2015年11月18日工业大数据峰会图文直播速记

时间：2015年11月18日（上午）
地点：国宾酒店国厅
主题：2015中国工业大数据大会——大融合 大变革 大突破 大数据时代的工业变革
内容：  
      

    冯钢：尊敬的杨学山副部长，尊敬的各位领导嘉宾新闻界的朋友大家上午好，欢迎莅临2015中国工业大数据大会，2015年是大数据爆发的增长的一年，大数据迅猛的深入到我们生活的方方面面，当然也为各行各业的发展产生了深刻的影响。在今年九月国务院印发了纲要。为了促进大数据的发展，行动纲要提出了发展工业大数据和新兴产业大数据，利用大数据推动工业化、信息化的融合，我们相信工业大数据必将成为中国工业升级的重要推动力。我是中国工业评论杂志社的社长冯钢。首先我介绍一下上午发言的专家、领导和一些企业家。
    工业和信息化部原副部长杨学山；中国电子信息产业发展研究院院长樊会文；清华大学软件学院党委书记副院长工业大数据研究中心主任王建民；南京遒涯信息技术有限公司总经理刘鑫；国家电网公司中电普华技术有限公司熊力；曼威高级工程师肖腾坤；唐宋大叔据股份有限公司创始人宋雷；美国辛辛那提大学教授、美国国家科学基金会智能维护系统禅学合作中心主任李杰。
    以上是我们今天上午发言的领导和一些嘉宾。还有一些我们到会的重要领导我简要给大家做一个引见，山西省经信委高处长、辽宁省经信委信息化突进处邹海龙处长，由于时间关系我不一一做介绍了。首先，有请主办方中国电子产业发展研究院副院长樊会文为大家做欢迎致辞。有请。
   
    樊会文：尊敬的杨学山老师、各位领导、各位专家、各位朋友大家上午好。今天我们在这里举办2015中国工业大数据大会，我代表我们主办方中国电子信息产业发展研究院对各位嘉宾的到来表示热烈的欢迎。同时我也对大家对大数据的热心表示由衷的钦佩。
    前不久我们中央五中全会通过了十三五规划的建议，在这个建议当中我认为提出了三个事关中国未来发展前途的三个重要的国家战略。那就是制造强国战略、网络强国战略和大数据战略。我认为这三个战略是有关联的，虽然是说三个战略，但是实际上用我们今天的主题来说是一个大融合的有关联的三个战略。所以请允许我借这个机会就今天的主题讲几点想法。
    第一，我认为我们的大数据它是在我们工业和信息网络技术的融合当中产生的。我们现在信息技术网络技术和我们工业的融合产生了我们工业应用的信息平台，专业的运营平台，产生了信息物理系统，那么这种信息物理系统这个信息平台的运行就产生了我们的大数据，所以没有我们信息系统没有CPS系统是不可能有融合的大数据。
    大数据的产生工业当中产生的分类有很多，但是我认为至少目前的观察我认为有这几个领域产生了大数据是比较有价值的，前景是可期的。第一是工艺大数据，我们的设备每天的运转，我们的生产线每天运转，工艺记录的每个数据都是动态的，量也很大，这个对工艺的改进，对质量、生产过程、生产能力的改进是非常有意义的，这是一个值得关注的大数据。
    第二产品大数据，我们大量的工业产品、零部件成品向社会源源不断的输送，它的情况怎么样，使用情况怎么样，这个也产生了一个大数据。
    再就是客户的大数据，我们工业的客户它的需求是什么，它应用的效果是什么？它对我们企业的建议是什么？客户本身的消费的状况是什么？这个又产生了新的动态的大数据。
    还有供应链，供应链上的大型中型小型企业，它的配套、它的产品质量如何？它的效益怎么样，这个就产生了我们的客户大数据。
    还有我们的物流大数据，物流向哪些地方去，我们的产品它的集散程度怎么样？整个物流过程效益怎么样？这个就产生了动态的大数据物流数据。
    这个从我们的信息系统、网络系统和工业的融合当中，源源不断的生出了大数据，只不过以前我们没有这些技术手段把这些大数据收集起来，现在我们信息技术有了强大的设计能力、存储能力、分析能力，我们就获取了这个大数据了。
    第二大数据的应用，尤其是深度的应用就推动了我们工业发生重大的变革。至少可以看到正在发生这样的变革，一个是生产方式的变革。比如说我们现在生产方式采取柔性化的生产方式，采取我们原来长流水生产线的模式正在改变为模块化、组装，甚至说汽车工业典型的生产线也在按照模块组装的方式在进行重构。
    再就是企业合作的方式。现在有大数据是长链条的合作，不光是管理上游，还要管理到上游的上游。还有去中介化，很多我们的合作伙伴是中介，现在这个中介完全被我们大数据的管理去掉了，因为它没有核心竞争力，现在纳入产业链合作的都是专业的有核心竞争力的合作伙伴。
    第三个变革是商业模式的变革，我们的制造业正在服务业，生产装备的产业正在租赁化，大家知道服务和租赁需要大量的管理，这个跟制造不一样，服务就非常复杂。这个服务没有大数据的支持是不可以的。
    再有就是客户的服务。尤其是客户的个性化要定制。大数据就支持了我们的工业正在发生客户服务发生一个变化，我们可以个性定制，可以对客户做延伸的定制，它消费完这个产品之后还可以消费什么产品，我们大数据得到的信息就可以提供相应的服务。
    第三，工业的变革，大数据引起我们工业的变革，突破了我们工业发展的瓶颈。至少有两个瓶颈现在正在突破。第一是会突破我们质量和效益的瓶颈。通过大数据我们找到我们的原因，我们效率不高的原因是什么？产品质量不好的原因是什么？就改进我们的工艺零部件的供给，这个有助于改进我们产品的质量。
    第二个突破是突破了我们市场饱和的瓶颈。我们现在知道你是单一的产品市场很快就饱和，饱和以后就知道怎么办了。我们信息系统的应用让我们的产品正在智能化，让它嵌入我们的数字，嵌入我们的软件，所以我们说软件在定义我们的工业产品，软件一旦定义工业产品我们的工业产品就会不断的换代。我们的信息技术不断换代，所以我们的工业产品就会不断的换代。一个汽车还没有坏，但是你要换一个先进技术的。我们的电视机没有坏你还想换一个智能的电视。这个引起我们很多的工业产品不断的换代。
    总而言之我想说的是我们的网络技术和我们的工业技术的融合，就产生了大数据。大数据引起变革，变革突破我们工业发展的途径。可以说构造大数据它的价值潜力是无限的。尤其是我们中国，我们是工业大国，我们是网络大国，我们网络用户的规模是全球很多国家都羡慕的。我们也是消费的大国，这些加载一起也决定我们是数据大国，我想这是我们这个未来也可能是五年，但是我想可能是更长时间走的工业强国的发展道路。当然这个大数据的这种创新和应用现在可以说非常活跃，层出不穷，需要实践，需要研讨，需要大家一起切磋交流经验，今天在场的都是工业大数据的先锋和发烧友，希望通过今天的研讨让我们找到各式各样的工业大数据的应用创新，为我们网络强国、制造强国，为我们的大数据战略发展做出我们应有的贡献。谢谢。
   
    冯钢：感谢樊会文院长的致辞。近年来赛迪研究院也积极致力于大数据产业的发展，也积极参与了国家相关政策和一些规划包括一些行动纲要的支撑的研究工作。应该说是在探索大数据应用以及以大数据来推动我们工业的转型升级方面也做了积极有意义的探索。再次感谢樊会文的致辞。接下来有请我们尊敬的杨部长做一个主旨的发言。希望杨部长的精彩的报告让我们学习一些东西。
   
    杨学山：尊敬的各位来宾、各界朋友，大家上午好。十分高兴参加2015中国工业大数据这样一个会议。也感谢会议的组织者给我一次机会。让我就工业大数据这个主题最近的一些想法和大家一起分享。
    今天的发言三个部分。实际上就是对工业大数据的认识、方法和实践这样的三个方面。首先，谈一下认识。我接到这个邀请函看到是工业大数据，我想这个工业大数据合在一起都是大词，究竟谁为主谁为辅，在座的人肯定观点不一样。工业的人认为工业是主体，搞大数据的人认为工业大数据是大数据的一个分支。我在这里说，我的认识是说一件事情，别的事情就不说了。我是想说工业大数据一定是工业是主体，不是大数据是主体。
    为什么这样说？现在从工业的角度看，这个毫无疑问，因为工业大数据干什么？是为了工业的发展，为了工业的转型升级，为了解决刚才樊会文院长说的这个要解决的一些问题。所以毫无疑问。但是为什么说从大数据角度看工业也是主体，这个偏正机构这个正一定是工业。为什么研究大数据，是你要提供有价值的服务，这个有价值的服务在工业的领域，你不为工业的发展，不解决工业的问题，那你就不用讲工业两个词了，你就讲一般大数据就行了。那么加了工业这两个字，你无论是传输、处理、分析，都是为了在工业这个领域里面产生价值。所以落脚点在工业，所以我想说工业大数据，我们的偏正结构的正是在工业上。
    接下来说一下方法。工业大数据的方法。其实我是在讲不是工业大数据是一般的方法。也就是说我们双十一刚过，双十一我们看到了很多的东西，在水立方的主场我们看到了不断的跳动，数据不断的跳动，我们可以说这是一个大数据的能力的展示，一点问题都没有。但是，对马云来说这是我琢磨出的一个概念，我在这个概念之下开创了一个双赢，所以双十一是人造出来的。是阿里造出来的，然后它的后面就是商业模式，对马云来说这是大数据的一个展示，他肯定不高兴，他一定是认为这是商业模式。
    但是，马云这样说，他后面的人也不干了，说你所有的这些都是在一个平台上面，我这个平台不分配你什么东西都没有。而这个平台你想想，我们最高并发四千五百万，每秒处理八万多笔，当然还有很多这样的数据，俄罗斯的一个银行系统上次也问我，就是俄罗斯的一个银行系统双十一崩溃了。这个阿里的平台也差一点崩溃掉，请求是十四万多，能处理是八万多，所以系统没有崩溃掉，所以人家说这是平台的支撑。
    然后我们再想一下，双十一的前后，一个备战双十一有多少人？阿里大概是年初就开始备战，制造业备战双十一短的几个礼拜，长的也是一个月。各个网点物流公司备战双十一，不用说别的，光临时工物流公司都不知道雇了多少，差不多几十万的数量级。那么也就是说没有这些你双十一也不能成功。那么我在说这个的时候，说到底就是我们看工业大数据核心的问题要从系统看，不能从局部看，如果只看局部，不管从哪个角度看都是不全面的。包括工业大数据，工业大数据不是固定的，也就是说我们要用系统的方法去看，我们首先第一位是定义系统，双十一是一个绝对的大系统，这个系统太大了，遍布全球200多个国家和地区，几亿的用户，三万多的商家，四万多商家，三百多万，这个我们说千万从业人员，几亿的客户，这个确实很大。但是在工业大数据里面，很多情况下不是那么大，而是说我们针对特定的问题定义系统。刚才樊会文说到了一个工艺过程，那么我就定义这个工艺过程，在这个过程里面我们数据怎么处理，怎么它的系统自动化和智能化的水平更高。所以我们说方法，尤其是大数据，因为只有很少领域是仅仅大数据就够了，就是数据本身就可以从头到尾就产生价值。但是在大部分领域是要和别的连接在一起。所以我们研究工业大数据也好，还是研究别的大数据也好，我们要把系统确定了，系统的边界搞清楚，系统对象搞清楚，然后才是方法。再来一个系统就是丰富的系统，这是我们的目标，这里面数据和工业各个主体是其他的。所以我想说的第二个方面就是方法，我们一定要把系统的方法牢牢的记在心里面。但是一定要注意，我现在发现很多人很多地方把系统用烂了，我说的这个一定是明确的边界，明确的要素，明确的架构，明确的模型。有一个不明确了，原则上就不行。所以这才是真正的系统方法。
    接下来讲实践，我们到具体的企业，因为工业大数据落实具体的企业具体的应用，因为有的应用跟企业没关系，是一些宏观的，为整体的行业或者地区做引导。所以我们要和一个一个具体的用户联系在一起，这个实践怎么来做？如果说实践的话，我来说的话就是我们一定要把系统工程的方式认真的研究落实好。前两年中行的张兴国副总经理把国际系统工程协会的两本经典的书他翻译的给了我，我认真的学了，我感觉我们在具体的大数据和工业结合来推动工业的发展，推动你的转型升级的过程里面，一定要高度重视企业流程化。为什么这样说呢？因为我们说从工业4.0这个例子说起，我们现在大家都在想朝工业4.0的方向发展，我不知道大家关注没有工业4.0有三个重要的时期，或者是智能制造也好，工业4.0也好，美国的先进制造业也好，有三件事情要做的，没有这三件事情到不了这个水平。三件事情是三个线，一条线是工业整合，从工业连到用户的整合，这是德国工业4.0。一条是垂直整合，是用户提出需求，企业进行实际提出工艺，在生产中实现，然后再回到用户，这是垂直的整合。然后是企业的制造过程的端到端的无缝的数字联合，这是一横。所以它是三条线，无论是4.0还是美国的先进制造业还是我们的智能制造，这三件事都是关键的关联。这里面眉一挑线我们要实现，我们既要有系统的方法，又要有系统工程的方法来做。
    很简单大家在这儿，机械行业和工业行业的，里面的端到端的数字联合，这一块看起来我们把握不住，但是你把握得住吗？这个事很复杂。我们企业知道，我们很多企业不用说这个数字化的不同感知仪器仪表有不同的标准，用各不相同的标准，然后你要把它连起来很难。我们现在还有很多企业还有模拟的这样的东西，连数字都不是。所以一条比较老的生产线，也包括我们比较新的有不同的厂家装起来的生产线，要端大端无缝的数字结合整合这条线是很复杂的。所以我们要把它作为一个系统工程来做。
    系统工程张兴国副总总结一下叫系统工程4.0。1.0是传统的系统工程，就是我要有一个闭环，各个环节给我反馈，实现它整个过程的实现。2.0就是流程的结构化。3.0就是工业的信息化，4.0是知识的无形化。我想说的是后三个，这个流程结构化、工艺信息化、支撑无形化。这三步是我们刚才说的这个横向端到端无缝连接必须要做的事情。
    那么，我们到具体的线上整合，然后用系统工程的方法真正一步一步的做。那么那两条线就更长了。真正在这样的两条线上实现完整的协同的一个工作的系统平台，这两条线再加这条线，这样一个4.0就实现了。但是每一条线我们都要真正从系统工程的角度去看，而不是说我像学文科和学哲学的一样，那是肯定不行的。所以从实践的角度看，我们必须真正把系统用系统工程的方法去考虑去分析其中的一些事情，让它实现到我们的目标。
    我想讲的就这么多，还没讲到樊会文说的CPS，如果真正到，不是有一个企业，那是一个相当大规模的局部，实现的时候它一定是在CPS的环境下，所以CPS如何构建，实现这样的新的环境下的工业，工业的运行条件，那又是一个系统，这还到不了系统工程，因为很多要素把握不准，但是我们要用系统的方法去分析它，这样我们智能工业的2025，这个智能制造4.0才能真正有一个高效运作、快速达成的平台。
    好，我说这么多，其实好象里面看起来没在说术语，但是我都在说主题。这个里面你寻找数据是什么？数据有什么缺什么？这个数据能用不能用，能用怎么办？不能用怎么办？当然这是讲到制造这个，你从数据的角度看，确实还有数据没有这个问题，包括对工业有数据为主的问题。很简单我们现在一个企业它要发展，我现在这个领域就近怎么连，我还能干不能干，我做什么变化我才五年之后我才有竞争力，然后我这个行业一分析，确实不合适了，我要换一个行业。这个行业是对我现在的比较优势来说，进到哪个行业比较有优势，然后怎么样发展？这些东西就需要我刚才说的之外的数据来支撑。这个时候数据就起到推动作用，但是目的还是企业的发展，产业的发展，所以还是我说的第一个工业还是主体。
    好，我就说到这儿，谢谢。
   
    冯钢：感谢杨部长的精采的主题的发言，应该是意犹未尽，我们每次都能听到杨老师给我们讲课的时候，大家都会去学习到杨老师最近这一段时间又做了一些深入的一些研究。今天特别是从工业大数据的主体，工业大数据的一些核心的方法以及应用这方面给我们做了全新的阐释。这其中我们也能够感受到，大数据贯穿在工业4.0也好，智能制造也好，在这个方面对于整个工业的发展的重要性，部长也给我们做出了很高屋建瓴的一些解释。再次感谢杨老师的精彩发言。
    下面有请清华大学软件学院党委书记副院长，工业大数据研究中心主任王建民教授，为我们做主旨演讲，工业大数据的实践。大家欢迎。
   
    王建民：尊敬的杨部长、樊会文院长，各位朋友，今天在这儿做这个报告，确实诚惶诚恐，因为这个话题很大，刚才杨部长和樊会文院长都对这个工业大数据做了非常深入的探讨。我想就从实践的方面跟大家分享一些成果。非常的不成熟，供大家批评。
    最近走了很多企业，包括现在应该说下行压力非常大的工程装备、工程机械的这些企业，还走访了一些在江苏昆山做机器人的新兴的产业，但是有一个共同的感觉就是大家都面临着一种困惑，甚至焦虑。那么这个焦虑就是工业未来的走势是什么？我们未来的发展空间是什么？我想分享三个方面的内容。
    第一就是工业大数据。那么刚才杨部长也讲了，工业大数据核心词是工业。那我们看看现在工业4.0也好，美国的工业互联网也好，中国的制造2025，大家为什么不约而同在谈转型的问题，升级的问题。那么我们最近我在探索一个曲线，这个曲线叫做苦笑曲线，但是不是一般意义上的苦笑曲线，这个一个经济体从地等收入到中等收入到高等收入之间的GDP的一个苦笑曲线。一个国家GDP的占比是比较低的，但是随着整个国家的国民收入水平的提高，注意这是它的发展的过程，制造业在GDP当中的占比在往上升，到了一定程度到了中等收入国家的时候，GDP制造业在GDP当中的占比达到了顶风。当它走向高收入国家的时候，制造业在GDP当中的占比就在下降。这是统计了两百年工业发展过程的一个总结，也是一种大数据。
    它是通过数据分析得出来的。那么也就是说制造业随着经济体从不发达经济体到发达经济体当中必定要走过这么一个艰辛的历程。我们今天为什么和美国德国同时提出这个问题呢？就是中国制造业发展的太快了，我们用30年的时间做了人家一百年、甚至两百年的事情，所以现在我们和人家面临着同一个问题。本来很多的工业问题我们就等着德国和美国解决好我们跟随就行，但是现在不一样了，我们也要面临这个苦笑曲线给我们提出的挑战。就是怎么样从中等收入水平向高等收入水平发展的过程中，我们怎么解决制造业的苦笑曲线，制造业在国民经济当中的下降问题。刚才杨部长也讲了，就是制造业里面要升级和转型。
    也就是说在它下降的过程当中，势必一些资源要从制造业释放出来，要从第二产业转向成第三产业，或者说第二产业转化为2.5产业，我觉得这个2.5还是挺好的，就是介于制造业和服务业之间的产业，所以我们现在叫生产型服务业。
    第二件事情是什么呢？我们到企业去，咱们国家的企业，中国的企业不怕需求量大，我们是有足够的产能的，我们的企业最怕的是什么？没有市场。现在我们看到很多企业已经是从三班倒现在只能干一班，甚至一班还不饱和。这是我们确实的问题，不是我们造不出来了，是我们造出来卖不出去，我们看到很多的企业，特别是装备企业，原来的厂区很空旷，现在看到很多产品非常漂亮放在厂区里，说明产品在积压。我们很多的装备企业原来给流程装备提供服务的企业，他说王老师我在他的企业当中，每天大概运行18个小时，现在每天运行不到6个小时。我怎么办？
    所以，在这个时候，可能今天在到场的各位朋友都希望在这样一个经济压力下行特别严峻的时刻，我们找到一些破解这个困局的难题，就是说我们能不能通过现在的互联网+，通过大数据，通过中国制造2025来提出解决现在这个问题的钥匙，找到这把钥匙。这个叫理想很丰满，现实还是很骨干。当我看到这些企业，非常好的企业，甚至是我们的标杆企业，遇到这个问题，我自己往往觉得很无能为力，技术在这个经济发展过程当中显得很苍白。所以我非常赞成杨部长提到的，工业大数据的发展，一定以工业为主体来看待这个问题。
    这件事情我经常用，换了两个标志，就是把这两端加上了大数据的推力，就是把传统的我们说在这个苦笑曲线和刚才的苦笑曲线不是一个曲线。这个苦笑曲线是在产品装备的生命周期的设计制造阶段和回收再利用阶段。原来我们靠制造获益，现在我们要在产品创新上获利，要在产品的服务阶段要增加我们的利润，这就是回答刚才的苦笑曲线，如何转型、如何升级。那么通过大数据我们看看能不能解决企业的产品创新问题，能不能解决企业的售后服务问题？
    这张图是我比较喜欢的，就是哈佛大学在去年11月份在这个哈佛商业评论上有一篇文章，这篇文章的题目叫智慧的互联产品。那么美国人的想法是什么？它认为未来的工业产品应该是这样的，我把前面的三个阶段忽略了，我就留了它的四阶段和五阶段，大家会看到在第四阶段的时候，装备、产品会进入到一个产品的系统阶段。也就是说机器和机器之间可以对话，机器和机器之间可以合作，那么它举了一个美国的农业机械的例子，这张图后边我们还会用到，也就是说它的播种器械，收获器械，它的播种的器械，和收获机械会联合起来到一个农场去作业。这个阶段还只是过渡阶段。未来的工业产品是什么阶段？我们看到这个时候农业机械为例，它的农业的集群，机器的集群和和天气的数据，会和种子的数据会和灌溉系统的数据联合起来。九月份我去加州，不仅是高科技农业的发源地，同时也是农业灌溉系统，水的利用系统节能用水非常典型的一个地区。那么我们看到它是怎么样通过这样的一些系统的系统来解决农业生产当中的这个绿色、节能、节约资源这些问题。
    那么刚才大家也都提到了工业4.0、美国的互联网，工业互联网。那么这里面大数据在这里面是一个什么作用？这是今天我们谈大数据，那么IBM认为工业4.0是大数据驱动的智能制造，没有数据谈不上智能。那么德国人它说大数据是工业4.0的核心。那么锦衣是工业互联网的鼓吹者，它说这个最重要的就是数据分析。还有樊会文院长讲的未来的工业装备一定是有软件的。是不是做软件定义的机器，现在不好说，但是软件一定是机器的一部分。那么有了软件必然会有数据。
    中国的制造2025，我也有幸参加了规划的工作，在这里面特意专门规划了操作系统和工业软件，我们的互联网+也离不开大数据。这些就不多讲了。我想跟大家分享一下，怎么从系统的角度来看这个工业大数据的问题。刚才杨部长也在提，找它的边界。那么工业大数据我想还是以工业为主体，以工业产品为主体，这是大数据的根也是它的源。在这里我们看到了咱们国家从六五可能就开始了，可能杨老师杨部长是亲身经历的，就是我们做的IT。信息化的工作。
    那个时候的信息化应该美国人最早是从数控开始的，我们看看它最早是做加工，后来做CAD，后来做ERP。其实中国我了解应该是从管理开始的，是从发工资开始的，是从库存开始的，然后做CMS一步一步走过来的。那么这个道路走的是什么？就是权声明周期的信息化。我们看到产品生命初期定义在什么地方？定义在装备离厂的分离电，装备交给用户了这才刚刚出生，但是在刚刚出生之前其实我们国家用了十几年甚至二十几年的时间来做厂内的信息化的问题。
    那么，CIX、PDM、ERP、MES都在这个里面。第二件事情是到了2000年以后，大家认为装备交到用户之后不能不管，不能让它成为孤儿，所以大家才重视售后，重视服务，像海尔这样的。我们说到了生命周期的时候就是MRO，当时的想法还是信息管理，信息化的问题。那么到后来叫绿色回收再利用，还是信息化的问题。那么为什么机翼2002年提出来工业互联网？给大家从另外一个角度来诠释这个信息化？甚至它觉得已经走出了信息化，所以它就提出一个OT的概念。叫OT，它不叫IT了，它叫OT了。所以大家今天可以看到很多关于OT的说法。提出了OT对整个工业的价值贡献，大家看到几百亿美金，各个行业在运行阶段节省1%的话，会是多少显著的贡献。所以这个时候就走到了OT，OT的时候主要就是在生命中期阶段它是不仅是维修、维护，更多是运营的优化。
    那么今天来讲，做工业大数据第三个就是我们说的地铁，也有人说OT，IT、OT到DT，也有人说OT+IT等于DT那么在DT这个阶段我们又把互联网的数据融合进来。所以在这里面我个人的观点就是在工业大数据里头是三流合一。就是原来的信息系统的数据，信息化的数据，在OT当中的机器为主体的数据机器数据，再加上现在我们的网络环境下的互联网+环境下的互联网数据。好这是跟大家分享一下对工业大数据内容的一个认识。
    那么我们做大数据是服务于工业产业的，那么这个大数据怎么用？有什么用？这个跟大家再分享一下。价值创造的问题。这个是我们关注它很多年，2008年的时候我们就关注它，有一个公司它做了一个车，一款车做这个车的公司是一个网站，这个网站公司是非常小的一个公司，大概有面包房的一个工作间，但是它造出来一个搭载6.2公升的U8引擎的超豪华的车。这么一个小的公司能做这么大的一个产品靠什么？靠的是来自全球大约三万多个研发人员提供的一万多个设计方案，它从一万多个设计方案找到最优的，用户最满意的。其实这个故事它的起源比现在的小米做的产品更大，当然没有咱们小米做得成功。并且做的是真正的重工业的，是一个大的真正的装备。这个当年的马云把它称之为叫C2B。
    那么这样的一种工业大家想想它调动的是谁呢？调动的不是中小企业，而调动的是大企业。通用、大众、本田给它打工。所以这个时候我们大家看到的改变互联网+的力量，看到了数据的力量。它现在把这样的产品制造的工艺，包括它的设计完全公布在互联网上，大家可以到网上查，咱们在座的同志们你只要花15天的时间，只要有相应的钱就可以造出这样的一辆汽车，当然在中国可能咱们不能上路。这是在设计方面。
    在生产方面，刚才大家讲到了，很多的工艺，真正的我们制造的核心环节，这个可能后面大家还会分享，我这里就不多讲了。第三个在采购的环节，其实大家说现在的制造，特别是大型装备的制造，是供应链体系的竞争，而不是一个企业的竞争。昨天我刚从重庆回来，咱们的长安汽车，据说前九个月他们已经变成中国的前三了，超过一汽了。那么它们对于采购环节真正是或不三家，真正不仅仅是听供应商自己的评价，要在网上去找，在微博、微信上去找，用户是不是给你好的评价，是不是真的评价，在这里面打造它的可靠可信的供应链，靠的是什么？靠的是数据。它有最大的工业企业的操作空间，我说你为什么不用重庆的云计算基地呢？他说我不放心，这里是我最核心的要素，我的秘密都在这里面。
    那么维修，这个呢是GE的故事，我想大家听了很多，也许李杰老师还会讲，我就不讲了。GE实事求是的说现在的效益不明显，比如说2004年GE对1500台燃气轮机，节省七千万美元。这个七千万美元是净利润。
    再一个例子，大家看运行大数据的例子。原来我们基本上不区分维修和运行，完全两件事在工业里面。原来我们基本上想叫运维，但是大家想，运行是运行，维修是维修，维修是当你这个产品的性能下降的时候，你要把它弄好，恢复它产品的性能。运营是如何让这个机器通过使用让它产生价值。这是澳大利亚他们利用运行大数据，每年为力拓集团一个矿井可以节约一百万美元以上，这个年收益。
    最后一个例子是美国的爱科，是农业装备，就是在解决跨界的这个装备使用的问题。刚才这个主持人说我还有短短的几分钟了。那么我讲一下三一重工，我讲一件事情，就是三一如何把它的大数据平台切换成我们自己的平台，现在所谓的去O，我说这个去O不是在三一当中所有的数据库都去O了，是在运营维护当中去O了。那么，这件事情就是得益于现在的大数据技术，大数据的核心我觉得对工业企业的贡献就是什么呢？就是低成本，如果不是低成本的话，我觉得现在目前在工业企业的这些大数据的处理，现有的技术都能做，只要你说有足够的钱。那么在这个过程当中，我们看在三一这个工程，真正的生产系统当中去O，要解决一个什么问题呢？是要解决它和其他业务系统关联问题，最核心的问题是要能把其他的业务系统都能够平滑的切换过来。那么这个我们应该是和三一共同的努力下，我们做到了，今天有将近二十万台的设备，每天大概活跃六万台的设备，在我们这个平台上把它的这些监控数据都传到我们的国产的平台上来。
    好了，这个具体的应用案例我的PPT会留给大家，希望能够给大家做一点抛砖引玉的一点启示。好，因为时间关系，就讲到这里，谢谢大家。
   
