本篇文章3138字，讀完約8分鐘

制造業應用工業互聯網工程，是從產品的設計（結構、功能、工藝）、生產計劃、采購備料、生產制造、檢驗、交付、售后服務等多個環節，采集數據信息，通過網絡和平臺進行匯聚處理，然后借助數字化模型、計算環境、智能化算法，以及業務工具APP等，輸出面向特定場景的業務功能服務，比如設備狀態監控與控制、在線檢驗與試驗分析、作業優化調度、能耗監測分析、協同設計和生產、遠程維護、經營情況分析統計、預測決策等。

從另一方面講，工業互聯網、智能制造，是信息技術對工業的賦能，在業務、、工業需求的牽引下，利用了新一代信息技術（物聯網、邊緣計算和云計算、大數據、人工智能、微服務、區塊鏈等），將數據作為過程要素、信息載體，通過物聯網和大數據更多維度感知和描述工廠對象，通過通信技術和高性能計算更快速傳遞和處理工業信息，通過大數據和人工智能更深入掌握事物的內部規律和發展趨勢，進而獲得了通過人工或傳統技術無法實現的能力，更實時地掌握設備狀態、生產狀況、客戶和供應鏈情況，更精準地掌握產品缺陷、設備故障原因、物流信息、顧客需求意見等，更加快速智能地反饋應對生產工藝問題、顧客抱怨和期望、供應鏈緊張、產品滯銷、生產場所安全風險隱患等，最終提升整個企業的競爭力。

這里，數據作為生產要素，規模越來越大，據國際數據公司（IDC）統計，近年來全球大數據存儲量的增速，每年都保持在40%，2019年全球大數據存儲量達41ZB（1ZB=1012GB），中國的數據產生量約占全球數據產生量的23%。數據價值越來越突出，已經是企事業單位和政府部門的重要資產，成為業界和社會共識，并得到我國政府重視。2020年9月，國務院國資委正式印發《關于加快推進國有企業數字化轉型工作的通知》，加快集團數據治理體系建設，明確數據治理歸口管理部門，加強數據標準化、元數據和主數據管理工作，定期評估數據治理能力成熟度。加強生產現場、服務過程等數據動態采集，建立覆蓋全業務鏈條的數據采集、傳輸和匯聚體系。加快大數據平臺建設，創新數據融合分析與共享交換機制。強化業務場景數據建模，深入挖掘數據價值，提升數據洞察能力。2021年6月10日，第十三屆全國人民代表大會常務委員會第二十九次會議通過《中華人民共和國數據安全法》，為規范數據處理活動，保障數據安全，促進數據開發利用，保護個人、組織的合法權益等提供了堅實可靠的法律依據。2022年6月，中央全面深化改革委員會召開第二十六次會議，審議通過了《關于構建數據基礎制度更好發揮數據要素作用的意見》，意見指出：數據作為新型生產要素，是數字化、網絡化、智能化的基礎。

數據作為一種新型資產，具有許多傳統資產所不具備的特點：無形，無消耗，可自動生成，可復制，時效性，動態性，規模價值大，可多目的、多次使用，涉及權益復雜，等等。在企業日常生產經營過程中會動態產生更多數據，越來越多的數據量和愈加復雜的數據關系，帶來數據所有權、數據量梳理、防止數據濫用、管理冗余數據、定義數據標準等帶來挑戰。同時，數據價值難以評估，價值是用戶相關的，且有時效性，某些類型數據價值可能隨規模積累、時間推移而變化。如果任由數據規模不斷發展而不加管理的話，會帶來諸如以下風險：

數據隨意存儲、復制，數據定義不一致，導致數據混亂，進而帶來業務混亂，最常見的比如物料庫存計數重復、物品重名等；

數據時效性不加管理，導致無效的歷史數據和最新有效數據混到一起，最后帶來無效、甚至錯誤的計算結果，可能會造成對設備運行的監控參數錯誤、經營效益的分析錯誤等；

數據在傳輸、共享的過程中遺失、被非法獲得，可能帶來企業工作無法正常開展、企業商業秘密的泄露，比如企業的核心原料配方、客戶信息等；

數據在使用時缺少科學正確的算法、統一的計算口輕，或者數據樣本的選擇范圍不正確，導致產品檢驗試驗的結果錯誤，給企業帶來損失。

其次，數據資產的類型也比較復雜，需要從不同的維度來劃分：

從結構方面講，分為結構化數據、半結構化數據和非結構化數據，結構化數據即常見的來自關系數據庫（行和列）、表格的結構化數據，半結構化數據包括CSV，日志，XML，JSON等，非結構化數據包括電子郵件，文檔，PDF等，以及二進制流式數據（圖像，音頻，視頻）等，數據的傳輸、處理、應用要求都不同，需要采取不同的管理技術手段；

