《IDC PeerScape：面向工業場景的大數據管理分析平臺最佳實踐案例》正式發布
http://www.debgrams.com 2023-05-23 14:54 來源：IDC
IDC于近日發布了《IDC PeerScape：面向工業場景的大數據管理分析平臺最佳實踐案例》報告，總結了行業用戶在應用過程中面臨的四大挑戰和實踐路徑，并評選最佳實踐案例，為行業用戶提供了相關的指導建議，供市場參考。
工業大數據平臺的核心價值是建立數據要素全周期流通和價值挖掘體系，以實現覆蓋能力、生產效率、數據治理、企業管理、業務生態的全面升級。工業涉及制造、能源、工廠等復雜場景下的視頻、圖像、文本、語音、日志、文檔等結構化數據、半結構化數據和非結構化數據。數據庫類型多樣，數據質量參差不齊，當前大部分情況下缺少統一的數據標準與管理流程，企業自身水平也難以建設全面的工業大數據管理能力。因此需要外部廠商成熟的一站式大數據管理平臺來打通底層數據壁壘，只有確保數據安全自由流通，才能促進上層業務管理升級和經營效率提升。同時，專家經驗也發揮著越來越重要的作用，知識即服務（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于從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系，并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系統，從而在數據和內容獲取和分析投資方面獲得更高的回報。
市場面臨的主要挑戰
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等相關應用系統，數據來源復雜、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臺、數據統一管理的需求，來搭建專業化數據指標體系；
傳統生產和設備控制完全依靠專家經驗，而人員的迭代與更加精準化的管理需求迫使企業需要開發模型來實現更加智能的管理，減少人員成本以及能源損耗或提高產品良率，而且工業企業需要一個統一的平臺來開發、管理、編排、更新、部署相關業務；
工業場景涉及多種硬件與軟件設備維護，任一設備故障都可能導致長時間的維護以及資源浪費，并帶來較大的經濟損失，而運維這些設備所需人工成本較高，人員管理也更加復雜，且人員技術水平參差不齊，可能無法及時發現并解決故障，這也無法發揮多設備數據源的相互分析作用；
對于大型工業廠商，其具有豐富的行業經驗以及一定市場壁壘，面臨數字化轉型需求以及新興技術型企業競爭壓力時，受限于龐大的組織體系以及技術能力，更需要外部廠商提供一體化的改造能力，這包括云服務、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，工業大數據平臺建設中，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
不同于互聯網、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、孤島化的數據存儲管理問題是實現企業統一管理與數據流轉和價值挖掘的前提，因此廠商大多會從統一的數據采集管理入手，進行數據清洗治理，建立滿足各個設備系統要求的標準協議與管理流程，并在此基礎上進行數據指標制定、主題庫搭建與可視化大屏呈現，將無序的多模態數據變成按照時間和主題等類別整理的數據庫，并為后續模型開發訓練和分析決策提供支撐。
二是模型產品化
面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臺的同時，在上層開發標準化的模型產品，將數據訓練后的算法打包成可直接使用的預訓練模型，并提供低代碼/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
工業大數據平臺往往服務周期較長，覆蓋前期調研、方案制定、產品開發、落地測試、不斷調優、最終落地等多個階段，且場景要求更加復雜，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融合路徑，制定方案分級分批落地，進行短中長期規劃并先進行小范圍驗證以測試可用性，避免無法支撐長期投入或一次性交付導致的建設和使用可持續性不強，也規避陷入過于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臺建設方面的前沿實踐案例，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臺建設路徑。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臺數據統一管理、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臺智能生產類別領導者實踐；某市工業互聯平臺入選工業大數據平臺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臺數字化轉型、一體化建設類別領導者實踐。
對工業大數據管理分析平臺的發展建議
云原生湖倉一體是數據管理主要趨勢。傳統的數據倉庫與管理軟件無法滿足海量數據存儲與治理分析需求，廠商可以選擇更先進的湖倉一體架構，引入實時數據湖，通過全域數據秒級入湖和加工整理，可以實現快速處理和響應，全面數字化感知生產狀態，以保證上層生產和管理的高效進行和精準管控。另外，數據指標體系的搭建離不開規范標準與企業自身特點。
開箱即用的預訓練模型是企業關注點。工業企業往往缺少相關技術人員以及模型服務開發能力，服務廠商需要結合底層數據庫，支撐海量工業時序和時空數據的聚合、關聯分析以及智能預測，開發預訓練模型，并結合實際數據來微調，滿足服務的快速落地。機器學習平臺的MLOps全周期服務能力以及低代碼能力是衡量平臺質量的關鍵。
數據與歷史經驗幫助搭建高效的模型服務。應以該行業相關理論研究以及算法為基礎，指導大數據與人工智能模型的建立與使用。另外，應使用盡量多的歷史數據，對模型進行訓練，并以部分歷史數據對模型預測結果進行驗證，并在試運營階段收集使用和運營的經驗教訓，來分階段進行更新和推廣應用。
實現客戶、人員、設備管理升級的多線并行。傳統大型企業改造升級周期長、投入成本高，且內部架構較為復雜，在設計統一的頂層規劃后，需要劃分不同的部門和業務領域，來進行多部門同步部署與跨部門協同交互。
編輯精選
