工业企业大数据案例（精选8篇）
项目背景
为了能够了解国内相关产品的分布、各品牌的市场占有率，以便后续调整产品线及市场策略。此次通过Togoal首先对于全国各类渠道进行产品、品牌、适用度等多方位的调研，并对结果提供系统的分析及后续建议；其次，对于全国范围的相关潜在客户进行活动的推广，以促进潜在需求的挖掘，并在推广的同时对于原有的用户进行维护，以此来提升品牌在中国市场的认知度。
营销目标及执行策略
一、针对被访者的特性，调研渠道主要为互联网收集、展会收集及电话访问收集，通过三个渠道的问卷进行分类筛选，从不同的受访面进行统计。最后进行汇总，拟定最终的调研结果。
二、通过之前调研的行业集中性进行挑选，对于潜在客户利用营销工具发布最新的促销活动信息
三、再次进行电话访问，挖掘潜在客户需求，并回访现有用户，提高品牌认知度
四、对于每一位潜在客户进行需求程度的分类，分批寄送相关礼品
五、对于回访中有试用需求的客户，提供试用产品
六、产品期刊的定期发送
业务难点
● 该品牌在中国市场的认知度较低，部分客户对于产品的了解较为片面
● 由于进入中国市场的时间不长，业务网点分布少，相比较国产产品的市场来看，占有率较低
● 如何通过各类访问调研提升客户关注度，并吸引客户进行试用
● 后续拓展工作应如何开展，以达到提升品牌认知度、促进产品销售的目的项目执行阶段（解决方案）
一、根据客户产品特性结合整体行业分布，分配全国各个地区的调研样本数量，同时根据该产品的使用密度选择行业。
二、根据产品的适用性挑选合适的被访者，避免出现不知情、无使用和敷衍的结果
三、在以上两点的分类后，再对于企业的技术能力进行分类，区分有自行设计能力和直接采购终端等类型的企业。
四、在调研过程中，弱化销售目的性，通过被访企业自身产品特性、施工环境、技术条件与操作方式、使用此类产品的重要程度、企业员工人数占比、常用设备品牌、采购因素、采购渠道、企业理想中的产品特性、企业支持、对产业的规划等方面进行深入访问，提升调研价值。
五、对于成功被访者寄送企业定制礼品，维持品牌形象
六、针对在调研过程中客户提出的试用需求，安排相关人员跟进并提供现场技术支持
七、制作企业期刊，定期向所有被访者进行发送
客户收益 调研阶段——
1、通过此次阶段性的调研拓展工作，三个渠道共收集样本问卷300余份，筛选具有参考价值的样本问卷近300份
2、在近300份问卷内，可持续跟进的潜在客户需求达到50%
3、明确今后产品线的方向及后续市场推广方式
4、在部分调研集中区域计划进行渠道拓展
5、根据被访者提供的建议完善服务内容和服务方式
市场拓展阶段——
1、在后续市场拓展后，挖掘出潜在客户1000余家
2、其中13%有采购需求，83%有试用需求
3、全部客户愿意接收产品期刊
4、客户搜索引擎流量和关键字点击率提升27%，从而大幅度提升电话咨询率
后续规划
根据此次项目执行结果，对后续项目的实施提供了参考依据，在接下来的执行方向上，主要做了以下规划——
线上：
● 由于提高了搜索引擎的搜索量，所以在之后的线上推广上会进行关键字的优化，以进一步提高流量、点击率和转换率
● 定期发送期刊，并做好信息反馈的收集工作
● 开通企业自媒体，并定期举办线上活动，提供客户部分产品的试用体验资格 ● 持续发布产品的体验报告及使用参数，提高产品认知度
线下：
● 提供客户产品试用，现场进行技术指导
● 展会上举办体验活动
● 拓展业务渠道，增加服务网点
大数据概念,最早于2001年正式出现在高德纳公司的研究报告中,此后引起多方面的关注,并且不同的研究主体也都分别给出了该概念的对应诠释。目前虽然尚不存在相对统一的概念界定,但是从特征的角度看,数据本身海量的特征,从客观上必然要求更强的数据处理分析能力。进一步落实到工业企业环境中,尤其是石油工业环境中,就是面向数量庞大的工业设备展开数据采集,通过物联网等多项技术将设备工作状态数据采集到信息网络环境之中,并且进行必要的本地处理或者传输至数据中心。在数据传输到位之后,更为重要的是通过深入的加工和分析,抽取出有用的信息,借以实现对于工业环境相关工作的决策支持和行为修正,优化工业环境相关工作,这才是大数据技术价值的根本所在。如果只是单纯对数据进行收集和整理,就无法有效实现数据自身的价值,从而偏离大数据技术发展的本质所在。
通过对当前工业企业环境中信息化发展现状的分析可知,经过多年的信息技术发展的洗礼,信息化发展仍存在不尽如人意的地方。具体体现在两个方面。①数据收而不用。数据采集系统相对于数据分析技术而言,其出现时间更早,发展时间也更长,因此相对比较成熟。大量数据从工作终端上采集后,并未得到有效的加工利用,只实现了基本的分析告警职能,这对于数据而言,无疑是一种巨大的浪费。目前,我国很多工业企业处于初步的创业时期,在对于数据的利用方面,更多伴随着信息化的应用步伐而展开,在管理、财务及库存等方面略显成熟,而对于工业生产领域而言,虽然近年来物联网技术的发展使数据采集技术一日千里,但是总体而言,数据分析仍然落后。②信息与产业链本身的融合度较为有限。在大数据背景下,我国的一些工业企业在实施大数据时虽然取得了一定的成效,但是在实施的过程中并没有和上下游企业建立起良好的数据分享机制,没有充分利用高技术、新信息来加深产业链融合,使企业之间出现脱节,无形中减少了大数据所能带来的潜在效益。此种情况已经成为阻碍产业链深入发展的不容忽视的因素,如果能够在这一方面加以关注并且加强建设,必然会在较短的时间内实现整个工业生产环境的整合与进一步优化,对效率及生产安全水平的提升起到不容忽视的作用。
2 切实推动工业环境中大数据技术的应用
我国工业环境中相关信息技术的引入,在很大程度上出现盲目性和被动性的特征。盲目性与被动性,就是在相关技术的引入过程中,无视企业自身发展对于数据技术的需求,而由外部环境带动工业企业的信息化建设,包括政府方面以及市场环境方面的推动促进等,外部环境成为了当前企业引入信息技术的主要动力因素。但是以此种方式展开的工业信息化,在方向上可能会偏离企业自身的需求,因此,它虽然能够作为企业发展的推动力量,但却存在不足之处。
基于此种状况,在对大数据技术展开引入的过程中,应当注意如下几个方面。
2.1 完善大数据基础平台
对大型工业企业,特别是油田企业,不同部门面临着不同的数据类型,在安全性、实时性和传输方式等方面也会存在极大差异。为了切实实现大数据,从海量数据中抽取有价值的信息,就需要面向整个工业环境数据展开分析,不同类型的数据能放在同一个环境中,以实现有效兼容和相互转化,这就要求建立一个更为强大的数据平台。首先,应能兼容各个部门的数据类型,并且能够实现转化;其次,在存储与计算分析能力方面应加强建设。虽然数据平台不涉及更多的分析技术,但仍需要重视优化存储以及数据挖掘等方面。
2.2 优化企业内部供应链的建设
在供应链信息化环境中,大数据技术体系以及信息化相关系统,都应当被视为供应链中的一个环节,从而保证信息技术能够与既有的供应链融合成一个整体。其中,应当注重的一点是,所有的信息化及相关技术的引入,都应具有特定明确的目标,并以实际工业环境中的需求作为基础和服务对象。另外,还须明确企业内部供应链中不同环节的权责,避免因信息技术的介入导致责任推诿的状况发生。
3 结语
党的十七大报告当中提出了推进“两化融合”的重要方针,即倡导信息化、工业化的有机融合,这为我国工业信息化的发展指明了重要的方向。企业员工在实际工作中还须深入了解和学习信息技术,掌握大数据技术的特征,切实分析工业环境对信息化的实际需求,妥善配置,才能获得良好效果。
参考文献
[1]乔黎黎.浅析信息化在工业企业管理中的应用[J].通讯世界,2014(4).
