工业大数据体现价值的场景有哪些？

价值是用户决定的。一杯水，放在沙漠里可以救命，剩在餐桌上就是垃圾。工业大数据也是一样，能否创造价值，首先是要看用在什么场景中。

笔者认为，用户对工业大数据提不出需求，是客观现实的真实反映。大数据有用，但合适的应用场景不一定是现在。下面分析几个有用的场景：

质量要求高的生产场景。制造业从什么时候开始重视数据？显然，当我们追求高质量、高稳定性的时候，数据会显得非常重要，数据的价值才得以体现。国外先进企业追求6Sigma(一种改善企业质量流程管理的技术，主要强调通过制定极高的目标、收集数据以及分析结果，来减少产品和服务的缺陷)，故而强调数据的重要性；许多企业一味追求低成本，数据的重要性自然就会低。

高度自动化及智能化的生产场景。在高度自动化和智能化的生产单元，人的介入很少，对质量的要求一般也很高。这时，对设备健康状态和产品质量的自动监控就变得非常重要。

工业互联网的场景。工业互联网能使成千上万用户的数据实现共享。多个用户的共享会带来两个过去无法企及的效果。首先是分析结果的可靠性上升。这得益于来自不同用户的实例，可用于对分析结论的重复性认证。其次是分析结果可以在众多的用户中分享，以创造更大的价值。

在当今的中国企业中，符合上述要求的场景是不多见的。多数企业重视成本远甚于质量，智能制造和自动化的水平低，工业互联网尚未起步。由此可见，对中国多数企业来说，工业大数据的价值很可能只是“未来时”，虽然这个未来可能并不遥远。

　　推进工业大数据现在该做啥？

马云策划淘宝的年代，笔者正在浙江大学攻读博士学位。记得那时学校的网速只有每秒100个字节———这件事启发我们：机会往往发生在条件不太成熟的时候。所以，创新者的起步一定要早。在工业大数据全面应用之前，是我们培养能力、积累技术的时候。

但是，仅起步早是不够的，关键还要走对路子。正如培根所说：“跛足而走对路的人，胜过健步如飞却误入歧途者。”怎样尽早抓住机会呢？笔者认为，可以从以下几个方面做起：

一是理解工业大数据的本质作用

对企业来说，大数据用得好坏的关键是看能否创造出高于成本的价值。所以，笔者赞同从功能的角度定义工业大数据：大数据是过程(生产制造、研发服务、采购销售)痕迹的数字化记录，目的是为“用数据说话”奠定基础，是对已有系统所产生的数据的二次利用。

这意味着，工业大数据平台的建设，应该高度重视数据的组织，避免遗漏重要的数据以及数据之间的联系。例如，实时的设备状态和工艺参数应该与所生产的产品准确对应，相关的时钟不能混乱。

二是以方便“人”的分析为出发点

在商务大数据中，很多人强调机器学习，强调从大量数据中获得规律性、重复性的知识。对于工业大数据，这种认识要做调整：工业知识主要来自人脑，数据的作用是对已有认识的确认、分辨与准确化。这就意味着，大数据平台的要点是方便人从事分析工作。而人的分析工作往往是针对特定事件驱动的。

使得这些过程做到透明化，提高管理水平，通过更有效的管理创造效益。这样，建立大数据平台的一个重要任务是：让相关过程显性化，避免人陷落在信息和数据的海洋中，丧失关注的焦点。按照这个观点，在工业领域，“知识自动化”的重点应该是知识的管理，而非知识的发现。

三是正确认识工业大数据的知识发现

如前所述，由于工业数据体现出来的规律性往往难以突破人已有的认识范围，发现规律性的知识(如工艺与质量之间的关系)是比较困难的。然而，工业大数据往往适合发现另外一类知识，即从数据中提炼信息的知识，将物理量的检测数据转化成产品质量、能耗、效率、设备状态等信息的“软测量”算法，其实就是这种类型的知识。这些知识往往是生产技术人员并不熟悉的盲点。故而，从数据研究者的角度看，它们属于容易出成绩的领域。

过去，学术界对这些问题很热衷，企业却不重视，因为这种知识很难创造价值。不能创造价值的原因，是未能将其纳入管理或者控制的流程中，故而创造价值的途径不畅通。为此，企业可能会需要一个平台，以便将这些知识转化成数字化的模型，并纳入生产制造等流程中，以便创造经济价值。

四是注重与智能制造的结合

在笔者看来，数字化、网络化引发的智能制造大体是这样一个逻辑：信息驱动知识，在决策过程中创造价值、体现智能。其中，信息来自供应链、客户、智能设备、物联网，知识表现为软件化的模型，决策则包括自动或人工的管理与控制。

如前所述，工业大数据在这个逻辑中有两个重要作用：获取“从数据提炼成信息的知识”；决策和专业知识主要来自人脑，但需要用大数据将其验证、矫正和精确化。

五是加强数据分析可靠性理论研究

在工业系统中，可靠分析的结果才有使用价值。可靠性分析原本是统计理论的重要组成部分。但用于大数据明显是不合适的。这些理论的基本假设条件往往都是不成立的。而且，许多理论和著名观点也造成了大量的误导，如盲目强调分析结果的准确性、认为大数据强调相互关系而轻视因果等。

大数据的因果分析是个十分需要重视的领域，但过去主要是科学、哲学研究的范畴，统计学家对其重视不足。笔者认为，其实，可以从杜绝假象、通过证伪等思路来逼近因果。也就是说，重点分析那些容易导致错误结果的情况。同时，逻辑链的完整性和证据的独立性也很重要。

笔者认为，数据的质量和完整性是导致分析错误的重要诱因。因此，建立大数据平台时，不仅要关注数据本身，更要关注数据之间的对应性；不仅要关注数据是什么，还要关注数据的采集过程。数据的采集过程不同，意味着内涵发生了变化。如果数据质量不高，大数据很可能是一堆垃圾。这样看来，盲从商务大数据“非结构化”的观点也是不对的。

(责任编辑：安博涛)