多數人認為製造業廣泛運用人工智慧和機器學習，但令人驚訝的是，根據Seagate委託IDC進行全球調查的最新報告《Rethink Data》，在各種產業中，不論在資料管理的任務自動化程度或是功能的全面整合度，製造業均表現墊底。
歸究其原因，可能來自於下述的四點：
一、舊有系統持續造成管理斷鏈：製造業技術日新月異，老舊的基礎設施根本趕不上工廠裡互連設備的增加速度。工廠經常透過臨時性流程來連接和管理資產，缺乏能夠全面性管理的基礎架構。
二、IT技能缺口：製造業的難題除了勞動力老化外，找不到願意進工廠工作、具備軟硬體IT技能的新血，也是一大主因。
三、部分資料遷移至邊緣，複雜情況加劇：製造業者資料量之所以快速增長，與資料網路邊緣的物聯網設備增加有關。邊緣設備與總部系統脫節，且大數據透過企業網路傳輸更是成本高、速度慢。
四、需要全面性的資料管理軟體：從整體業務觀點出發，製造業客戶並不滿意目前的資料管理軟體工具，甚至許多工廠根本沒有使用資料管理軟體。而虛擬化軟體在缺乏足夠支援的情況下，無法顯示並找出跨部門的資料規律。
為了克服這些問題，邁向新的資料驅動業務，建議製造業可先透過蒐集和整合資料，跨越資料孤島，讓手中的資料發揮最大效益，然後運用預測性分析以發掘新的商業模式，驅動未來營收與獲利，賦予公司更強勁的成長動能。根據Brookings報告指出，製造業應該善加利用大數據、自動化和人工智慧技術，因為這些技術集結起來將有能力徹底改變製造業，從最初的商品設計到最後成功交付產品。
接著可使用最新一代的硬體和軟體工具來管理資料及儲存，使其更為現代化，邊緣伺服器通常配備整合軟體堆疊架構，以便於遠端資料管理。而保護好所有蒐集到的資料也是必要的，以防止外部人士和駭客干擾企業營運。最後，可以執行DataOps──將資料生產端和資料使用端連結起來的方法。首要工作即是使用元資料（Metadata）來理解資料，給新資料標上「標籤」，便於往後存取和分析。
然而，凌駕於以上五點的關鍵是，與資料相關的溝通不應侷限於資訊長、資料科學家和IT部門。企業主應該鼓勵各部門員工就不同類型資料的效用提出看法，再依據資料的目的性來加以分類。成功的DataOps不僅關乎科技，而是如何針對資料進行溝通，再輔以高效分析，協助企業打造一個一目了然的管理平台，掌握深具商業價值的各種資訊。
＜本文作者：黃又青現為希捷科技台灣區總經理）＞