Loading
0

不懂工业大数据能创造什么业务价值?这套理论体系看完了就懂了

关于对大数据的理解慧都大数据相关文章已经讲过多次。而现在随着《中国智能制造2025》的提出,工业大数据也逐渐进入群众的视野,然而很多人会问“工业大数据”到底该讲什么,才不至于以偏概全?或者说,理论体系应该包含哪些内容? 下面小编我将结合一点原则性的观点,从理论中剖析工业大数据。

工业大数据

1、大数据的意义:从DIKW体系的角度看

如果用DIKW体系的观点解释大数据的意义:将人类带入智能社会。大数据能够把人类带入智能社会的核心优势在于“知识”的生产和应用。我们把智能理解为“感知、决策和执行”的统一,则大数据能很好地提供“感知”和“决策”所需要的知识。

2、工业大数据与业务系统的关系:概念

很多人把数据和大数据混淆起来。一个典型的表现是把业务系统(如MES、ERP)的功能说成大数据的应用,似乎只要数据都是大数据。慧都大数据认为业务系统的数据,侧重于数据用于完成特定业务的一次利用。数据作为信息的载体,数据的生命周期相对较短。

大数据

大数据则侧重数据的二次利用或重复利用,数据主要作为知识的载体。当然:大数据主要由业务系统(如ERP、MES)产生、积累,并最终服务于业务系统。

3、大数据的特征:甲乙方的视角

甲乙双方看待大数据的特征是不同的。

其中,甲方就是希望通过大数据创造价值、改进业务的业务人员,而乙方是帮助甲方实现目标的IT技术人员。

工业业务沟通

大数据的甲方视角:有三个特征(样本=全体等,后面详细展开),都与获取知识相关。而获取了知识才能创造价值。大数据的乙方视角即“4V特征”。这四个特征关注的是IT技术人员数据处理的困难。

显然,乙方的工作应该服从甲方的业务需求。从这个意义上讲,乙方可能遇到4V涉及的困难、也可能遇不到,视甲方的实际情况而定。

4、大数据与知识获取的可行性(甲方视角、大数据特征)

(从甲方看)大数据的价值在于产生知识。人们经常提到的大数据的几个特征(样本=全体、相关非因果、混杂性),都可以归结为便于获得知识。

l 样本=全体

解决知识的存在性问题。人类的一切知识都来源于历史;如果大数据能够完整地记录历史,就会蕴含知识。这一点强调的是样本分布的完整性。

l 不拘泥于因果

一般说法的是“相关关系而非因果关系”,而我将其改为“不拘泥于因果”。人类的知识有很多种,一种是说不出来的“默会知识”、一种是说的清楚的知识;而说得清楚的知识又包括理论知识和经验知识。其中,理论知识是讲究因果的;如果有把知识拘泥于因果则是不完备的。所以,“不拘泥于因果”解决了知识完的整性问题。

l 混杂性

本质是知识的可获得、可验证性,保证知识的质量。获得知识的一个本质要求是区分偶然联系和非偶然联系。混杂性可以用于解决这个问题。

换句话说,这三个特点保证了知识的存在性、完整性和可获得性。这就是大数据的意义所在。我们知道:智能制造需要知识才能形成闭环、互联网可以让知识的价值放大。所以,在智能制造、工业互联网的背景下,大数据的价值猛增。

5、知识类型的角度:多角度观察

慧都大数据一直认为,大数据的价值在于获得、存储和运用知识的能力。而“知识”可以分类——可以从多个维度来看:

l 默会知识、经验知识、理论知识

默会知识就是说不清楚、难以变成程序代码的感性知识。例如,从图像中人是一个人、下棋时对“势”的理解,都是感性知识。

感性知识之外的经验知识。这些知识说得清楚怎么做,不一定需要说明原因。如某种方法较好、哪条路走的快等——实际上好就是好了,不一定需要解释。

理论知识就是说得清楚原因、可以解释、甚至可计算的知识。

如前所述,大数据的优势在于可以更容易地获得默会和经验知识——这在过去是很难的。过去计算机用到的知识,往往需要人们写成代码——但这只是人们大脑中的一部分知识。

单纯依靠理性知识,难以实现智能化

l 正向知识(建模获得)、逆向知识(根因分析)