    冯钢：感谢王院长的翔实介绍和丰富的案例，由于时间的关系没有办法全部展开，希望有机会再来让王院长给我们分享更多的研究和实践的经验。我们今天为什么提出工业大数据，是因为几个背景。一个是数字化装备和产品的普及。第二是物联网的普及。第三是企业效益向服务型转型的趋势。最后是智能制造发展的必然要求。由此可见互联网+、中国制造2025和发展大数据行动纲要，这是相辅相成的。随着大数据步入到一个发展的黄金期，我们能够看到随着工业转型升级，一方面是带动了工业大数据的发展，反过来工业大数据的发展也有利的保障我们工业转型的顺利进行。那么下面我们有请南京遒涯信息技术有限公司总经理刘鑫做数据报告，他的题目是以数据驱动的知识融合和跨界的协作。有请刘总。
   
    刘鑫：各位嘉宾大家好，刚才听了杨老师和王老师从产业从学界从理论还有一些历史经验讲了很多，我看到在我之后还有电力行业和专门做数据平台介绍的许多专题，我开始准备的时候，我的篇子里面也有数据处理的逻辑，包括我们协作方案的一些工作方法，我看完之后想做一个调整，会把我们在过去的十年里面做过的两个典型项目，一个跟中海油合作的海上然机健康管理的项目，还有和哈尔滨工业大学做科研数据服务的项目。
    下面我快速过一下我们前期的背景。可以说遒涯是一个非常新的公司，在座90%的人都没有听说过我们的名字。我们团队整体是来自于哈尔滨工业大学。在2006年的时候跟我们的学院副院长共同协作了气能机的转型。从此就进入大型设备和工业信息化的跨界合作项目。就是我们过去常提到的两化融合。
    2010年我们从气机的项目到然机领域，带各种工业领域都有应用。第一部分是我们的团队和我们做的工作。第二产品和技术生态我简单的说一下，希望下面的嘉宾做更好的讲解，我们公司的价值不在产品和技术上，我们更多是在服务和用户价值这一块。
    我们会重点讲我们的应用和我们的合作方，最后我想将我们公司的定位，还有我们对未来的一些展望。
    首先，刚才也提到了2006年的时候我们跟哈气厂，他们有一个项目需求，经常有电厂项目报修、设备报检，但是哈气厂一次回来要两个多星期，效率很低，当时就做了一个诊断，让大家大幅度的提高自己的效率。2010年的时候，工业由集团公司，想做故障检测的事情。
    那么在2013年的时候，我受到了南京科技领军人才的项目支持，把我们的公司从哈尔滨迁到了南京，拿到了这个产业基金之后，我们在上周又拿到了南京国资委下面有一个投资公司给我们天使轮的投资。整个来说我们的业务方面是致力于工业数据分析。
    刚才也说了我们在这个技术产品这一块大概介绍一下。刚才王老师提到了，向美国的GEIBM和德国的西门子他们做了数据云的服务。在中国我觉得可能不太适合我们国情，我们目前是私有云为主，公有云为辅。所以说我们推出的这个产品平台是基于混合云平台的。
    我们的整个来说，刚才杨老师讲到端到丹的数据链，我们第三方服务角度来说我们打造端大云的大数据的全平台的产业链，最终我们聚焦与专家团队和专业服务。我们从数据到信息，从信息到知识，知识给用户产生价值的关键点，我们希望会聚更多的专业人员在这个平台上形成我们的知识谷。
    从今年的三月份之后我们把公司的数据产品汇集在这个图上，有云平台的管理，有大数据的分析，有基于虚拟化的这个整个IT的基础架构，还有跟共有云的一些接口。刚才几个嘉宾没太到的，其实用户对云安全的考虑还是非常重要的，用户会考虑自己的数据安全和业务安全，这个以后接下来的来宾会讲，因为他们有工业大数据专门讲平台的事情，那么我把这个快速的过掉。
    讲两个在能源行业的应用。我们从哈工大出来的时候，最早在火电行业，后来进入油气行业，这几年业绩行业的影响，我们在2013年又杀回了火电行业，有100多家电厂跟我们合作，运营两个很也业务的平台。
    中海油刚才也提了，今天也把海油的王总也请过来了。这个项目的主体是中国的703研究所。另外一个就是今年我们和华电能源启动一个智能电厂的一个项目，我们认为智能电厂的题目太大了，所以我们在哈三电厂做第一个试点的时候，我们说能不能做气能机会的管理，然后再到锅炉再到电极再到燃料发电，再到整体的电厂运行数据。这是我们在能源行业里面做的一些案例。
    我们工业的产品的名字是龙CLOUD，取的意思也是龙在我们国家是行云雾雨，希望我们的平台有我们民族的象征。但是大家可以看到，在混合云平台管理是我们关注的，我们帮助用户建立他们工厂到集团他们的私有云和他们的数据屏，在上面那边，就是说我们跟各研究院所和高校合作的一些专家服务的一些支持。在这一块我们还有一个小的社交平台，在工大内部我们测试了一年多了，希望有更多的学者给予我们这些数据和我们的案例达到一些共享，形成一个学者社交的这么一个模式，最终统一把这些案例输出给用户方。
    刚才提到GE的时候，我们做海油的项目的时候都在用它的产品。包括在去年的时候我还亲自和703研究所的两个合作方到美国GE的芝加哥的远程监控中心。不单单支持他们GE生产的燃机，他们也对索拉做检测。GE在数据革命上抢到了先机。
    我们说跟中海油的项目合作，已经到第三期了，今年到了大数据的协议。杨老师讲的时候，针对每个专业来说，我们做燃机的故障的检测，异常分析还有健康管理，数据规模并不大。但是它是一个需要深度挖掘的，我们可能要做深度数据。另外，他们的最难的点不在于数据到信息这一步，而是信息到知识这一步，为了做这个题我们大概汇集和703研究所等专家，都是带着团队，当时我们组建了40多人的技术团队，用两面的时间把很多工业线上不规则的数据变成有价值的信息，而且这两年我们渐渐从每个专项着手，从叶片到阀门等各个环节逐一突破。今年开始我们对客户有一些正向的输出。比如说油气下滑之后，生产方要把自己设备运营和维护的费用在降。当时王总提了一个简单的例子，说我们的过滤系统是半年一更换，通过你们的数据分析能不能告诉我们到更换期的时候，能不能推演两三个月，实际上就是一个设备资产有效的使用。后来我们也经过分析，发现一个更有趣的问题，东海的设备和南海的设备他们使用价值的衰减还是不一样的，判断一下是因为天气有关。这些事情都是跟我们的所谓的常规的数据没有关系的，但是如果没有历史的积累，我相信是无法对客户实现显性的价值输出的。
    另外今年我们跟IBM运行维护的部门跟他们的大数据中心都有联系，通过燃机的管理和预警做一些合作。发现另外一个问题，他们连水洗是什么都说不清楚。就是说我们在这个方向研究工业大数据的时候，我们数据来了之后如何对数据进行复制，对数据的意义和它影响到的事情，这个需要有一个专家团队在。也就是说刚才我的，我们有三大块，一个是智能设备，第二是分析和运行，第三是专业化的团队。实际上许多现在一线的在海上平台的工人都是我们专业库的人，没有他们的支持我们也无法判定这些燃机出的什么问题？这个需要时间和业务的积累。这个工业大数据是跨学科、跨专业的，而且是跨行业的，应该从制造、研究到使用到维护多方面共同协作的一个结果。
    那么，这个是我们在海油项目的几个图，上面是一个状态分析，还有一些主态图和一些数据分析，根据这个历史数据和实时数据的一些对比，我们来判断你可能是轴已经出现问题了，或者你的叶片需要注意一下，或者是整个系统的一些。
    刚才讲的都是在能源行业里面的应用。在这个过去的五年里面我们做的非常痛苦的。因为我们从学校出来的人，跑到一线生产的时候，跟许多人家做设备运维还有油气田和火电站生产管理合作交流的时候，通常大家说半天都踩不到点了，所以我们换回来说，我们是不是要做一个小朋友圈，我们把多学科的学者和研究人员合在一起，这个想法提出来的时候，得到了哈尔滨工业大学网络与信息中心的老师得到了很好的反馈，他也认为面临高校的科研服务也好，还有研究方向也好，交互和共享是一个未来的趋势。所以说我们两个就在今年六月份启动，在上个月上线了我们自己的科研大数据分析的这么一个平台。
    那么从这个学校我们自身角度来说，只是举了几个例子了，那么从我们计算机学院来说，要解决云自己本身的问题，那么我们又跟传媒系，因为我们在做海油项目中还有一个分支出来，我的一个小师弟跑出来创业，做媒体数据分析，从做微博做微信，现在在PR市场上是非常核心的位置了。他们是叫支微。在传媒当中，他们做了舆情，还有智能响应等，所以这个又跟我们传媒系有合作。哈工大做小卫星，又跟我的一个同学，他们做轨道计算的做的一些合作。长期的数据自己存放比较麻烦，如果用几十万做数据存储，他们认为很不好处理。我说你们可以把重要的数据存到网络中心，这样可以体现我们平台对科研机构有一个能源的存储。
    还有跟海油的合作都是来自于汽轮机和燃气轮机的合作。从我们这边看，当数据积累到一定的程度，算法变得非常的重要。洛伊我们现在把我们学校的数学应用研究所拉进来做科研服务，给我们提供分析的支持。从这个简单的架构来说，我们既使是做工业大数据的分析，我们觉得还不完整，因为自动化我们没有写，材料没有写，刚才是一个轴列，轴列，那么我们要做预测性判断的时候，它到底能不能用，它多少时间真正的断裂，这个都需要多学科交融的，现在我们也在积累我们这方面的储备，跟老师们开放更多的数据，在统一的平台上让大家快速的做实验。这是我们刚开始提出的理念。
    实际上我们在许多科研的过程中，老师如果想做一个题，不需要自己提请买服务器，装操作系统数据库应用系统环境，而是在我们的云平台上提出自己的需求。我想用微软的系统，我想买第三方的数据库，我想跑一个JAVA的环境，这边管理员一确认，几个小时的时间确认完毕。然后它可以选择是我临时使用一个月，还是我想畅销时间使用，我想把时间魔法一直保留，还是我们做完这个东西实验结束就收回。还有我们作云平台的时候还有一个代码托管的功能，许多的高校和研究型的机构，某一个课题来了，大家做完了把这个资产往那一放，一验收就在自己的电脑里躺着了，如果这个人离职或者是电脑的硬盘损伤，这个系统就告别了它的历史了。我跟老师说，我们有一个代码托管服务，你可以把自己的应用控制在域里面，网络中心提供平台，让你多多版本多分支的研究方向，你今天硕士做的课题成果放在这里，明年新来的学生入职的时候，既可以参照学长的，也可以自己做一遍，但是都是一个独立的系统。这样有利于我们科研成果的积累和我们人才和学科建设的长期发展，这是我们通过这个长期合作之后，我们这个数据建设。就是说搞大数据分析，最终还是要玩人，如果没有人，数据的附值其实是做不了的。因为我们搞统计学的人聊过，他告诉我这个问题有，但是它指向不了这个故障，它无法带来直接的用户价值。所以我们又跟高校合作，我们自己能不能培养这样的团队，我们开设相关的课程，两三年后，出现既懂自动化，还懂计算机，还懂工业理念的一些学生，这个产业才能发展起来。现在我们的人才缺口，我们找到既懂燃机又懂大数据的人不太多。
    所以说我希望整个科研数据的探索成为我们以后未来的一个支撑。那么这个是我们临来之前截的几个图，我们应用系统的可视化监控，因为我学计算机的，开始从网络中心做起。这里面从设备信息到应用系统，包括整个业务系统都在哪个虚拟机上，在物理机上跑的应用，我都可以查询出来。我们现在正跟一些合作电厂做能动设备的这个3D可视化，希望有数据的地方就有3D电子网，实现整个厂子的3D实景的基于数据的仿真实践，这个可以让用户接受的交换更好的情况下，让用户使用我们的分析和服务。
    刚才也提到了我们的云+端的超融合的架构的这个混合云平台，今天是大数据的题。我简单介绍一下我们的超融合，超融合也是来自于虚拟化和云计算的一个新词，2013年提出。我们今年五月份开会的时候，他讲到了我们从以前的刀片的服务器到自架式的服务器都是给IT产业来做的。我们的行业用户，我们给火电厂做项目，他们不希望买几个服务器交换机、机柜拿一堆东西装起来非常的麻烦。我们的机器使用规模又不大，我们正好和M2共同协作了在工业领域的合作，我们一个新的产品，两优四个计算结点，能虚拟化出来25个到30个业务应用，在这里面我们基本上涵盖整个电厂的IT需求，同时我们会把我们的实时数据库系统，和我们状态检测系统，和我们远程的数据支持系统，还有知识服务系统都打包在这里面，把一个需要长期检测的大数据平台，我做了一个开向的产品。如果一个中小规模的电厂我们用一个，如果是大的我们会用两个，大型集团公司我们会用三个。这个在于拥有成本，我们通过这种方式极大的削减了用户在云计算平台的应用。如果大家做一个大数据云它的投资规模有多大。我们几次招标过程中，没有五百万以下的。加上GE的数据分析库，没有一千万很难把这个数据中心搭建起来了。
    我们在油气行业遇到的都是GE。在火电行业PAI处于垄断。我们大量的成本都去买数据库去了，这个完全不靠谱。我们也用开元软件我们做缓存数据库和云数据库，我们有实时的也有历史的。这样，我们现在的一个B递交给用户的价值已经接近一百万了。我们把三五百万的刚性的投资需求打包到一半以下，这个跟店长谈，他们也买得起了，也用得起了，他们也不用管什么是云平台大数据，他们用就好了。而我们只管调度就可以了，所以我们发现这个事儿到了商业推广阶段，以前只是做项目。
    讲到跨行业这个事，刚才讲跟海油的合作还有华电的合作，还有自己学校的学科的合作。未来的趋势是真正的像703研究说这种制造厂商，还有哈工大学界里面做这种研究的话多方合作在统一的数据平台下输出更多的成果。也说我们我们要从数据服务面向知识服务。整体来说，说一下我们的定位，我们现在开发了一个端的产品，让用户能够更快和更低价的享受这种产品服务，我们运营一个云，希望有更好的数据分享和知识交流的一个平台，我们更关注人的培养和建设。我也希望跟王老师有合作，能够培养一些真正专业领域的大数据的人才，这是非常有意义的，而且是长期的工程。
    我们的愿景还是这样的，希望成为一家卓越的工业大数据分析服务商。谢谢大家。
   
    冯钢：从刘鑫总介绍中我们也看到，遒涯公司在能源行业有很丰富的经验，也是工业大数据领域的先行者。接下来我们看一下在电网行业的解决方案和应用。接下来有请中电普华信息技术有限公司副总工程师熊力为大家做介绍。这个公司在国家电网体系中，信息化市场占有不低于50%的市场，应该全面承接国家电网公司的早年的G186工程，对电网建设有丰富的经验，接下来我们掌声有请熊力总。
   
    熊力：各位专家、各位嘉宾，下面我代表中电普华公司对电力大数据的应用实践跟大家做一些交流。也希望得到大家的指导。我的汇报大爱分三个部分，第一我们对电力大数据发展情况的一个总体的概括和介绍。第二，我们是来自于电力工业本身，第二我们是电力工业里面的产业公司，所以我们也从产业的角度看看电力大数据。第三个是我们一些案例和实践的一些介绍。
    首先，这里说几个概念或者是事件。应该来说跟电力跟我们现在电力关注的事情意义电力被关注的一些事情是相关的。一个是克强指数，大家知道2007年总理总理任职的时候说过通过电量看这个电量的发展。英国归纳出来叫克强指数。这个角度也看出来李总理当时对电力来反应经济的情况有他的认识和理解。
    第二，是有一本书交第三次工业革命，这是由美国的未来学家提出来的，写的一个专著，他的专注点是新能源+互联网。第三是工业4.0，这个我不多说了，聚焦的核心的焦点是智能制造。第四是大家最近听到的就是习主席总书记在联合国发展大会上，倡议构建全球能源互联网，那么在这个之前是国家电网公司发布了全球能源互联网的一个蓝图。在这个全球能源互联网里面就提到了我们要构建一个能源传输、资源配置、市场交易还有信息交互和智能服务为一体的物联网，这是四件事情和概念，应该说都是目前大家对电力方面的一些情况的一个反应，也是电力在关注的一些方向。
    现在电力面临着一些挑战和机遇。包括各个行业也都面临着。就是能源与资源、生态与环境包括气侯变化这三个方面。电力的大数据其实在这三方面都是能够起到很好的推动作用。那么在这里讲之前我简单说一下，就是电力行业的本身的一些特点。电力行业其实包括了六大环节，从发电到输电到变电用电以及调度六各环节，每个环节都存在大量的数据，都有相应的业务。那么在智慧能源和能源互联网发展的新的时期，应该来说可以有四个方面的变化。
    一个是新能源的一个接入，包括分布式能源，风电太阳能等等，这个使电力生产的剂量和管理变得复杂了。第二是电能本身是不可存储，那么这个使我们电力工业它的运行安全这是我们要持续关注的。包括电能的这种光传输的特性对电厂的稳定也是没有很大的影响的。第三方面是现在用户多样化的需求，包括我们现在智能家居，我们的电动汽车等等都对我们电能的要求变得更灵活和及时的响应。第四方面是传统的电力的供应链由静态的将变为动态的，而且是以数据驱动的。
    那么在整个的变化过程中，大数据一是在电力系统的运行方式上，在对可再生资源的消耗上，和对社会节能减排观念的引导上，整体上会推动我们往绿色发展方式来转变。我们看了一下这个转型发展过程中有两个方面，一个是传统的电力的价值链推向新兴的这个电力价值链来转变，整体的价值链本身原来它没有太大的一个变化，但是围绕它延伸的内容会有很大的变化。我们看到这个图的话，就是首先是发电，发电车这一块，电力的生产以及交易，下面是电力散完了之后到输送电，再到电力到千家万户到我们的企业工业，以及家庭的电力设备以及我们整个电网工程运行过程中的设备，到最后影响到每个人。在传统的价值链里面对人的关注是不够的，我们是以计划驱动人，以电力生产为中心的这样的一个价值链。
    到新兴的电力价值链来看，我们强调以人为本，绿色和谐的这样的一个理念。那么在这个里面有两大变化。一个是这上面绿颜色的部分是分布式能源的一个介入。第二是我们在每一个环节信息化的服务平台，信息的服务和信息的这种设备资源的介入，那么这几方面加入进来之后，其实就实现了我们的人和我们这些设备的这些物以及我们整个能源的三位的互动，更强调了能源的服务的能力。这是价值链的一个变化。
    我们再看看讲到这个大数据这一块，其实在数据层面上我们也可以看到它有一个转变，过去传统的电力价值链的这个阶段来看，我们在每个环节都有大量的数据会在积累。比如说在发电，像风速、降水等，还有符合电压，设备的状态，运行的环境，包括配电，包括能源服务，涉及到居民生活的用电量和电压等等。在智能变电站我们的技能表器，在整个数据覆盖的范围的变化，采集的项也更多，包括采集的频度也高，原来是小时的，现在可能是分钟的。包括我们在智能家居，原来基本上智能家居是没有数据采集的。在数据的这个基础上，已经跟我们所说的大数据的概念是有一些对应了。过去经过信息化的建设，电力这一块积累的数量有20个PB，数据多样了，从结构化的数据向包括实时采集、文档、记录音频等等非结构的数据也更多了。
    这个数据的来源也多样化了，既包括内部的生产运营的数据，也包括外部的一些数据，包括经济的一些数据，环境的一些数据等等，而且这些数据是更快速的。我们现在都实时，很多数据实时采集的，整个电网是数据流和电力流融合的物理的一个平台。那么其实这个数据基础是支撑了我们接下来数据价值的挖掘和应用。
    那么在这种情况下，其实现在从电力来看，已经有一个共识，就是从过去电的经营，接下来要转变成电加数据的经营，把数据作为资产来看待。这张片子是我们对电力大数据运营的一些理解。这个分三个层次。首先在技术层面上，大数据的相关的技术层面上，相关的一些平台，相关的一些其他技术能力的一些建设，基础设施的一些建设，这是一方面。第二方面是我们在上方在数据这个层次，前面也讲到，我们有内部的数据，也有外部的数据，这是数据资产的一种环境和运营将来要发展的一种思路。
    那么第三个方面就是这些内外部数据的结合，在电网，包括电网辐射的上下游以及我们服务的对象有一个充分的应用。也就是说面向政府在经济的这种普查，能源的规划，新能源的发展这一块，其实是有良好的一个支撑的。包括对用电的需求的预测，对于发电企业投资的效益的分析，供需的分析，对于电建的企业，工程进度、现场管理这一块，包括对设备的厂商，设备的运行的情况的一些跟踪，包括对于我们的公众，我们家里的用典行为的分析，这个应用空间是巨大的。
    第二部分简单说一下对产业链的理解。其实不仅仅是是电力行业，我们理解在大数据的领域来说，未来上下游有三个层次，上游是数据资源的拥有者，或者它具有这个使用权的层次的。第二层是提供技术服务的解决方案的层次。第三是基于数据应用发展端的专业型的一些企业，这三个层次。第一个层次我认为包括新兴的互联网公司，也包括我们国家电网这样的传统行业的一些龙头企业。那么这种企业它其实掌握了这些数据，这些数据是它变现的一个资本。那么在数据越来越开放的这种形势下，其实很多企业也具备成为这种数据资源型企业的潜力。那么这种企业它是适合去把数据作为资产去引向生态。
    第二是技术复杂型的企业，这个要提供大数据的技术和产品的服务。这个不一一的说了。那么这个技术类的企业应该是在产业发展的初期是最早能够得到这个实惠的。下游的企业有一个特点，这个重点说一下。那么下游的这种企业其实很有特点，一方面可能它掌握数据资源，另一方面它又掌握核心的数据技术，大数据的技术，这两点融合起来，以创新的思维，以数据思维的这种认知理念，去看待各个行业领域里面它的一些痛点，提出相应的一些专有的解决方案。比如说我们大家坐飞机的大家知道行旅服务，就是一个数据服务的产品。包括阿里的等等。
    另外一个层次是中国目前的一个特点是数据交易这一块，像贵阳大数据交易平台这是一个出口。第二方面我简单说一下大数据产业三个层次在未来的发展的一个趋势，个人的一个理解。我们理解的数据的开放是一个趋势，从开放的趋势是有四个阶段。就是互联网的1.0的阶段，互联网+的阶段，以及数据流通和数据驱动的这四个阶段。互联网1.0的阶段，互联网的这些企业数据已经线上化了，互联网+我们的传统的转型，我们的数据也从线下到线上转换。那么有了这两个前提，到第三阶段数据的流通和开放就变成一个正常可行的一个方向了。那么最后是数据驱动我们的业务，驱动我们的价值的实现。那么在这四个阶段，不管是资源企业、技术企业还是应用企业都在往前发展，我们可以预见的说，数据应用将来是一个广阔的一个空间，会产生很多小而美的这种专业性的一些企业或者相应的运营平台。
    对这个产业的理解，其实我们在做电力能源这一块的大数据工作的时候，我们是希望能够以数据应用为重点，能够在这个领域里面能够有所作为。第二，我们是聚焦在能源互联网，希望在这个生态圈里面能够跟各个方面共享这个大数据的这个产业经济。
    第一方面就是我们面临现在电力体制改革，就是发电环节和送电环节的这个开放，那么速配电这个环节也有很多新的一些变化，我们希望在这方面通过大数据云平台能够融合各方的诉求，为各个方面提供这种服务。
    第二，我们要面向用电的客户，包括社会化的用电的服务企业能提供大数据的一些电子帐单，众筹的配网的抢修还有上门的保养等等。包括对企业来说提供数据的加工存储管理的服务。对新能源的一些企业能够基于大数据通过上网服务的这种服务。这是我们大数据在能源里面的考虑。
    那么我们接下来最后简单说一下就是在这一块已经开展的一些实践，应该来说虽然说电力的数据的价值潜力是巨大的，但是目前在中国的这个国内的实际情况来看，应该来说才刚刚起步。做了很多技术上的准备和应用上的一些尝试和实践，还有巨大的潜力需要挖掘。那么我们目前来看就是实践的重点聚焦在两个方向，一个是对内优化我们的电力的运行管理，第二对外提升这个社会的效益。围绕电网、电力的六大环节通过电网的运行数据，设备检测的数据，营销客户的数据，以及结合外面经济环境的数据，在这个基础上我们做相应的大数据的实践工作。我们对一些电力企业，基础设施的选址提供支撑，动用电的行为，用户的行为来进行分析，支持用户外电的改进。包括我们的智能设备，一些在线的检测等等。
    对外，重点在我们的客户服务的提升和用户优化的一些建议方面，包括对于政府提供相关的关于电力方面的经济状态分析的预测的方面的一些内容。具体来说有这么几个例子简单说一下。一个是我们跟电力这一块开展的这个宏观经济的概念分析与预测这一块的一些具体的案例。按照我们通过大数据结合方面的信息包括人口和经济和能源的一些信息，以及国外的一些情况，包括英国法国日本包括韩国，不同的国家不同的历史阶段的数据我们拿过来对比来看，我们发现其实中国电力的这个增长的需求应该总体会在2040年达到一个相对饱和的一个状态，那么对于像东部的话，我们是在2030年就会到来电力需求增长的空间就会饱和起来。那么再往下我们看到趋势的话，应该未来的三华地区，像花东、华南、华中这三个还是电力的需求中心，这个电力用量很大。这个对电网的投资规划和电网的这个建设运营其实会提出一些建议。
    包括新能源的接入也是要充分的考虑的。所以这个其实是从后面决策上来提供支撑的。
    第二个方面是我们对电量的分析。综合各式各样的历史的、天气的经济的包括我们节假日的社会的一些事件等等的方面的分析，来预测我们送电发展的趋势，这个对于企业来说，对于政府来说，这些数据都很有参考价值。
    第三，我们在智能化检测这一块。比如说针对国家电网公司这一块来说，他们开展的运营检测整个中心的建设，对企业对电网各方面的信息进行整体综合的采集、监测、分析，并且对绩效进行评价。
    第三方面是客户服务质量方面，我们借助大数据对客服中心的语音、质监进行分析，对高频的一些词能进行提取，对于用户的这个比如说这个电话来了之后，它是投诉还是建议还是什么其他的，针对这些信息进行综合的一个分析。如何更好的改进这个服务。
    第二方面我们结合电力营销的原来实际的数据和客户的数据，进行融合，去看看我们的客户在关心用电方面的一些什么样的事情，包括需要什么样的一些增值服务，这个都做了一些实践。还有一个就是在企业管理方面，在风控内控体系方面也做了大量的一些工作，这是大数据对各方面的，包括财务的专业的以及其他方方面面的专业的数据进行汇集，对风险进行评测。那么整体因为时间关系我简单跟各位做这么一个汇报。由于电网的大数据也是刚刚往前去推，也希望后续得到各位领导各位专家，包括各专业公司都有指导，谢谢。
   
