大数据如何挖掘“不可见世界”中的价值

随着新工业革命时代的序幕徐徐拉开，物联网、工业互联网、智能信息和通信技术、人工智能等技术成为舞台上最受瞩目的新星。在这些新兴技术的推动下，工业领域中的大数据环境正在逐渐形成，数据从制造过程中的副产品转变成为备受企业关注的战略资源。

什么是工业大数据？

如果大数据是工业价值转型的核心驱动力，那么我们该怎么去定义和使用大数据？

《工业大数据》的作者曾表达过以下观点：大数据并不是目的，而是分析问题的一种视角和解决问题的一种手段。通过洞察数据，我们可以预测需求、预测制造、挖掘“不可见世界”的价值、解决和避免“不可见问题”的风险，以及利用数据去整合产业链和价值链，这些才是大数据的核心价值和目的。

一提到大数据，人们首先会想到在互联网和商业等环境中，利用大量的行为数据来分析用户行为和预测市场趋势等应用。但是对工业大数据的定义和应用，人们却很难直观地理解和想象。现在对大数据最流行的定义，来自《大数据时代》中提出的“大数据‘4V’特性”，即数据量大（Volume）、流动速度快（Velocity）、准确性（Veracity）和来源多样（Variety）。这个定义是针对互联网和社会环境中的大数据，从数据工程的技术挑战方面所提出的。而工业大数据的挑战和目的则要通过“3B”和“3C”来理解。

■工业大数据应用的“3B”挑战

Bad Quality——在工业大数据中，数据质量问题一直是许多企业所面临的挑战。这主要受制于工业环境中数据获取手段的限制，包括传感器、数采硬件模块、通信协议和组态软件等多个技术限制。针对数据质量的管理技术是一个企业必须要下的硬功夫。

Broken——在利用数据建模的手段解决某一个问题时，需要获取与被分析对象相关的全面参数，而一些关键参数的确会使分析过程呈碎片化。

Below the Surface——对这些隐藏在表面以下的相关性进行分析和挖掘时，需要一些具有参考性的数据进行对照，也就是数据科学中所称的“贴标签”过程。

■工业大数据分析的“3C”目的

比较性（Comparison）——从比较过程中获取洞察，既包括比较相似性，也包括比较差异性。这种比较分析能够帮助我们将庞大的个体信息进行分类，为接下来寻找相似中的普适性规律和差异中的因果关系奠定基础。

相关性（Correlation）——如果说物联网是“可见世界”的连接，那么所连接对象之间的相关性就是“不可见世界”的连接。通过信息之间的关联性对信息进行管理和启发式的联想才是记忆的本质。将这种类似记忆式的信息管理方式运用在工业智能中，就是一种更加灵活高效的数据管理方式。

因果性（Consequence）——数据分析的重要目的是进行决策支持，在制订一个特定的决策时，其所带来的结果和影响应该被同等的分析和预测。这是以往的控制系统所不具备的特性，也是智能化的本质。工业系统中的大部分活动都具有很强的目的性，就是把目标精度实现最大化，把破坏度最小化的实行“结果管理”。

综上所述，互联网和商业大数据与工业大数据在技术挑战、数据属性和分析目的等方面有很多区别，这也决定了两者技术手段的不同。

“不可见的世界”的价值

“有之以为利、无之以为用”出自老子的《道德经》，其中的智慧放在当今工业的价值模式中依然十分适用。这句话可以理解为：一切事物的实体为我们提供可以凭借的可见的基础条件，而其中所隐藏的空间和可变化的无限可能才是被我们真正使用并创造价值的所在。

《工业大数据》一书用“煎蛋模型”来阐述产品与服务价值之间的关系：“蛋黄”代表的是产品自身，其差异性和定制化程度并不明显。例如，一台电视机被挡住Logo之后就很难被区分出是哪家公司生产的。而“蛋白”所代表的增值服务却是差异化和定制化的重要体现，也是企业的品牌和可持续性价值所在。

这些价值存在于用户的使用场景、隐形因素的相关性，以及产品被制造和使用的全生命周期这些“不可见世界”中。数据将成为挖掘这些价值的重要手段，主要体现在：利用数据挖掘在使用中获得的新知识和新技术对现有产品进行改进；利用数据去发现和定义用户未知的需求；以数据为媒介，向用户提供增值服务。

实现无忧的制造环境

利用大数据实现无忧的制造环境有三个方向，数据在每一个阶段所扮演的角色并不相同。

第一个方向是在解决可见问题的过程中积累经验和知识，从而去避免这些问题。在这个过程中，数据可以作为经验和知识的载体。

这一方向适合在某一个领域已经经营了很久，有了一定的经验积累，但是很难总结出为什么做得好或是不好的企业。

第二个方向是依靠数据去分析问题产生的隐性线索、关联性和根本原因等，进而利用预测分析将不可见问题显性化，从而实现解决不可见问题的目的。现在的制造系统正在经历从第一个阶段到第二个阶段的转变过程，待完成这个过程后，制造系统将不再有“surprise”，使得所有隐性问题在变成显性问题和影响之前都可以被提前解决。

这一方向适合那些在解决了可见问题之后，仍然存在一些“不可见问题”，并对制造系统产生影响的企业。他们希望能够了解不可见因素的变化过程和相互的关联性，积累更加深入的制造知识。

第三个方向是通过对数据的深度挖掘，建立知识和问题之间的相关性，从数据中启发出新的知识，并能够利用知识对制造系统进行精确的建模，产生能够指导制造系统活动的镜像模型，从系统的设计端避免可见及不可见问题的发生。

这一方向适合在制造基础还较为薄弱的领域并没有形成太多有效数据的企业。但是，这些企业拥有非常丰富的使用数据和经验，其可以借助使用过程中积累的知识对制造系统提出设计要求。

工业大数据的目的并不是追求数据量的庞大，而是通过系统式的数据收集和分析手段实现价值的最大化。所以，推动工业价值转型和智能制造的并不是大数据本身，而是大数据分析技术所带来的洞察，以及行动的准确性和速度。在新制造革命的转型中，能否更加有效地积累和利用数据资源与知识的传承，决定了企业能否在新竞争环境中脱颖而出。

工业大数据定义了制造价值的新主张，这个价值的应用既可以外向，也可以内向。内向是利用大数据去解决和避免制造系统中的“不可见”问题，实现无忧的制造环境。外向是利用大数据在产品使用过程中向用户提供智能增值服务，实现制造价值的延续。这两者对中国制造而言，一方面是解决制造“大而不强”的挑战，另一方面是改善制造附加值较低的瓶颈。

我国应该利用好、使用好数据资源，不断提升企业对制造的理解和知识积累速度，这样才能弥补我国在装备制造和核心零部件等方面的弱势，逐步弥补这些弱势领域造成的短板。