IDC于近日發(fā)布了《IDC PeerScape：面向工業(yè)場景的大數(shù)據(jù)管理分析平臺最佳實踐案例》報告，總結(jié)了行業(yè)用戶在應(yīng)用過程中面臨的四大挑戰(zhàn)和實踐路徑，并評選最佳實踐案例，為行業(yè)用戶提供了相關(guān)的指導建議，供市場參考。

工業(yè)大數(shù)據(jù)平臺的核心價值是建立數(shù)據(jù)要素全周期流通和價值挖掘體系，以實現(xiàn)覆蓋能力、生產(chǎn)效率、數(shù)據(jù)治理、企業(yè)管理、業(yè)務(wù)生態(tài)的全面升級。工業(yè)涉及制造、能源、工廠等復雜場景下的視頻、圖像、文本、語音、日志、文檔等結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。數(shù)據(jù)庫類型多樣，數(shù)據(jù)質(zhì)量參差不齊，當前大部分情況下缺少統(tǒng)一的數(shù)據(jù)標準與管理流程，企業(yè)自身水平也難以建設(shè)全面的工業(yè)大數(shù)據(jù)管理能力。因此需要外部廠商成熟的一站式大數(shù)據(jù)管理平臺來打通底層數(shù)據(jù)壁壘，只有確保數(shù)據(jù)安全自由流通，才能促進上層業(yè)務(wù)管理升級和經(jīng)營效率提升。同時，專家經(jīng)驗也發(fā)揮著越來越重要的作用，知識即服務(wù)（Knowledge as a Service）成為趨勢，將業(yè)務(wù)經(jīng)驗打包成標準化產(chǎn)品服務(wù)，以更好地規(guī)?；亟鉀Q企業(yè)的多樣化需求。

當前工業(yè)大數(shù)據(jù)應(yīng)用以單點離散統(tǒng)計分析形式為主，且作業(yè)過程難以追溯、數(shù)據(jù)交互存在壁壘，導致難以發(fā)揮規(guī)?；盒?yīng)。大部分的工業(yè)企業(yè)在數(shù)字化轉(zhuǎn)型升級中仍處于從0到1的階段，企業(yè)自身掌握了大量的行業(yè)knowhow，但缺少與大數(shù)據(jù)和人工智能技術(shù)融合來解決實際問題的經(jīng)驗，比如多設(shè)備管理、數(shù)據(jù)軟件打通、趨勢預(yù)測、知識圖譜、設(shè)備預(yù)測性維護、質(zhì)量檢測等，這就需要廠商在企業(yè)服務(wù)過程中豐富大數(shù)據(jù)技術(shù)架構(gòu)，例如存儲引擎、分析工具以及行業(yè)模型，為廠商打造可解耦靈活適配的功能體系，并貫穿產(chǎn)品線核心環(huán)節(jié)，完成工業(yè)數(shù)據(jù)的采、存、管、用全流程管理。IDC預(yù)測，到2027年，10%的中國500強企業(yè)將部署數(shù)據(jù)和行動反饋循環(huán)系統(tǒng)，從而在數(shù)據(jù)和內(nèi)容獲取和分析投資方面獲得更高的回報。

市場面臨的主要挑戰(zhàn)

數(shù)據(jù)煙囪和孤島是導致企業(yè)無法擴大規(guī)模化生產(chǎn)以及管理低效的主要原因，工業(yè)生產(chǎn)涉及ERP、MES、WMS等相關(guān)應(yīng)用系統(tǒng)，數(shù)據(jù)來源復雜、種類多樣、質(zhì)量參差不齊、數(shù)據(jù)量較大，客戶也逐漸意識到對數(shù)據(jù)中臺、數(shù)據(jù)統(tǒng)一管理的需求，來搭建專業(yè)化數(shù)據(jù)指標體系；

