首发 | 独家专访李杰教授：工业大数据与工业4.0时代的价值创造（二）
首先欢迎您的阅读，长期聚焦工业4.0与智能制造等，独家专访、深度观察、重磅推荐等。
读过之后，您可以1、关注公号；2、转发本文；3、给我留言；连接，让彼此拥有更多。
【声明】：本文为版权文章，由工业4.0俱乐部和军观察公号（junguancha）进行首发，如需转载请联系yinzichengjun。本为为第二篇，三天连续头条发布。本期关注的核心是工业大数据。
【采访嘉宾简介】：李杰（Jay Lee）
美国辛辛那提大学讲座教授，美国国家科学基金会(NSF)智能维护系统（IMS）产学合作中心主任，曾撰写《工业大数据：工业4.0时代的工业转型与价值创造》一书。
李杰教授从2013年起担任美国白宫信息物理系统（CPS）专家组顾问，上海交通大学特聘讲座教授与先进产业技术研究院前瞻顾问。
工业大数据：从创新到价值创造
专访记者：工业大数据来源于供应链和制造流程等众多环节，相比于互联网大数据，两者有何差别？工业大数据具有哪些独有特征？
李杰：工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性，而互联网大数据更多的是一种关联的挖掘，是更加发散的一种分析。除此之外，两者在数据的特征和面临的问题方面也有不同。有别于互联网大数据，工业大数据的分析技术核心要解决“3B”问题：
1）Below Surface ——隐匿性，即需要洞悉背后的意义
工业环境中的大数据与互联网大数据相比，最重要的不同在于对数据特征的提取上面，工业大数据注重特征背后的物理意义以及特征之间关联性的机理逻辑，而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。
2）Broken ——碎片化，即需要避免断续、注重时效性
相对于互联网大数据的量，工业大数据更注重数据的全，即面向应用要求具有尽可能全面的使用样本，以覆盖工业过程中的各类变化条件、保障从数据中能够提取以反映对象真实状态的信息全面性。因此，工业大数据一方面需要在后端的分析方法上克服数据碎片化带来的困难，利用特征提取等手段将这些数据转化为有用的信息，另一方面，更是需要从数据获取的前端设计中以价值需求为导向制定数据标准，进而在数据与信息流通的平台中构建统一的数据环境。
3）Bad Quality ——低质性，即需要提高数据质量、满足低容错性
数据碎片化缺陷来源的另一方面也显示出对于数据质量的担忧，即数据的数量并无法保障数据的质量，这就可能导致数据的低可用率，因为低质量的数据可能直接影响到分析过程而导致结果无法利用，但互联网大数据则不同，其可以只针对数据本身做挖掘、关联而不考虑数据本身的意义，即挖掘到什么结果就是什么结果，最典型的就是经过超市购物习惯的数据挖掘后啤酒货架就可以摆放在尿不湿货架的对面，而不用考虑他们之间有什么机理性的逻辑关系；
换句话说，相比于互联网大数据通常并不要求有多么精准的结果推送，工业大数据对预测和分析结果的容错率远远比互联网大数据低的多。互联网大数据在进行预测和决策时，仅仅考虑的是两个属性之间的关联是否具有统计显著性，其中的噪声和个体之间的差异在样本量足够大时都可以被忽略，这样给出的预测结果的准确性就会大打折扣。比如当我觉得有70%的显著性应该给某个用户推荐A类电影，即使用户并非真正喜欢这类电影也不会造成太严重的后果。但是在工业环境中，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。
专访记者：工业大数据在分析技术要求上会更高，它的核心分析技术体系如何？
李杰：工业大数据的分析技术需要根据使用环境中的分析和决策要求设计，其特征主要体现在以下几个方面：
1）智能的感知：从信息来源、采集方式、和管理方式上上保证了数据的质量和全面性，建立支持分析体系上层建筑的数据环境基础。
2）数据到信息的转化：可以对数据进行特征提取、筛选、分类、和优先级排列，保证了数据的可解读性。
3）网络的融合：将机理、环境与群体有机结合，构建能够指导实体空间的网络环境，包括精确同步、关联建模、变化记录、分析预测等。
4）自我的认知：将机理模型和数据驱动模型相结合，保证数据的解读符合客观的物理规律，并从机理上反映对象的状态变化。同时结合数据可视化工具和决策优化算法工具为用户提供面向其活动目标的决策支持。
5）自由的配置：根据活动目标进行优化，进而通过执行优化后的决策实现价值的应用。
专访记者：由于企业对工业大数据的认知误区，在智能感知层没有按照一定的逻辑和规则搜集多种层面的大量数据，然后进行堆积和分析。这势必造成这些存量数据得不到很好的开发利用。应该按照什么样的逻辑和步骤开展数采？
李杰：几年以前物联网的概念非常流行，于是很多企业开始建设物联网采集数据，但那个时候大多数是为了采集数据而采集数据，至于为什么要采集并没有想清楚。我认为物联网数据采集只是一个手段，最终目的应该是创造服务和创造价值。
