近年來(lái)，隨著企業(yè)所擁有的數(shù)據(jù)日益豐富，以及數(shù)據(jù)驅(qū)動(dòng)意識(shí)的不斷提升，越來(lái)越多的制造企業(yè)加強(qiáng)了大數(shù)據(jù)應(yīng)用探索，并已有一些成功的應(yīng)用實(shí)例。然而，對(duì)于很多制造企業(yè)而言，在推進(jìn)工業(yè)大數(shù)據(jù)的應(yīng)用過(guò)程中仍面臨著以下難題：采集了很多數(shù)據(jù)，如何來(lái)分析和利用這些數(shù)據(jù)，找到與自身業(yè)務(wù)融合的應(yīng)用場(chǎng)景以解決實(shí)際問(wèn)題？如何務(wù)實(shí)推進(jìn)工業(yè)大數(shù)據(jù)的實(shí)施與落地？本文將圍繞著以上問(wèn)題進(jìn)行討論和分析，希望為企業(yè)開(kāi)展工業(yè)大數(shù)據(jù)的實(shí)施與應(yīng)用提供啟示與借鑒。

合適的場(chǎng)景是工業(yè)大數(shù)據(jù)落地的關(guān)鍵

當(dāng)前，工業(yè)大數(shù)據(jù)在制造企業(yè)已形成加速產(chǎn)品創(chuàng)新、生產(chǎn)工藝優(yōu)化、生產(chǎn)流程優(yōu)化、質(zhì)量監(jiān)測(cè)、能耗管理、設(shè)備故障預(yù)測(cè)、銷(xiāo)量預(yù)測(cè)、供應(yīng)鏈優(yōu)化、智能化服務(wù)、個(gè)性化定制等典型應(yīng)用場(chǎng)景，不僅幫助企業(yè)優(yōu)化了現(xiàn)有業(yè)務(wù)，如指導(dǎo)產(chǎn)品設(shè)計(jì)、監(jiān)控與優(yōu)化生產(chǎn)過(guò)程、推動(dòng)精準(zhǔn)營(yíng)銷(xiāo)、優(yōu)化供應(yīng)鏈管理、快速服務(wù)響應(yīng)等，還促進(jìn)了企業(yè)的轉(zhuǎn)型升級(jí)，為產(chǎn)品、服務(wù)和商業(yè)模式的創(chuàng)新提供了有力支撐。

以上應(yīng)用場(chǎng)景與突出價(jià)值為制造企業(yè)推動(dòng)工業(yè)大數(shù)據(jù)提供了參考，并加快了其大數(shù)據(jù)探索的決心。但是，工業(yè)大數(shù)據(jù)能否落地，不在于技術(shù)的先進(jìn)性，關(guān)鍵是企業(yè)能否找到與自身業(yè)務(wù)融合的應(yīng)用場(chǎng)景。

然而，工業(yè)大數(shù)據(jù)應(yīng)用具有非常強(qiáng)的個(gè)性化特征，不同企業(yè)基于不同的產(chǎn)品、制造工藝、數(shù)據(jù)基礎(chǔ)、應(yīng)用需求等，便會(huì)產(chǎn)生不同的應(yīng)用方式和層次；同時(shí)，工業(yè)大數(shù)據(jù)的門(mén)檻較高，應(yīng)用場(chǎng)景的效果產(chǎn)出需要企業(yè)具備一定的行業(yè)知識(shí)和數(shù)據(jù)應(yīng)用能力與經(jīng)驗(yàn)，且當(dāng)前缺少統(tǒng)一、規(guī)范化的工具、標(biāo)準(zhǔn)和流程來(lái)支撐。因此，如何找到合適的場(chǎng)景和融合方式成為了眾多制造企業(yè)推進(jìn)工業(yè)大數(shù)據(jù)應(yīng)用的首要難題。

在筆者看來(lái)，企業(yè)應(yīng)用工業(yè)大數(shù)據(jù)的核心目標(biāo)是創(chuàng)造價(jià)值，合適的應(yīng)用場(chǎng)景一定是能為企業(yè)持續(xù)帶來(lái)價(jià)值的，是擁有比較理想的投入產(chǎn)出比的。

