1704033200
1704033201
1704033202
1704033203
1704033204
工业X.0：实现工业领域数字价值 [:1704031679]
1704033205
工业X.0：实现工业领域数字价值 第五章 热点聚焦：如何巧用数据分析
1704033206
1704033207
大数据时代下，数字化信息快速集聚，学会处理这些海量信息是一项不小的挑战。这一点在现代工业制造领域体现得尤为明显。数据以及从中获得的运营和业务洞察将成为21世纪工业企业的命脉。未来几年，企业和各级管理人员的首要任务将是去芜存菁，从海量信息中提取有价值的数字数据。归根结底是要创建正确的数据，通过全面分析原始数据获得“智能数据”，并将其运用到决策过程当中，改善运营效率和市场定位。将数据洞察共享给平台内其他成员将成为必然选择，也是企业生存所不可或缺的。
1704033208
1704033209
在产业物联网的世界中，一切人和物都将实现连接——消费者的周遭会遍布传感器，企业会采用机器人和机器学习等新技术。
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。