侵权投诉

搜索
更多>> 热门搜索:
订阅
纠错
加入自媒体

【深度】工业大数据分析的误区与建议

2016-08-24 09:14
kumsing
关注

  前言

  作为数据价值变现的核心技术手段之一,大数据分析的作用被广泛宣传甚至神化。对于工业大数据分析,产业界存在有不少困惑。

  是不是把商业大数据分析照搬过来就是就足够了?只要有了海量数据,大数据分析是不是不需要任何假设前提了?是不是机理模型或领域经验就不重要了?工业大数据分析有没有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常见误区与正确的价值变现之路;下篇归纳了工业大数据的典型分析范式,归纳为6类算法应用模式、4种融合模式和3类业务应用模式。

  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期望与“神化”。

  谓之“神化”,是由于大数据应用在国内外实践产生的案例,在提质增效及个性化服务方面,产生的利润与之煽动的蝴蝶效应,让有些工业企业以为只要安装了传感器,能把数据采集下来,就能让数据说话,就能从上千种因素中定位出故障原因,就能精准指导研发、生产、运营。甚至误认为经典的机理模型或多年积累的经验不再重要。

  然而脱离机理与领域知识的大数据分析结果常常是“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,工业数据当然属于大数据的范畴,在体量上甚至超过互联网大数据[1]。然在数据分析中仍不时感觉到工业数据之“小”,主要体现在3个方面。

1  2  3  4  下一页>  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号