美国白宫信息物理系统专家组顾问、美国辛辛那提大学讲座教授李杰先生，同时还担任美国国家科学基金会智能维护系统产学合作中心主任。他在15年前就已经开始用众筹的方式，为自己筹集研发资金，用企业的钱去做行业的前沿研究，同时拿政府给的钱做基础研究，在应用研究方面，他们团队推进速度非常快。现在他有85个分布在全球各地的企业为他提供研究资金，为此积累了用数据分析无形价值具有丰富的经验，这成为未来工业产品所具备的核心竞争力。
李杰教授日前在北京出席中国信息化百人会年会，会上他表示任何一个国家要增加经济，工业是基础，未来商业发展是围绕工业，对中国而言工业尤其重要，未来的竞争，现在已经面临着从有形转到无形的竞争。对此，他将产品关系比喻成“蛋黄”和“蛋白”的关系，称汽车是“蛋黄”，路况、停车位是“蛋白”，过去设计都是从“蛋黄”出发，现在回头看过去10年发展经历，却都是在走“蛋白”发展路线。
他分析说，关于竞争，工业大国基本上都在竞争黄色世界，如果在白色世界形成竞争，那是在减少问题，预测式的工业大数据会改变很多，他举例说：“2005年，飞机发动机改了，发动机本身不值钱，但如果把发动机里的数据收集起来，能够协助航空公司减少不必要的故障，减少不必要的赔偿，减少不必要的废油，那省的钱太可观了，15年可以省出300亿美金的市场，数据分析之后，怎样让别人看得懂，这就是我们做工业大数据的目的。”这让人看到数据分析不可见的价值所在。
未来的工业大数据，有一个重要目的，就是可以把看不到的世界变成一个有逻辑关系存在的事实，每个产品有一个实体，有一个对应的数据分析结果，这是一个深入的逻辑化和关系化。
针对移动终端的快速发展，李杰教授说，进入手机APP就可以从远程直接联到任何机器，甚至可以通过手机计算出来这机器哪个地方不好，这就是“蛋白”的价值所在。他又举例分析说，三年前中国造船业跟韩国竞争，如果在船上装一个系统能够协助船只省油，最后这船的价值会很高，但高的不是船体本身，而是系统和服务，所以企业建立大数据中心，未来竞争机会将增加很多。
1860年的中国命途多舛。在北方，英法联军进京，火烧圆明园，咸丰皇帝仓皇北狩，并在次年死在热河行宫，将这个破碎的帝国连同不满10岁的继承人爱新觉罗·载淳，一同留给他的嫔妃叶赫那拉氏——后来的慈禧太后。这一年新签订的《北京条约》，又为这个破败的帝国增添一笔高达800万两的战争赔款。而此时，帝国的赋税要源，南方的半壁江山，已然沦入太平天国之手。形容这段历史时，有一句老生常谈——“落后就要挨打”。
但，大清朝真的是“落后”吗？根据一个“吊诡”的数据，就在1860年这一年，中国占全球制造业总产值的32.9%，排名世界第一。当然，就算不谈这个数据到底有多少真实性，这个“第一”也是靠茶叶、瓷器、丝绸撑起来的。
1860年
中国制造业世界第一的数据到底来自何方？
这个数据只在一个地方出现过——2010年在CCTV财经频道热播的纪录片《华尔街》中：“1860年在全球制造业总产值中美国只占1.8%，处于世界第一的是中国，占到32.9%。而到了1900年，美国成为世界第一，占到15.8%，中国占到11.1%。”奇怪的是，这组数字与麦迪森《中国经济的长期表现》中1820年中美全球GDP比重中的数据一模一样。
说到全球制造业总产值比重的数据，只有贝洛赫在《1750—1980年国际工业化水平》的《1750—1900年世界工业生产的相对份额》中提到过一个估算的数字，1860年，中国的世界工业生产份额是19.7%，确实比美国的7.2%要高，但却比英国的19.9%低0.2个百分点。
“神话第一”
前数字时代的中国制造
其实，无论是32.9%，还是19.7%，无论在国际上的排名是第一还是第二，对1860年的中国人来说，根本无关紧要。按照瑞典汉学家毕汉思打趣的说法，中华帝国乃是“一个没有邻国的帝国”，“第一”对这样一个帝国没有意义。
帝国之治理，归根结底不过两大主题：一是税收，所得赋税用以维系整个帝国系统的正常运转；二是维稳，也就是保证帝国系统的运转别出太大纰漏。在这两大主题之下，一切与税收和维稳相关的话题才会被拿到桌面上仔细讨论，比如各省缴纳税赋数额，地方有无叛乱等等，至于贡献这些税赋之人，只要他们不造反即可。
但恰恰就是这样一种对名次和数字都漫不经心的态度，创造了中国制造业在世界上的神话般的第一。根据布洛赫的数据，在1750年，中国占世界工业总产值的32.5%，直到1830年，这个数据仍然占到29.8%，是名副其实的世界第一。
即使数据可能有所夸张，但仍有大量“事实”可以证明“中国制造”的魅力——仅在1855年，茶叶输出量就高达15793700磅，5年后更上升到4千万磅；景德镇烧造的白瓷，在广州依照西洋画法彩绘后，行销海外；丝绸甚至出现在英国乡村小镇杂货铺的货架上。而衣被于天下的中国织布业，甚至将印度当成了原料产地。
但这个“世界第一”并非一架充满活力、喷吐着蒸汽高速运转的机器，而是由全国各地难以计数的小手工业者，长期默默无闻的工作拼凑起来的泥足巨人。
在传统中国，制造业被认为是“副业”，丝绸和布匹的产出靠的不是大工厂里联合作业和机器生产，而是家庭主妇一寸一寸辛勤地踏机纺纱，其目的也不完全是为了适应市场，更多是为了补贴家计。至于我们津津乐道的苏绣、闽茶、景德瓷等，大规模的生产只出现在几个地区，联合的生产方式亦甚少见，更多的是以家族为基础的生产模式。
在清代景德镇，往往一个窑厂的徒工就是一个家族，维系家族产业是这种制造业的根本，个人获得薪酬几乎可以微乎不计，因为所有盈利都会在家族内进行分配。物质资本的积累也几乎不会用来进行技术革新——很多家庭以家中的窑和手艺有着数百年的传承而自豪，技术革新被认为是“有悖祖道”。
这种“神话第一”，看起来辉煌无比，但其实就像瓷器一样，美丽、精致，但是易碎。欧洲凭借其强大的技术革新力量强占中国全球制造业第一的地位，中国“神话第一”的地位也走到了尽头。
洋务运动
