区域性教育大数据总体架构与应用模型
关键词：区域教育大数据;区域教育质量提升;教育大数据应用;教育大数据生态系统
(一)大数据是区域智慧教育发展的基础
智慧教育是当前教育信息化的发展方向，也是区域教育信息化的美好期望，但要实现教育中的智能支持，大数据是必不可少的。近几年以深度学习为代表的人工智能实现了突破，关键在于一方面是大规模并行计算能力的发展，另一方面是大数据的汇聚，通过深度人工神经网络学习大数据中蕴含的规律，从而获得了智能，如语音自动识别、语言精准翻译、计算机视觉等。在教育领域，如果要全面了解学生，必须全面采集学生学习过程的各种大数据，通过数据拟合，形成模型。区域性教育大数据汇聚应用是智慧教育必经的前置阶段，依托大数据，逐步形成智能系统和智能装备，为智慧教育发展奠定基础。
(二)大数据是科学配置教育资源的基础
教育大数据是在教育活动运行过程中的数据，它反映教育系统运行过程中实时、真实的运行状况，蕴含着教育系统运行的内在规律。通过数据挖掘，可以将这种规律及其演化趋势可视化展现出来，使教育决策部门可以预测到区域内教育发展的需求趋势，从而进行科学的教育决策与教育资源配置，由事后补救转向事前预警，使得教育资源配置过程更迅速，甚至达到实时与即时性。如基于区域性的教育电子地图，叠加区域综合大数据，及时可视化动态显示变化趋势，帮助教育决策者获得超越个体与局部的宏观或中观的洞察力;通过数据聚类、关联分析和演化趋势等技术分析，可以发现群体共性问题，群体中的异常模式，相比之前更容易发现问题所在、可能弱点和盲区，并发现背后根源性的问题。
(三)大數据是改进教育公共服务模式的重要契机
教育公共服务向来优先满足群体的共性需求，难以顾及个体的个性需求。究其原因，传统手段很难实现精准了解每个个体的个性化需求，要为每个个体提供个性化服务，成本太高，基本无法实现，而基于互联网和教育大数据来提供教育公共服务，则可以高效解决这个问题。通过对学习数据的深度挖掘与分析，可以让教师了解每个学生的学习特征与需求，为学生推送适宜的学习资源与服务，不需要大规模人力投入，即可实现对个体的实时监测与及时反馈。互联网可以最大程度汇聚社会教育服务资源，通过大数据来提供精准的导向，提升个体获得感。通过建立共性需求与个性需求相包容的教育公共服务体系，可以构建起具有“更多获得感”的教育公共服务供给体系。
(四)大数据是推进区域教育质量监测与管理的最佳手段
传统教育质量监测数据是阶段性的、相对静态化、抽样性的数据，一般在于凸显学生群体的发展情况，如学生整体的学习成绩水平，学习负担、心理素质与体质健康等。数据通过周期性、阶段性的监测评估来采集，采集的对象一般采用抽样的方式决定参与的群体。而教育大数据是全样本、全过程的数据，它可以更好地关注每一个学生的微观个性表现，是学生学习过程中产生的数据，如学习的时间、学习内容、学习活动、人际交互、学习投入与情感投入等各类数据，这些数据在日常教育业务中产生，全样本覆盖，实时收集、实时分析、实时反馈、实时改进，数据不仅仅是服务于区域教育行政部门，更可以服务于每一个老师、每一个学生、每一个家长，让服务主体有获得感，是推进区域教育质量改进与提升最有效的手段。
二、区域教育大数据的技术架构
区域教育大数据平台是推进区域性应用的核心关键，大数据平台不仅仅是计算资源虚拟化、云化，更重要的是利用人工智能领域的深度学习、自然语言处理、知识图谱、知识推理、语义搜索、智能推荐等关键技术建立面向教育业务的大数据收集、处理、分析及应用模型。
在良好的大数据生态体系的支持下，需要针对典型教育场景及跨场景的教学环境，进行学习全过程数据的采集、对学习资源进行语义描述与关联。以采集的全体学习者数据为对象，基于认知、情感与动机等关键特征，利用知识跟踪、深度学习等技术构建学习者常模与个性化模型。通过个性化学习服务工具与精准推荐服务引擎，基于海量学习资源的汇聚，形成感知个性化需求的智能化教学环境，支持开展围绕课内课外、线上线下相结合的个性化教与学的关键环节与途径。在服务的过程中，数据自然的汇聚与生成，形成区域教育大数据，可为区域教育质量管理、教育资源配置、区域性精准教研、区域性教育公共服务提供科学的决策基础。典型区域大数据的技术架构如图1所示。
区域教育大数据平台应具备情境感知、自然交互数据全记录、学习资源语义化汇聚、内容自动转码与格式自适应等特性，利用平台中建立的学科知识本体库、认知模型库以及推理引擎等核心基础模块，对采集的学习过程交互数据进行自动化分析，实现学习资源与学习服务个性化、适应性推送。
(一)教育全过程多模态数据的采集
学习过程数据的采集，可以从学习情境信息、知识建构行为信息、学习行为和学习结果信息四个方面来进行。其中学习情境信息主要包括学习者初始能力水平、学习终端等影响学习者获取和运用知识的一切要素。知识建构信息主要包括学习内容与学习资源的编辑、审核、批注、分享和传播等对学习内容和学习资源进行再创造的数据。学习行为信息以学习活动为核心，主要包括浏览学习内容与资源、参与学习活动、完成学习任务等过程性的行为数据。学习结果信息主要包括学习时长、测试成绩等成果性数据。学习情境数据的采集可以借助智能可穿戴设备与智能传感器等工具实现，学习行为数据的采集可以通过插码工具和xAPI等实现，知识建构和学习结果等认知投入、目标状态数据可以借助大规模在线课程中所设计的学习活动进行采集。
教学场景数据采集包括课堂视频实录数据、语音实录数据、各类管理系统记录的数据、师生互动的数据、在校园活动的轨迹数据等。
所采集的跨场景、多种类的异构过程化教学信息，还需要通过文本分析、编码分析、语义分析、语音识别、图像分析等技术，转换成可以挖掘和分析的数据，并基于数据集成交换标准进行融合与管理，以实现教育全过程数据的实时收集、有机集成和全周期管理。
(二)学习者个性化认知模型构建
学习者学习个性特征的刻画是开展个性化支持服务的关键。在学习过程中学习者的个性特征，不能只是网络访问行为等外部特征，更要关注其发展特征与认知特征，包括认知能力、学科能力、问题解决能力、心理状态、体质健康、学习风格、学习情绪与知识的学习交互关系等，需要基于教育与心理的模型来对学习者个性特征进行语义建模。
在学科能力表现方面，结合学科特点，构建语文、数学、物理、外语(英语)、生物、化学、道德与法治、地理、思想政治、历史、科学、体育、自然、综合实践、音乐、美术等学科的评测与诊断模型，以学科素养一关键能力一核心知识为关键表征与统一的编码体系，形成对各个学科的核心素养与学科能力表现的表征、评测与诊断整体框架。各学科根据本学科的核心素养和内容主题，采用严谨的程序规范，开发关于学生学科素养和学科能力认知的诊断工具，将学科核心素养、知识内容与能力表现密切关联，建立基于多级评分的、考虑学生不同作答策略的、能够表征连续心理特质与离散知识状态的、可以分析群体知识水平的认知诊断模型。
