由于传统的组织管理理论对数字化转型这个跨组织命题已不适应，本文从组织经济学层面对工业场景下大数据的价值化做了结构化解读，分析了制造业场景下数据的价值化实现路径，指出了工业大数据的根本价值性作用在于被产业生态价值链各环节利用时产生的边际效应，形成可持续、可计量的价值增益等经济价值。认为制造业场景下的大数据更应视为经济活动中的赋能性价值化要素，而非独立的经济要素。并给出了大数据的价值化框架与实现方法。

以前的研究显示，数字技术在企业中发生作用，主要是通过IT技术让数据以近乎实时的速度同步、传输给业务需要的人员或团队，来提高各相关作业的协同度。但数据到底是如何从微观经济结构上提高效率、创造价值的，一直缺少从价值方面的系统化、结构性的解读。为描述确切，本文中关于工业数据的讨论是基于离散制造业及产业链中的相关业务场景。

1

对工业大数据的确切理解

对工业大数据的定义

大数据的概念，目前网上有一个提法是2008年8月由维克托·迈尔·舍恩伯格和肯尼斯·库克耶在编写《大数据时代》中提出，另一个说法是美国辛辛那提大学(Univ. of Cincinnati) 讲座教授李杰首先提出并命名的。这个概念自提出到现在，一直被不断地研究、探索和描述，但由于涉及应用领域广泛、内涵丰富，迄今并未有统一定义的概念：

1. 工信部的定义：工业大数据是工业领域产品和服务全生命周期数据的总称，包括工业企业在研发设计、生产制造、经营管理、运维服务等环节中生成和使用的数据，以及工业互联网平台中的数据等。这个描述主要是从数据在工业环境下产生、应用的过程性定义。
3. 中国电子技术标准化研究院的定义：工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命周期各环节所产生的各类数据及相关技术和应用的总称。
5. 李杰教授的定义：工业大数据就是一个可以通过它来了解工业系统本身，从而进行改进的信息流，它具有更强的专业性、关联性、流程性、时序性和解析性等特点，这些特点导致传统的互联网大数据处理手段是无法满足的。并用“荷包蛋理论”来解释工业大数据与产品和服务间的关系。

综合与解读

综上所述，狭义上讲，工业大数据是指在工业领域中生产与服务的全环节产生、处理、传递、使用的各类海量数据的集合；广义上，工业大数据是包括以上数据及与之相关的全部技术和应用的总称，涵盖“数据”和“技术与应用”的内涵。综合专家和专业机构的描述，共通之处为：

1. 覆盖工业产品生产与服务的全生命周期过程；
2. 强调对数据和信息进行处理的重要性。

我们理解的工业大数据也要分成“工业”和“大数据”两个维度来看：“工业”是需求与实践的背景，“大数据”是技术手段与价值载体。

但以上解释总体上过于技术化角度来看待大数据的产生和应用，而没有考虑到数据在生产活动过程中的经济属性，或者价值属性。企业是个营利性组织，企业的技术是为经济目的服务的，因而数据的价值属性或经济属性应该是工业场景下最重要的话题。

2

对工业大数据的经济属性分析

从经济性上具有价值和产权的双重属性

基于上面的综评，从经济学角度看，工业大数据具备双重属性--价值属性和资产属性：

1. 工业大数据能够为企业创造可量化的价值。通过工业大数据分析等关键技术可帮助企业实现设计、工艺、生产、管理、服务等各个环节智能化水平的提升，满足用户定制化需求，提高生产效率并降低生产成本，为企业创造可量化的价值；
3. 由于工业大数据可以赋能组织改善和价值创造，作为营利性组织的企业，需要有能力、有意愿决定数据的具体使用方式和边界，为自己创造价值。在数字化背景下的经济环境里，工业数据具有一般意义上的资产属性。

工业大数据的价值属性是指基于当下日益成熟的工业大数据技术，对工业活动中研发、生产、营销、运维&服务过程中的数据价值的提取与变现。产权属性则偏重于通过社会制度安排和管理机制与方法来帮助工业企业明晰数据资产与数据资源的分布，确定所有权边界，为其价值的深入挖掘提供评估与变现的技术支撑。本文主要探讨工业场景下大数据的价值化问题。

