下载掌阅APP，畅读海量书库
立即打开
需求分析是指通过一定的方法获取客户需求信息，然后根据客户需求数据的重要性及其对产品设计的影响进行筛选的过程。制造产品的最初动机是满足客户的需求，客户需求是数据驱动产品设计的直接动力。随着大数据、物联网等技术的发展，数据驱动的客户偏好感知成为研究热点。客户需求分析方法倾向于使用一些智能分析和数据处理方法来满足客户需求。当今企业面临的市场已从单一、稳定的市场转变为要求产品具有差异化、个性化特性的细分市场。企业要想长久生存，就必须准确把握客户的需求，生产出符合客户需求的产品。因此，面对庞大的数据生成环境和竞争激烈的市场形势，设计工程师必须考虑客户的各种偏好和要求。
客户偏好数据可以通过各种数据源获得，如客户反馈、网络爬虫和公司数据库。在激发和分析需求数据的过程中，对客户需求的理解和假设对产品设计和制造在质量、交付周期和成本方面具有重要影响。因此，有效地捕捉关键客户偏好和需求，系统地分析并适当地将它们转换为合适的产品属性和特性是需求分析的重点。
正确识别和预测产品特征是进行需求分析的基础。需求预测的前提是通过一定的方法获取客户需求数据，这也是数据驱动产品设计中比较耗时的一部分。早期传统的客户需求的获取主要以问卷的形式进行。随着互联网和大数据技术的应用，客户需求的获取正变得更加智能、方便和快捷。在获取客户需求数据后，结合产品生命周期各阶段的数据，对客户需求进行分析和补充。为了更好地满足客户需求和理解客户的各种异构需求，有必要对客户需求数据进行分类。随着客户需求数据的爆炸性增长，需求分类方法也不再仅限于传统类别，目前大多使用模糊聚类和数据挖掘方法进行需求分类处理。
收集到的客户需求数据不仅包括顾客对产品功能的要求，还包括客户对产品性能的要求。在进行客户需求转换和映射时，主要包括客户需求重要性的确定和客户需求功能特征的映射。预测产品特征的未来重要性权重对数据驱动的产品设计有重大影响，因为它会显著影响工程需求的目标值设置。确定客户需求的重要性是客户需求预测和综合分析过程中的关键部分。当前，确定客户需求重要性的方法很多，主要包括专家评估方法、层次分析法（AHP）、模糊分析法（FAM）、特征分析法和质量功能展开法（QFD）。通常，在使用过程中可以将多种方法结合使用。客户需求和产品设计参数的数据驱动相关性分析可以帮助设计人员预测和感知客户需求偏好，这已成为一个热门的研究方向。客户需求到产品特性的映射是产品设计的一个关键方面，用于将客户需求数据转换为易于理解的产品工程特征。除了上面提到的需求转换方法，QFD对设计人员来说是更有用的工具。QFD是一种集成的决策方法，可确保并提高设计过程元素与客户需求的一致性。QFD需求转换的关键是使用质量屋建立客户需求数据与技术特征之间的关系矩阵，并通过矩阵转换将客户需求数据转换为产品技术特征。
产品概念设计是面向设计需求的一系列迭代、复杂的工程过程，它通过建立功能行为关联来寻找正确的组合机制，确定基本求解路径，并生成设计方案。新产品开发的成功与否取决于概念设计阶段的设计概念生成。企业需要在不增加生产成本和产品开发周期的前提下，快速生产满足消费者多样化和个性化需求的新产品。产品概念设计是解决这些问题的关键步骤之一，而产品数据的使用效率是影响产品概念设计效率的主要因素。
在大数据时代背景下，数据在产品概念设计中发挥积极作用。大多数消费群体的需求可以从大量的产品数据中分析出来，从而减少了概念设计的模糊性。产品数据包含丰富的设计知识，可以提高概念设计的效率和设计方案的创新性。数据的其他方面包括许多有助于设计过程的方法论经验。在产品概念设计中，设计者往往需要依靠自己的设计经验，找到相关的设计知识来解决设计问题。有时在遇到新问题时，仅靠设计者自身的知识和经验很难解决问题，而这会导致设计效率低下。数据驱动的产品概念设计不仅可以减轻设计人员的工作量，而且可以提高产品设计质量。