在心理健康特征表征方面，包括对个体的情绪、自我认知、社会适应等多个方面建模。心理健康可分为正负两个方面，既要关注积极的心理健康状况，也要关注消极的心理行为问题。在强调学生情绪、行为之外，还强调教育活动对学生良好人际关系、人格品质、合理社会认知的养成。要基于一系列高质量的综合心理素质测评工具，建立一套中小学生综合心理素质测评常模。
在体质健康表征方面，基于体测数据及日常运动行为数据建立学生身体健康素养综合评定指数体系。通过跟踪诊断学生体质健康、身体运动功能、运动技能学习、生活方式等，判断体质健康、身体功能及运动技能学习的发展优势。基于数据分析生成科学的体质测试分析报告，帮助家长了解孩子的体质状况和健康状况，关注、提升孩子在科学运动方面的兴趣，引导孩子健康成长，全面发展。
在学习行为特征方面，以大规模学习者样本数据为基础，对不同年龄、性别、区域的学习者群体所表现的学习特征及其典型变异进行分析。基于学习情境信息、学习结果信息、学习行为和知识建构行为四个方面数据对学习者个性特征进行语义建模。从学习兴趣、学习风格和知识水平等多维度构建学习者常模，形式化、明确化表征学习者个性和共性特征。同时通过对学习者的持续追踪，分析学习行为与知识单元的多尺度关联特征，发现学习者在线学习的共性和个性变化规律，实现对学习者发展常模的动态生成和持续更新。
(三)基础教育学科知识图谱构建
知识图谱通常指利用多关系图结构描述真实世界或特定领域的各类实体以及这些实体间的关联的知识库。教育知识图谱是针对教育领域构建的知识图谱，旨在表示教學过程中涉及的不同元素及这些元素之间存在的具有教育意义的各类认知关系。要构建基础教育领域的知识图谱需要深挖教育全过程中教学、学习、管理、评价四大有机环节中产生的数据，以知识内容、教师、学生、管理者为核心对象，基于角色、任务、行为、效果展开语义抽取、融合和推理，构建动态教育知识图谱。
学科知识图谱可以在教育语义计算、教育资料的语义关联、学习者模型建立、网络教学平台开发、智能答疑系统开发、学习资源的个性化服务等诸多方面发挥重要的基础性作用，是这些应用得以实现的前提。以语文、英语、数学、物理、化学、生物、历史、地理等学科课程标准与教材为基础，建立教育领域学科知识图谱，综合应用人工智能技术辅助学科概念的提取、概念定义性质的提取以及概念关系的发现等，实现领域图谱构建过程的半自动化。
学科知识图谱构建的核心思路是基于知识之间的语义关系所形成知识之间的逻辑关联网，并叠加教学目标、常见教学问题等教学知识。在知识图谱的基础上，叠加学习者对知识掌握的状态信息，用于可视化表征学习者动态知识发展的情况，从而形成学习者的认知地图。认知地图既可以用于知识导航，又可以作为评估的有效支架，还能用于学习内容与学习服务的精准推荐，同时满足用户不同层面的需求。
(四)教育数据挖掘分析
在数据仓库和知识图谱的基础上，通过教育大数据分析系统，对教育数据展开实时挖掘与分析，包括教学全过程的量化评估与效果预测、学生学习全过程的量化评估与效果预测、学生意外精神状态的预警等，实现知识内容和信息在不同对象之间的有效传递，实现教育大数据与教育服务的无缝融合与价值提升。基本技术思路为：(1)分析教育各环节产生的数据特征，制定面向教育大数据的规范标准，对数据进行清洗、整合;(2)借鉴ESB(EnterpriseService Bus，企业服务总线)的数据集成思路，利用NoSQL、Hadoop、Spark等面向分布式、流式计算的数据存储与分析系统，构建集成的异构教育大数据平台;(3)利用数据分析与知识计算的相关理论、技术，针对教育大数据的特点设计聚类、关联、分类等模型与算法，实现语义发现与推理，提升教育大数据的价值;(4)通过可视化技术，实现基于大数据的智能教育服务的展示、交互等功能。
在业务场景的分析上，关键是要围绕学科教学的发展进程来建模分析：(1)通过对教师、学生的在线行为进行挖掘与分析，描绘学科教学模式、学生交互模式等方面的发展进程，发现热点问题，预测发展方向;(2)对教师之间的合作关系、教研生态等进行分析，发现网络教学团队建设的特点，通过教师线上交互数据的挖掘，发现和发掘优秀教育成果，将专家主导的教育发展模式转变为专家一教师互动共建的模式;(3)对学生最邻近发展区进行表征与计算，对学生动态发展的能力进行评估，分析学生学习的优势和不足，融入教育大数据的层级性、时序性和情境性特征(学习影响因素)，构建新一代的认知诊断模型;(4)建立学生心理、体质健康等关键领域常模，结合标准划定技术以及潜类别模型等，有效描述学生的心理与体质健康的离群状态，及早干预，促进学生身心健康发展;(5)汇聚群体数据进行深度挖掘，通过对数据聚类、分类、离群点、关联、相关性、判别、比较、偏差等参数的分析，了解群体的整体水平与发展趋势，形成面向不同群体的分析报告。
(五)资源的语义标记与聚合
资源要以教师和学生的实际获得最大化为导向，设计、开发和汇聚符合在线学习特征的数字资源与创意服务，建立平台资源与服务的统一标准，提供与外部数字资源与学习服务融合的接口，汇聚海量资源形成“人人教、人人学”的教育服务超市。
教育资源语义化是实现智能推荐的基础。要探索学习资源的自动化语义标注机制，实现海量学习资源的自动化、精准化语义标注。具体技术路线是对采集的多形态资源数据进行基于结构和内容的语义提取和语义映射处理，实现机器自动化的语义聚合。语义提取过程中针对结构化的开放教育资源如DBpedia、Freebase等采用语义查询语言(如SPAQRL)直接获取;对于半结构化的教育资源采用语义包装器抽取资源结构信息，利用自然语言处理技术、概率图模型、机器学习等技术提取资源内容语义信息;对于无结构化的教育资源直接利用自然语言处理技术、深度神经网络模型等技术提取资源语义信息。在语义映射处理过程中，构建多学科教育资源的桥本体，对通过语义提取获取的教育资源语义信息进行本体对齐处理，保证多源异构教育资源的语义一致。
网络资源的聚合是指对分散在互联网上的资源根据一定的规律进行筛选、排序和重新组合，从而为用户提供更有针对性、更易查找和使用的资源集合。资源聚合的工作原理是对资源进行标识，通过对用户需求分析，整合相关资源实现资源有组织的重构，从而向用户提供精确有效的资源集合。聚合的核心是解决学习资源内在关系的建立以及外在可视化的问题，以便更好地重用与共享。学习资源深度聚合，首先从计算资源的语义关系出发。采用基于规则的推理、语义相似度的计算等技术，动态发现资源之间的各种语义关系，将异构学习资源的语义空间整合到统一的语义空间，深入揭示学习资源的内在联系，并将资源和服务进行深度聚合。其次，促进学习资源深度聚合，也能够利用社会计算的方法，通过分析用户与学习资源的交互行为，从中发现社会关系、社会行为的规律，利用社会化的行为来改善、提升资源聚合的质量和结构化程度。在线学习中，学习者不仅是从内容本身中获得知识进行学习，内容背后的人在学习者学习过程中也扮演着重要角色。在线学习中，由于知识之间的内在关系与人的社会性交互，形成了人与知识共生的社会性知识网络，社会性知识网络对于学习资源的适应性推荐至关重要。
