图灵汇官网

工业大数据课程我讲授过多回，但总感觉对专业听众仍不满意。特别是，如何避免片面化地介绍工业大数据，以及其理论体系应包含哪些内容，一直困扰着我。以下是我对此的一些思考。

工业大数据的意义：从DIKW体系的角度看

通过DIKW体系来解析大数据的意义，可以发现大数据能够推动人类步入智能社会。其核心优势在于“知识”的生产和应用。我们将智能定义为“感知、决策和执行”的结合，因此大数据可以提供感知和决策所需的知识。

大数据与业务系统的关系：概念

许多人将数据和大数据混淆，常常误认为业务系统（如MES、ERP）的功能就是大数据的应用。实际上，业务系统侧重于数据用于特定业务的一次利用，而大数据则侧重于数据的二次利用或重复利用，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。

大数据的特征：甲方与乙方的视角

甲方（业务人员）和乙方（IT技术人员）看待大数据的特征有所不同。甲方更关注通过大数据创造价值、改进业务，其特征与获取知识相关。乙方则关注大数据的“4V”特征，即数据量大、速度快、种类繁多和真实性，这些特征反映了IT技术人员在处理数据时面临的挑战。

显然，乙方的工作应服从甲方的业务需求。因此，乙方可能会遇到4V特征带来的困难，也可能不会，取决于甲方的具体情况。我的课程主要从甲方视角出发，而IT专业人士的课程则更多从乙方视角讲解。

大数据与知识获取的可行性（甲方视角）

从甲方的角度来看，大数据的价值在于产生知识。大数据的几个特征，如样本全体、不拘泥于因果和混杂性，都可以归结为便于获取知识。这些特征确保了知识的存在性、完整性和可获得性。在智能制造和工业互联网背景下，大数据的价值显著增加。

知识类型的角度：多角度观察

我一直认为，大数据的价值在于获得、存储和运用知识的能力。知识可以分为多个维度：默会知识、经验知识和理论知识。默会知识是难以用语言表达的感性知识，经验知识是明确做法但不一定需要解释的知识，理论知识是可以解释和计算的知识。大数据的优势在于更容易获得默会和经验知识。

此外，知识还可以分为正向知识（从原因到结果）和逆向知识（从结果到原因），以及联系型知识和设计型知识。设计型知识在大数据时代更容易存储和处理。

大数据获得知识的途径：承载知识和提炼知识

获得知识有两种方式：一种是数据本身承载知识，另一种是数据承载的是信息，需要从数据中提炼知识。前者包括产品设计数据、标准和成功案例等，后者则通过建模或根因分析获得知识。

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。这些知识需要应用于提高质量、效率和降低成本等具体问题上。遇到的真正困惑是如何找到这些问题。这些问题可分为两类：一类是现有业务的痛点，另一类是转型升级后的新要求。

对于业务痛点，往往难以找到合适的问题。对于转型升级后的新问题，大数据方法较为适用。数据分析曾被视为“没有办法的办法”，但现在随着智能制造相关技术的发展，大数据技术进入了一个新的蓝海。

大数据建模分析的方法论：算法只是细节问题

谈及大数据分析与建模，很多人立刻想到各种算法。在我看来，算法只是战术问题，更重要的是战略问题，即明确业务需求和分析问题的次序。其中，明确业务需求和选择合适的数据分析方法是关键。

总结

人们关注工业大数据的目标是创造价值，方向是提升智能化，核心问题是知识的获取和应用。用好大数据的关键在于搞清楚战略和战术的关系，即明确做什么事情、做事的次序和切入点。单纯从分析方法或数据角度看问题，难以全面理解问题的本质。