制造企业数字化转型，一方面是信息化发展的演进规律使然，按照美国管理信息系统专家诺兰提出的信息化发展六阶段模型，数字化转型对信息系统建设的要求就是要突破“集成”，实现“数据管理”，走向“成熟”——将信息化与业务融为一体；另一方面，随着科学的进步和社会的发展，工业产品、工业过程、经营活动变得越来越复杂，依靠经验和传统方法已经无法应对日趋复杂的商业环境，数字化转型成为新一代信息技术在制造业融合应用的综合体现，借助大数据、云计算、物联网、人工智能等新一代信息技术，可以突破人脑的思维限制，开展影响因素更多、关系更错综复杂的分析，对未来进行更加精准的预测，为制造企业的产品创新、工艺优化、服务升级、管理变革提供更多可能，工业范式和企业竞争优势将被重塑。

工业大数据应用融合了大数据、云计算、物联网、人工智能等相关技术，是制造企业数字化转型中最具代表性的应用和重点方向。

工业大数据的内涵

工业大数据倍受关注，与当今全球制造业正在加速向智能化发展密切相关。大数据和智能化是一对彼此互相促进的关系，无论是智能化的产品还是产品制造过程中所使用的智能化设备，运行过程中都会快速产生大量的、多源异构、实时的数据，即工业“大”数据；反过来，智能化又离不开工业大数据的支持，工业大数据与物联网、人工智能等技术与特定工业场景（如制造单元、生产线、计划排产、管理决策等）结合所发展起来的新一代应用，便呈现出智能化的特征：动态感知、实时分析、自主决策、精准执行。

数据价值与智能制造特征的关系

一个有趣的现象是，随着对大数据的关注和在推进大数据应用过程中种种新的困难不断出现，人们不得不重新思考，由于长期以来信息化过于关注流程和系统功能实现而忽略的一个问题——数据管理问题。人们发现，无论是满足4V特征的“大”数据，还是传统的结构化“小”数据，都需要系统化的方法来管理。从信息化发展规律来看，所有迹象都表明，制造业信息化已经进入“数据管理”这个深水区。之所以说数据管理是个“深水区”， 原因是数据管理涉及一个庞大的知识体系，面临着很多待研究的问题。人们在谈论工业大数据时，有时指的是数据本身，有时指的是大数据相关技术，有时又泛指大数据在制造业的推进。因此，建议引入TOGAF（国际开放组织The Open Group 推出的架构框架）中的“视角”概念，从数据、技术、应用和业务多视角系统性思考和把握工业大数据的内涵。

工业大数据的视角

数据视角。无论是“大”数据，还是“小”数据，都记录了企业的业务轨迹。清华大学软件学院院长王建民教授曾提出：占比20% 的“小”数据将引爆占比80% 的“大”数据的价值，“不举小数据之‘纲’，难张大数据之‘目’”[1]。企业在数字化转型或向数据驱动型企业转变的过程中，不能只关注数据量大的“大”数据，而放弃价值密度更高的“小”数据。

应用视角。过去10到20年，企业信息化的核心是围绕流程电子化，无论是CAD、CAPP、ERP 还是MES，所支持的大都是能够被明确定义的、有上下游关系的业务活动。当企业数据有了一定积累之后，商务智能和数据科学的应用逐渐成为信息化的重点领域，其所支持的更多是人们的智力活动，即所谓的数据驱动型应用，可用于事实描述、诊断分析、趋势预测、业务规范等。

技术视角。工业大数据的“采、存、管、用”涉及数据采集、预处理、存储、解析、计算、可视化等一系列的技术，其中有成熟、通用、已经封装在了商业化数据平台中的技术，也有和特定行业、特定应用场景相关的专用技术（如工程软件的数据获取和解析、飞机试飞数据的采集与存储等），需要技术攻关或定制化开发。另外，要支撑数据的全生命周期和全价值链贯通，须对企业的软件平台、基础环境、安全体系等进行重新规划，甚至对整个IT 架构进行重建。

业务视角。从业务视角看工业大数据，对准的是大数据的价值呈现，也就是数据驱动下的新型业务能力，该视角有助于发现大数据的应用场景，从而挖掘出大数据应用的需求，如：工艺优化、设备故障预测、供应链优化、生产智能管控、产品健康管理等。

从以上视角看工业大数据，可以发现企业数据、应用、技术、业务架构的缺失和改进机会，实现企业整体能力的提升；将上述视图组合起来，就能够得到一张完整的工业大数据蓝图。

工业大数据的推进方法

既然工业大数据的推进涉及业务、应用、技术和数据等多个层面，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规划，也很难在推进过程中取得广泛的支持，必然也将影响到推进的效果。下面从工作框架、切入点选择和关注事项三个方面讨论工业大数据如何推进的问题。

工业大数据工作框架

01

工作框架

工业大数据的相关工作可以划分为构建知识体系、数据识别与定义、数据集成与共享、数据分析与利用、数据治理五个方面。

构建知识体系。工业大数据作为一个新的倍受关注的领域，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，推进数据分析在研发、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、电力等行业的经验来看，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。

02

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，从工业大数据工作框架中的五类工作中选择任何一类作为切入点，也完全可以五类工作同步开展。但无论从何切入，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，必然要遵循“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。

03

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会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[2]，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，要求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[3]。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[4]。

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，企业应做好需要度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。

结束语

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。