1860年之前，中国不需要西方的承认，它维持着一个唯我独尊的幻象，至少在1858年《天津条约》里“自不得提书‘夷’字”的条款之前，帝国仍然固执地对西方以蛮夷视之。而1860年《北京条约》之后，中国对西方的看法改变了，一种对等的国际关系正在逐渐建立起来。尽管是建立在西方枪炮威胁的基础上，但中国终于发现自己需要得到西方，更确切地说是得到世界的承认。
1863年—1864年翻译出版的《万国公法》是一个长久以来被遗忘的里程碑，它标志着中国为加入国际的游戏规则自觉做出的重大努力。这一切，都被包括在后来所说的“洋务运动”中。
但在中国的标准教科书中，洋务运动是一段失败的历史，它是中国被迫卷入资本主义世界市场所做出的无可奈何的反应。贝洛赫在《1750—1980年国际工业化水平》里的数据指出，从1860年中国在世界工业生产份额跌至第二之后，到洋务运动进行到第19年的1880年，更跌至12.5%，排在美国之后，落到第三，之后则是一路下坡，直到1900年跌至令人脸红的6.2%。
这一切真的是这场洋务运动惹的祸吗？实际上，自工业革命在西方发生以来，就已经注定了这种结局：长期以来中国位居的所谓第一，其实是一种不对等比较的产物，相当于瓷器与枪炮之间的对比，这种对比之间的优势，完全是数量上的，随着工业化进程在西方的突飞猛进和技术的不断革新，这种对比的差距自然会越来越小，直到前者被后者赶超。
中国人终于认识到在国际的竞争中，倚为立身治国根本的四书五经不足以抵挡西方的坚船快炮，由这种对现实的忧愤而引燃的寻求富强之道的务实精神，才是洋务运动的真谛。
在洋务运动中，军事制造业上新技术的引进不会遭遇太多困难，因为这本来就由官方垄断，真正困难的是那些涉及民生的行业。尤其是纺织业，一台西方先进的纺织机器足以让数十位传统的纺织工人下岗。1881年广东南海捣毁裕厚昌丝厂事件就是一个典型例证，10月5日那天，数千人前往裕厚昌丝厂，捣毁了他们认为鬼声鬼叫害人身体的机器。但就在5年后，当地的妇女就将进入丝厂当成一种荣耀，“务求占得一位置为荣幸矣”。在山东，当地的纺纱工则将洋纱和土纱织在一起，从而发明出一种兼具土纱厚实和洋纱细密韧性的优质纱布。这一切毫无疑问都是在摧毁之前构建中国制造业第一神话的支柱产业，但也正在此时，大众开始了自己的“洋务运动”。
被中学历史课本宣判了洋务运动死刑的1895年，或许更应该认为是洋务运动的涅槃再生。甲午海战败于日本终于挫败了这个老大帝国的最后一丝自负，洋务运动向西方学习的实践此后也被进一步深化，之后的变法和新政改革，都应当被视为是洋务运动播下的种子的发芽滋长。
至于那个100年后才被计量史家发现的“制造业全球第一”，那从来不是洋务运动要拯救的对象。
“第一神话”
制造中国
中国终于在150多年后又拿回了“全球制造业第一”的地位，根据一份美国经济咨询机构的研究报告，中国在世界制造业产出的占比达到19.8%，比美国高出0.4%，更有兴奋的专家宣称到2025年，中国将占全球制造业产值的31%。
就连美国人自己也离不开“中国制造”，如果没有“MadeinChina”，圣诞节都会黯然失色，家用电器的故障足以引起一场家庭危机，没了中国制造的玩具，也让孩子屡屡失望。但中国的一名小伙子却为了一台美国制造的iPad决定卖掉自己的肾。
(2018-2022年)
【报告目录】
第一章 工业大数据概述
1.1 工业大数据相关概念
1.1.1 工业大数据的定义
1.1.2 工业大数据的特征
1.1.3 工业大数据的产生
1.2 工业大数据与相关概念的关系
1.2.1 与大数据的关系
1.2.2 与智能制造的关系
1.2.3 与工业软件的关系
1.2.4 与工业云的关系
1.3 工业大数据的产生
1.3.1 数据类型
1.3.2 产生主体
1.3.3 发展趋势
1.4 工业大数据应用价值
1.4.1 推动工业化进程
1.4.2 促进信息化发展
1.4.3 推进新工业革命
第二章 2015-2017年中国工业大数据发展驱动因素分析
2.1 政策助推大数据发展
2.1.1 发达国家大数据政策对比
2.1.2 数据中心建设指导意见
2.1.3 大数据成为国家发展战略
2.1.4 政府进一步开放数据平台
2.1.5 行业政策密集出台
2.1.6 地方政策不断加码
2.1.7 管理机制初步形成 2.1.8 工业大数据促进政策
2.2 经济转型发展提出的要求
2.2.1 国民经济总值
2.2.2 工业运行情况
2.2.3 产业结构优化
2.2.4 产业转型态势
2.3 两化融合工作推进良好
2.3.1 两化融合发展水平
2.3.2 两化融合发展阶段
2.3.3 两化融合发展规划
2.4 信息化水平高速发展
2.4.1 信息化发展水平
2.4.2 区域建设水平
2.4.3 信息化发展模式
2.4.4 信息化建设特点
2.4.5 信息化发展策略
第三章 2015-2017年中国大数据产业发展分析
3.1 2015-2017年中国大数据产业发展综述
3.1.1 市场发展阶段
3.1.2 产业驱动主体
3.1.3 产业运行情况
3.1.4 产业发展提速
3.1.5 推动云基地建设
3.1.6 交易中心成立
3.2 大数据产业链及产业结构
3.2.1 大数据产业链介绍
3.2.2 大数据产业结构
3.2.3 大数据主要子行业
3.3 2015-2017年中国大数据产业布局
3.3.1 市场供给结构
3.3.2 人才供需结构
3.3.3 应用行业分布
3.3.4 区域集聚发展
3.3.5 华北产业集聚
3.4 2015-2017年中国大数据产业需求分析
3.4.1 主要行业大数据需求状况
3.4.2 企业大数据的应用及需求
3.4.3 大数据细分领域需求分析
3.4.4 大数据存储领域需求分析
3.4.5 数据小型机市场需求分析
3.5 2015-2017年大数据产业竞争格局
3.5.1 大数据企业竞争格局分析
3.5.2 不同规模企业的竞争力分析
3.5.3 IT产业竞相布局大数据产业
3.6 中国大数据产业存在的问题
3.6.1 大数据产业发展难点
3.6.2 大数据产业存在的问题
