工业视角的转变

如果说前三次工业革命分别从机械化、规模化、标准化、和自动化等方向大幅度地提高了生产力，那么第四次工业革命与前面三次最大的区别在于：不再以制造端的生产力需求为出发点，而是将客户端价值作为整个产业链的核心，改变以往的工业价值链从生产端向消费端、上游向下游推动的模式，从客户端的价值需求出发提供客制化的产品和服务，并以此作为整个产业链的共同目标使整个产业链的各个环节实现协同优化，其本质是工业视角的转变。

不可见的问题

在现在的制造中，存在着许多无法被定量、无法被决策者掌握的不确定因素，这些不确定因素既存在于制造过程中，也存在于制造过程之外的使用过程中。前三次工业革命主要解决的都是可见的问题，例如去避免产品缺陷、避免加工失效、提升设备效率和可靠性、避免设备故障和安全问题等。这些问题在工业生产中由于可见可测量，往往比较容易去避免和解决。不可见的问题通常表现为设备的性能下降、健康衰退、零部件磨损、运行风险升高等。这些因素由于其很难通过测量被定量化，往往是工业生产中不可控的风险，大部分可见的问题都是这些不可见的因素积累到一定程度所造成的。因此，工业互联网的关注点和竞争点是对这些不可见因素的避免和透明化。

不可见的需求

从使用过程的体验角度审视产品功能，制造需要场景思维不可见的另一个特点就是制造过程和制造价值向使用过程的延续，不仅仅关注将一个产品制造出来，还应该关心如何去使用好这个产品，实现产品价值的最大化。产品的创新和创值不再仅仅是以满足用户可见的需求为导向，而是利用用户的使用数据去深刻地理解用户的使用场景，从场景中找到用户需求的空缺（GAP），这些空缺我们称之为“不可见的需求”，因为即便是用户自己都很难意识到。例如，买汽车的人大多都会提出省油的需求，于是所有汽车制造商就努力改变车型和发动机让车子更加省油。但是很少去关注用户的驾驶习惯对于油耗的影响，因为驾驶习惯对于用户而言也是不可见的，因此不会有用户去要求汽车提供驾驶行为管理的功能。所以新工业革命时代的市场竞争也会从以往满足客户可见的需求向寻找用户需求的GAP转变。以往我们将产品卖给客户之后就几乎到达了生产价值链的终点，而云计算等新技术的普及将价值链进一步延伸到使用端，以产品作为服务的载体，以使用数据作为服务的媒介，在使用过程中不断挖掘用户需求的GAP，并利用数据挖掘所产生的信息服务为用户创造价值。

数据依然是为用户提供客制化产品最重要的媒介，新工业革命时代中的制造将通过数据把终端客户与制造系统相连接，这些数据将自动决定生产系统的各个环节的决策，实现生产上下游环环相扣的整合，人的工作难度将被大大降低，在这种模式下工厂的组织构架将趋于扁平，生产资源的利用效率也更加优化。

有一个例子是最近特别流行的智能手环，佩戴智能手环可以采集睡眠过程中的数据，醒来之后可以通过查看数据分析的结果，睡眠质量如何、多少时间是深睡眠状态、深浅睡眠交替的曲线等信息都一目了然。这时我们才发现决定睡眠质量的并不是一共睡了几个小时，而是深睡眠所占整个睡眠时间的比例。白天精力好坏是我们可见的现象，但睡眠质量是不可见的，智能手环通过睡眠数据的分析将不可见的睡眠质量变成了可见可测的结果，并利用这些信息帮助用户去管理可见的生活。

新工业革命并不仅仅是制造业的革命，而是一场更加深刻的变革，创新模式、商业模式、服务模式、产业链和价值链都将产生革命性的变化，制造业的文化，从“机器崇拜，流程崇拜”进入到人文主义视角的“价值定义”，今天的零售业逐步向“内容，IP”化转移，制造业的产品或服务，未来也会走向“IP导向的制成品” ，生产线和消费者使用处于永远互动的状态，并延伸基于数据的11服务，云计算、人工智能、和大数据都是支撑这个转型的基础条件，工业升级，最根本的驱动力来自于商业模式与智能服务体系的创新技术变革，这两者才是未来工业界竞争的蓝海。

工业大数据的3B与3C

什么是工业大数据？

一提到大数据，人们首先会想到在互联网和商业等环境中，利用大量的行为数据来分析用户行为和预测市场趋势等应用。但是对工业大数据的定义和应用却很难直观地理解和想象。现在对大数据最为流行的定义来自于维克托·迈尔-舍恩伯格和肯尼斯·克耶编写的《大数据时代》中提出的4V特性，即Volume(数据量大)、Velocity(流动速度快)、Veracity（准确性难把握）、和Variety(来源多样性)。这个定义是针对互联网和社会环境中的大数据，从数据工程的技术挑战方面所提出的。而工业大数据的挑战和目的则要通过“3B”和“3C”来理解：

工业大数据应用的“3B”挑战：

- Bad Quality: 在工业大数据中，数据质量问题一直是许多企业所面临的挑战。这主要受制于工业环境中数据获取手段的限制，包括传感器、数采硬件模块、通信协议、和组态软件等多个技术限制。对数据质量的管理技术是一个企业必须要下的硬功夫。

- Broken: 工业对于数据的要求并不仅在于量的大小，更在于数据的全面性。在利用数据建模的手段解决某一个问题时，需要获取与被分析对象相关的全面参数，而一些关键参数的缺失会使分析过程碎片化。举例而言，当分析航空发动机性能时需要温度、空气密度、进出口压力、功率等多个参数，而当其中任意一个参数缺失时都无法建立完整的性能评估和预测模型。因此对于企业来说，在进行数据收集前要对分析的对象和目的有清楚的规划，这样才能够确保所获取数据的全面性，以免斥巨资积累了大量数据后发现并不能解决所关心的问题。

- Background (Below the Surface): 除了对数据所反映出来的表面统计特征进行分析以外，还应该关注数据中所隐藏的背景相关性。对这些隐藏在表面以下的相关性进行分析和挖掘时，需要一些具有参考性的数据进行对照，也就是数据科学中所称的“贴标签”过程。这一类数据包括工况设定、维护记录、任务信息等，虽然数据的量不大，但在数据分析中却起到至关重要的作用。