工业大数据价值挖掘路径

　　作为贯穿整个产品全生命周期和企业全价值链始终的核心因素，工业大数据日益成为全球制造业挖掘价值、推动变革的主要抓手。在我国重塑制造业国际竞争力的当下，如何进一步挖掘工业大数据的价值必将成为一大焦点。

　　当智能制造时代揭开序幕，一个炫丽的科幻场景将成为现实：工人发出口头指令，机器人按照指令将原材料放入生产线，材料信息被实时读取、传输给生产设备，通过与订单任务的一番自动比对，机器实施自组织生产，再经历几轮智能检测，自行筛选出合格品、放入运往市场的成品集装箱。在这种人、资源、机器和产品无所不“连”（连接）和无所不“知”（感知）的制造场景下，一种前所未有的生产要素——工业大数据，在人与人、人与物、物与物的信息交互中源源不断地产生出来，贯穿于整个产品全生命周期和企业全价值链始终，将成为推动工业生产方式变革、重塑制造业价值的核心技术力量，其未来价值不可估量。

　　工业大数据价值洼地初显

　　工业大数据能够突破传统工业体系中隐性因素无法被量化的瓶颈，充分阐释生产的主客体和生产全过程、全时段的客观状态，并通过智能化分析和预测预警，提高决策能力，降低决策成本。

　　在传统生产中，无论制造模式如何改进，隐性的损耗和未知的变化始终存在，无法确保生产效益最大化。即便生产从机械组装演进到高度自动化阶段，这些不可控隐性因素依然“此伏彼起”。比如，为减少劳动力因过多承担生产工序造成产品合格率降低的问题，福特公司引入了组装线，实现流程化作业和规模化生产，但带来了库存和产品过剩；为减免资源浪费，丰田集团通过全流程的精益化升级实现零库存生产，但如果市场需求波动，原材料不能及时跟进，将严重影响生产节奏；为促进产品的适时开发和快速制造，美国麻省理工学院与帕森斯公司合作发明了全球第一台数控铣床，开启了敏捷化生产的先河，劳动力的数控技能和机器的周期性维护又可能成为新的发展瓶颈。到了智能制造阶段，每个影响生产决策的因素都将经过工业大数据的处理，以直观明了的量化信息形式加以呈现，方便决策者对制造能力进行整体评估，特别是准确掌控未知的隐性因素，如零部件的偶发失效、不同加工材料造成的运转性能磨损的不同、静止机器突然大功率启动时发生的摩擦损耗等等。一旦决策者引入预测性大数据智能运算系统，便能精准预判机器设备性能发生损耗和失效的时间、位置和类型，采取恰当的事先控制行为以避免产能和效率降低。可以说，围绕生产线监测与预警、设备故障诊断与维护、产品质量监测预测等方面开展工业大数据的集成应用，将使得适时维修、最优化运行和稳定维持产品质量等经济有效的生产管理成为可能，从而使制造过程的价值损失最小化。

　　工业大数据能够促进形成企业和消费者之间的信息主动反馈机制，为完善以客户需求为导向的产品全生命周期信息集成和跟踪服务、建立以服务为核心的整体解决方案提供可行路径，将大大提升产品服务价值。制造企业可以利用传感器记录和传输产品的实时数据，开展对研发设计、生产制造、库存控制、市场营销、售后服务等产品全生命周期管理。其中，库存、营销和售后环节的数据集中反映了用户对产品的个性化需求，并反向指导产品的设计和制造环节，实现产品生产与市场需求的有效对接。同时，产品全周期数据的实时反馈为在线实时监测、远程故障诊断、工控系统安全监控等增值服务提供了依据，服务在产品价值中比重不断提升。比如，我国家电领域已经推出的基于云端的智能家居系统，实现了智能家居产品与企业远程云服务中心的连接对话。企业通过提供远程实时检测和即时维护刷新了消费者的服务体验，在很大程度上增强了产品核心竞争力。

　　工业大数据不仅贯穿于生产全过程，而且在企业与供应商经营资源和财务资源的交互中得到不断积累，为企业对自身供应链资源的信用评估提供了强有力的客观依据。

　　在持续合作经营中，企业和供应商交易过程中的协商成本和契约成本将因为数字信用关系的建立而大幅降低。一旦信贷机构介入这一信用关系并发展成更为稳定的三角信用体系之后，信用价值的乘数效应将得到进一步放大。不久前，海尔与中信银行展开了供应链网络金融平台战略合作，搭建了基于海尔经营数据和财务数据的海尔合作伙伴信用评价模型，引领了工业大数据信用商业模式的创新实践。这一平台不仅为中信银行降低了发放贷款的风险控制成本，还为海尔供应商伙伴节省了融资成本，并进一步促成海尔供应链环节的优化和生产效益的提升。

