優瑪軟體工業大數據怎麼解決

『壹』 工業大數據應用難點有哪些

工業大數據應用難點有：櫻困如

一是大數據技術的運用困難，存在數據不足、數據信噪比低以及數據分析難度高等問題。

二是大數據給信息安全帶來新挑戰，如工業大數據加大了隱私泄露的風險，對現有存儲和安全措施提出了更高要求，以及大數據正在被運用到新的攻擊手段中。

目前，工業大數據在產品創新設計、產品故障診斷與預測、供應鏈的分析和優化、產品銷售預測與大數據營銷、生產計劃與排程、產品質量管理與分析等場景有廣泛的應用。「數據是工業互聯網的血液。」何友如此描述大數據與工業互聯網的互為動力。

不過，由於工業大數據數據價值密度高，數據類型繁多，多尺慶源異構的機構化數據和非結構化數據並存，數據處理實行性要求也非常高，數據關系和關聯性異常復雜等特徵，脊啟企業如何從數據統計分析能力轉變為大數據分析、預測和決策能力，促進傳統工業升級改造和產業整合，是目前要解決的核心關鍵問題。

『貳』 工業大數據可視化的難點有哪些

隨著工業互聯網的不斷深化，必然會造成MOM/MES、ERP等傳統工業應用和系統的形態發生天翻地覆的改變。而製造業分析、生產分析正在成為發達國家爭相進入的一個熱門領域，當然，這里的「分析」是完全不同於傳統工業場景下的「統計分析」、「故障分析」等，這是一種結合了物聯網、大數據和人工智慧等先進技術的新型的「大數據分析」。（內容轉載自寄雲科技）

工業大數據分析應用的獨特之處如果細究其實是很多的，通過提供更具針對性和可操作性的見解，數據分析可以簡化製造運營，從而幫助企業持續優化生產線。以下是在製造業中使用數據分析的六種場景，它們可以顯著改善整個運營！
一、從被動式到主動式維修
製造系統往往在超負荷狀態下運行，任何工作中斷都可能導致螺旋式上升的損失。即便如此，大部分公司採用的解決停機問題的最佳方案只不過是等故障發生後再解決的方式。到目前為止，這種反應性系統還在被採用，是因為顯然缺少更好的替代方案。通過整合大數據分析，企業可以開發能夠持續衡量自身維修需求的製造系統。這種特性賦予了製造系統在許多情況下進行自我修復的能力，並為不太容易解決的情況提供早期警報。更重要的是，數據分析可以洞悉哪些組件最常發生故障，從而幫您從被動式維修提升為主動式維修。
二、提高機器利用率和有效性
製造商遇到的最大問題之一是進入低效運轉的境況。雖然主觀上他們希望構建高效的製造鏈，但由於安裝不當、使用不當或僅缺乏停機時間協調，各種不同的因素都可能會成為降低生產線整體效率中的關鍵。
通過將現有的物聯網系統與強大的製造業預測分析相結合，企業可以實時洞察其生產線在微觀和宏觀上的運行狀況。追蹤單台機器的停機時間如何影響整個製造鏈，或者探索不同的配置如何提高整體效率，這不是「痴人說夢」，而是必須要做到的。生成可操作的數據以使企業在整個製造過程中實現真正的改進，是將分析應用於製造業的主要優勢。

三、更好地產品需求預測
每個製造商都知道他們不僅在為當前已有的訂單生產產品，而且還在為不久的將來可能出現的需求訂單生產產品。需求預測很重要，因為它們能夠指導生產鏈，如果預測失誤，可能產生「一邊是強勁的銷售量」，而「另一邊卻是工廠缺乏大量的相應配件庫存，無法滿足需求」。對於大多數公司而言，預測是基於前幾年的歷史數據價值，而不是基於更具可行性的前瞻性數據。但是，製造商可以將現有數據與預測分析相結合，以更精確地預測購買趨勢。這些預測性見解不僅基於先前的銷售，還基於流程以及生產線的運行狀況，從而可以更明智地進行風險管理並減少生產浪費。
四質量預測提高良率
質檢是對已經生產出來的產品的質量檢測，一方面可以保障企業能夠對外提供合格產品，另一方面也能通過質檢反映生產過程的疏漏。質檢出的殘次品無論多少對企業都是損失，如果能夠在產品產出之前就通過產線狀態及相關生產數據分析預測出產品質量，並將生產流程調整為最佳產出狀態以避免殘次品，這就是質量預測。質量預測的場景在半導體等高端製造領域是剛需，屬於虛擬量測的范疇。
虛擬量測依賴於完善的物聯網系統及強大的數據接入、存儲和分析等能力，以往囿於技術水平虛擬量測只能基於有限的統計分析手段，而現在有了大數據、物聯網等先進技術的支持，基於大數據分析的虛擬量測已經成為現實。

五、全面掌控製造供應鏈
采購是大多數公司供應鏈的標准組成部分，但同時它也是一個很容易被忽略的地方，尤其當企業忙於改善其他方面時。從一個有問題的供應商或者每個配件貴幾分錢的供應商開始檢查，當然一個配件幾分錢的差額可能看起來無足輕重，但是，如果企業每天生產數千種產品，那麼這里或那裡的一分錢可能在總賬簿上積少成多會變成數千元。數據分析可以幫助製造企業了解生產生命晌銀周期中每個組件的成本和效率，甚至可以追溯到企業供應商的運輸車輛。通過可視化各種因素如何影響最終結果，高級分析可以芹唯幫助企業做出更好的決策。如果某些配件經常出現故障，或者沒有完全滿足生產需求，那麼在這些不起眼的問題釀成嚴重後果之前，製造數宴首宴據分析將能夠幫助企業發現它們。
六、更好地物流倉儲管理
製造過程中另一個經常被忽視的方面是倉儲。一旦產品准備好運輸後，必須先放入倉庫，然後再出發前往目的地。在這一階段，可謂是分秒必爭。尤其是在這個日益接受「剛剛好」和零庫存模型的世界中。
管理倉庫可不是簡單地為等待運輸的產品尋找空間。建立有效的倉儲結構，更好的產品流程管理和最有效的補貨程序可以改善運營效率實現盈利。先進的分析功能可以讓企業更容易領會改善庫存的方法進而更好地管理倉庫。
生產分析軟體的本質是收集和處理海量數據，並從中發現可用的見解。其通過自動化的手段對製造企業內外部各類數據進行採集、處理，同時，它的分析結果、可視化產出也是可以跨越多種企業架構，為上至公司首席執行官、下至車間經理提供符合各自許可權的服務。而億信華辰的數據分析軟體ABI正好可以完美解決各種數據分析問題。

『叄』 大數據可視化能解決哪些問題

你好！很高興為你解答:(1)數據規模大,已超越單機、外存模型甚至小型計算集群處理能力的極限,而當前軟體和工具運行效率不高,需探索全新思路解決該問題;(2)在數據獲取與分析處理過程中,易產生數據質量問題,需特別關注數據的不確定橘帶腔性;(3)數據快速動態變化,常以流式數據形式存在圓衫,需要尋找流數據的實時分析與可視化方法;(4)面臨復雜高維行拆數據,當前的軟體系統以統計和基本分析為主,分析能力不足;(5)多來源數據的類型和結構各異,已有方法在非結構化、異構數據方面支持不足。

『肆』 智能製造：工業製造中的大數據分析

搞清出工業大數據分析，第一步我們應該如何定義製造業的大數據？這里我和大家通過大數據的三個特性，來經一步了解大數據的特性。

1

關注＃1 －工業大數據數據來源

工業大數據的主要來源有兩個，第一類數據來源與智能設備。普適計算有很大的空間，現代工人可以帶一個普適感應器等設備來參加生產和管理。所以工業數據源是280億左右大量設備之間的關聯，這個是我們未來需要去採納的數據源之一。

