作者：郭朝晖
人们常说，工业大数据是用来挖掘价值的。但更关键的是：价值应如何被挖掘？
笔者认为：
大数据用到工业体系，特点是对可靠性要求高，而取得可靠性的难度大。
这个矛盾是个拦路虎，一定要解决才行。为了解决这个矛盾，我提出一个观点，知识首先存在于人的脑子当中，然后需要用数据去雕琢、证伪、修正——这个次序不能颠倒，不是像商务大数据那样，强调从数据里面发现新知识 。
有朋友不解：
生产和产品的大数据，能够承载产品全部信息，为什么不能强调从数据中发现知识呢？
这是因为：虽然数据可以承载产品的全部信息，但体现的却是“知其然不知其所以然”。产品和工艺设计的依据往往不能在产品数据中表现。这就是工业大数据的局限性。先要知道数据的“短处”，才能用好数据的“长处”。人的知识，可以弥补数据的这种短处。
上述观点有个潜台词：
人脑中的知识是模糊的、甚至是错误的。
这个前提存在，才需要去雕琢和证伪。其实，人脑中的多数认识可能是正确的；但是，可以挖掘价值的地方，却往往是模糊的、甚至是错误的。事实上，大数据创造的价值的途径，往往是通过修正人的认识中的不足和偏差来实现的。
那么，人脑中的模糊认识，发生在什么情况下呢？
一种普遍的情况是受局部利益或流程标准的限制。
我们知道，组织大到一定程度，就要强调分工并划分成若干部门；机制复杂到一定程度，就要流程化、标准化。这些都是促进生产力发展的。但是，这些做法又会制约信息的流动和科学决策，从而容易形成与组织整体利益不一致的个人和部门利益。同时，“标准”和流程的缺陷与不足，让一些价值损失“合法化”、“正常化”， 阻碍了从组织整体的高度优化决策。认清事实，就便于创造系统的价值。
经验主义、教条主义、官僚主义与唯命是从，让人形成模糊甚至是错误的认识。
10多年前我意识到： 创新要强调价值创造。强调价值创造的原因，是为了避免误入歧途——离开具体的背景，片面追求好的指标和新颖性。但是，最近却越来越感到：这个口号正在误导一些企业。在这个口号的引导下，间接创造价值、系统创造价值被压制了；与风险同在的价值被压制了；算不清楚收益的工作被压制了；长远与潜在的价值被压制了。其实，错的不是口号，而是简单、片面地理解这些口号。
我们知道，语言的表现力是有限的；再明确的语言，到蠢材那里都会被误解。
而唯命是从、经验主义、教条主义、官僚主义，就会让人变蠢。
有个段子形象地表达了这种现象。市领导到公园考察：“那里搞点绿化那就更好了”于是，园长让人运来了一顿盐（把‘绿化那’听成‘氯化钠’）。这个段子看似好笑，在很多地方其实接近现实。
由于价值被掩盖了，系统的损失就不容易感知到。其实，即便是所谓“价值不大”的地方，也不应该小看：很多制造企业的利润率也只有1%~2%，能把小的方面优化起来，能提高2～3个百分点，利益也是可观的！ 把局部优化都做好了，整个企业就可能发生质变——这就好比把坑坑洼洼的道路修成了高速公路，司机就可以放心开高速了。要不然，你会花费太多的成本来预防“异常”。
数据如何才能起到澄清事实的作用？
老大说过一句话：打铁还需自身硬。数据的力量来自于自身的真实和科学。这句话背后的含义是：
人们在推进数字化的时候，常常被认识水平和局部利益所绑架、被政绩观绑架，使得数据不具备科学性和真实性。
数据不科学，怎么可能用来修正人的错误认识呢？如果数据只是为了验证领导的高明，怎么可能用来创造价值呢？试想，如果真的是“经济增长就靠统计局了”，国家还能搞好吗？英国有位前首相说：“世界上有三类谎言：谎言，弥天大谎和统计数据。”。 搞数据的人，一定要知道：数据是会骗人的。学会不被数据所骗，是数据分析的基本功。
