采集了很多數(shù)據(jù),如何來分析和利用這些數(shù)據(jù),找到與自身業(yè)務(wù)融合的應(yīng)用場景以解決實際問題?如何務(wù)實推進工業(yè)大數(shù)據(jù)的實施與落地?
近年來,隨著企業(yè)所擁有的數(shù)據(jù)日益豐富,以及數(shù)據(jù)驅(qū)動意識的不斷提升,越來越多的制造企業(yè)加強了大數(shù)據(jù)應(yīng)用探索,并已有一些成功的應(yīng)用實例。然而,對于很多制造企業(yè)而言,在推進工業(yè)大數(shù)據(jù)的應(yīng)用過程中仍面臨著以下難題:采集了很多數(shù)據(jù),如何來分析和利用這些數(shù)據(jù),找到與自身業(yè)務(wù)融合的應(yīng)用場景以解決實際問題?如何務(wù)實推進工業(yè)大數(shù)據(jù)的實施與落地?本文將圍繞著以上問題進行討論和分析,希望為企業(yè)開展工業(yè)大數(shù)據(jù)的實施與應(yīng)用提供啟示與借鑒。
在本文撰寫過程中,筆者采訪了坤湛科技智能制造總經(jīng)理胡立舜,美林數(shù)據(jù)副總裁于洋,并得到了兩位專家的指導(dǎo),在此表示衷心的感謝!
01
合適的場景
是工業(yè)大數(shù)據(jù)落地的關(guān)鍵
當(dāng)前,工業(yè)大數(shù)據(jù)在制造企業(yè)已形成加速產(chǎn)品創(chuàng)新、生產(chǎn)工藝優(yōu)化、生產(chǎn)流程優(yōu)化、質(zhì)量監(jiān)測、能耗管理、設(shè)備故障預(yù)測、銷量預(yù)測、供應(yīng)鏈優(yōu)化、智能化服務(wù)、個性化定制等典型應(yīng)用場景,不僅幫助企業(yè)優(yōu)化了現(xiàn)有業(yè)務(wù),如指導(dǎo)產(chǎn)品設(shè)計、監(jiān)控與優(yōu)化生產(chǎn)過程、推動精準(zhǔn)營銷、優(yōu)化供應(yīng)鏈管理、快速服務(wù)響應(yīng)等,還促進了企業(yè)的轉(zhuǎn)型升級,為產(chǎn)品、服務(wù)和商業(yè)模式的創(chuàng)新提供了有力支撐。
工業(yè)大數(shù)據(jù)典型應(yīng)用場景(來源:《工業(yè)大數(shù)據(jù)白皮書(2019版)》)
以上應(yīng)用場景與突出價值為制造企業(yè)推動工業(yè)大數(shù)據(jù)提供了參考,并加快了其大數(shù)據(jù)探索的決心。但是,工業(yè)大數(shù)據(jù)能否落地,不在于技術(shù)的先進性,關(guān)鍵是企業(yè)能否找到與自身業(yè)務(wù)融合的應(yīng)用場景。
然而,工業(yè)大數(shù)據(jù)應(yīng)用具有非常強的個性化特征,不同企業(yè)基于不同的產(chǎn)品、制造工藝、數(shù)據(jù)基礎(chǔ)、應(yīng)用需求等,便會產(chǎn)生不同的應(yīng)用方式和層次;同時,工業(yè)大數(shù)據(jù)的門檻較高,應(yīng)用場景的效果產(chǎn)出需要企業(yè)具備一定的行業(yè)知識和數(shù)據(jù)應(yīng)用能力與經(jīng)驗,且當(dāng)前缺少統(tǒng)一、規(guī)范化的工具、標(biāo)準(zhǔn)和流程來支撐。因此,如何找到合適的場景和融合方式成為了眾多制造企業(yè)推進工業(yè)大數(shù)據(jù)應(yīng)用的首要難題。
