1.4　工業大數據工程的內容

1.4.1　工業大數據建設面臨的挑戰

對于工業企業，工業大數據建設中面臨的典型挑戰與原因分析如表1-7所示。

工業數字化轉型的必要性被廣泛接受，但落到具體企業，很多企業缺乏明確的業務目標和規劃。另外，由于自動化和信息化的慣性思維，很多企業仍將大數據看作一個效率提升的手段，要求明確的短期投資收益比，而沒有意識到大數據是提升企業內部創新的一種手段，是持續提升認知的一種有效手段。

另外，很多大數據建設工程成為櫥窗工程，沒有變成企業的持續生產力。目前，大數據建設大多采用第三方專業化服務的模式，包括數字化轉型規劃、大數據平臺建設、大數據分析和大數據應用開發。在前期，第三方專業化服務因為專業性，建設進度通常較快。但在更重要的運行運維期，缺乏持續的業務創新應用。原因有3方面：① 缺乏組織內生能力，無法持續運行；② 缺乏對增量數據持續治理的意識和機制，大數據平臺成為歷史數據收集站；③ 不少大數據平臺是一個通用大數據技術平臺，沒有照顧到領域專家的技能體系，也沒有與領域軟件的交互接口，沒有成為工業企業可以消費的工業大數據平臺。

在涉及工業具體分析場景、業務應用時，推進速度和效果通常低于預期。原因有多方面：① 過度強調整體規劃與一次性治理，仍采用經典數據倉庫建設的思路，花費大量時間制定企業數據標準、規范，然后才建設業務應用；② 很多課題定義過于理想，沒有考慮真實的數據基礎和數據質量現狀，也沒有規劃業務應用場景；③ 大數據平臺缺乏必要的面向領域專家的工具，造成大數據分析與應用開發的技能門檻太高，多方協調成本高、效率低。

對第三方工業大數據技術專業服務企業，其面臨的挑戰表現為需求差異大、價值落地慢，如圖1-9所示為工業大數據第三方實施中的現象、原因與解決方法。

差異大主要體現在兩個方面：一是理想與現實的差異大，感覺中的數據、技術、管理基礎與現實的差別大，數據分析結果與業務期望的差別大。很多企業信息化與自動化已實施多年，每個領域單獨看起來基礎不錯，但大數據分析需要全流程、全要素、全周期關聯，數據基礎的薄弱之處就凸顯出來了。每個數據集的完整度為90%，5個數據集整合起來完整度不到60%。二是不同行業間的分析需求差異很大、基礎差異很大、落地措施差異很大，造成分析模型和應用的重用度低，沒有充分發揮專業化分工的規模效益。

第二種現象是落地慢，工業數據分析和落地通常需要跨工藝、自動化、信息化多個組織部門，經常還跨多個技術學科，在這些跨領域協作中信息損失量很大，效率不高；另外，工業大數據分析結果需要與現有業務管理體系、組織流程或控制過程等融合才能落地，但這些融合方式的推進需要的精力可能遠超預期。

對于政府和公共組織，在扶持和推進工業大數據應用時，也面臨不少挑戰：① 企業基礎和需求差異大。有些企業兩化（信息化與工業化）基礎好，有些企業還處于兩化建設階段；不同行業的工業大數據差異大，這對扶持政策的精準性和覆蓋度提出了很大的挑戰；② 產業的持續發展與人才結構的匹配問題。工業大數據對人才的需求和工業企業、第三方技術服務企業間的匹配問題；③ 產業效益的評估問題。工業大數據本質上是增強企業的內部創新能力和敏捷性，與研發、生產技術革新融合在一起，相對于從無到有的新產業、新技術建設等，很難清晰評價產業價值。

綜上所述，工業企業、工業大數據技術專業化服務企業和政府第三方面臨的挑戰背后的共同需求包括：① 一套指導工業大數據的方法，包括數字化轉型方法、大數據工程方法、大數據分析方法和應用部署方法；② 一個面向工業領域專家的工業大數據平臺，即匹配工業場景、技能體系和工具鏈條的工業大數據系統，降低使用和運維技術門檻；③ 有效的組織模式，包括企業間的合作機制、企業內數字化創新組織等。對于數字化轉型、組織模式設計這兩個話題有很多專文論述[21]，本書內容集中在工業大數據技術，將其歸納為敏捷工業大數據工程方法和面向領域的工業大數據系統技術，將這兩個方面統稱為工業大數據工程，期望通過一系列工程方法與系統技術，提高工業大數據的技術建設和價值創造速度。