IDC於近日發布了《IDC PeerScape：麵向工業場景的大數據管理分析平台最佳實踐案例》報(bao)告(gao)
，總(zong)結(jie)了(le)行(xing)業(ye)用(yong)戶(hu)在(zai)應(ying)用(yong)過(guo)程(cheng)中(zhong)麵(mian)臨(lin)的(de)四(si)大(da)挑(tiao)戰(zhan)和(he)實(shi)踐(jian)路(lu)徑(jing)，並(bing)評(ping)選(xuan)最(zui)佳(jia)實(shi)踐(jian)案(an)例(li)，為(wei)行(xing)業(ye)用(yong)戶(hu)提(ti)供(gong)了(le)相(xiang)關(guan)的(de)指(zhi)導(dao)建(jian)議(yi)
，供(gong)市(shi)場(chang)參(can)考(kao)。

工業大數據平台的核心價值是建立數據要素全周期流通和價值挖掘體係，以實現覆蓋能力、生產效率、數據治理、企業管理、業務生態的全麵升級。工業涉及製造
、能源、工廠等複雜場景下的視頻
、圖像、文本
、語音、日誌、文檔等結構化數據、banjiegouhuashujuhefeijiegouhuashuju。shujukuleixingduoyang，shujuzhiliangcanchabuqi
，dangqiandabufenqingkuangxiaqueshaotongyideshujubiaozhunyuguanliliucheng
，qiyezishenshuipingyenanyijianshequanmiandegongyedashujuguanlinengli。yincixuyaowaibuchangshangchengshudeyizhanshidashujuguanlipingtailaidatongdicengshujubilei，zhiyouquebaoshujuanquanziyouliutong，cainengcujinshangcengyewuguanlishengjihejingyingxiaolvtisheng。tongshi，zhuanjiajingyanyefahuizheyuelaiyuezhongyaodezuoyong
，zhishijifuwu（Knowledge as a Service）成為趨勢，將業務經驗打包成標準化產品服務

，以更好地規模化地解決企業的多樣化需求。

當前工業大數據應用以單點離散統計分析形式為主
，且作業過程難以追溯、數據交互存在壁壘，導致難以發揮規模化集群效應。大部分的工業企業在數字化轉型升級中仍處於從0到1的階段，企業自身掌握了大量的行業knowhow，但缺少與大數據和人工智能技術融合來解決實際問題的經驗
，比如多設備管理、數據軟件打通、趨勢預測
、知識圖譜、設備預測性維護
、質量檢測等，這就需要廠商在企業服務過程中豐富大數據技術架構
，例如存儲引擎
、分析工具以及行業模型，為廠商打造可解耦靈活適配的功能體係
，並貫穿產品線核心環節，完成工業數據的采、存、管、用全流程管理。IDC預測，到2027年，10%的中國500強企業將部署數據和行動反饋循環係統

，從而在數據和內容獲取和分析投資方麵獲得更高的回報。

市場麵臨的主要挑戰

數據煙囪和孤島是導致企業無法擴大規模化生產以及管理低效的主要原因，工業生產涉及ERP、MES、WMS等相關應用係統，數據來源複雜、種類多樣、質量參差不齊、數據量較大
，客戶也逐漸意識到對數據中台、數據統一管理的需求
，來搭建專業化數據指標體係；

傳(chuan)統(tong)生(sheng)產(chan)和(he)設(she)備(bei)控(kong)製(zhi)完(wan)全(quan)依(yi)靠(kao)專(zhuan)家(jia)經(jing)驗(yan)
，而(er)人(ren)員(yuan)的(de)迭(die)代(dai)與(yu)更(geng)加(jia)精(jing)準(zhun)化(hua)的(de)管(guan)理(li)需(xu)求(qiu)迫(po)使(shi)企(qi)業(ye)需(xu)要(yao)開(kai)發(fa)模(mo)型(xing)來(lai)實(shi)現(xian)更(geng)加(jia)智(zhi)能(neng)的(de)管(guan)理(li)，減(jian)少(shao)人(ren)員(yuan)成(cheng)本(ben)以(yi)及(ji)能(neng)源(yuan)損(sun)耗(hao)或(huo)提(ti)高(gao)產(chan)品(pin)良(liang)率(lv)，而(er)且(qie)工(gong)業(ye)企(qi)業(ye)需(xu)要(yao)一(yi)個(ge)統(tong)一(yi)的(de)平(ping)台(tai)來(lai)開(kai)發(fa)、管理
、編排
、更新

、部署相關業務；

gongyechangjingshejiduozhongyingjianyuruanjianshebeiweihu
，renyishebeiguzhangdoukenengdaozhichangshijiandeweihuyijiziyuanlangfei，bingdailaijiaodadejingjisunshi，eryunweizhexieshebeisuoxurengongchengbenjiaogao，renyuanguanliyegengjiafuza，qierenyuanjishushuipingcanchabuqi
，kenengwufajishifaxianbingjiejueguzhang，zheyewufafahuiduoshebeishujuyuandexianghufenxizuoyong