在筆者看來,企業(yè)應(yīng)用工業(yè)大數(shù)據(jù)的核心目標(biāo)是創(chuàng)造價值,合適的應(yīng)用場景一定是能為企業(yè)持續(xù)帶來價值的,是擁有比較理想的投入產(chǎn)出比的。
基于此,企業(yè)在明確自身核心需求與痛點的基礎(chǔ)上,可以從以下三個方面著手確定應(yīng)用場景的選擇是否合適。
?業(yè)務(wù)價值較高。
數(shù)據(jù)驅(qū)動價值已成為企業(yè)共識,但并非所有的數(shù)據(jù),都值得去深入開展分析挖掘,如一些變化維度低的“死”數(shù)據(jù),根本沒有分析價值;也不應(yīng)為了一些微不足道的性能指標(biāo)提升而投入大量資源去應(yīng)用大數(shù)據(jù)技術(shù)。
建議企業(yè)可以從那些采樣頻率高、變化維度多的數(shù)據(jù)或者高價值、關(guān)鍵的設(shè)備/工序等著手,探究業(yè)務(wù)應(yīng)用場景,并基于已有的歷史數(shù)據(jù)資產(chǎn),來估算潛在價值高低。
比如,某重汽動力部機加單元有100多臺機加設(shè)備,收集了大量的設(shè)備運行使用數(shù)據(jù),并計劃通過大數(shù)據(jù)技術(shù)提高設(shè)備的運維質(zhì)效。通過初步分析,該機加設(shè)備運行故障頻次較少,但機加生產(chǎn)過程所需的刀具卻是易耗品,需頻繁更換,且刀具在加工過程中出現(xiàn)一定程度磨損時,會影響產(chǎn)品的整體加工質(zhì)量。
針對這一突出性問題,該工廠詳細評估了刀具的損耗率和因刀具問題導(dǎo)致的產(chǎn)品不良率影響,有效估算了智能刀具管理場景應(yīng)用大數(shù)據(jù)分析的潛在價值。最后,通過與產(chǎn)品技術(shù)服務(wù)商、高校研究團隊的有效協(xié)作,構(gòu)建了刀具狀態(tài)在線監(jiān)測、使用壽命評估等分析應(yīng)用,提高了產(chǎn)品良率和刀具使用效率與價值。因此,具備較高的業(yè)務(wù)應(yīng)用價值,是大數(shù)據(jù)技術(shù)應(yīng)用的首要條件。
?復(fù)制性強。
如果項目選定的大數(shù)據(jù)應(yīng)用場景,只適用于單個或少數(shù)的產(chǎn)品,不具備較強的復(fù)制性或推廣空間,很可能會因為項目邊界成本高難以持續(xù)。建議企業(yè)選擇復(fù)制性強的應(yīng)用場景和應(yīng)用模式。如上例中,無論是100臺還是更多的機加設(shè)備,基于統(tǒng)一的技術(shù)架構(gòu)和模型,采集各設(shè)備運行的數(shù)據(jù),就能實現(xiàn)同樣的場景擴展應(yīng)用,大大降低項目成本。
?數(shù)據(jù)可支撐。
由于大數(shù)據(jù)分析應(yīng)用類項目,在早期對業(yè)務(wù)場景、影響因素的認識很難完備,現(xiàn)有數(shù)據(jù)資產(chǎn)可否支撐、實際分析結(jié)論與假設(shè)是否相符等均有待隨著實施深化來驗證。這些不確定性需要在后面的階段,通過強化數(shù)據(jù)資產(chǎn)(如增加數(shù)據(jù)采集點、加大現(xiàn)有數(shù)據(jù)采集頻率/維度等),多次迭代數(shù)據(jù)模型,并從多個維度去論證建模思路合理性,才有可能形成相對完備的問題理解與目標(biāo)達成。
02八步實施法
助推工業(yè)大數(shù)據(jù)項目有序推進
