三级片入口,一本久久a,熟女无修正视频一区,蜜桃视频免费成人电影

工業(yè)大數據是運用智能化新技術、新手段解決工業(yè)企業(yè)發(fā)展面臨的新需求、新問題，并創(chuàng)造新應用、新價值的過程。企業(yè)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(yè)場景下的重要話題。

1

工業(yè)大數據經濟屬性分析

1. 工業(yè)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(yè)大數據具備雙重屬性：價值屬性和資產屬性。一方面，工業(yè)大數據能夠為企業(yè)創(chuàng)造可量化的價值。通過工業(yè)數據分析等關鍵技術，可幫助企業(yè)提升設計、工藝、生產、管理、服務等各個環(huán)節(jié)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(yè)創(chuàng)造可量化的價值。另一方面，工業(yè)大數據具有明確的權屬關系和資產化價值。由于工業(yè)大數據可以賦能組織轉型和價值創(chuàng)造，作為營利性組織的企業(yè)，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(chuàng)造價值。那么，在數字化背景下，具有賦能和參與價值創(chuàng)造潛力的工業(yè)大數據，顯然具有一般意義上的資產屬性。

工業(yè)大數據的價值屬性是指基于當下日益成熟的工業(yè)大數據技術，對工業(yè)活動中研發(fā)、生產、營銷、運維/服務過程中的數據價值的提取與變現(xiàn)。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(yè)企業(yè)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(xiàn)的技術支撐。由于資產屬性與價值屬性有著明顯的強關聯(lián)性，可以一起考慮、一起分析。

2. 制造業(yè)場景中，大數據只有進入價值創(chuàng)造過程才能產生價值

制造業(yè)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(yè)務場景，從客戶需求到銷售、訂單、計劃、研發(fā)、設計、工藝、制造、采購、供應、庫存、發(fā)貨和交付、售后服務、運維、報廢或回收再制造等各個環(huán)節(jié)所產生的各類數據的統(tǒng)稱。其以產品定義與實現(xiàn)的數字化描述為核心，極大地延展了傳統(tǒng)工業(yè)數據范圍。其主要來源可分為三類：一是生產經營相關的業(yè)務數據；二是設備相關的物聯(lián)數據；三是企業(yè)外部的關聯(lián)性數據，即企業(yè)外部社會化網絡數據、企業(yè)內部運營數據和非結構化數據。

結合上述分析，工業(yè)大數據與互聯(lián)網大數據之間存在很大差異（如表1所示）。

互聯(lián)網大數據（外部的社會化大數據）與企業(yè)的核心業(yè)務流程和價值增長之間缺少關聯(lián)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(yè)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(xiàn)的場景、企業(yè)運營、供應商、合作伙伴、客戶群等產業(yè)生態(tài)往來的數據，經過調研和分析，這部分數據是真正與企業(yè)價值鏈緊密相關的，是能夠實際進入價值創(chuàng)造過程、產生實際價值的數據。

2

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

工業(yè)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(huán)節(jié)構成的整個業(yè)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(yè)務場景中流動而體現(xiàn)出來

由于工業(yè)領域的高度專業(yè)化、分工化特點，不同業(yè)務場景中的數據，其價值性僅體現(xiàn)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(xiàn)過程、場景緊密相關的數據，才具有進入價值創(chuàng)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(chuàng)意和研發(fā)團隊的創(chuàng)造性勞動，得到系統(tǒng)化的產品設計數據，隨后在形成產品的每個環(huán)節(jié)中又被分解、利用和加工；然后繼續(xù)隨著價值鏈流動，即使到最終用戶手上，還會繼續(xù)產生使用狀態(tài)和環(huán)境的檢測數據，呈現(xiàn)兩種狀態(tài)：一是工業(yè)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(huán)節(jié)仍會繼續(xù)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(yè)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(xiàn)價值化的過程。產品價值的產生主要體現(xiàn)在人通過生產系統(tǒng)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(xiàn)在對生產活動過程中“人機料法環(huán)”諸要素狀態(tài)及其變動的記錄。因此，工業(yè)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(xiàn)出價值。