让数据代表科学和真实，其实并不容易。不仅要看到文化和制度的原因，也有技术和认识方面的原因。这里，就需要有方法论的支持。希望下面的例子能引发大家的思考：
1、“从A地到B地，平均2小时”。其实，从Ａ地到Ｂ地有两条路：一条花半小时，一条要１０小时，但很少有人走１０小时的那条路。如果你不知有两条路，仅告诉你“从A地到B地，平均2小时”，能代表科学与事实吗？
2、“喜欢打牌的人，50%是骗子”。一般来说，这句话是错的。但是，如果统计的对象是一群罪犯呢？结果还是有可能的。
这两个例子没有答案，只是用来启发大家思考。其实，很早之前，人们就提出“数据质量”的概念。数据质量，不仅是精度问题，更是“适用性”问题——适用的结果，才是真实的结果。在笔者看来，在大数据时代，让我们有更好的条件通过各种对比，判断一个结论的“适用性”：找到一大堆的案例进行对比——语文老师从小就告诉我们：有对比才会有说明。
但是，对比就那么容易吗？当然也不容易，需要找到一种与业务知识相关的知识和逻辑，才能便于对比说明。否则，整出一个“关公战秦琼”也难说。有了业务知识，就能避免这些笑话。如果缺少业务知识，就很难判断一个分析结果是假象还是众所周知的无聊论断——如前所述，在工业过程中，系统复杂性很容易导致“发现”大量的假象和无聊的结果。如果没有起码的业务知识，时间就会都浪费在无聊的“发现”上。
现在回到开头：工业大数据分析的最终目的是挖掘价值。但现实中直接的作用在于展示现实——展示那些头脑中被假象和错误观念蒙蔽的现实。在被蒙蔽的现实中，隐含着改进的空间——这就是金子所在的地方。当然，看到价值并不等于能够解决问题——这些问题很可能需要用智能制造的办法来解决。所以，我设想：工业大数据或许可以作为智能制造的先导。我们在《三体智能革命》一书中指出，智能制造的第一件事是“信息感知”：用大数据感知真实的现实，适合作为智能制造的先导。 其实，毛泽东强调调查研究、实事求是，是“信息感知”；孙子说“知己知彼百战不殆”，也是要“信息感知”；搞好企业、克服官僚主义，同样也要靠“信息感知”。
让大数据起到“信息感知”的作用，就要把数据中的假象剔除掉。这就需要更深的方法论支持。我希望大家能一起做好这件事情。
“2018大数据产业峰会”上，中国工程院院士邬贺铨在发言时表示，未来10年工业大数据的增速将是其它大数据领域的两倍，现今，传统制造企业纷纷进行数字化转型，而在这个转型的过程中，对于大数据的应用和处理则是转型的关键。
邬贺铨指出，当前中国制造业的大数据呈现出四大特点：
一是准确性。
在一般的商业领域，如果预测准确率达到90%已经是很高，但在工业领域很多应用场景中，对准确率要求达到99.9%甚至更高，比如交通领域。
二是碎片化。
工业制造的大数据有很多传感器收集的数据，有颗粒性很小的，也有颗粒性很大的，而且是不断在产生的。
三是实时性。
工业数据的处理必须要当时快速的反应，过一段时间没多大价值。消费数据可以累计很长时间。
四是行业性。
工业大数据的挖掘要对生产过程有透彻的理解。
现今，传统制造企业纷纷进行数字化转型，而在这个转型的过程中，对于大数据的应用和处理则是转型的关键，邬贺铨通过以下例子分析了大数据在各行各业中的应用。
