工业大数据产生的背景！工业大数据的特点和分类

导读

工业大数据建设抓住两个板子作为突破点。一个是最长的板，也就是梳理产品(工业)竞争力最强的在哪里，继续深挖下面的数据价值，围绕这一块的工业数据构建产品和服务能力;另一个是最短的板，就是影响工业企业发展的痛点在哪里，成本、市场、还是供应链，还是能耗?在数据化时代下，寻找机遇大数据的解决方案。

工业大数据是互联网、大数据和工业产业结合的产物，是中国制造2025、工业互联网、工业4.0等国家战略在企业的落脚点。

对于企业而言，了解工业大数据产生的背景，归纳工业企业大数据的分类和特点，从数据流推动工业价值创造的视角看待、重造工业价值流程，将具有很强的现实意义。文章最后，笔者分享几个在工业领域数据驱动价值创造的案例，希望起到抛砖引玉的作用。

1、工业大数据产生的背景

在工业生产中，无时不刻都在产生数据。生产机床的转速、能耗，食品加工的温湿度，火力发电机组的燃烧和燃煤消耗，汽车的装备数据，物流车队的位置和速度等，都是在生产过程中的数据。

自从工业从社会生产中独立成为一个门类以来，工业生产的数据采集、使用范围就逐步加大。从泰勒拿着秒表计算工人的用铁锹送煤到锅炉的时间开始，是对制造管理数据的采集和使用;福特汽车的流水化生产，是对汽车生产过程的工业数据的采集和工厂内使用;丰田的精益生产模式，将数据的采集和使用扩大到工厂和上下游供应链;核电站发电过程中全程自动化将生产过程数据的自动化水平提高到更高程度。

任何数据的采集和使用都是有成本的，工业数据也不例外。但随着信息、电子和数学技术的发展，传感器、物联网等技术的发展，一批智能化、高精度、长续航、高性价比、微型传感器面世，以物联网为代表的新一代网络技术在移动数据通信的支持下，能做到任何时间、任何地点采集、传送数据。以云计算为代表的新型数据处理基础架构，大幅降低工业数据处理的技术门槛和成本支出。以工业领域的SCADA系统为例，传统模式下每个电网、化工企业都需要建立一套SCADA系统，成本在千万以上，如果采用云架构模式，成本将可以降低7成以上。

社会需求变革是最大拉动力。在商品过剩经济时代，以个性化为代表的消费文化，使得工业企业的产出物，要最大限度匹配个性需求。从服装定制，车辆选配，到T恤的印花和个性化教育。

要响应个性化需求，有两种方式，以服装定制为例，就是靠老师傅用尺子量，眼见手摸，凭借经验，确定服装的裁剪和版型，这种我们可以称之为模拟方式，效率和质量难以保证，耗时长，个性化定制的成本高;还有一种是数字方式，就是通过制订一套数据采集手段，由前台的客户代表测量采集用户身形数据，然后将数据传回总部，将结合生产原材料数据，将需求分解为一项一项的生产工艺动作，最后也生产出达到定制化要求服装。

当然了，工厂也会聘请资深的老师傅，他们的主要工作不是面对一个个客户的定制化需求，而是去研究更好的生产工艺，对数据和工艺分解进行把控。这种模式下，效率和质量得到保证，效率随着生产线的扩容线性提升，有一批专家队伍不断研究提升工艺能力，定制化生产的成本将得以显著摊薄。从发展趋势看，后者这种数字模式的个性化生产将是未来选择。

国策方针是重要影响力。完成了工业自动化过程的德国工业界，在自动化基础上，以工业数据为基础，引入云计算和人工智能技术，提升工业的智能化水平，以满足大批量个性化定制的社会生产需求;美国拥有强大的云计算、互联网及数据处理能力，基于此，提出工业互联网战略，将单个设备、单条生产线、单个工厂的数据联网，通过大数据处理后，在诊断、预测、后服务等方面挖掘工业服务的价值。

中国相对于德国、美国而言，在工业自动化、在云计算等领域都处于发展期，因此提出中国制造2025计划，通过工业化和信息化融合发展的方式，将工业化和信息化整体规划，并制定一系列的重点工程和推进计划。

2、工业大数据的特点和分类

不管是工业自动化、还是工业智能化(工业4.0)、或者是工业互联网概念，他们的基础是工业数据。

随着行业发展，工业企业收集的数据维度不断扩大。主要体现在三个方面：

一是时间维度不断延长。经过多年的生产经营，积累下来历年的产品数据、工业数据、原材料数据和生产设备数据;

二是数据范围不断扩大。随着企业信息化建设的过程，一方面积累了企业的财务、供应商数据，也通过CRM系统积累了客户数据，通过CAD等积累了研发过程数据，通过摄像头积累了生产安全数据等，另一方面越来越多的外部数据也被收集回来，包括市场数据、社交网络数据、企业舆情数据等;

三是数据粒度不断细化。从一款产品到多款、多系列产品使得产品数据不断细化，从单机机床到联网机床，使得数据交互频率大大增强;加工精度从1mm提升到0.2mm，从5分钟每次的统计到每5秒的全程监测，都使得采集到的数据精细度不断提升。