3.工業(yè)大數據是價值創(chuàng)造過程的關鍵賦能性要素

在制造業(yè)場景下，工業(yè)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(yè)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(huán)節(jié)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(yè)大數據與傳統(tǒng)生產要素間的內在矛盾。

數據只有在創(chuàng)造價值的業(yè)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(chuàng)造活動場景中流動，通過促使制造場景中各個環(huán)節(jié)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(xiàn)價值化。

4. 數據在制造業(yè)場景的流動中呈現(xiàn)出交易費用的邊際效應

在制造業(yè)場景中，數據在價值鏈各環(huán)節(jié)不斷循環(huán)流動，但成本并不增加，還呈現(xiàn)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(xiàn)出不斷增加的傾向，并且與交易費用降低現(xiàn)象同時發(fā)生。這個現(xiàn)象可稱為數字化環(huán)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(yè)務場景相關聯(lián)，通過特定價值鏈產生價值，這是工業(yè)大數據的價值化衡量。

3

工業(yè)大數據價值化實現(xiàn)

工業(yè)大數據的價值化實現(xiàn)有三方面因素。

1.工業(yè)大數據預處理與知識發(fā)現(xiàn)

工業(yè)現(xiàn)場環(huán)境惡劣，數據質量差，數據受到設備參數設定、工況、環(huán)境等影響。對工業(yè)數據進行加工和處理時，往往需要專業(yè)的處理技術。

（1）工業(yè)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(tài)下的數據分割出來，做有針對性的信號處理與特征提??；數據清洗：把數據中存在的異常點盡可能剔除，降低對后續(xù)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(qū)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(yè)大數據的數據分析與知識發(fā)現(xiàn)

工業(yè)大數據分析的目標是發(fā)現(xiàn)與完善知識，企業(yè)開展數據分析的目標是為了創(chuàng)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(lián)。為了提高數據分析效率和質量，需要根據不同使用環(huán)境來設計求解過程。

數據分析起源于用戶業(yè)務需求，相同的業(yè)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(xiàn)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(tài)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(fā)現(xiàn)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(yè)務需求和數據條件。

2.工業(yè)大數據分析主要類型

根據業(yè)務目標的不同，工業(yè)大數據分析可以分為四種類型。

描述型分析：用于回答“發(fā)生了什么”“是什么”的問題。工業(yè)企業(yè)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(yè)務數據的各種統(tǒng)計特征，以可視化方式呈現(xiàn)數據的業(yè)務含意。

診斷型分析：用于解答“為什么會這樣”的問題。工業(yè)企業(yè)在生產、銷售、管理、設備運行過程中出現(xiàn)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(lián)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(fā)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(fā)生的結果或出現(xiàn)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(fā)生的問題，找出適當的解決方案，并推動工作不斷優(yōu)化。

針對不同的業(yè)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(yè)務目標可以有不同的實現(xiàn)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(fā)現(xiàn)也會不一樣，這就更加依賴對實際業(yè)務問題的理解深度。業(yè)務價值模型需要對數據的精確解讀，再加上從業(yè)務需求本身和價值創(chuàng)造方面的總體考慮。

3.價值創(chuàng)造思維是決定性因素

工業(yè)場景下的數據只是對業(yè)務執(zhí)行狀態(tài)的采樣性描述，雖然這種數字化描述方式實現(xiàn)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(lián)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(yè)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(fā)現(xiàn)工具來解決業(yè)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(yè)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(yè)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(fā)質變，創(chuàng)造新的信息和知識，催生新業(yè)態(tài)新模式，培育經濟發(fā)展新動能。但其本質還是基于業(yè)務價值的模型化分析，借助AI技術平臺建立不斷優(yōu)化的價值化路徑，主要包含兩個并行方向：

一是存量優(yōu)化。利用成熟的AI技術實現(xiàn)企業(yè)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(tǒng)等；初步分析：工藝流程優(yōu)化、能采購計劃、設備預測性維護等；深度分析：智能供應鏈優(yōu)化、設備檢測與診斷、調度方案生成等。

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

當前，對于工業(yè)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(yè)大數據的價值化過程和實現(xiàn)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(fā)現(xiàn)并實現(xiàn)工業(yè)大數據的價值?！?