基于此，企業(yè)在明確自身核心需求與痛點(diǎn)的基礎(chǔ)上，可以從以下三個(gè)方面著手確定應(yīng)用場(chǎng)景的選擇是否合適。

? 業(yè)務(wù)價(jià)值較高。

數(shù)據(jù)驅(qū)動(dòng)價(jià)值已成為企業(yè)共識(shí)，但并非所有的數(shù)據(jù)，都值得去深入開(kāi)展分析挖掘，如一些變化維度低的“死”數(shù)據(jù)，根本沒(méi)有分析價(jià)值；也不應(yīng)為了一些微不足道的性能指標(biāo)提升而投入大量資源去應(yīng)用大數(shù)據(jù)技術(shù)。

建議企業(yè)可以從那些采樣頻率高、變化維度多的數(shù)據(jù)或者高價(jià)值、關(guān)鍵的設(shè)備/工序等著手，探究業(yè)務(wù)應(yīng)用場(chǎng)景，并基于已有的歷史數(shù)據(jù)資產(chǎn)，來(lái)估算潛在價(jià)值高低。

針對(duì)這一突出性問(wèn)題，該工廠(chǎng)詳細(xì)評(píng)估了刀具的損耗率和因刀具問(wèn)題導(dǎo)致的產(chǎn)品不良率影響，有效估算了智能刀具管理場(chǎng)景應(yīng)用大數(shù)據(jù)分析的潛在價(jià)值。最后，通過(guò)與產(chǎn)品技術(shù)服務(wù)商、高校研究團(tuán)隊(duì)的有效協(xié)作，構(gòu)建了刀具狀態(tài)在線(xiàn)監(jiān)測(cè)、使用壽命評(píng)估等分析應(yīng)用，提高了產(chǎn)品良率和刀具使用效率與價(jià)值。因此，具備較高的業(yè)務(wù)應(yīng)用價(jià)值，是大數(shù)據(jù)技術(shù)應(yīng)用的首要條件。

? 復(fù)制性強(qiáng)。

如果項(xiàng)目選定的大數(shù)據(jù)應(yīng)用場(chǎng)景，只適用于單個(gè)或少數(shù)的產(chǎn)品，不具備較強(qiáng)的復(fù)制性或推廣空間，很可能會(huì)因?yàn)轫?xiàng)目邊界成本高難以持續(xù)。建議企業(yè)選擇復(fù)制性強(qiáng)的應(yīng)用場(chǎng)景和應(yīng)用模式。如上例中，無(wú)論是100臺(tái)還是更多的機(jī)加設(shè)備，基于統(tǒng)一的技術(shù)架構(gòu)和模型，采集各設(shè)備運(yùn)行的數(shù)據(jù)，就能實(shí)現(xiàn)同樣的場(chǎng)景擴(kuò)展應(yīng)用，大大降低項(xiàng)目成本。

? 數(shù)據(jù)可支撐。

由于大數(shù)據(jù)分析應(yīng)用類(lèi)項(xiàng)目，在早期對(duì)業(yè)務(wù)場(chǎng)景、影響因素的認(rèn)識(shí)很難完備，現(xiàn)有數(shù)據(jù)資產(chǎn)可否支撐、實(shí)際分析結(jié)論與假設(shè)是否相符等均有待隨著實(shí)施深化來(lái)驗(yàn)證。這些不確定性需要在后面的階段，通過(guò)強(qiáng)化數(shù)據(jù)資產(chǎn)（如增加數(shù)據(jù)采集點(diǎn)、加大現(xiàn)有數(shù)據(jù)采集頻率/維度等），多次迭代數(shù)據(jù)模型，并從多個(gè)維度去論證建模思路合理性，才有可能形成相對(duì)完備的問(wèn)題理解與目標(biāo)達(dá)成。

八步實(shí)施法助推工業(yè)大數(shù)據(jù)項(xiàng)目有序推進(jìn)

企業(yè)在確定了工業(yè)大數(shù)據(jù)應(yīng)用主要方向的前提下，具體的實(shí)施可參考如下步驟，該步驟基于CRISP-DM（Cross-Industry Standard Process for Data Mining，跨行業(yè)數(shù)據(jù)挖掘應(yīng)用標(biāo)準(zhǔn)流程）并補(bǔ)充了新的內(nèi)涵。