(六)个性化智能推荐引擎
个性化学习智能推荐引擎是区域大数据平台的核心组成之一，该引擎可以为教师、资源提供者以及学习者提供精准且适当的资源组织形式和获取途径，提供完整的个性化学习支持，包括学习内容和活动推荐、学习工具与策略推荐、学习专家与同伴推荐等，实现个性化学习服务推送。
学习资源与学习服务的智能推荐引擎要借鉴双向适应的原理，从学习者模型和學习资源组织两个方面的相互联动角度，实现基于数据驱动的、感知学习过程情境的、持续性的自适应。基于数据驱动的自适应关键在于研究如何从用户兴趣、已有知识、动态能力和学习风格等角度出发进行课程资源推荐，并基于内容相似度和链接结构相似度进行目标资源的筛选和聚类。感知学习过程情境的自适应关键在于研究如何获取和表征学习者当前所处的情境信息，并与资源情境本体进行适应匹配，实现对学习内容、学习策略、学习活动、知识专家、学习路径和学习服务的推荐。持续性的自适应关键在于研究如何利用学习过程中的核心数据完成对学习者在线课程知识节点学习状态的计算，实现对知识掌握水平的客观、动态、连续表征。同时，由于学习是一种持续发展的过程性活动，因此在持续的自适应中需要考虑学习者知识结构、能力的变化，持续性地引导学习者进入下一个最适合的学习活动、为学习者找到与其当前知识和能力水平最匹配的学伴。
学习资源与学习服务的智能推理引擎需要对学习过程中学习者表现出的个性特征(知识结构、学习情境、学习风格、学习情绪、与知识的学习交互等)进行语义建模，构建学习者的个性特征本体模型，设计多重影响要素的自适应聚合推理引擎，实现学习资源与服务的适应性推送。基本技术思路为：(1)研究学习过程中的认知规律，改进Felder-silverman、Kolb、Witkin等学习风格模型，LOCO、m-LOCO等学习情境模型和ARCS、FEASP等学习情绪模型，完善学习者模型;(2)在社会性知识空间构建基础之上，基于学习者个性特征本体模型，从学习风格、学习情境和学习情绪三个维度构建一个多重影响要素的适应性聚合模型。利用复合语义相似度计算技术和推理技术实现资源与学习者的适应性聚合的最优化，不仅聚合知识内容资源，而且聚合最合适的学习活动和人际资源;(3)最后利用可视化技术，结合认知地图，为学习者提供呈现符合自身个性特征的资源集合，包括个体认知地图、知识网络服务、资源学习顺序路径，为学习者提供有意义的资源组织形式和获取途径。
(七)区域教育决策分析
大数据可以使管理者从经验决策转型到数据驱动的决策，提高其教育管理的科学性。传统教育数据是基于抽样的局部数据，是在周期性、阶段性的评估中获得的，一定程度上不能完全客观真实地反映教育状况。同时，传统教育数据因为没有合适的载体，只能随着时间流失，进一步加剧了数据的片面性问题。而随着数据采集与存储技术的发展，长期的积累可形成个体和群体大数据，通过对数据的横向和纵向的深度分析，教育管理机构能够及时准确地了解教育教学情况，预测并预警可能发生的不利事件，更加科学合理地做出教育决策。而且基于教育大数据的决策反馈过程更迅速甚至达到实时反馈，大数据具有易比较、交流、转化的特质，在此基础上做出教育决策，更符合当下信息时代要求及时响应的特点。
无论是宏观的教育制度与管理体制改革，还是微观的教学方法和管理方式的改革，都可以通过科学的数据分析寻找问题的症结所在，识别不同地区教育发展的独有规律，然后对症下药，实施改革。教育大数据能够聚焦于教与学的微观层面，将原本隐性的教育活动通过数据逐步清晰地描述出来，教育大数据也可以超越个体微观视野，从整体和宏观的视野来分析全局性问题，教育大数据还可以超越静态看问题的视角，从动态和发展的视角，去展现事物发展的过程，分析动态演化与发展过程中的问题。
由此可见，大数据思维帮助区域的教育管理摆脱传统的经验型被动决策，通过多元数据的科学分析、智能算法、依托区域教育质量地图，为教育管理者提供智慧的、科学的教育决策支持。
三、区域教育大数据的开放生态系统构建
区域教育大数据应用，只有平台和技术是不行的，关键要构建教育数据无缝流转的生态系统，数据要在不同用户角色、不同参与者之间、不同技术系统之间，在业务流程中无缝流转，在开展业务的过程中，既生成数据又使用数据，才能形成真正的大数据。靠行政推动的報送性的数据分析，永远无法形成真正意义上的教育大数据。
区域性教育大数据开放生态系统的构建，需要统一数据接入与交换格式规范，开放大数据分析服务，对内系统贯通，以单点登录模式统一用户、统一认证、统一结算，进一步实现业务系统之间数据与交互逻辑的衔接;对外开放大数据输入与输出、智能服务接人与输出的标准化接口，建立面向学习者、家长、教师、教育管理者和决策者的教育大数据可视化智能分析中心。通过各种智能终端应用、各种服务应用APP、各种智能教育装备系统采集数据，数据汇总后分析形成数据智能，通过API的方式，接人各个APP，提升服务应用的智能性，如下页图2所示。
区域教育大数据生态系统的建立，核心工作不是建设数据中心，而是促进系统之间的互联互通，是建立数据交换与贯通的技术规范与制度规范。
四、区域教育大数据的应用模型
本研究以智能教育大数据公共服务平台“智慧学伴”为例，介绍区域教育大数据应用模型，推进教育大数据应用要将学生放在数据应用的正中心，汇聚学生的学科素养、心理健康、身体发育、问题解决等方面的大数据，并在区域教育行政部门的牵头下前行，在学校和研训部门的多角色支撑下助力数据的深度应用，同时大数据也能更好服务家庭，促进家校协作，如图3所示。
区域教育大数据的应用可以使得家庭、学校、研训机构、教育行政部门之间，以学生数据为纽带，形成促进学生发展的紧密协同关系，能够有效提升区域教育质量。
(一)学生全面发展的数据汇聚
数据来源是区域大数据应用最重要的部分，在该应用模型中，由区域组织学生开展基于互联网的学科在线诊测，通过对学生学习数据的汇聚，对学生的知识和能力结合进行系统建模，建模数据类别主要包括学科能力测评、综合素质测评、双师在线服务、智慧学习伙伴、择校培优推荐、体质健康监测、问题解决提升、艺术素养挖掘等八个方面，数据汇聚的形式是作业、测试、问卷、体测、听课、线上行为、脑电波、问题解决等。通过后续的数据建模，可了解学生的能力素养和知识图谱，并通过大数据的分析为学生提供精准资源和在线教师及学伴服务，为个性化自主学习做好支撑。从区域提升的视角，学校的管理和学科教研实现定向改进，为更好的提升区域教育质量提供可行方案，下页图4所示为学科能力诊测大数据汇聚和应用的闭环流程。