从原因到结果的知识,我们称其为正向知识。数学建模过程就是建立正向知识。从结果到原因的知识,我们称为逆向知识。就是所谓的根因分析。

l 联系型知识、设计型知识

因果知识、感性知识等体现的都是信息之间的联系。而设计型的知识指的是产品、工艺设计等。设计型知识占用的计算机存储量很大。在大数据时代,设计型知识容易存储、处理了。

6、大数据获得知识的途径:承载知识和提炼知识

用大数据获得知识有两种方式:

  1. 一种就是数据本身就承载知识;
  2. 一种是数据承载的是信息、需要从数据提炼出知识。

第一种典型的就是产品设计数据、各种标准、成功案例等。快速响应、个性化定制的前提和手段,就是这种知识的共享。

对于这些知识,有时候会面临的困难之一是如何找到它们。而找到这些知识本身就可能是需要获得的知识。典型的就是谷歌搜索。AI算法对解决这个问题可能是有用的。

第二种知识就是前面说的、通过建模或根因分析得到的知识。工业上对知识是有明确需求的、以至于难以达到;但机理却是相对明确的。

7、通过大数据获得价值:转型升级才能创造蓝海

从某种意义上说,大数据创造价值就是促进知识创造价值。这些知识要用在提高质量、效率,降低成本等具体问题上,才能创造价值。

人们遇到的真正困惑,或许是如何找到这些“问题”。这些问题大概可以分成两类:一类是现有业务的痛点;第二类是转型升级以后面临新的要求

对于业务痛点,往往是:“该做的都做了,剩下的往往是难以做的。”所以,难以找到合适的问题。对于这类困惑,大数据只是手段之一。往往要综合运用各种手段,大数据才能给创造价值。

对于第二类困惑,往往是业务本身或外部变化引发的。例如,采用了新的生产方式或技术手段、用户对质量要求提高了、数字化水平提高了、企业的业务重心转移了(创新和服务的比重增大了)等等。这些变化,我统称为“转型升级”。对于这类新的问题,大数据方法比较容易发挥作用。

业务痛点分析与转型

数据分析曾经被认为是“没有办法的办法”。我把最近突然变热的原因,归结到智能制造相关技术引发的企业转型升级。这时,大数据技术进入了一个蓝海。

大数据进入蓝海的原因,不仅是获得知识更方便等原因,更是知识的放大:把知识变成计算机可执行的代码、实现人机知识的共享,知识在互联网上实现共享,都会让知识的价值倍增。从而让“知识生产”的经济性大大提升。

总体上看,转型升级是战略问题,大数据应用是战术问题。战略重点的改变,才能给大数据的应用创造条件。否则,再好的技术都可能成为屠龙之技。

8、大数据建模分析的方法论:算法只是细节问题

谈到大数据分析与建模,很多人马上想到各种算法。在我看来,对数据分析与建模问题来说,算法问题其实是战术问题——也就是说,还需要有个战略问题,用来决定分析什么问题、分析问题的次序和路径等。CRISP_DM就是这个层面上的逻辑。我还想将其逻辑进一步简化:

  1. 明确业务需求;确定需求是真实的、一旦分析成功则具有可行性。
  2. 数据分析方法:解决问题的次序和切入点的问题。
  3. 分析问题的具体算法。如回归、决策树、深度学习等。

其中,前面两步做得好的话,后面的算法会比较简单。我总觉得,学术界把算法看得太重、过度重视算法技巧。技巧易于发论文,但不符合工程逻辑。

9、总结

人们关注工业大数据的终极目标是创造价值;方向是提升智能化;核心问题是知识的获取和应用。用好大数据的关键搞清楚战略和战术的关系,也就是做什么事情、做事的次序和切入点等问题。单纯从分析方法或数据角度看问题,是看不清楚问题全貌的。

慧都工业大数据分析平台致力于打造国内第一个端到端的工业大数据分析平台,为企业打通信息化系统、工厂或者车间的工业环境,为企业提供产品全生命周期数据管理和分析方案,让企业实现生产和运营智能化。

欢迎拨打慧都热线023-68661681或咨询慧都在线客服,我们将帮您转接大数据专业团队,并发送相关资料给您!