企業(yè)在確定了工業(yè)大數(shù)據(jù)應(yīng)用主要方向的前提下,具體的實施可參考如下步驟,該步驟基于CRISP-DM(Cross-Industry Standard Process for Data Mining,跨行業(yè)數(shù)據(jù)挖掘應(yīng)用標(biāo)準(zhǔn)流程)并補充了新的內(nèi)涵。
1、業(yè)務(wù)理解
從業(yè)務(wù)角度理解項目目標(biāo),并將其轉(zhuǎn)化為一個可解且可達成的數(shù)據(jù)分析問題,包括厘清關(guān)鍵因素,確定分析問題的范圍和目標(biāo)等。工業(yè)數(shù)據(jù)分析需要將專業(yè)領(lǐng)域的知識和數(shù)據(jù)模型有機融合,才能得到有價值的分析結(jié)果。而數(shù)據(jù)分析師通常對工業(yè)過程缺乏深入了解,業(yè)務(wù)人員則對數(shù)據(jù)分析的技術(shù)方法與思路了解不深。因此,業(yè)務(wù)理解的過程需要企業(yè)的業(yè)務(wù)專家和數(shù)據(jù)分析師通力合作。
2、數(shù)據(jù)理解與數(shù)據(jù)的可采集性分析
在理解業(yè)務(wù)的基礎(chǔ)上,準(zhǔn)確建立數(shù)據(jù)和業(yè)務(wù)間的關(guān)聯(lián)關(guān)系,包括需要哪些數(shù)據(jù)、這些數(shù)據(jù)是從哪兒來,是生產(chǎn)設(shè)備、智能產(chǎn)品、復(fù)雜裝備等產(chǎn)生的工業(yè)物聯(lián)網(wǎng)數(shù)據(jù),還是來自ERP、MES、SCM等的信息化數(shù)據(jù),還是設(shè)備在運行過程中所處的環(huán)境數(shù)據(jù)等?是否需要線上、線下相結(jié)合的數(shù)據(jù)等。同時,確定制造企業(yè)當(dāng)前的歷史數(shù)據(jù)存量和可獲取的數(shù)據(jù)增量,即在不增加采集點、采集頻率、采集維度等的情況下,可以采集到的數(shù)據(jù)有哪些。
這一階段需要數(shù)據(jù)分析師根據(jù)經(jīng)驗對數(shù)據(jù)顆粒度、數(shù)據(jù)質(zhì)與量和數(shù)據(jù)間的關(guān)聯(lián)關(guān)系等進行初步判斷論證,確定當(dāng)前的數(shù)據(jù)是否滿足業(yè)務(wù)場景的要求。
3、數(shù)據(jù)準(zhǔn)備
對所需的數(shù)據(jù)進行數(shù)據(jù)加工與治理,包括原始數(shù)據(jù)抽取、多數(shù)據(jù)源融合、數(shù)據(jù)清洗與質(zhì)量提升等。一般需要企業(yè)成立專項數(shù)據(jù)治理組織,通過數(shù)據(jù)集成和定期運維等方式保證業(yè)務(wù)系統(tǒng)和線下數(shù)據(jù)準(zhǔn)確與完整,包括剔除掉那些假的、錯的、偏差大的、缺失的、不合理的、暫時性的臟數(shù)據(jù)等。數(shù)據(jù)準(zhǔn)備與預(yù)處理環(huán)節(jié)不僅由數(shù)據(jù)分析師組成,還包括懂行業(yè)know-how的專家,對于一些不合理、不符合物理規(guī)律的數(shù)據(jù),如燃氣燃煤加熱設(shè)備在極短時間內(nèi)出現(xiàn)溫度數(shù)據(jù)的急劇變化是不合理的,數(shù)據(jù)分析師很難發(fā)現(xiàn),需要結(jié)合行業(yè)專家的經(jīng)驗認知判斷。