(二)行政部门领航的大数据项目驱动
在大数据应用模型中，教育行政部门是“领路人”，在教育大数据落地中发挥着不可替代的作用，行政领航主要体现在面向主管领导、行政科室、信息化部门、教育督导处等层面的具体服务。
1.全区多维度数据分析支撑行政领导宏观决策
大数据的战略意义在于“通过海量数据的交换、整合和分析，发展新的知识、创造新的价值，带来大知识、大科技、大利润和大发展”。行政主管领导一般指区域教育局长或教委主任等区域教育发展方向的掌舵者，大数据应用主要体现在宏观数据服务支撑决策上，包括教育质量地图、区域教育质量监测、区域资源配置、区域教育公共服务、教育发展规划制定等业务。全区多维大数据汇聚会形成区域教育可视化质量地图，质量地图包括各校教学质量热力图、学校升学率、学校师生比、教师组成结构等多维数据，帮助决策者定位区域不同层面质量问题，实现目标管理;全区多维数据分析可以支撑行政领导开展区域资源配置决策，如学生学业大数据反馈出来的区域师资不均问题，可通过区域层面的宏观调控，优化教师配置;依托区域大数据显现出来的教师群体信息分析、学生群体来源分析、学校发展建议分析等内容，可以支撑区域制定未来发展规划。
2.管理数据可视化助力行政科室业务针对性推进
管理大数据可以服务区域中教科、小教科、人事科、教研室等不同业务直管部门，成为行政科室业务的加速器，实现数据支撑学籍异动、学段质量监控、教师能力提升培训等业务。由于社会人员的流动，高频的学籍调动带来了更多的转学、借读等业务的产生，学生的流动成为教育行政管理者的难题，智能平台和数据分析可以帮助行政管理者记录区域所有的学籍变动数据，行政科室可依据统计分析，及时制定出学籍变动的解决方案;历年学生中考大数据不仅揭示了学生发展的当时水平，更能通过多年连续大数据发现中学教育的发展走势，指导中学教育的发展改进;各个教师班级的教学质量数据，可以为师训部门组织教师专业培训提供参考。学生的能力发展数据、素养提升数据、师生关系数据的交叉分析，可以让管理者更清晰看到教师发展背后的问题，教师成长得到进一步的支持。
3.信息化数据应用分析助推信息化部门建设
《教育信息化2.0行动计划》(以下简称“行动计划”)已于2018年由教育部正式发布，“行动计划”提出教育信息化从融合应用向创新发展演进，全面提升师生信息素养。将信息技术和智能技术深度融入教育全过型。可见，信息化部门不再局限于建网络、买设备，而是能借助大数据更有效的开展教育环境建设和解决教育资源均衡。信息化部门要保证区域大数据应用的基本网络和设备条件，更要关注师生大数据产生后对其业务的支撑，师生在线学习行为大数据会生成区域、学校、班级等层面的信息化行为报告(如图5所示)，这可以大大提升信息化部门的管理效率，实现精准定位，有效跟进。教育资源均衡不仅体现在信息化软硬件的配备上，更要体现在直接获得的服务层次上，要及时通过数据，了解到不同师生获得服务的机会，并及时调整信息与服务资源。
4.大数据助力教育督导精准化
教育督导的主要职责包括常规教育督导，监督、检查和指导学校的教育领导和管理，对办学效益进行评估等，以前的督导主要体现在看某一个阶段的横截面，大数据提供了督导的新视野，可以看到发展和演化的历史过程，更好地开展评价导航，实现办学高效。还可以快速定位表象背后的关键问题，如透过大数据分析可发现某个区域某些学校的两级分化拉大，教育督导服务时可以直接督导该类问题的解决，直接定位到评价的关键环节，找到分化的原因，督导学校制定相应改进措施。
(三)大數据推动学校管理和教学走向智慧
1.大数据支撑学校行政智慧管理
智慧学伴大数据分析为校长和主任等教育行政人员提供了智慧管理的依据，可以依托数据进一步聚焦到学校发展共性个性问题、学生发展心理倾向、典型班级分析等业务上。大数据可以积累学校层面的教学数据、师生数据、班级数据，学校随吋了解本校各学科在全区的相对位置，也可实现同类学校之间的灵活对比分析(如图6所示)，方便了解学校的共性问题，在共性的基础上，学校可以进一步透过数据分析问题产生的原因，聚焦到个体问题解决上，根据问题确定管理与改进措施。教育大数据能帮助学校识别典型班级，透过全校全年级的数据，分析发现不同年级或班级的学生能力素养、学习行为表现，依托数据发现异常班级，定向跟进，技术化解潜在管理问题。透过学校心理综合素养大数据，学校可以更好的开展德育教育，如心理健康、网络成瘾、师生关系优化等，既可以从学校整体视角改进，也可定位到不同个体，进行定向干预，最大限度促进每一位师生的身心健康发展。
2.大数据支撑教师精准教学
大数据可直接助力教师精准教学，解决教学无据、学困生学困根源不明等问题。精准教学核心是通过学习数据分析，为每个学习者提供适合其最邻近发展区的学习服务与指导，通过学习行为数据的分析，教师可以精确了解学科教学是否达到目标、学生是否真正掌握知识或技能。“智慧学伴”可以通过对学生个体学习情况进行跟踪记录与分析之后，可以对学习情况建模，展现学生结构化知识地图，也可以展现全班整体教学薄弱点的教学地图，给予教师可视化的教学参考，让教学更有依据。右侧表所示是三个阶段利用大数据，帮助地理教师提炼出来的教学薄弱点，可供教师复习使用。学科学困生始终是教师教学颇为挑战的问题，智慧学伴可以帮助教师精准定位学困生的学习障碍点，让教师清晰了解学困形成的原因，从而制定解决问题的路径。
3.大数据支撑班主任智能班级管理
面对一个班的几十名学生，每个学生个性特征、学习问题各异，班主任想做到因人而异的指导与干预，往往心有余而力不足，传统管理的低效更是让班主任知难而退。通过多侧面、多形态的数据收集，如生理数据、心理数据、学习过程数据等，进行多层次、长周期的数据分析与挖掘，可以帮助班主任完整了解每一个学生的显性或隐形的问题，尤其是单亲等特殊家庭可能带来的学生成长问题，班主任借助数据分析可以精准问题定位、更加明晰管理重点。学生各有差异，所表现出来的学科优势也大相径庭，大数据支撑下，班主任可借助数据了解学生学科优势与学科短板，更好帮助学生进行中高考选科，实现最优化的组合。通过心理健康数据，班主任还可以了解学生家庭环境、人格障碍等引发学困的原因，从而更好的协同家庭，共同解决好学困问题。
(四)研训部门转型的大数据研修支撑
1.大数据支撑研训主管决策教研的方向
在传统的研修形式下，研训主管了解培训成效和教师专业成长情况的渠道是下属工作汇报或专题交流，导致工作效率较低，时间周期较长，信息也缺乏准确性。大数据可以让研修决策更加专业和高效，解决研修无依据、教研活动无思路等问题，促进区域教研转型。智慧学伴服务平台依托大数据，可以将各学科的区域性共性问题可视化，指示教研业务推进的方向。基于数据，可以根据各个学科校际能力差异、全区各个学科教师的发展水平不同而合理配置研训资源;通过汇聚区域层面多个学段的学业大数据，分析不同学段学科发展薄弱点，可提升教研的精准性，如小学毕业后的科学学科数据与学生初中地理、物理、生物等学科数据的关联分析等，可以方便区域层面配置调整学段衔接的教研活动设计。