第二個數據來源於人類軌跡產生的數據，包括在現代工業製造鏈中，從采購，生產，物流與銷售市場的內部流程以及外部互聯網訊息等，都是此類大數據的戰場。通過行為軌跡數據與設備數據的結合，大數據可以幫助我們實現客戶的分析和挖掘，它的應用場景包括了實時核心，交易，服務，後台服務等。

2

關注＃2 －數據的關系

數據必須要放到相應的環境中一起分析，這樣才能了解數據之間的關系，可以分析出問題的根本原因（root cause）。譬如，每一款新機型在交付給航空公司之前都會接受一系列殘酷的飛行測試。極端天氣測試就是多項嚴酷的測試之一。該測試的目的是為了確保飛機的發動機、材料和控制系統能在極端天氣條件下正常運行。

問題的處理關鍵在於找到產生問題的根源，而以知錯誤的消除，關鍵在於解決方案的可靠有效。一旦找到並確定了根本原因，同時產生了可接受的應急措施，就可把問題當成一個已知錯誤來處理。問題調查的過程一定需要收集所有可用，與事件相關的信息來確定並消除引起事件和問題的根本原因。數據採集與分析必須要事件／問題發生的環境數據結合。

3

關注＃3 －數據的收益

對於數字化轉型的其他方面而言，大數據不僅要關注實際數據量的多少，而最重要的是關注在大數據的處理方法在特定的場合的應用，讓數據產生巨大的創新價值。如果離開了收益考慮或投資回報的設計，一味尋求大數據既無法落地也無法為企業創造價值。

工業大數據分析的定義

生產執行系統（MES）與飛機發動機 健康 管理系統如出一轍。我們可以從工廠的生產中，實時採集到海量的流程，變數，測量結果等數據。這些數據來源的原因都是因為在製造環境中，設備或資產連接後所產生的現象。然而基於大量數據集而生成的報表，或是基礎統計的分析並不足以稱之為製造業的大數據分析。

所以如果製造業大數據分析不僅僅意味著數據的量，作為一個行業，我們應該如何定義製造業的大數據分析？「大數據不僅僅是大量的數據」這句話裡麵包含了多重涵義。

當代大數據處理技術的價值在於技術進步，同時也是因為技術進步，使大數據成為商業中有價值的核心驅動因素。作為智能製造的三駕馬車之一，工業大數據分析已經被多數的製造企業所認知並接受。許多製造業企業認為自己在生產運營方面也累積了大量的數據，是時候可以用到大數據了。

數據類型的多樣性

大數據不僅僅是大量的數據的堆積。大數據的重要屬性之一，便是，人們設法收集，並弄清楚，不斷變化的數據類型。如果只是大量採集同一類型的數據的話，再大的數據量都不能稱之為大數據。

數據必須包括高度可變性和種類多樣性。製造工廠中存在無數的大數據應用，但並不包括簡單地分類和展示一連串的流程測量結果，這些工作基本的統計展現就可以完成。一些大數據資料庫或數據湖的構成部分數據類型也是文本信息、圖像數據、地理或地質信息和非結構信息，例如，通過社交媒體或其他協作平台獲得的數據類型。

製造業信息結構概括起來分為兩層，一個是管理層，一個是自動化層。從經營管理，生產執行與控制三個緯度來實現決策支持、管理、生產執行、過程式控制制以及設備的連接與感測。製造業中大數據分析是指利用通用的數據模型，將管理層與自動化層的結構性系統數據與非結構性數據結合，進而通過先進的分析工具發現新的洞見。

大數據分析對生產的意義

製造業的創新的核心就是要依託大量的前沿 科技 。先進的技術是創新的手段。在新技術的支持下，可以通過一體化的製造運作管理系統MOM將企業管理應用系統，例如ERP，MES等系統與工業自動化的相關系統整合為一體。

從兩化融合的角度來看，信息系統供應商要從企業的主信息系統提供商定位來做好規劃、標准、功能設計、實施策略的統一性工作。協助企業做好風險控制，降低投資，降低操作維護成本，實現企業信息系統全集成。

『伍』 一文讀懂工業大數據的脈絡

一文讀懂工業大數據的脈絡

工業大數據不同於大數據，具有自己獨特的特徵。本文著重從工業大數據的定義與范疇、來源、特徵、技術及應用領域、面臨的問題等，全面剖析工業大數據的方方面面，讓你一文讀懂工業大數據的脈絡！

工業大數據是指在工業領域中，圍繞典型智能製造模式，從客戶需求到銷售、到訂單、計劃、研發、設計、工藝、製造、采購、供應、庫存、發貨和交付、售後服務、運維、報廢或回收再製造等整個產品全生命各個環節所產生的各類數據及相關技術和應用的總稱，其以產品數據為核心，極大延展了傳統工業數據范圍，同時還包括工業大數據相關技術和應用。

——工業大數據來源——

我們所談的工業大數據，不完全等同於企業信息化軟體中流淌的數據，從業界的共識看，主要來源有三類，第一類是企業經營相關的業務數據，這類數據來自企業信息化范疇，包括企業資源計劃（ERP）、產品生命周期管理（PLM）、供應鏈管理（SCM）、客戶關系管理（CRM）和環境管理系統（EMS）等，此類數據是工業企業傳統的數據資產。

第二類是機器設備互聯數據，主要是指工業生產過程中，裝備、物料及產品加工過程的工況狀態、環境參數等運營情況數據，通過MES系統實時傳遞，目前在智能裝備大量應用的情況下，此類數據量增長最快。

第三類是企業外部數據，這包括了工業企業產品售出之後的使用、運營情況的數據，同時還包括了大量客戶、供應商、互聯網等數據狀態。

——工業大數據特徵——

筆者曾就工業大數據特徵及數據驅動工業價值創造等話題，專門采訪過工業大數據領域知名專家——美孫好辯國科學基金會（NSF）智能維護系統（IMS）中心主任李傑教授，他表示：工業大數據與互聯網大數據最大的區別在於工業大數據有非常強的目的性，而互聯網大數據更多的是一種關聯的挖掘，是更加發散的一種分析。

除此之外，兩者在數據的特徵和面臨的問題方面也有不同。有別於互聯網大數據，工業大數據的分析技術核心要解決「3B」問題：

1）Below Surface —— 隱匿性，即需要洞悉背後的意義

工業環境中的大數據與互聯網大數據相比，最重要的不同在於對數據特徵的提取上面，工業大數據注重特徵背後的物理意義以及特徵之間關聯性的機理邏輯則缺，而互聯網大數據則傾向於僅僅依賴統計學工具挖掘屬性之間的相關性。

2）Broken —— 碎片化，即需要避免斷續、注重時效性

相對於互聯網大數據的量，工業大數據更注重數據的全，即面向應用要求具有盡可能全面的使用樣本，以覆蓋工業過程中的各類變化條件、保障從數據中能夠提取以反映對象真實狀態的信息全面性。因此，工業大數據一方面需要在後端的分析方法上克服數據碎片化帶來的困難，利用特徵提取等手段將這些數據轉化為有用的信息，另一方面，更是需要從數據獲取的前端設計中以價值需求為導向制定數據標准，進而在數據與信息流通的平台中構建統一的數據環境。