    冯钢：在日常在跟一些工业企业交流的过程中，也发现一个问题，很多企业事实上已经开始了工业大数据和大数据的一些应用，可能自己并没有意识到。所以我们把国网公司的案例请熊力总做了一个分享。他从大数据在宏观决策，在经营管理在运行监测客户服务等等方面做了一个简要的介绍，希望有机会我们再跟熊力总再进一步的交流，再次感谢熊力总。
    讲到互联网带给我们的跨界融合的一些机遇总有几个关键词，包括大数据、物联网、云计算，那么曼威的C2M平台，下面有请曼威的产品经理高级工程师肖腾坤来为我们分享。
   
    肖腾坤：尊敬的来宾大家上午好。首先做一下自我介绍，我叫肖腾坤，来自曼威网络科技有限公司。我们公司成立于2006年，公司主要要打造的目标是要为客户实现一个定制化、个性化的一个指导。为客户打造一个C2M的一个平台。
    从整个消费到生产这样一个供应链，这样一个产业链，就是站在消费者的角度的话，我们要为消费者实现个性化、定制化的需求，而且我客户下了单之后，我能够实时的掌控、观察到我这个产品在工厂中这个生产过程中质量的保障。
    早在2003年我们公司的董事长创建了我们的兄弟公司江西亿网信息技术有限公司，我们亿网主要做产品项目还有具体的生产系统的研发产品项目实施还有应用案例的。亿网是我们曼威的一个兄弟公司，我们的产品链从生产制造执行系统，已经扩展到了APS、供应链等等一系列的产品线，我们的客户也是遍布了全国各地，像大众奔驰皇上皇都是我们比较大的客户。
    正是基于我们多年的项目经验的一些积累，项目实施，应用案例的这些经验，让我们曼威让我们陈总看清楚了未来工业制造的一个发展的一个方向。让我们看清楚了智能制造的发展方向就是云制造。亿网让我们看到了打造了一个目标就是我们要实现透明工厂。实现智慧制造。
    经过十几年的我们大量的项目积累，我们在亿网的基础上，看到了我们未来发展的一个趋势就是要打造一个新的C2M的一个新的商业模式。这个C2M这个概念现在已经是一个新的概念了。这个是从消费者客户到我生产的一个交互，这个中间不仅仅是涉及到我具体的生产，还有M2M，设备与设备的通信，M2C，C2B等等，这个C2M包含了一系列的运行。其实C2M最终要实现的目标是什么？是它要解决的问题是什么？我们知道传播的，我们传统的现在的实际的一个制造业的现状是什么？是供应链，WMS一个仓库，库存管理和生产计划，具体的生产执行，这些系统都是相互独立的，它内部的信息都不能实现共享的。像我供应链里面有库存管理的模块，我还单独有一个系统专门提供库存管理的模块。MPS里面计划排产，这种传统的模式下，都是相互独立不能实现数据的共享，这样就形成了信息的孤岛。
    我们打造C2M这个新的模式，首先必须要解决信息孤岛的这个问题。我们最终要实现的目标是对于客户来说，对消费者来说，我们要为他们可以实现定制化，个性化的这样一个需求，客户可以通过我各种终端，可以通过我WEB端或者是PC可以实现自我的个性化的定制。而且客户下单之后可以实时监控我生产过程中的一些情况。包括我产品的一个质量是如何的，这个客户站在客户的角度的话，要满足客户的需求。站在生产者的角度，我工厂的话，我能实现智能工厂，智能工厂是什么？人和人之间的这样一个协同，人和机器的一个相互协作，机器和机器之间的相互实时的通信，打造智能工厂的概念。
    智能工厂实现了之后才能实现一个智慧制造的一个智能制造。通过我智能制造能实现对产品的精益生产管理，对我的产品的质量进行保障，让我们的工序更加标准化，不同的工艺路线生产出来的产品是什么样，根据不同的排产计划，根据不同的工艺过程生成的排产计划的结果是怎么样的，我要能够看到。这样有精益管理的这样的一个需求。
    还可以实现我业务的一些可预测。那么这个业务可预测呢，就比如说工厂里的设备，设备的话有一个设备利用率，有它的产能，我根据我从工厂实时采集上来的数据，它有一个产能的波动，有一个利用率的波动，我在每天早上10点到11点的时间段，这台机器的它的产能会有一个下降，或者说一个设备利用率有一个下降，我经过大量的数据的一些采集、积累、汇集分析以后，我的数据可能在未来的某个时间内它有可能会发生故障。这样的话，我可以预见到未来可能发生的一些情况，一些事件，这样的话对于我APS计划排成的时候，我可以考虑到各种因素，可以考虑人员的因素，人员的波动，设备的利用率，库存的一些可用量等等。这样的话我可以实现我业务上的优化。我能够更好的进行排产，进行生产。
    这是工业4.0背景下的生产消费的一个新需求。解决了这些生产消费新需求之后，我们其实就是要打造C2M这样一个新的商业模式。
    打造C2M这个商业模式，我刚才讲了很多，我设备的一些利用率，产能等等这些数据，它必须要有一个数据的积累，我基于对大量的数据积累，基于对这些积累的数据进行分析，进行模拟进行计算，然后我能得到我刚才上面讲的那些东西，我得到业务的一些预测，产能的一些波动情况。然后，经过这一系列的数据分析操作之后，我才能对未来做更好的预测，这是C2M的一个必须要解决的问题。
    从整个的生产到消费的一个过程来看，每一个阶段都会产生大量的这些数据，比如说我在电商平台里面，每天会产生大量的订单，这些订单也包含了非常丰富的价值，首先订单里面包含了大量的客户资料，有客户的需求，那我就如何建立这样一个客户资料和需求的匹配，举个例子，黄女士她从我们电商平台下了一个单，她想买一瓶保湿双，它进入我的供应链系统，它年龄23岁，女，住址北京二环，我们得到这些信息之后就要对这些数据进行建模分析，基于黄女士处在的年龄段23岁，她居住的地址二环，她要买的东西以及她的职业，比如说她的职业是HR，根据职业特点她会经常面对电脑，居住在北京二环，消费水平是中高档，年龄23岁是属于青春活泼的年纪，买的化妆品就比较多，我们可以推出来这个黄女士不仅需要保湿双，还需要其他的产品。她可能还需要妨辐射和化妆品等等。基于客户的订单的一些信息就蕴含大量的价值。
    到供应链规划阶段，订单过来之后，我对我的订单如何生产做一个规划。订单过来之后你要买一个冰箱，我生产这个冰箱需要哪些物料，我要做物料的计划，物料计划我去年供应商来给我提供，关于供应商协同这一块，供应商管理这一块也会产生非常多的数据。
    关于多工厂的协同，一些库存模块的管理都是供应链考虑的东西。然后供应链计划生成采购计划、生产计划，形成之后就要通过我APS系统进行具体的排成，我排成会考虑很多的因素，会考虑人员的因素、设备的利用率还有事件处理的紧急查单，我今天预计是生产100件产品，今天突然下一个单我在上午11点之前要生产一个什么产品，这个是一个紧急查单的过程，我怎么处理，这个也是有很多大数据。在生产执行阶段，我要对我的设备进行实时的监控，这个设备它有没有在正常的运转，我生产这一个产品到了每个阶段有一个过检的信息，在每个过点的时候，这个产品它的情况是什么样的？在生产制造执行这个阶段，我可能说我要对整个的一个过程进行一个质量的评估，对每个过点的产品进行抽样检测，进行检测的数据，都构成了生产阶段的大数据的云平台。仓库管理就是大量的产品的物料的一个进出库，大量的RFID这样的信息，以及库存如何分配，或者是拉动、调拨这样的信息。这些都是工业大数据的一个重要的组成部分。要实现C2M这样的新的商业模式是离不开大数据的。
    基于我工业大数据的在每个生产阶段产生的这些数据，我们曼威打造了C2M工业大数据平台。因为之前我们是做项目起家的，我们是做MES生产制造集成制造起家的，我们在生产这一块积累大量的行业经验和项目经验，有十几年的数据积累，我们现在的产品不仅做MES还做APS、WPS等生命周期管理等等这些系统，我们的产品线现在基本上是从客户下单到整个的生产流程都已经涉及到。
    基于我们之前的这些大量的项目经验，我们打造了AntWork这样一个大数据平台，这个叫蚂蚁知道。业务系统有四大部分，在这四大系统，四大业务系统的基础上我们构建了我们的DES大数据分析系统。OMS运维管理还有一个比较重要的PMS态势监控。关于OPC这一块就是我们为了解决我工厂的实时数据的采集的一个协议不标准，数据不标准的问题，我们单独做了一个OPC，关于大量的模块组建。
    我们的DES就是大数据分析平台，我们整个AntWork能实现一个大数据的分析模拟计算，主要归公于我们的DES，这个有一个模型算法库，这个库里面包含了我们十几年所有的项目积累下来的一些数据、模型、算法等等。刚才学长刘总还提到了一个安全的一个问题，我们大数据这一块DES分析平台这一块专门有一个安全管理的模块来进行数据的一个安全的管理，让数据安全，功能安全，它的一个业务的一个安全，数据的一个完整性，都在这一块得到保证。同时我们有大量的图形组建库，我们的图形组建就是为了我们大数据分析而提供的。就是说它可以通过我们图形组建可以看到可视化的看到我未来的一个趋势，一个比如说产能的一个波动，利用率的一个波动，这些都是可以通过我们的图形组建库进行可视化的分析的。
    下面我们对我们的平台进行一下展示，这张PPT是我们的登录截面。登录截面之后我们会看到我们有大量的图形组建，这些都是可视化的。这些图形组建是根据不同的业务需求，它可以有不同的展示，比如说我设备的一个利用率，我可以通过一个折线图或者通过一个趋势图来进行一个可视化的一个预测分析。同时除了这些大量的可视化图形组建之后，我们还有干特图进行我们实际运行生产的一些运行的情况。我们投入这个库存想干特图可以看到我们库存量的实时的变化。我工序的工作是一个什么情况，设备是一个什么情况，运转的情况都可以在这里看到。同时我们还有很多的指标分析，这个指标分析不同于图形组建。比如说我们有设备人员追诉分析，我们有设备利用率的一个分析，基于大量历史数据这样的分析，我库存走势以及制造订单干特图，我订单的拆分合并等等。
    我们整个的C2M平台，解决了技术和应用方面的需求的，需求之后最终要达到的一个目标是什么呢？我们要实现客户的可定制化、个性化这样的一个需求。同时我为工厂方面我会实时的监控生产过程中的每一个细节。跟着我们的目标愿景，这是我们为消费者提供个性化、定制化精准下单，实时监控。生产者就是精准的计划，我们准确交货，降低成本，提高质量，这是我们要达到的目标。
    重要的事情说三遍，我们曼威最终这样一个愿景，就是为客户打造从C端到整个M端的这样一个从供应链到APS到MES生产运营制造执行，到TMS整个的一个闭环的一个生态系统。指在为客户打造个性化定制化的需求。为什么我们曼威可以做到，首先我们有大量的行内经验积累，我们有十几年的数据积累，我们有十几年的模型。第二我们有强大的技术团队，我们不仅在武汉、上海有我们专门的研发中心，我们还与清华大学合作成立了清华曼威研究中心，专门从事大数据云计算方面的研究。我们同数据的根本的属性来看，刚才杨部长提到的数据的两个特征，一个是形一个是意。我的理解是像中国的武术一样，只有行没有意就是花拳绣腿。那么我们曼威基于我们多年的项目经验积累，以及我们技术强大的支撑，我们实现了行和意的一个很好的结合，我们能为企业客户帮助他们从传统的模式慢慢的走向C2M一个新的商业模式。我们也希望有企业能根我们合作，我们也能为你们提供帮助，我们外面有展台，你们如果大家有什么问题的话，我们会后到展台去交流，我今天的演讲就到这里，谢谢。
   
    冯钢：感谢曼威肖总对C2M平台的一个全面的教授，以及这个商业模式也蕴含其中，也做了一个详细的介绍。2005年八月宋雷先生创建了唐宋公司，并且在钢铁电子商务领域取得了诸多的第一，包括全国首个钢铁云数据库，中国第一个钢铁数据库平台，直接影国内外钢铁期货。下面我们有请唐宋公司总经理宋雷先生为我们带来主题演讲产品大数据的商业逻辑与应用思考，大家欢迎。
   
    宋雷：各位领导各位专家，我就工业互联网的商业化逻辑和我们自身企业的一些应用跟大家做一些分享。主要是从五个方面，第一个方面我们工业大数据我们的目标是什么？第二，我们实现的路径。第三，我们通过什么载体实现？第四我们的模式。第五是体系。我个人理解无论是工业大数据产业大数据，其实它本质或者是核心的目的一定是为企业为机构的最终目标实现。
    那么企业生存目标是什么？是盈利。那么要想实现盈利，企业必须进行有效的产业规划。所以我个人认为，交易是我们产业大数据的核心。那么这个体系包括五块，第一，我们大数据的核心首先要为企业竞争赢得一个先机。第二我们要对我们的风险控制有所帮助。第三要有助于我们科学决策，第四要提高我们市场，我们的经营交易的效果。第五有助于对我们的竞争做有效的分析。
    这个体系我们想逐一做一些解释。如何赢得先机？其实我们任何的交互一定是建立在信息对称的基础上。所以谁先解决了信息不对称的问题，谁最先掌握了最有效的信息，应该说我们就掌握了交易的先机。所以我们的数据体系首先要有助于解决我们这个信息快速获取的问题。所以我认为对它的要求是快狠准。要快要准又要到位。那么比较典型的应用就是一秒信息圈。一秒信息圈，其实我们就是用手机端来解决你的行情报价你的市场信息和你的数据成本。我们从2005年开始就使用了手机短信息，后来又加入WEB手机端又加入APP，只要市场上有变化，我们马上一秒钟就获取信息。大家不要小看手机端的报价，在我的应用中很有体会。比如说2005年我们成立的时候，整个行业钢铁的进程比较弱，我们首钢的出厂价格已经下调了200元一吨的板材，这个贸易商还在加价呢，而我们信息完全不对称，我们解决了手段端的。由于我们钢铁行业从业者，年龄比较大，素质比较低，而且很多人很忙，没有人有时间在电脑前去通过WED端获取信息，我们看似简单的一个东西，其实有效果，推动了这个行业的市场。
    应该说在我们这样的企业这个推动下，钢铁行业现在我认为是中国所有的传统企业里面市场化程度最高的一个行业。怎么解释，你很难想象像钢铁是季度定价的，现在它每天有两个价格，三个价格。我认为这是价值。
    第二如何提高交易效果？我认为所有的商品我们都是建立三个比较级。第一比较这个且靠谱不靠谱。第二比较商品靠谱不靠谱。第三比较价格靠谱不靠谱。我们把这些靠谱数据三维度做好，形成很好的关系的，是非常有交易效率的。
    如何控制风险？我们也有应用，一会儿我给大家演示。我们靠这种对行业和企业运行情况的连续性检测，为行业，为我们的对手，为我们的金融机构对这个行业的风险提供连续的判断。
    第四我们要科学决策，对数据的要求要有模型化，要系统。第五是要竞争分析。比如说为一些企业集团做的一些定制化的手段，对它的这种运营和经营的这种数据和企业内部的分公司的状况，我们通过地图的形成做实时的分析。
    这是我们监测预警的介绍和一些模块。那么对行业运行监测，主要是运行和编辑的模型的建立的过程，我们对整个市场和行业用了预警分析，分别是过热、偏五、等这样的话，每天我们在观察这个行业的时候，我们通过这个数据产生的预警和建模系统我们很快就知道这个状况。
    第二我想讲路径。虚拟现实生态，这个是三个维度。第一，它是虚拟的。我们所有的数据一定在虚拟化的状态下产生和移动的。第二，我们所有的这些在虚拟状态上产生的数据和应用的数据，本质上系为现实服务的。又还原于现实。这个是刚才杨部长提出的，我们工业大数据本质是工业，我们大数据是为工业服务。
    第三就是虚拟现实如何打通的问题。我认为我们单纯谈线上线下或者单纯谈虚拟现实，都不是我们工业大数据，我们工业大数据是要把虚拟和现实打通，通过我们虚拟化的数据流对现实的我们的这个产业状态和运行状态，能够做到抽象对比方面，找到问题，然后又推倒和还原我们的生态，去促进这个的健康发展。这个对大数据体系提出了很高的要求，我们的维度要足够宽，我们的科技要足够细，这样才能无限接近事物本身和现实的生态。我们单一的数据说我们就是大数据，我认为这是错误的，我们一定是一个丰满的状态才能支撑起大数据的概念。
    我们过去十年，其实我们现在已经扩展到了大的行业，我们数据体系已经建立起来了。因为我们做的比较深，做十年打磨一块系统，我们基于刚才说的这个案例。过去十年我们做了一些事情。比如说我们现在上下游产业链我们有30万人的企业在跟我们合作。我们每天跟现在的数据超过20万，我们每天的这个数据量这个样本大概超过五千家，我们用户里面超过37家是世界五百强的企业。这些知名的企业都是我的。我们中国制造500强里面我们占到200强。用它大量的创意机会，应该说基本上是比较公平的。
    我们知识创新的企业，我们有20多项自主知识产权支撑我们的发展。我刚才也简单介绍了，我们这样的公司还是对这个行业扎根于行业，还原于这个生态，促进了产业。我们当时我们有一些数据，比如说我们十年以前，民营刚起来，信息化率不到5%，这是当时我们是做了现实的一些记录。那么通过我们这样的企业，类似于我们这样的企业共同的努力，现在的信息化率，最起码它通过手机做信息化的处理。就是这些我们做了一些工作。我觉得这是比较骄傲的事地每个企业不管大小，你有能力推动一个行业，推动一个社会进步的时候，我认为是非常有成就感的。
    那么模式，这个我们产业大数据既然为交易服务，它一定有一个商业模式支撑。我提出一个概念是三业融合，我觉得未来的产业在大的互联网的背景下，一定是大数据、金融和交易是融合在一起的三位一体的组织形态上的。那么我提出更大胆的设想，而且我现在也是进行这种商业实践，比如说数据的交易，我这些等号，我认为数据只要你足够广泛，你无限接近于生态本身的时候，其实你就可以划等号了。实际上我们的交易，我们产生的合同，本身就是一个数据，你无论是商品、交货期、价格，等等，你都是交易的属性。金融本身也是一个数据，这是没有问题的。我们通过我们的数据建立了比价中心系统，我们倡导我们自身做了一块交易，我们有一个团队在做交易，其中我们的交易额达到了一亿，就是根据一个人的交易额达到一个亿，因为它的交易效益大大提高了，它过去有足够充分的数据平台，这一块我们已经打通了。
    我们的愿景就想把这个等号，这个我认为这个比较大，但是总得有人为大的买单，我们愿意买单试错，而且我的自信心越来越强。我们已经无限接近这个等号了。有人说可以和爱因斯坦的相对论划等号，我觉得也不为过。这个大数据对金融就是一个延伸品，它自然成为你的组成部分。你如何做到划等号，我们大数据架构是三个维度。
    第一我们要给产品和资产定价。就是说这个我们要确定这个资产和商品它靠谱不靠谱，价格是上升还是下降期，有没有贬值的风险点，我们通过商品比价中心解决这个问题。第二是企业征信中心。我们专门有一个公司是做企业分析的。第三是行业舆情中心。有一些受到行业的影响，比如企业家的道德、社会评价等，这三个维度组在一起，我们可以完善把我们的大数据体系无限建立我们的365天的检测和360度的监测。
    那么载体我也想跟大家分享一下我的观点，我认为大数据要想真正的实现商业变现，它一定要和互联网结合，或者是互联网化的大数据，我们对大数据的概念现在大家也争论得比较激烈。有的人喜欢用四个V，我曾经提出一个观念，这个大数据界也有比较激烈的争论。我觉得四个维度解释不了，而且比较空落不了地。我认为凡是通过互联网手段获取应用的数据就是大数据。这个提出就是它的手段，它的应用场景，它的商业化的模式。我觉得我们认为大数据一定要有载体，不能为数据而数据。
    这样的话我可能要稍微占五分钟我演示一下，我不多讲这个了。这个我们的理想确实是要推动实现油市场计划的经济。我不是概念，我不是学者也不是政府官员，我就是搞企业的，我现在通过一个行业一个行业把这个价值体系做下来以后，我认为我们完全可以把我们计划经济17个理想投入产出表建立起来，我们把投入产出表建立起来以后我们就会有市场的计划经济。不要认为计划经济比市场经济更落后的经济形态，是错误的。它一定是比市场经济跟搞一个层面，只是我们在计划经济的时候，我们用互联网和工业化的手段去实现我们的计划经济，我认为到时候了，我们正在推进这个事情。我展示一下我们做的东西，光说不练假把式。大家看一下我们的系统。首先我们把钢铁两万两千多个中类品种，复制成网格状的报价系统。每天你每一个细微的品种的价值，其实在我的数据库里面，这个里面有几个价格指数，我们的指数可以写在合同里，我们行业里面参照当日行数指数签订，这是我们十天半个月以后。
    而且不仅做这个，凡是影响价格及其交易变化的这个市场要素我们全部放给他们。比如说我们的库存，还有我们的增量。我们影响市场价格的因素有两个，一个是成本，成本我们通过产业链，每一个上游下游的供应商，我们通过供应链的分析我们建模型。刚才生产线，你每天每个品种，我带成本是给你算出来的。就是非常接近我的真实状态。你再到下游，我们也可以算出来。再往下游每一季都可以算下来，叫数据足够大。除了有成本之外还有供求，供求是两个因素。一个是库存，我们社会共同企业的库存，我们要做大增量。第二我们要知道它的增量，它的开工率影响的释放的产量。比如说我们现在对这个，我们钢铁全国的钢铁生产企业，它的高度运行状况，我们每天都在检测，这个哪些企业开工了，哪些企业检修了，检修多长时间，检修多少产量，而且个可以释放到每个品种，不能说总量是十亿吨钢材到交易市场没有价值？到每个地区它的产量，这样的化往细。因为我们的目的，我们是为交易服务，我们的数据是来自于真实的交易。我们还原生态我们大家才解渴。行业人离不开我们。我们APP已经有十万用户来用了，他们每天必须参照我们的数据，如果没有这个数据就没有参照标杆了。
    我给大家简单看几个，这些数据都是非常细的一个数据。每个所有的数据库，它涉及到钢铁原材料和下游的东西都在这里。这是我们的价格，我们的价格分的很细，比如说出厂价、市场价和采购价，不是简单的价格就是一千块钱一吨，它包括落价、成倍、现金。你的价格维度不一样，你是不一样的，还有成本价，累计、减持等，所以我们的，大家看，你一个价格维度必须把它所有的这个标签全部标注进去以后，这样你的数据才能真正的对行业有所价值，有所贡献。我随便举个例子，大家看看我们维度做得有多细。
    大家来看只是一个简单的一个钢板，可以做到地区某个品种，什么规格什么材质，什么厂家生产的，现在是什么价值，这是最新的。18号最新的报告。我们这个大家看这个出口，根据这个时间的变化，大家是可以算出来它的价格的拐点，大家看我们的这个成本，我们细化到每一环，每一天的成本都可以算出来。然后算出来你的到每个成品的利润，你的亏损额是多少。这个时间关系就不能多讲了，有感兴趣的，这个PPT上有我的联系方式。大家可以欢迎我们探讨，在座的都是专家，行业的领军人物，我们希望在工业大数据领域共同努力，能够创造一个辉煌。谢谢。
   
