汽車行業的典型特征是：供應鏈長、產品結構較復雜、可靠性要求高、批量性大。傳統的汽車行業產品問題分析解決依賴于六西格瑪分析技術和小樣本數據分析方法，數據采集周期長、采集難度較大，需要在不同的數據站點進行匯總數據，再對數據分析。

圖一：汽車生產廠商管理車間

1、海量數據

汽車產業龐大的供應鏈體系每時每刻都在產生大海量數據，來自不同批次材料的檢驗數據、不同測量工位的測試數據、不同零件的測試數據、過程加工參數數據、過程壓裝及系統測試數據、售后維修維護數據等各種系統每秒鐘都在不斷快速增長上百G數據，這些數據是垃圾還是價值?該如何利用提升制造系統運營效率，確保項目交付的快速迭代和及時交付，成為現代制造體系關注的焦點。    

2、數據認知

大多數傳統系統，故障維修系統，實時監控系統，物資物料統計系統，測量數據系統等中，已有簡單的分析統計圖表，但數據格式比較單一，活性差，交互性低，且數據結構缺乏有效管理，使管理者難以對數據有很好的認知。

圖二：汽車生產廠商管理軟件

3、管理決策

大數據運營在汽車行業快速迭代、供應鏈過程快速響應的大環境下，能夠幫助客戶管理海量數據，并從海量數據中自動分析影響產品變異的原因，為快速決策提供數據分析支持，以數據驅動運營方向，提供六西格瑪小樣本數據分析之外的另外一種可能-大數據分析技術，對決策提供科學支撐。   

4、數據分析需求響應慢

不同層級的用戶對數據分析有著完全不同的需求，而目前制造系統能夠提供的分析報告主要以表格為主，分析維度單一，形式簡單固化；數據源缺乏系統管理，大量時間耗費在數據獲取環節，對分析需求響應的時效性差，無法滿足用戶快速靈活多變的數據分析需求。

5、項目成本投入高，風險大

汽車產業數據分析屬于典型的高知識密度分析內容，對產品可靠性分析、關鍵因子搜索分析等，傳統分析方法意味著需要對工程師進行數十年的培養?；诖髷祿治鱿到y的方法，能夠將六西格瑪分析方法、可靠性分析方法、數據挖掘算法、經驗算法等進行有機結合，使分析過程更加簡化；傳統算法工程師只需要維護現有系統，就能使不同層級的制造人員對該系統進行良好應用，避免了傳統制造系統對人員的漫長投入后才能對數據進行分析的弊端。

隨著國內汽車產業競爭不斷的充分化，汽車行業從工業產業逐漸轉化為工業“快消品”，要求制造廠家及零部件配套廠家不僅僅能夠提供完美質量的產品，而且整個響應周期大大縮短。而如何基于來料檢驗、過程裝配與測試、售后維修維護數據等不同數據源，進行實時存儲和實時分析，蘇州點邁車間管理軟件大數據分析系統提供了完整的思路幫助中國汽車制造企業實現目標。可以參考案例：適合中小汽配業的生產管理軟件