一目了然，制造业将不可避免地向数字化生产过程转化。图2描述了促进该转换的一种方式。
图2：制造业向数字化生产过程转化
☆ 识别：首先，我们必须识别用例，并决定我们是否想优化某个特定过程、管理或货币化。
☆ 使能：必须设计事物产生数据，这样才能产生信息与见解。数据可能是使用的系统所固有的，或者为了产生数据而实施某个过程。赋能的例子是不同类型的传感器，包含RFID、WIFI、移动设备、机器人等。
☆ 捕获：设备产生未被编译的数据， 这种数据无法被理解。为了捕获数据，应用软件被安装在这些设备上来产生结果。在该阶段，应用软件捕获设备产生的原始数据。
☆ 转换：为了分析捕获的数据，数据通常需要被转换，这样数据要么与其他数据源相关，加入到其他数据中，要么加载到特定数据库中。这个阶段执行抽取、转换与必要的加载，这样数据被用于分析。
☆ 储存：随着数据成指数形式增长，数据被用户存储。这个转换库考虑到数据类型（结构化、非结构化、半结构化）、容量、轻松存取性、安全性、恢复性与其他。
☆ 分析：分析阶段考虑了外部和内部微观/宏观经济因素与数据获取的知识，同时为了采取行动应用统计或数学模型获得见解。
☆ 行动：已经获得见解，就要采取行动并定义新的用例了。
4.供应链数字化：通过动态数据挖掘提高端到端性能
供应链能力的进展展现了制造业是怎么成为数字化连接的。通过监测、连接、端到端自动动态案例的数字化供应链已经为优化供应链过程提供了很多新的机会。
随着用于社交制造业的3D打印的兴起，优化供应链管理至关重要。为了以高的服务水平进行生产，公司要依靠材料的及时供应或3D部件。供应链中任何一环被打断，将会有负面的影响。
从经济角度来看，成本中断可能导致存货过多、减产、浪费，最终，端到端供应链的可见性。由于这个原因，对公司来说供应链的中断代表重要的风险。为了将该风险最小化，公司必须识别中断的来源。并且通过预测缓解工厂问题。
供应链的数字化是创新且不可避免的。用于优化供应链执行的预测模型、传感器事件与业务规则都是通过动态案例管理自动执行并操作的。数字化跨越了延伸的制造业的数字企业，举几个例子来说，包含了原始设备制造商、部分供应商、物流与运输。
5.生产车间里的创新
在生产车间能引入什么创新？引入机器学习策略提供预测分析！
机器学习软件利用计算机统计学来学习，然后将预测结果独立反馈到模型中。事实上，许多在线搜索引擎使用自主学习的方法也是一种人工智能。
如今的大部分可靠的搜索引擎模型包含潜在的人类行为分布模型，就是来自于近些年来从互联网收集的数据。例如，你已经对谷歌或亚马逊进行的分析研究。他们的算法预测了你搜索事物的频率。
我们能够将来自于这些有效的搜索引擎模型的机器学习策略应用到制造业的生产车间中去。
