- Broken： 工业对于数据的要求并不仅在于量的大小，更在于数据的全面性。在利用数据建模的手段解决某一个问题时，需要获取与被分析对象相关的全面参数，而一些关键参数的缺失会使分析过程碎片化。举例而言，当分析航空发动机性能时需要温度、空气密度、进出口压力、功率等多个参数，而当其中任意一个参数缺失时都无法建立完整的性能评估和预测模型。因此对于企业来说，在进行数据收集前要对分析的对象和目的有清楚的规划，这样才能够确保所获取数据的全面性，以免斥巨资积累了大量数据后发现并不能解决所关心的问题。

3456下一页>                      

- Background (Below the Surface)： 除了对数据所反映出来的表面统计特征进行分析以外，还应该关注数据中所隐藏的背景相关性。对这些隐藏在表面以下的相关性进行分析和挖掘时，需要一些具有参考性的数据进行对照，也就是数据科学中所称的“贴标签”过程。这一类数据包括工况设定、维护记录、任务信息等，虽然数据的量不大，但在数据分析中却起到至关重要的作用。

工业大数据分析的“3C”目的：

- Comparison(比较性)：从比较过程中获取洞察，既包括比较相似性，也包括比较差异性。比较的维度既可以是在时间维度上与自身状态的比较，也可以是在集群维度上与其他个体的比较。这种比较分析能够帮助我们将庞大的个体信息进行分类，为接下来寻找相似中的普适性规律和差异中的因果关系奠定基础。

- Correlation (相关性)：如果说物联网是可见世界的连接，那么所连接对象之间的相关性就是不可见世界的连接。对相关性的挖掘是形成记忆和知识的基础，简单的将信息存储下来并不能称之为记忆，通过信息之间的关联性对信息进行管理和启发式的联想才是记忆的本质。相关性同时也促进了人脑在管理和调用信息的效率，我们在回想起一个画面或是情节的时候，往往并不是去回忆每一个细节，而是有一个如线头一样的线索，你去牵它一下就能够引出整个场景。这样的类似记忆式的信息管理方式运用在工业智能中，就是一种更加灵活高效的数据管理方式。

- Consequence (因果性)：数据分析的重要目的是进行决策支持，在制定一个特定的决策时，其所带来的结果和影响应该被同等地分析和预测。这是以往的控制系统所不具备的特性，也是智能化的本质。工业系统中的大部分活动都具有很强的目的性，就是把目标精度最大化，把破坏度最小化的“结果管理”。结果管理的基础是预测，例如在现在的制造系统中，如果我们可以预测到设备的衰退对质量的影响，以及对下一个工序质量的影响，就可以在制造过程中对质量风险进行补偿和管理，制造系统的弹性和坚韧性就会增加。

总结而言，互联网和商业大数据与工业大数据在技术挑战、数据属性、和分析目的等方面有很多区别，这也决定了两者技术手段的不同。

虽然互联网大数据与工业大数据的核心问题与技术路径不同，但并不意味着两者是格格不入的。相反，将互联网大数据与工业大数据相整合，能够相得益彰产生更大的价值。举例而言，制造系统正在改变过去生产驱动销售的“Push”模式和销售驱动生产的“Pull”模式，虽然已经具备满足不同订单需求的“柔性”生产模式，但依然无法改变对市场应激式的生产模式。未来的智能制造系统将以数据来驱动，体现在设计过程的数据化(PLM、CAD)、制造系统驱动的数据化(MES、DCS)、和生产资源管理的数据化(ERP)等方式。但是这些都还只看到了制造系统本身，而忽略了这些数据化的源头应该是对市场和客户的数据化。利用商业大数据对市场进行预测、绘制客户需求画像、和分析供应状态实时评估等方式，能够从本质上将制造系统从应激式转变成为预测型的生产模式。

“不可见的世界”的价值

“有之以为利、无之以为用”是出自老子《道德经》中的一句话，其中的智慧放在当今工业的价值模式中依然十分受用。这句话可以理解为：一切事物的实体为我们提供可以凭借的可见的基础条件，而其中所隐藏的空间和可变化的无限可能才是被我们真正使用并创造价值的所在。我们在《工业大数据》一书中，曾用煎蛋模型来阐述产品与服务价值之间的关系(图一)：蛋黄代表的是产品自身，其差异性和客制化程度并不明显，例如一台电视机在挡住了Logo之后就很难被区分出来是哪家公司生产的。而蛋白所代表的增值服务却是差异化和客制化的重要体现，也是企业的品牌和可持续性价值的所在。这些价值存在于用户的使用场景、隐形因素的相关性、和产品被制造和使用的全生命周期这些“不可见世界”中。数据将成为挖掘这些价值的重要手段，主要体现在：利用数据挖掘在使用中获得新的知识和技术对现有产品进行改进；利用数据去发现和定义用户未知的需求；以数据作为媒介向用户提供增值服务。