    冯钢：感谢宋雷总的精彩报告。我们马上进入到今天上午最后的一个压轴环节，如果说牛津大学教授等大数据时代使得广大的专业人员熟知了大数据的概念，那么美国辛辛那提大学教授，美国国家科学基金会智能维护系统产学合作中心主任李杰教授的一本书成为我们广大的读者在工业大数据启蒙的读物。李杰对美国工业大数据对信息物理系统的发展现状和趋势有深刻的洞察。下面有请李杰为我们分享工业大数据和CPS系统在美国的发展情况，大家欢迎。
   
    李杰：各位好，我想时间的关系，大家可能肚子都饿了，我想我还是把这部分的东西跟各位介绍一下，就是现在在美国我们过去15年做的一些工业大数据的一些比较早期的工作。
    在2000年的时候我回到学校当教授，在美国35年，最早在企业界做自动化。1983年到1987年在企业做自动化。然后到美国国家技术，美国有两个一个是国防部一个是NSF，再到联合科技做发动机、奥克斯电梯。2000年当教授做这个，因为我们15年前觉得未来的产品，15年前，各位回到2000年，2000年有一天我们的产品都会接上一个商品包括网络。这个数据会出来，出来之后你是要做储存还是要做目的？你的汽车会给你短信，你打开手机，我的电池在漏电，因为我忘了关门。15年前我们的想法。那时候说不可能，那时候我们刚开始做，的确是很孤独，没有人听得懂，但是英特尔听得懂，他说李教授，这是切入式的数据消化系统。就是数据进来出去就没有数据了。
    这个味怎么消化掉这个数据，变成是一个议题，到现在别人也听不懂，一个产品我怎么把数据转换成一个你们想看的东西？我想今天的时间关系我就挑三点。工业大数据15年前怎么定义的，各位今天随便怎么定义都可以。过去我们怎么定义的？为什么今天谈工业4.0这么重要。我给几个案例，我们对中国的一些意义在哪里，你为什么来这里，你离开之后应该做什么？
    第二个是德国4.0，第二次工业革命。辛辛那提大学是美国的工业大学，连续三年，最后一年做毕业设计。所以做机床做的很好，德国在这个地方机床、啤酒很好。我在西门子为什么会做4.0，故事在2007年，它收买了UGS，这是我们学校转出来，这个是我们信息化转出来的企业。到今天IMS。
    我们当时开始做是这样，我们要做这个产业，希望每个产业过来，把问题带进来不需要解答。我们把这个问题的复杂性做大。要跨国公司不能只靠美国公司，要跨国。它包括西门子、三星、丰田、国内的三一重工，我们现在全世界有85个企业15个国家地区，中国很多了，宝钢、海尔、三一重工、上海电气还有中国造船。2000年的时候，我们就是说每个产品都会有一个传感器，都会有，现在手机有传感器，我们那时候没有定义，我们2000年举办了一个  会议，未来是  ，像今天的云，都叫这个。蓝牙也叫这个，因为很多数据拿不到，很多的远程监控是理想状态，它不给你数据。所以你在出口端就把数据消化掉了。一个车子很多要担心，刹车的安全性，电池是基本的东西，冷却性是基本的。所以你不要全部监控，但是重要性要知道。你吃食物的时候没有用的排掉了，好的都是留下来。所以健康的信息经过软件消化之后，它变成最值钱的东西。为什么数据的信息转化之后为什么值钱，之前是不值钱的东西。
    所以你要做一个零故障的价值，这是我们2000年的想法。然后再回到设计端把它封闭起来，这是15年前我们跟国家建立中心。2010年2012年初，通用GE的工业互联网，风电通过特征数据提取以后经过分析变成信息，经过信息量再分析再回到设计。一模一样的。但是你要想到12年之后，这种高校所做的技术才能产生一个新的产业出来。这是在美国对高校的评价，你拿NSF的钱要形成一个产业而不是开公司。我们谈到为什么大数据重要？回到15年前，就是从制造或者构造系统中，汽车、发电无所谓，利用传感器，或者过去和现在，人也是一个数据来源，人的数据其他过去的收集的数据，很多隐性的操作环节。
    如果数据告诉你知道的事情是没有意义的事情。为什么大家喜欢看微信，因为新鲜。微信新鲜度，如果微信没有新鲜度你不会看它。微信是因为它是新鲜，但是你不能太相信。所以微微的信叫微信。但是你必须要了解还没有发生的事情去预防它，这是15年前我们的定义。很简单，但是企业能够一年省掉每天省掉故障2小时。
    所以我们来看这是一个很好的思维模式。今天我们做产品一定是一个蛋黄，包括一个海尔的这个空调、格力的，蛋白是数据端的价值的创造。所以我们的家电永远没有这个价值，除了这个空气，空气还是PM2.5，因为你看不道。所以2005年我们GE的总部在辛辛那提，做了数据之后，我们改为GE，它第一个动作把数据起飞之后的数据传感到地面来，之后这里面有一个三百人的工程师和我们的学生在里面。把一百多个传感器都转成有关的。最怕就是蓝色，你起飞之后变化不稳，不稳的话飞机不要起飞。这是最怕的事情。就是变化不懂得为什么？这是最怕的。这个情况就是影响每天至少上亿的资金浪费在这个地方。发动机是蛋黄，才能避免航空取消形成，这个是蛋白。这是重要的思维模式。我们做数据的时候有三个重要的，一个是数据的质量不好，如果你数据很好，但是你好运。第二个数据有时候会断掉，因为时间的关系，或者是人的关系，或者是工作的关系，或者是背景的关系。第三你看不到质量，我给你数据了，但是我不告诉你背景，我告诉你一个发动机资料，我不告诉怎么起飞的。美国的飞行员拉起来，这个到德州德拉斯五倍的机场的长度。我不告诉你的机场这个发动机有问题，什么问题？没问题。跟机场的环境有问题，但是不告诉你，数据没有用。所以数据事实上不是单纯靠数据分析的。那都是正常情况，真正的挑战是在。
    所以我们在NSF提出什么是Cyber五，为什么跟信息数据收集起来，它做什么？因为它不是靠数据。它是靠差异性，今天我扫完之后，明天再扫，这个怎么不一样啊？冬天、夏天、秋天都不一样。所以我们做CPS在2006年做的时候，所有的未来产品它有一个对称性的信息，实体系统汽车是产生数据的地方。信息汽车是产生价值的地方。什么是智能汽车，信息汽车，你现在开车要靠传感器报告问题，智能汽车是经常发生车祸请注意。这个是别的关系带给你的信息。它不是一个数据管理。这两个结合是一个很重要的突破，我不再坚持在数据端再担心了。
    这是一个信息风电，信息风电我看的并不是数据，我跟风速变化所带出来的耗能，产生电能跟我的健康值的差异化。我知道两年之内什么时间点变得不一样。同样是风电，同样是15米一秒钟的风速过来，为什么第二个风电的发电量跟健康值不一样，都是一模一样的风电，这个也许叶片角度不一样啊。这个未来来说，不管是机床，还是左边右边信息对称，这个你有这个想法，不同的操作模式会产生不同的数据出来。这个是什么特色呢？经过我们开发的工具软件，我们把不同的信息端的变异性找出来。这个就是每个产品都有这个特点，这个会记录你愿意最大的地方在时间数据里面，它不是数据，是基于变化量，把变化量的关系建立起来，我的产品不好我可以知道是哪个工序，哪个问题。这个基本上的观念就是这样的。
    这样做起来？未知的地方，就是已知当未知的结合，但是未知怎么跟已知有相关性？它是一直预测。所以这种重复性高的产品，电梯、风电、汽车、核电、高铁最合适。所以我们看这个案例怎么来看。
    我们可以做出你有很多的风机、很多的汽车，但是它出来以后你把它奥出来。这个人心脏不好，心脏是血压和血糖。电梯开关的耗能，开100次电梯，99次差异化，握有一个高差异，我就知道第一次和第一百次的差异。我可以把核心的问题阐释出来，右边的部分基本上是计算部分不用看的，所以未来世界是两个东西，一个是实体，一个是手机看到的结果。实体信息整合，这就是信息物理技术，真正里面的计算看不到的。你要打的按这个地点车子就来了，信息基础是一个价值，实体是一个功能，功能价值的结合，这是一个很重要的一个信息物理的目的。
    为了我们问题很多，什么都有发动机、风各方面，但是工具很多，欧洲人美国人日本人都有，医药也是MRCT，最后吃药是一样的，但是为什么功能系统的药不一样，工程系统有理论性和系统性，实践性跟经验有关系。你叫医生看病，它说你有癌症，他说你没病。这个结果就不对了。所以说如果工具不一样，结果一样那是对的。不能说两个产品我用我的工具你有病，你的工具没有病。所以这个会导致数据不稳定性。
    这个要有可视图出来，这个图很容易懂，看到就知道不需要想，这里面的运算有不同的工具，统计的数学的概率的比较性的。时间的关系我们给几个案例。第一个案例小松，小松有18万台挖掘机，这个挖掘机全世界的可以数据拿到，之后有一个项目，挖掘机出来的资料我们可以去看它里面的每个零部件的实用性，这个第三个轴，这个轴承就差不多了。我们根据小松目前的数据是不必要。我们把数据变成一个信息。我们结果是说数据库的工具，我们20套工具里面选六个工具在日本做测试，在2007年日本中央电视台发布了全球第一个工业大数据挖掘机。
    然后出现什么问题？它是动态的，它有很多的情况，你要能够把不同的滚珠、外环内环识别出来，最后发现它是一个内环问题。以前我们通过经验，现在是靠事实。大数据是给事实用，人是经验。考虑数据时间会缩短很多。
    第二一个企业在我们总部，宝洁总部在辛辛那提，他说我们一毛钱不花，可以的。我们做了很多的事情。宝洁尿布帮宝适一年是一百亿美金的市场，它的变化很大，如果出来以后质量要检查，这个就浪费时间了。我们把数据经过软件消化掉，直接算出来，完全没有检查，一年停机的时间省了很多的时间。这是美国国家调研的数据。这是大数据的价值，人做不到的事情。
    现在两个挑战，一个挑战你每个产品它不可能帮你做事情。你飞机想开怎么开就怎么开，风电，风怎么转我怎么转。这种情况下数据是有好几个维度，不是一样。我人高兴的时候，情绪的时候，轻松的时候，人的数据是不一样的。这个多方面的工作是一个共享。第二多类似性，很多类似的东西在一起怎么简化它，大数据的目的是没有数据。为什么？因为我经过大数据的比视，我给你30个学生考试，马上分出来好学生、坏学生，我没有必要监控你的。这个比较最差的一个，各位是知道的，这是一个美国的专利，这里有很多的东西。因此我们看到有七个风电，每次红泪的点做维修，五号风电不好很快就出来了。我们没有用任何的传感器，这个叫做大数据的价值。
    这样做的话今年在上海大电器的风云就是这个产品的代表。我的博士生在后面它复杂这个项目。最后一个信息物理技术，这是现在大家不理解的地方，它不是一个口号，它是从数据端往上走，信息数据到了内容管理，就是我到底这个数据的意义，转到了一个比较性再到可视性再到决策性，它是五个C的结合。所以你们打维基百科英文的看到我们的图在上面。为什么这样做？很重要，因为中间的这个是任何系统的阻碍点，很多人说给你看我的平板电脑，信息物理的动态，那不是数据。所以C端是一个数据经过消化之后，告诉你的问题的相关性。它不是叫问题诊断性，那不是C。为什么？那是很重要的。2013年球类的DNA的辨识，可能性有乳腺癌她切除了。这个公正出来的东西不叫大数据，没有价值。
    我们很多平台之后，每个传感器会经过不同的消化点，你看到的信息都没有数据。我们手机所做的全世界任何地方你可以看到装备的健康值没有数据，看不到电流，看不到压力。最后我想时间关系我就讲最后对中国的意义。现在国内讲中国2025！要经过30年走是很重要的。我们要从第一个十年要把这个问题制造强化。但是这个中国转型必须有一个很基本的了解，中国是用全世界的产品在这个地方，它的基础工业很重依赖，包括零部件。中国制造成长过程中产生很多的问题，包括污染，包括水质，包括可靠性，所以必须要顶天立地，就是数据是你的资源，你往上走，要知道为什么这个装备好，为什么不好，你弄清楚了卖装备的公司都非常重视你。往下你必须要了解现在我们做质量的问题在哪里，做污染的问题在哪里，去了解找出原因，让社会是一个无忧的社会，让国家是一个不需要依赖于别人的一个工业国。如果不能立地不能顶天再多的技术也没有用，很重要。
    因此我讲结论了，人才知识工具三个缺口，美国缺乏19万工程师和科学家在这个领域19万，中国至少缺乏80万到一百万。但是中国高校完全没有布局。美国成立大数据联盟，成立大数据银行，大数据验证，从2008年开始的。我们每年全球的构造数据全球竞赛，我们拿五次冠军。GE去年给你两年的发动机生产的数据，不告诉你有什么问题，告诉你第三年第三方有什么问题你预测出来，我们预测出来比过去还准，就被挖去了。第三年也是三通的火箭数据，找出问题类似性，这个学生被GE挖去，负责GE大数据科学家。
    现在在国内是国家仪器，你把这些工具可以拿去用，我们去开放了，每个人都可以用了，不需要跟我们合作就可以用了，这是开放掉了。第三这十年来我们把这个梳理出来了，这个书知识的开放。今天我讲了15分钟20分钟很快，这个书可以看一下，是十几年20年的累计。我想未来中国可以从不可见世界里面找出成长的机会。这是我的微信，有机会的话大家可以联络，今天的时间关系我就不讲了，就到这里，好。
   
    冯钢：我们再次用掌声换送我们的李杰教授给我们热情洋溢的精采的发言。半天的时间，我们的议程也告一个段落，感谢大家的参与，今天上午的内容还是比较翔实，各位专家的发言从宏观到微观，从过去到未来，分析工业大数据发展的现状和存在的问题，和未来的发展趋势，信息量很大，希望大家从中能够对大数据的应用和发展能够有一个全面的了解。此外我们中国工业评论的官方微信也会时时把大会的内容进行转播。下午的会议是一点半在这里准时开始，下午的内容会更加精彩，希望大家准时到达，谢谢大家。

时间：2015年11月18日（下午）
地点：国宾酒店国宾厅
主题：2015中国工业大数据大会——大融合 大变革 大突破 大数据时代的工业变革（大数据助力互联网与工业融合创新）
内容：
   
   
    李正海：大家好，首先我先说一点，经过上午的大会，我们现在浓缩了一下精华在这里，所以下午的会议会更加精彩。首先有请中国电子信息产业发展研究院信息化研究中心主任杨春立为我们做以工业大数据驱动智能制造发展的报告。
   
