工业大数据应用的三个层次

  这几年，有人约我讲“工业大数据”课时，我常问他们：能不能换成别的？讲课时间能不能短一点？主要就是我觉得自己的认识零散、不系统、有明显缺陷。最近想清楚了一些事情，有必要把思路重新整理一下。其中，除了对大数据的理解（前面已经讲过），最重要的一点是从以下三个层次来看问题：

这个三个层次分别是：数据分析师的层次、管理者的层次和决策者的层次。这样划分的目的是区分重点和关键，也是在强调一个潜台词：许多工作和技术没有多大关系。

数据分析师的工作往往是相对明确的技术问题，就是从数据里获得知识。我把这类工作分成两类：一类是根据结果找原因（根因分析），一类是根据原因找结果（预测模型）。这类工作是我最熟悉的工作。从具体技术角度讲，这种工作的专业性要求最高。关键的技巧其实是避开复杂的算法，把数据分析知识与业务知识融合。也就是我常说的两句话：利用人的知识、针对人的盲点。这种工作最大的困难并不是算法，而是数据本身的质量和分布不能满足要求。如果数据质量差，再牛的分析师都没有办法。所以，数据分析师的工作做得好，需要把前置性的工作做好。

管路者的层次直接面对的是管理问题。针对企业的管理指标。如效率、质量、成本等。典型的如钢厂的能源效率优化。这类工作的第一个任务是发现价值，而难点在于价值的隐藏——这一点我反复说过：管理上没有做好的事情，大家往往都不会说。所以，发现价值的过程往往涉及到人的利益。这是一个很大的难点。在此基础上，就是把管理问题转化成数字化的问题。我经常称之为“翻译问题”：把现实问题转化成数字空间的问题。最适合做转化工作的，是那些具备数字化思维的业务人员。问题转化好了之后，可能会交给数据分析师。我一直强调：一个转化好的问题往往并不难做。难做只有两种原因：一种是没有转化好，一种是数据条件太不理想。

决策者的层次关注的，是用数字化方法进行业务和组织的重构，可能需要较大的投资。比如，家具企业提供用户个性化定制的产品。这种改变需要大的权力，所以需要决策者拍板。一般来说，决策的难度不在具体技术层面——要尽量采取成熟的技术、成熟的方案。技术的难点在系统层面：系统规划要缜密，要防止功亏一篑，防止“千里之堤毁于蚁穴”。优秀的决策者不仅关注大局、还关注长期。所谓关注长期，就是让未来数据分析层面、管理层面的工作变得简单。

这三个划分的特点，是把通用的专业技术分离出来。比如，IT工程师存储数据的技术、平台技术、通信技术、芯片制造技术。在我看来，这些技术是专业公司提供的专业技术，对应用者来说不一定知道。把这些技术剥离出来之后，大数据技术就是普通的应用技术，是“不需要关心数据大不大”的技术了，正如我们不必关心芯片是如何制造的。

在社会分工高度发展的今天，我们一定要找好自己的定位才能发挥优势。从某种意义上说，几乎所有的工程师都只需要关心“应用”——用其他专业的知识，解决自己的问题。这样才能称为专业化的人才。决策者和管理者也要明白这些差别，才能有效地协同各种人才和资源，促进企业的数字化转型。