2.大数据支撑教研员教研活动设计
教研员是是教师教学的专业指导者，区域教学研究的组织者，教师专业发展的促进者，国家和地方改革政策的转化者，课程改革的推动者。在区(县)教研工作中，教研员既要承担本区域的教学教研指导工作，又要承担本区域教师业务培训和教师职业能力提升工作。教研员日常的主要教研组织包括公开课研讨、专家培训、案例研磨等。智慧学伴大数据可以帮助教研员实现教研转型，带领教研员走出固有经验引领，主要表现在数据指引教研优势与薄弱点、区域教师信息化发展分析等。针对数据指引教研，教研员参考全区各校数据，基于连贯的多学科大数据发现学科教学的核心问题，如图7为学生提问数据汇聚后凸显出来的核心知识点问题，不同学校学科教师的发展短板亦可透过数据显现等。区域教师信息化发展分析是指教研员可以更好的管理区域本学科的教师，了解每位教师的在线情况，了解教师的专业投入度和学科资源应用大数据，并可根据区域教师群体的需求灵活调整教师教研计划，实现对教师业务能力的提升。
(五)大数据支撑家校多维协同实现高效助学指导
要教育好孩子，家长必须和学校保持紧密联系，家校双方密切协作，家庭教育与学校教育紧密结合，这是实现育人目标的重要途径。在大数据助力区域发展系统中，家庭是大数据应用的重要场景，父母可以借助数据开展精准助学、基于数据实现更好的家校协同。大数据平台能够将家长和孩子连接起来，家长能够透过数据看到孩子发展的真实表现，借助大数据给孩子提供真正需要的助学指导，而不是盲目地报各种辅导班。如家长利用微信绑定孩子智慧学伴的教育账号，就可以了解到孩子的各种学业表现数据，可以精细知悉到孩子的学习优势和问题，为后续的精准助学提供参照。
同样，孩子在家里也可以快速的感知自己的学习问题，并获得个性化的资源推荐服务、双师在线服务，还可以和大数据推荐的学习伙伴开展更有效的同伴学习，通过互联网和大数据，孩子可获得更多的学习小伙伴，延展了现实的学习圈。
综上所述，大数据应用模型从区域教育质量提升的关键角色着力，提供了面向行政领导、校长、班主任、教研员和家长等角色的具体服务，解决了不同角色的业务关键问题，这是将数据资产最大化利用的抓手，也是大数据系统性解决区域问题的更重要武器，更是大数据能够落地的关键所在。
五、迈向智能教育新时代
区域教育大数据运行到一定时间，随着数据量的汇聚，到了一定的时候，会由量变迈向质变，形成智能化服务。其演化路径如图8所示，将分阶段达到“学习助手”“学习伙伴”和“学习导师”三个智能服务层次。
(一)“学习助手”级智能教育服务
第一个阶段，将使得教育公共服务平台达到学习者知识结构可视化及个性化学习智能推荐层次服务，能够担当家长、老师和学生的学习助手。具有自然全面采集学习过程行为投入数据、认知投人数据、情感投入数据，科学进行学习投入水平计算与评估，系统仿真学习者学科知识结构，自动生成面向学习者个人以及教师的可视化学习知识地图，帮助学习者找到与学习水平相适应的学习资源、学习活动序列、学习专家和学习同伴，帮助教师评估班级整体学习水平等特性。
(二)“学习同伴”级智能教育服务
第二个阶段，将使得教育公共服务平台仿真学习者的知识结构与认知模型，科学评估学习者学科认知水平，达到与学习者相当智能服务水平，可以在陪伴学习者过程中，进行封闭域问题和简答性问题的解答，进行情感激励与陪伴等，能够担当学生的学习同伴。具有半自动语义标注和结构化基础教育领域学科知识、学习资源，自动聚合同类知识主题和学科资源，智能分析与解答特定封闭域学科问题，客观分析与表征在线学习过程中的情绪状态，在线模拟学习计划编排等功能，为学习者提供常规问题解答、情感支持、学习伴侣等服务。
(三)“学习导师”级智能教育服务
第三个阶段，将使得教育公共服务平台能够诊断学习者学习与认知问题，及时予以指导与帮助，可以进行主观题的智能批閱，达到能够指导学生的相当教师智能服务水平，可以进行自主深度学习，实现进行开放域问题的解答，能够担当学生的学习导师。具有全面开放吸收学习过程中生成的智慧，自行积累、沉淀、重构与转化，主动学习外部知识，扩充内部知识结构体系，自动建立新旧知识多学科领域关联，智能分析与解答开放域学科问题，为学习者提供疑难解答、知识引领等特征。
作者简介：
余胜泉：教授，博士生导师，研究方向为移动教育与泛在学习、信息技术与课程整合、网络学习平台关键技术、区域性教育信息化(yusq@bnu.edu.cn)。
李晓庆：硕士，研究方向为信息技术与课程深层次整合、技术支持教与学、大数据助力区域教育质量改进(lixiaoqing8507@bnu.edu.cn)。
作者：余胜泉 李晓庆
今年的工业工作，总的思路就是一个目标，三项措施。 一个目标：就是全市规模以上工业企业实现主营业务收入400亿元，实现利税30亿元。
三项措施：就是突破大项目，培植大企业;强化协调服务，提升发展速度;加强安全生产和节能减排，确保发展质量。
一、突破大项目，培植大企业
今年要重点培植30家骨干企业，全年实现主营业务收入过10亿元的企业达到9家，其中景芝酒业和柠檬生化两家企业过20亿元。在去年6家企业进入潍坊市百强企业的基础上，力争达到8家，包括：景芝酒业、柠檬生化、鲁安药业、山水水泥、供电公司、奥宝化工、长安铁塔和惠康饲料。
1.实施园区带动战略，加快产业聚集。对市经济开发区和低碳产业园，实行“腾笼换鸟”和“零地招商”，进一步盘活土地资源，提高投资强度，着力引进高科技、低能耗、低污染的项目和以天然气为原料或燃料的项目。对城南工业园，加紧制订总体规划和产业发展规划，加快园区道路、电力、通讯等基础设施配套进度，尽快形成良好的项目落地条件，引进落户一批大项目、好项目。对民营经济园，分行业、分门类加强管理，促进企业资金、技术和资源合理配置，引
进一批产业链上下延伸的项目，加速产业聚集。比较大的项目都有园区，争取一个大项目一个园区，突出特色和亮点，建成扑热息痛工业园、柠檬酸工业园、散热器工业园、铁塔工业园等工业园区，形成比较合理的产业布局。