    杨春立：各位领导，各位企业代表非常抱歉，今天参加中国工业大数据这样的一个大会，其实提到大数据，我觉得大家可能都不陌生，今年随着国家出台了大数据的行动纲要以来，相关的部委都在制定相关的措施。比如说中央网信办现在正在围绕大数据的应用在各个领域的应用，还有产业的培育发展在制定数据中国相关的战略。工信部在战略大数据的行动计划和大数据的十三五规划，这两个文件里面的重点核心都是围绕大数据在工业里面的应用，围绕新兴产业为重点。我今天的题目是跟大家探讨一下工业大数据和智能制造的发展。
    我们在正式讲之前跟大家分享几个案例。第一个案例是通用，我们对GE不陌生，它是美国典型的制造业转型的企业，我们知道以前通用很大的利润来源于金融业务板块，大家看到在1994年到2000年的时候，它的利润已经接近60%。但是从2005年开始慢慢降低，到2010年2014年是20%左右。到2018年它的金融利润会劲到10%左右。我们再看它近五年的策略。第一年在硅谷成立全球软件研发中心，第二年互联网报告，2014年成立工业互联网联盟，2014年又对两个企业进行并购，又进一步的剥离金融业务，它的目标是2020年成为全球十大软件公司。这么强大的制造业它把为的发展中心放在软件，这是值得我们思考的一个问题。
    第二个案例是软件和数据化人。大家都知道现在是机器换人，但是我们看几个案例。美国驱逐科技公司，它认为未来15年90%以上的新闻报道将由软件和机器人完成。横生电子认为软件取代股票分析师。认为未来10年到20年被机器取代的可能性有47%的员工一定会被替代，19%的员工将有可能被替代。不知道有没有看到第二次机器革命，第一次机器革命是机器代替体力劳动力，第二次机器革命是代替白领工人。机器换人是3.0，软件和数据换人就是4.0。
    我们看第三个案例就是西门子，西门子大家也不陌生，我们看西门子这几年采取的一系列的策略，从2007年西门子化肥了35亿美元收购了一个公司，西门子为什么花费巨资发展软件产品，这里面西门子提出它要打造未来在数字工厂领域的实力和工业自动化领域，将两个优势结合在一起提供数字化工厂解决方案。
    这个表列出来从2007年到2014年西门子通过并购多种方式来加强关于工业领域的工业软件等相关的业务。我们可以看到这里面有CAD软件、CAE等等所有的软件，那么它的战略目标就是要提供未来智能制造系统解决方案。
    前面是三个典型的案例。这三个案例都与我今天讲的主题有关。今天主要的内容包括三个方面。第一关于工业大数据，如何驱动智能制造发展。第二看看我们国家现在工业大数据应用发展的现状。第三就是我们的一些思考和建议。
    如果说提到智能制造，大家可能都会想到4.0，实际上工业4.0为我们大家描绘了未来智能制造的一个发展蓝图。工业4.0是什么？我这里面也有一张图片，我们认为工业4.0它是一个互联，是一个集成，是一个未来制造业向服务化的一个转型，也是未来制造业在技术在商业在服务在组织等等创新的模式，另外工业4.0是数据驱动的一种新型的智能制造的模式，这个数据包括产品数据运营的客户的设备的研发等等覆盖全产品生命周期的数据。
    这个图片对比了传统的制造模式和工业4.0以数据驱动制造模式的对比。在生产方式上，智能制造它是大规模定制，传统的制造模式是大规模生产，支撑这两种不同制造模式的背后的机制是不一样的。传统模式它的动力机制是规模经济，但是对智能制造模式来说，我们说它背后的动力机制是范围经济。另外还有管理模式，大家都知道在传统制造模式里面有精益管理，比较典型的就是丰田的模式。但是到了智能制造模式，这个模式是不是还能适应智能制造的这种要求，这也是我们未来思考的。智能制造和传统制造鲜明的对比，是解决在生产方式、动力机制、管理模式不同变化的需求，解决之道，那么就是围绕着数据的生成、加工、执行产生这种数据自流动的规则体系。最终能够形成透明化的产品。透明化的产品也叫数字双胞胎，这个有一个比喻，我们在物理世界里面看到一个真实的物体，在虚拟世界里面还有一个对应的物体对应，这样就形成了透明的双胞胎。
    这个图里面是典型的列出来未来以数据驱动的智能制造它的核心。我们认为它的核心其中有一个是CPS，就是信息物理系统，信息物理系统用制定智能制造整个生产体系。这张图给大家展示了CPS它的一个主要的框架结构，对于CPS来说有三大要素，第一就是图中的1，是指对生产现场的控制层。第二就是企业内部的运营管理。第三是企业外部或者是企业之间的管理运营层。每个层里面都有要素，有传感器有控制器有各式各样的虚拟仿真软件等等，我们大家可以从这个图里面看到它最核心的实际上是软件，软件是CPS的核心。
    但是支撑软件的背后的又是什么？我们再看下一个图。我们认为软件是CPS的核心，也是实现CPS各项功能的载体，数据是其中实现智能的灵魂。所以，有的专家有一个比喻，把智能制造的两大核心要素比喻为是软件和数据，那么云在里面起什么作用？大家认为云是实现智能制造的方法和途径。软件又是什么？我们认为软件的本质是算法，支撑这些算法，实现这些算法功能，它的背后是数据和大数据。所以正因为这些软件算法和大数据的这样的一个集成，构成了整个数据自流通的规则体系。
    什么是数据自流动，这里面有一个案例。我们大家都知道红绫是一个青岛的定制西服的企业，它怎么实现数据流动的自动化，大家可以看到就是一开始我们从产品研发的最前端，从用户的需求，订单开始，我们可以看到，因为红绫集团里面集成了有人体的关于18个部位、22个指标的数据库，当用户需求来了之后，可以在第一天的时间可以从它的数以亿计的版型数据库里面匹配定制模型。另外到第二天的时候，我们可以看到对免用户所需要的面料进行精准的配送，实现最优剪裁。第三天到缝制的环节，缝制的环节有很多的工艺等等。它从研发到设计一直到后面的剪裁缝制所有的环节都实现了对数据的自动采集，自动传输，自动执行。这里面数据就是不需要人工进行敢于，不像大家看到的，比如说我们去银行，去办一个业务，还需要人工进行干预，但是在这里面数据自流动它的背后的支撑就不需要人工进行干预。
    透明化的产品，刚才给大家解释了，在虚拟世界里面和物理世界里面都有一个对应的物体。这个又显示了一下，这个图片显示了一下具体透明化产品。订单确定之后，物理世界有一个客户的订单信息，在我们的系统和软件里面又有一个客户的信息，这样形成了物理世界和虚拟世界的一一对应的关系。
    前面跟大家分享一下关于CPS在智能制造里面的一个定位。我们再看看软件和数据在智能制造里面到底能体现哪些作用第一我们认为软件和数据它赋予了装备和产品互联的智能属性。这里面有几个案例，比如说大家提到的智能机器人，智能装备，智能的仪表等等这些东西，全部实现这个智能它的功能，都是因为有背后的这些软件的支撑，所以现在大家都说软件在定义世界，软件决定硬件。
    这里面有一个典型的案例，大家都知道特斯拉是一个智能汽车，也是一种新能源汽车，它的智能为什么能够实现，我们都认为实际上它因为背后有软件和数据这样的支撑。特斯拉它最大的与传统汽车的不同是因为它有三个方面。第一是电池管理系统，它因为背后有很多的软件能够实现对7000多块锂电池，对每个电池都可以实现精确的控制，对电池的用电量损耗情况都可以实时的跟踪处理。第二是引擎系统，它系统，它的隐性部件也非常少。我们燃油汽车隐性部件多达200多个。它可以实现自动驾驶，实际上实现这些功能都是因为它背后的这种软件和数据的支持。
    另外还有高档数控机床，还有人工智能技术的使用都使得产品和装备有了这样智能的一些属性。
    第二我们再看看在哪些方面改变智能制造？我们说实际上工业大数据在生产市场和供应管理，甚至产品生命周期整个过程都在改变现在制造的模式。我们看几个具体的环节。第一产品设计研发环节。比如说小米手机，京东也制定手机的计划，还有三一重工，我们王总在下面，我们有很多的三一重工的案例。这些都是典型的通过工业大数据的方式来变革现有的这种产品研发的模式。最大的特点就是在用户需求和市场这个方面运用大数据的技术，挖掘用户的个性化的一些需求。
    这里面有几个案例。海尔的这个一个是海尔的家电，还有福特它应用这种大数据的技术和来分析来重塑来更新创新这个汽车产品。比如说福特汽车，它用大数据的技术来分析它所出售的40万辆汽车的使用状况，通过对这些数据使用状况的收集，通过大数据的分析，那么来分析产品在使用过程当中存在哪些问题，用来更新或者创新或者优化未来汽车产品的性能和功能。另外它还有虚拟化测试这样的环境和手段。
    另外我们再看看这个生产制造环节。前面是研发，第二是生产制造环节。这里面也有几个案例，还有西门子还有三一重工实现了这种因为三一重工比较典型，它实现了这种通过工业物联网的方式，原来主要是卖产品卖装备，现在向卖服务的方式在转型。大家在看看，在所有实现的这些环节里面，实际上工业大数据是它背后的一个最大的一个支撑。这里面有一个西门子的一个案例，就是西门子提出了工业4.0的理念，它在成都也建立了一个智能工厂，就是安倍个的智能工厂，它就是应用大数据的这种技术分析，实现了生产线的柔性生产线，一条生产线可以同时生产五种不同类型的产品。为什么它的生产线能够实现这种柔性化，它背后的支撑，除了软件之外，还是因为它采用工业大数据的技术。这里面有它实现了对数据的自动的采集和提取，通过工业互联网实现了数据的高速的传输。
    另外，应用这些分析和技术，实现了对这些生产线自动分析，同时能够实现智能预警。我们国家的商飞也是。另外还有大家熟悉的产品经营销售环节，在这些环节里面大数据的例子就更多了。我这里面的例子有阿里巴巴的淘宝指数、亚马逊、苏宁等等这些都是应用大数据的技术和分析，实现线上线下这样的一个互动和融合。比如说淘宝指数，他应用这种大数据的基础，对一个产品未来的长期走势进行判断，这里面它可以对任何一个关键词进行搜索，那么另外它还可以通过大数据的技术分析，对这一款产品那么人群的特征和特质，还有对这个产品它的成交情况进行排名、对比。另外在这个基础上，还可以对市场细分的情况进行挖掘和分析。
    下面两个例子是关于小米和创维的，大家感兴趣也可以看看。他们背后都是因为建立了这种大数据的平台。这个也是关于产品运维服务环节的一个新的变革。这里面有三一重工有长虹电视大唐电力还有普天能源，这些都是，可以利用大数据和云平台这样的技术和手段，来实施响应用户的需求，同时按照用户的需求主动推送一些服务。也可以实现用户点到点的对波。另外在产品维护方面，可以用大数据的技术判断产品的运行状态，诊断产品可能要发生的一些故障，同时通过远程对故障进行维修。
    三一重工的例子我不再讲了，一会儿我们王总还会在这方面会跟大家会有更多的案例分享。另外我们通过工业大数据可以看到衍生的新兴的业务。我们出现的工业APP相关的软件，还有新兴互联网服务，还有关于大数据挖掘这样的一些或者是专门的一些服务。那么总体来看，实际上工业大数据在推动智能制造发展的时候，是有几个演进的趋势的。
    第一，刚才已经跟大家介绍了，传统制造模式和智能制造模式最大的不同就是因为它背后的动力机制不一样，动力机制由原来的规模经济向个性化同质化并存的范围经济在转变。
    第二方面想跟大家探讨一下关于国外关于工业大数据、工业软件这方面的战略部署。大家都知道，德国提了工业4.0，美国有工业互联网，尽管这两个国家的战略不同，但是我们经过仔细的分析，发现其实他们背后的核心还是主要侧重于工业软件和工业大数据，我们说前面也跟大家看了，信息物理系统CPS它的主要架构，我们看到它有三个不同的层面，支撑这三个不同层面实现实际上是它背后的这些大量的软件。另外，除了政府这个层面，我们可以看看行业和企业，前面三个案例里面我们看了有西门子，西门子实际上未来的重点是发展基于软件的智能制造系统解决方案能力这个方面。
    另外我们看看这个GE也是，GE大家也看到了，它也把未来的软件作为核心的重要的业务在加紧的布局。另外，政府这个层面在CPS也是在资金方面支持很多，比如说德国，它想计划投资两亿欧元，美国计划投资一亿美元。
    第三方面想跟大家探讨当前我们国家软件和数据对智能制造这个方面的一些现状。实际上我们因为我们正在承担部里关于大数据的这个行动计划和十三五发展规划，也对这些现状通过调研进行了摸底，我们看到国家在工业大数据这个应用实际上还有一些欠缺。第一实际上是对数据的认识程度还不够。第二，就是实际上是数据的集成还不足，这个数据集成不足有几个原因。第一标准规范不统一。企业调研的时候说不同的环节使用不同的软件，不同的软件有不同的数据格式，我们集成的时候还要对数据格式进行转换，这个方面使企业不愿意去进行集成。
    第二方面关于工业企业数据集成解决方案现在也很欠缺。
    第三就是数据的分析能力。这个还不太强。我们这里面引用了一个通用和埃森哲今年的一个报告，这里面显示58%的企业具备了工业互联网的能力，但是只有14%的企业能够利用互联网和工业融合产生的数据来进行决策，来对这些数据的价值进行挖掘。我们也是调研发现对我们国家来说，大部分数据其实都是散落在各个环节里面，没有集成在一起。另外就是应用的程度比较浅，基本上用在统计对比的方面，没有真正的把数据的价值挖掘起来。
    第四方面就是环境还存在一些制约。比如说安全这个方面。我们在今年二月份开企业座谈会的时候，企业说我有很多的数据，一方面我想利用这些数据来对我的这个增值，但是我又不放心把这些数据交给第三方企业，对于我自己来说我又没有这样的技术和手段帮助我实现，所以安全是制约工业大数据应用的一个瓶颈。
    另外我们这里面也在调研的时候发现，比如说徐工机械，在供应链管理、销售、服务这方面也是因为受到不同合作伙伴因为数据安全的一些考虑，在这方面也是应用很少。另外一个和利时也是，也是为工业提供大数据服务的时候，也是遭遇了很多的障碍，关键的原因是企业怕把自己的核心数据泄露出去。
    我们觉得下一步我们国家要推进工业大数据的发展，有几个点可能是需要重点关注的。第一就是关键核心技术。前面我们分析到我们企业有这样的需求，也有这样的愿望，但是因为技术手段的缺失使得企业不能把积累这么多年的数据它的价值挖掘起来，所以未来第一步还是要在关键技术这个方面，特别是关于大数据的这个集成存储处理挖掘等这些核心技术方面还需要进行攻关。另外关于大数据的使用，这个方案比较欠缺，所以在提升这种解决方案能力的方面，也是我们未来国家重点关注的一个方面。还有企业内部的各个环节存在很多的孤岛，各个信息系统还要互联互通，还要进行综合集成。
    第二方面就是配套的一些支撑体系，这个重点是从政府这个层面提出来的，比如说现在这个关于数据交换，数据交易，数据安全保密等等这个方面的标准、规范的这个制定，还有企业之间数据交换、交易这个方面标准和规范也需要赶快进行制定。
    第二方面就是明确数据它的所有权，也就是说数据在未来是一种资产，那么这个资产的使用权所有权这个方面需要进一步的从法律层面进行明确、明晰。还有大数据的这种测评的机制，建立这种服务的可用性可靠性安全性指令等等这些方面的评估认证。
    还有大数据的这种交易，这个在十三五规划里面还有行动计划里面这些也有所部署。另外还有一个就是落实到我们智能制造这个环节里面，还需要在智能制造整个标准化框架体系来研究工业大数据它的标准规范。比如说工业大数据这个术语，工业大数据之间的这种格式，还有工业大数据的这种参考架构，还有各个环节的这种互联互通等等这些都需要进行加快的研制。
    另外还有就是我们在这个大数据这个三年行动计划里面也提出来了要加快开展工业大数据的试点示范，如何来开展工业大数据的试点示范，这个也是我们未来要考虑的一个重要的方面。
    另外就是要构建以大数据为核心要素智能制造的生态体系，我记得李博学院士说过我们国家最大的缺失是我们没有完善的生态体系。我们工业大数据也是一样，我们的生态体系要完善。这里面有几条，主要是以数据为核心构建大数据，围绕大数据的应用，围绕大数据产业的发展，建立这样的生态体系。
    还有围绕整个重点行业领域、工业软件和工业大数据的应用来提供解决方案能力。
    第三，这是我们提了一个大数据+云平台的基础设施，我们发现支撑智能制造实现的它的基础设施，软件、大数据和云平台这三个一样都不能缺失，我们在三年行动计划里面提出来探索企业支撑智能制造新兴发展的基础设施。主要的内容是这些，谢谢大家。
   
    李正海：感谢杨主任给大家介绍工业大数据驱动智能制造的发展。下面有请晶赞科技联合创始人陈晓光，我觉得它的所谓的受众管理新时代非常有意义。大家都知道智能制造机器人换人，咱们这里面讲这个陈总这个话题应该说又回归了人的本质，应该会是大家比较欢迎的一个话题，欢迎陈总。
   
    陈晓光：大家下午好，非常高兴有机会在这里分享一下我们在大数据领域的实践和思考。今天我的题目是受众管理的新时代。受众管理就是CRM，这个传统企业和互联网企业都使用，往往使用传统数据库，还有用奥瑞克来做。但是近年在大数据领域在发生改变。特别是对一些互联网公司，一些传统企业，特别是拥抱互联网比较快的企业，这个在发生改变。2B的工作会用CRM管理，我找到客户了，我找到人了，然后让消费者去做。2C的公司最多是跟资本。就是说每个用户，我的很多用户里面得到多少的回报和营收。
    在这里看到BAT在不断的进入对方的领域。阿里做过搜索，腾讯做过电网，百度也做过电商。背后的原因是什么？因为他们都有海量的流量和数据，他们希望在其他的领域继续的变现。所以对于BAT来说受众管理是他们核心的部分。不止是BAT，行业的垂直企业他们不断进入产业链的上下游。像这些东西的话，就会导致你会发现围绕受众，每个企业不断的进入自己的上下游，不断的进入对方的领域，但是用户数据的管理又带来另外一个方面，也就是说今天你是财务管理公司，明天就是物流管理，等等一大堆的数据累计在你的公司。你公司开一个新的部门，可以变成一得新的子公司，它有很多的数据库还有数据仓库管理自己的数据，这样的情况下，企业有很多关于用户管理怎么去管理的恩情。
    我们看一下你这个企业是不是深陷数据危机。传统是有线上数据和线下数据。线上数据是官网数据，网络广告投放的数据，社交的数据，电子商务的数据和移动端的数据。可以说BAT这些部分都很好，但是大量的企业，特别是一些对移动端拥抱得还不够的企业，你会发现你的移动端连代码都不知道。我们都知道大数据能够跟踪人的很多信息，你要买了就跟踪所有的人，每个环节都跟踪它所需要的信息。携程原来移动端只有30%，现在已经是70%了。昨天我从上海可能还踢球，今天要到北京就买票了。移动端对人的行为改变是非常大的。如果一个企业对移动端不够重视，它的移动的数据就放在那，或者是没有记录下来需要记录的电子足迹。
    还有电子商务的数据，很多都是分布在子公司手里面，子公司和子公司做数据打通是非常困难的。我在阿里做四年，经历了阿里云从无到有的过程。阿里云的使命就是把阿里巴巴所有的数据集中在一个平台上，这里面不但有技术的问题，还有业务的问题。大家可能都有保守的思路，不愿意把自己的数据放在整个平台让大家共享。特别是现在的安卓的问题，特别是支付宝的数据，我们所有的支付宝的数据要签一个协议侵犯用户的隐私要进监狱。这个数据没有很好的流通。
    线下数据有很多，我们有门店管理数据、EDM数据，很多企业说我有很多的数据，在一个领域里面积累十年，这些数据很宝贵，但是怎么激活呢？我在互联网接触不到这些人怎么办？我不可能天天打电话、发电子邮件。我需要其他的手段，往往来说这些线下数据是不能激活的，这个要IT来打通。你要知道线上线下是一个人，这样才能打通。这样种种的问题线下数据是线下的数据，给企业和公司带来各式各样的问题。所以要解决这些问题有四点。
    大数据是非常热的词，到处在说。有四个定义四个V，这个说是定义，其实是非常大的挑战。比如说数据量庞大，搭建一个存储海量数据，还可以存储非结构化数据的集群，这个集群并不是搭完了就可以用，用了就不会出问题的。从我们的理解，哈度的集群需要一个专门的团队去运维的，你要用好，把它的效率用高，不是买了这个产品就可以用的。往往来说你需要一个团队去维护它，这里面你知道维护它要做多少事情。
    还有多样性的问题，我们需要把数据转化成机器可以理解的数据。文本、图象、视频，文本需要自然语言的处理专家，图象有图象的处理专家，视频更要有专家的接触。且有激素增长，如果我们可以把线上的数据实时的反馈到我们的生产流程当中，这个提升是非常大的。我可以从我的个人经验来说，这个速度的提升比纯粹算法的提升要大很多。这个速度的提升从这个算法对比起来会贡献会大很多，要做这个激素增长的提升，你要做自动的平台，类似于这种流计算的平台。再后面就是更核心的核心价值，有了这个数据，怎么提炼价值，这是需要一个专门的团队，这个团队要对这个行业非常了解才行。所有四个V对人的挑战是非常大的。我们看这个市场，积极数据挖掘的人，动不动就是这个公司另外的公司挖你，薪水就乘2乘3，你要维护这样的一个团队你付出的成本，这个市场非常热，你的成本会非常高，这是大数据要去解决的问题。
    我们同时认识到，大数据并不是堆在那就完成了，数据要完成提炼和整合分析才是有用的信息。网易说自己是有态度的媒体，从我个人来说，我们是希望做一个有这个方向或者说有独特角度的这么一个供应商。这个独特角度就是以受众为中心，我把组织整个数据，把整个企业的数据关于用户的角度来去理解，从这个角度来看，你才能知道用户360度，你才能知道用户的需求，然后用户往什么发展，然后企业的需求企业的优化做到什么程度。
    基于上面的分析我们做了一个用户数据管理的一个平台。这个它基本上完成几大使命。第一多渠道数据整合，多维度的数据的发现，还有快速部署。这是面向企业的软件，那么它就要安全、稳定，必须要让用户放心。很多用户说我的数据是私有的数据，我们不跟别人分析，我们做2B必须要做到这一点。因为这是一个软件，所以它可以部署在用户本身自己独立的机房或者是数据中心，我们也提供一个共有云和私有云的混合云服务。我们擅长在数据挖掘对行业的理解，对用户的理解，底层的让更专业的人做。我们跟微软战略合作推出了这么一个在微软云上的部署和方案。
    这样如果企业不放心我们，可以租用微软第三方的服务，在上面部署我们整套系统，然后去管理整个企业的用户的数据。说到这里的话，我们非常关心，从左边来看，我们看到金字塔从底部到上面，这一块是冰山一角，很多的企业内部有非常多的数据库，还有非常多的数据仓库，这一部分数据其实是我们非常关注的东西，这个金字塔列出是一个跟互联网相关的，传统企业来说它的数据仓库的信息是非常有用的，那些数据有必要的接口会到这个系统里面，做整理和管理。
    右边我们会输出的是用户的基本画像，POI信息，ID画像，这个是它的QQ号，微信号，微博帐号等等各式各样的帐号的关联，购买的画像，社交的画像，浏览的画像，和信息的画像，这些是基础的一些关于受众的一些各种维度的描述，但是对于每个企业来说，它对受众的认知和了解不仅仅局限在这些维度，它还有更精细化的维度，我们都没有列举在这张图里。
    这个是一个报数据整合和处理学习以及应用功能的完整DMP的解决方案。最里面是大数据整合，我们说传统的，我们有代码的数据，知识流的数据，数据仓库的数据，甚至包括电子表格的文件等等这些文件，我们全都支持。中间层做大数据的分析，这里面有两大块，第一ID的打通，IT是关键的事情。其次是用户画像和用户标签的建立。然后最高层是数据的输出，数据的输出包括销售人群，腾讯画像等等。
    那么在这里面我们觉得有两块值得拿出来特别关照和特别讲述的。就是在中间层，我们为什么要把ID和添加动态精准的实时标签拿出来重点讲。这是非常关键的事情，对互联网公司很多时候是IT跟踪用户的，现在因为各式各样的浏览器的保护和用户隐私的保护，这个刷新和清除非常的频繁，很多时候你看到这个用户，这个用户过两天又变成了一个其他的。这个用户原本我认识它，但是它是完整的。如果它的IT是破碎的，整个人就破碎了。这个你分析的数据就不完整的。所以IT是非常核心的关键。我通过你的微博微信QQ帐号，我知道是对这个人，这个人可以跟踪到推送相应的信息给你，在站内给你提供相应的数据给站内做推荐使用。
    再其次是用户的基本标签。很多公司都会做用户的标签，各式各样的标签，比如说人工的标签，年龄性别教育程度都有，这些标签的话是一些常规的基础的标签，对我们来说更实用的标签和更重要的标签是一个精细化的标签，和我们的描述来说微标签和普通的标签在什么地方。标签提炼出来之后是一个整体的，是一个抽象的一个概念，但是我们微标签我们希望把原数据尽量把信息压缩，压缩成为微标签，在微标签上再做深层的。比如说人口属性的标签，各式各样的标签。我们缺乏了一个中间层，这个中间层是我们的微标签。如果没有这个中间层我们要把原始数据再做一个挖掘，才能提炼出我们这个行业需要的数据。这一块也是非常重要的，我们对旅游、汽车行业等等各式各样的行业都有微标签，这样把用户的访问行为提炼下来，基于微标签再对数据进行深入的学习和挖掘。
    在管理好企业的第一方数据之后，很多人想关于这个人我能不能拿到更多的数，我能不能知道这个人360度所有的数据。拿到所有的数据是不现实的，但是把这个数据扩展扩大这个事情是完全可行。对于我们第一方的数据我们已经在用这个平台管理。同时我们还有丰富的第三方数据的提供，我们有一个中国企业大数据联盟，这个里面有中国电信、中国东行、易车、苏宁等这些企业，在这些企业大数据联盟里面，我们可以互相交换数据。在这个联盟里面我们定义制定各式各样的规则，标准，说什么数据可以被交换，以及在什么平台上交换是安全保障的，是不侵犯用户隐私的。我们可以充分的让数据流通。比如说中行它需要信息，但是在这个联盟里面它可以获得这个信息。它通过一个平台，其实就是在这个具体的一个实际操作的平台，这个平台上可以像淘宝购物一样，这个平台有什么样的数据，什么数据适合我去把这个产品推销出去。在这个平台上可以找到相应的数据，找到相应的数据之后对方愿意给你，整个数据的交易就会变成自动化，数据会实时，你拿到实时的数据可以做到整个环节。
    我今天推一个产品，我需要知道受众是怎么样的，这个受众的地理位置的分布，又做一些什么事情，所有都帮你做决策，做这个决策之后可以帮你的产品做推广和优化。这个除了在这个产品提供之外，还有额外的提供数据来源。
    另外一方面就是说我们的这个EMP，这个完全定制化的。就是做2B不做定制化，互联网公司会说，如果做定制化你就不是一个纯粹的互联网公司，2B是必须要做定制化，从我们的角度来说，如果你不做定制化根本做不好这个事情。对汽车行业教育行业旅游行业我们有相应的专业的机构去做。每个行业都有自己的实体，这个实体会很多，比如说像旅游行业，我们就会有很多，比如说旅游的路线，旅游的各式各样的打包，比如说我的这个航线和酒店的打包，还有油轮等等，所有的行业都有自己的实体，如果你不把这个行业的实体提炼出来你帮这个企业和行业做EMP基本上不可能。对我们来说，接触一个行业都是我们不断的学习的过程，我们需要学习这个行业的实体组织，人怎么跟这个实体怎么交互，交互的频次，交互的速度有多快等等这些。再加上微标签，我们能够最大的充分的能够把原始数据压缩，基于微标签我们可以做各式各样的事情。
    有了这些数据之后，我们可以很多的场景使用，比如说用户洞察、推荐引擎和智能营销。用户洞察这一块，我们可以在这个平台提供很多，我们会提供用户的基本属性，它的人口属性IP分布社会分布地域分布等等。这个提供一个分布意义不大，每个大公司都要有自己的用户，但是看完之后又怎么样？你得到什么信息呢？在这个平台上不仅提供你自己本身的数据，本身的用户是什么用户？我们还会提供全网的数据是怎么样的，行业的数据是怎么样的？对这些对比的话，能够发现你的企业覆盖的用户，跟同行业的其他的竞争对手有什么差异，你的差一点在什么？你的擅长的地方是什么再增加的，类似于这些。
    还会提供用户的线下的COI的数据，用户线下关注一些什么，它看过什么景区、购物中心或者去一些旅游的地方等等。为什么O2O现在这么火，因为O2O本身来说是线下活动往线上的扩展。为什么线下的活动会这么好？你可以想象很多的互联网公司获得的用户是在用户在互联网上用鼠标点一下，这个数据成本是很低的。线下的一数据你要到一个景区到一个购物中心你要耗费各种资源去的，而且要花一定的时间在那边完成这个事情。从这个角度来说，网上的行为可能会让你觉得会更便宜。其实网站有很多的作弊行为。线下需要花时间和金钱去做这个事情。对于我们来说我们在这个平台上会提供各式各样的线下的数据，包括小区的数据，商圈、写字楼的一些信息。
    同时我们还会跟踪整个你的关心的或者说这个企业的受众，它的这个社交关系图谱，它会受哪些的影响？它会受什么关键词的驱动，它乐于什么样的购买行为和方式，或者是什么样的产品，这个在平台当中可以实践。
    另外做的事情是智能推荐，智能推荐很多时候，不管技术大会起来什么，都带讨论算法，各式各样的协同的算法等等，其实这个推荐系统到最后你会发现它根本不是算法，拼的是数据。就是说算法对推荐能够提升的效果没有那么大，你只要用一个普通的散发和跟顶尖的算法有区别，但是你的数据用得多，你提升可能是一两倍，这个不是我推广这个产品说这个事情，因为我也参加很多类似于技术论坛的会议，我们也做技术的事情，我们发现数据对我们的影响非常大。在这里的话我们会把战略的参数，关于用户的ID的参数等等其他的参数合并在一起，用用户的360度的信息做充足的推荐。如果在天猫里面，只是这个场景下用户比较相似，但是在外可能完全不相似。所以在站内推荐并不是对这个人完全的个性化的推荐，真正个性化的推荐是对这个人360度的信息挖掘出来。
    还有数据可以做智能营销。现在用户这个碎片化的时间越来越多，就是说不是整天在PC上，很多时候用PAD用手机各式各样的移动设备做各式各样的时候，你用微信每天一两个小时这个以前是不可能的。以前说跨渠道营销还是一个炒作的手段，现在这个事情是真的了。我对用户进行跨屏营销整合营销已经是刻不容缓的事情，如果我70%的成交都在手机上，如果你不做这个事情还可以说得下去。跨屏营销是刻不容缓的事情，这个不是品牌广告的需求，也是效果类广告的需求。这个包括广告推广，客户的服务改善，社会化营销都可以利用我们这些数据能够做充足的，哪个渠道对导出去的用户会更好，这些智能营销也是偏爱这些数据，或者是企业的地方数据能够发挥能量的地方。我的分享就到这儿，谢谢大家。
   
    李正海：我们对这个人的研究，这个是不是也一样，要给它分类和标签，甚至我们对于人在这个过程当中的一些动作，都要经过大数据来进行分析，从而优化人的工作，来提高生产效率，也避免一些安全的风险。那么下面我们有请北京科技大学计算机与通信工程学院教授杨炳儒给大家做大数据挖掘进展的全景视图缩放的报告，大家欢迎。
   
