工業大數據是運用智能化新技術、新手段解決工業企業發展面臨的新需求、新問題，并創造新應用、新價值的過程。企業作為營利性組織，技術是為經濟目的服務的，因此，數據價值化應該是大數據在工業場景下的重要話題。

1

工業大數據經濟屬性分析

1. 工業大數據從經濟性上具有價值和產權的雙重屬性

從經濟學角度看，工業大數據具備雙重屬性：價值屬性和資產屬性。一方面，工業大數據能夠為企業創造可量化的價值。通過工業數據分析等關鍵技術，可幫助企業提升設計、工藝、生產、管理、服務等各個環節的智能化水平，滿足用戶定制化需求，提高生產效率并降低生產成本，為企業創造可量化的價值。另一方面，工業大數據具有明確的權屬關系和資產化價值。由于工業大數據可以賦能組織轉型和價值創造，作為營利性組織的企業，需要有能力、有意愿決定數據的具體使用方式和邊界，為自己創造價值。那么，在數字化背景下，具有賦能和參與價值創造潛力的工業大數據，顯然具有一般意義上的資產屬性。

工業大數據的價值屬性是指基于當下日益成熟的工業大數據技術，對工業活動中研發、生產、營銷、運維/服務過程中的數據價值的提取與變現。資產屬性則偏重于通過社會制度和管理機制與方法來幫助工業企業明晰數據資產與數據資源的分布，確定所有權邊界，為其價值的深入挖掘提供評估與變現的技術支撐。由于資產屬性與價值屬性有著明顯的強關聯性，可以一起考慮、一起分析。

2. 制造業場景中，大數據只有進入價值創造過程才能產生價值

制造業的大數據，主要是指圍繞產品生產全生命周期的制造與服務業務場景，從客戶需求到銷售、訂單、計劃、研發、設計、工藝、制造、采購、供應、庫存、發貨和交付、售后服務、運維、報廢或回收再制造等各個環節所產生的各類數據的統稱。其以產品定義與實現的數字化描述為核心，極大地延展了傳統工業數據范圍。其主要來源可分為三類：一是生產經營相關的業務數據；二是設備相關的物聯數據；三是企業外部的關聯性數據，即企業外部社會化網絡數據、企業內部運營數據和非結構化數據。

結合上述分析，工業大數據與互聯網大數據之間存在很大差異（如表1所示）。

互聯網大數據（外部的社會化大數據）與企業的核心業務流程和價值增長之間缺少關聯度，數據數量巨大但價值含量低，還需要巨大的存儲空間、專業技術團隊及較大投資，其ROI缺少說服力。究其根本還是圍繞產品定義與實現的場景、企業運營、供應商、合作伙伴、客戶群等產業生態往來的數據，經過調研和分析，這部分數據是真正與企業價值鏈緊密相關的，是能夠實際進入價值創造過程、產生實際價值的數據。

2

工業場景下大數據的價值化過程

1. 大數據本身離不開采集、加工和應用場景

制造業背景下，數據一旦離開所在業務場景就無法確定其價值。在開放共享的制造業生態中，工業大數據的價值化是通過貫穿產業生態鏈并不斷循環流動產生的，其價值在于被產業生態價值鏈各環節采集、加工并利用時產生的價值邊際效應，形成可持續、可計量的價值增益。通過企業數字化來推動數據與業務流程的融合，讓數據賦能價值創造過程，完成數據的價值化變現（如表2所示）。