傳統(tǒng)生產(chǎn)和設(shè)備控制完全依靠專家經(jīng)驗，而人員的迭代與更加精準化的管理需求迫使企業(yè)需要開發(fā)模型來實現(xiàn)更加智能的管理，減少人員成本以及能源損耗或提高產(chǎn)品良率，而且工業(yè)企業(yè)需要一個統(tǒng)一的平臺來開發(fā)、管理、編排、更新、部署相關(guān)業(yè)務(wù)；

工業(yè)場景涉及多種硬件與軟件設(shè)備維護，任一設(shè)備故障都可能導致長時間的維護以及資源浪費，并帶來較大的經(jīng)濟損失，而運維這些設(shè)備所需人工成本較高，人員管理也更加復雜，且人員技術(shù)水平參差不齊，可能無法及時發(fā)現(xiàn)并解決故障，這也無法發(fā)揮多設(shè)備數(shù)據(jù)源的相互分析作用；

對于大型工業(yè)廠商，其具有豐富的行業(yè)經(jīng)驗以及一定市場壁壘，面臨數(shù)字化轉(zhuǎn)型需求以及新興技術(shù)型企業(yè)競爭壓力時，受限于龐大的組織體系以及技術(shù)能力，更需要外部廠商提供一體化的改造能力，這包括云服務(wù)、智能計算、數(shù)據(jù)治理、設(shè)備管理、模型開發(fā)、預(yù)測運維等多樣化需求。

IDC觀察到，工業(yè)大數(shù)據(jù)平臺建設(shè)中，數(shù)據(jù)質(zhì)量、模型產(chǎn)品化、分級分批驗證落地是項目成功實踐的關(guān)鍵。

一是數(shù)據(jù)質(zhì)量

不同于互聯(lián)網(wǎng)、金融等信息化較為成熟的場景，工業(yè)企業(yè)所管理的數(shù)據(jù)設(shè)備種類與數(shù)據(jù)存儲格式多樣，采集標準和管理協(xié)議各不相同，解決壁壘化、孤島化的數(shù)據(jù)存儲管理問題是實現(xiàn)企業(yè)統(tǒng)一管理與數(shù)據(jù)流轉(zhuǎn)和價值挖掘的前提，因此廠商大多會從統(tǒng)一的數(shù)據(jù)采集管理入手，進行數(shù)據(jù)清洗治理，建立滿足各個設(shè)備系統(tǒng)要求的標準協(xié)議與管理流程，并在此基礎(chǔ)上進行數(shù)據(jù)指標制定、主題庫搭建與可視化大屏呈現(xiàn)，將無序的多模態(tài)數(shù)據(jù)變成按照時間和主題等類別整理的數(shù)據(jù)庫，并為后續(xù)模型開發(fā)訓練和分析決策提供支撐。

二是模型產(chǎn)品化

面對廠商在數(shù)據(jù)統(tǒng)一管理、決策分析、時序預(yù)測、可視化、運維、質(zhì)檢、設(shè)備維護、運輸儲配等多樣化需求，廠商會在集成數(shù)據(jù)庫、AI、BI等多種外部工具和平臺的同時，在上層開發(fā)標準化的模型產(chǎn)品，將數(shù)據(jù)訓練后的算法打包成可直接使用的預(yù)訓練模型，并提供低代碼/無代碼的拖拽式操作服務(wù)來降低使用門檻，以提高項目交付效率。

三是分級分批驗證落地

工業(yè)大數(shù)據(jù)平臺往往服務(wù)周期較長，覆蓋前期調(diào)研、方案制定、產(chǎn)品開發(fā)、落地測試、不斷調(diào)優(yōu)、最終落地等多個階段，且場景要求更加復雜，因此帶來的時間、資金、人力和商務(wù)投入成本較高。廠商往往在前期階段分析大數(shù)據(jù)技術(shù)和行業(yè)Knowhow融合路徑，制定方案分級分批落地，進行短中長期規(guī)劃并先進行小范圍驗證以測試可用性，避免無法支撐長期投入或一次性交付導致的建設(shè)和使用可持續(xù)性不強，也規(guī)避陷入過于IT化而缺少實用性的陷阱。

