商业智能（BI）的概念最早可以追溯到1958年（HP Luhn提出），从此管理人员基于数据的决策能力不断得到增强。但是，随着时间的流逝，BI也开始显示出其缺点。它旨在处理少量的静态数据，且使用过程相当耗时，更多的专注于描述已经发生的事情，却不能解释发生这些事情的原因，也不具备未来预测的能力。随着大数据、人工智能的兴起，一种能够弥补BI不足的理念以及相关产品正在被越来越多的企业所接纳，有人称之为业务分析（工业大数据分析，Business Analytics），也有人称之为制造业数据分析（Manufacturing Analytics）……我们用工业大数据分析统一指代，这一类应用被定义为类似“广泛使用数据、统计和定量分析，通过解释性和预测性模型以及基于事实的管理来驱动决策和行动”。
工业大数据分析与BI
更直观的来讲，实施工业大数据分析战略或项目的目的是帮助企业更好地了解其业务、运营及其所在的市场。相比BI重点回答“发生了什么”、“多久发生一次”和“在哪里发生”等而言，工业大数据分析更加擅长为企业解释“为什么会发生这些事情”、“如果这种趋势持续下去会怎样”、“将来会发生什么”以及“理想情况是什么”等问题。当然，工业大数据分析只是一大类应用的统称，在特定场景下它有着相应的术语称呼，比如统计分析、趋势预测、预测建模和优化分析等。这些应用的部署应该建基于业务和技术之上，并确实能够为企业提供及时、有效的业务决策支持。
目前，工业大数据分析的定义有很多种，本文第一段借用了Holsapple等人对相似应用提出的一种笼统的定义。该定义还有一部分内容“业务分析与基于证据的、在业务运转中发生的问题识别和解决有关”，这句话细究其实很有特点，其中“证据”与大家通常所提的“数据”有很大差异，因为“证据”包括事实、可靠的度量、合理的估计、合理的近似值、无偏见、可靠的解释和权威的建议等。它不包括任意或毫无根据的猜测、观点、推测、猜想、怀疑或传闻；“决策”被“问题识别和解决”代替，这是一个更具体、更直观的说法。
工业大数据分析是涵盖企业所有业务方面的生态系统，除了能够直观看到的技术之外，企业文化、业务经验、数据、人员及其能力其实都在其生态之中，其最终目标是提高组织绩效并为客户创造价值。从具体功能上来讲，工业大数据分析与BI以及知识管理系统（KDD）的最大区别在于，工业大数据分析通过基于Web的非结构化内容以及基于移动和传感器的内容与结构化数据结合使用以提取价值，它能够充分处理非结构化数据（例如文本、图像、音频和视频）以及实时数据处理，并结合了云计算和分布式计算等技术。在工业互联网的背景下，人机协作也是工业大数据分析体系中的重要一环。
工业大数据分析的应用领域
研发与产品设计：通过提高整个供应链的协同作用缩短新产品上市时间，通过开放式创新缩短产品开发时间，通过市场趋势预测提高供应链管理绩效，通过需求预测实现供需匹配。
生产管理：传感器、物联网（IoT）的集成以及通过数字孪生使得物理和虚拟世界不断融合，真正的“智能工厂”已经逐渐落地。在这些智能工厂中，运营的实时监控可以最大化产量，减少浪费，削减运营和维护成本，优化时间表并支持精益制造项目。
能耗管理：过去，能耗是根据有关特定物理过程能耗的计算得出的。通过数字化产线，可以轻松跟踪每台机床消耗的能量，进而实现优化策略来降低整体能耗。此外，异常的能耗模式可能与所生产零件的质量负相关，从而有助于在生产线的早期发现不符合设计公差的产品。反过来，这还将有助于减少浪费，提高对精益生产实践的遵守程度。
资产利用率：重资产行业需要追求最大的资产回报率（RoA），这对于保证获利能力至关重要。为了实现这个目标，基于工业大数据分析的预测性维护正在解决传统维护方式的弊端，它通过对实际机械状况、运行效率进行定期监控，以实现最大的维修间隔，并最大程度地减少由故障造成的计划外停机次数和成本。
质量管理：与产品设计和制造相关的质量分析任务有四个，分别是分类、优化、描述和预测，据统计数据显示，企业对其中严重依赖于工业大数据分析的质量改进预测投入占据了42%的比例，众多制造业主都对借助工业大数据分析预测提高质量兴趣浓厚。
库存管理：企业可以借助工业大数据分析对物料交货时间、生产时间、审查周期、运输和移动时间、质量保证期限以及每个地点的成本差异等数据进行采集建模分析，最大程度地减少安全库存，从而减少资本投资，同时又能满足现有服务策略。
员工分析：使用工业大数据分析来处理员工工作“生命周期”的各个方面，从雇用到培训和发展，包括保留、分配、薪酬和福利，被称为“员工分析”。优化的劳动力管理不仅可以降低人工成本，从而提高组织的盈利能力，而且可以改善整体运营绩效。
营销、销售和售后支持：工业大数据分析可以在制造业中产生变革性影响的另一个重要领域是市场营销、销售和售后支持领域。对与客户互动的数据进行的分析不仅限于共同创造和开放式创新计划，还可以用于改善营销和销售。
报废或逆向物流：逆向物流涉及回收和再制造以及产品退货，材料的再利用，废物处理，翻新和维修，预测产品的回报率及其需求将有助于设计和构建可靠且有利可图的反向供应链。
工业大数据分析三大挑战
