用好工业大数据的基础是数据质量

工业大数据的重要作用是支持智能决策。我们可以把计算机的智能决策抽象成一个数学公式，即计算Y=F(X)。我们进行这种计算时，潜伏着一个基本的要求：X和Ｙ是与某个特定对象相关联的参数。比如，X某个产品的性能，Ｘ是生产这个产品时的工艺参数。X、Y背后都与某个特定的产品关联着。显然，如果对应关系出现差错，计算就会出现问题。

怎么才能对应好呢？要解决这个问题，要从源头上考虑问题。  

首先要从提高生产过程的标准化和稳定性做起。当我们计算Y=F(X)时，默认一个条件：Ｘ确定之后Ｙ就确定了。如果生产过程标准化程度和稳定性差，往往意味着Ｘ确定之后生产过程仍然有较大的“自由度”。这就意味着，对Ｙ存在不可见因素的影响。这时，Ｘ确定了Ｙ也不能确定。由此可见，管理不好的企业，难以有效地利用工业大数据。

其次要关注数据的采集过程。数据采集时，如果是人类输入数据，则数据的精度和时间往往就难以把握。所以，在数据质量要求高的过程，数据必须是机器自动采集的。机器采集的本质好处，是能把生产和采集的过程统一起来，让数据空间准确描述物理空间。另外需要关注的是：如果人们对数据的精度要求高，就要考虑数据采集过程本身带来的干扰。这不仅需要采集过程的标准化和稳定性，还要增加用于研究采集过程干扰的数据。  

第三要解决产品在不同工位的数据对应问题。在流水线上生产时，产品在每个工位上的数据都要对应好。产品从一个工位走到另外一个工位时，是容易跟丢的。所以，物料移动的自动化很重要。这种条件下，让机器自动地记录，产品就不容易跟丢。所以，我看一个企业的智能化程度时，往往比较关注厂内物流的自动化。  

第四个要解决的是时间的一致性问题。有些产品的质量或性能与加工或等待的时间有关。从加工设备采集数据时，可能采用设备自己的时钟。如果设备的时钟不统一，加工或等待时间就难以准确计算。另外，有些时候我们需要分析因果关系，而因果关系的属性之一是“原因在先＼结果在后”。设备时钟不统一时，先后关系和延迟时间就难以判断，从而严重影响数据质量。  

如果我们不从源头上解决问题，很可能花了很多功夫做数据分析，最后无功而返。如果不在数据质量上下功夫，一味地关注模型或算法，很可能是缘木求鱼。遗憾的是：很多人就是这么做的。从上面的分析也可以看出：应用好工业大数据，并非仅仅是数据工作者的事情。

技术工作者最怕的是技术逻辑中的断点。从事智能化工作时，可能需要大量的数据；一条数据有问题，可能会影响整个系统的稳定、可靠性。数据质量问题就像一粒尘土，当它摆在技术人员面前时，可能会成为阻碍技术走向成功的高山。数据质量决定于应用场景。应用场景不同，数据质量的内涵就不一样。常见的内涵包括数据的精度、种类、采集和传递频度、存储的周期等。所以，数据的高质量有赖于数据的存储和处理能力。

做数据分析工作有时就像（就是）搞科学研究，数据质量决定了你能够研究的深度。数据质量达不到一定的程度，有些问题就没有办法解决。反之，如果数据质量高到一定程度，研究工作就可能带来突破。从某种意义上说，数据分析师机会的多寡，决定于数据质量。  

几年前讨论“工业大数据”概念时，我提出一个观点：工业大数据时代的本质，是数据质量足够高的时代。我们推进企业的数字化转型，本质上就是让计算机多干活；在工业场景下，计算机干活的关键是安全、稳定、少出错；而安全、稳定、少出错的关键，是有较高的数据质量；如果数据的采集、存储、处理能力不足，数据质量就难以提升；工业大数据时代，让我们有条件解决数据质量问题。