3）Bad Quality —— 低質性，即需要提高數據質量、滿足低容錯性

數據碎片化缺陷來源的另一方面也顯示出對於數據質量的擔憂，即數據的數量並無法保障數據的質量，這就可能導致數據的低可用率，因為低質量的數據可能直接影響到分析過程而導致結果無法利用，但互聯網大數據則不同，其可以只針對數據本身做挖掘、關聯而不考慮數據本身的意義，即挖掘到什麼結果就是什麼結果，最典型的就是經過超市購物習慣的數據挖掘後啤酒貨架就可以擺放在尿不濕貨架的對面，而不用考慮他們之間有什麼機理性的邏輯關系；

換句話說，相比於互聯網大數據通常並不要求有多麼精準的結果推送，工業大數據對預測和分析結果的容錯率遠遠比互聯網大數據低的多。互聯網大數據在進行預測和決策時，僅僅考慮的是兩個屬性之間的關聯是否具有統計顯著性，其中的雜訊和個體之間的差異在樣本量足夠大時都可以被忽略，這樣給出的預測結果的准確性就會大打折扣。比如當我覺得有70％的顯著性應該給某個用戶推薦A類電影，即使用戶並非真正喜歡這類電影也不會造成太嚴重的後果。但是在工業環境中，如果僅僅通過統計的顯著性給出分析結果，哪襪斗怕僅僅一次的失誤都可能造成嚴重的後果。

——工業大數據技術：演算法與模型——

有了工業數據的大量積累，但並不等於直接的商業收益，中間隔著一道非常關鍵的通道——工業大數據技術。近幾年，很多大數據專家和行業專家也在爭執：數據量重要還是大數據演算法更重要，雙方各執一詞。比如Googole就認為數據量的多寡至關重要，甚至直言：更多的數據勝過更好的演算法。這種觀點與我們意識認知中的「信息越多，就越靠近真相」類似。

而如《The Signal and the Noise》（信號與雜訊，作者NateSilver），這本書裡面的一個觀點是「更多的數據意味著更多的雜訊。信號是真相，雜訊卻使我們離真相越來越遠。」所以，人們需要構建有效的演算法和模型，去識別和認知何為真相。

在這里暫不討論到底是數據量重要還是演算法模型更重要，但針對工業大數據的有效利用，肯定離不開工業大數據的分析技術。

——工業大數據應用領域（場景）——

一、研發設計：主要用於提高研發人員的研發創新能力，研發效率和質量，支持協同設計，具體體現在：（1）、基於模型和模擬的研發設計；（2）、基於產品生命周期的設計；（3）、融合消費者反饋的設計

二、在復雜生產過程優化的應用：（1）、工業物聯網生產線；（2）、生產質量控制；（3）、生產計劃與排程；

三、在產品需求預測中的應用

四、在工業供應鏈優化中的應用

——工業大數據應用發展存在的主要問題——

《工業大數據白皮書2017年版》指出，研究與應用工業大數據，產品大數據是核心，物聯大數據是實現手段，集成貫通是基礎（業務模式、商業和價值驅動、關鍵抽取和應用）。而在實踐過程中，這三個方面都存在不同程度的難點。

《工業大數據白皮書2017年版》封面

1、產品大數據：產品大數據是工業大數據的根源與核心，但工業製造業領域涵蓋十分廣泛，行業種類繁多，產品種類數量龐大且仍在不斷增長，如何規范產品大數據的定義與分類方法，建立規范的、屬性明確的、可查詢可追溯可定位的產品大數據，將是順利應用工業大數據的前提。

2、物聯接入設備：物聯大數據是實現工業大數據暢通流動的必要手段，但在工業實際應用中，工業軟體、高端物聯設備不具備國產自主可控性，物聯接入的高端設備的讀寫不開放，形成設備信息的孤島，數據流通不暢，突破這種束縛是實現工業大數據的關鍵。