3.6.3 大数据产业的现实挑战
3.6.4 大数据应用面临的挑战
3.6.5 大数据技术发展问题
3.6.6 大数据安全问题分析
3.7 中国大数据产业的发展策略
3.7.1 大数据应作为国家战略重点
3.7.2 大数据产业发展的政策建议
3.7.3 加快大数据的研发与应用
3.7.4 应避免大数据的过度建设
3.7.5 进一步打破数据信息孤岛
第四章 2015-2017年中国工业大数据发展分析
4.1 工业大数据发展概况
4.1.1 产业发展历程
4.1.2 产业发展阶段
4.1.3 产业发展形势
4.1.4 产业链分析
4.2 工业大数据主要应用领域
4.2.1 在设计领域的应用
4.2.2 优化生产过程中
4.2.3 预测产品需求
4.2.4 优化工业供应链
4.2.5 强化工业绿色发展
4.3 2015-2017年中国工业大数据应用现状
4.3.1 可研机构研究现状
4.3.2 企业生产实践现状
4.4 2015-2017年中国工业大数据发展现状分析
4.4.1 行业发展规模分析
4.4.2 应用范围逐渐扩大
4.4.3 核心技术趋于成熟
4.4.4 产业发展初具雏形
4.4.5 新载体开始涌现
4.5 工业大数据发展存在的问题
4.5.1 产品大数据缺失
4.5.2 物联接入设备缺失
4.5.3 信息集成不贯通
4.6 中国工业大数据发展建议
4.6.1 加强核心基础技术研究
4.6.2 加强标准研制和应用推广
4.6.3 构建工业大数据流通共享平台
4.6.4 探索工业大数据示范应用
第五章 2015-2017年工业大数据发展架构分析
5.1 工业大数据参考架构
5.1.1 总体框架
5.1.2 数据参考架构
5.1.3 技术参考架构
5.1.4平台参考架构
5.2 工业大数据标准体系介绍
5.2.1 发展成就
5.2.2 体系框架
5.2.3 标准分类
5.2.4 标准明细
5.3 工业大数据系统及技术架构
5.3.1 数据的生命周期
5.3.2 技术架构
5.3.3 管理架构
5.3.4 分析架构
5.4 工业大数据管理技术分析
5.4.1 数据采集技术
5.4.2 数据管理技术
5.4.3 数据写入技术
5.4.4 数据集成技术
5.5 工业大数据数据分析技术
5.5.1 业务分析技术
5.5.2 数据处理技术
5.5.3 高效处理技术
第六章 2015-2017年工业大数据与工业4.0发展关系
6.1 全球主要国家工业4.0发展分析
6.1.1 美国
6.1.2 德国
6.1.3 法国
6.1.4 中国
6.2 工业4.0发展概况
6.2.1 工业4.0产生背景
6.2.2 工业4.0发展历程
6.2.3 工业4.0的内涵
6.2.4 工业4.0产业链
6.2.5 中国的竞争优势
6.3 工业4.0落地战略分析
6.3.1 工业4.0架构
6.3.2 信息网络系统
6.3.3 核心系统集成 6.3.4 大数据利用分析
6.4 中国工业4.0发展进展
6.4.1 中国制造业发展进程
6.4.2 工业4.0发展特点
6.4.3 工业4.0标准制定
6.4.4 企业行为分析
6.4.5 推动工业4.0发展举措
6.5 中国制造2025详解
6.5.1 中国版工业4.0详解
6.5.2 中国制造2025重点任务
6.5.3 中国制造2025重点领域
6.5.4 工业4.0与中国制造2025的对比
6.6 工业大数据是中国工业4.0的重要部分
6.6.1 工业大数据是工业4.0的基础
6.6.2 工业大数据在工业4.0中的作用
6.6.3 工业4.0对工业大数据的需求
6.6.4 工业4.0中工业大数据的应用
第七章 工业大数据的应用场景及应用价值
7.1 优化现有业务
7.1.1 提升研发能力
7.1.2 生产过程优化
7.1.3 服务快速反应
7.1.4 推动精准营销
7.2 促进企业升级转型
7.2.1 推进个性化定制
7.2.2 支撑智能化生产
7.2.3 实现产业链协同
7.2.4 实现服务化延伸
7.3 促进中小企业创新创业
第八章 2015-2017年工业大数据在重点领域的应用
8.1 工业大数据应用概述
8.2 智能生产解决方案
8.2.1 兰石集团
8.2.2 西航集团
8.2.3 中兴通讯
8.2.4 艾克威尔电机
8.2.5 上海仪电
8.3 智能设备解决方案
8.3.1 中航工业
8.3.2 徐工集团
8.3.3 金风科技
8.3.4 中联重科
8.4 智能工厂解决方案
8.4.1 苏州明志科技
8.4.2 海尔工厂
8.4.3 宝鸡智能工厂
8.5 工业监测预测解决方案
8.5.1 重庆享控智能科技
8.5.2 中国中车株所
8.5.3 西飞公司
8.5.4 中天科技
8.5.5 陕鼓动力
8.5.6 联合利华
8.5.7 勤智数码
8.6 智能管理解决方案
8.6.1 北科亿力
8.6.2 沙钢集团
8.6.3 大唐集团
第九章 工业大数据投资前景及前景趋势展望
9.1 企业工业大数据投资策略分析
9.1.1 明确业务需求
9.1.2 梳理业务过程
9.1.3 统筹规划架构
9.1.4 构建算法模型
9.1.5 人才的培养引进
9.2 工业大数据行业发展前景展望
9.2.1 “十三五”发展机遇
9.2.2 大数据市场发展热点
9.2.3 工业大数据发展前景
9.3 工业大数据发展热点及趋势分析
9.3.1 可持续监测
9.3.2 改进生产工艺
9.3.3 数据驱动决策
9.4 大数据产业发展规划（2016-2020）
9.4.1 产业基础
9.4.2 “十三五”形势
9.4.3 发展目标
9.4.4 重点任务
9.4.5 保障措施
9.5 2018-2023年中国大数据产业预测分析
9.5.1 中国大数据产业发展因素分析
9.5.2 2018-2023年中国大数据市场规模预测
9.5.3 2018-2023年中国工业大数据市场规模预测
图表目录
图表 工业大数据的产生和应用
