《IDC PeerScape：面向工业场景的大数据管理分析平台最佳实践案例》正式发布

IDC于近日发布了《IDC PeerScape：面向工业场景的大数据管理分析平台最佳实践案例》报告，总结了行业用户在应用过程中面临的四大挑战和实践路径，并评选最佳实践案例，为行业用户提供了相关的指导建议，供市场参考。

工业大数据平台的核心价值是建立数据要素全周期流通和价值挖掘体系，以实现覆盖能力、生产效率、数据治理、企业管理、业务生态的全面升级。工业涉及制造、能源、工厂等复杂场景下的视频、图像、文本、语音、日志、文档等结构化数据、半结构化数据和非结构化数据。数据库类型多样，数据质量参差不齐，当前大部分情况下缺少统一的数据标准与管理流程，企业自身水平也难以建设全面的工业大数据管理能力。因此需要外部厂商成熟的一站式大数据管理平台来打通底层数据壁垒，只有确保数据安全自由流通，才能促进上层业务管理升级和经营效率提升。同时，专家经验也发挥着越来越重要的作用，知识即服务（Knowledge as a Service）成为趋势，将业务经验打包成标准化产品服务，以更好地规模化地解决企业的多样化需求。

当前工业大数据应用以单点离散统计分析形式为主，且作业过程难以追溯、数据交互存在壁垒，导致难以发挥规模化集群效应。大部分的工业企业在数字化转型升级中仍处于从0到1的阶段，企业自身掌握了大量的行业knowhow，但缺少与大数据和人工智能技术融合来解决实际问题的经验，比如多设备管理、数据软件打通、趋势预测、知识图谱、设备预测性维护、质量检测等，这就需要厂商在企业服务过程中丰富大数据技术架构，例如存储引擎、分析工具以及行业模型，为厂商打造可解耦灵活适配的功能体系，并贯穿产品线核心环节，完成工业数据的采、存、管、用全流程管理。IDC预测，到2027年，10%的中国500强企业将部署数据和行动反馈循环系统，从而在数据和内容获取和分析投资方面获得更高的回报。

市场面临的主要挑战

数据烟囱和孤岛是导致企业无法扩大规模化生产以及管理低效的主要原因，工业生产涉及ERP、MES、WMS等相关应用系统，数据来源复杂、种类多样、质量参差不齐、数据量较大，客户也逐渐意识到对数据中台、数据统一管理的需求，来搭建专业化数据指标体系；

传统生产和设备控制完全依靠专家经验，而人员的迭代与更加精准化的管理需求迫使企业需要开发模型来实现更加智能的管理，减少人员成本以及能源损耗或提高产品良率，而且工业企业需要一个统一的平台来开发、管理、编排、更新、部署相关业务；

工业场景涉及多种硬件与软件设备维护，任一设备故障都可能导致长时间的维护以及资源浪费，并带来较大的经济损失，而运维这些设备所需人工成本较高，人员管理也更加复杂，且人员技术水平参差不齐，可能无法及时发现并解决故障，这也无法发挥多设备数据源的相互分析作用；

对于大型工业厂商，其具有丰富的行业经验以及一定市场壁垒，面临数字化转型需求以及新兴技术型企业竞争压力时，受限于庞大的组织体系以及技术能力，更需要外部厂商提供一体化的改造能力，这包括云服务、智能计算、数据治理、设备管理、模型开发、预测运维等多样化需求。

IDC观察到，工业大数据平台建设中，数据质量、模型产品化、分级分批验证落地是项目成功实践的关键。

一是数据质量

不同于互联网、金融等信息化较为成熟的场景，工业企业所管理的数据设备种类与数据存储格式多样，采集标准和管理协议各不相同，解决壁垒化、孤岛化的数据存储管理问题是实现企业统一管理与数据流转和价值挖掘的前提，因此厂商大多会从统一的数据采集管理入手，进行数据清洗治理，建立满足各个设备系统要求的标准协议与管理流程，并在此基础上进行数据指标制定、主题库搭建与可视化大屏呈现，将无序的多模态数据变成按照时间和主题等类别整理的数据库，并为后续模型开发训练和分析决策提供支撑。

二是模型产品化

面对厂商在数据统一管理、决策分析、时序预测、可视化、运维、质检、设备维护、运输储配等多样化需求，厂商会在集成数据库、AI、BI等多种外部工具和平台的同时，在上层开发标准化的模型产品，将数据训练后的算法打包成可直接使用的预训练模型，并提供低代码/无代码的拖拽式操作服务来降低使用门槛，以提高项目交付效率。

三是分级分批验证落地

工业大数据平台往往服务周期较长，覆盖前期调研、方案制定、产品开发、落地测试、不断调优、最终落地等多个阶段，且场景要求更加复杂，因此带来的时间、资金、人力和商务投入成本较高。厂商往往在前期阶段分析大数据技术和行业Knowhow融合路径，制定方案分级分批落地，进行短中长期规划并先进行小范围验证以测试可用性，避免无法支撑长期投入或一次性交付导致的建设和使用可持续性不强，也规避陷入过于IT化而缺少实用性的陷阱。

IDC PeerScape报告展示了不同领域和发展阶段的工业企业在大数据平台建设方面的前沿实践案例，展示IT技术如何解决企业问题，帮助更多企业建立符合自己发展特色的大数据平台建设路径。中国长江三峡集团、纳爱斯集团、某能源企业入选工业大数据平台数据统一管理、数据治理类别领导者实践；北京智信远景软件技术有限公司、江苏沙钢集团入选工业大数据平台智能生产类别领导者实践；某市工业互联平台入选工业大数据平台智能运维类别领导者实践，徐工集团、无锡威孚入选工业大数据平台数字化转型、一体化建设类别领导者实践。

对工业大数据管理分析平台的发展建议

云原生湖仓一体是数据管理主要趋势。传统的数据仓库与管理软件无法满足海量数据存储与治理分析需求，厂商可以选择更先进的湖仓一体架构，引入实时数据湖，通过全域数据秒级入湖和加工整理，可以实现快速处理和响应，全面数字化感知生产状态，以保证上层生产和管理的高效进行和精准管控。另外，数据指标体系的搭建离不开规范标准与企业自身特点。

开箱即用的预训练模型是企业关注点。工业企业往往缺少相关技术人员以及模型服务开发能力，服务厂商需要结合底层数据库，支撑海量工业时序和时空数据的聚合、关联分析以及智能预测，开发预训练模型，并结合实际数据来微调，满足服务的快速落地。机器学习平台的MLOps全周期服务能力以及低代码能力是衡量平台质量的关键。

数据与历史经验帮助搭建高效的模型服务。应以该行业相关理论研究以及算法为基础，指导大数据与人工智能模型的建立与使用。另外，应使用尽量多的历史数据，对模型进行训练，并以部分历史数据对模型预测结果进行验证，并在试运营阶段收集使用和运营的经验教训，来分阶段进行更新和推广应用。

实现客户、人员、设备管理升级的多线并行。传统大型企业改造升级周期长、投入成本高，且内部架构较为复杂，在设计统一的顶层规划后，需要划分不同的部门和业务领域，来进行多部门同步部署与跨部门协同交互。