關于對大數據的理解慧都大數據金喜正規買球相關的文章已經講過多次。而現在隨著《中國智能制造2025》的提出，工業大數據也逐漸進入群眾的視野，然而很多人會問“工業大數據”到底該講什么，才不至于以偏概全？或者說，理論體系應該包含哪些內容？ 下面小編我將結合一點原則性的觀點，從理論中剖析工業大數據。

1、大數據的意義：從DIKW體系的角度看

如果用DIKW體系的觀點解釋大數據的意義：將人類帶入智能社會。大數據能夠把人類帶入智能社會的核心優勢在于“知識”的生產和應用。我們把智能理解為“感知、決策和執行”的統一，則大數據能很好地提供“感知”和“決策”所需要的知識。

2、工業大數據與業務系統的關系：概念

很多人把數據和大數據混淆起來。一個典型的表現是把業務系統（如MES、ERP）的功能說成大數據的應用，似乎只要數據都是大數據。慧都大數據認為業務系統的數據，側重于數據用于完成特定業務的一次利用。數據作為信息的載體，數據的生命周期相對較短。

大數據則側重數據的二次利用或重復利用，數據主要作為知識的載體。當然：大數據主要由業務系統（如ERP、MES）產生、積累，并最終服務于業務系統。

3、大數據的特征：甲乙方的視角

甲乙雙方看待大數據的特征是不同的。

其中，甲方就是希望通過大數據創造價值、改進業務的業務人員，而乙方是幫助甲方實現目標的IT技術人員。

大數據的甲方視角：有三個特征（樣本=全體等，后面詳細展開），都與獲取知識相關。而獲取了知識才能創造價值。大數據的乙方視角即“4V特征”。這四個特征關注的是IT技術人員數據處理的困難。

顯然，乙方的工作應該服從甲方的業務需求。從這個意義上講，乙方可能遇到4V涉及的困難、也可能遇不到，視甲方的實際情況而定。

4、大數據與知識獲取的可行性（甲方視角、大數據特征）

（從甲方看）大數據的價值在于產生知識。人們經常提到的大數據的幾個特征（樣本=全體、相關非因果、混雜性），都可以歸結為便于獲得知識。

l 樣本=全體

解決知識的存在性問題。人類的一切知識都來源于歷史；如果大數據能夠完整地記錄歷史，就會蘊含知識。這一點強調的是樣本分布的完整性。

l 不拘泥于因果

一般說法的是“相關關系而非因果關系”，而我將其改為“不拘泥于因果”。人類的知識有很多種，一種是說不出來的“默會知識”、一種是說的清楚的知識；而說得清楚的知識又包括理論知識和經驗知識。其中，理論知識是講究因果的；如果有把知識拘泥于因果則是不完備的。所以，“不拘泥于因果”解決了知識完的整性問題。

l 混雜性

本質是知識的可獲得、可驗證性，保證知識的質量。獲得知識的一個本質要求是區分偶然聯系和非偶然聯系。混雜性可以用于解決這個問題。

換句話說，這三個特點保證了知識的存在性、完整性和可獲得性。這就是大數據的意義所在。我們知道：智能制造需要知識才能形成閉環、互聯網可以讓知識的價值放大。所以，在智能制造、工業互聯網的背景下，大數據的價值猛增。