图表 工业大数据与商务大数据的区别
图表 智能制造标准体系结构
图表 智能制造标准体系框架关键技术部分
图表 大数据政策比较框架
图表 各国大数据战略规划比较
图表 各国技术能力储备政策比较
图表 国外政府数据开放与共享主要政策
图表 国外政府数据开放与共享主要政策（续）
图表 2016年中央及部委大数据领域最受关注的十大政策
图表 《大数据产业发展规划（2016-2020年）》中保障措施关注情况
图表 各地大数据相关政策举措互联网关注和评价情况
图表 2012-2017年国内生产总值及其增长速度
图表 2012-2016年三次产业增加值占全国生产总值比重
图表 2012-2016年全部工业增加值及其增速
图表 2016-2017年工业增加值月度增速
图表 2012-2016年中国三次产业结构对比
图表 2012-2016年中国三大需求对经济增长的贡献率
图表 2017年全国两化融合发展水平
图表 2016-2017年全国两化融合重点指标水平
图表 2017年全国两化融合发展阶段分布
图表
图表
图表对比
图表比
图表
图表
图表
图表
图表
图表
图表
图表职人数占比
图表
图表2017年全国各类企业两化融合发展阶段分布 2012-2017年全国两化融合发展阶段分布 中国与“二十国集团”国家信息化发展总指数中国与“二十国集团”国家信息化各项指标对2016年中国各地区信息化发展水平2016年中国各省份信息化发展模式 互联网大数据和工业大数据的区别 互联网大数据与工业大数据技术基础 中国大数据市场发展阶段 大数据产业主要数据资产类企业 大数据产业结构
市场上大数据技术类人才招聘数量占比及求主要城市大数据就业市场活跃度 大数据行业求职者学历与招聘需求占比
图表 大数据产业招聘及求职期望薪水分布
图表 调查样本企业行业分布
图表 互联网行业大数据应用场景
图表 电信行业大数据应用场景
图表 金融行业大数据应用场景
图表 制造行业大数据应用场景
图表 企业现有的数据规模
图表 企业数据类型的构成
图表 大数据时代企业所能感觉到的数据变化
图表 目前企业处理大数据所面临的问题
图表 企业对大数据的态度和认知
图表 企业在线则大数据平台时所考虑的因素
图表 精准营销在企业大数据体系中的位置
图表 2015年中国移动互联网用户APP分类月均活跃用户规模TOP20
图表 企业小型机的当前使用情况及未来计划
图表 工业大数据的发展历程
图表 工业大数据发展阶段
图表 工业大数据产业链
图表 工业大数据的架构方法模型
图表 工业大数据技术结构
图表 工业大数据数据参考框架
图表 工业大数据技术参考架构
图表 工业大数据平台参考架构
图表 工业大数据标准体系
图表 工业大数据的生命周期
图表 工业大数据技术架构
图表 工业4.0参考架构
图表 工业革命的四个阶段
图表 工业4.0的核心
图表 中国工业4.0发展道路
图表 工业4.0产业链中游环节参与主体
图表 工业4.0体系架构
图表 CPS系统示意图
图表 工业4.0现有相关标准
图表 企业对工业4.0的需求表现
图表 企业对工业4.0的发展规划
图表 企业对发展工业4.0面临的问题
图表 企业对发展工业4.0需求的资源
图表 工业4.0结构介绍
图表 中国版工业4.0核心环节
图表 “中国制造2025”九项任务
图表 “中国制造2025”五项工程
图表 “中国制造2025”十大重点领域
图表 中国制造2025与工业4.0的对比
图表 工业4.0涉及的技术概念
图表 工业4.0的数据环路
图表 工业大数据市场规模预测
图表 工业大数据应用领域及场景
图表 兰石集团模块化管理模式
图表 兰石集团信息系统集成 图表 兰石集团数据管理平台
图表 西航集团系统整体应用架构
图表 西航集团智能制造部署架构
图表 中兴通讯智慧生产系统架构
图表 中兴通讯智能生产的优势
图表 艾克威尔电机系统架构
图表 上海仪电显示工业大数据平台架构
图表 中航工业总体技术架构
图表 中航工业总体网络架构
图表 徐工集团工程机械产品黑盒子
图表 徐工集团工业物联网信息服务平台
图表 徐工集团工业物联网大数据系统
图表 徐工集团工业大数据平台风电应用技术架构
图表 中联重科工业大数据平台架构
图表 苏州明志科技制造管理系统
图表 海尔工厂工业大数据系统框架
图表 海尔工厂数据可视化示意图
图表 宝鸡智能工厂信息流通示意图
图表 宝鸡智能工厂大数据系统框架
图表 重庆享控智能科技工业大数据架构
图表 重庆享控智能科技设备故障预测流程
图表 重庆享控智能科技工业大数据应用效益
图表 中国中车大数据整体架构
图表 中国中车数据建模流程
图表 新舟飞机大数据监控体系
图表 新舟飞机客户航线监控体系
图表 新舟飞机服务APP
图表 中天智能互联集成系统架构
图表 中天智能大数据逻辑架构
图表 中天智能大数据架构
图表 陕鼓远程智能运维系统技术架构
图表 Strata能效管理大数据技术架构
图表 勤智数码大数据系统结构
图表 北科亿力炼铁大数据技术架构
图表 沙钢能源管理大数据技术架构
图表 大唐集团工业大数据技术架构
图表 大数据关键技术及产品研发与产业化工程
图表 大数据服务能力提升工程
图表 工业大数据创新发展工程
图表 跨行业大数据应用推进工程
图表 大数据产业集聚区创建工程
图表 大数据重点标准研制及应用示范工程
图表 大数据公共服务体系建设工程
图表 大数据安全保障工程
图表 2018-2023年中国大数据市场规模预测
一、主办方：华南农业大学经济管理学院
承办方：华南农业大学经济管理学院第28届学生会
二、大赛简介
企业文化案例分析大赛已连续成功举办了七届，作为中山大学一年一度的岭南经济文化节作为中山大学四大节之一，吸引了粤港澳三地众多优秀学子同台竞技，如中大、暨大、华工、华农等。经过时间历练，其主题的时代性与创新性得到了广泛认可。而其在华农大正迎来第三届，也正式打响了经管学院科技文化活动月的第一炮。大赛以实现学生理论与实践的结合为宗旨，希望通过比赛让参赛学生在实践中提高自己的理论水平、经济意识、想