    杨炳儒：各位下午好。我汇报的题目是大数据挖掘进展的全景视图缩放。这个题目本身是一种隐含着暗喻，我们视图把大数据挖掘的进展看做是一个视图。我们企图能够比较完备比较系统的比较全面的来对它做一个解读。
    在阐述的方式上，我们想选择几个基本的一个关键的技术点做一个渲染，然后再提升和放大到一般的发展进程的一个认知上。在这里面提出几个问题，想和诸位一块分享。
    五点，第一是提出一些基本认识，这是我们向下解读的一个基础。然后它的过程，它的算法目前研究的动态。两个往上发展形成在应用方面，在CPS系统方面的一些解读。责任我们把整个数据挖掘更请确的讲数据挖掘，在大数据的背景下做一个解释。
    第一个基本认识。第一点我们想从数据的挖掘，就是过去讲的海量数据的挖掘到大数据挖掘这样的一个进程做一个简单的历史沿革的回顾。首先是数据挖掘。我们不做定义的解释了，这是大家熟悉的。主要考虑三个时间结点，第一是1989年的八月在底特律会议上，首次提出数据库中的知识发现。到1995年的时候开始在蒙特利尔的会议上，一个作为科学研究方面叫知识发现，然后在工程技术应用上叫数据挖掘叫DM。这样海量数据就在这样的背景下开始了，时隔14年，在2003年的8月27号华盛顿会议上，大家做海量数据挖掘的科学家在一起，经过14年发展的讨论得到这样的结论。第一数据挖掘知识发现更面临巨大的机遇和挑战。14年才有这样的一个基本认识，我们大数据挖掘刚提几年？四年。当时说从科学发展的长远来看，最大的绊脚石是基础理论的缺乏和对所面临的问题和挑战的清晰明白的阐述。我们需要理论指导，我们要做什么，怎么做？外国大肆宣传都会在短期内影响领域的发展，它使我们更多的数据投降数据和营销。
    而不是致力于从根本和科学上有大的进步。KDD的基础研究件，必须消除这些干扰而去努力解决KDD的根本的问题。这个海量数据挖掘的历史，这个警示对我们大数据的发展有一定的汲取的。
    目前整个对KDD的发展有三个方面，理论技术和应用方面，五个流派，数据库的，机器学习的，还有微观经济学的还有统计学等几个方面。主要的发展主是什么？第一是数据挖掘的和较知识发现的任务描述。第二，知识评价与知识表示这是路线，更重要是这句话，以有效的知识发现算法为中心。这是在海量数据挖掘截止到目前相当长的阶段时期保留的主流基调，就是这样的基调。
    当然在应用方面已经渗透到10的方面了。第三个时间阶段2011年五月，事实上在2011年以前大数据和相关的概念已经有所见。正式提出是在EMC会议上。至今在业界对于大数据的期望值有了很重要的变化，我们还在不断的渲染大数据的时候，在西方悄悄的有这样的变化。2013年期望值很高，有的称之为达到了高峰期，2014年现实和期望有了大的反常，有一个毁灭的低谷期，在这样的情况下，许多从事这方面的业界人员开始思索，到底大数据的意义何在？
    2015年举行了一次热烈和激烈的圆桌会议，这个讨论有谷歌的人员，最后的结论是大数据既不是宣化与躁动，也不仅仅是现有技术的放大，它对于大数据的数据确实能够为信息检索为数据挖掘带来新的挑战。这个挑战不像爱因斯坦的相对论这样大的突破，因此作为大数据本身的一个核心的专题和热点方向，大数据挖掘应该肯定的讲现在正处在一个相当冲击的阶段，我们要保持清醒的认识，我们过渡的夸大去论述它的时候，会导致一种误导。
    这个历史检索一个是经验数据，我们对大数据做一些渲染做一些实际应用工作无可非议，这是新的科学技术发展初期的逻辑的必然性，但是长期是这样的观点不行了。正像前面的海量数据一样，应该有理论指导，真正在科学技术问题上下功夫，能够踏下心做真正的研究工作，不浮躁的实在的东西，给出的若干个具体的技术实现方面。
    第二是海量数据挖掘与大数据挖掘相关的关系。自然科学发展也是继承的。也就是说我们当今的大数据挖掘一定在原有的海量数据挖掘的基础上加以扩展，显然这样的发展是新的突破。不是简单的一个量的积累和变化，需要一些突破的思想和突破的方法论，这是讨论它的联系关系，考虑它的区别，在特定环境下，有一些局部的问题可以转化。当然它本身需要一些在理论上的内容。
    第二个基本认识是我们几个概念的澄清。现在从实际应用领域里，到底你存在着，或者采集来的数据真的是大数据吗？这个问题长期以来在关键技术和基本概念上在业界内外都存在争议。我们不想在这里做过多概念上的渲染，只是提出一些基本的想法。大数据的思维特征在西方有五位特征，有其他的数据质量，我们四维的特征来讲做一个比较详细的阐述。如果在当初海量数据挖掘的叫海量数据的话，我们形象的红楼梦，大家都知道，我们把它累计叠加63万多本，这么大的规模，到大数据的时候，我们会看到六亿四千多万，1024倍，这个在规模上是拓宽了。到多样性方面，包括结构化数据还有非结构化数据。结构化数据大家清清楚楚非结构化数据是文本日至。
    因此表现多种的数据类型，大量的不相关信息，价值利用低，别看这么多数据，数据成带的信息作为它的载体，很多是无用的。想办法赶紧剔除吧。数据速度快，需要实时分析，而这种发展这种速度转眼及时，抓不住过去了，过去这一遍有有用信息，大量被动态数据和流量数据挖掘。
    现在我们要回答这个问题，就是提出的是不是大数据的问题，我们嫩不能做这样的解释。一种是详细的解释，就是同时或者全面具备大数据四维特征者我们称之为大数据，部分具备的不是全面的，我们称之为类大数据，1943年提出，在后面的发展视频网络和类视频网络个概念。对于广义的角度来看，不必太这样把那么清晰划分，模糊一点，广义来看，不管它是不是全面的思维特征，它不是过去常态中的传统的海量数我们就统称为大数据，这是狭义和广义的理解。
    第二个问题，现在我们声称用大数据解决实际问题的时候，是不是真正意义上的大数据挖掘？方才是大数据，大数据挖掘，那么大数据挖掘我们对应大数据的这个数据源，如果本身从狭义的角度讲，它就是大数据，是我们真正意义的大数据，对你的大数据就是大数据挖掘，类大数据就是类大数据挖掘，我们比较界定性的看，如果不是界定性的看，我们广义的分析就是我们不论它的源这个数据源是否有思维特征，注意全面具备思维特征，只要不是海量的数据挖掘，统称为大数据挖掘。
    提出一类是过去的海量数据挖掘它级别在TB基础。所以我们可以分做，从狭义的，界定的观念上有大数据挖掘。类大数据挖掘，海量数据挖掘也该有所界定，或者广义的大数据挖掘，海量数据挖掘这两个要有明确的界定的。
    我们做出这样一个描述性的命题，大数据挖掘的描述性意义，在现实世界中，针对客观存在的具有思维特征的数据源，挖掘具有潜在的先前未知的用户感兴趣的最终被用户理解的与可行动的这样的一种模式，这样一个非频繁的提取过程，它是一个过程，我们称之为大数据挖掘。那么由于历史体质市场的原因，真正意义的大数据挖掘成功的案例相当的缺乏。我们看了几十篇文献和有助的专著，我们两年三年一直跟踪这些文献作品，必须坐下来读它，我们发现确实相当缺乏。而且在理论上讲，真正意义上的大数据挖掘技术和产品方面，仍是空白。注意这两个字，空白两个字，真正意义上。包括在硅谷，我们在美国交流也有这样的一个基本认识。很自然，刚刚起步，谈何容易。应该是要做很多的工作和突破。当中的原因有若干，我们不做分析了。
    第三个基本认识大数据挖掘与大数据分析。我们看了很多的文献，都叫大数据分析，广义的说大数据分析包含了大数据挖掘，我们还是界定性的。似乎在它的界定上我们要做一些事情，不需要笼统来看，大数据分析主要最后一个界定标准，就是谈的问题的一步有利的信息，而真正的大数据挖掘提供的是有用的知识。这两个不一样。当然这里面更具体的一些说法，我们在这里不谈了。
    第三就是我们经过一阶段的研究大数据，在系统和过程研究它呢不的机理，相互对应，在整个大数据挖掘过程当中，数据库知识库这两个之间建立对应关系，用这个支持驱动这个数据挖掘，不能就数据库挖掘数据，你要驱动数据挖掘。建立在这样的基础上，这个扩张原理等还有泛核心原理，这些在今天这个时间和场合下我们不谈。
    这样机理的研究和特征的分析，导致了我们对大数据挖掘的过程模型之后，这个过程模型的讨论总体架构和思路，是目前我们急需的，大数据挖掘我们处在观望，不好下手，不好下手为什么？没有一个总体的思路，广域和区域的东西不好进行，我们分析一些机理，在这个基础上有技术架构和基础设施，这样的一个背景下，我们做主体过程模型，研究各类的结构模型，比如说结构化的，图象模型的，不一样的。然后沿着具体的一些算法，最后进行部署，包括知识的融合等等。
    现在，我们回忆一下当初海量数据挖掘就是这些，奥瑞克提出的，它有处理清理数据仓库，最后聚焦发觉模式，最后评价。这个在大数据完全不适用，大数据四个特征，猛烈的冲击它，这么快怎么处理，一些流动信息还带着往前走，不行仍掉。产生很多的问题。我们提出这样的东西，我们通过传感器通过一些外部等等，把结构化数据包括文本数据，包括向量的图象供应这些我们疏剪。最基本的就是抓住矛盾的主要方面，就是动作快，以数据流的形式，文本流的形式进来了，无论什么信息赶紧仍掉，轻装上阵。所以我们有一个虚拟的过程，在这里面我们通过各式各样的方法，刚才提出有一些相关的过滤的方法。过滤以后，没用的赶紧仍，有用的下来，通过我们向筛子一样的筛选下来，到了第二层我们进行分流分类，因为不同的处理方法，把结构化的下来，外面方便的文本日志外面的超级结构，在多媒体、音频、视频，不同的通道下来，下来就是由大化小，我们企图把大规模的东西化小，选一些精华数据运作，谈何容易。大大小小是一个技术手段，我们已经试着研究了。我们曾经提出过一些假设，两大猜想。解决这个问题以后，地下进到实质性的数据挖掘技术，有一些在时空复杂性允许的前提下，我们利用海量数据挖掘算法能解决解决了，不能的我们确实还需要创造一些新的独特的大数据挖掘。这是我们在这个总体架构，这个架构提出来有一定的根据。我们拿出来与大家共同分享。作为一个重要的参考。
    第三个大问题就是典型算法研究和相关的动态。我们没有说确定的大数据挖掘算法没有。因为，它没有任何算法提出以后，提的思想，提供可运行可执行的程序，但是它的施工复杂性，它的先进性，它的有效性，实际运行在大系统背景下的运行我们没有建立。但是，总归是有益的探索，一个文本模型，我们比较占优势。这个人在数据挖掘方面已经做了很多的工作。在文本的挖掘方面特别提出数据流的算法，特别提供算法供应这一点，这是比较好的我们研究动态，大量的文献我们研究以后，我们提供算法。
    第二在聚类方面，聚类是突击类，这个大数据的一个不同的算法。然后，关联的方面，这个大家知道在数据挖掘当中数据分析是重要的一点，大数据的环境下，基于IP数的一个算法，这是这个意义上，但是这个算法比较单一，必须和某些线性的进行融合。
    第四空间大数据挖掘，在方法方面目前值得注意。实际上这个网络的结构是积极学习。这里面科技提出的转基因的这种网络，这个是多次的战略网络。它在学习方面起到重要的作用。还有最近有人提出量子机器学习，在量子上，它是快速运行机制，这些仅仅是目前的动态的。我们现在着手的坐下来做一些工作，一个是在文本过渡的算法，我们进行过滤。我们把现在N的一些方法进行融合。第二文本分类，原来在我们已知的原创性的模型的基础上，叫发现特征福建模型，下的一个文本分类算法，目前提出的这些分类算法如何融合？再有在管理分析方面，我们把原来在模型下的M算法和目前的一些算法融合起来，我们刚做出算法的一些初步设计，我们可能需要强烈的外力，现在看来必须有外力的介入，使我们能够尽快的通过协作的形式把大数据挖掘的软件产品这个空白一点一点的填补上。
    第四工业大数据挖掘的示范作用。工业大数据不是泛谈大数据，我们主要是装备领域的一些人士有一些接触，做出它的初步设想。注意是初步，真理是复杂的一个大的融合系统，很复杂，我们架构上做一个阐述。工业4.0就是数字化企业，在IT方面的架构，CPS是一个不可缺的很重要的。那么在这里面我们是基于大数据挖掘的这样一个系统构造，怎么基于的？怎么做的？首先在这里我们通过传感网络的专家支持，通过一些搜索引擎数据采集的方式积累来，放在我们数据管理上，通过预处理、分类，形成大数据的数据库，在大数据挖掘的基础架构要做好分布式的。然后我们进入大数据挖掘。要依靠它的过程模型，若干个具体模型算法，和可视化方面形成了一个数据库。智能管理、智能预测、商务智能、决策几个方面，固态的。这些重要的支持，真正在架构当中体现在哪？我们以这个流程运行使用作为切入点，从这儿下手，不从开始下手，从这儿下手我们通过分析以后给了一些必要的分析，包括客户的流失客户的保真性等等分析，提出来反馈给产品设计的创意，反馈给生产制造方面的模型制造的一些创意，自动化的数字化的一些创新的方案。
    不断的经过这样的修改，形成一体化的无缝对接的一种机制。这是一个很初步的一个设想，必须结合具体的步骤，把它注入到一点一点摸清。我们对大数据挖掘做了详细的阐述，现在看看大数据挖掘在整个大数据这个领域里面占什么位置？首先大数据所涵盖的东西很多了，在基本概念方面，在产生发展方面，在专题方向和热点方面，包括科学领域、技术问题的、生态问题、应用实践问题、应对大数据处理的关键技术，在这里面包含的大数据分析。处理相关技术，软件技术，平台以及架构，因此我们所谈的是处在这个点上，这是整个大数据向数据智能科学方面挖掘的一个很重要的一个分界点，这个分界点当中重要的问题。当然其他的方面，典型的应用，具体的应用，发展的趋势等等，这是整体的描述，我们所说的问题在这里不能概述。虽然大数据挖掘现在还处于发展阶段，但是我们坚信我们坚持不懈的努力，不断的探求真理的梦想，那么一定能够在这个领域里能够开阔更好的更广阔的空间。好我的汇报完了，请多指教。
   
    李正海：个人说一下感受，我觉得杨教授讲的非常的体系化，系统化。比如说我拿一点来说，我也面对了大数据可视化，刚才杨教授也提到我们从知识应用，它的核心也是怎么指导行为，这个应该说也是我们这个社会说做工业大数据这个人应该说考虑的一个重要的方向，也就是说我们不是为了收集数据而收集数据，而是我们怎么考虑这个做什么样的行为，那么在这样的，要做这样的行为决策的时候，我们需要什么数据支持，那么同这个角度考虑收集数据，也许你收集的数据更有意义。反过来说，用这样的方式收集的数据价值也会更大，这是我的体会，跟大家做分享。再次感谢杨教授。下面我们有请三一重工北京分公司副总经理王劲松王总。
   
    王劲松：大家好。各位先生们、女士们，主要是过来学习的。今天听了上午特别是杨部长的讲话，还是比较高屋建瓴，概括的很好。今天下午这个杨教授又讲这么好，讲这么具体。我主要把三一重工应用这一块给大家做一个分享。
    我们三一重工是1995年到2015年是例行20恩年的时间，从一个小加工厂成长为一个世界第五，中国第一装备制造业的龙头企业，应该算是中国装备制造业的三架马车之一。像徐工集团和重联重工是中国制造业最基础的，是实力相当的三架马车。我们做信息化这一块，大概是这样的，刚开始的设计大概在1995年就开始企业出来参与，脱钩出来以后就做这个信息的采集。刚开始做PDM、ERP，后来是SAP，大概是1998年到2000年，后来做了制造的MIS系统，整个制造这一块。现在主要是做的这一块是智能制造这一块的力度。再加上端到端的闭式循环的这个服务制造和这个生产物流这一块的整个衔接，叫智能工厂这一块。
    我们这个整个行业，就是我原来讲的是原来有一个报告，原来要送给部里面的领导，这个PPT里面没放了。今天我们上午从杨部长讲的三点，支撑大数据的三点，要做三件事情。第一个事情是横向的联系，再是纵向的端到端的无缝循环，我从这三个盲从讲一下三一重工是怎么做的。
    首先是供应链的供应商管理这一块，我们现在做的什么程度，我讲一下跟大家这个企业做一个对比，你看你们是做到什么程度，和我们做一个简要的一个对比。工业管理这一块，我们从工商，这一块是什么数据呢？我做了两年半的集团财务总监这一块我比较熟悉。我们从供应商的考察到进系统，这个供应商体系这一块的管理进系统，就是供应商名录，就是现在的供应商准入，供应商准入以后就是对供应商的合同签订，合同签订是输入我们的系统，现在我们的系统用SAP系统，这个系统也是怎么说啊？可能比ERP复杂得多，但是你们在座的下午的这些专家，这一块的系统用起来也不是说固定这个设计模块化，这一块的应用比较好一点，我们用的相对来说还是好一些。
    这一块我们录入完以后，自动生成采购需求，采购需求变成采购订单，这个输入帐号供应商可以查询，查询之后可以配送，配送到检查到工厂，录入系统以后检查以后直接进系统，进系统以后如果有问题它会在进一步的系统会自动分解。然后是录入系统这个数据基本上结束了吗？也没有，直接到财务做进帐，财务的进帐统计之后，然后改变付款，直接和供应商付款，从系统里面直接付，系统里面直接走帐了，现在付款这一块很快要实验，但是我们的工资系统，我们的工资付款，工资这个到月，工资到帐，我们这个月这个系统已经实现了。我们这个工资不需要这个做了，到月，每个月12号到这一天工资自动打到帐上，不需要审计了。
    这个工商付款这一块，我们合同进入系统完以后，这个合同付款也直接到工商付款到帐这个是这一块的利用。基本上整个全系统的闭式循环，这个业务模块是串联上了。这个是指这个网络。
    我们这个工厂这一块，整个智能化工厂这个明显在什么地方？一个在长沙的工厂，大家有机会到长沙的18号厂房看一下，这个厂房是三一在长沙标志性的建筑，很个性化人性化，在中国当前应该是数得上的就是智能制造。
    然后在上海，在上海也有代表性的工厂挖掘机工厂，我们的产能也是根据国家形势比较好的，产能年产量四万台，这样的工厂也是典型的智能制造的工厂，就是做挖掘机的。其中长沙这个工厂，在上个月国家解放军军事学院科学院的一个院长带着三位部长和国防科技大学的校长过看了以后，因为我们的院长也在北京，他是二炮部队出身，原来是司令，他过去看完以后，感觉装备制造业在中国很震撼，感觉中国的装备制造业还有这样的企业，它参观18厂房一个小时的时间感觉很震撼，这个部队没有接收过。现在部队的产品就像改革开放说的国有企业，产品数据是跑忘低陋松还在这个阶段，他看完我们以后，我们的厂房进场地，场地的路，拿到我们这个平常时候手拿的这个擦纸，往地上一擦基本上没有灰尘，这个是厂房。
    我们的设备，我们是那些工具，这些工具都是基本上都是智能化的。然后厂房到物流到货架，有自动小车，MIS小车一提示缺货，就自动把货补上，这个基本上达到这种无人操作了。
    然后产品这一块整个分析图这一块，那就是基本上我们具备了这个，就是具备了这个没有像以前那样很少的人直接装备，要配送到位，要经历这种模式。人员的MIS系统会自动报检，你走到什么程度，有什么缺件，提前在显示屏上显示。就是这一块，包括人、机、设备、工具也是算是配合的应该是国内上比较好的。我讲得不如他们现场看得更好。
    还有一个就是我们这一块在上海昆山挖掘机的生产线上，我们的小型挖掘机生产线，相当于达到了汽车的工业化水平，但是和汽车自动化的水平也相当。就是这一块。就是和汽车这个工程机械这一块，制造业达到汽车这个水平，基本上在国内可能也找不到几家，这是这个，特别是哪一块，就是这个俞正声，原来在上海当书记的时候，现在是全国政协主席，开现场办公会，中国制造现场办公会，就拉到上海的制造基地去，看三一的智能制造，就是说三一的制造到了什么程度，我们总裁也就是说我这个制造在中国就是第一。我就是世界制造水平，国外制造的水平也就这样，或者还不如我。我们收购了德国的大象集团，大象是当时泵车整个产业的世界第一，被三一收购完以后，三一的泵车全球的市场占有率是80恩%，这个泵车一项，他们的厂房和配置远不如我们中国的厂房，我们的厂房和我们的设备，不如我们。但是它还是管理，还有一些文化的沉淀，还有员工，还有这个知识和积累和沉淀，可能这一块可能再加上国家和文化，这个可能是我们远远不够的。
    我们现在学的，我们掌握的东西，我觉得还是可以的。我们服务这一块，整个服务这一块，我们做什么系统？我们服务产品这一块，整个服务，我们在长沙ECC的一个控制中心，整个物流中心，还有一个远程，就是泵车的产品还有挖掘的产品，不是全部的产品，是主要的设备，主要设备是让用户自我诊断，它会提醒该换油了会自动提醒，出了问题系统会告诉你，然后提醒你，然后有了问题我们服务人员到了，讲了这个维修它一套流程，你到那修好了以后，比如说当天包修，到了必须修好，修完之后系统自动进入你修好了，用了多少东西，多少工时多少时间，客户对你修护的过程的满意程度都在系统里面自动存档。然后它根据你市场这一块的反馈，然后再提醒你下一步要注意的环节。它会告诉你。这是整个远程诊断的，我们泵车的参与。
    挖掘机这一块，我们在昆山这一块的挖掘机更是这样。现在管工业的总理马凯，马凯办公室每个月跟三一重工联系，联系什么呢？我们卖出去的产品和我们市场上已经施工的产品，它会每个月进行统计。就是说你这个产品，比如说市场保有量，把我们的产品我们原来两万台，我们一年卖了两万台，你没开工呢，就是一万台，那么中国工业的指数相对来说是比较差，比如说达到80%90%了就相对比较好。它这个套用了国家全部的设备，我在全国构成机械的设备有两万台或者是20万台，那么你三一不到60%，说明现在的经济形势相对来说还是比较弱的。用在什么地方，修路没修路，矿也没矿，桥也没桥，房地产也没建筑，现行的中国工业是比较疲软比较弱，这个开工量每个月要报给马凯总理的。
    三一重工主要开发的数据不是为了做这个事情，它为了更好的为客户服务。这个信息给客户以后客户有什么需求，它提前通过这些数据我们猜疑过来。比如说河南，在中原地带它的挖掘机它的需求是什么情况？比如说在西藏，它有什么特殊的需求，主要是分析这个客户的个性化的需求，主要是了解这些，然后进行定制。这一块才行。我们这一块整个服务这一块，产品这一块，整个产品，我们PDM固化完以后，从设计这一块固化完以后，产品的整个固化，然后到生产环节，生产到生产工艺、计划，包括到采购计划整个环节，这个在工厂呢不的整个数据流是比较通常的，这个在三一大的工厂，像我们长沙的，昆山的挖掘机这几个企业，还有沈阳的煤矿设备做采煤的这些，基本上能够大家闭式循环在一个工厂内容。这个像德国讲的工业4.0，离那个差距还要远呢。
    在一个工厂内部我们现在还在做什么？做的这个在这个叫根据流程，根据公司的驱动，流程变革，这个是2012年2013年2014年整个在做流程变革，流程改造，进行业务驱动。然后我们后面紧接着做今年做的是智能制造这个每个工厂智能制造这一块，主要是提出这个。将来再往上发展就是用户，用户的需求，商业模式的创新，我们正在做规划，或者是两年以后我们2018年的这个模式会是做得比较不错的。
    我们智能制造这一块，智能服务这一块，包括我们的智能产品，智能产品不知道大家了解不了解，大家应该了解日本的核辐射，这一块就是三一比较好的一次广告。怎么广告呢？当时日本一般因为国内认为我们从日本进口东西，我们从日本进口东西也不少，像发动机，就是我们紧密合作伙伴，像这个它的液压系统，日本的挖掘机的液压系统和这个电子产品，我们对日本的这个企业的依赖主要在这边，他们这个泵车当时送到日本的时候，日本也很镇静，你到目前去，三一到日本，他们的相应来说对我们真的是高看，真的是这个日本还是怎么说啊？民间还是比较感恩的，这个有感恩的心。你的吃住，三一对你还是比较友好的。
    我们的泵车到日本的时候，确实没有，后来老板董事长免费送给它一个泵车，当时送到现场的时候，核泄露已经很厉害了。你不能靠近现场，靠近不了。怎么办？我们又找研发人员，做什么？相当于我们现在做的无人驾驶一样，无人操作平台一样，无人作业，我们做了传感器，模拟当时的环境和模式，然后就是把这个设备，那就是在两个以外，就是把水打上去，到泵车里面去，无线遥控设备，这个技术是当时临时研发的。我们现在在昆山也是在转向无人设备，昆山我们有一个工厂，就是做机器人也在搞这个。这些将来也是三一的发展方向，包括提供干线、设备、工具等都在做。
    然后还有一个就是我们现在和这个矿山，挖矿，三一的仿真系统，这个矿就把它呈现在地面上来，在矿山开采的过程中我们需要设备从哪个地方进出，多少效率，要提前做好规划。然后做完这些东西，就是我们对这个比如说它哪些风险要这个规避，要预防，效率如何提升，这是通过仿真技术，再一块就是智能矿山，智能方案的提供这一块也做的是比较好的。研究我们也在给内蒙古那块做这个合作，也不错。
    这一块整个这一块三一这一块具体应用这一块，如果说了解的话，大家有机会到昆山或者是到上海好，更好的去看一下，我简单的就讲这么多，谢谢大家。
   