從業務進行分類是比較常見的，對于典型的制造業來講，包括圍繞產品的研發、供應鏈、生產、質檢、設備、能源等業務要素的各類數據，比如生產環節包括生產計劃、派工管理、報工管理、生產訂單、設備管理、生產下料的各類數據，種類繁多，數據的流向、路徑復雜；

從數據應用的方式可分為主數據、交易數據、作業數據、視頻數據、日志數據等，這些數據動靜態特點不同，在傳輸、存儲、標準化方面要求不同；

從數據采集的來源來講，又可分為現場設備采集數據、人機交互數據、系統接入數據、外部接入數據等，對數據權屬、責任、安全、實時性等要求各不相同。

從以上兩個方面可以看出，只有高質量的數據才能保障企業的數字化、智能化業務正常開展運行，需要基于資產管理方式，對數據進行有序管理，以保障數據的正確、有效、完整，為企業信息化打牢基礎。尤其是制造業，產品類型、生產經營環節多，涉及人、機、料、法、環、測多因素，比金融業、能源、服務等行業的數據管理更復雜。

基于工業互聯網的制造業數據管理，有兩大特點，一是數據通過互聯網收集、通過平臺匯聚，不再是過去各個單獨的信息化系統，基于系統自帶的數據庫進行管理，而是有了數據中臺、數據湖、數據倉庫、數據市場這些資源集散的功能了；二是數據更加融合共享、發揮更多價值，需要大一體的標準化、安全化等管理手段了。

目前，通過IT界、工業界的學者、專家的不斷總結積累，國際上已經形成較為成熟的數據管理方法論，包括國際數據管理協會發布的《DAMA-DMBOK數據管理知識體系指南》、國際數據治理研究所的《DGI數據治理框架》、我國的《DCMM數據管理能力成熟度模型》等，從企業的數據管理規劃、組織機構、職能分配、數據資產的需求與整合、數據標準化、數據質量控制、數據的價值實現、數據安全等多方面，提供了系統化、體系化的指導方法，以保證通過數據管理工作，產生預期的管理效果。

對于制造業，在數據管理工作推進時，可以從以下方面著重考慮，以應對可能存在的困難和風險：

根據企業規模設立數據管理領導機構和專職管理人員，發揮領導者在頂層目標方向規劃和組織資源的作用，因為數據會涉及到不同部門，需要跨部門的合作；

數據資產的盤點梳理工作，對各環節、各部門、各業務系統存在的數據進行清查梳理，掌握數據的分布、類型、功能、規模、存在的問題等，是制定管理方法、選擇管理和技術手段的前提，考慮到數據平臺的集散功能，可以先從數據平臺盤點開始，掌握數據分布的大概情況；

數據管理制度制定，結合企業組織機構、業務數據分布、發展方向等特點，制定適配的規則制度，確立數據的權屬、責任、管理職責、具體流程要求等；

數據標準化，是數據管理的基座，通過對業務術語、共享數據標準、數據模型、編碼、校驗規則、應用算法、分類分級、安全防護的統一規范要求，來實現數據互通共享、安全應用和價值發揮。

對于數據管理的成效的檢驗評估，可以選擇一些諸如DCMM、DSMM等評估模型，對一些技術和管理措施進行定性或定量的評估，有條件的還可以進一步探索對數據的價值、作用量化評估。

數據得到有效管理，將會更加統一、規范、便于流通共享，數據唯一、有序、關系清晰、便于分類分級管理和應用，最終提高產品設計、生產制造、檢驗試驗、交付服務的效率和質量。

*根據本次活動參與嘉賓：國家工信安全發展研究中心物聯網實驗室主任李云志專訪整理