工业大数据落地关键点在于业务逻辑
随着移动互联网和物联网的兴起，以及两化融合的发展，工业大数据带来无限想象力，被认为是驱动第四次工业革命的“新电力”。 企业战略也随之发生巨大的转变，从业务驱动转向“数据驱动”。然而要如何从海量的工业数据背后挖掘其有效信息，分析转化为指导决策和行动的智能，却还面临诸多挑战。一、工业大数据落地难 业务逻辑是重要前提
相较于人们常说的互联网大数据，工业大数据显然难度升级。互联网大数据时常是一种关联的挖掘，是发散的分析，而工业大数据具有很强的目的性；此外，工业大数据极其复杂，不仅仅是因为需要与企业复杂的业务结合，还要和企业的工艺、生产、产品、产线相结合，里边的专业性极强。
二、无业务规则，算法无意义
在给工程机械行业客户做大数据模型时，其中一个关于客户流失的算法模型前面规则就有11个：模型判断客户流失的标准怎么设定？合同的逾期还是回款逾期，逾期怎么分等级，三个月逾期电催，六个月逾期面催，九个月进入不良债权，可能要做诉讼，十二月可能要拖车。这是它特有的行业业务的规则，如果你不懂业务规则，做出来的算法便没有意义。
他还透露道，为这个客户做业务模型时候，他们先期对其业务梳理分解，形成了100多个业务流程，并据此诊断出了520个数据的流程断点图，这些断点的数据可以清晰的反馈着企业业务的效率升降、资金的流向以及客户是否流失。
三、企业落地的1个关键和3个核心点
“不是所有的数据都是大数据”，其实社会数据早就有，质量数据也早就有。但是这个数据里到底能否得到我们想要的信息解决价值增值问题，比如什么样的产品适合什么样用户？并非所有的数据都是有效的。
而要让辛苦搜集来的工业大数据在企业中发挥效用，理解业务逻辑是其关键：首先需要找到与数据相匹配的核心业务结构，找出数据所在位置，接着再将数据进行汇总和打通，进而还原数据活动过程即建立模型。但是在企业或者学界进入数据模型之后，做算法之前常会出现断层，只有做好业务模型这个关键基础前提，才能让落地完美承接。
尽管大数据的研究层出不穷，其营销也时常带来惊人效果。但大数据也并非高深莫测，工业大数据能不能在企业中落地，只需牢记3个核心点即可：①出发点：企业追求的是带来多少效益；②关键点：先深入了解业务，建立业务模型再建数据模型；③持续点：算法模型的成功并非一蹴而就，在建立起来后还需要不断训练并与业务模型匹配。
页:
[1]