　　随着美国工业互联网和德国工业4.0等制造智能化转型战略的相继实施，工业大数据日益成为全球制造业挖掘价值、推动变革的主要抓手。SAP全球研发网络总裁柯曼认为，中国人口红利消失的同时，基于大数据的工业互联网应用将成为中国在新一轮科技革命中取胜的关键。工信部在《信息化和工业化深度融合专项行动计划（2013-2018年）》中从三个层面对我国工业大数据的集成应用进行了重点部署，依次是支持骨干企业自主应用大数据技术、为中小企业提供第三方大数据云服务以及搭建行业大数据决策平台。在我国大力推进两化深度融合、重塑制造业国际竞争力的当下，如何进一步挖掘工业大数据的价值必将成为下一步行动关注的焦点。

　　工业大数据价值发掘的中国路径

　　我国坚实的制造业基础、日益扩张的机器设备应用市场和高端装备的广泛实践将创造出全球最庞大、最复杂、最活跃的工业大数据，这在客观上成为我国深度挖掘数据价值的后发优势。

　　在生产和市场中实现量的积累

　　作为制造业大国，我国已经形成门类齐全、规模庞大的现代工业体系，覆盖39个大类、191个中类和525个小类等全部工业门类，创造出海量的机器设备市场需求。随着制造模式向敏捷化、柔性化和智能化的不断演进，我国工业机器人等智能装备市场规模持续扩张。截至目前，我国已投入生产前线的机器人约为全球总量的8%，年总装机量增长速度高达17%，远超9%的全球平均增长率。随着国产机器人自主创新能力的提升，以及市场对国产机器人品牌影响力的逐步认可，国产工业机器人服务领域将从汽车、航空、电子制造等中高端行业向金属加工、卫浴五金、食品饮料等传统优势行业加速渗透。智能生产应用落地，如九江石化开始建设智能工厂，三一重工建设“工程机械产品加工数字化车间系统的研制与应用示范”项目。轨道交通、隧道挖掘以及海洋工程等装备制造在智能装备的自主设计及技术创新上成果显著。高铁应用在国内全面铺开，并将成为欧亚大陆桥、丝绸之路经济带的主要交通工具。可以预见，门类丰富的工业生产、制造领域的智能化应用以及高端技术的领先发展将引发我国工业大数据规模的加速加倍增长，为数据价值的挖掘提供充足的样本空间和试验机会。我国这一数据资产优势要远远超出德国、美国、日本等制造强国。

　　改进数据质量和数据管理短板

　　尽管我国在数据规模上占有明显优势，但在数据质量和数据管理上却居于下风。就数据质量而言，“中国制造”长期被锁定在产业链末端的零部件组装环节，在创造核心价值的高端环节没有控制权，基于简单制造流程生成的大数据质量必然受到影响。同时，人口红利时代，我国制造业普遍适应了劳动密集型生产模式，其特点是，工业价值的创造极大地依赖于劳动力的投入规模，而非机器设备生产流程的优化，更不重视全产业链管理和企业部门资源的协同合作。基于这种模式建立的制造流程各环节相互孤立，无法确保各阶段数据的交互、共享和集成。就数据管理而言，工业大数据的价值特性决定了其必将成为未来工业企业的战略性生产要素之一，必将资产化，成为工业企业成长壮大的中坚力量。但是到目前为止，大多数制造业企业的大数据应用仍主要以内部数据为主，多数停留在扩大数据来源、增加数量的初级阶段，还未形成有效的应用模式，更未就大数据成为资产达成共识，大数据管理上缺乏资产思维和按资产属性进行管理的手段，大数据价值无法得到有效发挥。

　　通过分析创造获得质的突破

　　如同从贝壳中取出珍珠必须经历采集和摘取一样，大数据价值只有通过收集和挖掘才能获取，其中收集是大数据体量的积累，而挖掘和分析则是从量变到质变的突破。小数据时代，数据是结构性的，企业往往采用明确分类、有序排列的手段发现规律，以此查漏补缺，通过事后控制改进企业运作模式，从而实现数据价值。这既无法弥补已经发生的损失，也无法应变未来的非常规发展。相比之下，工业大数据不仅在体量上规模庞大，而且涵盖声音、图像、符号等非结构性数据，产生于价值链全过程，来源广泛，杂乱无序，实时产生，动态变化，相互关联，信息冗余，给价值的实现带来了极大的挑战。数据分析技术则是大数据应用价值得以提炼的关键所在。先进的分析技术，能够对数据个体间的联动性和频繁模式进行透析，开展前瞻性预测预警，支持企业决策层做出研判。目前，大数据分析技术还未形成技术垄断，开源的特性使得大数据技术集成研发和产品创新的初始成本几近为零，为企业团队加大在此方面的研究、创新、制造价值带来了更多的机会。以可视化和机器深度学习为核心的技术发展态势也为创新大数据技术指明了方向。

　　当前，我国日益增长的大数据深度分析需求和大数据分析技术发展的矛盾逐渐尖锐。企业期望大数据处理不仅能够多维度、全方位展现运行状态，还能在TB级的复杂搜索中完成实时交互应答，不仅能够通过逻辑推理进行未来预测预警，还具备深度学习能力实现功能的自修复、自完善。但我国自主可控的核心大数据技术接近空白，国内外通用型的大数据技术无法满足实际操作中对技术的个性化、多样化、深层次应用需求，不能为大数据应用提供充分的技术保障，这对大数据技术国产化研发和二次研发提出了挑战。