1、業(yè)務(wù)理解

從業(yè)務(wù)角度理解項(xiàng)目目標(biāo)，并將其轉(zhuǎn)化為一個(gè)可解且可達(dá)成的數(shù)據(jù)分析問(wèn)題，包括厘清關(guān)鍵因素，確定分析問(wèn)題的范圍和目標(biāo)等。工業(yè)數(shù)據(jù)分析需要將專(zhuān)業(yè)領(lǐng)域的知識(shí)和數(shù)據(jù)模型有機(jī)融合，才能得到有價(jià)值的分析結(jié)果。而數(shù)據(jù)分析師通常對(duì)工業(yè)過(guò)程缺乏深入了解，業(yè)務(wù)人員則對(duì)數(shù)據(jù)分析的技術(shù)方法與思路了解不深。因此，業(yè)務(wù)理解的過(guò)程需要企業(yè)的業(yè)務(wù)專(zhuān)家和數(shù)據(jù)分析師通力合作。

2、數(shù)據(jù)理解與數(shù)據(jù)的可采集性分析

在理解業(yè)務(wù)的基礎(chǔ)上，準(zhǔn)確建立數(shù)據(jù)和業(yè)務(wù)間的關(guān)聯(lián)關(guān)系，包括需要哪些數(shù)據(jù)、這些數(shù)據(jù)是從哪兒來(lái)，是生產(chǎn)設(shè)備、智能產(chǎn)品、復(fù)雜裝備等產(chǎn)生的工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)，還是來(lái)自ERP、MES、SCM等的信息化數(shù)據(jù)，還是設(shè)備在運(yùn)行過(guò)程中所處的環(huán)境數(shù)據(jù)等？是否需要線(xiàn)上、線(xiàn)下相結(jié)合的數(shù)據(jù)等。同時(shí)，確定制造企業(yè)當(dāng)前的歷史數(shù)據(jù)存量和可獲取的數(shù)據(jù)增量，即在不增加采集點(diǎn)、采集頻率、采集維度等的情況下，可以采集到的數(shù)據(jù)有哪些。

這一階段需要數(shù)據(jù)分析師根據(jù)經(jīng)驗(yàn)對(duì)數(shù)據(jù)顆粒度、數(shù)據(jù)質(zhì)與量和數(shù)據(jù)間的關(guān)聯(lián)關(guān)系等進(jìn)行初步判斷論證，確定當(dāng)前的數(shù)據(jù)是否滿(mǎn)足業(yè)務(wù)場(chǎng)景的要求。

3、數(shù)據(jù)準(zhǔn)備

對(duì)所需的數(shù)據(jù)進(jìn)行數(shù)據(jù)加工與治理，包括原始數(shù)據(jù)抽取、多數(shù)據(jù)源融合、數(shù)據(jù)清洗與質(zhì)量提升等。一般需要企業(yè)成立專(zhuān)項(xiàng)數(shù)據(jù)治理組織，通過(guò)數(shù)據(jù)集成和定期運(yùn)維等方式保證業(yè)務(wù)系統(tǒng)和線(xiàn)下數(shù)據(jù)準(zhǔn)確與完整，包括剔除掉那些假的、錯(cuò)的、偏差大的、缺失的、不合理的、暫時(shí)性的臟數(shù)據(jù)等。數(shù)據(jù)準(zhǔn)備與預(yù)處理環(huán)節(jié)不僅由數(shù)據(jù)分析師組成，還包括懂行業(yè)know-how的專(zhuān)家，對(duì)于一些不合理、不符合物理規(guī)律的數(shù)據(jù)，如燃?xì)馊济杭訜嵩O(shè)備在極短時(shí)間內(nèi)出現(xiàn)溫度數(shù)據(jù)的急劇變化是不合理的，數(shù)據(jù)分析師很難發(fā)現(xiàn)，需要結(jié)合行業(yè)專(zhuān)家的經(jīng)驗(yàn)認(rèn)知判斷。

4、特征提取

特征提取即借助統(tǒng)計(jì)學(xué)方法對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換、映射、分析，找到數(shù)據(jù)中的規(guī)律，并進(jìn)行特征提取，即最大限度地從原始數(shù)據(jù)中提取特征以供算法和模型使用。這一步非常重要，只有對(duì)數(shù)據(jù)特征有了清晰的認(rèn)識(shí)，企業(yè)才能更好地完成拓?fù)鋽?shù)據(jù)結(jié)構(gòu)的搭建，開(kāi)展數(shù)據(jù)建模。部分企業(yè)由于缺乏對(duì)數(shù)據(jù)的深入探索和理解，一有了原始數(shù)據(jù)就直接著手構(gòu)建大數(shù)據(jù)模型，結(jié)果失敗率非常高。