    李正海：三一这一块应该也是中国民族工业的一个典范，其实我了解三一实际上大家也在网上可以多点搜索，三一的工业大数据方面还是做了不少的探索，还取得了很少的成绩。我们再次感谢王总的报告。下面我们有请力控科技总经理林威汉为我们做关于CDMP跨越传统构建工业智能互联的报告，欢迎。
   
    林威汉：各位专家，各位领导，各位朋友大家下午好。我是林威汉来自力控科技，今天我跟大家交流在CDMP以及工业智能互联方面我们做的一些工作。力控科技是做传统的软件的企业。我记得特别清楚，大概在2012年年底的时候，我们有一位产品经理找到我，跟我成交一个研发的项目报告，这个报告很简短，大概是说我们构思内部的信息需求受理系统和接纳系统在一年内集中受到几十类需求高度类似的需求。主要是工业设备制造商，比如说生产压决计和中央空调的客户，他们希望把他们卖出去的设备和产品，能够远程的监控起来。我看到这个报告的时候，第一感觉我觉得我们现有的产品，像组成软件像数据库在一个工厂里对几台装备或者是设备监控这是常见的应用场景。这个为什么还要立项呢？所以当时跟这个产品经理做了一个沟通，我还记得当时跟他沟通他提到几个要点，他说我们现有产品在解决这几个需求的时候是有局限的。
    这个产品经理说这一而需求它有几个鲜明的特点。第一用户监控的设备数量非常大，少则上千台，多则前万台，如果我们来处理都存在很大的问题。第二个特点用户卖出去的产品分布非常分散，导致产品进行工业数据采集它的工序方式是比较多样的，比如说要借助移动网络或者是互联网。第三个特点是用户的监控系统它的业务规模是弹性变化的，这个大概是什么意思呢？比如说这个用户今年卖出去了几台设备，这个监控平台就希望它对这一百台设备进行实时的监控。所以它这个监控平台的系统规模是不确定的，是不断的变化的。
    另外还有一个特点是用或多或少都希望能解决一些除了设备监控方面之外有一些业务的问题，比如说能不能实现他们设备的一些排放管理，包括设备的一些故障保修等等。还有一个特点就是用户都希望在移动端实现这些所有的这些监控的业务。
    听了这个产品经理的这个汇报，我隐约的感觉这不是一个新的市场。所以我当时就做了一些简单的一个市场调研，针对他汇报的这些客户我做了一些抽样走访，主要跟企业的高管和老总交流，发现他们确实遇到了这样的问题，有这样的需求，当时市面上没有成熟的产品的解决方案，有条件的企业自己通过系统集成也上了一批，但是效果不明显。主要系社会接触一多，性能出现瓶颈，业务系统也不是很好用。那么有了这样的一个初步调研，我觉得这个可能是在中国一个新的应用。为了进一步确认这个事，我们之后对国外的这个市场也做了一个调研。
    那么这个调研不要紧，部门发现我们想做的这个事情，在国外已经形成了一个新型产业，而且发展速度非常快。在这个产业里参与到产业的企业已经有10、20家已经成规模了，一二十家里面份额比较靠前的他们已经能够做到集中监控管理的工业设备的数量级已经达到了百万级。关于这方面在工业领域有一个权威性的咨询机构，它针对整个全球的新兴市场做一个全球的定义，我们来看一下这个瓶颈。
    RC把这个新兴市场称之为CDMP，为此ARC有一个首席顾问他专门根据这个新兴市场撰写一个全球市场调研报告，我们看了之后他对这个ARC的市场运行的状况。它不同于传统的，因为CDMP大家都比较熟悉，有很多年的历史。这两者的区别在哪，首先一开始工业不一样， M2M是机械到机械的工业管理的过程。我们传统的系统经常看到这样的功能，而CDMP它是以产品的生命周期管理为主。这是第一个区别。
    另外ARC认为在整个的IOT框架，CDMP处于什么定位呢？它起到一个承上启下的作用，因为它向下能够采集到来自于设备、来自于现场传感系统的数据，线上能为各种大数据分析提供数据，所以它起了一个承上启下的核心架构。
    另外一个观点，ARC认为基于云架构的技术平台，将来会成为主流。会超越像传统的服务器模式，或者是本地自建的模式。ARC对CDMP这个产业比较乐观，它认为这个产业的年增长会超过30%。认为CDMP这种产业的出现，它是最大的意义它会推动工业产品成为一个智能化。那么产品实现了智能互联，就是让传统的设备制造商实现它的业务增值，那么这个环节我后面却讲这个体会。
    当时我们做了这个调研之后，又得出一个结论，说在中国，针对与中国的用户，这个CDMP是一个前景。当时我们就决定立项做这个实行，也集结了一些研发力量，我们在公司内部成立了一个小的实验室，主要是解决做这个事情的关键的核心的问题。比如说我们如何解决海量设备的接入的管理问题，还有资源弹性分配的问题，因为觉得这个事情跟物联网比较相关，我们打造一个实验室成为这个工业IOT实验室，现在这个实验室已经有实际意义了。
    为了不让我们研发团队在研发路线上跑偏，我们又对中国的设备制造商做了全面详尽的调研，我发现中国的设备制造商它有自己的特殊特点。我们要解决一个就是中国的这些各个行业它设备制造的智能互联的问题，我们面对的第一个问题他们的设备接口标准不统一。这个接口标准不统一来自于很多原因，因为我们发现国内的设备，比如说国内的压缩机还有工业信息化，电器也好，他们一般会定制一个核心的控制和控制元件，比如说有一个核心控制器，我们一般可以从控制器里面，问题是大家采用的孔器五花八门，有的采用标准的，也有是自己的架构开发的。导致接口完全不一样。另外通信协议也不一样，所以就是说我们做这个事情第一要解决如何把不同标准的设备通信的问题小节，接口能接上。第二个实际情况国内的设备制造商他们对他们的传统设备进行升级改造，想实现智能互联，但是他们为做这个事做的接口成本岌岌可危。如果我们没有给它不能给它提供低成本的接入方案，它会迟疑，就会非常困难。特别是产量非常大，而且产品单一售价又不高的产品。
    第三个情况就是国内的这些设备制造他们除了要实现设备的远程监控，它还有协议。比如说希望这个设备给它提供一个牌照，比如说出现故障的时候，要提供一个报修和工单的调整。
    第四个特点是国内的这个大部分设备制造商他们的IT维护率非常不足特别是偏中小企业。我有一个客户是做通用机械设备的，他听我介绍这个系统之后他很感兴趣，他说我用了你这个系统千万不要让我们的人去维护它。我们公司根本听不懂你说的服务器等这些东西，他们只想用，但是不能维护。另外对于工业数据的安全性，它完全不一样。因为这个数据的安全它涉及到部署方式，数据放在哪里，是放在云端还是放在哪里？那么我们发现一般中小企业在权衡它的这个投资，它的这个成本，包括它的应用性，他们的数据安全性相对比较繁荣。如果它的信息不是特别高，它是能够接受云端。但是中大型企业，尤其是集团企业特别是国有企业对这个事情非常的命根，特别是有自己的信息中心的机构，数据不放在它那在云端是有很大的安全问题的。
    通过这些调研之后，我们比较精准的了解国内的制造商他们的一些需求，然后我们研发团队组织力量，我们开发了国内一款非常典型的CDMP的产品，我们称之为TL产品，它有自己的上线客户，也有自己很多的客户在测试和试用过程。这个TL平台有什么特点？我们设计的这个LT的这个CDMP平台，它有几个主要的特点。特别适合中国的用户。比如说在接入方面，我们首先是在接入能力上，能够保证海量的设备，我们目前有百万级的设备和装备的一条龙的接入。另外接入方式灵活，特别是针对中国中小企业的设备制造商用户提供成本低廉的接入。另外我们整个TL平台是云服务的方式，这种方式有什么好处呢？对很多不愿意搞大公司的企业，它可以一次性投资，几乎没有。我们想象一下，中国现在如果自己内部上一个IT系统，这个投入是非常庞大的，自己可能要找机房，找服务器，要采购里面的软件，做系统运营商做二次开发等等，这个系统好用不好用？不好用。用云服务就是省去一次性的风险。
    还有比如说在移动端我们是提供了移动计算能力，另外所有的这个几乎所有的平台功能都可以称为移动端去执行。那么介绍到这里大家一定关心一个问题，这是像我们这些使用了啊这个平台产品的用户也好，他们用了这样的产品和平台，到底为这个企业带来了什么实际性的改变，他们获得了哪些好处？这里我有一些感触。从我们这些合作的用户来说，我觉得给他们带来一些改变是三个层次。
    第一层面是对它原有设备的远程监控和运维方式。我们有很多客户他们的市场销售渠道非常的广泛，比如说我有一些客户，它的设备或者是装备，除了卖给国内市场之外，他们很多还卖到海外去，特别是非洲和东南亚的地区，对于这样的客户它最头疼是调试的问题，因为他们有一些高端状况还是蛮复杂的，就是每次调试的时候涉及到的参数都是上百个。以前他们需要派人过去，现在用了这种平台产品之后，它的技术人员基本上有很大的优势了。这是对于他们这个从运维方式上是得到了一个很大的绩效上的提升。
    第二个层面的改变是对他们卖出去的这些设备的一些远程诊断和预警方面带来的一些改变。这方面我很有感触，我有一个客户做压缩机的，在广东的江门。他们有一个开发经理是韩经理，韩经理说它有一个客户买这个设备，是一个北方的客户，做食品加工的，买了一期它的机器，运行一段时间。之后发现一个情况，这一批里面有一台老跳机，像这些工厂都是24小时运转的，然后就希望他们厂家派人去解决问题。按照以往，以前的情况就去了，那么这次他用我们这个平台做了一个简单的分析，它分析了哪几个参数呢？主要是分析了这个压力参数还有电压和电流参数，当它调到这个历史曲线的时候，这个压力的历史曲线的时候这个压力有不同的跳变，等这个压力跳变的同时会便虽一些电压值的跳变，韩经理就判断这台机器使用没问题。就让客户查这个信息，客户就否认了，说这个不存在。说你把出水入水都查一下，后来发现出水管严重的结构。
    还有一个例子关于韩经理的，有一段时间手机微信报警，我们做了一个平台通过微信，一旦哪个用户有现时报警可以通过微信报备。然后他们发现这个报警的地址是来自于上海，就知道了卖给上海的设备。什么参数报警呢？一个功率参数报警。就是在这个平台上我们可以见到很多的参数，其中有一个功率参数，你正常值超了15千瓦，韩经理第一直觉客户的这个设备的大轴磨损了，就是轴承。然后它主动去打电话找那个客户，他说你们赶紧检查一下这个机器的轴承。之后这个客户对这个事情感激涕零，为什么感激涕零？因为用户一察觉之后发现这个轴承磨损的非常严重，及早做了更换，但是大家知道这个事意味着什么？如果你发现轴承磨损严重换一个轴承五万，如果不修换一个机头，就是30万。
    第三个层面的改变就是帮助用户业务增值和业务转型。这个我有感触我们有一个客户做燃气设备的，它主要是卖燃气生产企业的一些设备，比如说向燃气机等等。他们跟我们合作，他原来的业务模式它的生意模式就是生产这些设备卖给燃气生产公司，就是卖东西的，卖产品的。但是现在的生意越来越不好做了，但是它发现一个新的商机，就是它卖出去给那些燃油生产公司对燃气的生产运维非常有帮助。他们是运维人员，这个便利化水平很低，基本上在二三线偏远的城市，很难找大公认，他们维护也不专业，出问题还要找厂家。所以它有一个想法，就是他把他卖出去的设备的这些客户的这个燃气设备的运维业务承包了，你以后不要自己去做，你把这个活交给我，这个前提要有一个信息化的平台，否则他的人员就下岗了。有了这个平台之后这个效率就提高了。所以后面做这个事情。
    我们就是这些客户确实他们给自己带来一些改变和创造了一些新的商机。最后就是我用几位专家或者是学者的这个视角来看一下关于CDMP这个市场未来的一些发展前景。首先还是用这个女士的观点，它认为CDMP实现了智能互联产品、设备机器和其他资产的管理，会发展成为互联产品设备与物联网架构中更高级大数据分析工具云平台和其他的应用之间的桥梁。这个评价还是比较高的。
    下面是波特的一个观点，他写了一个文章是物联网的企业经营战略。他认为信息技术为产品做革命性的改变。另一方面智能互联产品将使企业产生激烈的变革。这个企业产生新的业务流程、组织架构、竞争关系等等。
    最后我给我们的这个平台订阅号做一个广告，大家感兴趣的可以关注，我们会在这个订阅号会有一些资讯发布，好，谢谢大家。
   
    李正海：非常感谢林总的分享。应该来说大家坚持到这儿，我想跟大家说一下，我们刚才可能都是嘉宾在讲，下面我们安排做一个高端对话，主要的主题是讲工业大数据以及这个产业的协同合作。第二个话题是大数据在工业制造业的创新应用以及现在遇到的一些瓶颈。这里面我们也会安排，大家也可以参与一些问答，希望我们这个对话的嘉宾贡献一点干货，让大家真正获得一些价值。
   
    高端对话
   
    李正海：我们下面有请对话嘉宾，首先有请达晨创投的迮钧权，唐龙的CEO宋雷，遒涯的刘总，还有力控的林总还有曼威的肖总。
    大家都知道大数据是一个新的流放，相信在座的几位嘉宾在大数据这一块挖大很多的石油，希望大家分享一下你们认为工业大数据机遇在哪里，尤其是我们大数据来讲，要想大，往往要突破企业的边界，以及和我们企业的一些协同合作，希望你们在这个话题上做一个分享。
   
    孙建：曼威今天上午也介绍了我们的业务产品，除了是为生产制造行业企业提供我们的线下的工厂、制造的解决方案，包括MIS之外，还有同时做一个基于互联网云计算供应链协同的云平台，这个平台它解决不仅仅是企业，尤其是制造行业的企业，面向消费者，类似于像工厂中介一样，有一些工业当中的消费者，这个效益面临的下游企业。有一些是消费品的规划，怎么能够把它线下的代理商和它的自己的库存联合起来，面向消费者，消费者的订单怎么能够拿到通过消费者进行生产，结到定制化订单之后，怎么计划排成到生产，最后到工厂里面去，这是一个打通的横向的价值点和纵向价值点的一个平台。
    至于大数据方面，我个人理解是因为我们现在做的是产业互联网，跟这个我们看到的这个阿里巴巴这种电商的这种消费的互联网不一样，消费互联网有很多的个人用户的数据，数据量非常大，一般的制造行业企业的话，它自己的这个加工生产这个数据，可能跟消费互联网比还算不上大数据，但是他们对数据的分析非常有迫切的需求，这个数据要挖掘出价值来。今天上午李总也讲过，信息是价值，这个设备是提供功能的。这个我们主要的价值就是帮助企业制造用户把他们的这个生产制造尤其是供应链方面的数据挖掘出价值来，这是我们所做的。
   
    李正海：我问一下，这个因为我觉得你提了一个词是C2M工业大数据，关于C2M它真正把工业大数据都知道，这是红绫提的比较多的话题，我问您一个细节，咱们既然说到工业大数据的机遇，我把它理解为什么呢？是什么地方变，变以后有什么策略？甚至我们有转变，也就是说我们的云平台，你能不能举一个典型的例子，比如说你的一个客户我们要有一些，说大数据我们要有一个量化的标准，举个例子它的以前有多少订单，现在有多少订单，这个有没有明显的变化趋势？
   
    孙建：C2M才刚刚起步，不要说我们一家，整个中国的企业能够做到把消费者这个定制化的需求直接拉到它的生产线上，实现包括消费者能够看到我的这个产品定制化的状态，透明的工厂，最后到客户那里去，能够完成这个企业不做。我们不是做一个解决方案就完了，我们给海尔也做过，我们要打造一个平台，这个平台不是一家企业做，为众多的企业做。这个刚刚起步，不能说一家企业之后，有了C2M这个订单多少。我们说原来的订单更多通过线下的方式，代理商、渠道，我们是帮助他们做增量，这个增量是刚刚起步的，这个增量也需要培养消费者的习惯，消费者需要适应在移动互联网、手机、PAD上它有这个喜欢定制我的东西，刚开始定制还不多，可能是瓶子上印上去，生日印上去，我的模具多了，样例多了，会更多的选择。刚开始客户选择是一个初级的状态，但是这是一个起步。
   
    李正海：你现在遇到的企业已经开始接受了个人的小批量的订单。
    早上我们王总还在说，他在讲看来我们好几个公司，这个名字都没听过，我说对了，这是新的产业业态，这是新的机会。所以我觉得其实我们宋总做的事情，实际上就是在代表着工业大数据一种新的产业生态的模式。
   
    宋雷：这样吧，现在大家都在谈大数据，尤其是工业大数据或者产业大数据，但是我感觉大家的理解有一百个人可能有一百个理解。我说一下我个人先说一下我对工业大数据它的分类的认识。我个人把它分三种类型，一个是场内数据，一种是平台数据，一种是场外数据。主要是观察的维度。比如说我们从观察一个工业大数据的时候，这个我们场内的数据，我们可以把它理解为一个工厂内，也可以理解为机构内部数据，还可以理解为流水线的一个数据。那么这种数据更多我们观察的维度是流程。平台数据呢，更多的是互联网数据。场外数据是我们客观存在，但是又不能为信息化的互联网手段进行这个客观记录，这个连续反应这样的数据。这个我们现在看大数据，我们更多的举个例子比如说是像淘宝这样的，京东平台，它产生巨大的交易量，在上面产生的交易数据，大家这个我们在这个上面做了很多的应用，感觉OK这个数据很好。但是我们真正还原到工业领域的时候，我们发现我们很难找到像淘宝这样的一个大平台，没有。我个人认为，目前国内没有，国际上现在没有，我认为未来也很难产生。为什么？因为我们涉及到工业这样的商品跟C端的消费的商品，我们有三个维度完全不一样。
    第一个维度是我们有很多产品，但是这个非标件这个很难这个形成联合GOE的这样，所以这样的产品很难在线上进行。第二是其实我们现在的很多交易的环节，很难支持这样的一种交易。比如说我们的结算，我们更多的是有帐期，更多是产生成队这样的跟我们线上的支付宝和银行卡的付款，完全不是一种支付模式。
    第三种其实说我们工业品消费跟C端消费不一样，C端消费我下单我一个过程结束。但是工业品我卖给你的一个产品，你在使用过程中你出现的任何问题，包括售后的维护，包括售后等等所有的问题，我还在跟踪还在服务。这样的话，我说我们工业商品，无论是工业性、复杂性、广泛性等等这样的它很难产生这样大的。我们也不要幻想，我们可以学习包括这样的模式，我们从一个工业品大的交易平台里面产生足够大的数据，通过这样的数据去支撑我们金融等其他的这样一种能力，我认为这个想法可以有，但是我们也把它想法缩小，相对保守一些，这是我的第一个观点。
    第二个观点是，其实这是工业大数据基于产业协同。我也想讲三个观点。第一个观点就是工业大数据的机遇首先要跟互联网紧密结合，我一直认为我们现在的工业4.0还差得很远，我算了一个平均数是工业2.5，我们真正的工业4.0是在信息化高度发达的基础上。我们现在的制造业，像刚才讲的三一重工和红绫这样的，他们的信息化水平很高，但是再往下，我们是不是有很多的手工作坊，一点信息化都没有，可能只有一个电脑，这个电脑还不一定灵，我们在参差不齐的状态里面，我们还是差很远。所以这个工业4.0或者说我们工业大数据一定是建立在内部信息化提升的基础上，没有信息化就没有连接，没有连接产生不了大数据，这种连接的打通，我们企业内部的提升现在互联网是最大的，而不是场内的。比如说我们SAS和云计算的，你企业信息化支撑就很好的。我们用很小的这种跳跃，我们信息化几个阶段，我们直接把这一块弥补上。
    另外，我们大数据又帮互联网结合，互联网我上午发言的时候我的观点是没有互联网就没有大数据，它是一回事。你说我们大英博物馆那么多藏书，你不是大数据，只有互联网开放平台的时候才能产生过多的持续不断的数据。而且大数据不依托互联网的载体怎么变现，我们互联网是为了应用和变现，如果你是传统模式的大数据，你其实还是传统的做法。我们只有用大数据连接，连接到客户，连接到用户，连接到我们合作方协同方，我国这样的数据传输才能产生价值。这个我想讲的第二点。
    第三点是产业协同角度。我认为红绫服装是我们应该说目前来讲是一个大数据应用，我认为不是全部，也不是说发展到一定的高度了，我认为在将来在数据协同层面上会有不同的这样的一种机会平台。比如说我上午听报告的时候我在想，红绫服装只做到C2M，消费者通过数据的获取传递到平台，平台传递到工厂，工厂传递到供应链，把我内部的这个链条打通了。但是，这个我认为还有提升的空间，比如说我们这样的一种这个大数据协同平台，不是为红绫服装，比如说我们定制的服装，这个按照红绫讲有几十万，我就每天，我们今天在座的人我们想定一个服装，你选择的面料、板式、交货期，到上游供应链的时候要做优化，在企业内部做优化很困难的。我必须要这种面料，我在大的协同背景里面，我被段这个面料满足你一个服装，我在青岛离你的货源性价比最高，我就没必要到上海调货。然后我又算出来在廊坊在加工这个服装，再加上物流这个过程，这个成本是最低的。OK我就把这个分配了，我觉得这样社会化运营，这个真正才叫产业协同。这个我们红绫这一块基本上做到了，我认为目前这种场内行为。当然还有很多其他的例子，总而言之，我不罗嗦了，将来的数据一定是数据弧，这种数据弧有协议和标准，我们不管是场内、供应链，还是协同方，我们大家以一种协议的方式去交互这样的数据，同时我们做到我们投入产出比最大化，我认为所有的工业大数据，你的目的一定是为了挣钱，你想挣钱要把效率提高，这种东西，所有都是为交易服务的。
   
    李正海：宋总这边作为一个行业平台，我认为有一个企业的一种感召，北京或者是我们工业企业的升级换代，一方面有自身发展的需求，很多时候也有外部环境逼着企业做改造。比如说像中国的行业平台能够促进企业，它是怎么促进自身的信息化水平的提升，这样来讲在平台的基础上更好的进行资源配置，甚至是资源配置本身的效率方面都有提升，这个是行业的一个价值。我觉得宋总已经抓住工业大数据的一个潮流，但是可能自己以前没这么说而已。
   
    发言3：宋总代表着交易数据这个环节，我上午讲的时候我们关注与生产，我们还偏能源，在最封闭最保守最不太愿意接受新事物改变的行业里面，说到的产业机会就来自于经济下滑，来自于油价下跌。王总今天跟我一起来开会的时候，是我吃饭的时候强烈要求他来的，我说你要看工业领域的新技术，2013年之前我跟王总认识三年时间，我跟他讲资产的预测性维护，性能优化，加大投入啊。王总说没时间，我今年要开三个油田，油价下跌，王总去年年底找我们召开会议，说我们今年没有运维成本了，我们还想保证我们的设备安全顺畅的运行，请各位老师给点建议，能不能通过你们的数据分析的工具，保证我在这个三个月内不要倒闭，我生产周期之后再检修成本。一个大修成本是几千万，我推后三个月就节约几千万的成本，一个集团是五个亿。这个事我们跟王总合作了一年半的时间，在上午讲的时候有一个显性的输出了。
    产业机会在产业的剧变，新产业的出现会伴随着旧产业的衰落。新兴公司我们的增长率非常快，我们每年虽然处在下滑的能源环境里面，但是我们在两倍到三倍的增长。以前找不到客户，现在客户找我们谈，他们说三年前您找我们做，我们现在要做了，这个是产业机会。我们现在遇到最大的问题，就是在能源行业里，GE和西门子的强势性，他们对高端工业的垄断，知识产权的垄断，造成成本居高不下。我在上午讲的时候讲一部分云计算的问题，我们用混合云的方式帮助用户降低获取数据的成本。让更多的企业能快速体现到大数据的功能。刚才听林总讲的时候，我觉得力控做的很好，因为连接是最难的事情，在工业大数据里面，有三个关键点，第一是智能化的设备，这个主要是在国外企业，因为它有传感器有属采还有工业自动化，林总真正杀入BA里面去，我们国内的企业一点都没有携带，这个是很大的一块。
    另外是分析工具平台。我讲到了，不管是西门子还是GE他们有历史数据，他们做分析非常好。西门子一定不买GE的帐，封建领域不会有大一统，我们在国内做第三方服务，不管是西门子还是GE，我们用十多年给用户定制一个平台，是做所有设备的数据采集。所以我们来了数据之后我们解决人的问题，我们要对数据进行复制的问题，解决它的商业价值的问题。商业价值要么帮用户省钱，要么帮用户赚钱。我们更多是帮用户省钱。我们在工业领域，但是我们完全不在生态上，我不跟客户谈交易的问题，关注的是生产。整个来说，我认为整个三个核心的点都是我们的产业机会，我们把握的这是一个知识库这一块。
   
