工業視角的轉變

       如果說前三次工業革命分別從機械化、規模化、標準化、和自動化等方向大幅度地提高了生產力，那么第四次工業革命與前面三次最大的區別在于：不再以制造端的生產力需求為出發點，而是將客戶端價值作為整個產業鏈的核心，改變以往的工業價值鏈從生產端向消費端、上游向下游推動的模式，從客戶端的價值需求出發提供客制化的產品和服務，并以此作為整個產業鏈的共同目標使整個產業鏈的各個環節實現協同優化，其本質是工業視角的轉變。

       不可見的問題

       在現在的制造中，存在著許多無法被定量、無法被決策者掌握的不確定因素，這些不確定因素既存在于制造過程中，也存在于制造過程之外的使用過程中。前三次工業革命主要解決的都是可見的問題，例如去避免產品缺陷、避免加工失效、提升設備效率和可靠性、避免設備故障和安全問題等。這些問題在工業生產中由于可見可測量，往往比較容易去避免和解決。不可見的問題通常表現為設備的性能下降、健康衰退、零部件磨損、運行風險升高等。這些因素由于其很難通過測量被定量化，往往是工業生產中不可控的風險，大部分可見的問題都是這些不可見的因素積累到一定程度所造成的。因此，工業互聯網的關注點和競爭點是對這些不可見因素的避免和透明化。

       不可見的需求

       從使用過程的體驗角度審視產品功能，制造需要場景思維不可見的另一個特點就是制造過程和制造價值向使用過程的延續，不僅僅關注將一個產品制造出來，還應該關心如何去使用好這個產品，實現產品價值的最大化。產品的創新和創值不再僅僅是以滿足用戶可見的需求為導向，而是利用用戶的使用數據去深刻地理解用戶的使用場景，從場景中找到用戶需求的空缺(GAP)，這些空缺我們稱之為“不可見的需求”，因為即便是用戶自己都很難意識到。例如，買汽車的人大多都會提出省油的需求，于是所有汽車制造商就努力改變車型和發動機讓車子更加省油。但是很少去關注用戶的駕駛習慣對于油耗的影響，因為駕駛習慣對于用戶而言也是不可見的，因此不會有用戶去要求汽車提供駕駛行為管理的功能。所以新工業革命時代的市場競爭也會從以往滿足客戶可見的需求向尋找用戶需求的GAP轉變。以往我們將產品賣給客戶之后就幾乎到達了生產價值鏈的終點，而云計算等新技術的普及將價值鏈進一步延伸到使用端，以產品作為服務的載體，以使用數據作為服務的媒介，在使用過程中不斷挖掘用戶需求的GAP，并利用數據挖掘所產生的信息服務為用戶創造價值。

       數據依然是為用戶提供客制化產品最重要的媒介，新工業革命時代中的制造將通過數據把終端客戶與制造系統相連接，這些數據將自動決定生產系統的各個環節的決策，實現生產上下游環環相扣的整合，人的工作難度將被大大降低，在這種模式下工廠的組織構架將趨于扁平，生產資源的利用效率也更加優化。

       有一個例子是最近特別流行的智能手環，佩戴智能手環可以采集睡眠過程中的數據，醒來之后可以通過查看數據分析的結果，睡眠質量如何、多少時間是深睡眠狀態、深淺睡眠交替的曲線等信息都一目了然。這時我們才發現決定睡眠質量的并不是一共睡了幾個小時，而是深睡眠所占整個睡眠時間的比例。白天精力好壞是我們可見的現象，但睡眠質量是不可見的，智能手環通過睡眠數據的分析將不可見的睡眠質量變成了可見可測的結果，并利用這些信息幫助用戶去管理可見的生活。

       新工業革命并不僅僅是制造業的革命，而是一場更加深刻的變革，創新模式、商業模式、服務模式、產業鏈和價值鏈都將產生革命性的變化，制造業的文化，從“機器崇拜，流程崇拜”進入到人文主義視角的“價值定義”，今天的零售業逐步向“內容，IP”化轉移，制造業的產品或服務，未來也會走向“IP導向的制成品” ，生產線和消費者使用處于永遠互動的狀態，并延伸基于數據的增值服務，云計算、人工智能、和大數據都是支撐這個轉型的基礎條件，工業升級，最根本的驅動力來自于商業模式與智能服務體系的創新技術變革，這兩者才是未來工業界競爭的藍海。

