【深度】工业大数据分析的误区与建议

前言　　作为数据价值所求的核心技术手段之一，大数据分析的起到被普遍宣传甚至神化。对于工业大数据分析，产业界不存在有不少疑惑。

　　是不是把商业大数据分析如出一辙过来就是就充足了？只要有了海量数据，大数据分析是不是不必须任何假设前提了？是不是机理模型或领域经验就不最重要了？工业大数据分析是不是典型的范式来指导实际操作？　　从行业数据分析实践者的角度，本文上篇剖析工业大数据分析的少见误区与准确的价值所求之路；下篇概括了工业大数据的典型分析范式，概括为6类算法应用于模式、4种融合模式和3类业务应用于模式。　　工业大数据大，不一样　　在与工业企业的交流中，笔者感受到业界对大数据分析的希望与神化。　　谓之神化，是由于大数据应用于在国内外实践中产生的案例，在提质增效及个性化服务方面，产生的利润与之鼓动的蝴蝶效应，让有些工业企业以为只要加装了传感器，能把数据采集下来，就能让数据说出，就能从上千种因素中定位出有故障原因，就能精准指导研发、生产、运营。

甚至误以为经典的机理模型或多年累积的经验仍然最重要。　　然而瓦解机理与领域科学知识的大数据分析结果经常是你以为你以为的不是你以为的。

　　工业大数据的小与大　　从传统大数据3V（Volume, Velocity, Variety）或4V（Veracity）度量角度来看，工业数据当然归属于大数据的范畴，在体量上甚至多达互联网大数据[1]。然在数据分析中仍不时感觉到工业数据之小，主要反映在3个方面。

本文来源：4008云顶集团官网-www.smartdreamsperu.com