产品概念设计方案的生成过程是一个从模糊需求到特定结构的映射过程，产品概念设计中的功能推理方法侧重于功能层面，以生成和评估特定设计问题的解决方案。推理过程中涉及大量的实际数据。许多学者将数据处理技术引入概念设计，形成了一系列数据驱动的功能推理方法。对设计知识和数据重用的需求推动了基于实例推理法（CBR）在产品设计领域的发展和应用。CBR通过将过去相似问题的解决方案关联起来，并对其进行适当的修改来解决新问题，这与人类的决策过程类似。CBR通过有效地组织和利用原有的设计知识和数据，克服了一般智能系统中知识获取的瓶颈。智能算法可以处理特定的产品数据，因此引入智能算法可以更好地执行推理过程。神经网络具有自组织和自学习的能力，可以解决分类任务和联想记忆的重新获得问题。在功能推理中，神经网络可以处理不充分且容易被更改的数据，用于提取和表达知识。混合推理是两种或多种推理技术的结合，通过一定的信息交换和相互协作，生成概念设计优化方案，有效地解决了单一推理方法的不足。
通过对产品功能设计、原理解和原始理解的结合，得到多个产品原理解。概念设计的目标是选择一个令人满意的设计方案，并在随后的详细设计阶段进一步细化方案。概念设计方案的决策是在方案生成阶段对生成的多个候选方案进行评价和比较，以选出最优的概念设计方案。数据驱动的方案决策通过选择和分析选定的数据对象来提供决策支持信息。以产品类型和产品元素作为数据驱动的影响因素和阈值权重，实现对产品设计方案的决策。产品类型是基于数据的价值创新，源于对用户数据的挖掘。产品元素的获取基于数据聚类，是一个集成、分析和归纳的过程，表示某一类用户的相关特征。这些特征是相互关联的，是用户之间相互理解和交流的纽带。常用的经典决策方法有线性加权法、相似理想解排序法（TOPSIS）和层次分析法等。随着研究的深入，学者们引入了灰色理论、粗糙集理论等其他数学分析方法，改进了经典的多属性决策方法，拓宽了多属性决策的思路，并提出了灰色关联评价法、模糊综合评判法等多属性决策方法。随着数据分析和数据驱动方法在产品设计中的应用，机器学习、神经网络等方法也逐渐被用于产品设计方案的评价和决策。
20世纪上半叶，模型在工程设计中得到了广泛的应用，数学模型几乎涵盖了工程产品的方方面面。从设计的物理表示和图形模型开始，然后是模拟模型，或者使用一种事物来表示另一种事物。设计问题可以用不同的方式建模和表示，以帮助设计师工作。产品数据信息的符号模型是由符号关联约束下的一组符号组成的。设计过程模型是设计过程的抽象表达，可以清晰地表示设计数据和知识，描述设计变量及其转换关系。随着传感器和数据存储技术的发展，产品数据呈现出大容量、多类型、多采样率的新特点，给建模和应用带来了困难。数据挖掘和数据库技术为数据驱动建模方法在产品设计中的开发和应用提供了强有力的技术支持。产品建模中的数据描述了基于需求创建产品解决方案（如候选设计和制造过程）的原因和方式的基本原理。当更改需求或识别新需求时，设计人员可以使用产品数据修改现有的解决方案或创建新的解决方案。在产品数据的各个方面，产品设计数据在基于计算机的产品开发系统的开发中起产品建模的关键作用。近年来，数据建模已经成为学术界和工业界的研究热点，在建模语言和建模方法上都取得了重大发展。
根据产品高度分布和可重构的特点，数据驱动的建模语言可以分为本体建模语言和面向对象的建模语言。本体建模语言用于构造语义丰富的产品模型，使用最广泛的本体语言是本体网络语言（OWL），它通过提供额外的词汇和形式语义来提高万维网（Web）内容的机器解释能力。OWL用于应用程序需要处理文档中包含的信息，可以用来清楚地表示词汇表中术语的含义及这些术语之间的关系。面向对象的建模语言采用面向对象的编程思想，包括实例化、继承、封装和多态性等，对产品数据进行建模。它们包括许多流行的建模语言，如在面向对象的设计和分析中常用的统一建模语言、进程（STEP）中用来表示产品数据的表达方式（EXPRESS）及其图形表示格式EXPRESS-G.Szykman等。