工業大數據的采集、加工和應用場景，就是產品全生命周期內設計、采購、生產和服務等各相關環節構成的整個業務場景，來自于這個過程，并服務于這個過程。

2. 大數據的價值主要在業務場景中流動而體現出來

由于工業領域的高度專業化、分工化特點，不同業務場景中的數據，其價值性僅體現在產品價值形成過程中的一個片段。只有與產品定義和實現過程、場景緊密相關的數據，才具有進入價值創造過程、產生實際價值的可能性。產品的定義數據來自市場調研和客戶反饋，經過產品創意和研發團隊的創造性勞動，得到系統化的產品設計數據，隨后在形成產品的每個環節中又被分解、利用和加工；然后繼續隨著價值鏈流動，即使到最終用戶手上，還會繼續產生使用狀態和環境的檢測數據，呈現兩種狀態：一是工業大數據采集均具有特定的價值導向和經濟化運營管理目的；二是價值鏈每個環節仍會繼續采集、產生新的數據，這些數據與既有數據也會不斷被引用、加工和處理，從而不斷整合、衍生更多的數據。

從價值鏈整體看，工業大數據流動時被不斷復制、存儲、加工、豐富，伴隨著產品的價值和成本的變化，數據實現價值化的過程。產品價值的產生主要體現在人通過生產系統對物料進行加工并賦予使用性能的過程，此過程中數據更多的是體現在對生產活動過程中“人機料法環”諸要素狀態及其變動的記錄。因此，工業大數據在產品形成過程中基本不是一種獨立的影響因素，更多的是作為生產要素的賦能性角色來體現出價值。

3.工業大數據是價值創造過程的關鍵賦能性要素

在制造業場景下，工業大數據無法單獨產生價值，各種經濟要素價值可定量化測算或定價衡量。那么，這就產生一個自相矛盾的問題：工業場景中的所有數據都具有可無限復制的特點，且在價值鏈各環節流動時會產生更多的數據（受測量目的、采集手段和技術標準等因素影響），從技術角度看，這些數據的價值無法定量化測算；從經濟角度看，價值屬性需要可量化測算或衡量，這是工業大數據與傳統生產要素間的內在矛盾。

數據只有在創造價值的業務場景中才能有可計量的經濟價值，這削弱了數據作為獨立生產要素的合理性基礎。因此，大數據更應當被看作一種賦能性質的價值要素，而不是一個獨立的經濟要素。其根本原因在于數據要產生價值，必須在特定的價值創造活動場景中流動，通過促使制造場景中各個環節改善質量、提升效率、降低成本、提高使用體驗等方式，不斷降低交易費用、產生潛在價值等來實現價值化。

4. 數據在制造業場景的流動中呈現出交易費用的邊際效應

在制造業場景中，數據在價值鏈各環節不斷循環流動，但成本并不增加，還呈現邊際成本遞減的傾向；同時，隨著數據被不斷應用和加工，其價值卻呈現出不斷增加的傾向，并且與交易費用降低現象同時發生。這個現象可稱為數字化環境下交易費用的邊際效應。

如果從流動性角度來衡量，數據必須與其產生、應用和增值的業務場景相關聯，通過特定價值鏈產生價值，這是工業大數據的價值化衡量。

3

工業大數據價值化實現

工業大數據的價值化實現有三方面因素。

1.工業大數據預處理與知識發現

工業現場環境惡劣，數據質量差，數據受到設備參數設定、工況、環境等影響。對工業數據進行加工和處理時，往往需要專業的處理技術。

（1）工業大數據預處理

在大數據分析建模前都需要花費大量時間進行數據預處理，將其提煉成適合建立機器學習模型的可靠數據。

常見的數據預處理方法有六種。工況分割：把設備在不同運行狀態下的數據分割出來，做有針對性的信號處理與特征提取；數據清洗：把數據中存在的異常點盡可能剔除，降低對后續模型訓練的干擾；數據質量檢測：關注數據特性本身、建模有效性及領域相關的質量標準；數據歸一化：將數據轉換到同樣的分布或者取值區間；數據樣本平衡：針對的是采集的數據標簽不均等的問題；數據分割：將數據集分割為多份，用作不同目的。

（2）工業大數據的數據分析與知識發現

工業大數據分析的目標是發現與完善知識，企業開展數據分析的目標是為了創造價值。這兩個不同層次的目標需要一個轉化過程進行關聯。為了提高數據分析效率和質量，需要根據不同使用環境來設計求解過程。