2.力促新项目开工，培植新的增长点。今年已经确定投资过亿元的项目37个，总投资达到162亿元。关键是抓好新项目的开工建设。要求有关部门盯紧靠上，及时掌握项目信息，特别是项目建设中遇到的困难和问题，群策群力，迅速解决。已确定的18个分三批奠基动工的项目，抓紧筹备，确保按期动工。一期开工项目10个，总投资33.7亿元。分别是：总投资15.7亿元的景芝酒业公司生态酿酒产业园项目二期工程、总投资5亿元的山东海邦科技公司液压总成机械制造项目、总投资3.5亿元的潍尔达钢管公司年产8万吨矿用液压精密钢管项目、总投资2亿元的鲁安药业有限公司4000吨DC级扑热息痛扩产项目、总投资2亿元的潍坊昌安金具公司新型输变电设备项目、总投资1.6亿元的外贸食品公司搬迁扩产升级改造项目、总投资1.2亿元的长安铁塔扩产项目、总投资1亿元的长彤生物科技公司生物制药项目一期工程、总投资1.06亿元的信川机械公司年产2000台(套)安全节能包装机械项目、总投资0.6亿元的鲁派食品公司三期项目;二期开工项目4个，总投资5.7亿元。分别是：总投资1.9亿元的潍坊凯沃机械公司柴油机项目、总投资2.29
亿元的潍坊合泰住建公司年产30万㎡节能集成建筑材料及1万吨聚合物水泥防水涂料项目、总投资1.01亿元的黄河食品公司新建分厂项目、总投资0.5亿元的德成光大饲料加工项目;三期开工项目4个，总投资13.65亿元。分别是：总投资10亿元的柠檬生化谷朊粉项目、总投资1亿元的博翔机械公司汽车零部件项目、总投资2.3亿元的电机一厂年产5万台新型节能电动机项目、总投资0.35亿元的中荣新能源科技甲醇汽(柴)油项目。
3.发展特色产业，形成产业聚集。成立行业或产业协会，带动集群发展。重点建设玻璃钢产业集群、食品加工业集群、铁塔产业集群、环保机械产业集群和灌装机械产业集群。
4.整合有效资源，拉动传统产业升级改造。今年要力促企业尽快退城进园。主要包括：总投资2.3亿元的电机一厂年产5万台新型节能电动机项目、总投资1.6亿元的外贸食品公司搬迁扩产升级改造项目、总投资1.2亿元的长安铁塔扩产项目、供电公司东郊站以及通用机械、博莱特、安泰玻璃等企业的退城进园项目。
二、强化协调服务，提升发展速度
1、成立工业工作领导小组，理顺管理体制。对工业企业，不分隶属关系，由领导小组统一调度，对企业遇到的问题集中解决。对市级领导包靠的企业和项目，重点是抓好落实;没有包靠领导的企业和项目，实行一个项目一套班子，
加快推进。
2、突出服务内容。一是协调好项目基础建设配套。重点协调好项目区建设土地指标、水、电、汽、燃气等基础配套建设，项目用地优先供应重点项目，既要保证重点项目建设，又要节约土地资源;供变电设施、电网建设优先保证三源铝业铝合金汽车板、柠檬生化谷朊粉、奥宝化工葡萄糖胺、恒安散热器节能环保工业园、潍尔达钢管等重点项目供应，力促220KV云湖输变电工程、110kV翠山站新建工程今年开工建设，争取保障项目建设和企业发展需要。二是加快项目手续办理。协调好相关单位，优化手续流程，加快立项、规划、土地、建设、环评、安评、能评、地震、人防等前期手续办理，打造良好的项目建设软环境。三是做好项目包装，积极争取政策、资金扶持。加强与上级部门联系，跑部进省，帮助企业积极争取上级的优惠政策和资金扶持，加快项目建设。
3、提高企业和企业家的整体素质。加强培训学习，提高企业和企业家的创业激情，提高境界，树立标杆。积极推动企业上市，山东信川机械、鲁安药业、柠檬生化、恒安散热器、科灵空调等企业加快上市准备工作，争取率先突破。制定有关政策，充分调动镇、街道抓工业的积极性，具备条件的项目在当地落户，不具备条件的项目向低碳工业园聚集。
4、加强企业的自主创新。鼓励企业加强技术中心建设和品牌建设，加快专利成果转化，争取新建潍坊市级企业技术中心3家，柠檬生化争创省级企业技术中心，景芝酒业争创国家级企业技术中心。
三、加强安全生产和节能减排，确保发展质量
严格落实节能减排目标责任制，推广一批节能技术和装备，加快淘汰落后产能。执行好固定资产投资项目节能评估和审查制度，严控“两高”项目建设。深入开展“对标降耗”活动，使重点能耗企业能耗水平明显降低。实施一批节能、循环经济和清洁生产示范项目，促进资源综合利用。健全节能减排督查和调度机制，确保刚性完成潍坊市政府下达的全年节能减排目标任务。
不遗余力抓好安全生产，落实好部门安全生产监管责任和企业安全生产主体责任，层层落实责任制。举办安全生产及用电安全培训班，提高安全管理人员的整体素质和管理水平。积极开展安全生产大检查、电力执法大检查，定期排查隐患，及时整改，严防重大责任事故的发生。
当前工业经济很重要的一项工作是确保首季开门红，为此，要抓好三点：一是做好指标分解落实。参考历史数据，结合各行业波动特点以及重点企业实际生产情况，按照总体不低于全年任务23%的进度，规划一季度任务指标，将工业主要指标按企业逐月分解，逐月落实，避免出现大起大落，实现
工业经济平稳增长。二是做好动态跟踪，及时调度。对企业实际完成指标情况跟上检查和监督，坚持月初安排，月中跟踪，月末调度，对影响工业运行的重点问题，及早发现，及时解决，保障顺利完成各月度任务，实现以月保季、以季保年。三是加强指导，提高质量。定期召开调度会，加大指导和服务力度，帮助重点企业根据实际情况处理好各项指标间的平衡关系，提高数据质量。同时全面跟踪新投产项目进度，对符合入库条件的企业，督促办理入库手续，争取早入库早见效。
李海花：很高兴有机会跟大家分享中国信通院在工业大数据、工业互联网方面研究的初步的成果。
从三个方面进行介绍，一是工业互联网的理解和最新的进展。二是工业互联网产业联盟。2月1号工业互联网产业联盟成立，4月7号召开开工作组会议，想把情况跟大家分享。三是对工业大数据的认识。
首先分享对工业互联网的理解。美国先进制造，德国工业4.0，中国制造20
25、智能制造、两化融合等，都是在推动工业互联网。
虽然各国的战略不太一样，但是核心都是推动制造业的转型升级，结合了新一代的信息技术，推动装备升级以及工艺材料方面的升级。
在工业互联网的发展下，会产生很多新的业务和模式，我们总结成“四化”，智能化生产、网络化协同、个性化定制、服务化延伸。四化的内涵有很多，包括互联网内部和公众网上会有一些大的演进和变革，最终为了实现我们的节能减排目标。
首先对工业互联网内涵的理解。工业互联网是产业和应用的生态，是互联网新一代技术与工业系统的全方位深度融合形成的产业和应用的生态。
互联网是全球互联的基础设施，工业互联网架构在现有的公众网络上，针对工业有增强和演进。所以信息基础设施是很重要的一环。在网络层面，除了大网还要考虑工厂内部网络信息化和信息控制系统的发展建设。
数据是很重要的一环。网络互联只是一个基础，但是不是目的，目的应该是数据基于各种网络链接能够流动起来，形成全方位各个层次的数据链条。在此基础上，通过建模分析产生各种智能化的应用。数据涉及到很多层面，包括底层数据传送。另外，不同的层次采集数据，包括工业数据的自执行，跨系统数据的共享、流动和建模分析。数据和工业互联网是非常紧密的关系。 目前工业互联网体系架构还在研究，希望在5月份的时候能够发布体系架构。这个体系架构包括了定义，怎么看待工业互联网。目前达成了一些共识，首先数据是非常重要的核心，它涉及很多环节，包括数据采集，在微观层面数据实时的集成处理，保证工业处理的实时性。往上有数据的建模分析，再结合各个层次，车间工厂企业层面利用数据实现运营生产的优化。另外还要考虑数据在大网上的闭环。工业互联网大的体系架构就是把数据作为核心的要素，跟物理的连接，包括应用采集层面。