苏州协鑫公司专注光伏切片，利用阿里开发的ET大脑分析0.2毫米厚度的硅片长期积累的数据，从上千个生产参数中找出有60个关键参数，通过优化生产流程，良品率提升1%，实现每年上亿利润；杭州中策公司是全球排名第三的橡胶轮胎生产商，引入阿里的ET大脑分析所有参数，提炼橡胶合格率提升3%-5%，利润增加千万。
大数据在产品质量的应用。清华大学与英业达集团共建电子制造大数据平台。英业达做电路板，工艺过程很多。通过大数据能判定哪一个板的质量好，哪一个板不行，有效的检测率超过99%。每条PCB板生产线投入后，每年减少人工分析处理30万，误判漏判获得的效益180万。50条生产线使得英业达一年的效益达到九千万。
大数据在生物制药中的应用。生物制药的过程比机械加工更加复杂，涉及到的参数更多。基因工程的细胞来做疫苗、激素和血液，有200多个变量，每次不容易准确控制，成品率变化很大。生物制药公司应用大数据分析上下游的工艺参数，找出最关键的影响参数。一年之内，疫苗的产量提升50%，单一产品一年增加接近1000万美元。
大数据在生产个性化的应用。青岛红领西装积累了2000多种版式，顾客自己可以修改，确认后7天就把产品交到顾客手上。过去还需要顾客去量尺寸。现在只需拿手机穿个紧身一点的衣服对正面和侧面拍一下，标身高，一件贴身的衣服可以寄到你手里。
通过工业云帮助企业服务升级。沈阳鼓风机厂建立了云服务平台，全国有很多客户通过实时监控能够了解，并且把监控的信息结合沈阳鼓风机厂形成年度报告，可以实时把状态报告给实际的业主方，很好地提升服务能力。比如石油化工厂的富气压缩机由沈鼓提供，2014年5月份停电一次，检测找不到毛病。但停了三次有两天的时间损失有六百万，利用沈鼓的云平台对所有数据分析发现主要是汽轮机的前端有摩擦。后来没有修前端，而是通过润滑油的办法改进，使其正常工作。沈鼓有全国有1600台机组，利用云服务每年可以减少0.3次非计划的停机，减少直接损失4.8亿元，能耗减少6.3亿元。
通过零售云平台提升门店销售效率。波司登建立零售云平台，实时监控全国3000多家门店的库存和销售数据，库存中心的智能补货系统有效减少缺货损失21%，售謦率同比增长10%，会员复购率达到20%以上；联想集团利用其全球数据中心掌握的数据，与宝钢合作建立钢铁销量预测系统，通过机器学习和图谱分析找出关联，预测钢铁市场需求，预测精度92.2%，库存周期缩短20%，客户采购的资金节约上亿元。
邬贺铨指出，运营商有很多用户数据，运营商不能直接把用户数据拿出，但可以对数据进行挖掘，屏蔽掉用户的隐私和涉及国家安全隐患的事项，可以集成提升很多服务。比如大众汽车找中国联通，希望中国联通分享什么年龄段的人希望买什么汽车，对汽车的装饰、价值及配置有什么要求等，中国联通形成咨询报告交给大众汽车。类似的服务对运营商可以很好的增加收入，为社会和产业发展做出贡献。
邬贺铨表示，企业经营决策重要的是企业利润及利润最大化，实现生产环节成本分析和精准化，但前提是要有准确的价值分析模型。分析客户、供应商、竞争对手、产品、企业资源、技术和员工等层面，对财务准则下细化损益表到单品层面，产品生命周期下的细化损益表到单品层面，产品生命周期下的单品层面的损益表都分解的很细，很容易找出哪一个环节是财务的薄弱环节，准确地为生产决策起支撑作用。
大数据不仅驱动制造业转型升级，提升生产效率、改进产品质量、节约资源消耗、保障生产安全、优化销售服务。还与人工智能、移动互联网、云计算及物联网等技术协同发展，并将深度融合到实体经济中，成为数字经济时代的新引擎。