數據分析起源于用戶業務需求，相同的業務需求會有多個可行方案，每一個方案又有若干可能的實現途徑。首先要清楚輸入輸出關系，如工廠場景中的特定參數與設備狀態之間的關系，這些關系即為知識的雛形，然后需要尋找適當的算法，提取和固化這些知識。

知識發現是一個探索的過程，針對各種可能的情形，解決問題的辦法并非探索每一種可能，盡量挑選成功概率大、工作量相對小、價值高、成本低的路徑作為切入點，減少試錯成本。方案和途徑的選擇必須兼顧業務需求和數據條件。

2.工業大數據分析主要類型

根據業務目標的不同，工業大數據分析可以分為四種類型。

描述型分析：用于回答“發生了什么”“是什么”的問題。工業企業的周報、月報、商務智能（BI）分析等是典型的描述型分析，通常聚焦業務數據的各種統計特征，以可視化方式呈現數據的業務含意。

診斷型分析：用于解答“為什么會這樣”的問題。工業企業在生產、銷售、管理、設備運行過程中出現的問題和異常，通過數據來查找原因，剔除非本質的隨機關聯和各種假象來診斷、分析問題背后的原因。

預測型分析：用于推測“將要發生什么”的問題。針對生產經營中的各種問題，根據可見因素，預測未來可能發生的結果或出現的問題。

處方型（指導型）分析：用于解決“怎么辦”的問題。針對已經和將要發生的問題，找出適當的解決方案，并推動工作不斷優化。

針對不同的業務目標，所需條件、對數據分析的要求差異很大，四種問題從難度上遞增。同一個業務目標可以有不同的實現路徑，還可以轉化成不同的數學問題。每種方法所采用的變量也會有較大差異，故而知識的發現也會不一樣，這就更加依賴對實際業務問題的理解深度。業務價值模型需要對數據的精確解讀，再加上從業務需求本身和價值創造方面的總體考慮。

3.價值創造思維是決定性因素

工業場景下的數據只是對業務執行狀態的采樣性描述，雖然這種數字化描述方式實現了量化，但是漏掉了描述目標的大量真實信息。也割斷了很多內在聯系，當從這些數據中尋找價值的時候，需要人們用知識、思維和體驗來彌補數字背后的失真和遺漏，這就要借助于基于業務價值的模型化分析。針對不同細分領域和應用場景，采用合適的方法論，結合數據分析和知識發現工具來解決業務問題。這個過程不易結構化和數字化，需要借助特定領域專家的綜合能力。

4. AI與工業大數據

2023年，生成式人工智能的驚人使用體驗，讓AI成為數據價值化最有希望的手段。大模型應用技術的成熟和普及給工業大數據價值化提供了更多可能：通過多元數據融合，以量變引發質變，創造新的信息和知識，催生新業態新模式，培育經濟發展新動能。但其本質還是基于業務價值的模型化分析，借助AI技術平臺建立不斷優化的價值化路徑，主要包含兩個并行方向：

一是存量優化。利用成熟的AI技術實現企業運營管理的提質降本增效。外圍應用：產品質檢、安防巡檢、工控專家系統等；初步分析：工藝流程優化、能采購計劃、設備預測性維護等；深度分析：智能供應鏈優化、設備檢測與診斷、調度方案生成等。

二是增量創新。大模型提升交互、生成及研發創新能力，實現創新性增值。價值創造（面向研發和產品）：創成式設計、 智能產品、智能化的增值服務等；知識發現（基于深度優化與創新）：服務化創新、AI驅動藥物材料研發、智能設備等。

當前，對于工業大數據價值化問題，更多是從技術手段方面考慮，反而難以全面理解和把握工業大數據的價值化過程和實現路徑。只有把以上這幾個方面有機結合起來，才能完整地解讀、發現并實現工業大數據的價值。■