3、信息集成貫通：集成貫通的難點在於商業驅動、打通關鍵點和環節，掌控產品源和設備，持續優化。

『陸』 工業製造大數據分析

工業製造大數據分析
大數據不僅僅是大量的數據的堆積。大數據的重要屬性之一，是人們設法收集並弄清楚不斷變化的數據類型。如果只是大量採集同一類型的數據，再大的數據量都不能稱之為大數據。
如何實現智能製造是大家都關心的問題。從哈佛商學院的邁克爾·波特到賓夕法尼亞大學沃頓商學院，有一個普遍的共識，即數字化轉型是智能製造實現的途徑。重要的是，這個共識也來自於眾多的世界級製造業企業與企業家們。
這一共識是基於無數技術趨勢的融合，例如，物聯網、賽博系統(CPS)、工業物聯網、移動技術、人工智慧、雲計算、虛擬／虛擬增強現實（VR／AR），以及大數據分析等。我們一定要保持清醒，不要簡單地認為有了這些技術，未來五年就是製造業的黃金時期。道理很簡單，這個新製造業文化的變革進程是相當復雜和艱難的，沒有行業、企業與用戶的融合推進，無法實現這次變革。數字化轉型不僅僅意味著企業簡單的數字化，而是把數字作為智能製造的核心驅動力，利用數據去整合產業鏈和價值鏈。
自工業革命以來，為了改進運營，製造商一直以來都在有意地採集並存儲數據。隨著時間的推移，數據在製造業分析的需求將越來越大。然而在過去的許多年間，利用數據的根本動因並沒有改變，數據的復雜性增強，數據轉化為情報的能力越來越大。
2012年高德納給出大數據定義，其中特別強調大數據是多樣化信息資產，不僅關注實際數據，更關注大數據處理方法。數據量大小本身並不是判斷大數據價值的核心指標，而數據的實時性和多元性對大數據的定義和價值更具直接的影響。
在討論工業大數據分析的時候，我注意到兩種不同的觀點：
第一種觀點認為，製造業向來都有大數據。幾十年來我們的企業一直在通過歷史記錄、MES、ERP、EAM等各種應用系統採集數據。在部分產業鏈環節，特別在市場營銷方面，大數據算是一個新的熱詞。
第二種觀點認為，從工業大數據角度看，製造業是一個尚未打開的市場或剛剛開啟的市場。存在大量不同類型的數據，但如今它們還未被應用到分析之中。
考慮到這些觀點，面對任何新的市場提法，包括名詞解釋、定義或分析框架，我們始終都應該保持適當的懷疑精神。這里我更多傾向於第二個觀點。我們的製造業的確有「大量數據」，但這並不是我們大多數人從市場上所理解的「大數據」涵義。在搞清楚工業大數據分析之前，我們應該如何定義製造業的大數據？這里可以通過大數據的三個特性，進一步了解大數據的特性。
數據來源
工業大數據的主要來源有兩個，第一是智能設備。普適計算有很大的空間，現代工人可以帶一個普適感應器等設備來參加生產和管理。所以工業數據源是280億左右大量設備之間的關聯，這個是我們未來需要去採集的數據源之一。
第二個數據來源於人類軌跡產生的數據，包括在現代工業製造鏈中，從采購、生產、物流與銷售內部流程以及外部互聯網信息等。通過行為軌跡數據與設備數據的結合，大數據可以幫助我們實現對客戶的分析和挖掘，它的應用場景包括了實時核心交易、服務、後台服務等。
數據關系
數據必須要放到相應的環境中分析，才能了解數據之間的關系。譬如，每一款新機型在交付給航空公司之前都會接受一系列殘酷的飛行測試。極端天氣測試就是測試之一。該測試的目的是為了確保飛機的發動機、材料和控制系統能在極端天氣條件下正常運行。
問題的處理關鍵在於找到可能產生問題的根源，消除已知錯誤，並確保解決方案的可靠有效。一旦找到並確定了根本原因，同時具備了可接受的應急措施，就可把問題當成一個已知錯誤來處理。問題調查的過程一定需要收集所有可用、與事件相關的信息，以確定並消除引起事件和問題的根本原因。數據採集與分析必須要事件／問題發生的環境數據結合。
數據價值
對於數字化轉型，大數據不僅要關注實際數據量的多少，最重要的是關注大數據的處理方法在特定場合的應用，讓數據產生巨大的創新價值。如果離開了收益考慮或投資回報（ROI）的設計，一味尋求大數據，則大數據分析既無法落地也無法為企業創造價值。
工業大數據分析的定義
發動機是飛機的心臟，也是關乎航空安全，生命安全的重中之重。為了實時監控發動機的狀況，現代民航大多安裝了飛機發動機健康管理系統。通過感測器、發射系統、信號接收系統、信號分析系統等方式採集到的數據，會經由飛機通信定址與報告系統，通過甚高頻或者衛星通信傳輸出來，這就是為何GE的發動機監控系統每天會獲取超過1PB數據的原因。
生產執行系統（MES）與飛機發動機健康管理系統如出一轍。我們可以從工廠的生產中，實時採集到海量的流程變數、測量結果等數據。基於大量數據集而生成的報表，或是基礎統計的分析並不足以稱為製造業的大數據分析。
數據類型的多樣性是工業大數據分析的重要屬性
大數據不僅僅是大量的數據的堆積。大數據的重要屬性之一，是人們設法收集並弄清楚不斷變化的數據類型。如果只是大量採集同一類型的數據，再大的數據量都不能稱之為大數據。
例如，生產環境中收集的時間序列模擬流程變數，數據的類型是單一的，很容易建立索引，即使存在千千萬萬，也不足以成為大數據。
數據必須包括高度可變性和種類多樣性。製造工廠中存在無數的大數據應用，但並不包括簡單地分類和展示一連串的流程測量結果，對這些工作，基本的統計展現就可以完成。一些大數據的資料庫或數據湖的構成部分也是文本信息、圖像數據、地理或地質信息和非結構信息，例如，通過社交媒體或其他協作平台獲得的數據類型。
製造業信息結構概括起來分為兩層，一個是管理層，一個是自動化層。從經營管理、生產執行與控制三個緯度來實現決策支持、管理、生產執行、過程式控制制以及設備的連接與感測。製造業中大數據分析是指利用通用的數據模型，將管理層與自動化層的結構性系統數據與非結構性數據結合，進而通過先進的分析工具發現新的洞見。
大數據分析對企業生產智能的意義
製造業創新的核心就是要依託大量的前沿科技。先進的技術是創新的手段。在新技術的支持下，可以通過一體化的製造運作管理系統MOM將企業管理應用系統，例如ERP、EAM等系統與工業自動化的相關系統整合為一體。在一體化製造運作管理的基礎上，我們可以實現集IT+MOM+MES+BI的一體化製造企業信息系統解決方案。
從兩化融合的角度來看，信息系統供應商要從企業的主信息系統提供商（MIV，MainInformation systems Vendor ）定位來做好規劃、標准、功能設計、實施策略的統一性工作。協助企業做好風險控制，降低投資，降低操作維護成本，實現企業信息系統全集成。
特別需要注意的是，企業管理信息平台被普遍認為是製造企業管理的集成和儀錶板工具。許多供應商既大量投資其與ERP和自動化系統專有的集成，也投資開放式集成，還投資儀錶板和移動技術，希望隨時隨地為需要正確信息的決策者提供衡量標准。
製造業大數據分析的三種途徑
途徑一，利用開放技術與平台，將任何系統的數據移動到任何其他地方。
製造運作管理系統建設項目是系統工程，不僅僅是一套我們理解的傳統軟體系統，更多的是項目執行和服務的平台。這需要在項目管理與製造企業的策略「客戶服務」上，體現出製造企業的綜合管理能力與軟實力。
整個平台要從前期、工程實施以及售後服務這三個大的階段來架構。在前期規劃中，要重視標准、設計與實施，特別是與管理一體化的信息系統形成統一的對接。有了前期統一規劃的制定，工程實施的環節可把行業的經驗、集成能力、實施能力、軟體開發能力等融合。特別需要在組織上建立和形成超級團隊的制度。而持續服務、長期經營，將物聯網應用融入與「軟體+雲服務」的互聯網＋戰略是後續服務的考慮重點。
在製造業大數據分析工作中，必須要加強通過物聯網科技的應用對後續持續服務的支撐作業。通過工業物聯網，實現的及時響應客戶、物聯網軟硬體系統定期巡檢、提供應急備件、提供易耗品、完善應用等功能來加強和鎖定與企業的供應鏈企業之間的長期合作。通過管理平台與物聯網數據，可以持續為客戶提供有價值的服務。
途徑二，投資工廠內外系統架構堆棧中能夠處理結構性和非結構性數據的數據模型。
新技術是創新革命的核心，其中很重要一個特點就是集成，即製造運作管理系統MOM與ERP、EAM、OA、商業分析的集成，包括一鍵登錄、界面集成、消息推送、工作流集成、主數據、應用集成匯流排與平台。
由於這些系統之間主數據全部統一，所有系統之間的數據交互依靠應用系統匯流排進行數據交互，整合了跨系統的業務流程、工作流、服務流程等之後即實現無縫集成和分析。對於企業管理者來說，一鍵登錄後，可以根據不同的崗位，個性化制定並且顯示與管理最相關的必要信息。這就是互聯網所帶給我們的分享思路。
途徑三，通過時間序列、圖像、視頻、機器學習、地理空間、預測模型、優化、模擬和統計過程式控制制等先進的分析工具與製造業企業內的大數據平台結合分析，從而洞見尚未顯現的情況。通過感測器、感應器、傳輸網路和應用軟體等物聯網數據，與管理應用軟體結合起來，將是今後製造業大數據分析的一大方向。
培養企業內部大數據分析專家
作為一個行業，我們需要有機地發展行業特定的大數據分析工具集，這樣才能讓現在的行業專家，從足夠的數據科學中實現數字化轉型。為了推動轉型，我們需要一大批優秀的企業利用這種方法，並向其他人或同行證明其價值。

『柒』 怎樣用大數據解決生活中的問題

大數據是一種量大、增長速度快、品類多、價值密度低的數據。新一代信息系統架構和技術，用於對大量、分散的、各種格式的數據進行相關收集、存儲和分析。

大數據的形式包括文字、圖片、視頻等，其多樣化的形式可以幫助人們挖掘有價值的信息。

1、大數據解決生活中的問題——應用於能源

隨著工業化進程的加快，大量溫室氣體的排放，全球氣候發生了變化，因此推動低碳環保顯得尤為重要。將大數據技術應用到能源領域可以為低碳做出巨大貢獻。低碳能源大數據主要由能源信息採集、能源分布式運行、能源數據統計分析、能源調度四個模塊組成。通過這四個模塊，可以科學、自動、高效地實現能源生產和能源管理，實現節能。

2、大數據解決生活中的問題——醫學應用

大數據在醫療領域的應用主要是通過收集和分析大數據進行疾病的預防和治療。患者佩戴大數據設備後，該設備可以收集有意義的數據。通過大數據分析，可以監測患者的生理狀態，從而幫助醫生及時、准確、有效地治療患者。據新華網報道，大數據分析可以讓我們在幾分鍾內解碼整個DNA，找到新的治療方法，更好地理解和預測疾病模式。