麦肯锡全球研究所（McKinsey Glo工业大数据分析l Institute）研究了制造业中的工业大数据分析采用情况，结果表明，除了少部分数字原生企业和一些积极采用者之外，大多数公司在利用其业务数据的潜在价值方面都不够理想。受访高管表示，缺乏高级管理人员的参与和适当的组织结构来辅助数据和分析的使用是阻碍价值创造的主要障碍。此外，由于传统IT基础架构无法满足数据聚合的急速增长，也阻碍了工业大数据分析的普及。Yamila在《制造业中的工业大数据分析》中，通过TOE模型即技术（T）、组织（O）和环境（E），对影响制造业采纳工业大数据分析方案的因素进行了阐述。
首先，在工业企业中推行工业大数据分析涉及到企业管理人员对投入产出的考虑，同时，工业大数据分析与传统BI以及其他系统应用相比显著不同在于，它对数据的需求是全局的，需要项目能够跨职能部门协同，而且这种全局性、协同性的成功与否，直接决定了最终工业大数据分析项目的成功及其价值的体现，因为有价值的业务洞察力是企业采用工业大数据分析的出发点。在这种背景之下，注定了工业大数据分析的推行必然伴随组织内部的文化及其对数据的处理方式变革。
也因此，“领导支持力”通常被认为是工业大数据分析项目管理的最大挑战。高层管理人员的支持对确保工业大数据分析项目获得必要的资金，并确保企业文化支持工业大数据分析至关重要。同时，高级管理人员还应直接领导必要的组织变革，以将工业大数据分析纳入组织的核心战略构想。为了克服这个最大的挑战，这就要求工业大数据分析项目能够承诺并兑现具体的投入产出价值；其次，要能够体现出数据驱动的决策优于“直觉”，这是因为目前很大一部分决策是基于A计划，而不是着眼于当前某个项目。
第二，适当的技术基础设施仍然是实施工业大数据分析项目的先决条件。毕竟，除非企业能够先收集到足够的数据，否则无法对其进行分析，有收集就还有存储、处理等整个工作流所需要的软硬件基础设施。在当下，工业大数据分析之所以能够替代BI，就在于现在已经有了足够的技术能够支撑工业大数据分析的全工作流的需求。但是，我们也要看到，当下大部分工业企业的基础设施都是上一代甚至上几代的“家底”，一方面他们不希望领域知识或过去的经验，而不是基于数据；跨职能范围以变革性的方式改变企业文；制定长期的B一次性大规模的投入进行升级，另一方面，尽可能的利旧与最佳性价比的解决方案也是人之常情。
这就要求工业大数据分析相关的解决方案必须简单易用，包含所有相关数据并使用标准化术语。此外，所选的解决方案必须强大且灵活，以适应不同的制造企业，并应使用开放标准和清晰规范接口以确保互操作性，即在确保数据、信息和知识集成的同时，支持供应链上不同业务部门之间以及跨企业的信息交换。最后，由于IT解决方案和基础架构是一项长期投资，因此它们必须足够满足当前工业大数据分析项目的要求，同时还能保持随业务发展的灵活性。
最后，物联网等各种数据的大量收集，正在受到人们关于数据隐私、网络安全和责任的担忧的困扰。解决方案供应商应从设计阶段开始就考虑这些问题，并确保向客户披露任何安全缺陷，因为不这样做将使企业承担巨大风险。实际上，网络攻击所带来的后果超出了事件的造成的直接财务价值，比如企业声誉、品牌形象等都将受到不同程度的破坏。
基于大数据分析的虚拟量测
彩虹寄云智能工厂工业大数据项目助力知名平板显示制造企业彩虹集团实现了数据可视化、生产透明化、质量可控化，并获得了综合良品率显著提升，非计划停机、运营成本等大幅减少等多种收益。在这里我们重点给大家分享一下其中的虚拟量测避免翘曲的应用。
对于电子玻璃（平板显示产品）等高端精密制造来说，如果仅仅通过最终产品的质检来反向指导生产过程往往会产生大范围的损失。因为这类制造流程繁杂、漫长，几十上百道工序可能需要几天才能完成一件产品，如果失误发生在较早的上游，那么在发生失误的环节往后所有的产品都会不可逆的成为残次品，直到失误被发现并修正。
虚拟量测可在半导体、显示面板或太阳能产品尚未或无法进行实际质量量测的情况下，利用生产机台参数推算其所生产产品的品质，以进行线上且即时的产品品质预测（以达到生产片全检的效果）、机台效能监控及生产制程改善，如此可即时发现异常，避免重大损失。因此虚拟量测是增强电子玻璃等产品质量可控性、避免发生批量残次品的有效方法。
项目面临的生产、质检等日数据量达千万条，限于之前的存储、查询等能力，这些数据没有实现长期保存，同时还存在封闭数据格式难于融合等挑战，使得集团的质量等分析处于简单的统计层面，数据价值还存在巨大的挖掘潜力。项目采用寄云NeuSeer工业物联网网关实现控制层数据的融合及云端的连接，使得海量生产、设备等时序数据能够持久存储在云端寄云时序数据库中。
在此基础上，通过寄云DAStudio工业大数据建模与分析平台对集团电子玻璃生产的冷端数据（制造过程、检测、事件）和热端数据（DCS/data server）进行关联分析；找到和某一时间段内翘曲变化最为相关的热端关键特征（比如温差）；对影响翘曲的关键特征进行SPC建模，并对特定数据段进行离线检测；最后对产线的相关环节进行实时数据监控，并将监控数据与模型进行实时比对，一旦发现某工序参数偏离模型正常范围，即可实时向工作人员告警并给出调整策略。