；

對(dui)於(yu)大(da)型(xing)工(gong)業(ye)廠(chang)商(shang)，其(qi)具(ju)有(you)豐(feng)富(fu)的(de)行(xing)業(ye)經(jing)驗(yan)以(yi)及(ji)一(yi)定(ding)市(shi)場(chang)壁(bi)壘(lei)，麵(mian)臨(lin)數(shu)字(zi)化(hua)轉(zhuan)型(xing)需(xu)求(qiu)以(yi)及(ji)新(xin)興(xing)技(ji)術(shu)型(xing)企(qi)業(ye)競(jing)爭(zheng)壓(ya)力(li)時(shi)
，受(shou)限(xian)於(yu)龐(pang)大(da)的(de)組(zu)織(zhi)體(ti)係(xi)以(yi)及(ji)技(ji)術(shu)能(neng)力(li)，更(geng)需(xu)要(yao)外(wai)部(bu)廠(chang)商(shang)提(ti)供(gong)一(yi)體(ti)化(hua)的(de)改(gai)造(zao)能(neng)力(li)
，這(zhe)包(bao)括(kuo)雲(yun)服(fu)務(wu)、智能計算、數據治理、設備管理
、模型開發、預測運維等多樣化需求。

IDC觀察到
，工業大數據平台建設中，數據質量、模型產品化
、分級分批驗證落地是項目成功實踐的關鍵。

一是數據質量

不同於互聯網、金融等信息化較為成熟的場景，工業企業所管理的數據設備種類與數據存儲格式多樣，采集標準和管理協議各不相同
，解決壁壘化、孤(gu)島(dao)化(hua)的(de)數(shu)據(ju)存(cun)儲(chu)管(guan)理(li)問(wen)題(ti)是(shi)實(shi)現(xian)企(qi)業(ye)統(tong)一(yi)管(guan)理(li)與(yu)數(shu)據(ju)流(liu)轉(zhuan)和(he)價(jia)值(zhi)挖(wa)掘(jue)的(de)前(qian)提(ti)，因(yin)此(ci)廠(chang)商(shang)大(da)多(duo)會(hui)從(cong)統(tong)一(yi)的(de)數(shu)據(ju)采(cai)集(ji)管(guan)理(li)入(ru)手(shou)，進(jin)行(xing)數(shu)據(ju)清(qing)洗(xi)治(zhi)理(li)，建(jian)立(li)滿(man)足(zu)各(ge)個(ge)設(she)備(bei)係(xi)統(tong)要(yao)求(qiu)的(de)標(biao)準(zhun)協(xie)議(yi)與(yu)管(guan)理(li)流(liu)程(cheng)

，並(bing)在(zai)此(ci)基(ji)礎(chu)上(shang)進(jin)行(xing)數(shu)據(ju)指(zhi)標(biao)製(zhi)定(ding)
、主zhu題ti庫ku搭da建jian與yu可ke視shi化hua大da屏ping呈cheng現xian，將jiang無wu序xu的de多duo模mo態tai數shu據ju變bian成cheng按an照zhao時shi間jian和he主zhu題ti等deng類lei別bie整zheng理li的de數shu據ju庫ku，並bing為wei後hou續xu模mo型xing開kai發fa訓xun練lian和he分fen析xi決jue策ce提ti供gong支zhi撐cheng。

二是模型產品化

麵對廠商在數據統一管理
、決策分析、時序預測、可視化
、運維、質檢、設備維護
、運輸儲配等多樣化需求
，廠商會在集成數據庫
、AI、BI等多種外部工具和平台的同時，在上層開發標準化的模型產品
，將數據訓練後的算法打包成可直接使用的預訓練模型，並提供低代碼/無代碼的拖拽式操作服務來降低使用門檻
，以提高項目交付效率。

三是分級分批驗證落地

工業大數據平台往往服務周期較長，覆蓋前期調研、方案製定
、產品開發、落地測試

、不斷調優
、最終落地等多個階段
，且場景要求更加複雜，因此帶來的時間、資金
、人力和商務投入成本較高。廠商往往在前期階段分析大數據技術和行業Knowhow融(rong)合(he)路(lu)徑(jing)，製(zhi)定(ding)方(fang)案(an)分(fen)級(ji)分(fen)批(pi)落(luo)地(di)，進(jin)行(xing)短(duan)中(zhong)長(chang)期(qi)規(gui)劃(hua)並(bing)先(xian)進(jin)行(xing)小(xiao)範(fan)圍(wei)驗(yan)證(zheng)以(yi)測(ce)試(shi)可(ke)用(yong)性(xing)，避(bi)免(mian)無(wu)法(fa)支(zhi)撐(cheng)長(chang)期(qi)投(tou)入(ru)或(huo)一(yi)次(ci)性(xing)交(jiao)付(fu)導(dao)致(zhi)的(de)建(jian)設(she)和(he)使(shi)用(yong)可(ke)持(chi)續(xu)性(xing)不(bu)強(qiang)，也(ye)規(gui)避(bi)陷(xian)入(ru)過(guo)於(yu)IT化而缺少實用性的陷阱。

