数据驱动制造业业变革中碰到的问题

当今世界进入了数据爆炸的时代，数据成为企业最重要的资产之一。企业管理和决策的基础是数据，数据要真实、可靠、全面、及时，因此企业必须具备数据全生命的治理和管控能力。

如今，许多企业开始构建大数据平台，并且通过这些技术优化价值链业务，包括产品优化、供应链优化、智能制造体系以及用户经营平台体系、精准营销体系建立。

IT和OT的深度融合，通过这样的深度融合，把所有的数据，包括生产经营体系里的数据，包括企业管理新系统里的ERP、CRM这些数据整合起来。通过机理模型和算法模型深度融合，为顾客提供深度智能应用实现。

中国的工业企业是这么大的宽度纬度，从2.0补课开始。不得不承认现场接入依然是中国面临的重大问题。原来的工业企业，没上自动化系统，就算上了自动化系统，一套系统出来是怎样的数据量，大家了解吗？基本一天下来也就是几兆的数据，但是我们往下看，看到一线的工业现场，每秒甚至每毫秒采集的全量数据算下的话一天至少几个G，如果一天几个G，一年多少？那个时候没有PB时代，是达不到真正全量数据分析要求的。

在进行数据管理或者数据治理的过程中，企业或多或少的会碰到以下问题：

第一，是工业现场没有数据或数据不全。虽然如今关于工业互联网、大数据的热潮涌动，但对于许多国内的中小企业而言，受限于自身信息化水平，现场数据的采集、筛选、存储依旧是一道没有迈过去的坎。

第二，智能工厂数据量大了不好处理。无论是ERP、PLM还是MES系统，企业无时不刻不在生产数据。一方面，企业需要对消费需求产生的海量数据和信息进行大数据处理和挖掘；另一方面，在进行这些非标准化产品生产过程中，产生的生产信息与数据也是巨大的，需要及时收集、处理与分析。这两方面数据流最终通过互联网在智能设备之间传递，通过智能设备进行分析、判断、调整、控制并继续指导智能生产。

第三，企业不知道适配场景在哪。不同与消费级业务，工业领域不同行业的差异化明显，不同工业场景所蕴含的不同工业数据应用模式，企业间不同的工业生产过程都有着独特的内在机理，每一个细分领域的Know-How都无可取代。这些特点使得工业数据应用之间的差距巨大，很难用通用的人工智能算法覆盖整个工业的数据优化过程。企业必须仔细了解自身每一个生产节拍的特点，结合AI去做到真正更高级的优化。

第四，生产制造以及工艺特性融合AI/ML进一步赋能难。落地，要找现实存在的场景，让最先进的人工智能技术，结合现有的AI算法落实场景提供价值。而费了半天劲，这个价值的成本投入应该远小于工业优化之后的输出对吗？所有的获利。但是这个点到底在哪？很多实际应用过程中发现，投入了很多，做了很多POC最后发现没挣多少钱，这就是为什么炒着热吃这凉。

所以对于大多数类似企业这是非常大的问题，这四个挑战使得我们在做工业物联网的过程中，这个发展炒着热吃着凉，就是巨大的挑战。