镁光公司(Micron)改变了其数据管理战略，在一系列业务部门内嵌入了数据科学家。以下便是这个集中化战略所带来的惊人成果。

　　如果说数据是新开采的石油，很多公司正在忙于尽力不被其淹没，但这不包括镁光科技。总部位于Boise的这家芯片制造公司开创了一个被专家称为未来工厂的蓝图，几乎全自动化地利用软件来对产品和制造产品工具的相关数据进行分析。将机器学习软件嵌入其集中化数据管理战略，镁光正在减少低效流程的相关浪费，同时提高了累积收益并且加速了产品上市时间。

　　“从供应链网络到其他领域，我们工厂里的机器每天有大量数据涌出，因此具预测性且有实效的分析成为了竞争优势。”镁光CIO Trevor Schulze这样说道，其带领团队利用数据和分析来追求极致增长。

　　据麦肯锡全球研究院上个月发布的一份报告显示，当近些年海量数据呈指数级增长时，绝大多数公司仅仅攥住了以营收和利润为表现的部分潜在价值。在麦肯锡调研的500位高管中，85%表示他们仅仅“某种程度上有效地”达成了既定数据和分析项目目标。而镁光因为其组织化变革分析战略大有成就。

　　开创正确的“数据文化”
　　
　　Schulze在2015年加入镁光时，他看到了很多大数据分析项目，但并没有一种架构帮助公司挖掘出其非结构化数据的价值，而数据科学和机器学习仅仅用于资本资产利用——制造商的关键标准之一。另外，由于数据利用不能重复处理，工程师们一次又一次地面对同样的问题，他们不得不手动操作来提取和对比来自分散在全球各数据容器的数据。对于这种做法，技术人员不得不说：批处理吧。

　　认识到这点，Schulze创建了企业级的分析和数据IT团队，其和业务团队合作，将来自于制造业、供应链和人力资本管理的数据进行清洗和收集。“其加速了数据文化，我认为每个公司都将会这样。一个集中化的团队可以一种介入的方式来解决主要业务问题。我们在非常短的时间内就看到了巨量的业务价值。”Schulze认为将数据科学家嵌入到业务中，将获得数据和数据准备的所需要的时间减少了一半。
　　
　　就像一个摇滚乐队如果没有乐器就玩不转音乐，没有好的工具，许多分析团队也玩不转数据。镁光的IT团队利用许多开源分析软件例如Apache Hadoop, Spark 和 NiFi构建了一个全球化数据仓库，同时利用适宜的机器学习算法来分析数据。

　　理解机器学习带给镁光的收益，其可以帮助理解它如何协助分析数据。多年来工程师们单次只能针对仪表盘上的大量数据对比两个变量，如今，相应的算法可以从镁光的企业数据里探索出所有的信号，识别出哪些可能是某问题的初始原因，标识出可以进行库存优化的区域，以及计算出设计新产品需要多长时间。

　　“如果每次只能对比两个变量基本上不能解决任何问题。”镁光企业数据科学总监Tim Long说道：“并非规模化就可以让你解决问题，机器学习赋予我们同时测试数据之间数百数千种关系的能力。”

　　举例而言，在镁光的制造工厂中，全球数据仓库侦测到安装线上出现问题，就会立刻发出警报让工程师去检查工具，而在以前，镁光只能等到晶片到达制造流程中的检测步骤时才能侦测出问题。

　　以机器学习共赢

　　镁光企业级分析和数据IT总监David Leach认为系统可以帮助工程师收获2700种 “赢”，包括在数据科学技术或解决方案的帮助下，一位工程师可以直接指出一种关键制造规范的改善方式，这种类似的案例很多。“这些信号就在那儿，但是你能及时看到这些信号，并且及时有所作为么?这就是挑战。”

　　好的工具并不代表其可以获得卓越了，除非它们可以实施在质量流程中的场景中。镁光利用Data Vault方法论，尤其是其框架来应用数据仓库的敏捷开发流程，可以迅捷、不断地改变全球数据仓库。这代表传统数据仓库方法论的另一种开拓，以前工程师们手动将数据录入系统，一项大数据设计匹配大约需要18个月才能够交付。如此多的“瀑布”项目中，交付并不和任何人的需求相吻合，Leach说道。Data Vault允许镁光迅速做出改变，并且在事后增加事项而不需重构软件。

　　“最关键的是其可以让我们数据科学团队在制造业加速前行，并且能够迅速地回到他们的解决方案中去。”Leach说道。

　　镁光成功地利用机器学习来做需求预报，将客户需求与数千计芯片产品的生产紧密相连。Long表示机器学习改善了15%的预测精确性，这是一个以前未曾料到的惊人壮举。

　　“机器学习让我们可以产生数百不同时间序列的预报，并且利用技术来识别哪一些和哪一些的结合可以提供最厉害的预测。”他补充道。