3、大數據解決生活中的問題——對於金融業來說

大數據在金融業的主要應用是金融交易。許多股權交易都是使用大數據演算法進行的，大數據演算法可以快速決定是否出售商品，使交易更加簡潔和准確。在這個大數據時代，把握市場機遇，快速實現大數據商業模式創新顯得尤為重要。

4、大數據解決生活中的問題——應用於地理信息

地理信息系統(GIS)需要及時處理相關的空間信息，以及存儲的大量數據和工作任務。將大數據技術合理地應用到地理信息系統中，不僅可以及時處理地理信息，而且可以提高處理結果的准確性。

5、大數據解決生活中的問題——應用於消費

為了在未來的市場中站穩腳跟，建立大資料庫，充分利用大數據技術顯得尤為重要。淘寶、京東等企業將通過大數據技術自動記錄用戶交易數據，對用戶信用進行分析和記錄，形成長期龐大的資料庫，為後續金融業務布局提供徵信和風控數據。

6、大數據解決生活中的問題——應用於製造業

大數據影響生產力，使機器設備在應用中更加智能化、自主化，使生產過程更加簡潔、准確、安全，提高生產能力。此外，大數據技術可以幫助企業了解客戶的偏好，從而生產出市場需要的產品。

你認為大數據已經在我們的生活中無處不在了嗎?在不久的將來，大數據的應用將使我們的生活更美好。

如何用大數據解決生活中的問題?這幾個應用才是大數據工程師關注的，大數據是一種量大、增長速度快、品類多、價值密度低的數據。存儲和分析的新一代信息系統架構和技術，可以點擊本站的其他文章進行學習。

『捌』 如何建設工業大數據可視化系統

1. 深圳市兒童醫院成功部署IBM集成平台與商業智能分析系統
IBM利用其行業領先的大數據與分析技術，支持深圳市兒童醫院搭建信息集成平台，整合原有分散在多系統中的海量數據，實現各部門的信息共享;同時通過商業智能分析對集成數據進行深入挖掘，為醫院各部門人員的科學決策提供全面的輔助，提升醫院的服務水平和管理能力。
2. Informatica幫助紫金農商銀行深挖數據價值
紫金農商銀行ODS數據倉庫項目建設使用Informatica產品完成數據的載入、清洗、轉換工作顯得尤為簡單，圖形化、流程化設計使維護人員能夠快速、順暢的操作，即使數據源結構發生變化，也不會像以前必須修改大量的程序代碼，只需要在PowerCenter中配置一下即可。
3. 華為大數據一體機服務於北大重點實驗室
經過大量的前期調查，比較和分析准備工作，北大重點實驗室選擇了華為基於高性能伺服器RH5885 V2的HANA數據處理平台。HANA提供的對大量實時業務數據進行快速查詢和分析以及實時數據計算等功能，在很大程度上得益於華為RH5885 V2伺服器的高可靠、高性能和高可用性的支撐。
4. IBM攜手漢端科技為飛鶴乳業打造全產業鏈可追溯體系
IBM、漢端科技與中國飛鶴乳業聯合宣布，通過利用IBM業界領先的全面大數據與分析能力，和漢端科技在商業智能領域豐富的行業經驗，飛鶴乳業實現了產品的可追溯與食品安全的數字化管理，完成了系統數字化、透明化、服務化的升級。
5. 浪潮大數據平台大大提升了濟南的警務工作能力
浪潮在幫助濟南公安局在搭建雲數據中心的基礎上構建了大數據平台，以開展行為軌跡分析、社會關系分析、生物特徵識別、音視頻識別、銀行電信詐騙行為分析、輿情分析等多種大數據研判手段的應用，為指揮決策、各警種情報分析、研判提供支持，做到圍繞治安焦點能夠快速精確定位、及時全面掌握信息、科學指揮調度警力和社會安保力量迅速解決問題。
6. 英特爾攜杭州誠道科技構建智能交通
面對大數據挑戰，杭州市和杭州誠道科技有限公司緊密合作，部署了基於英特爾大數據解決方案的誠道重點車輛動態監管系統，通過集中的數據中心將全市卡口、電子警察、視頻監控、流量檢測設備、信號機、誘導設備等有效地連接起來，從交通案件偵破能力、交通警察對機動車輛的監管能力到利用關聯車輛的數據分析能力，都得到了極大提升。
7. 步步高集團借Oracle Exadata 大大提高了IT投資回報率
步步高集團採用 Oracle Exadata資料庫雲伺服器搭建信息化平台，憑借Oracle Exadata資料庫雲伺服器的高擴展性、安全性和冗餘性，步步高集團得以在該基礎架構上運行一系列Oracle零售行業以及Oracle的應用軟體。此外，基於Oracle Exadata的步步高IT新架構比傳統架構擁有更好的性價比，最大限度地增加了IT的投資回報率。
8. 華為Anti-DDoS助阿里巴巴檢測DDoS變革
阿里巴巴現網多個數據中心出口都部署了華為的Anti-DDoS解決方案，平均每天防護的DDoS攻擊次數超過100次，每年達數萬次，峰值防護的DDoS攻擊流量超過100Gbps。如今，DDoS攻擊在阿里巴巴安全工程師眼裡已經習以為常，由華為Anti-DDoS方案自動調度進行清洗防護即可。「雙11」期間，華為Anti-DDoS方案一如既往地成功防護了多輪DDoS攻擊事件，有力保障了阿里巴巴網路交易的順暢平穩。
9. 華為大數據方案在福建移動的應用
為進一步提升外呼成功率，從2014年初開始，福建移動聯合華為公司開展基於大數據的精準營銷工作，採用大數據分析的方法選擇外呼目標價值用戶。基於大數據分析方法和傳統外呼方法分別提供20萬目標客戶清單，在前台無感知下進行對比驗證，確保對比效果不受人為因素影響，經過外呼驗證，基於大數據分析方法較傳統方法外呼成功率提升50%以上，有效支撐了福建移動4G用戶發展戰略。
10. 北京市人民政府「12345」便民電話中心選擇Oracle Exadata 實現便攜服務
為了進一步提升部門的調度能力、辦理水平和群眾滿意度，北京市人民政府「12345」便民電話中心選擇Oracle Exadata資料庫雲伺服器，升級成為北京市非緊急救助服務綜合受理調度平台，通過Oracle Exadata Database Machine支撐起新平台的資料庫訪問需求。升級後的平台能夠整合全市的便民呼叫服務，支撐來自群眾的各類訴求、求助、批評和建議，並可為公眾提供方便、快捷的公共信息服務，真正成為全市的輿情中心、信息匯集中心和城市名片。

