汽车行业的典型特征是：供应链长、产品结构较复杂、可靠性要求高、批量性大。传统的汽车行业产品问题分析解决依赖于六西格玛分析技术和小样本数据分析方法，数据采集周期长、采集难度较大，需要在不同的数据站点进行汇总数据，再对数据分析。
图一：汽车生产厂商管理车间
1、海量数据
汽车产业庞大的供应链体系每时每刻都在产生大海量数据，来自不同批次材料的检验数据、不同测量工位的测试数据、不同零件的测试数据、过程加工参数数据、过程压装及系统测试数据、售后维修维护数据等各种系统每秒钟都在不断快速增长上百G数据，这些数据是垃圾还是价值?该如何利用提升制造系统运营效率，确保项目交付的快速迭代和及时交付，成为现代制造体系关注的焦点。
2、数据认知
大多数传统系统，故障维修系统，实时监控系统，物资物料统计系统，测量数据系统等中，已有简单的分析统计图表，但数据格式比较单一，活性差，交互性低，且数据结构缺乏有效管理，使管理者难以对数据有很好的认知。
图二：汽车生产厂商管理软件
3、管理决策
大数据运营在汽车行业快速迭代、供应链过程快速响应的大环境下，能够帮助客户管理海量数据，并从海量数据中自动分析影响产品变异的原因，为快速决策提供数据分析支持，以数据驱动运营方向，提供六西格玛小样本数据分析之外的另外一种可能-大数据分析技术，对决策提供科学支撑。
4、数据分析需求响应慢
不同层级的用户对数据分析有着完全不同的需求，而目前制造系统能够提供的分析报告主要以表格为主，分析维度单一，形式简单固化；数据源缺乏系统管理，大量时间耗费在数据获取环节，对分析需求响应的时效性差，无法满足用户快速灵活多变的数据分析需求。
5、项目成本投入高，风险大
汽车产业数据分析属于典型的高知识密度分析内容，对产品可靠性分析、关键因子搜索分析等，传统分析方法意味着需要对工程师进行数十年的培养。基于大数据分析系统的方法，能够将六西格玛分析方法、可靠性分析方法、数据挖掘算法、经验算法等进行有机结合，使分析过程更加简化；传统算法工程师只需要维护现有系统，就能使不同层级的制造人员对该系统进行良好应用，避免了传统制造系统对人员的漫长投入后才能对数据进行分析的弊端。
随着国内汽车产业竞争不断的充分化，汽车行业从工业产业逐渐转化为工业“快消品”，要求制造厂家及零部件配套厂家不仅仅能够提供完美质量的产品，而且整个响应周期大大缩短。而如何基于来料检验、过程装配与测试、售后维修维护数据等不同数据源，进行实时存储和实时分析，苏州点迈车间管理软件大数据分析系统提供了完整的思路帮助中国汽车制造企业实现目标。可以参考案例：适合中小汽配业的生产管理软件