因此在做数据采集事前应该首先弄清楚数据采集的目的，比如设计一个服务产品为客户创造价值，或是使生产更加透明为企业节省成本，这个目的应该被确认成为一个明确的功能。接下来要根据这个功能去制定技术路径，需要什么数据分析手段。然后再根据技术路径对输入的要求去确定该采集哪些数据，以及采集的频率和精度等要求。最后还需要分析实现这个功能所带来的经济效益是否高于数据采集的成本，明确之后再加以实施。这样可以保证所采集到的数据都是需要的，避免成本的浪费。
专访记者：从设备和制造流程上采集的大量数据本身如果没有经过“清洗”、关联、融合等环节，就没有应用价值。那从数据到信息到价值的转化，是一个怎样的逻辑过程？
李杰：工业大数据与互联网大数据最大的区别在于具有很强的目的性，因此其分析的逻辑也要服务与这个分析目的。IMS 很早就提出了工业数据分析的5S方法论：
1. Streamlining 数据流程化管理: 包括对数据采集系统的设计，传感器的布置，以及实施数据分析工作之前的所有准备工作。避免Garbage in , Garbage out 的现象。这里面所包括的数据处理过程包括：数据过滤、数据优先级排序、和数据降维等。
2. Smart Processing (智能分析)：从高维的数据中提取有用的特征，比如人脸识别中的三角定位法就是对面部特征点相对位置的计算，这样能够过滤掉原始数据中不需要的信息。在进行完特征提取后，可以用特征建立数据模型，比如用逻辑递归的模型计算设备的健康值。
3. Synchronization (同步化)：第3个S的主要目的是将现场级与上级公司，特别是产品级连接起来。这种信息传递的连接满足了第一环路。这里我们要强调一个理念就是“Only Handle InformationOnce”，通过这种方式，公司可以达到尽量减少信息收集和复制数据项的费用的目的。在同步化的过程中，决策支持工具也需要根据实时数据分析的结果同步给出相应的决策。
4. Standardization (标准化)：包括信息的标准化、决策的标准化、和执行的标准化。
5. Sustainability (不断改善): 包括不断完善和更新分析工具、人在回路的嵌入式自学习能力、友好的人机交互和部署方式、以及闭环的全生命周期信息管理。
专访记者：对于工业4.0的智能制造转型而言，工业大数据的核心价值目标是什么？它是如何颠覆原有商业体系的？
李杰：工业大数据本身并不是目的，而是一个技术手段。与其他技术手段的目的相同，工业大数据的核心目标是创造价值，这里的价值体现在去避免和解决不可见的问题，并且从不可见的世界中创造新的知识。举例来说，轮胎的压力问题，以往我们只能看到轮胎瘪了车子不能开了，这是可见的问题。但是轮胎压力不平衡造成的额外油耗是不可见的。固特异轮胎跟IMS合作推出了FuelMax产品就利用分析轮胎压力提醒用户如何保养轮胎更加省油，每年可以给一辆集装箱客车节省3000美元的油耗。所以工业大数据的价值在于从以往看不见的空间里挖掘价值。
专访记者：要发挥工业大数据对于实体活动的效能和最大价值，非常有必要建立智能信息体系。由于涉及企业经营的核心数据及保密性，另外加上相对复杂利益纠葛，企业一般很难将这种数据让其他任何机构知晓和共享。行业龙头企业作为“带头大哥”能否玩得转？您有没有好的建议消除这种担心？
李杰：企业的上下游之间适当地分享一些信息是非常有意义的，比如丰田在对其产业链进行管理的时候会向自己的供应商开放很多信息以帮助他们进行需求预测，因此丰田可以做到零库存，且供应链的延迟控制在15分钟以内。离辛辛那提不远的TMMK工厂里，部件到达组装车间后直接运上产线。但是丰田只去分享对自己有帮助的信息，并不是把所有的原始数据都开放。因此在进行信息分享的时候首先要明确一个共同的目标，要对大家都有利，然后再去讨论各自应该分享哪些信息和信息的管理问题。
专访记者：我看到您所描述的未来工业4.0工厂——是一种透明化的无忧工厂，它与现在的工厂相比较，实现了自省（Self-Aware）和自我预测（Self-Predict）的新功能，除了智能设备之外，还有哪些核心要素的推动实现了这种根本转变？
李杰：除了智能设备之外最重要的是需要有一个强大的分析中枢来协同和指挥这些智能设备。这个分析中枢中的核心是先进的分析算法和工具。比如peer-to-peer comparison（集群内对比）、协同诊断、趋势预测、影响评估、协同优化等工作都要在这个中枢里实现。因为智能设备所解决的是对自己的评估和预测，凡是需要集群数据和其他流程内数据的分析都要考这个中心来分析。
专访记者：从工业4.0的目标来看，最终还是要实现和满足大规模用户的个性化定制化需求。而这不仅有赖于对现有的传统刚性生产模式转变为柔性生产模式，同时要依靠复杂流程的管理、庞大数据的分析、决策过程的优化和行动的快速执行，请问对已有的控制与信息技术进行改良和升级是否可以解决上述问题？为什么？
