1704033210
1704033211
由此将会产生数据洪流，需对其加以筛选和分析，提取可行洞察。若不对数据进行有效分析，就只能任凭巨浪将我们吞没，企业也得不到半点好处。
1704033212
1704033213
全球数据总量每两年翻一番。据估计，到2020年，全球数据总量将超过44泽字节，其中35%被认为有分析价值。到2025年，这一数字将增至180泽字节。(1)
1704033214
1704033215
这一数量之大几乎超出人们想象，其中很大一部分是由智能工业企业及其生态系统所创造和分析的。因此，制造商除了及时采集和分析数据之外别无他法，因为成果经济是在实体硬件相关服务的基础上发展成熟的，而数据分析是成果经济的命脉。
1704033216
1704033217
工业X.0：实现工业领域数字价值 [:1704031680]
1704033218
原始数据没有价值，需要处理
1704033219
1704033220
在基础分析阶段，我们常常利用经过智能处理的数据。汽车仪表盘会显示车速、油位和引擎转速等原始数据。但另一套量表会显示以当前车速行驶消耗了多少燃料，不需要车主自己计算。这就是基本的实时分析法：汇总三组原始数据，得出智能可行的信息。
1704033221
1704033222
未来，这个相对基础的分析方法将进一步扩展，涵盖实时天气状况、地形地势、交通量预测和剩余路程，对这些数据进行汇总之后给出建议。
1704033223
1704033224
同样的方法也适用于工业企业。对智能筛选后的数据进行分析解读，可以辅助决策过程。多数情况下，可运用算法去除不相关的读数，从而得到更有意义的信息（见图5.1）。
1704033225
1704033226
1704033227
1704033228
1704033229
图5.1 全面影响企业的技术及其影响(2)
1704033230
1704033231
对数字数据进行压缩、清理、再处理、筛选和归类能为企业提供洞察和警示，帮助企业有效操控复杂的制造流程。分析目标越宏大，数据的准备、改进和最后得出洞察所需的软件复杂度和计算能力就越高（见图5.2）。
1704033232
1704033233
1704033234
1704033235
1704033236
图5.2 数据价值链(3)
1704033237
1704033238
工业X.0：实现工业领域数字价值 [:1704031681]
1704033239
如何选择数据策略——内部回报和外部回报哪个更多？
1704033240
1704033241
越来越多的企业成功利用数据实现营收，主要是通过以下两种方式：
1704033242
1704033243
第一，企业逐渐能从各部门和流程产生的数据洞察中做出准确判断。如此一来，企业便可改进运营模式，从中提取更多价值。
1704033244
1704033245
第二，企业逐渐能从正在使用的产品中收集数据洞察并转化为服务，作为自身价值创造的主要驱动力。
1704033246
1704033247
例如，丹麦风力涡轮机制造商维斯塔斯（Vestas）对天气数据加以分析，辅助涡轮机的定位和运转，实现最优能量输出。换言之，该制造商不仅出售产品，还提供能促进产品使用最大化的服务——基于预测性分析和资产性能分析。(4)
1704033248
1704033249
因此，对一家缺少数据策略的工业企业来说，问题在于是从上述策略中二选一还是两者者结合使用。
1704033250
1704033251
图5.3汇总了企业各部门常用的分析方法。虽然并非面面俱到，但还是可以从中看出，数据分析能够在众多领域为企业增加价值。详细实例可参考第四章对施耐德电气和比雅斯集团数据分析策略的案例研究。
1704033252
1704033253
事实上，在产业物联网世界中，数字数据才是真正的企业货币。数据分析能为各行各业激发巨大价值潜能。以汽车制造商为例，埃森哲计算表明，该制造商从一项全面的数字化策略中获得的价值有46%是来自于数据分析（参见第三章）。
1704033254
1704033255
工业X.0：实现工业领域数字价值 [:1704031682]
1704033256
数据策略助力企业解锁五种价值来源
1704033257
1704033258
为了帮助企业更好地做出选择，我们列举了数据分析为工业企业带来的五大优势，这些优势都能为企业创造价值。
1704033259