IDC PeerScape報告展示了不同領域和發展階段的工業企業在大數據平台建設方麵的前沿實踐案例，展示IT技術如何解決企業問題
，幫助更多企業建立符合自己發展特色的大數據平台建設路徑。中國長江三峽集團、納愛斯集團、某能源企業入選工業大數據平台數據統一管理、數據治理類別領導者實踐
；北京智信遠景軟件技術有限公司
、江蘇沙鋼集團入選工業大數據平台智能生產類別領導者實踐；某市工業互聯平台入選工業大數據平台智能運維類別領導者實踐
，徐工集團、無錫威孚入選工業大數據平台數字化轉型、一體化建設類別領導者實踐。

對工業大數據管理分析平台的發展建議

雲(yun)原(yuan)生(sheng)湖(hu)倉(cang)一(yi)體(ti)是(shi)數(shu)據(ju)管(guan)理(li)主(zhu)要(yao)趨(qu)勢(shi)。傳(chuan)統(tong)的(de)數(shu)據(ju)倉(cang)庫(ku)與(yu)管(guan)理(li)軟(ruan)件(jian)無(wu)法(fa)滿(man)足(zu)海(hai)量(liang)數(shu)據(ju)存(cun)儲(chu)與(yu)治(zhi)理(li)分(fen)析(xi)需(xu)求(qiu)

，廠(chang)商(shang)可(ke)以(yi)選(xuan)擇(ze)更(geng)先(xian)進(jin)的(de)湖(hu)倉(cang)一(yi)體(ti)架(jia)構(gou)，引(yin)入(ru)實(shi)時(shi)數(shu)據(ju)湖(hu)，通(tong)過(guo)全(quan)域(yu)數(shu)據(ju)秒(miao)級(ji)入(ru)湖(hu)和(he)加(jia)工(gong)整(zheng)理(li)
，可(ke)以(yi)實(shi)現(xian)快(kuai)速(su)處(chu)理(li)和(he)響(xiang)應(ying)，全(quan)麵(mian)數(shu)字(zi)化(hua)感(gan)知(zhi)生(sheng)產(chan)狀(zhuang)態(tai)，以(yi)保(bao)證(zheng)上(shang)層(ceng)生(sheng)產(chan)和(he)管(guan)理(li)的(de)高(gao)效(xiao)進(jin)行(xing)和(he)精(jing)準(zhun)管(guan)控(kong)。另(ling)外(wai)，數(shu)據(ju)指(zhi)標(biao)體(ti)係(xi)的(de)搭(da)建(jian)離(li)不(bu)開(kai)規(gui)範(fan)標(biao)準(zhun)與(yu)企(qi)業(ye)自(zi)身(shen)特(te)點(dian)。

kaixiangjiyongdeyuxunlianmoxingshiqiyeguanzhudian。gongyeqiyewangwangqueshaoxiangguanjishurenyuanyijimoxingfuwukaifanengli，fuwuchangshangxuyaojiehedicengshujuku，zhichenghailianggongyeshixuheshikongshujudejuhe
、關聯分析以及智能預測，開發預訓練模型，並結合實際數據來微調
，滿足服務的快速落地。機器學習平台的MLOps全周期服務能力以及低代碼能力是衡量平台質量的關鍵。

shujuyulishijingyanbangzhudajiangaoxiaodemoxingfuwu。yingyigaixingyexiangguanlilunyanjiuyijisuanfaweijichu，zhidaodashujuyurengongzhinengmoxingdejianliyushiyong。lingwai，yingshiyongjinliangduodelishishuju
，duimoxingjinxingxunlian，bingyibufenlishishujuduimoxingyucejieguojinxingyanzheng，bingzaishiyunyingjieduanshoujishiyongheyunyingdejingyanjiaoxun，laifenjieduanjinxinggengxinhetuiguangyingyong。

實現客戶、人員
、設備管理升級的多線並行。傳統大型企業改造升級周期長
、投(tou)入(ru)成(cheng)本(ben)高(gao)，且(qie)內(nei)部(bu)架(jia)構(gou)較(jiao)為(wei)複(fu)雜(za)
，在(zai)設(she)計(ji)統(tong)一(yi)的(de)頂(ding)層(ceng)規(gui)劃(hua)後(hou)，需(xu)要(yao)劃(hua)分(fen)不(bu)同(tong)的(de)部(bu)門(men)和(he)業(ye)務(wu)領(ling)域(yu)，來(lai)進(jin)行(xing)多(duo)部(bu)門(men)同(tong)步(bu)部(bu)署(shu)與(yu)跨(kua)部(bu)門(men)協(xie)同(tong)交(jiao)互(hu)。