值得注意的是，針對(duì)一些特定領(lǐng)域問(wèn)題 ，特征提取應(yīng)充分利用行業(yè)已有的專(zhuān)業(yè)知識(shí)，不要將時(shí)間過(guò)多浪費(fèi)在該領(lǐng)域早已熟知的行業(yè)規(guī)律發(fā)現(xiàn)上。

5、小數(shù)據(jù)驗(yàn)證

如果說(shuō)在實(shí)施工業(yè)大數(shù)據(jù)項(xiàng)目前，是通過(guò)歷史數(shù)據(jù)估算場(chǎng)景價(jià)值點(diǎn)，來(lái)初步判斷應(yīng)用場(chǎng)景是否合適。那么，到了具體的應(yīng)用落地實(shí)施階段，則需要依賴(lài)現(xiàn)有的預(yù)處理數(shù)據(jù)，對(duì)業(yè)務(wù)場(chǎng)景的價(jià)值進(jìn)行更具體的計(jì)算，得出一個(gè)可量化的值，從而來(lái)驗(yàn)證數(shù)據(jù)分析的價(jià)值。

6、數(shù)據(jù)建模

基于業(yè)務(wù)知識(shí)和合適的算法及建模工具，輸出數(shù)據(jù)分析模型。當(dāng)前，機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等分析理論、技術(shù)發(fā)展較成熟，也有很多明確的指導(dǎo)原則和豐富的算法和建模工具，可以幫助企業(yè)優(yōu)選出合適的算法模型。因此，真正的數(shù)據(jù)建模過(guò)程在項(xiàng)目實(shí)施過(guò)程中花費(fèi)的時(shí)間并不是最多。但值得一提的是，算法不是越復(fù)雜越先進(jìn)越好，應(yīng)用可解釋、較簡(jiǎn)單的算法去解決業(yè)務(wù)實(shí)際問(wèn)題更值得被關(guān)注。

7、模型的驗(yàn)證和評(píng)估

模型的驗(yàn)證是對(duì)分析模型從數(shù)據(jù)和技術(shù)的角度進(jìn)行充分檢驗(yàn)評(píng)估，確認(rèn)數(shù)據(jù)分析的結(jié)果或模型是否滿(mǎn)足具體工業(yè)應(yīng)用場(chǎng)景的使用需求；任何模型都有一定的適用前提，模型的評(píng)估即是從業(yè)務(wù)的角度審視模型在什么范圍內(nèi)有效，有效程度是什么，在什么情形下不適用，需要分場(chǎng)景去驗(yàn)證和評(píng)估。

8、模型上線(xiàn)與迭代

模型的上線(xiàn)是將模型以便于企業(yè)使用的方式和要求重新固化，形成便于模型服務(wù)調(diào)用的形式，如可重復(fù)使用的數(shù)據(jù)挖掘程序、模型服務(wù)程序等。同時(shí)，模型在運(yùn)行過(guò)程中，還應(yīng)對(duì)模型進(jìn)行持續(xù)的修正、迭代和完善。

如前文所述，與一般的信息化項(xiàng)目不同，工業(yè)大數(shù)據(jù)項(xiàng)目的實(shí)施是一個(gè)循環(huán)迭代、螺旋上升的過(guò)程。因此，以上8個(gè)步驟會(huì)存在多處循環(huán)和反復(fù)迭代，如在建模階段，假如現(xiàn)有的特征無(wú)法滿(mǎn)足模型的開(kāi)發(fā)或者存在過(guò)擬合的問(wèn)題，則需要返回到數(shù)據(jù)準(zhǔn)備，甚至?xí)霈F(xiàn)業(yè)務(wù)理解的修正調(diào)整。另外，即使企業(yè)基于現(xiàn)有數(shù)據(jù)完成模型的上線(xiàn)后，還需進(jìn)一步評(píng)估，是否需要增加現(xiàn)有數(shù)據(jù)量，是增加數(shù)據(jù)的采集頻率，還是增加額外數(shù)據(jù)采集點(diǎn)，進(jìn)一步迭代模型，如此反復(fù)，從而不斷優(yōu)化模型，得到更可靠的分析結(jié)果。

來(lái)源網(wǎng)絡(luò)侵刪