11. 民生銀行借IBM BigInsights應對金融業的大數據挑戰
IBM BigInsights大數據解決方案和企業級NoSQL資料庫SequoiaDB合作，為民生銀行搭建低成本、高性能、高可靠且水平擴張的數據平台，幫助民生銀行通過大數據分析應對金融業的大數據挑戰，完善交易流水查詢分析系統,產業鏈金融管理系統，以及私人銀行產品貨架管理系統。
12. 中信銀行信用卡實施EMC Greenplum 數據倉庫解決方案
中信銀行信用卡中心選擇實施EMC Greenplum 數據倉庫解決方案。Greenplum 數據倉庫解決方案為中信銀行信用卡中心提供了統一的客戶視圖，藉助客戶統一視圖，中信銀行信用卡中心可以更清楚地了解其客戶價值體系，從而能夠為客戶提供更有針對性和相關性的營銷活動。基於數據倉庫，中信銀行信用卡中心現在可以從交易、服務、風險、權益等多個層面分析數據。通過提供全面的客戶數據，營銷團隊可以對客戶按照低、中、高價值來進行分類，根據銀行整體經營策略積極地提供相應的個性化服務。
13. 惠普助力雅昌集團掘金大數據
成立於1993年的雅昌集團首創「傳統印刷+IT技術+文化藝術」的商業模式，形成環環相扣的文化產業鏈，為藝術市場提供全面、綜合的一站式服務。基於企業內容數據管理體系，惠普為雅昌搭建了從數據採集、處理、管理到應用的全過程處理流程，使雅昌可以快速利用所需數據，縮短新品上線時間，快速響應市場變化。
14. 德國足球隊採用SAP大數據方案迎戰世界盃
德國足協和SAP公司通過聯合創新引入SAP Match Insights解決方案，該方案基於SAP HANA平台運行處理海量數據，可以為球員和教練提供一個簡明的用戶界面，幫助雙方開展互動性更強的對話，分析球隊訓練、備戰和比賽情況，從而提升球員和球隊的成績。
15. 1號店借Oracle Exadata改善終端客戶體驗
1號店採用Oracle Exadata資料庫雲伺服器成功優化統一整合的數據平台，滿足了不斷增長的業務處理需求，並進一步改善了終端客戶體驗。經過Oracle Exadata整合後的新平台採用混合負載互備架構，將平均處理性能提升7倍，既可以支持目前規劃業務量的業務處理，還能夠隨著業務量的增長進行在線升級、擴容，滿足處理能力和數據量的增長需求。軟、硬體集成設計的Oracle Exadata 協助解決了1號店的I/O瓶頸問題，實現了比傳統架構更高的性能和可擴展性。同時，基於Exadata的1號店IT新架構比傳統架構擁有更好的性價比，最大限度地發揮了IT投資回報率。
16. 大數據在青島銀行：提升銀行交易性能、簡化運營和管理
利用IBM大數據專家PureData，青島銀行能夠高效集成業務數據，簡化運維。PureData for Transactions作為青島銀行重要業務處理系統，能夠在一個系統中整合超過幾十個資料庫，同時提供良好的性能、可用性和可擴展性支持實現廣泛的業務目標，例如地域擴張，突發的業務交易高峰，新櫃面、流程銀行等大規模的業務上線等。
17. Informatica方案幫助南京兒童醫院實現信息互通共享
南京市兒童醫院目前已建成包括HIS、LIS、PACS、電子病歷EMR、醫生工作站、移動護理、病案、財務管理、庫房管理和手術麻醉等幾十個應用系統，這些異構系統間數據調用分散，不能集中統一標准化管理。通過採用Informatica ETL工具構建數據倉庫系統，並基於數據倉庫建設醫院數據調用公共資源中心庫，南京市兒童醫院實現了實時的數據交互和信息共享，干凈、標準的數據為跨應用系統數據關聯分析打下扎實基礎。
18. 東吳大學採用達索系統EXALEAD啟動大數據應用暨產學合作
台灣東吳大學採用達索系統EXALEAD大數據智能應用開發解決方案，全方位地整合校務信息，積極開發校務經營發展的各項應用。此外還將啟動三方產學合作計劃，協助建立校內大數據相關課程、人才培訓和實習機制，使學生自入學就開始不斷提升其未來職場所需的關鍵競爭力，學用合一，實現學校、學生、企業三贏。
19. 網路大腦PK人腦 大數據押高考作文題
為了幫助考生更好地備考，網路高考作文預測通過對過去八年高考作文題及作文範文、海量年度搜索風雲熱詞、歷年新聞熱點等原始數據與實時更新的「活數據」進行深度挖掘分析，以「概率主題模型」模擬人腦思考，反向推導出作文主題及關聯詞彙，為考生預測出2014年高考作文的六大命題方向。

20. IBM助力同仁醫院構築強大的分析體系
同仁醫院通過與IBM合作，同仁醫院建立起了強大的分析能力和體系，包括對臨床、運營、科研、考核等信息的分析，實現智慧的醫院管理與考核;同時也能看到醫療設備的平均故障間隔周期，從而降低了設備的故障率、平均維修時間。這一切都讓工作效率穩步提升，也緩解了病人看病難的問題，提高了患者就醫滿意度。
21. 微軟助上海市浦東新區衛生局更加智能化
作為上海市公共衛生的主導部門，浦東新區衛生局在微軟SQL Server 2012的幫助之下，積極利用大數據，推動衛生醫療信息化走上新的高度：公共衛生部門可通過覆蓋區域的居民健康檔案和電子病歷資料庫，快速檢測傳染病，進行全面的疫情監測，並通過集成疾病監測和響應程序，快速進行響應。與此同時，得益於非結構化數據的分析能力的日益加強，大數據分析技術也使得臨床決策支持系統更智能。
22. 湖南電信通過分析掌握電信市場動向、針對性定製營銷計劃
利用IBM大數據專家PureData，湖南電信實現了通過分析掌握市場整體經營情況、快速制定市場策略以及加強客戶經理營銷維系的高效執行。PureData for Analytics作為湖南電信本地數據集市建設工程重要組成部分，高效整合了湖南電信旗下各本地網數據，為進一步分析創造先機。
23. 攜程借SQL Server增強了數據採集和掌控
作為國內領先的綜合性旅行服務公司，攜程計算機技術有限公司曾面臨分支機構、服務城市和員工數量的增長所帶來的運營數據分散和數據集成難的 IT 問題。藉助微軟SQL Server 2012 商業智能解決方案，攜程增強了其對所有下屬分支機構的數據採集和掌控，大大減少了計劃性停機時間以及非計劃性停機的時間，靈活的部署選項也可以根據攜程的需要實現從伺服器到雲的擴展。
24. 上海公共研發平台部署Oracle Exadata應對擴展需求
上海公共研發平台部署Oracle Exadata資料庫雲伺服器，以應對其系統和應用的擴展需求。Oracle Exadata融合了一系列同類最佳的預配置的伺服器、網路、存儲和軟體，能為數據倉庫和在線事務處理應用程序提供超強性能。上海公共研發平台運行Oracle Exadata期間相對穩定，CPU佔用率控制在5%以內，極大改善了用戶應用體驗。同時，Exadata平台的可擴展性極好的滿足了上海公共研發平台的系統需求，目前整個公共研發平台的20多個應用系統已經全部遷移到Exadata上，應用部署量增長1倍，且運行十分穩定。
25. 360手機衛士10KB解決iPhone騷擾
360手機衛士通過對海量數據的運算和精準匹配下發，將一組大小僅為10KB的數據即1000個騷擾號碼同步到用戶手機上，打造個性化的騷擾號碼資料庫，此外，每天更新的騷擾號碼庫數據，會依據標記趨勢調整騷擾號碼庫中各類數據比例，即每一位360手機衛士用戶手機中的1000個騷擾號碼都是動態的，隨地域、身份以及騷擾趨勢的變化而變化。
26. 神州數碼助張家港市更「智慧」
在張家港實踐的城市案例中，市民登錄這款「神州數碼」研發的市民公共信息服務平台後，市民只要憑借自己的身份證和密碼，即可通過該系統平台進行240餘項「在線預審」服務、130餘項「網上辦事」服務等，還可通過手機及時查看辦事狀態。相比於以前來說，市民辦事的時間最少可以節省一半以上。

