工业大数据是运用智能化新技术、新手段解决工业企业发展面临的新需求、新问题，并创造新应用、新价值的过程。企业作为营利性组织，技术是为经济目的服务的，因此，数据价值化应该是大数据在工业场景下的重要话题。

1

工业大数据经济属性分析

1. 工业大数据从经济性上具有价值和产权的双重属性

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。一方面，工业大数据能够为企业创造可量化的价值。通过工业数据分析等关键技术，可帮助企业提升设计、工艺、生产、管理、服务等各个环节的智能化水平，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。另一方面，工业大数据具有明确的权属关系和资产化价值。由于工业大数据可以赋能组织转型和价值创造，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。那么，在数字化背景下，具有赋能和参与价值创造潜力的工业大数据，显然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。资产属性则偏重于通过社会制度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。由于资产属性与价值属性有着明显的强关联性，可以一起考虑、一起分析。

2. 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

制造业的大数据，主要是指围绕产品生产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的数字化描述为核心，极大地延展了传统工业数据范围。其主要来源可分为三类：一是生产经营相关的业务数据；二是设备相关的物联数据；三是企业外部的关联性数据，即企业外部社会化网络数据、企业内部运营数据和非结构化数据。

结合上述分析，工业大数据与互联网大数据之间存在很大差异（如表1所示）。

互联网大数据（外部的社会化大数据）与企业的核心业务流程和价值增长之间缺少关联度，数据数量巨大但价值含量低，还需要巨大的存储空间、专业技术团队及较大投资，其ROI缺少说服力。究其根本还是围绕产品定义与实现的场景、企业运营、供应商、合作伙伴、客户群等产业生态往来的数据，经过调研和分析，这部分数据是真正与企业价值链紧密相关的，是能够实际进入价值创造过程、产生实际价值的数据。

2

工业场景下大数据的价值化过程

1. 大数据本身离不开采集、加工和应用场景

制造业背景下，数据一旦离开所在业务场景就无法确定其价值。在开放共享的制造业生态中，工业大数据的价值化是通过贯穿产业生态链并不断循环流动产生的，其价值在于被产业生态价值链各环节采集、加工并利用时产生的价值边际效应，形成可持续、可计量的价值增益。通过企业数字化来推动数据与业务流程的融合，让数据赋能价值创造过程，完成数据的价值化变现（如表2所示）。

工业大数据的采集、加工和应用场景，就是产品全生命周期内设计、采购、生产和服务等各相关环节构成的整个业务场景，来自于这个过程，并服务于这个过程。

2. 大数据的价值主要在业务场景中流动而体现出来

由于工业领域的高度专业化、分工化特点，不同业务场景中的数据，其价值性仅体现在产品价值形成过程中的一个片段。只有与产品定义和实现过程、场景紧密相关的数据，才具有进入价值创造过程、产生实际价值的可能性。产品的定义数据来自市场调研和客户反馈，经过产品创意和研发团队的创造性劳动，得到系统化的产品设计数据，随后在形成产品的每个环节中又被分解、利用和加工；然后继续随着价值链流动，即使到最终用户手上，还会继续产生使用状态和环境的检测数据，呈现两种状态：一是工业大数据采集均具有特定的价值导向和经济化运营管理目的；二是价值链每个环节仍会继续采集、产生新的数据，这些数据与既有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，工业大数据流动时被不断复制、存储、加工、丰富，伴随着产品的价值和成本的变化，数据实现价值化的过程。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，此过程中数据更多的是体现在对生产活动过程中“人机料法环”诸要素状态及其变动的记录。因此，工业大数据在产品形成过程中基本不是一种独立的影响因素，更多的是作为生产要素的赋能性角色来体现出价值。

3.工业大数据是价值创造过程的关键赋能性要素

在制造业场景下，工业大数据无法单独产生价值，各种经济要素价值可定量化测算或定价衡量。那么，这就产生一个自相矛盾的问题：工业场景中的所有数据都具有可无限复制的特点，且在价值链各环节流动时会产生更多的数据（受测量目的、采集手段和技术标准等因素影响），从技术角度看，这些数据的价值无法定量化测算；从经济角度看，价值属性需要可量化测算或衡量，这是工业大数据与传统生产要素间的内在矛盾。

数据只有在创造价值的业务场景中才能有可计量的经济价值，这削弱了数据作为独立生产要素的合理性基础。因此，大数据更应当被看作一种赋能性质的价值要素，而不是一个独立的经济要素。其根本原因在于数据要产生价值，必须在特定的价值创造活动场景中流动，通过促使制造场景中各个环节改善质量、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、产生潜在价值等来实现价值化。

4. 数据在制造业场景的流动中呈现出交易费用的边际效应

在制造业场景中，数据在价值链各环节不断循环流动，但成本并不增加，还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，并且与交易费用降低现象同时发生。这个现象可称为数字化环境下交易费用的边际效应。