象空间，给予学生运用专业知识的机会，增强学生与外界优势企业的联系
三、大赛主题
Evolution(适者生存)
寒冬远逝，料峭春寒席卷大地。丛林萧瑟，迷雾诡谲，一场肃杀暗斗悄然上演。
灌丛中潜伏的眈眈虎视、失衡后摇摆不定的天平、地底下蠢蠢欲动的各式力量，是新格局的序幕、是新战役的先声。昔日的领头羊欲重领风骚，潜伏的黑马想突围而出，微现颓势的老牌大鳄望焕发新生„„动荡起伏的局势下，谁，才能在优胜劣汰的丛林原则下生存？谁，才能逃脱被淘汰的命运？谁，才能适应新环境成为新的王者？
波涛激荡，是什么力量缔造屹立长青的企业神话？暗潮迭起，是什么理念铸就后来居上的辉煌传奇？阴霾笼罩，是什么精神炼就敢于革新的胆识魄力？拥有怎样的文化，才能让企业适应万变的环境，最终到达成功的彼岸？
冲破云层，适者生存，看企业驰骋风云。
四、比赛形式
1、初赛：以论文为评定基准，即通过评委对各参赛队伍论文的审阅与分析来评出进入复赛的参赛队伍
2、复赛：初赛晋级的队伍进入复赛，并在复赛中决出一、二、三等奖。比赛形式主要为现场结合PowerPoint用英语做研究结果演讲展示
3、论文格式：
1)
5000字以上，正文宋体小四号字，1.5倍行距，A4纸打印。
2)
论文首页须附“企文大赛报名表”
3)
必须在封面左上角标上队伍编号（编号将在论文提交前公布），不得出现队伍名称等资料。
五、参赛规则
1、参赛者必须是具有学籍的华南农业大学学生，不限专业，不限年级
2、以队伍为单位，4-8人一队，每队可以配备一名指导老师。每个学生至多参加一队，老师可以指导多个队伍。
六、赛程安排
1、初赛阶段：2011年3月17日到2011年3月31日
2、复赛晋级公布时间：2011年4月2日
3、复赛阶段：2011年4月初
4、复赛表现优异队伍将代表华农大参加在中大举行的总决赛
七、报名方式
1、报名方式：上交纸质版报名表并发送电子版报名表到比赛邮箱：qwbaoming@163.com 报名表索取方式：
1、比赛宣传摊位直接索取
2、在企文公邮：qywhalfxds@163.com
密码：12345下 载
八、参赛须知
1、纸质版报名表和论文上交时间：2011年3月31日
中午 12：00-14：00
地点：教四架空层底层
2、请参赛各位不要随意改动公邮信息，以免造成其他同
学不便
3、一个参赛团队只需上交一张报名表
4、大赛公邮：qywhalfxds@163.com密码：123456
九、大赛赞助
1、毕马威：网络遍布全球的专业服务机构，设有由优秀专业人员组成的行业专责团队，致力提供审计、税务和咨询等专业服务。
大赛奖品：表现优异者有机会获得由毕马威公司提供的参观、实习和奖金！
十、大赛宣传
工业化和计算机技术的发展, 使制造系统每天产生的数据量不断增加, 整个制造业产生的数据量远高于其他行业[1]。面对日益复杂的制造业生产系统, 通过保存其运行过程中的中间数据, 并对数据进行研究, 能够解决当前的系统建模手段无法解决的问题。传统的数据分析方案一般先将数据保存到关系型数据库中, 然后借助联机分析、处理等手段为决策提供支持[2]。
当面对制造业的海量数据时, 可能会有如下缺陷[3]:
(1) 数据来自不同地区的工作站、传感器等, 而且数据格式不统一, 既有结构化数据, 也有非结构化数据, 不利于处理;
(2) 联机分析处理过程中会有大量的数据移动操作, 当数据量达到PB级时, 大量数据移动造成的开销变得难以接受。
因此, 有必要研究并实现一个能够合并存储异构数据、并且可以完成基于大数据的CIMS数据分析处理的平台。本文将Hadoop大数据技术引入到CIMS海量工业数据的监测和分析中。
二、研究现状
范剑青[4]阐述了大数据独有的特点, 说明大数据提供的海量数据给统计、处理以及统计估算和检验带来的问题。Jiang等人[5]对电子商务网站的大量商品数据进行分析处理, 提出了基于Hadoop的协同过滤算法。
Duke能源公司模拟大数据解决方案, 使维护专家远程观看设备和记录异常指数, 甚至可以及时采取纠正操作, 但还不能真正实现大数据分析和处理平台。通用电气 (GE) 于2013年推出其大数据分析平台, 用以将云平台中的工业机器产生的海量数据转化为实时信息, 此平台可以认为是第一个能够真正管理工业海量数据的平台, 但是难以处理来自多个数据源的数据。美国国家仪器公司和IBM联手推出Info Sphere Streams大数据解决方案, 能够以很高的数据吞吐率分析来自多个数据源的信息, 但其处理带有一定的数据延时, 实时性不佳。
为解决海量数据处理时的实时性问题, 本文拟采用开源的Storm流处理技术, 并借助类SQL和Piglatin等过程化语言扩展, 以实时监控整个大数据平台。
三、大数据技术在CIMS监测与分析平台中的设计
工业应用数据在数据量上远超普通应用, 其海量数据存储的要求超过了传统的关系型数据库的存储能力。另外, 工业应用数据也由传统的结构化数据扩展到结构化、半结构化以及非结构化数据并存, 对这些数据格式以及数据类型都存在不同的工业数据进行采集、分析和处理的方式有别于传统方式, 因此需要对监测和分析平台进行设计, 从软件结构、通信方式以及数据存储方式等各个方面进行分析。
3.1 CIMS海量数据监测与分析平台的设计
在将大数据技术应用于CIMS海量数据的监测与分析时, 海量的工业数据不再存放在传统的关系型数据库, 而是存放到HDFS分布式文件系统上。因此, 软件结构设计要与Hadoop的HDFS文件系统相对应。
3.1.1软件结构
本文设计的CIMS海量工业数据监测和分析平台 (以下简称“平台”) 采用Master-slave主从架构, Hadoop集群的Name Node节点作为监测和分析平台的管理节点, 完成数据采集、数据分析等各功能的功能模块是工作节点。管理节点管理整个集群的相关信息, 并维护包括节点的主机名、IP地址等机器状态。工作节点可以根据工业应用的需求进行灵活的配置, 也可以动态增加或减少。