5、知識類型的角度：多角度觀察

慧都大數據一直認為，大數據的價值在于獲得、存儲和運用知識的能力。而“知識”可以分類——可以從多個維度來看：

l 默會知識、經驗知識、理論知識

默會知識就是說不清楚、難以變成程序代碼的感性知識。例如，從圖像中人是一個人、下棋時對“勢”的理解，都是感性知識。

感性知識之外的經驗知識。這些知識說得清楚怎么做，不一定需要說明原因。如某種方法較好、哪條路走的快等——實際上好就是好了，不一定需要解釋。

理論知識就是說得清楚原因、可以解釋、甚至可計算的知識。

如前所述，大數據的優勢在于可以更容易地獲得默會和經驗知識——這在過去是很難的。過去計算機用到的知識，往往需要人們寫成代碼——但這只是人們大腦中的一部分知識。

單純依靠理性知識，難以實現智能化。

l 正向知識（建模獲得）、逆向知識（根因分析）

從原因到結果的知識，我們稱其為正向知識。數學建模過程就是建立正向知識。從結果到原因的知識，我們稱為逆向知識。就是所謂的根因分析。

l 聯系型知識、設計型知識

 因果知識、感性知識等體現的都是信息之間的聯系。而設計型的知識指的是產品、工藝設計等。設計型知識占用的計算機存儲量很大。在大數據時代，設計型知識容易存儲、處理了。

6、大數據獲得知識的途徑：承載知識和提煉知識

用大數據獲得知識有兩種方式：

1. 一種就是數據本身就承載知識；
2. 一種是數據承載的是信息、需要從數據提煉出知識。

第一種典型的就是產品設計數據、各種標準、成功案例等。快速響應、個性化定制的前提和手段，就是這種知識的共享。

對于這些知識，有時候會面臨的困難之一是如何找到它們。而找到這些知識本身就可能是需要獲得的知識。典型的就是谷歌搜索。AI算法對解決這個問題可能是有用的。

第二種知識就是前面說的、通過建模或根因分析得到的知識。工業上對知識是有明確需求的、以至于難以達到；但機理卻是相對明確的。

7、通過大數據獲得價值：轉型升級才能創造藍海

從某種意義上說，大數據創造價值就是促進知識創造價值。這些知識要用在提高質量、效率，降低成本等具體問題上，才能創造價值。

人們遇到的真正困惑，或許是如何找到這些“問題”。這些問題大概可以分成兩類：一類是現有業務的痛點；第二類是轉型升級以后面臨新的要求。

對于業務痛點，往往是：“該做的都做了，剩下的往往是難以做的。”所以，難以找到合適的問題。對于這類困惑，大數據只是手段之一。往往要綜合運用各種手段，大數據才能給創造價值。

對于第二類困惑，往往是業務本身或外部變化引發的。例如，采用了新的生產方式或技術手段、用戶對質量要求提高了、數字化水平提高了、企業的業務重心轉移了（創新和服務的比重增大了）等等。這些變化，我統稱為“轉型升級”。對于這類新的問題，大數據方法比較容易發揮作用。

數據分析曾經被認為是“沒有辦法的辦法”。我把最近突然變熱的原因，歸結到智能制造相關技術引發的企業轉型升級。這時，大數據技術進入了一個藍海。

大數據進入藍海的原因，不僅是獲得知識更方便等原因，更是知識的放大：把知識變成計算機可執行的代碼、實現人機知識的共享，知識在互聯網上實現共享，都會讓知識的價值倍增。從而讓“知識生產”的經濟性大大提升。

總體上看，轉型升級是戰略問題，大數據應用是戰術問題。戰略重點的改變，才能給大數據的應用創造條件。否則，再好的技術都可能成為屠龍之技。

8、大數據建模分析的方法論：算法只是細節問題

談到大數據分析與建模，很多人馬上想到各種算法。在我看來，對數據分析與建模問題來說，算法問題其實是戰術問題——也就是說，還需要有個戰略問題，用來決定分析什么問題、分析問題的次序和路徑等。CRISP_DM就是這個層面上的邏輯。我還想將其邏輯進一步簡化：

1. 明確業務需求；確定需求是真實的、一旦分析成功則具有可行性。
2. 數據分析方法：解決問題的次序和切入點的問題。
3. 分析問題的具體算法。如回歸、決策樹、深度學習等。

其中，前面兩步做得好的話，后面的算法會比較簡單。我總覺得，學術界把算法看得太重、過度重視算法技巧。技巧易于發論文，但不符合工程邏輯。

９、總結

人們關注工業大數據的終極目標是創造價值；方向是提升智能化；核心問題是知識的獲取和應用。用好大數據的關鍵搞清楚戰略和戰術的關系，也就是做什么事情、做事的次序和切入點等問題。單純從分析方法或數據角度看問題，是看不清楚問題全貌的。

慧都工業大數據分析平臺致力于打造國內第一個端到端的工業大數據分析平臺，為企業打通信息化系統、工廠或者車間的工業環境，為企業提供產品全生命周期數據管理和分析方案，讓企業實現生產和運營智能化。

歡迎撥打慧都熱線023-68661681或咨詢，我們將幫您轉接大數據專業團隊，并發送相關資料給您！