在2000年之前，产品设计主要依赖于设计师的经验、直觉和有限的数据分析。设计师通过市场调研、用户反馈、设计原型和用户测试等方法来了解用户需求和市场趋势，并通过基本的统计分析工具分析用户数据和市场数据。这一时期的设计实践强调设计师的经验和直觉，设计决策主要基于长期积累的设计经验和敏锐的设计直觉。设计师还需要与团队成员和用户进行充分的沟通和协作，撰写详细的设计文档和制定设计规范，以确保设计方案的实施和方案的一致性。尽管这一阶段的数据量较小，分析方法较为简单，但这些方法为后来的大数据分析技术的发展奠定了重要基础。
21世纪最初十年初期，互联网的普及和信息技术的发展使得数据的采集和存储变得更加容易和便宜。企业开始积累大量的用户数据，但这些数据大多未被充分利用。设计师们开始逐步意识到数据的重要性，尝试将数据引入设计流程中。然而，由于缺乏成熟的数据处理和分析工具，数据的利用仍然较为初级。企业通过互联网技术积累用户数据，利用基础的数据分析工具，如Google Analytics，对网站流量、用户点击行为等进行初步分析。尽管数据驱动设计的意识逐步觉醒，但实践中仍处于探索阶段，数据的应用和价值尚未得到充分体现。
2005年，Hadoop的发布标志着大数据处理技术的一个重要里程碑。Hadoop提供了一个处理大规模数据的框架，使得企业能够处理和分析海量数据。这个时期，数据驱动的理念开始逐步渗透到产品设计中。企业开始通过更为先进的数据分析工具，来从海量数据中提取有价值的信息，用于指导产品设计。Hadoop的分布式处理框架使得企业在成本可控的情况下处理和分析大量结构化和非结构化数据，推动了数据驱动决策的兴起。数据分析工具如Tableau、QlikView等的普及，使得数据可视化和分析更加直观和便捷，企业通过数据驱动进行产品设计的实践逐渐增多。
随着2010年左右大数据技术的成熟，越来越多的企业开始利用大数据进行产品设计。机器学习和人工智能技术的引入，使得数据分析变得更加智能和自动化。企业可以通过分析用户行为数据、市场数据和社交媒体数据，来进行更加精准的产品设计。这个时期的数据分析不仅限于数据的简单处理和统计，而是通过复杂的算法和模型，预测用户需求，优化产品设计。企业通过Hadoop、Spark等大数据技术处理海量数据，引入机器学习和人工智能技术，实现个性化推荐、智能客服等应用。社交媒体数据分析成为企业了解用户需求和情感的重要手段，精准营销与个性化设计提升了用户满意度和市场竞争力。
2015年前后数据驱动的产品设计进入了一个新的阶段。企业不仅仅利用数据来进行产品设计，还开始通过A/B测试、用户画像和个性化推荐等技术，来不断优化和改进产品。这一阶段的特点是数据分析的实时化和智能化。企业能够实时获取用户反馈，并迅速做出反应，优化产品设计，提高用户满意度。通过A/B测试，企业实时比较不同设计方案的效果，用户画像帮助企业了解用户需求和行为模式，个性化推荐提升了用户体验。实时数据分析技术如Kafka、Storm的应用，使得企业可以即时监控和响应用户行为，智能化的产品设计和优化如自动化界面调整、智能客服等，提升了产品的智能化水平。
未来随着物联网（IoT）和5G技术的发展，数据驱动的产品设计将变得更加普遍和深入。企业将能够实时获取用户的使用数据，并通过人工智能技术进行实时分析和优化，进一步提升用户体验和产品竞争力。未来，数据驱动设计将不仅限于软件产品，还将广泛应用于硬件产品和服务设计中，推动各行各业的创新与发展。跨领域应用将推动制造业、医疗、交通等各个领域的数字化转型和智能化升级，企业将构建基于数据驱动的智能生态系统，通过数据互联互通，实现产品、服务和用户体验的全面优化和提升。