平台主要分为如下部分[6]:客户端、消息中间件、数据查询模块、数据分析模块、数据采集模块以及Hadoop集群。客户端接收用户请求, 向平台发出任务请求;数据采集模块、数据查询模块以及数据分析模块是平台的功能组件, 分别提供工业大数据分析流程中的对应功能[7]:数据采集模块对外提供数据的访问接口, 其功能是从不同的数据源获取数据, 并将这些数据存储到Hadoop的HDFS文件系统上。
数据查询模块从HDFS文件系统中查询数据的存储索引, 并返回给数据分析模块;数据分析模块中实现不同的数据分析配置方法, 并交由Map Reduce框架分布式地实现数据分析任务。
3.1.2系统功能模块
平台中监测和分析的数据一般都是离散数据, 所以选择消息中间件作为通信管理模块, 消息中间件实现平台中各个模块间的通信。
以功能节点上线为例, 由于管理节点存储了所有节点的状态信息, 所以为保证整个集群信息的一致性, 功能节点上线时需要先向管理节点注册其信息, 管理节点会向消息中间件订阅“注册”这一主题, 消息中间件接收到订阅请求后会创建相应的队列, 并持续监听此队列的消息情况。消息队列中的消息是以文本格式存在的, 本文的消息传递方式采用XML。平台中的操作请求都会发送给任务管理模块, 由其解析后, 再发送给相应的功能模块执行。
数据采集模块从基于HDFS文件系统的Hbase数据库中获取来自客户端的数据, 由于工业数据的采集并发量可能比较大, 因此要在采集端部署大量数据库;除此之外, ETL工具负责将异构数据源的数据抽取处理进行数据清洗。Hadoop上的数据分析模块能够完成多维分析, 由于Map Reduce的具备很强的并行处理能力, 因此分析维度的增加并不会使数据分析的开销显著增加, 这无疑是传统的数据分析平台所无可比拟的。
3.1.3数据存储方式
传统的关系型数据库不能很好的支持结构化和半结构化的数据, HDFS分布式文件系统克服了这一缺陷, 将非结构化数据和结构化数据都以文件形式存放, 实现了廉价而又可靠数据存储。
工业数据可能来自多个不同的数据源, 平台借助中间件屏蔽了它们之间的异构性, 然后将这些原本异构的数据存储到HDFS文件系统中。这种异构数据存储方式不需要昂贵的存储设备, 廉价的服务器即可组成可靠的存储集群;另外, 存储集群节点同时还是Hadoop集群的工作节点, 提高了数据存储节点的利用率[8]。
四、大数据技术在CIMS监测与分析平台的性能优化
软件工程思想中, 不能只设计软件的结构, 同时要对软件进行不断优化。平台集中了多个数据来源的数据, 因此平台间的数据传递吞吐量比较大;另外, 平台各个组件间的网络依赖关系比较复杂, 合理分配网络资源对提升平台性能有重要的影响。
系统动力学研究复杂系统的结构、功能以及动态行为模式, 可以利用系统动力学的相关原理和方法, 对本文设计的平台进行模拟仿真研究。
在进行实际的大数据平台仿真分析时, 为搭建Hadoop集群本文配置4台服务器, 其中一台作为Name Node, 其他服务器作为Data Node。具体的配置信息如表1所示:
系统动力学分析软件系统的基本思路是把与系统相关的网络变量转换为因果图及流图, 因果图表征了变量间的相互影响关系, 流图说明了变量的反馈积累;然后利用DYNAMO方程描述变量间的关系。因果图反应了平台中的反馈回路的正负极性, 表示出系统元素间基本的相互影响关系。
基于以上分析, 对本文设计的平台进行系统动力学分析如下:由于平台是一个非线性时变系统, 影响其性能的因素不仅包括管理节点、消息中间件、Hadoop集群等, 还包含网络带宽、服务器配置等客观因素。根据系统建模目的, 可以知道系统边界应该包括如下因素:用户请求数目、数据采集模块采集到的输入数据、消息中间件队列中的消息数量、消息中间件路由消息的延迟、Hadoop集群的性能等。
平台的系统边界确定后, 接下来需要分析系统边界内的元素间的影响关系, 以及它们之间是否有因果关系。经分析可知, 用户请求的增加会导致消息中间件队列中的消息增加, 而消息中间件路由消息的延迟降低会降低系统中消息传递的整体时延。
消息中间件的工作性能和系统各个模块的工作时延组成正反馈回路, 说明消息中间件和系统模块是正相关的, 所以平台整体性能的提升依赖于消息中间件和系统模块的合理资源配置。
消息中间件的各种配置参数, 比如响应速度、吞吐量等参数对提升平台的分析性能影响很大, 在优化消息中间件的各种参数后, 比较本文设计的基于大数据的数据分析平台和传统的工业数据平台的性能, 在同时对PB级别的工业数据进行分析时, 当CPU数目相同时, 响应速度的结果如表2所示:
对于不同的数据级别, 两种大数据平台的处理效果如表3所示:
由结果可知, 在处理相同的数据量时, 在响应速度的性能上, 本文设计的工业数据分析平台要优于传统的数据分析平台。
当处理不同的数据量时, 随着数据量的增加, 传统的大数据处理平台的处理时间也呈现显著增加, 而本文设计的大数据处理平台处理时间是线性的, 明显优于传统大数据处理平台。
五、总结与展望
本文首先介绍了Hadoop大数据技术, 分析了其HDFS文件系统和Map Reduce计算框架;
接下来对基于大数据技术的CIMS海量工业数据监测和分析平台进行设计, 从软件结构、通信方式以及数据存储方式等各个方面进行了分析。最后利用系统动力学的原理, 对影响平台性能的因素进行了研究。
与Duke能源公司模拟的大数据解决方案相比, 本文设计的平台已经能够采集、分析并处理海量数据, 真正意义上在工业领域引入了大数据技术;而且此平台还能够处理来自多个数据源的数据, 比通用电气的大数据分析平台具备一定的优势。
参考文献
[1]韩燕波, 赵卓峰.面向大规模感知数据的实时数据流处理方法及关键技术[J].计算机集成制造系统.2013, 19 (3) :641-653.
