隨著云計算、物聯網、移動計算、大數據、人工智能等新一代信息技術的興起和我國制造業向數字化、網絡化、智能化的持續大力推進，大數據在工業領域的應用引發了制造行業的普遍關注。“數據管理”這個沉寂了幾十年的管理領域重新被重視起來，“數據資產化”為大數據廠商、各大企業所津津樂道。但是，大家對工業大數據的理解還存在很多疑問甚至分歧，作為一個普遍缺乏實踐的工作領域，還存在著諸多未知因素和風險。為此，本文提出工業大數據的三個基本問題與大家共同討論。

工業大數據，為什么在今天受到如此高的關注？

首先，工業大數據受到關注是因為互聯網發展，大數據首先是在互聯網行業得到應用，進而推動了大數據相關技術的發展和成熟，在IT廠商、互聯網企業家、政府官員等多方力量的助推下，大數據應用逐步滲透到其他行業，如：醫療、通信、金融、制造業，大數據在制造業的應用，被稱為工業大數據。

其次，工業大數據倍受關注與制造業的數字化、網絡化和智能化的客觀事實密切相關。自動化/智能化的設備、生產單元和生產線，還有智能化的產品，運行過程中產生了大量的數據，這些數據蘊藏著有價值的信息。例如，GE航空發動機每天提供給監控系統的數據超過1PB，福特的插電式混合動力汽車每小時能生成數據25GB，一臺數控機床每年的數據量也可達700TB，而一般企業的PDM、ERP等系統十年所產生的數據量也不過幾百TB。

第三，大數據相關的技術日益發展，擁有成本越來越低。例如傳感器技術、通訊技術的發展，獲取實時數據的成本已經不再高昂。嵌入式系統、低耗能半導體、處理器、云計算等技術的興起使得設備的運算能力大幅提升，具備了實時處理大數據的能力。開源技術的生態完整性，也使得構建一個大數據平臺的技術門檻越來越低。

另外，我們看到，制造資源、制造過程和商業活動變得越來越復雜，管理和決策的復雜度也在提升，依靠人的經驗和分析已經無法應對如此復雜的商業環境。借助數據、算法和軟件代碼，可以突破人腦的限制，開展更加復雜的分析、預測，分析和預測的結果可以優化過程、優化產品、優化決策。

最后，我們必須承認，美國管理信息系統專家諾蘭在四十年前提出的“諾蘭模型”今天來看，仍然被證明是正確的。從諾蘭模型來看，數據管理是企業信息化的必經之路。目前，國內大型制造企業一般處于集成階段的末期或數據管理階段的早期，而絕大多數的中小企業可能還處于諾蘭模型的前三個階段。事實上，工業大數據也主要是大型企業在關注和投資建設。

當我們提到“工業大數據”時，它的內涵包括什么？

人們之所以會對工業大數據這個概念存在分歧，是因為每個人看待工業大數據的視角是不一樣的，從不同的視角就會看到不同的視圖，顯然大家看到和討論的內容就有可能不一樣，分歧也就在所難免了。如果溝通存在障礙，工作推進必然受到影響。因此，本文從多個視角討論一下什么是工業大數據。

數據視角。關于工業大數據的范圍是有爭議的，一種觀點認為工業大數據主要指的是設備數據，因為其符合大數據的4V特征。另一種觀點認為工業大數據指工業企業的所有數據，包括“大”數據，也包括“小”數據。從現實意義上來說，筆者推薦第二種理解。因為，無論是“小”數據還是“大”數據，都是企業“資產”，實際應用過程中，數據集包含了這兩類數據。企業只有將所有的數據看作一個整體，數據資產的價值才能夠被充分挖掘出來。從數據視角看工業大數據，可以發現企業數據架構的改進機會。

應用視角。與數據相關的應用覆蓋數據的全價值鏈，包括：數據提供、數據采集、數據存儲與管理、數據分析和數據應用。數據提供類的軟件一般為交易型的應用，如：ERP、MES。數據應用類的軟件也稱之為分析型的應用，如：查詢統計、挖掘分析、預測等。從應用視角看工業大數據，可以發現企業應用架構的改進機會。

技術視角。工業大數據涉及一系列技術的使用，如：數據采集技術、數據存儲技術、數據分析技術等，成熟的技術往往已經代碼化并封裝在大數據相關應用當中，但還有一些技術，特別是與特定行業的特定應用場景相關的技術（如：工程軟件的數據獲取），還需要研發。另外，要支撐完整的工業大數據應用，必須對軟件平臺、計算機基礎設施、安全體系等進行重新規劃，甚至重建。從技術視角看工業大數據，可以發現企業技術架構的改進機會。

業務視角。從業務視角看工業大數據，有助于發現大數據的應用場景，也就是大數據能夠發揮價值的業務領域，從而挖掘出大數據應用的需求，如：產品優化設計、工藝流程優化、設備健康管理、供應鏈與物流優化、產品運行監控、智能決策等。工業大數據只有在業務場景中才能發揮價值。從業務視角看工業大數據，可以發現企業業務架構的改進機會。

推進工業大數據應該從何處入手，注意哪些問題？

工業大數據的推進工作千頭萬緒，各項數據工作之間、數據工作與其他工作之間的關系錯綜復雜，如果沒有一個整體的規劃，看不到一個完整的體系，就不知道從何入手，就無法合理安排資源投入，還有可能重復建設。下面從推進框架、切入點的選擇和注意事項三個方面討論工業大數據怎么建的問題。

推進框架。工業大數據相關工作可以劃分五類，包括：構建知識體、數據識別與定義、數據集成與共享、數據分析與利用、數據治理。構建知識體的目的是為了統一大數據認知，規范相關術語概念，建立統一語言。數據識別與定義的目的是為了摸清數據資產狀況，并規范數據。數據集成與共享的目的是打通信息通道，讓數據流動起來。數據分析與利用的目的為了讓數據產生價值。數據治理的核心目的是為了保障數據安全、數據質量。

切入點的選擇。工業大數據的工作可以從上述五類工作的任何一類切入，或者并行推進。既可以選擇構建數據治理體系為切入點，以落實組織和職責，建立機制。也可以選擇數據模型開發為切入點，以理清數據資產和規范數據。還可以選擇某一個業務域開展大數據分析應用，通過應用拉動數據規范化和數據治理。當然，五類工作也可以并行，因為從宏觀角度來看，它們并沒有必然的次序，只是在具體工作推進時，通常遵循先識別定義，再集成、治理和分析利用的工作邏輯。

注意事項。工業大數據推進過程中有三個關鍵問題必須予以關注和解決。一是數據標準，核心是數據模型，只有掌握一套企業級數據模型，并以此為基礎對各項應用的數據庫進行管控，企業的數據資產才真正受控。二是數據整合，數據只有整合起來，建立數據關聯，才能夠發揮更大的價值，數據整合的前提是有一套數據標準。三是數據安全，對于軍工企業尤其如此，大數據強調數據關聯、整合，這勢必會顯著增加安全風險。為確保數據安全，一方面是充分利用技術手段，另一方面是選擇可靠的實施服務提供商。

來源：網絡  侵權刪