工业大数据：制造企业数字化转型重点

　　制造业普遍存在这样一个疑问：和信息化的巨额投入相比，其实际建设成效似乎并不突出，特别是对组织系统而言。

　　困扰企业多年的一些问题，如产品竞争力问题、生产质量问题、准时交付问题等，并没有因为信息化的巨大投入而得到明显改善。那么，问题到底出在了哪里？

　　跳出“集成应用陷阱”，需从三个视角来寻求解决方案：一是流程，企业的业务流程和业务规则必须是清晰的，只有流程和业务规则清晰，软件的运行逻辑才能够完整地体现业务逻辑，应用集成接口才能够被清晰、准确地定义。

　　二是数据，核心是数据流和数据标准。流程是数据的管道，所以数据流要说清楚的前提是流程清晰。数据标准化是数据流动起来的基础，举一个简单的例子：如果物料编码不统一，就无法识别两个系统中的物料是否是同一个物料，也就无法将两个系统的数据关联和整合起来，数据的价值也就无法呈现。

　　另外， 如果不定义清楚一个业务对象由哪些数据来描述，就无法将其数据化，也就无法对其进行很好的测量、管理和改进。三是技术，利用技术手段实现流程的集成；利用技术手段管理数据的标准，并确保数据标准的贯彻执行；利用技术手段，减少系统孤岛的存在。所以，要突破集成应用，需要对数据进行治理（如：数据标准、数据质量），而数据要得到充分利用，又需要借助于流程管道的贯通而流动、整合起来。而信息化要走向成熟，必须经历集成应用、数据管理两个阶段。因此，制造企业当前信息化存在的许多问题和疑问，是信息化发展必然会经历的。

　　工业大数据的推进涉及业务、应用、技术和数据等多个层面，相关工作千头万绪，关系错综复杂，其中又牵扯很多陌生的术语、概念，如果没有整体规划，看不到一个完整的体系，缺乏统一的沟通语言，企业就很难做出合理的安排，也很难在推进过程中取得广泛的支持。

　　工作框架

　　构建知识体系。工业大数据作为一个新的备受关注的领域，涉及很多概念、术语和理论框架，业界对一些术语、概念的解读尚不完全一致，有必要在企业内部建立相关知识体系， 规范定义、统一认知、统一语言，保证沟通顺畅，以利于工作推进。

　　数据识别与定义。摸清数据资产状况、规范数据表达，是对数据实施有效治理和开发利用的基础。具体工作包括对数据进行分类、明确数据资源分布情况、建立数据模型等，其中主数据、元数据识别定义是两类核心基础性工作。

　　数据集成与共享。跳出“集成应用陷阱”面临的核心挑战就是数据的自由流动，解决数据集成与共享的重点工作包括两个方面：一是建立数据通道，包括应用系统集成、工业物联、数据平台建设等；二是数据流通，包括主数据集成、业务数据贯通等。数据分析与利用。在保证数据质量和数据流通的基础上，推进数据分析在研發、生产、服务和管理等方面的应用，发挥数据资产对业务优化和管理改进的价值。数据分析与利用是释放信息化红利的主要手段。

　　数据治理。将数据作为企业核心管理对象，落实组织、流程和标准，明确数据责任归属，体系化保障数据质量和数据安全。从信息化水平比较高的电信、金融、电网等行业的经验来看，数据治理是一个漫长甚至痛苦的过程，需要企业具有很强的韧性。但当数据得到有效治理之后，企业从数据开发利用方面得到的回报也是丰厚的。

　　切入点选择

　　由于数据流贯通和数据质量直接影响数据的整合和分析利用，因此，从大逻辑上来讲，应先行开展数据治理，再推进数据应用。但这并不意味着数据的开发利用要等到所有的数据全部治理到位才能够开始，可以分领域、分主题，边治理边应用。

　　企业可以根据本单位的实际情况，选择任何一类作为切入点，既可以先建立数据治理的组织、流程和制度，落实体系和机制保障；也可以先设计开发企业级的数据模型，进而建立数据资产目录、定义数据标准和规范数据表达；还可以选择数据基础好、价值显现度高的业务领域开发大数据应用，以应用倒逼数据治理，逐步完善数据管理体系。当然，五类工作也完全可以同步开展。但无论如何，都应遵守数据全生命周期覆盖和信息价值链贯通两个基本原则。

　　具体到某一类数据或业务场景时，一定是遵循“设—存—通—治—用”的基本逻辑。设，主要包括数据识别定义和应用场景设计；存，主要指的是数据采集和存储；通，主要指的是数据整合和数据流贯通；治，主要指的是数据质量和安全管控；用，即针对具体业务场景的数据分析利用。

　　关注事项

　　工业大数据推进过程中，有六项特别需要关注的事项，它们对安全、有效挖掘大数据价值至关重要。一是数据模型。根据国际数据管理协DAMA的观点和国内领先行业的实践，数据模型是企业数据架构的核心，是数据标准落地的重要载体，是规范应用系统开发、数据集成和数据整合利用的基础。企业应通过正向设计和逆向建模相关结合的方法，构建企业级数据模型，并借助模型管理工具建立起数据模型的“建”“管”“用”机制。二是工业机理。工业大数据推进的最终目标是场景应用，解决实际的工业问题。这些问题的背后是工业机理，如果不掌握工业机理，就无法建立科学准确的数学模型，也就无法实现数据驱动的大数据应用。因此，企业应充分联接外部资源，对准典型需求，开展工业机理研究，积累机理模型，并形成知识库。三是能力平台。工业大数据推进过程中，数据分析的需求热度、活跃度都会不断增强，要IT部门必须快速响应，缩短开发周期。同时，随着IT架构的全面云化，大数据应用会越来越趋于轻量化，并以工业APP为主要形态。这就需要企业拥有一个能够支持数据全生命周期管理和快速数据开发的能力平台，其应具有安全可控、稳定可靠、弹性扩展等关键特性。四是数据安全。数据只有汇聚、整合才能够发挥更大的价值，但数据的聚合却会增加敏感信息泄露的安全隐患。而大数据借助的云存储与云计算技术，已经超出了传统的网络边界，导致针对传统网络的安全策略和防护技术无法做到有效防护。因此，企业需要做好数据资源利用和安全风险防范的平衡，持续跟踪、研究新一代数据安全技术，在数据的全生命周期建立安全机制。五是数据人才。数据驱动型应用作为企业新一代应用，由于其需求分析、软件开发过程和所依托的关键技术、开发环境都区别于传统的交易型应用，因此需要新一代人才的加入，企业应做好数据架构师、数据科学家、数据分析师、数据质量工程师等关键性数据人才的培养和引进。六是投资保障。鉴于大数据技术在工业领域的应用刚刚起步、企业数据普遍需要治理、数据安全等关键技术需要突破，以及可用算法模型的构建需要一定的周期等。工业大数据的投资收益会有一定的滞后效应，企业应做好需要渡过一段艰难时期的心理准备，在资金投入方面提供持续支持。

　　工业大数据作为制造企业数字化转型的重点方向，在推进过程中，应以现实需求为出发点，避免陷入“大”“小”之争，将工程和管理过程中产生并具有使用价值的所有数据作为一个有机的整体，以数据全生命周期覆盖和信息价值链贯通为基本原则，在数据有效治理的基础上，抓住数据模型、工业机理、能力平台、数据安全、数据人才和投资保障六大关键因素，有序推进数据驱动的分析型应用，推动数据资产变现，不断优化产品、改进过程和提高决策效率，释放信息化红利，将制造企业信息化推向更高的水平。

　　梁建交