[2]邓华锋, 刘云生, 肖迎元.分布式数据流处理系统的动态负载平衡技术[J].计算机科学.2007 (07)
[3]胡茂胜.基于数据中心模式的分布式异构空间数据无缝集成技术研究[D].武汉:中国地质大学, 2012.
[4]杨林青, 李湛, 牟雁超等.面向大规模数据集的并行化Top-k Skyline查询算法[J].计算机科学与探索.2014, 12 (26) .
[5]J.Jiang, J.Lu, G.Zhang, and G.Long.Scaling-up item-based collaborative filtering recommendation algorithm based on hadoop.SERVICES, pp.490-497, 2011.
[6]王黎维, 黄泽谦, 罗敏, 彭智勇.集成对象代理数据库的科学工作流服务框架中的数据跟踪[J].计算机学报.2008 (05)
[7]多雪松, 张晶, 高强.基于Hadoop的海量数据管理系统[J].微计算机信息.2010 (13)
未来20年的大数据战场
台达电子执行长郑平表示，“发展到今天技术早已不是什么大问题，怎么样让技术与应用实质有效的结合，从理想变成实际还需要一个过程，我相信5年后应该会看到一些产业已经初步导入大数据可视化。”可见，5- 10年后，将是传统制造业借助大数据蓬勃发展的重要时刻，而10年后我们将看到一个完全不一样的制造形态，革命不是瞬间改变的，在这个渐进式的时间轴里，未来20年里的工业转型期都将是大数据的战场。
劳动力成本的持续上升正在为中国制造业带来巨大的成本压力，据统计，沿海传统工业区劳动力工资正在以每年10- 20%的速度递增，且劳动力缺口依然高达近3成。最终导致一部分高度依赖劳动密集生产的外资企业甚至本土企业，转战至劳动力成本更低的东南亚国家。中国正处于经济结构调整、制造业升级的十字路口，郑平告诉笔者，“中国的市场需求和欧美很不一样，有很多小的机会容易被错过掉，但往往这些小机会会在不经意间变成蓬勃发展的投资新领域。所以这庞大的市场蛋糕并不是像欧美百年大厂或其组成的行业联盟就可以轻易吞掉，且不说能不能适应这个新兴市场的需求，仅仅更改、调整产品就需要一定的成本，所以综合上来考量，虽然西方大财团具有先天优势，但对于投入这一领域的企业而言基本是相对公平的，各取所需。”
台达视讯事业部总经理傅洁说：“行业竞争虽然很大，但这个行业肯定是大家一起捧起来的，且经过多年的积累，每家公司基本都有它最擅长的领域。所以，要想快速的将大数据可视化推进到实际应用，制定相关的标准必不可少，而在标准的制定过程中，基本会走向两个方向，一个是有国家进行主导，如老牌工业大国德国；另一个则是处在同一领域的行业参与者组成行业联盟，由联盟来制定更为公平的标准，而联盟的存在则可以让市场更利于企业的良性竞争。每个企业都可以根据自身的需要尽可能的参与到这个标准制定的过程中去，以维护在自己所擅长领域的核心利益。”
从IOP到IOT要一步步走
从英国提出物联网，到德国的工业4.0，每一步都直指人心，在工业发展畅想未来的同时，大数据可视化在工业领域的推进究竟进展到了哪一步呢？那么先让我们了解一下什么是真正的大数据时代，从大家最为熟悉的互联网移动端讲起，人们在日常工作生活中，有这样一部能够记载你个人喜好、习惯的手机，当你进入到一个陌生的房子中时，这部手机会快速连接到这个新环境的数据端口，通过导入记载了你生活规律的数据，通过控制光线、温度、气味等，最大限度将这个新环境调整到符合你喜好的状态。
工业大数据可视化同样是这个道理，郑平认为，“现在我们所谈的大数据和IOT（Internet Of Things）都还没有怎么发生，真正应用发生的比较好的其实是IOP（Internet Of People），在人工管理及生产阶段，我们先要做合理化、自动化，然后才能进行到智能化IOT阶段。比照人工管理模式、以往的经验，由专家制定一层层管理方法去建立分析模型，逐渐促使计算机学会变化式的回应。从机器到机器之前还需要人将各种生产数据传输上来，最后解决存储数据、分析数据、处理数据的阶段，将每套设备独立的控制系统通过网络连接起来，再由一台大型计算机进行统筹安排、调整，这也才仅仅算是入门阶段。”
傅洁表示，“以台达正在开展的设备连接为例，第一种是直接调用图形，并将这一图形放置在任意位置，缺点是只能形成单一图形，等到数据图多起来以后很难整合在一起；其次是智能设备已经产生了智能模型，这样就可以直接生成控制端所需的整合数据；第三个就是在具有监控系统的企业中，直接进行数据库与数据库的沟通。大数据可视化在工业领域的应用就和当年ERP系统的开发是一样的，必须针对每家企业进行独立的设计、改造，像我们最近所做的新疆油田‘一体化运行指挥中心’项目中，完美解决了海量异构数据的融合、系统的整合。而面对实现大规模数据可视化的关键，在于将抽象数据转换为便于人类有效理解的图像展示。台达iPEMS智慧监控与可视化管理系统，从客户的需求出发，通过实时数据采集、子系统数据集成、广域系统监控、智能数据分析，矢量数据可视化和超高分辨率显示等一整套技术，为用户提供完整的一体化运行管理和应急指挥平台，以大数据可视化手段辅助用户做出最佳决策方案。”
【工业企业大数据案例】推荐阅读：
集体工业企业07-04
工业企业调查表06-21
工业企业税收政策07-14
工业企业管理系统07-15
工业企业成本核算制度07-19
企业进驻工业园区计划05-28
工业企业宣传片文案07-13
工业企业会计做账流程07-12
工业企业集团营销力评价研究06-06
罗甸县规模工业企业发展情况调研06-05