4、特征提取
特征提取即借助統(tǒng)計學(xué)方法對數(shù)據(jù)進行轉(zhuǎn)換、映射、分析,找到數(shù)據(jù)中的規(guī)律,并進行特征提取,即最大限度地從原始數(shù)據(jù)中提取特征以供算法和模型使用。這一步非常重要,只有對數(shù)據(jù)特征有了清晰的認識,企業(yè)才能更好地完成拓撲數(shù)據(jù)結(jié)構(gòu)的搭建,開展數(shù)據(jù)建模。部分企業(yè)由于缺乏對數(shù)據(jù)的深入探索和理解,一有了原始數(shù)據(jù)就直接著手構(gòu)建大數(shù)據(jù)模型,結(jié)果失敗率非常高。
值得注意的是,針對一些特定領(lǐng)域問題,特征提取應(yīng)充分利用行業(yè)已有的專業(yè)知識,不要將時間過多浪費在該領(lǐng)域早已熟知的行業(yè)規(guī)律發(fā)現(xiàn)上。
5、小數(shù)據(jù)驗證
如果說在實施工業(yè)大數(shù)據(jù)項目前,是通過歷史數(shù)據(jù)估算場景價值點,來初步判斷應(yīng)用場景是否合適。那么,到了具體的應(yīng)用落地實施階段,則需要依賴現(xiàn)有的預(yù)處理數(shù)據(jù),對業(yè)務(wù)場景的價值進行更具體的計算,得出一個可量化的值,從而來驗證數(shù)據(jù)分析的價值。
6、數(shù)據(jù)建模
基于業(yè)務(wù)知識和合適的算法及建模工具,輸出數(shù)據(jù)分析模型。當(dāng)前,機器學(xué)習(xí)、數(shù)據(jù)挖掘等分析理論、技術(shù)發(fā)展較成熟,也有很多明確的指導(dǎo)原則和豐富的算法和建模工具,可以幫助企業(yè)優(yōu)選出合適的算法模型。因此,真正的數(shù)據(jù)建模過程在項目實施過程中花費的時間并不是最多。但值得一提的是,算法不是越復(fù)雜越先進越好,應(yīng)用可解釋、較簡單的算法去解決業(yè)務(wù)實際問題更值得被關(guān)注。
7、模型的驗證和評估
模型的驗證是對分析模型從數(shù)據(jù)和技術(shù)的角度進行充分檢驗評估,確認數(shù)據(jù)分析的結(jié)果或模型是否滿足具體工業(yè)應(yīng)用場景的使用需求;任何模型都有一定的適用前提,模型的評估即是從業(yè)務(wù)的角度審視模型在什么范圍內(nèi)有效,有效程度是什么,在什么情形下不適用,需要分場景去驗證和評估。
8、模型上線與迭代
模型的上線是將模型以便于企業(yè)使用的方式和要求重新固化,形成便于模型服務(wù)調(diào)用的形式,如可重復(fù)使用的數(shù)據(jù)挖掘程序、模型服務(wù)程序等。同時,模型在運行過程中,還應(yīng)對模型進行持續(xù)的修正、迭代和完善。
如前文所述,與一般的信息化項目不同,工業(yè)大數(shù)據(jù)項目的實施是一個循環(huán)迭代、螺旋上升的過程。因此,以上8個步驟會存在多處循環(huán)和反復(fù)迭代,如在建模階段,假如現(xiàn)有的特征無法滿足模型的開發(fā)或者存在過擬合的問題,則需要返回到數(shù)據(jù)準(zhǔn)備,甚至?xí)霈F(xiàn)業(yè)務(wù)理解的修正調(diào)整。另外,即使企業(yè)基于現(xiàn)有數(shù)據(jù)完成模型的上線后,還需進一步評估,是否需要增加現(xiàn)有數(shù)據(jù)量,是增加數(shù)據(jù)的采集頻率,還是增加額外數(shù)據(jù)采集點,進一步迭代模型,如此反復(fù),從而不斷優(yōu)化模型,得到更可靠的分析結(jié)果。