IDC PeerScape報告展示了不同領(lǐng)域和發(fā)展階段的工業(yè)企業(yè)在大數(shù)據(jù)平臺建設(shè)方面的前沿實踐案例，展示IT技術(shù)如何解決企業(yè)問題，幫助更多企業(yè)建立符合自己發(fā)展特色的大數(shù)據(jù)平臺建設(shè)路徑。中國長江三峽集團、納愛斯集團、某能源企業(yè)入選工業(yè)大數(shù)據(jù)平臺數(shù)據(jù)統(tǒng)一管理、數(shù)據(jù)治理類別領(lǐng)導者實踐；北京智信遠景軟件技術(shù)有限公司、江蘇沙鋼集團入選工業(yè)大數(shù)據(jù)平臺智能生產(chǎn)類別領(lǐng)導者實踐；某市工業(yè)互聯(lián)平臺入選工業(yè)大數(shù)據(jù)平臺智能運維類別領(lǐng)導者實踐，徐工集團、無錫威孚入選工業(yè)大數(shù)據(jù)平臺數(shù)字化轉(zhuǎn)型、一體化建設(shè)類別領(lǐng)導者實踐。

對工業(yè)大數(shù)據(jù)管理分析平臺的發(fā)展建議

云原生湖倉一體是數(shù)據(jù)管理主要趨勢。傳統(tǒng)的數(shù)據(jù)倉庫與管理軟件無法滿足海量數(shù)據(jù)存儲與治理分析需求，廠商可以選擇更先進的湖倉一體架構(gòu)，引入實時數(shù)據(jù)湖，通過全域數(shù)據(jù)秒級入湖和加工整理，可以實現(xiàn)快速處理和響應(yīng)，全面數(shù)字化感知生產(chǎn)狀態(tài)，以保證上層生產(chǎn)和管理的高效進行和精準管控。另外，數(shù)據(jù)指標體系的搭建離不開規(guī)范標準與企業(yè)自身特點。

開箱即用的預(yù)訓練模型是企業(yè)關(guān)注點。工業(yè)企業(yè)往往缺少相關(guān)技術(shù)人員以及模型服務(wù)開發(fā)能力，服務(wù)廠商需要結(jié)合底層數(shù)據(jù)庫，支撐海量工業(yè)時序和時空數(shù)據(jù)的聚合、關(guān)聯(lián)分析以及智能預(yù)測，開發(fā)預(yù)訓練模型，并結(jié)合實際數(shù)據(jù)來微調(diào)，滿足服務(wù)的快速落地。機器學習平臺的MLOps全周期服務(wù)能力以及低代碼能力是衡量平臺質(zhì)量的關(guān)鍵。

數(shù)據(jù)與歷史經(jīng)驗幫助搭建高效的模型服務(wù)。應(yīng)以該行業(yè)相關(guān)理論研究以及算法為基礎(chǔ)，指導大數(shù)據(jù)與人工智能模型的建立與使用。另外，應(yīng)使用盡量多的歷史數(shù)據(jù)，對模型進行訓練，并以部分歷史數(shù)據(jù)對模型預(yù)測結(jié)果進行驗證，并在試運營階段收集使用和運營的經(jīng)驗教訓，來分階段進行更新和推廣應(yīng)用。

實現(xiàn)客戶、人員、設(shè)備管理升級的多線并行。傳統(tǒng)大型企業(yè)改造升級周期長、投入成本高，且內(nèi)部架構(gòu)較為復雜，在設(shè)計統(tǒng)一的頂層規(guī)劃后，需要劃分不同的部門和業(yè)務(wù)領(lǐng)域，來進行多部門同步部署與跨部門協(xié)同交互。