不是简单的数据情景化——提升工业大数据分析价值的四个核心要素（1）

不是简单的数据情景化——提升工业大数据分析价值的四个核心要素（一）

（2019年8月29日）

工业分析软件并不是简单的数据情景化，如何创建有用的运营信息，并推动实际结果的达成？请先掌握工业分析的四个核心要素。

工业分析的价值在于它们所能提供的结果。例如对于啤酒厂而言，应用分析可提高60％的产量。对于宠物食品生产商而言，每年节省的能源成本超过80万美元。对于化妆品工厂来说，这意味着生产线停工时间减少了90％。

毫无疑问，收集原始数据并将其转化为对企业有价值信息的能力，对于保持竞争力至关重要。但如果您不能确定如何将分析应用到运营中，结果会如何呢？如果目标是部署分析，但是还没有定义好的策略，那么您处在哪一个阶段？

幸运的是，实施分析并不一定是一项神秘或压倒性的任务。那些已经部署完成的人，可以提供关于如何实施以及从何处开始的重要经验。

明确核心需求

工业分析通常围绕着以下4个核心要素构建：

人员：数据科学家对于部署分析至关重要。然而，日常使用分析不应该依赖于这些专业工作者。如今，分析技术几乎可以像“封装”的数据科学家一样，从一开始就构建数据。非数据专家也可以访问、处置和分析数据。这种“自助式”分析方法，几乎允许任何工作人员使用数据来解决各种问题。

数据：确定所需的数据及其来源。其中一些可能来自您无法直接访问的来源。但其中大部分将来自于工业物联网（IIoT）的连接技术。这些技术可以包括设备组件，如传感器、网关、执行器和驱动器；机器或线路组件，如控制器；以及软件系统等企业级组件。

连接性：分析需要在工厂内实现无缝连接。这意味着需要能够统一连接导致信息“孤岛”的任何不同系统。它还意味着需要为当前和未来的流量需求提供带宽。使用EtherNet /IP等技术对工厂或网络进行标准化有助于实现实时控制和信息。预制网络产品和服务，如工业数据中心或基础架构即服务（IaaS）产品，也可以减少网络设计和配置时间。

软件：寻找能够为企业带来最大价值的分析软件。该软件最基本的工作是为数据添加背景信息。背景信息允许组合和比较不同的数据，以获得对运营更深入的理解。例如，数据情景化不是简单地获取烤箱温度读数，而是在特定时间、特定配方和特定班组期间提供读数。这样就可以跟踪关键绩效指标（KPI）以及有助于这些指标的因素。工业分析软件不仅仅是数据的情境化。

图1

（未完待续）

原创： David Stonehouse 控制工程中文版