03實施案例-水泥生產(chǎn)結(jié)緣大數(shù)據(jù)
開啟“智控”新時代
某水泥企業(yè)擁有兩條日采5000噸水泥的熟料生產(chǎn)線,每條產(chǎn)線每年的耗電量達到約8千萬度,耗煤約20萬噸標(biāo)煤,能耗消耗巨大。該企業(yè)希望通過大數(shù)據(jù)優(yōu)化能耗實現(xiàn)節(jié)能減排,降本增效。
通過初步分析,該企業(yè)水泥產(chǎn)線在工業(yè)場景中工藝機理相對標(biāo)準(zhǔn)化,主要包括“兩磨一燒”環(huán)節(jié),但每一條生產(chǎn)線設(shè)備、物料、操作人員習(xí)慣不同,導(dǎo)致每條窯的工況都不一樣,控制參數(shù)也沒有通用標(biāo)準(zhǔn)。因此,聚焦“兩磨一燒”的工藝優(yōu)化,通過自動化的生產(chǎn)控制來實現(xiàn)節(jié)能降耗,成為了該企業(yè)嘗試的解題思路。
該企業(yè)首先結(jié)合工藝專家的專業(yè)經(jīng)驗獲取了現(xiàn)有的400多組采樣點的數(shù)據(jù),包括來源于生產(chǎn)系統(tǒng)、控制系統(tǒng)、設(shè)備管理系統(tǒng)、能源系統(tǒng)等的質(zhì)檢數(shù)據(jù)、DCS數(shù)據(jù)、熒光分析儀數(shù)據(jù)、環(huán)境數(shù)據(jù)等,并對歷史數(shù)據(jù)進行清洗和預(yù)處理,剔除噪音數(shù)據(jù)和無效數(shù)據(jù),補充不完整數(shù)據(jù)或缺失數(shù)據(jù);然后,對所收集到的多維度數(shù)據(jù)進行特征提取與數(shù)據(jù)拓撲結(jié)構(gòu)搭建,并針對生料磨、水泥磨、回轉(zhuǎn)窯3個關(guān)鍵設(shè)備的“兩磨一燒”工藝,建立了生料電耗優(yōu)化控制模型、回轉(zhuǎn)窯能耗優(yōu)化控制模型、熟料質(zhì)量預(yù)測模型;待模型建立后,對生料磨及熟料燒成流程進行工藝參數(shù)推薦,并將推薦參數(shù)放在生產(chǎn)線上試驗,確定模型的適用范圍,對其準(zhǔn)確率與效果進行驗證,包括能耗降低了多少、質(zhì)量提升了多少等,再根據(jù)反饋優(yōu)化工藝參數(shù),迭代算法模型;待算法模型上線后,參數(shù)返回控制系統(tǒng),自動控制生產(chǎn)線,避免了人為等因素帶來的能源消耗不同,達到節(jié)能減排穩(wěn)定質(zhì)量的效果。
據(jù)了解,在完成第一輪的模型上線后,該企業(yè)在第二輪的迭代中,又增加了10多個采集點,對算法模型進行循環(huán)迭代,如此反復(fù)。最終,該企業(yè)實現(xiàn)了約3%~5%的能耗優(yōu)化。
04多措并舉
讓大數(shù)據(jù)創(chuàng)造大價值
工業(yè)大數(shù)據(jù)實施路徑為企業(yè)提供了方法指引,但工業(yè)大數(shù)據(jù)項目的實施落地并不是一蹴而就,現(xiàn)階段仍存在著部分項目投資大產(chǎn)出低、項目周期長、人才缺乏、分析結(jié)果可靠性差、應(yīng)用融合不深入等問題。那么,制造企業(yè)如何才能更有效地推進工業(yè)大數(shù)據(jù)應(yīng)用、更充分挖掘數(shù)據(jù)價值呢?