       工業大數據的3B與3C

       什么是工業大數據？

       一提到大數據，人們首先會想到在互聯網和商業等環境中，利用大量的行為數據來分析用戶行為和預測市場趨勢等應用。但是對工業大數據的定義和應用卻很難直觀地理解和想象。現在對大數據最為流行的定義來自于維克托·邁爾-舍恩伯格和肯尼斯·克耶編寫的《大數據時代》中提出的4V特性，即Volume(數據量大)、Velocity(流動速度快)、Veracity(準確性難把握)、和Variety(來源多樣性)。這個定義是針對互聯網和社會環境中的大數據，從數據工程的技術挑戰方面所提出的。而工業大數據的挑戰和目的則要通過“3B”和“3C”來理解：

       工業大數據應用的“3B”挑戰：

       Bad Quality： 在工業大數據中，數據質量問題一直是許多企業所面臨的挑戰。這主要受制于工業環境中數據獲取手段的限制，包括傳感器、數采硬件模塊、通信協議、和組態軟件等多個技術限制。對數據質量的管理技術是一個企業必須要下的硬功夫。

       Broken： 工業對于數據的要求并不僅在于量的大小，更在于數據的全面性。在利用數據建模的手段解決某一個問題時，需要獲取與被分析對象相關的全面參數，而一些關鍵參數的缺失會使分析過程碎片化。舉例而言，當分析航空發動機性能時需要溫度、空氣密度、進出口壓力、功率等多個參數，而當其中任意一個參數缺失時都無法建立完整的性能評估和預測模型。因此對于企業來說，在進行數據收集前要對分析的對象和目的有清楚的規劃，這樣才能夠確保所獲取數據的全面性，以免斥巨資積累了大量數據后發現并不能解決所關心的問題。

       Background (Below the Surface)： 除了對數據所反映出來的表面統計特征進行分析以外，還應該關注數據中所隱藏的背景相關性。對這些隱藏在表面以下的相關性進行分析和挖掘時，需要一些具有參考性的數據進行對照，也就是數據科學中所稱的“貼標簽”過程。這一類數據包括工況設定、維護記錄、任務信息等，雖然數據的量不大，但在數據分析中卻起到至關重要的作用。

       工業大數據分析的“3C”目的：

       Comparison(比較性)：從比較過程中獲取洞察，既包括比較相似性，也包括比較差異性。比較的維度既可以是在時間維度上與自身狀態的比較，也可以是在集群維度上與其他個體的比較。這種比較分析能夠幫助我們將龐大的個體信息進行分類，為接下來尋找相似中的普適性規律和差異中的因果關系奠定基礎。

       Correlation (相關性)：如果說物聯網是可見世界的連接，那么所連接對象之間的相關性就是不可見世界的連接。對相關性的挖掘是形成記憶和知識的基礎，簡單的將信息存儲下來并不能稱之為記憶，通過信息之間的關聯性對信息進行管理和啟發式的聯想才是記憶的本質。相關性同時也促進了人腦在管理和調用信息的效率，我們在回想起一個畫面或是情節的時候，往往并不是去回憶每一個細節，而是有一個如線頭一樣的線索，你去牽它一下就能夠引出整個場景。這樣的類似記憶式的信息管理方式運用在工業智能中，就是一種更加靈活高效的數據管理方式。

       Consequence (因果性)：數據分析的重要目的是進行決策支持，在制定一個特定的決策時，其所帶來的結果和影響應該被同等地分析和預測。這是以往的控制系統所不具備的特性，也是智能化的本質。工業系統中的大部分活動都具有很強的目的性，就是把目標精度最大化，把破壞度最小化的“結果管理”。結果管理的基礎是預測，例如在現在的制造系統中，如果我們可以預測到設備的衰退對質量的影響，以及對下一個工序質量的影響，就可以在制造過程中對質量風險進行補償和管理，制造系統的彈性和堅韌性就會增加。

       總結而言，互聯網和商業大數據與工業大數據在技術挑戰、數據屬性、和分析目的等方面有很多區別，這也決定了兩者技術手段的不同。