今天的制造商似乎受压于顾客的持续降价行为。为了回应，他们需要提高工作效率，获得更大的收益，提高运营效率。同时，组件制造商发现他们需要及时处理客户的不稳定订购模式 -- 准时制(JIT)制造方法通常是这些问题的主要原因。JIT很难预测需求。 

　　使问题更糟糕的是生产交货期的长度，这意味着制造商在需求之前要创建库存。此外，制造商需要更好地管理他们的第三方供应商，建立无缝和立即检测产品问题的能力和资源。 

　　一个限制因素是当前的专有制造传感器控制促进器架构堆栈。 

　　它限制了能够将源数据跨系统组合和使用预测分析解决许多生产问题。多数制造商想要将制造源数据连接到遗留的数据业务和计划系统。这样做需要连接互相不兼容的制造源数据。要做到这一点，他们需要从传感器数据噪声隐性知识转向对传感器源数据的自动校正。这一步意味着可以在现场，传感器数据的自动化完成。 

　　通过这一步，制造商将能够发现数据之间的关系，以及潜在的预测变量。能够应用预测分析和机器学习于实时和历史时间序列数据是迈向源数据修正和情境化的关键的一步。下图显示了理想状态下的连供应链到制造到客户的配送。实现这一目标的制造商将获得竞争优势，争取胜利。有一件事很清楚，今天制造业的问题本质上是跨领域。他们需要发现问题和症状的能力。要做到这一点，相比其他大数据的机会，数据在使用或分析前需要情境化和纠正。 

　　只有这样，我们才有机会解决制造业的大问题。所缺失的是智能数据层采集到制造业数据源，让他们用于解决上述问题/机会。对于连续和离散制造业都是如此。这可以同时得到所有相关的结构化数据源，不必去控制器或SCADA系统采集数据。 

　　如何直接到达传感器? 

　　靠的是能够在现场情境化和修正数据，在数据进入数据湖和Hadoop或进行说明性的分析时。所以说数据质量的能力是本质。有了数据流和复杂事件处理，你有可能实现规范的分析和采取行动。有了它，以机器智能功能建模的预测分析可以一旦发现问题就建模。通过数据发现，关系可以被证明。同时，你可以加入产品供应商和客户的数据并集成到云上。它让你连接并发现相关的流程问题。 

　　三个宏观变化显然有可能永远影响和改变制造业。 

　　所以这些都要求情境化、修正的数据。他们需要能够从许多源头发现、集成和合并数据。所有这些都能使生产优化并将自身连接到其他业务。如果正确的处理好，这对制造商来说是一个巨大的机遇。