制造业场景中，大数据只有进入价值创造过程才能产生价值

制造业大数据，主要是指围绕产品生产的全生命周期的制造与服务业务场景，从客户需求到销售、订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等各个环节所产生的各类数据的统称。其以产品定义与实现过程的数字化描述为核心，极大延展了传统工业数据范围。更具体的认知可分为：

• 企业外部的社会化网络数据：企业的各类外部宣传、商务推广网站上的线上数据，关于企业的各类分析和新闻报道等等，就是通常所说的社会化大数据；
• 企业内部运营数据：管理系统上的结构化数据，智能设备上传的使用实时状态和历史数据，以及维修保养的过程记录和技术性反馈等；
• 非结构化数据：企业内外部业务运行过程中形成的各种音视频、数字模型、图片和文字等各种类型的描述性数据，通常称之为非结构化数据。

结合以上分析，可以看到制造业的大数据与互联网大数据之间存在很大的差异：

表1 工业大数据与互联网大数据之间的差异

从企业角度看，最根本的还是围绕产品设计与制造过程、运营管理，以及与供应商、客户群、合作伙伴等构成的产业生态中的往来数据。这部分数据是真正与企业的价值链紧密相关的，是实打实地能进入价值创造过程、产生实际价值的数据。

3

工业场景下大数据的价值化过程

工业大数据离不开其采集和应用的场景

现在通常所谓的大数据，往往只是笼统的概括性描述，缺少对其采集、加工和应用场景的具体的说明性、约束性的描述。现实中制造业背景下的数据一旦离开了所在业务场景的背书，就像钱币只有数字那面一样—失去了背书的票面数字无法确定价值。

工业大数据的根本的价值性作用在于被产业生态价值链各环节利用时产生的边际效应，形成可持续、可计量的价值增益等经济价值。企业通过持续的数字化经营过程让数据与业务流程融合，让数据赋能价值创造过程，完成数据的价值化变现：

表2 制造业场景下大数据的价值化框架

大数据价值是业务场景的流动中体现出来的

由于工业领域的高度专业性、分工化的特点，不同的业务场景中的数据，其价值性体现往往仅限于产品价值形成过程中的片段场景。只有与产品定义和实现的过程、场景紧密相关的那些数据，才具有进入价值创造过程、产生实际价值的可能性。

工业大数据的采集和应用的场景就是产品全生命周期内生产与服务各相关环节构成的，来自于这个过程，更是服务于这个过程。制造业场景中的数据呈现两种特征：

1. 工业场景的大数据采集都是有特定的价值导向和经济化运营管理目的的
3. 价值链的每一个环节上，还会继续采集、产生新的数据，这些数据与既有的数据也会不断被引用、加工和处理，从而不断整合、衍生更多的数据。

从价值链整体看，工业场景下数据的流动就是被不断复制、存储、加工、丰富的过程，同时伴随着产品的价值和成本的变化，这也就是数据价值化的过程。而产品价值的产生主要体现在人通过生产系统对物料进行加工并赋予使用性能的过程，此过程中的数据记录可以帮助生产过程变得更加有效并可在后续活动中持续改善，从而呈现出作为生产要素的价值化赋能性角色。

工业大数据是价值创造过程的关键赋能要素

虽然2023年8月，财政部发布了《企业数据资源相关会计处理暂行规定》，为数据的资产化提供了依据。但由于工业场景里的数据都有可无限复制的特点，且在应用过程中会产生更多的数据（受测量目的、采集手段和标准等因素影响），这导致一个问题：脱离了业务场景关联的单纯的工业大数据，其价值难以计量。

客观地说，工业大数据要产生价值，必须通过在工厂场景促使各个环节中改善质量、提升效率、降低成本、提高使用体验等方式不断降低交易费用、产生潜在价值。也就是说，大数据只有在创造价值的特定活动场景中才能体现出可计量的价值，才算实现了价值化。因此，它更应被看作一种赋能性的价值化要素，而不是一个独立的经济要素。

