如何实现智能制造是大家都关心的问题。从哈佛商学院的迈克尔·波特到宾夕法尼亚大学沃顿商学院，有一个普遍的共识，即数字化转型是智能制造实现的途径。重要的是，这个共识也来自与众多的世界级制造业企业与企业家们。

这一共识是基于无数技术趋势的融合，例如，物联网，赛博系统(CPS)，工业物联网，移动技术，人工智能，云计算，虚拟／虚拟增强现实（VR／AR），大数据分析等。我们一定要保持清醒，不要简单认为有了这些技术，未来五年就是制造业的黄金时期，应为道理很简单，这个新制造业文化的变革的进程是相当复杂和缓慢与艰难的，没有行业与企业与用户的融合推进，我们是无法实现这次变革的。数字化转型不仅仅意味着企业简单的数字化，而是把数字作为智能制造的核心驱动力需要利用数据去整合产业链和价值链。

自工业革命以来，为了改进运营，制造商一直以来都在有意采集并存储数据。随着时间的推移，数据在制造业分析的需求将越来越大。然在过去的250年间，利用数据的根本动因并没有改变，但有数据的复杂性增强，以及将数据转化为情报的能力将有越来越大的需求。

2012年高德纳给出德大数据定义里面，特别强调大数据是多样化信息资产，不仅关注实际数据，而最最重要的是关注大数据处理方法。数据量大还是量小本身并不是判断大数据价值的核心指标，而数据的实时性和多元性应该对大数据的定义和价值更具直接的影响。

我们应该如何定义制造业的大数据？这里我和大家通过大数据的三个特性，来经一步了解大数据的特性。

关注1－工业大数据数据来源

工业大数据的主要来源有两个，第一类数据来源与智能设备。普适计算有很大的空间，现代工人可以带一个普适感应器等设备来参加生产和管理。所以工业数据源是280亿左右大量设备之间的关联，这个是我们未来需要去采纳的数据源之一。

第二个数据来源于人类轨迹产生的数据，包括在现代工业制造链中，从采购，生产，物流与销售市场的内部流程以及外部互联网讯息等，都是此类大数据的战场。通过行为轨迹数据与设备数据的结合，大数据可以帮助我们实现客户的分析和挖掘，它的应用场景包括了实时核心，交易，服务，后台服务等。

关注2—数据的关系

数据必须要放到相应的环境中一起分析，这样才能了解数据之间的关系，可以分析出问题的根本原因（rootcause）。譬如，每一款新机型在交付给航空公司之前都会接受一系列残酷的飞行测试。极端天气测试就是多项严酷的测试之一。该测试的目的是为了确保飞机的发动机、材料和控制系统能在极端天气条件下正常运行。

问题的处理关键在于找到产生问题的根源，而以知错误的消除，关键在于解决方案的可靠有效。一旦找到并确定了根本原因，同时产生了可接受的应急措施，就可把问题当成一个已知错误来处理。问题调查的过程一定需要收集所有可用，与事件相关的信息来确定并消除引起事件和问题的根本原因。数据采集与分析必须要事件／问题发生的环境数据结合。

关注3－数据的收益（价值）

对于数字化转型的其他方面而言，大数据不仅要关注实际数据量的多少，而最重要的是关注在大数据的处理方法在特定的场合的应用，让数据产生巨大的创新价值。如果离开了收益考虑或投资回报（ROI）的设计，一味寻求大数据既无法落地也无法为企业创造价值。

本文转自d1net（转载）