能單一站點逐步追查，相當耗費時間，而MAO的做法是建立產品品質預測模型，找到最佳的制程黃金區間，一旦發現制程參數偏移到區間外，便即時發出警報，讓工程師可以即時進行調整或其他決策。 　　第五、良率保固分析。對制造業者來說，產品良率過低或是出售后于保固期間內發生問題，不僅會增加成本，更直接影響企業形象與客戶滿意度。因此MAO結合生產設備、產品良率及維修保固相關資料，建立預測模型，以預測良率并降低保固成本。 　　李藝鋒認為，MAO對制造業的效益不只在于預測潛在風險，還能提出最佳決策建議，建立最佳化生產流程，從而降低營運成本、創造最大化獲利。