　　积极创新拓展增值空间

　　工业大数据在成功推动规模化生产向定制化生产演进的同时，也在探索建立更深层次的主动创造需求模式以实现产品增值。无论是规模制造还是个性定制，均是围绕市场需求开展生产，创新的目的是为了最大化满足用户现实需求。这个层面的创新有两种形式，一是不断优化提升原有产品功能，实现连续性创新，比如手机从直板到翻盖、从小屏到大屏；二是通过研发新技术完全改变原有产品整体架构，实现迭代式创新，比如手机从按键控制变成触屏控制。主动创造需求不再直接面对用户的当前需求，而是利用创新思维和大数据技术模拟实际应用场景，深耕用户行为习惯，主动创造新产品新功能，激发用户潜在消费意愿。苹果推出的iPod、iPad系列产品是当前工业产品创造需求的成功样本，但它极大地依赖苹果团队的创新思维，一旦对市场的把控不足，就会被消费者抛弃，譬如iPod Hi-Fi音响和iPod袜套等“阳春白雪”系产品就以失败告终。对我国制造业来说，工业大数据从量的积累到价值的突破，最终还应当回归于创造有未来价值的产品，才是赢得市场、重塑核心竞争力的关键。

　　在创新应用层面，工业大数据标准和人才的缺失将制约创新能力的提升和创新价值的变现。由于没有建立合理实用的标准体系，引发了大量的工业大数据集成应用难题，比如，大体量非结构化数据在跨系统、跨平台转换利用时无法迅速整合，企业内部大数据无权限开放使用导致商业秘密和核心技术的流失，大数据技术水平和应用规模无法得到合理评估。大数据人才的短缺将是我国未来工业大数据全面展开应用的最大挑战。Gartner预测指出，截至2015年，全球与大数据相关的工作岗位将增加440万个，近1/4的组织将设立首席数据官，但仅有1/3新岗位能雇佣到专业人员。目前，国内仅有中国人民大学、复旦大学、北京航空航天大学等数十家高等院校开设了数据相关的研究生课程，数据人才的培养力度极为薄弱，数据人才瓶颈将成为掣肘我国工业大数据发展的核心因素之一。

　　推进工业大数据应用创新发展

　　在我国两化融合向更高层次和更广层面深度推进的战略期，如何突破短板，加速推进工业大数据应用的创新发展呢？

　　工业大数据的应用主体——工业企业应当大力变革传统制造流程。工业企业是工业大数据的创造者，也是工业大数据应用的直接受益者，制造流程的先进与否，将直接关系到大数据质量和应用效益最大化。工业企业应当积极“走出去”和“引进来”，学习和引入一些先进的制造理念和流程设计，调整改善原有制造流程，构建适应工业大数据集成应用的生产体系。政府可以鼓励支持一些有条件的企业开展先进生产体系示范建设工程，引导劳动密集型制造向智能制造转型，开展工业大数据的集成应用创新实践，打造可复制推广样板。

　　在工业领域加快建设具有行业特性的大数据标准体系。工业大数据标准体系将是工业领域大数据应用的重要基础。目前，国内外的大数据标准化工作都处在起步阶段，尽早组织力量开展行业性工业大数据标准研究，立足自主知识产权，制定开放、技术、应用、安全、评价等系列标准，并逐步国际化，将有助于我国工业大数据应用发展。允许一些行业和地方对某些标准规范先行先试，在智能制造重大示范项目中率先探索工业大数据标准应用模式。

　　完善工业大数据集成应用的平台机制。搭建工业大数据技术研究和应用创新平台，集聚政府、工业界、科技界的智力资源和应用创新资源，加大数据表示、数据分析、数据存储、数据质量、数据安全、大数据集互操作性等大数据技术方面的自主创新研究，促进新兴大数据技术应用的市场化布局，推广大数据技术的典型应用。探索建立工业大数据资产平台，赋予大数据资产属性，率先展开工业大数据资产化标准、资产所有权和使用权、资产价值评估、资产共享和交易机制等前沿问题研究，探索建立工业大数据资产交易市场、以市场模式保障大数据资产流转的可行性。

　　重视培养数据工程师。目前，工业企业，特别是中小型制造企业大多将大数据相关任务外包给第三方信息服务机构，这些机构多为科技公司，对工业全产业链特点的把握存在跨界鸿沟，缺乏将先进大数据技术与工业生产融会贯通的服务经验。工业企业在企业内开展大数据技术培训，积极与高校建立战略合作关系，打造数据工程师培养基地，培养适应企业自身发展需求的数据工程师，才能实现工业大数据的最大化应用。应当将数据工程师培养的重心放在理论学习和实操应用并行推进，重点储备既懂大数据技术又通工业流程的实用型数据工程师。这已成为保障和提升我国工业大数据价值创新能力的当务之急。

　　文／高婴劢

关注读览天下微信， 100万篇深度好文， 等你来看……