1、自上而下形成完善的管理制度與體系
推進工業(yè)大數(shù)據(jù)項目,需要企業(yè)從戰(zhàn)略層面高度關(guān)注和重視,從上往下形成完善的管理制度與體系。首先,工業(yè)大數(shù)據(jù)是持久性的項目,需要企業(yè)做好打持久戰(zhàn)的準(zhǔn)備,且在項目前期投資回報率難以量化,短期效益不明顯的情況下,獲得高層領(lǐng)導(dǎo)的支持與參與就顯得非常關(guān)鍵。其次,工業(yè)大數(shù)據(jù)解決的是企業(yè)級的應(yīng)用需求,涉及多部門跨業(yè)務(wù)的數(shù)據(jù)融合與工作配合,某個業(yè)務(wù)目標(biāo)的實現(xiàn)需通過整個企業(yè)乃至供應(yīng)鏈上多上相關(guān)方的大范圍協(xié)同,因此需要獲得從管理層到業(yè)務(wù)部門自上而下的支持,并應(yīng)形成完善的管理制度與保障體系,以保證項目的有序推進。
2、定義明確的項目目標(biāo),切忌貪大求全
企業(yè)在實施工業(yè)大數(shù)據(jù)之前,必須根據(jù)企業(yè)自身的需求,確定解決什么問題,能為企業(yè)帶來哪些價值。同時,在一個項目周期內(nèi)應(yīng)制定可衡量的實現(xiàn)目標(biāo)。與一般的信息化項目不同,如硬件項目價值比較直觀,MES、ERP等信息化項目,已有較深的積累,可以明確確定交付邊界和交付周期,工業(yè)大數(shù)據(jù)項目是一個持續(xù)迭代的過程,所以項目周期和項目的邊界有時會顯得較為模糊。但如果在一定的項目周期內(nèi),企業(yè)沒有明確的主攻方向并向業(yè)務(wù)板塊呈現(xiàn)價值,項目將難逃厄運。
另外,建議企業(yè)不要一開始就貪大求全,甚至花費巨資去構(gòu)建企業(yè)級大數(shù)據(jù)平臺??梢詮目傮w架構(gòu)要合理、小型價值先推行的思路出發(fā),給予合理規(guī)劃與論證分析,并從啟動小的項目開始,選擇企業(yè)所亟待解決的問題入手,再逐步延伸到更多的應(yīng)用場景。將技術(shù)探索、人才儲備、應(yīng)用落地等基礎(chǔ)打好后,再考慮打造和完善體系化的大數(shù)據(jù)應(yīng)用平臺建設(shè)。
3、將重心放在業(yè)務(wù)知識認知、數(shù)據(jù)治理上
從某種角度來說,工業(yè)大數(shù)據(jù)不是技術(shù)而是業(yè)務(wù),項目的落地從工業(yè)大數(shù)據(jù)技術(shù)起步,但同時必須與企業(yè)的業(yè)務(wù)流程、工業(yè)機理等有機結(jié)合。包括通過充分利用業(yè)務(wù)知識,企業(yè)可以了解數(shù)據(jù)的來源與采集方式,判斷其是否可信,把握分析項目的主要矛盾;在數(shù)據(jù)量不夠的情況下,通過“方法降維”,從有限的數(shù)據(jù)中分析出足夠可靠的結(jié)果;以業(yè)務(wù)經(jīng)驗指導(dǎo)特征提取,提高算法的求解效率,提高模型的可解釋性;更全面客觀評估模型的適用范圍等。
另外,相比大數(shù)據(jù)量,工業(yè)領(lǐng)域更注重數(shù)據(jù)的完整性和高質(zhì)量。數(shù)據(jù)質(zhì)量的高低直接決定了數(shù)據(jù)模型的準(zhǔn)確性、數(shù)據(jù)分析的可靠性。此外,數(shù)據(jù)治理不僅在數(shù)據(jù)準(zhǔn)備階段,為保證模型的持續(xù)優(yōu)化,還需要不斷提高數(shù)據(jù)質(zhì)量,并定期對數(shù)據(jù)進行維護。
4、與其花巨額解決數(shù)據(jù)采集的充分性數(shù)據(jù)分析不如從現(xiàn)有數(shù)據(jù)資產(chǎn)出發(fā)
