1.4　工业大数据工程的内容

1.4.1　工业大数据建设面临的挑战

对于工业企业，工业大数据建设中面临的典型挑战与原因分析如表1-7所示。

表1-7　工业企业面临的典型挑战与原因分析

续表

工业数字化转型的必要性被广泛接受，但落到具体企业，很多企业缺乏明确的业务目标和规划。另外，由于自动化和信息化的惯性思维，很多企业仍将大数据看作一个效率提升的手段，要求明确的短期投资收益比，而没有意识到大数据是提升企业内部创新的一种手段，是持续提升认知的一种有效手段。

另外，很多大数据建设工程成为橱窗工程，没有变成企业的持续生产力。目前，大数据建设大多采用第三方专业化服务的模式，包括数字化转型规划、大数据平台建设、大数据分析和大数据应用开发。在前期，第三方专业化服务因为专业性，建设进度通常较快。但在更重要的运行运维期，缺乏持续的业务创新应用。原因有3方面：① 缺乏组织内生能力，无法持续运行；② 缺乏对增量数据持续治理的意识和机制，大数据平台成为历史数据收集站；③ 不少大数据平台是一个通用大数据技术平台，没有照顾到领域专家的技能体系，也没有与领域软件的交互接口，没有成为工业企业可以消费的工业大数据平台。

在涉及工业具体分析场景、业务应用时，推进速度和效果通常低于预期。原因有多方面：① 过度强调整体规划与一次性治理，仍采用经典数据仓库建设的思路，花费大量时间制定企业数据标准、规范，然后才建设业务应用；② 很多课题定义过于理想，没有考虑真实的数据基础和数据质量现状，也没有规划业务应用场景；③ 大数据平台缺乏必要的面向领域专家的工具，造成大数据分析与应用开发的技能门槛太高，多方协调成本高、效率低。

对第三方工业大数据技术专业服务企业，其面临的挑战表现为需求差异大、价值落地慢，如图1-9所示为工业大数据第三方实施中的现象、原因与解决方法。

差异大主要体现在两个方面：一是理想与现实的差异大，感觉中的数据、技术、管理基础与现实的差别大，数据分析结果与业务期望的差别大。很多企业信息化与自动化已实施多年，每个领域单独看起来基础不错，但大数据分析需要全流程、全要素、全周期关联，数据基础的薄弱之处就凸显出来了。每个数据集的完整度为90%，5个数据集整合起来完整度不到60%。二是不同行业间的分析需求差异很大、基础差异很大、落地措施差异很大，造成分析模型和应用的重用度低，没有充分发挥专业化分工的规模效益。

图1-9　工业大数据第三方实施中的现象、原因与解决方法

第二种现象是落地慢，工业数据分析和落地通常需要跨工艺、自动化、信息化多个组织部门，经常还跨多个技术学科，在这些跨领域协作中信息损失量很大，效率不高；另外，工业大数据分析结果需要与现有业务管理体系、组织流程或控制过程等融合才能落地，但这些融合方式的推进需要的精力可能远超预期。

对于政府和公共组织，在扶持和推进工业大数据应用时，也面临不少挑战：① 企业基础和需求差异大。有些企业两化（信息化与工业化）基础好，有些企业还处于两化建设阶段；不同行业的工业大数据差异大，这对扶持政策的精准性和覆盖度提出了很大的挑战；② 产业的持续发展与人才结构的匹配问题。工业大数据对人才的需求和工业企业、第三方技术服务企业间的匹配问题；③ 产业效益的评估问题。工业大数据本质上是增强企业的内部创新能力和敏捷性，与研发、生产技术革新融合在一起，相对于从无到有的新产业、新技术建设等，很难清晰评价产业价值。

综上所述，工业企业、工业大数据技术专业化服务企业和政府第三方面临的挑战背后的共同需求包括：① 一套指导工业大数据的方法，包括数字化转型方法、大数据工程方法、大数据分析方法和应用部署方法；② 一个面向工业领域专家的工业大数据平台，即匹配工业场景、技能体系和工具链条的工业大数据系统，降低使用和运维技术门槛；③ 有效的组织模式，包括企业间的合作机制、企业内数字化创新组织等。对于数字化转型、组织模式设计这两个话题有很多专文论述[21]，本书内容集中在工业大数据技术，将其归纳为敏捷工业大数据工程方法和面向领域的工业大数据系统技术，将这两个方面统称为工业大数据工程，期望通过一系列工程方法与系统技术，提高工业大数据的技术建设和价值创造速度。