另外是网络化安全，网络是基础，安全是很重要的保障。网络含了网络的互联，还有标识解析和应用支撑，IaaS、PaaS、SaaS都有相关的支撑，还有系统的服务化。这是我们对整个工业互联网系统的认识。
分享工业互联网的一些进展。德国工业4.0推动的比较快，工业4.0平台政府发挥重要的作用，另外企业、高校、研究机构，几大协会等，共同推动工业互联网的发展。2015年10月份发布标准路线图2.0版，提出成立工业4.0标准化理事会，发布了参考架构和详细描述，还包括案例库的收集和测试床。
美国工业互联网联盟组织目前进展非常快，成员涵盖251家，涵盖了十大类型，有大数据企业，工业企业，系统集成企业等。40%多是美国，但德国、亚太的企业也在纷纷加入IIC，发展非常快。美国工业互联网联盟的目标是提出参考架构，在此基础上引领标准的制定和相关的研发。中国已经有11个单位加入和组织活动。美国工业互联网联盟组织梳理的核心工作，一个是测试床，进展非常快，待通过的20多个，已经通过的15个左右。另外也征集了很多的案例，提炼共性的需求，展示业界具体的经验。IIC已经和70来个组织建立了关系，希望能够深化标准组织的影响力，把IIC的成果反映到标准组织里面去，开展标准化的工作。
2015年美国IIC和德国工业4.0都发布了参考架构，两个组织也在进行对接。3月2号，德国工业4.0和美国IIC签署了合作协议，进行深度的合作。参考架构做了一个映射，左边是IIC的架构，从功能视角可以看到有物理、控制、运营、应用、商业，跨层的功能和系统特征。右边是德国的参考架构，基本是三大集成的理念，纵向的，端到端的全生命周期管理。从功能的角度做的一个映射，双方签署了合作意向会进一步推动将来的合作，针对具体的测试床和具体的标准，IIC和德国工业4.0计划5月初在芝加哥开会进一步讨论。
中国企业在工业互联网方面做了很多探索，包括海尔智能工厂，航天二院天智云。海尔在沈阳的冰箱厂一个产品线能够支持500多个型号的产品生产，在各个维度都有快速的对产品线的调配。航天二院之天智云发展非常快，包括协同生产服务和制造资源相关的企业搭建一个大的平台，提供协同的设计研发和商业方面的对接，现在已经汇聚了30多个企业。
应用实践推动工厂内外的改造。从生产系统改造来看，灰色是现有生产制造的产线和控制系统，很难改造，企业普遍的做法是在设备上叠加一些传感器，这样能把数据采集上来，汇聚到工业数据平台上进行大数据的分析和应用。
简单介绍一下工业互联网产业联盟，苗圩担任指导委员会主任。
成员发展非常快，刚成立时143家，现在正式会员158家，还有很多在提出申请。中国信息通信研究院是理事长单位，还有9家副理事长单位，34家理事单位。来自工业企业和信息通讯企业会员的数量是持平的，都是30%多，一个36%，一个38%。我们希望工业互联网产业联盟能成为全球化的联盟，也有境外的企业参与。
现在联盟一共有七个组，总体组、需求组、技术与标准组、安全组、试验平台组、产业发展组、国际合作组。在总体组下面设了三个特设组，工业大数据、边缘计算和知识产权，也是希望能够对这些重点的方向汇聚力量快速突破。
七个工作组主要工作范畴的总体考虑。总体组主要是体系架构研究和整体工作统筹。需求组涉及到共性和行业特有需求的分析。技术标准组对网络技术、云、大数据相关的基础研究和标准的制定。联盟希望跟德国和美国IIC合作，组织相关的试验平台，把研究成果拿到试验环境下验证推动。试验平台组包括方案在试验平台上的试运行。产业发展组会做产业发展推广的工作，包括试点示范，包括解决方案的遴选，最佳实践推荐。国际合作组是跟国际合作的推动。
我担任总体组的组长，阿里的是需求组，航天科工是技术与标准，360是安全，试验平台是华为，中国电信是产业发展，信通院是国际合作，华为是边缘计算组组长。
下次的会议计划在7月份召开，各个工作组的工作同时推动。
联盟2016年的成果显著。一个是试验报告，成熟以后会在联盟的网站上发布。试验平台会搭建水平架构和垂直领域试验平台。产业发展也有很多工作要做，包括试点示范、解决方案的输出、优秀案例的发布，另外有推动标准研制和国际合作的工作。5月份左右开始有成果的输出，大家可以多关注。
下面介绍工业大数据。工业大数据在很核心的位置，包含很多环节，包括采集、处理、建模、决策。数据源很多，来自不同的元素，包括传感器、机器、工厂、企业经营数据。通过网络互相衔接形成大的闭环。
对工业互联网与传统的工业数据和互联网数据进行对比，包括范围、采集的频率、数据量、格式、关联性、实时性的要求。整体来看，工业互联网实时性的要求更高，特别是在生产制造环节。工业互联网的数据量非常大，数据的结构是并存的，实时性比较突出。
目前工业架构中的数据应用总体来看是相对割裂的，没有完全形成一个闭环。企业有一个网关，这是防火墙，生产环节的数据基本上还是在这个层面，没有很好的和企业之间衔接起来。很多数据的配置和使用都依赖于员工的调整，没有达到智能化自动的调整。另外，没有形成真正的闭环，以及和企业层面形成大的闭环。
工厂部署环节图。将来工厂内部有两个层面，一个是在工厂下面形成一个闭环，将来边缘计算的能力是很关键的。另外，很多数据能够上到企业级的数据平台上去，包括互联网的数据，包括生产环节的数据。最终通过数据的分析实现对生产经营的决策和反馈控制。从这张图上可以看到将来数据对信息系统的演进和对外连接也会有很大的影响和推动作用。
这是从功能架构给出来的工业数据，分成几个大的层次。这张框架图还在讨论修改中，和最终发布的不完全一样，分为数据采集。然后是数据集成和处理，数据采集上来以后，跟实现工业系统的数据对象关联，很多不同的数据进到不同的数据库里。数据采集上来后叠加语义进行描述，以便进行数据的分析和建模。最终实现各个环节智能化的应用。在建模上我们跟国外可能有一些差距，不仅是某一个功能，包括产线整体的建模、流程的建模，这是未来很重要的关键。
工业互联网产业联盟下面有大数据特设组，希望通过特设组快速推动工业大数据的研究。包括整体性的研究、需求框架、标准试验。
这是具体的成果，一是发布大数据行业需求分析报告，对具体行业数据应用情况和需求进行分析。二是针对工业大数据给出体系框架，包括后续的实施路径，发布白皮书。还有一个重要的工作，特设组的工作是将来要制定什么样的工业大数据的标准，开展什么试验，开展什么验证内容，由哪些专门的行业来推动，会给出倾向性的建议。
这是我对工业互联网和大数据很简洁的汇报，谢谢大家!