對于制造企業(yè)來說,總期望所有的重要因子數(shù)據(jù)都能被全量采集,但這是不可能的。一方面,如果不融入領(lǐng)域認識去“消減”因子數(shù)量,通常是無法提供“足夠”的歷史數(shù)據(jù)去覆蓋所有組合情形。另外,數(shù)據(jù)采集成本不低,并且還受制于當(dāng)前的技術(shù)水平以及安全/環(huán)境等因素。因此,數(shù)據(jù)準(zhǔn)備階段企業(yè)先盤點現(xiàn)有數(shù)據(jù),而不是一開始就投入大量的資金開展數(shù)據(jù)采集,更不是在業(yè)務(wù)需求、應(yīng)用場景尚不明確的情況下,就盲目開展各類數(shù)據(jù)采集與治理,不僅成本高,而且很多數(shù)據(jù)可能并不是未來數(shù)據(jù)分析應(yīng)用所需要的。
5、需要行業(yè)專家戰(zhàn)略合作伙伴的多方協(xié)作
當(dāng)前,工業(yè)大數(shù)據(jù)項目還沒有完全可照搬的模板,技術(shù)與應(yīng)用場景的深度融合還處在不斷探索、試錯的階段,需要企業(yè)與來源于高校、科研院所等的行業(yè)專家,以及工業(yè)大數(shù)據(jù)解決方案提供商通力合作。
例如,工業(yè)大數(shù)據(jù)分析廠商的優(yōu)勢在算法、數(shù)據(jù)洞察力以及豐富的實踐經(jīng)驗,而行業(yè)專家對行業(yè)know-how有較深的理解與積累,高校擅長理論算法與機理的深入研究,通過企業(yè)、行業(yè)專家和廠商配合組隊的模式,可以幫助企業(yè)更高效地找到合適的融合性落地方案,提高場景化數(shù)據(jù)建模與分析效率,得到高質(zhì)量的分析結(jié)果。
6、加強復(fù)合型人才培養(yǎng)
工業(yè)大數(shù)據(jù)實施落地難,人才缺乏也是很重要的原因,特別是既懂IT,又熟悉業(yè)務(wù),還具有一定數(shù)學(xué)功底的復(fù)合型人才。另外,據(jù)了解在部分大數(shù)據(jù)項目結(jié)束后,技術(shù)實施方撤離,企業(yè)由于缺乏數(shù)據(jù)的管理維護、數(shù)據(jù)模型的迭代完善能力,導(dǎo)致數(shù)據(jù)的質(zhì)量每況愈下,模型失去生命力,使得項目無法得到延續(xù)。因此,企業(yè)需要加強面向新一代信息技術(shù)的復(fù)合型人才培養(yǎng),以承接模型上線后對其進行持續(xù)優(yōu)化迭代的能力,并為產(chǎn)業(yè)級的大數(shù)據(jù)應(yīng)用推廣儲備人才。
總之,大數(shù)據(jù)本身并不是目的,如何通過大數(shù)據(jù)解決企業(yè)生產(chǎn)、運營中的問題,為企業(yè)創(chuàng)造價值,實現(xiàn)提質(zhì)降本增效才是推進工業(yè)大數(shù)據(jù)的核心目標(biāo)。工業(yè)大數(shù)據(jù)的落地離不開方法指引,也離不開場景選擇、業(yè)務(wù)邏輯的深入理解,更離不開高質(zhì)量的數(shù)據(jù)保障、大數(shù)據(jù)技術(shù)與業(yè)務(wù)流程的融合、算法模型的持續(xù)迭代和專業(yè)的戰(zhàn)略合作伙伴與人才支撐。
-參考文獻-
【1】工業(yè)大數(shù)據(jù)白皮書(2019版)
https://vip.e-works.net.cn/pdfdocumentdetail.aspx?id=753
【2】工業(yè)大數(shù)據(jù)如何落地,聽聽一線分析師怎么說
http://www.cbdio.com/BigData/2016-01/06/content_4440425.htm
【3】工業(yè)大數(shù)據(jù)分析實踐:基于CRISP-DM方法論的再認識
https://zhuanlan.zhihu.com/p/32014381
【4】工業(yè)大數(shù)據(jù)分析技術(shù)在實踐應(yīng)用中的思路與方法
https://www.sohu.com/a/430609315_100125745
【5】工業(yè)大數(shù)據(jù)項目實施落地的幾個潛在挑戰(zhàn)
https://zhuanlan.zhihu.com/p/46904146
【6】為什么多數(shù)大數(shù)據(jù)項目都以失敗而告終
http://www.woshipm.com/it/37218.html