数据在制造业场景的流动中呈现出交易费用的边际效应

在制造业活动的现实场景中，数据的价值是在价值链各环节中不断循环、流动，被不断应用、加工：数据虽然可以被无数次使用、加工和丰富，但成本并不增加，呈现边际成本递减的倾向；同时，随着数据被不断应用和加工，其价值却呈现出不断增加的倾向。数据在发生这种作用的同时，是与交易费用降低的现象同时发生的。这个现象叫做数字化环境下交易费用的边际效应。

图3 工业制造场景下在价值链各环节中循环流动的数据

从流动性的角度来观察和衡量更贴近现实，不能把思维停留在大数据本身，而须把数据与其产生、应用和增值的业务场景相关联，在制造场景下静态的数据无法体现出价值。

4

工业大数据如何实现价值化

工业场景下的大数据产生价值的思路和模式需要合适的实现手段，才能产生真正的社会性价值。因此，需要在当下的数字化技术和社会环境下，找到明确而易于结构化实现的价值化路径和手段。在影响工业大数据的价值化的三方面因素如下：

工业大数据的处理与知识发现

相较于传统大数据分析而言，工业大数据分析工作的侧重点明显不同。由于数据的采集、加工和应用在形式上的技术属性很强，往往需要专业的处理技术。李杰教授就在《工业大数据》一书中提出工业大数据应用的“3B”挑战：Broken(碎片化)、Bad Quality（数据质量差）、Background（需大量数据预处理）。

1) 工业大数据的预处理

在大数据分析建模前都需要进行数据预处理，将其整理成适合建立机器学习模型的可靠数据。常见的数据预处理方法包括工况分割、数据清洗、数据质量检测、数据归一化、数据样本平衡、数据分割等。在数据预处理工作上花费的时间通常在80%以上。

2) 工业大数据分析与知识发现

企业开展数据分析的根本目的是创造价值，而工业数据分析的基本任务和直接目标是发现与完善知识，这两个不同层次的问题需要一个转化过程进行关联。为了提高工作效率和质量，需要根据使用环境中的分析和决策要求来设计求解过程。

知识发现是个探索的过程，并不能保证每次探索都能成功。针对现实场景中各种可能的方案，解决问题的办法并非探索每一条方案或途径，尽量挑选成功概率大、工作量相对较小、价值大成本低的路径作为切入点，减少探索成本。

工业大数据分析的主要类型

根据业务目标的不同，数据分析可以分成四种类型：

1. 描述型分析：主要是回答“发生了什么”、以及“是什么”的知识。
2. 诊断型分析：用于解答“为什么会这样？”的问题。
3. 预测型分析：用于推测“将要发生什么？”。
4. 处方型（指导型）分析：用于解决“怎么办”的问题。

针对业务目标不同，所需条件、对数据分析的要求和难度差异很大，四种问题从难度上递增。每种方法所采用的变量也会有较大差异，而知识的发现更加依赖对实际业务问题的理解深度。业务价值模型需要对数据的精确解读与业务需求、价值创造的综合考虑。

人的价值创造思维是工业大数据价值化的决定性因素

工业大数据本质上是对业务过程和执行状态的采样性描述，虽然实现了量化，但也漏掉了描述目标的大量真实信息。数字化客观上也割断了事物内部很多的内在联系，当需要从这些数据中寻找价值机会的时候，就需要人类用自己的思维、知识性体验来重塑、弥补数字背后的这些失真和遗漏，这要借助于基于业务价值的模型化分析。针对不同细分领域和应用场景，采用合适的方法论，结合数据分析和知识发现工具来解决业务问题。这个过程不易结构化和数字化，需要借助领域专家的综合能力。

在工业场景下，价值本身也是设计的产物，很难想象单纯的数据处理就可以创造价值。只有把以上这三个方面有机结合起来才能完整地解读、发现工业大数据的价值。