工业大数据分析概要

工业大数据分析概要

（2019年7月24日）

一、工业大数据的三个关键点

其一是数据分析。数据分析是实现新一代信息技术与制造业融合的重要技术支撑，不断优化资源配置效率，生产全过程的可视化、生产节能增效、企业智能化管理等，达到提升质量、降低成本、灵活生产、提高满意度等目的。

其二是数据建模。数据挖掘建模是分析的关键。通过数据建模构建复杂工业过程与知识之间的映射，实现知识清晰化、准确化的表达。

最后是知识转化。知识转化是核心。通过工业大数据把海量数据转化为信息，信息转化为知识，知识转化为决策，以应对和解决制造过程的复杂性和不确定性等问题。

二、工业大数据的分析层次

图1.大数据分析的层次

举例来说，描述型分析如使用BI可视化工具进行图表数据分析，销售目标达成展示等；诊断型分析如进行超库预警、异常报警；预测型分析如根据客户画像设计保客促销活动、潜客引导等；处方型分析多以专题形式进行，目的是解决某一痛点或关键问题，如舆情实时监控与快速响应等等。

三、工业大数据的价值点

图2.价值创造的过程

1. 设备级的价值点

包括如何使用才能有更好的性能或更低的消耗、如何避免可能导致造成损失的使用；其次是如何保证正常使用，也就是如何更好更快更高效地解决设备维修、维护、故障预防等问题。除此之外，从设备类的生命周期看问题，分析下一代设备进行设计优化、更方便使用等问题。

2. 车间级的价值点

车间里面常见的问题可以划分为七种浪费：等待的浪费、搬运的浪费、不良品的浪费、动作的浪费、加工的浪费、库存的浪费、制造过多（早）的浪费。一般来说，这七种浪费的可能性是人发现的，处理问题的思路是人类专家给出的。人们可以用数据来确定他们是否存在、浪费有多少，并进一步确定最有效的改进方法。

3. 企业级的价值点

比如，把设计、生产、服务的信息集成起来；加强上下级之间的协同、减少管理上的黑洞；把历史数据记录下来，对工业和产品设计进行优化；把企业、车间计划和设备控制、反馈结合起来等等。随着企业进入智能制造时代，这一方面的价值将会越来越多。然而，问题越是复杂，落实阶段的困难越大，应在价值大小和价值落地直接取得平衡。

4. 超越企业的价值点

跨越企业的价值点包括供应链、企业生态、区域经济、社会尺度的价值。这些价值往往涉及到企业之间的分工、协作、以及企业业务跨界重新定义等问题，是面向工业互联网的新增长点。

摘编自 微信公众号 liyao9477

参考工业互联网产业联盟《工业大数据分析指南》