27. IBM助中網組委會構建安全和敏捷的內聯網
IBM專門為中網設計了具有實時大數據分析功能的MatchTracker(賽事追蹤系統)，可以為球迷提供數據呈現、計分等功能。 MatchTracker基於IBM SlamTracker分析技術，使球迷能夠利用歷史和實時性數據，洞悉比分之後的態勢和策略。此外，IBM還為中網組委會構建了安全和敏捷的內聯網。
28. Cortana基於微軟Bing大數據預測世界盃
微軟為Cortana增加了世界盃預測的功能，基於微軟Bing大數據，並綜合考慮世界盃各支球隊的過往比賽結果、比賽時間、天氣情況、主場優勢以及其他因素，使用大量的博彩市場公開數據、民意調查、社交媒體以及其它在線數據，利用大數據分析來判斷每場比賽的結果。
29. 中科曙光助同濟大學科研領域再創新高
為了滿足爆炸式增長的用戶和數據量，同濟大學攜手中科曙光，在全面整合雲計算平台和現有資產的基礎上，採用 DS800-F20存儲系統、Gridview集群管理系統，以及Hadoop分布式計算平台構建出了業內領先的大數據柔性處理平台，使得同濟大學在信息學科及其交叉學科研究領域邁上一個新台階。
30. 華為助農行完成海量數據分布式處理的需求
華為向農行提供了良好的計算平台，基於華為RH2288 V2伺服器的分布式並行計算集群進行測試，以及還提供了快速響應客戶需求的研發能力，以及業界最快捷的售後服務。農行的測試結果表明，華為解決方案完全滿足農行對海量數據進行分布式處理的要求。

『玖』 工業大數據應用難點有

工業大數據應用難點有下面這些：

一是大數據技術的運用困難，存在數據不足、數據信噪比低以及數據分析難度高等問題；

二是大數據給信息安全帶來新挑戰，如工業大數據加大了隱私泄露的風險，對現有存儲和安全措施提出了更高要求，以及大數據正在被運用到新的攻擊手段中；純升

此一詞語在2012年隨著工業4.0的概念而出現，也和信息技術行銷流行的大數據有關，工業大數據也意味著工業設備產生的大量數據有其潛在的商業價值。工業大數據會配合工業互聯網的技術，利用原始資料來支援管理上的決策，例如降低維護成本以及提升對客戶的服務。

工業大數據是指在工業領域中，圍繞典型智能製造模式，從客戶需求到銷售、訂單、計劃、研發、設計、工藝、製造、采購、供應、庫存、發貨和交付、售後服務、運維、報廢或回收再製造等整個產品全生命周期各個環節所產生的各類數據及相關技術和應用的總稱。

其以產品數據為核液蠢心，極大延展了傳統工業數據范圍，同時還包括工業大數據相關技術和應用。其主要來源可分為以下三類：第一類是生產經營相關業務數據。第二類是設備物聯數據。第三鬧褲陪類是外部數據。