李杰：传统的控制与信息技术主要解决的是对个体的控制，主要解决的问题是如何更加精确、快速、复杂、和高效。但是工业4.0对生产系统升级目标是更加柔性、协同、和智能，传统的控制与信息技术在设计之初并没有考虑到这些。因此我们才要花大力气研发智能设备和更加智能的数据分析工具。
专访记者：回望工业发展史，工业领域的价值源泉不断进化，单纯卖设备为主的模式越来越难以赢取高额利润。工业3.0时代就凸显了软硬结合的重要性，工业4.0时代的价值源泉会来源于解决方案与深度服务。从商业模式来说，切入点在哪里？实现这种转变的难点是什么？
李杰：我在主控式创新（Dominant Innovation）中提出，产品服务最有效的切入点应该是用户的使用场景，从用户的使用场景中找到价值的GAP（需求缺口）。通过发现GAP来推动的创新与其他几种创新模式是不一样的。这种方式不是以人（消费者）的需要为出发点的，也不是都听客户的。客户一般都是追求更大的蛋黄，很少告诉企业潜在的、外围的需求，很可能他们还没有这种意识或根本就不知道。比如汽车，买车子的人更关心的是耗油情况，但很少人知道司机开车的习惯可能影响20%的油钱。所以这里的GAP不是车子，而是司机的开车习惯。
如果仅仅按照客户的直观需求来做车，那制造商会努力生产更省油的汽车、更舒适的汽车，在过去的汽车技术上不断精进。这是一种传统工业时代的思维方式。而采用GAP式创新，则是通过数据来模拟情景，不断发现客户根本没有注意到的产品新功能。这是一种新工业时代的思维转变。以往我们把很多注意力都放在了创新上，但是创新并不僅僅是为了创造新技术或产品，最重要的是创值。
专访记者：在煎蛋模型中，6M（包括材料、机器、方法、测量、维护、数据和知识建模）好比蛋黄，这是前三次工业革命企业改善和竞争的主要方面；6C（连接、云、虚拟网络、数据内容与来源背景、社群、定制化）相当于蛋白，具有明显的互联网时代的特征。企业如何顺利跨越6M到6C的鸿沟，进入工业4.0时代？最急切的步骤是什么？
李杰：6M与6C的理念与中国提出的工业化与信息化量化深度融合的理念不谋而合，也是《中国制造2025》规划的两点之一，在通往工业4的道路上中国应该在6S方向投入更多的资源和精力：
Sensing:新型的传感器研发，使数据采集成本更加低廉。
SoftwarePlatform：数据分析和功能应用平台，分析软件。
Security：网路安全
Standard：数据的格式、接口、传输的标准化、以及数据可视化的标准化
Speed：数据的分析速度，数据不是靠volume，反而要通过数据的reduction来提高数据的分析和应用速度，使数据流迅速运转起来。
Service:以为顾客创造价值为目标，将数据与服务相连接。
专访记者：根据“煎蛋模型”理论，为寻找新的蓝海，通过寻找价值的“GAP”（即需求缺口），实现主控式创新的突破。这与传统工业时代的更注重产品技术开发的思维方式不同，主控式创新思维的核心是什么？它是一种怎样的全新价值创造过程？
李杰：主控式创新思维的核心哲学是“有之以为利，无之以为用”。“有”指的是可见的、固定的、有区别于其他的实体；“无”则是隐藏的、变化的、发挥效用的无限可能性。“利”代表的是可占有、可收获、可使用的基础条件，而“用”则是可供发挥和可作为的空间和方向。简而言之，商家卖的是产品，客户用的是产品带给生活的价值。现在我们谈创新，还是将重点放在有形的物件上，将重心放在技术的突破和引进上，但缺乏这种“无”和“用”的概念。
一切的技术或是产品都只是手段，其核心目的是在使用中创造价值。创值的值是无边界的，未来整个创新创值的观念正是取决于企业怎么看一个产品的价值。这里，可以通过一个摊开的手掌做比喻，如果从产品出发，那就只能看到这5根手指；但如果从产品的客户价值来看，好比是手指间的4个间隙，正是客户在使用产品时未被满足的需求，可称作“Gaps”（即需求缺口）；填补这个需求正是可以创造客户价值之所在。
这其中，最重要的是需要改变以往从技术端出发看问题的思维（有形的手指），而是反向思考从顾客的价值端寻找潜在的需求（无形的Gaps），学会思维的转变。
专访记者：在创新方式上，主控式创新模式主张以“情景模拟”的方式，而以往的主流创新方式是通过大量样本的客户调研，发现未被满足的需求，然后针对性的开发对应产品。您认为这两种创新方式有何本质差别？
李杰：我觉得传统的通过大量样本的客户调研并不能很有效地发现未被满足的需求，而更多是调查客户对已被满足的需求的满意程度。
主控式创新是将自己想象成客户，抛开产品和解决手段不谈，从用户的角度分析真正的价值缺口是什么。一个是从产品或功能出发，一个是从价值需求出发，这是两者最本质的区别。
未完待续……
欢迎关注第三篇：未来启示录：如何构建新竞争优势？
【世界很大，欢迎勾搭~】