以上三个维度最终导致企业所积累的数据量以加速度的方式在增加，构成了工业大数据的集合。不管企业是否承认，这些数据都堆砌在工厂的各个角落，而且在不断增加。

再从企业经营的视角来看待这些工业数据。可以按照数据的用途分成三类：

第一类是经营性数据，比如财务、资产、人事、供应商基础信息等数据，这些数据在企业信息化建设过程中陆陆续续积累起来，表现了一个工业企业的经营要素和成果。

第二类是生产性数据，这部分是围绕企业生产过程中积累的数据，包括原材料、研发、生产工艺、半成品、成品、售后服务等。随着数字机床、自动化生产线、SCADA系统的建设，这些数据也被企业大量记录下来。这些数据是工业生产过程中价值增值的体现，是决定企业差异性的核心所在。

第三类是环境类数据，包括布置在机床的设备诊断系统，库房、车间的温湿度数据，以及能耗数据，废水废气的排放等数据。这些数据对工业生产过程中起到约束作用。

从目前的数据采用情况看，经营类数据利用率最高，生产性数据和环境类数据相比差距比较大。从未来数据量来说，生产线数据在工业企业数据中的占比将越来越大，环境类数据也将越来越多样化。

一般意义上，大数据有具有数据量大、数据种类多、商业价值高、处理速度高，在此基础上，工业大数据还有两大特点。

一是准确率高，大数据一般的应用场景是预测，在一般性商业领域，如果预测准确率达到90%已经是很高了，如果是99%就是卓越了。但在工业领域的很多应用场景中，对准确率的要求达到99.9%甚至更高，比如轨道交通自动控制，再比如定制生产，如果把甲乙客户的订单参数搞混了，就会造成经济损失。

二是实时性强，工业大数据重要的应用场景是实时监测、实时预警、实时控制。一旦数据的采集、传输和应用等全处理流程耗时过长，就难以在生产过程中发挥价值。

3、工业大数据应用案例

企业所积累的数据量以越来越快的速度在增加，很多企业也就顺势将大数据技术引入企业的生产经营中。大数据在工业企业的应用主要体现在三方面：

一是基于数据的产品价值挖掘。通过对产品及相关数据进行二次挖掘，创造新价值。

日本的科研人员日前设计出一种新型座椅，能够通过分析相关数据识别主人，以此确保汽车的安全。这种座椅装有360个不同类型的感应器，可以收集并分析驾驶者的体重、压力值，甚至坐到座椅上的方式等多种信息，并将它们与车载系统中内置的车主信息进行匹配，以此判断驾驶者是否为车主，从而决定是否开动汽车。实验数据显示，这种车座的识别准确率高达98%。

三一公司的挖掘机指数也是如此。通过在线跟踪销售出去的挖掘机的开工、负荷情况，就能了解全国各地基建情况，进而对于宏观经济判断、市场销售布局、金融服务提供调整依据。

二是提升服务型生产。提升服务型生产就是增加服务在生产(产品)的价值比重。主要体现在两个方向。一是前向延伸，就是在售前阶段，通过用户参与、个性化设计的方式，吸引、引导和锁定用户。比如红领西服的服装定制，通过精准的量体裁衣，在其他成衣服装规模关店的市场下，能保持每年150%的收入和利润增长，每件衣服的成本仅比成衣高10%。当然了，小米手机也属于这一类。二是后向延伸，通过销售的产品建立客户和厂家的互动，产生持续性价值。苹果手机的硬件配置是标准的，但每个苹果手机用户安装的软件是个性化的，这里面最大的功劳是APPStore。苹果通过销售苹果终端产品只是开始，通过APPStore建立用户和厂商的连接，满足用户个性化需求，提供差异性服务，年创造收入在百亿美金。

三是创新商业模式。商业模式创新主要体现在两个方面，一是基于工业大数据，工业企业对外能提供什么样的创新性商业服务;二是在工业大数据背景下，能接受什么样的新型的商业服务。最优的情况是，通过提供创新性商业模式能获得更多的客户，发掘更多的蓝海市场，赢取更多的利润;同时通过接受创新性的工业服务，降低了生产成本、经营风险。

比如，GE不销售发动机，而是将发动机租赁给航空公司使用，按照运行时间收取费用，这样GE通过引入大数据技术监测发动机运行状态，通过科学诊断和维护提升发动机使用寿命，获得的经济回报高于发动机销售。

在接受服务方面，目前国内外有一批企业提供云服务架构的工业大数据平台。包括海尔收购GE的白电业务的一揽子合作中，就包括GE的Predix工业大数据平台向海尔开放，接入海尔的工厂，提供工业大数据服务。九次方大数据也在联合各省市建立云化的工业大数据平台，向当地的工业企业开放大数据采集、大数据存储、大数据挖掘和应用能力。

4、工业大数据的实践指导

工业大数据是企业生产经营的一次重大变革，对于工业化、信息化都还没有完成的工业企业而言，数据化时代又到来了，挑战很大。

工业大数据建设，首先是一种思维变革，改变以前以要素竞争为主的工业生产模式，进入到数据和创新竞争为主的新生产时代。其次，正如清华大学王建民教授所言“工业大数据不存在交钥匙工程”，因此，需要企业领导人、管理层、员工和相关人都投身其中，各司其职，才有所成。

最后，工业大数据建设抓住两个板子作为突破点。一个是最长的板，也就是梳理产品(工业)竞争力最强的在哪里，继续深挖下面的数据价值，围绕这一块的工业数据构建产品和服务能力;另一个是最短的板，就是影响工业企业发展的痛点在哪里，成本、市场、还是供应链，还是能耗?在数据化时代下，寻找机遇大数据的解决方案。