『拾』 大數據應用須解決三大關鍵點

大數據應用須解決三大關鍵點
大數據應用的關鍵點是數據來源、產品化和價值創造;數據資源分布不均，大數據應用在數據密集領域更易獲得突破;須對不當的行業管理模式進行改革,以促進大數據在已有各個行業中應用。
大數據貴在應用。當前，在國家層面，國務院出台《促進大數據發展行動綱要》;在地方層面，大數據被作為區域發展戰略引擎;在企業層面，各類大數據概念公司方興未艾、蓬勃發展。我們獨關注大數據應用，關注數據從哪裡來、數據怎麼用、成果誰買單，也就是數據來源、產品化和價值創造三個關鍵點。一個好的大數據應用，從技術上可能很復雜，但從業務模式上應當簡單、直白、管用。我們還關注，是否存在若干"數據密集型"行業或領域，大數據應用在這些領域可能更容易開展。在產業政策方面，我們關注作為新興業態的大數據，過去屢試不爽的做法，如給地、給錢、給項目等，是否還會繼續有效?
大數據應用的三個關鍵點
國務院《促進大數據發展行動綱要》(簡稱《大數據綱要》)將大數據定位為"新一代信息技術和服務業態"，賦予大數據"推動經濟轉型發展""重塑國家競爭優勢""提升政府治理能力"的戰略功能，並將數據界定為"國家基礎性戰略資源"。在應用方面，《大數據綱要》在公共領域提出許多發展方向，如宏觀調控科學化、政府治理精準化、商事服務便捷化、安全保障高效化、民生服務普惠化;在產業層面，主要按行業領域劃分為工業大數據、新興產業大數據、農業農村大數據、萬眾創新大數據，以及大數據產品體系和大數據產業鏈。這些方向，只是大數據應用的潛力和空間，能不能應用起來，能不能發揮作用，還得看有沒有可行模式和實際效果。無論是在公共領域還是在產業層面，大數據應用都離不開數據來源、處理技術和方法、創造價值的模式，這是我們關注的重點。概括來說，需要回答下面三個看似簡單、卻是關鍵的問題。(一)數據從哪裡來關於數據來源，普遍認為互聯網及物聯網是產生並承載大數據的基地。互聯網公司是天生的大數據公司，在搜索、社交、媒體、交易等各自核心業務領域，積累並持續產生海量數據。物聯網設備每時每刻都在採集數據，設備數量和數據量都與日俱增。這兩類數據資源作為大數據金礦，正在不斷產生各類應用。國外關於大數據的成功經驗介紹，大多是這類數據資源應用的經典案例。還有一些企業，在業務中也積累了許多數據，如房地產交易、大宗商品價格、特定群體消費信息等。從嚴格意義上講，這些數據資源還算不上大數據，但對商業應用而言，卻是最易獲得和比較容易加工處理的數據資源，也是當前在國內比較常見的應用資源。在國內還有一類是政府部門掌握的數據資源，普遍認為質量好、價值高，但開放程度低。《大數據綱要》把公共數據互聯開放共享作為努力方向，認為大數據技術可以實現這個目標。實際上，長期以來政府部門間信息數據相互封閉割裂，是治理問題而不是技術問題。面向社會的公共數據開放願望十分美好，恐怕一段時間內可望不可及。在數據資源方面，國內"小數據""中數據"應用並不充分，試圖一步跨入大數據時代，借機一並解決前期信息化過程中沒能解決的問題，前景並不樂觀。另外，由於中國互聯網公司業務主要在國內，其大數據資源也不是全球性的。數據從哪裡來是我們評價大數據應用的第一個關注點。一是要看這個應用是否真有數據支撐，數據資源是否可持續，來源渠道是否可控，數據安全和隱私保護方面是否有隱患。二是要看這個應用的數據資源質量如何，是"富礦"還是"貧礦"，能否保障這個應用的實效。對於來自自身業務的數據資源，具有較好的可控性，數據質量一般也有保證，但數據覆蓋范圍可能有限，需要藉助其他資源渠道。對於從互聯網抓取的數據，技術能力是關鍵，既要有能力獲得足夠大的量，又要有能力篩選出有用的內容。對於從第三方獲取的數據，需要特別關注數據交易的穩定性。數據從哪裡來是分析大數據應用的起點，如果一個應用沒有可靠的數據來源，再好、再高超的數據分析技術都是無本之木。(二)數據怎麼用數據怎麼用是我們評價大數據應用的第二個關注點。大數據只是一種手段，並不能無所不包、無所不用。我們關注大數據能做什麼、不能做什麼，現在看來，大數據主要有以下幾種較為常用的功能。追蹤。互聯網和物聯網無時無刻都在記錄，大數據可以追蹤、追溯任何一個記錄，形成真實的歷史軌跡。追蹤是許多大數據應用的起點，包括消費者購買行為、購買偏好、支付手段、搜索和瀏覽歷史、位置信息，等等。識別。在對各種因素全面追蹤的基礎上，通過定位、比對、篩選，可以實現精準識別，尤其是對語音、圖像、視頻進行識別，使可分析內容大大豐富，得到的結果更為精準。畫像。通過對同一主體不同數據源的追蹤、識別、匹配，形成更立體的刻畫和更全面的認識。對消費者畫像，可以精準推送廣告和產品;對企業畫像，可以准確判斷信用及風險。提示。在歷史軌跡、識別和畫像基礎上，對未來趨勢及重復出現的可能性進行預測，當某些指標出現預期變化或超預期變化時給予提示、預警。以前也有基於統計的預測，大數據大大豐富了預測手段，對建立風險控制模型有深刻意義。匹配。在海量信息中精準追蹤和識別，利用相關性、接近性等進行篩選比對，更有效率地實現產品搭售和供需匹配。大數據匹配功能是互聯網約車、租房、金融等共享經濟新商業模式的基礎。優化。按距離最短、成本最低等給定的原則，通過各種演算法對路徑、資源等進行優化配置。對企業而言，提高服務水平、提升內部效率;對公共部門而言，節約公共資源、提升公共服務能力。當前許多貌似復雜的應用，大都可以細分成以上幾種類型。例如，貴州推行的"大數據精準扶貧項目"，從大數據應用角度，通過識別、畫像，可以對貧困戶實現精準篩選和界定，找准扶貧對象;通過追蹤、提示，可以對扶貧資金、扶貧行為和扶貧效果進行監控和評估;通過配對、優化，可以更好地發揮扶貧資源的作用。這些功能也並不都是大數據所特有的，只是大數據遠遠超出以前的技術，可以做得更強大、更精準、更快、更好。(三)成果誰買單成果誰買單是我們評價大數據應用的第三個也是最後一個關注點。道理很簡單，不創造價值的應用不是好應用。我們關注大數據的應用是否實實在在地提升了能力、改善了績效。如果大數據用於自身的產品設計、營銷推廣、資源配置，那就看企業競爭力是不是提升了，看企業最終是不是比以前更賺錢了。如果大數據用於為第三方提供服務，那就看是不是有人願意付費、願意持續付費。但如果是用於公共領域，還要看政府或公共部門的付費值不值，不僅僅是從出資方的視角看值不值，還要從老百姓的視角看值不值。當我們面對一項大數據應用時，只要簡單問一問上面三個問題--數據從哪裡來、數據怎麼用、成果誰買單，就能揭開許多"偽裝"。當然，如果經得起上述"大數據三問"，也並非一定算得上優秀，卻也離優秀的大數據應用不遠了。尋找數據密集型領域既然大數據被視為一種資源，那就要考慮資源分布的問題。一般而言，資源分布是極不均勻的，如水、礦產、耕地、能源等自然資源;人力資源和知識的分布更是不均。大數據是否也存在分布不均的問題?發展大數據產業是否真的能彎道超車?這些問題值得深入思考。與可以探測的自然資源不同，數據資源分布難以定位和刻畫。不過，可以用大數據人力資源分布狀況來間接反映大數據應用在地區、行業間的差異，哪些行業、哪些地區大數據人力資源密集，這些行業和地區就可以看作是數據密集的。我們對兩家主流招聘網站"前程無憂"和"智聯招聘"2014年下半年以來發布的招聘信息進行篩選，得到兩家網站兩年來共發布相關信息涉及企業22.7萬家，職位100.7萬個，數據量確實足夠"大"。通過分地區、分行業進行匯總分析，結果顯示大數據人力資源分布極不均勻，各地區、各行業差異極大。不過，確切來說，通過招聘網站反映的是人才需求情況，並不是嚴格意義上的人力資源存量分布情況，但這兩者是緊密相關的。從大數據相關崗位工作地來看，北京、廣東、上海三地高度密集，遙遙領先於其他地區。三地相加，發布招聘信息企業數在兩家網站佔到52.35%和47.48%，職位數佔到61.23%和56.74%。可以推測，大數據人力資源的半壁江山都集中在這三個地方，這與我們平時的直觀感受是高度一致的。在這三個地方之外，我們關心是不是地方政府重視大數據產業、將大數據作為區域經濟發展引擎，就可能促進人力資源集聚，就可能超越與自己相似經濟發展水平的其他地區。從數據反映情況看，至少目前還看不到這樣的結果，這揭示出人力資源結構是後發地區發展大數據產業最需要彌補的短板和最難克服的困難。改變一個地方人力資源構成的難度要遠遠大於改變地面建築面貌，要麼需要一個長期的過程，要麼需要一個獨特的制度。即便在同一省份內，大數據人力資源分布也極為不均。例如在廣東，單深圳一市就大體佔到了全省的一半。再加上廣州，竟然能夠達到九成。其他地方，即使經濟實力不俗，但與深圳、廣州相比，在大數據人力資源方面相差甚遠。這再次表明，大數據人力資源分布是極不均勻的。顯然，大數據人力資源密集地區發展大數據產業的基礎要優於人力資源貧瘠的地區。從城市排名看，北上深廣可以視作大數據人力資源需求密集的一線城市，杭州、南京、成都、武漢、西安等可以看作二線城市。大數據人力資源分布與城市經濟實力、活力乃至房價水平都是大體一致的。從行業分布看，對大數據人力資源的需求分布更不均勻，主要集中在互聯網、信息技術及計算機相關行業。這充分說明了大數據是互聯網或IT產業的一部分，是在原有基礎上的新發展。這些行業是典型的"數據密集型"行業，是大數據產業發展的搖籃。金融是另一個特別重要的"數據密集"領域。金融行業既是產生數據尤其是有價值數據的基地，又是數據分析服務的需求方和應用地。更為重要的是，金融行業具備充足的支付能力，將是大數據產業競爭的重要戰場。許多大數據是通過在金融領域的應用輻射到了各個行業。除此之外，電信、專業服務(如咨詢、人力資源、財會)、教育培訓、影視媒體、網路游戲等，相對而言也是當前數據較為密集的行業。《大數據綱要》幾乎面面俱到地對所有行業和領域都規劃了大數據應用的廣闊前景，但數據資源分布極為不均，在"數據密集"領域的大數據應用，取得市場成功的可能性較大。大數據需要什麼樣的產業政策大數據應用需要什麼樣的產業政策?從應用的角度來看，大數據並非一個全新的產業，而是與已有產業融合，對已有模式的改造、升級和替代。制約大數據發展的往往並不是大數據本身，而是大數據所應用的行業和領域原本存在的問題，如行業管制、行政壟斷、要素不能自由流動，等等。因此，促進大數據發展，用給地、貼錢、上項目的方法，並不能解決根本問題。要從大數據應用領域角度，對不當的行業管理模式進行改革，對既有利益格局進行調整，使大數據應用具備必要的條件。即使在企業內部，大數據應用也不僅僅是個技術問題，而是涉及業務流程重組和管理模式變革，是對企業管理能力的一個考驗。金融、電信、教育、影視媒體等"數據密集型"行業，既是大數據應用潛力巨大的領域，也是迫切推進行業改革的重點領域。另一方面，大數據的應用也可以為行業改革提供技術支撐，能以更有效的技術路線實現行業發展目標。
大數據應用需要的產業政策其實就是市場經濟下各個行業發展所應有的政策，如放開准入、公平競爭、減輕企業負擔、消除企業所有制歧視、消除企業規模歧視，等等。只有在一個開放的產業環境中，大數據才能在這些產業得以有效運用。一個地方若要在金融、醫療、教育等領域大力推動大數據運用，最管用的政策就是對這些行業進行有力的改革。