如果从流动性角度来衡量，数据必须与其产生、应用和增值的业务场景相关联，通过特定价值链产生价值，这是工业大数据的价值化衡量。

3

工业大数据价值化实现

工业大数据的价值化实现有三方面因素。

1.工业大数据预处理与知识发现

工业现场环境恶劣，数据质量差，数据受到设备参数设定、工况、环境等影响。对工业数据进行加工和处理时，往往需要专业的处理技术。

（1）工业大数据预处理

在大数据分析建模前都需要花费大量时间进行数据预处理，将其提炼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有六种。工况分割：把设备在不同运行状态下的数据分割出来，做有针对性的信号处理与特征提取；数据清洗：把数据中存在的异常点尽可能剔除，降低对后续模型训练的干扰；数据质量检测：关注数据特性本身、建模有效性及领域相关的质量标准；数据归一化：将数据转换到同样的分布或者取值区间；数据样本平衡：针对的是采集的数据标签不均等的问题；数据分割：将数据集分割为多份，用作不同目的。

（2）工业大数据的数据分析与知识发现

工业大数据分析的目标是发现与完善知识，企业开展数据分析的目标是为了创造价值。这两个不同层次的目标需要一个转化过程进行关联。为了提高数据分析效率和质量，需要根据不同使用环境来设计求解过程。

数据分析起源于用户业务需求，相同的业务需求会有多个可行方案，每一个方案又有若干可能的实现途径。首先要清楚输入输出关系，如工厂场景中的特定参数与设备状态之间的关系，这些关系即为知识的雏形，然后需要寻找适当的算法，提取和固化这些知识。

知识发现是一个探索的过程，针对各种可能的情形，解决问题的办法并非探索每一种可能，尽量挑选成功概率大、工作量相对小、价值高、成本低的路径作为切入点，减少试错成本。方案和途径的选择必须兼顾业务需求和数据条件。

2.工业大数据分析主要类型

根据业务目标的不同，工业大数据分析可以分为四种类型。

描述型分析：用于回答“发生了什么”“是什么”的问题。工业企业的周报、月报、商务智能（BI）分析等是典型的描述型分析，通常聚焦业务数据的各种统计特征，以可视化方式呈现数据的业务含意。

诊断型分析：用于解答“为什么会这样”的问题。工业企业在生产、销售、管理、设备运行过程中出现的问题和异常，通过数据来查找原因，剔除非本质的随机关联和各种假象来诊断、分析问题背后的原因。

预测型分析：用于推测“将要发生什么”的问题。针对生产经营中的各种问题，根据可见因素，预测未来可能发生的结果或出现的问题。

处方型（指导型）分析：用于解决“怎么办”的问题。针对已经和将要发生的问题，找出适当的解决方案，并推动工作不断优化。

针对不同的业务目标，所需条件、对数据分析的要求差异很大，四种问题从难度上递增。同一个业务目标可以有不同的实现路径，还可以转化成不同的数学问题。每种方法所采用的变量也会有较大差异，故而知识的发现也会不一样，这就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，再加上从业务需求本身和价值创造方面的总体考虑。

3.价值创造思维是决定性因素

工业场景下的数据只是对业务执行状态的采样性描述，虽然这种数字化描述方式实现了量化，但是漏掉了描述目标的大量真实信息。也割断了很多内在联系，当从这些数据中寻找价值的时候，需要人们用知识、思维和体验来弥补数字背后的失真和遗漏，这就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，需要借助特定领域专家的综合能力。

4. AI与工业大数据

2023年，生成式人工智能的惊人使用体验，让AI成为数据价值化最有希望的手段。大模型应用技术的成熟和普及给工业大数据价值化提供了更多可能：通过多元数据融合，以量变引发质变，创造新的信息和知识，催生新业态新模式，培育经济发展新动能。但其本质还是基于业务价值的模型化分析，借助AI技术平台建立不断优化的价值化路径，主要包含两个并行方向：

一是存量优化。利用成熟的AI技术实现企业运营管理的提质降本增效。外围应用：产品质检、安防巡检、工控专家系统等；初步分析：工艺流程优化、能采购计划、设备预测性维护等；深度分析：智能供应链优化、设备检测与诊断、调度方案生成等。

二是增量创新。大模型提升交互、生成及研发创新能力，实现创新性增值。价值创造（面向研发和产品）：创成式设计、 智能产品、智能化的增值服务等；知识发现（基于深度优化与创新）：服务化创新、AI驱动药物材料研发、智能设备等。

当前，对于工业大数据价值化问题，更多是从技术手段方面考虑，反而难以全面理解和把握工业大数据的价值化过程和实现路径。只有把以上这几个方面有机结合起来，才能完整地解读、发现并实现工业大数据的价值。■