北京天拓四方科技有限公司是西门子工业自动化和驱动集团核心分销商一级代理商及系统集成商
工业企业迎战工业4.0的两大利器“智能制造”“大数据”
在德国的工业4.0中，大数据被认为是物理与信息融合中的关键技术。在美国GE提出的工业互联网中，大数据分析作为联机数据处理分析的核心，被认为是重构全球工业、激发生产力的关键技术。在我国提出的《中国制造2025》中，云计算、物联网和大数据作为新一代的信息技术，成为两化融合的关键技术。无论是工业4.0、工业互联网还是《中国制造2025》，智能制造是共同目标，工业互联网是基石，大数据是引擎。
制造业迈入了大数据时代，2012年，GE公司率先明确了“工业大数据”的概念。在制造业，产品的全生命周期从市场规划、设计、制造、销售、维护等过程都会产生大量的结构化和非结构化数据，形成制造业大数据，而这些数据符合大数据的三“V”的特征：规模性、多样性以及高速性。除此以外，制造业大数据还具有多源异构、多尺度、不确定、高噪声等特征。因此，研究和应用制造大数据更具有挑战性，主要体现在制造大数据的存储、管理、分析和展示方面。如何充分挖掘工厂中数据的价值，通过对制造大数据进行分析，提升数字化工厂运行效率，已成为制约数字化工厂向智慧工厂发展的瓶颈。
大数据可能带来的巨大价值正在被传统产业认可，它通过技术创新与发展，以及数据的全面感知、收集、分析、共享，为企业管理者和参与者呈现出看待制造业价值链的全新视角。
基于云平台构建的制造企业的大数据的意义
产品营销：大数据分析结果为制造企业提供针对性推销、定向研发、北京天拓四方科技有限公司是西门子工业自动化和驱动集团核心分销商一级代理商及系统集成商
智能维保等服务。
设备远程故障诊断分析：大数据预测设备未来可能出现故障的时间，提供避免风险的解决方案，消除设备故障停机给客户带来的损失。
客户体验：在移动端建立企业宣传平台，以场景化方式让客户参与产品的认知，增加品牌的传播效果。
技术创新：借助平台的专家经验共享、智能决策库的建立，提高运维领域的装备管理水平，降低行业运营成本。
节约效能：通过数据集的切分和规律查找，帮助找到最优化的数据集，实现人员投入及控制过程的节能提效。
数网星-短期收益
省钱、省事、省心
集中化管理 实时监控 远程运维
数网星-长期收益
精益数据、智胜未来
售后服务快速响应产品预测性维护。
实现多层次产品设计，加速改进产品更迭。
设备运行过程中节约能耗，提高能效。
远程访问安全简便
一、实现智能生产
在德国“工业4.0”中，通过信息物理系统(CPS)实现工厂/车间的设备传感和控制层的数据与企业信息系统融合，使得生产大数据传到云计算数据中心进行存储、分析，形成决策并反过来指导生产。
具体而言，生产线、生产设备都将配备传感器，抓取数据，然后经北京天拓四方科技有限公司是西门子工业自动化和驱动集团核心分销商一级代理商及系统集成商
过无线通信连接互联网，传输数据，对生产本身进行实时监控。而生产所产生的数据同样经过快速处理、传递，反馈至生产过程中，将工厂升级成为可以被管理和被自适应调整的智能网络，使得工业控制和管理最优化，对有限资源进行最大限度使用，从而降低工业和资源的配置成本，使得生产过程能够高效地进行。
过去，设备运行过程中，其自然磨损本身会使产品的品质发生一定的变化。而由于信息技术、物联网技术的发展，现在可以通过传感技术，实时感知数据，知道产品出了什么故障，哪里需要配件，使得生产过程中的这些因素能够被精确控制，真正实现生产智能化。因此，在一定程度上，工厂/车间的传感器所产生的大数据直接决定了“工业4.0”所要求的智能化设备的智能水平。
此外，从生产能耗角度看，设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的异常或峰值情况，由此能够在生产过程中不断实时优化能源消耗。同时，对所有流程的大数据进行分析，也将会整体上大幅降低生产能耗。
二、实现大规模定制
大数据是制造业智能化的基础，其在制造业大规模定制中的应用包括数据采集、数据管理、订单管理、智能化制造、定制平台等，核心是定制平台。定制数据达到一定的数量级，就可以实现大数据应用。通过对大数据的挖掘，实现流行预测、精准匹配、时尚管理、社交应用、营销推送等更多的应用。同时，大数据能够帮助制造业企业提升营销的针对性，降低物流和库存的成本，减少生产资源投入的风险。 北京天拓四方科技有限公司是西门子工业自动化和驱动集团核心分销商一级代理商及系统集成商
利用这些大数据进行分析，将带来仓储、配送、销售效率的大幅提升和成本的大幅下降，并将极大地减少库存，优化供应链。同时，利用销售数据、产品的传感器数据和供应商数据库的数据等大数据，制造业企业可以准确地预测全球不同市场区域的商品需求。由于可以跟踪库存和销售价格，所以制造业企业便可节约大量的成本。
“工业4.0”本质是基于信息物理系统(CPS)实现“智能工厂”，使智能设备根据处理后的信息，进行判断、分析、自我调整、自动驱动生产加工，直至最后的产品完成等步骤。可以说，智能工厂已经为最终制造业大规模定制生产做好了准备。
实现消费者个性化需求，一方面需要制造业企业能够生产提供符合消费者个性偏好的产品或服务，一方面需要互联网提供消费者的个性化定制需求。由于消费者人数众多，每个人需求不同，导致需求的具体信息也不同，加上需求不断变化，就构成了产品需求的大数据。
消费者与制造业企业之间的交互和交易行为也将产生大量数据，挖掘和分析这些消费者动态数据，能够帮助消费者参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。制造业企业对这些数据进行处理，进而传递给智能设备，进行数据挖掘，设备调整，原材料准备等步骤，才能生产出符合个性化需求的定制产品。
消费需求的个性化，要求传统制造业突破现有生产方式与制造模式，对消费需求所产生的海量数据与信息进行大数据处理与挖掘。同时，在进行这些非标准化产品生产过程中，产生的生产信息与数据也是大量的，需要及时收集、处理和分析，以反过来指导生产。 北京天拓四方科技有限公司是西门子工业自动化和驱动集团核心分销商一级代理商及系统集成商
这两方面大数据信息流最终通过互联网在智能设备之间传递，由智能设备进行分析、判断、决策、调整、控制并继续开展智能生产，生产出高品质的个性化产品。可以说，大数据构成新一代智能工厂。
智能工厂中的大数据，是“信息”与“物理”世界彼此交互与融合所产生的大数据。大数据应用将带来制造业企业创新和变革的新时代。在以往传统的制造业生产管理的信息数据基础上，通过物联网等带来的物理数据感知，形成“工业4.0”时代的生产数据的私有云，创新了制造业企业的研发、生产、运营、营销和管理方式。这些创新，给制造业企业带来了更快的速度、更高的效率和更敏锐的洞察力。
北京天拓四方科技有限公司