    肖总：最近在学习国家政策还有智能制造2025，现在流行的一句话是中国的现状比较复杂，中国的这个工业4.0有一个循序渐进的过程，我们要2.0，工业2.0补课，3.0普及，4.0示范，这个说法在这段时间内做的一些市场调研的情况相符。而我们一些比较关注中小企业多一些，特别是中小制造业，我们发现中小制造业有很大的困境，我接触的这些老板都在想办法解困，解困的思路就像您讲的这样无非是开元或者是节流。一个是通过绩效机制把成本降下来。再一个通过创新来形成一个新的模式。基于这样的思考，工业大数据的发展未来在国内它一定会分成几个阶段去发展比如说一个阶段我们解决节流的问题。比如说我们帮用户解决什么问题呢？就是它原来针对它售出之后的远程设备的运维的，原来十个人干的活现在两个人干，把用户的成本降低，把用户的体验提高。这是介休。
    第二帮它通过信息化的手段整合业务模式。就像我有的客户它原来做一锤子买卖，现在他们考虑如何转型，如何向服务转型。我在一个杂志上看到国外有一个典型的案例，在德国有一个叫也是做压缩机的，叫凯撒压缩机，他们原来是卖设备的。他们这几年在干什么？它的设备不卖了，它租，他们上了完善的信息化系统，好象是包括SAP都参与做了这个信息化系统，这个信息系统让他们形成什么业务模式，他们压缩机设备租赁给厂家的时候，他是按我每年给你生产多少压缩空气计算。这个有一个什么最大的好处呢？它从一个产品的销售型的企业变成一个提供服务的企业，那么它的收益是非常稳定的。它每生产一立方压缩空气就是它的营收帐款。这个给国内的中小企业带来新的创新机会和新的生意机会。
    另外我觉得第三个更高层次的经验，围绕工业化的平台和应用形成一定的社区，社区的形成一定是与用户和用户之间为核心。比如说利用这些数社区我们能不能形成用户的可视化的业务模式。我想中国未来几年会出现很多的这种示范。这是我们对工业大数据的一些理解。就介绍到这儿。
   
    李正海：其实我是觉得工业4.0作为样板来讲，你认为你做的一个样板工程能不能给大家做一个分享？
   
    林威汉：我觉得目前我们也有一些实际客户，也用了我们一些产品，对原有的业务也有提升。但是按照目前真正意义上的工业4.0是有差距的，我只能说帮它解决了，一定的层面上解决工业4.0的一些内容。刚才提到我们很多的用户，确实用户的平台实现了针对设备的一些预警分析，虽然有经验，而有一些算法，这部分工作我们在植入在做，可能变成一个增值服务。可是带来的改变非常的明显，就是它能帮助用户区解决很多预测性问题。而这些预测性的问题，有时候帮助用户节省大量的消耗或者是故障带来的损失，我觉得这个只能说是有一点接近4.0的意思，再往下走还有很多的工作要做，而且真正是协同我们更多的合作一块参与进来，才能把这个事情做一个完整的系统。
   
    李正海：这里面我补充说一句，我跟大家分享一下，我讲一个例子，我当年参与的一个例子，我们是做火车头周围，我们是汽车，火车在路上出了一个事故叫击破，这个事情现在大家也知道，对铁道部来讲击破是非常大的事故，怎么样避免这个事情，铁道部采取的一个策略是什么？我们是预期的拆建，这个压缩机提钢以后，这个压缩机是有损失的。然后我们做了一个贴福利的东西。这里面有一个革命性的变化，它不柴钢，它只有通过协同。它不是一个直接的检查，而是间接的检查，对原来产品的质量有很大的好处。通过这种方式，当时有一个体会，他们做了一个软件以后，有一个说法是叫微错保，微漏保。更重要是采取是贴普的方式，这样来讲也就意味着它的费用可以打幅度下降，那么不是根据这个到时间来检测，而是说我可以根据自己的一些需要，甚至说没到期我也可以减减，我原来一个月减一次，很典型的一次就是说什么呢？按说这是一个新车不会出问题的，相当于也不花什么钱，那就查一查，结果一查就有一台车很典型，如果这个车我们出去，在路上肯定是击破。这个来讲我想说我们预防性维护在这里，你在有一些征兆还没有出现严重问题的时候，这样来讲对企业来讲应该有一个相当于有一个预备期，甚至于说我要考虑机车购买，那么来保障。我们生产也好，运营也好，正常的执行，避免计划外维修。我们要讲计划外维修和预防性维护这是理论意义上来讲的两个差距非常大的一些。
   
    迮钧权：我是达晨创投的迮钧权，我们是一个传统的机构。最近两年在云计算和大数据领域也布局了很多的投资。有四五十家，我们认为就是一个逻辑很简单的，现在大家提的很多的互联网+，我们认为未来云计算和大数据也会渗透到各行各业。跟今天的互联网一样。谈到大数据，因为在数据无非就是我们认为从三个分析产生，一个是人，还有一个是计算机，还有一个是机器。人就是我们说的消费大数据，这个计算机的模式就是互联网，还有一个是机器。就是工业。工业大数据，在德国最多也就是工业4.0，在美国是工业互联网，互联网工业，中国就是说智能制造2025。
    在工业大数据今天的这个话题主要是讲工业，工业大数据我认为宋总总结的非常好，叫场内场外平台。我们其实也在场内就像这个红绫说的，我们也是红绫的投资人，另外我们也是C2M的栽培，最重要是用户端产生需求，然后到生产端的机器，用户的需求转换到机器上生产，按需生产。对工业就是说宋总说的就是场内场外，大家很多就是说一个是以前是对这个汽车行业，或者是对一个某一个这个垂直的机车的，它在自主产业通过大数据来帮助自己转型和升级。场外，因为送出，人跟互联网未来都是高度融合，互联互通，它的本身就是一个分享的机制。就是人要分享，互联网也分享，数据也分享。你光有场内的数据还不够，还要有场外的数据给你提供一些补充。未来肯定是各种接口未来肯定是开放的。
    所以像在说大数据的过程中，很重要的一个部分是人工智能，谷歌的人工智能引擎已经开放了，也是非常重要的。包括各种接口，前面提到的控制器传输的接口，未来要高度的统一标准化。另外一个就是平台，我认为，我跟宋总不太一样，我认为未来会有大数据平台性的公司出现，开始可能是大家在场内场外，这个数据通过一些分享机制，我认为现在有很多的公司通过SAS服务切入到传统这种企业，工业企业。SAS是现在前两年很火的一个方式是DOSS容器，这个是一个平台性，工业一定也要通过互联网云计算大数据的转型升级的时候，需要很多的应用。我刚才看到有人讲的时候也讲到应用，未来肯定是有很多的微服务通过云计算大数据或者是互联网帮助工业进行产业升级，这个过程中因为有很多的这种应用，可能就会需要一个大的容器，这个容器就是现在开发很火的开放平台这个DOSS，但是这种生态逐步形成之后，我认为未来五到十年可能会出现大数据平台性的公司。这种平台性的公司出现之后，这个数最大的价值是数据量大，而是挖掘数据隐藏的大智慧。数据怎么能大家讲的增收节支，怎么通过大数据节省成本和增加收益等等，这个最终要通过交易解决。这个互联网平台已经涌现了，有了很多的数据怎样来把这些数据形成一些交易，这些交易可能是大成本的交易，有我们所说的APR的交易。我相信未来的五到十年，会有平台性的这种大数据的这种交易平台的公司出现。我认为今天这个主题非常好，第一个是大数据的机遇、产业协同，我们也在这个大数据的领域布局，我们也分横向和纵向，横向我们从数据的采集，包括挖掘、分析，包括数据安全，包括数据的集中交互，传输、个性的计算。纵向我们在行业大数据，工业大数据，消费大数据，包括一些公安、军工各行各业我们也会去做，这个我们会形成一个大数据的一个生态，因为这个也是这个为这个产业的这种协同效应。我就讲这些吧。
   
    李正海：我稍微解读一下这个大数据云平台啊，这个宋总应该这么说，我觉得工业平台它有它的特殊性，比如说产品数据的复杂性、制造工艺的复杂性，每个企业的设备都不一样，加工的方法可能也都不一样。我们从商业过程，比如说这个合同、文本的规范化标准化，把产品数据描述也规范化标准化，甚至我们一些供应商的一些信息，从一个机械企业来讲，以前会说一个产品，这个产品复制，但是真正到整个生态链来讲，这个产品结构就倒过来了。真正让它成为一种整个社会可用的一种颗粒，那么这种颗粒实际来讲有两种解读。第一种是把机械产品变成机械化更加科技化才能做交易。第二颗粒的信息是不是完整，是不是包括我们说的它有商务识别，产品的图纸信息，有的工业数据，甚至说要有相当于它的工业相对的数据。这里面又有一个问题，那我这个上次的单子找谁生产的，我现在就还找谁生产就完了。那么我跟你平台合作一次下次就不要你了。很多人忽略了一个事情，是什么呢？就是数据的动态化。
    说一个细节，我们经常来讲产品设计看起来没有问题，但是到生产的时候就有问题。最常见是什么问题呢？比如说我们边路上的一些器件，发现封装模式变了。这里面如果我作为平台来讲，以前单个企业当自己的产品发生变更的时候，它对所有用过产品去公布一次，会很难。如果是印象客户会更难。我们如果有一个专业化的平台，那我通过平台就够了。作为买方市场的时候，我只要买产品的时候，我满世界找信息，我只需要向平台要就可以了。这样来讲，平台会变成一个凝聚整个生态圈整个主体信息的一个平台。这个平台会变成信息可用的的，有足够的信息量也是动态的，这样来讲它会有价值，这是我的一点看法。
   
    宋雷：都点到我这个观点，我不出现这个事直接就判刑了。再阐述一下。我说把它大数据分成场外平台和场内，其实是从应用的角度。比如说场外就是说我在一个环境里面的固定环境的一个数据流，它主要的目的是为了提高效果，降低成本，解决管控问题。我认为这是核心的东西。那么平台数据更多是应该是直接是为了连接和交易服务的，更多的把人连在一起，把事连接起来，把上宾连接起来，我认为是这个。场外市场是原生态的，我认为场外的市场这个在未来十年在中国它的这些数据，包括它的交易的手段的数据，它最少应该在80%以上。就是说它这个，因为它是反复发生，不断的错位的这种现象。我们内部基本上是流程提供的数据，外部的这种，多与多的错位的数据，它产生的数据就跟结构数据不一样了。
    这样就是说我们在平台里面，我认为由于这个工业商品的复杂性，我们依托一个平台的交易它的这种场景去解决我们工业大数据我认为解决不了，淘宝一家就够了，全国各地的商品，琳琅满目，消费者也占三四亿，消费习惯，它有结构性分析的溯源，有足够大。比如说我们很简单的，我们在一个交易平台里面，刚才你讲的这个发动机的解决它的这个润滑油或者是它的技术，恰恰是定制的产品，平台方不会解决。我认为这样的产品是占大部分，而不是小部分，由于这种的特殊性，所以我们平台里面，在交易平台最终是解决两个事，一个事是标准化产品，这个没有争议是国家的标准，完全按照这个东西来，毕竟在工业产品的这个标准化产品的数量上，也不是这个问题。这是第一个场景。
    第二个解决的不是把商品摆出去卖，而是最优先解决一定是供应链电商，供应链电商会优于这个工业品卖电商的这个东西，未来我们会看到未来可能这很快会涌现出一些围绕供应链的供应商，我们大数据和交易平台就很好的契合了。我们企业之间的协同性就更强了。在销售环节我们企业要垄断市场，不可能把销售开放给第二家企业。大家可以理解我的意思，就是说我们在能合作的领域里面，我们的交易量会上去，我们的数据量会大，我们不能合作的，我们产生信息孤岛，交易孤岛的情况下，我们的数据量一定大不了。在这样的情况下，我认为场外在相当长的时间内，场外的大数据是主流，而场内的大数据只要你无限接近事物本身，还原交易本身，它的作用丝毫不亚于场内。我们从美国来看，这么发达的一个国家，它现在放在工业商品放在平台上交易的很少，而且类似于像华尔街这样的金融机构，它的资产错位的时候，更多还是场外，而不是场内交易。
    所以说我们不要认为不挂在网上交易的都是落后的，这种思想本身就是落后的。
   
    李正海：好。这样吧。咱们欢迎给两位观众机会提出一些自己的问题和看法。咱们这样，宋总的话我也听出来了，我最后再说一句，我把它说成这样的，叫解决能解决的问题。作为平台来讲也不是解决所有的问题的，一定是这样的。
   
    提问1：我想问一个特别基础的问题，就是各位到底怎么理解智能制造它这个产业，它究竟包括哪些东西，我查过南京遒涯公司的网站，它的产品包括云计算还有工业大数据，然后您觉得这个就是职能制造吗？
   
    刘俊宇：智能制造是太大的问题，我当前的水平回答不了，我们希望给智能制造提供一些真正有意义的事情，那么刚才你也提到了，我经常对我们公司讲我们的这个公司的这个业务，我说我们公司业务就三件事，工业互联网大数据都巨大无比的话题了。工业大数据这一块我们在大型能源生产设备这一块，云这一块我刚才也讲了，我们做混合云这一块实现数据的采集和数据的收集和分享。大数据我们是在自己的工业数据分析服务这一块。我们针对对应的是制造和生产，偏能源的，如果说智能制造我觉得可能真正的工业化，就是刚才讲的这个服装啊，还有汽车啊，这些都是可能更扣题一些，我们这边更偏重一些设备的资产管理和运行效益优化，这是我们公司的主营方向。
    我们做这些事是不是智能制造里面呢？我们认为是子课题，我们做的所有事是智能制造大的方向当中的一小部分。智能制造这个事情又好象前两天华电的人跟我们交流，说他们做智能电厂，我也问住了。我说做气能机的管理，然后我也把锅炉的智能化管理做了，然后再把燃煤和发电管理上网管理给你调节做了，但是我仍然不能说给你做智能电厂的项目。这是我的理解，这个智能制造这个真的HOLD不住。
   
    宋雷：我在工厂干过，我有工科学校的背景，我觉得信息化、自动化然后是智能化。信息化是运用数据替代人工的传输信息，结构工序的效果，这是最基本的。然后自动化，其实我们尤其是对流程的自动化，我们降低成本的最大就是把它的能自动化不要把它中段了。然后，才是智能化，我认为真正的智能化本质上就是无人，我们机器代替人，我们的系统代替人，去做我们这个工序岗位。我不知道我看过很多专家，专业的解释。我是从一个微观的角度阐述我的观点，供参考。
   
    孙建：智能制造抽象的说，把智能的物联网通过智能的设备通过智能的生产方式生产出来的智能产品，这是智能制造。为什么提到智能制造，这个是德国人提出的工业4.0里面最核心的一个概念，那这个里面为什么会有这个智能，这个原来都是一些生产设备，也没有什么智能，它里面是CPS，它最关键是里面的信息化和这个软件的部分，它为什么会有软件有这么大的功能实现智能呢，这个跟大数据有关系，把设备收集的数据之后，它抽象建模，它通过理论性的，上升到理论模型来指导所有的设备，那么这里面上升到模型之后，它会有这个智慧的东西，实现能够智能。
    包括以后的传感器，包括我们的物料、零部件自己都是智能的。当然我们的电视网络，我们未来的设想，不是现在的实践，我们提到C2M，是消费者客户这个定制化的需求来的时候，涉及到不同的车间，不同的零部件，不同的自由组合，这些零部件已经被打上标记，它知道我跟哪些部件组合，我到哪个车床设备我应该做什么工作，最后就能够自动化的实现智能化的产品。这是未来的前景，是我们现在的畅想。
    为什么大讲这个呢？这个跟我们整个中国经济的形势大背景有关系。因为现在整个经济处于一个新常态，就是低于7%了这样的状态下，国家也需要中国转型升级，中国之前都是制造行业是在走低端的加工制造，没有什么高端的生产制造，因为我们去过很多工厂，看过他们的车间，但是中国现在富裕阶层越来越多，按照美国日本的标准，就是28万美元这么一个家庭财产，大概中国有两亿，就是到这个阶段了。这些人他们的消费的需求也在提升，整个价值的提升，它现在中国都是这种粗制滥造的产品，就到美国日本去抢购。包括到日本买马桶盖，他们是智能的。中国的企业走出去，除了开源节流之外，它也要把自己的制造的水平提升。包括设备也要提升。这个对我们服务商就是机会，你有困难我们有解决办法，提供不同的平台、软件也好，工业设备也好，我们帮助中国制造业走出这个困境，这是一个挖金的机会。
   
    提问1：中国的制造业可以通过智能制造这个方法实现弯道超车是吗？它现在赶不上日美，它现在借助智能制造的方式，它直接超过工业3.0的阶段，跟日美比肩竞争是这样吗？
   
    孙建：这个有一些方面可以实现弯道超车的。在高端的奢侈的豪华汽车赶不上，但是比亚迪做出来新能源汽车，把你加速到3.9秒，所以我说在某些方面可以实现弯道超车。但是在整个中国来说，我们看中国这几次经济的变化，1979年是改革开放，释放生产力1998年1999年，中国加入时髦，通过国际贸易中国的加工制造业提升了。那么现在中国现在应该说是平稳或者是下滑的阶段，我们新的动力来源在哪，我觉得就是说像德国的工业4.0，包括美国的工业互联网就是我们的目标，我们追赶的目标，我们树立的目标，我们都可以追赶。不然民营企业家还是守着管理的人，他们没有这个压力，压迫他们，他们可能还是没有这个动力的。这个两个方面的。
   
    宋雷：我再抢答一个，换一个角度看。我觉得信息化它的工具是标准。自动化它的工具是PAC程序控制器，我觉得这两个是中国的。而如果到智能化我认为是传统企业，在这个环节我认为是可以干的。前两个确定，就PIOC这个环节，我们国产的流程化软件没有超过SAP，现在到云包括SAS，这个方面来做。因为互联网现在国内发展比较好，有基础作用。可以拼一下。有机会。
   
    提问1：在中国单纯的预警下提到智能制造是不是要信息化智能化都涵盖进去，不涵盖它内容太小了，能不能这么理解。这是我想问宋总，因为您替大三个阶段，但是信息化、智能化、我提到智能制造三个大话题，我是不是都涵盖进去？
   
    宋雷：你说的对。我的自动化一定是软件+PLC，我的智能化软件+PLC加传感器，这是毫无疑问的。我们把智能化做足，这个是一个基础，这是上午讲的工业2.5到工业4.0，这个课要补。但是，有一些个别的企业会优先突破，但是整体我们的数据必须应用。
   
    提问1：像CDMD就是智能化，因为它已经是。
   
    李正海：这样，第一关于智能制造我们国家前段时间刚刚出来一个类似于草案的制造的标准，这个网上都有。第二，你搜一下我个人的名字，我写过智能制造的文章。第三我说一句，关于智能制造它的核心是我们怎么提高柔性化，拿我们国家说弯道超车，这个弯道超车有一个行业我们已经做到了弯道超车。所以大家参照高铁看到我们其他的工业能不能像高铁形成全球的竞争力。
    我理解成说或者是解读成，你必须有足够的柔性，那你凭什么有这样的认识，你刚才说的词说错了，我们会说信息化、自动化和网络化。那么这里面其实你说到智能制造必须要有大数据，所谓支撑，但是这面包括一系列的软件，包括技术模型，包括数据，这样来讲实现制造的智能化，是这样的，这个扯的有点长啊。我们简要把下面的一个话题，我先解读一下，希望大家简略的说一下这个话题，我觉得这个题目促成大数据在工业应用的瓶颈，这是两个问题。时间的关系我们重点说说，这个创新应用的一些方向性的探索，我们发表一下探讨。
   
    孙建：创新应用也是针对这个瓶颈，解决这些瓶颈，解决这些问题通过一些创新的应用。还有就是说为什么要有创新应用，要跟竞争对手不一样，不仅仅是只是一个改进，还是能够完全创新的。这个因为大数据是这个工业互联网，产业互联网，我们现在说互联网+，互联网+通过BAT这些消费互联网他们这些公司做了很多的模式，包括这个人工智能等等，包括云服务，我们现在也把这个模式技术啊，所以在工业制造领域，这个也可以借鉴他们的模式。刚才强调这个混合云，您提到那个软硬结合，把这个云放在一个合理的地方运用了。
    还有借助私有云和共有云的结合的模式。比如说我们做这个MIS和PS，这个它要做计算方案的模拟，也会是一个大量的数据运算，纯共有云的模式也不是非常适合的，因为有一些工厂的车间，设备的数据可能比较的敏感，不一定用户愿意放在共有云上，我们也可以采取混合云上。一部分是在私有云里面，但是我们通过BP专线虚拟私有云的模式，可以把纯计算的东西放在共有云端，这个我们也在探索这个模式。
    还有在云服务领域，刚才也提到了这个概念，这个是借用于刀客的，刀客从技术领域是属于PASS，它是把一个虚拟机把它更虚拟化，更细化到一个服务层面，这个服务它还是指的是应用软件的服务。下面我们这里面在工业大数据里面，我们可以提到比如说我们这里面跟你的计算没关系，主要是跟业务有关系的。比如说存储，物流，采购这些业务，这些业务放在云端，它之间右边的信息的孤岛，是SAS化，如果只是把软件放在云端，我们觉得还是一种纵向价值链，大同这个横向价值链，我们通过平台的方式，我可以借用这个微服务的模式，我们可以把这些刚才我提到的采购、销售，包括客户，甚至带到最终用户端的交易和这个生产这里面的无论是生产计划排成蔡楚物流，我把这些东西拆成微服务，我不像SAS一个一个的系统，都是一个服务，这个服务进行自由组合，根据每一个用户，我们在云上的企业的大数据工业里面的他们的业务模式组合，任何客户都可以组合起来。而不是一个系统通过SAS模式通过售卖。这个也是一种创新。
    其他的能在风控这方面在车间这方面，我们涉及到一些数据的采集，就是一些公共数据的采集。大部分的工厂面临这些数据怎么去，能不能完整的采集到，另外采集到之后，不同的风控设备协议就不一样，怎么样能够把这些协议能够大同，或者我们叫标准化。原来我们在IT的行业里面，计算机和计算机通信也有很多的协议，甚至包括有ATM还有汽车的协议，现在基本上统一了，因为有标准协议了。那么这个在协议，也需要可以去构建一个标准化的。这里面可以分享的一种，是我想到的一点。
   
    宋雷：我举一个残酷的现实，其实据我了解，中国的很多行业，包括钢铁水泥化工有色等等，其实都是应该说在过去的十多年左右的时间快速发展起来的。我们的装备水平在世界上不亚于任何一个国家，甚至是总体平均水平是最高的。比如说拿钢铁来讲，我们拥有世界上最好的装备，但是我们生产不出世界上最好的钢铁。大家知道宝钢是中国钢铁行业最好的企业，他们的产品质量是第一名。宝钢从日本的企业引进整个全流程的时候，搭了几千万美金买了两本书这两本书就是操作手册。我想说什么？我们现在这个社会太浮躁，我们要想真正的实现大数据在行业里面的引领创新和推动，我觉得最先做三个事。
    第一要有耐心去沉淀东西。沉淀东西，真的太难了。我们现在恨不得马上变现，马上如何如何。我们企业自身的这些数据，其实都流失了，没有很好的应用。我们现在用最好的设备生产出来的钢铁干不过像欧洲的40、50年前的设备生产钢铁，真的比不过。
    第二我们现在叫大规模的这种生产化流程化状态下，我们每一道工序，每一台机器本质上都是数据型的机器，我们关键性的社会为什么从国外引进，我们对运行规律，运行数据的整理分析建模再加上能力水平，就是其实我们败在机器上是在自动化上，败在自动化上是软件上。
    第三，大家看到我们现在讲工业流程的大数据的应用，我们工业流程我们在一个企业内部它要从源头贯穿到重点的这个过程，我们有多少企业有这样的整体的数据的一个集中处理的平台？很分散，我们在自动化这个阶段，我们出来一个分布式，去解决核心工序这种这个坚实。它的依托的技术是PS。我们到了互联网大数据的阶段，我们实际上基本上很少有企业能够突破这个瓶颈，这些各个工序各个阶段，社会化的数据，财务上的数据，甚至稍微一点的数据，很分散。能源还有一块数据，搞一块能源化。这个我们如何把这个企业内部的这个企业切割的这种信息孤岛分散化，如何进行整合，我想我们应该真的应该认认真真做做内功，把浮躁的心去掉，如果我们眼睛只盯着高大上的东西，我们不脚踏实地的做事，我们不要说超越美国欧洲，我们可能差距还会拉大。就这么简单。
   
    刘俊宇：先刚才这个主持人说过，说瓶颈问题，我们工业大数据核心的瓶颈是什么？没数据。我们跟海油做了五年，解决了一件事情就是数据，就是终于能把它一百多个机组在各个分公司统一在一起，才能输送给我们学院和研究机构，这个事我们用了整整五年时间，特别痛苦。海油是在三个能源中最先进的，我们去了石油，石油完全另外一个风格，跟我们没有达成合作，但是事实上他们在数据上也出现很大的问题。
    我为什么要做混合云，我就是要给企业扎扎实实放一个小盒子，让它用很低的成本能够启动大数据项目，我们的人就在电厂待着，帮他们采集一个一个数据的采集。西门子的GE的等等，没有一个电商说变成几个品牌搭建的，这个事我们已经做了13年了，以后还会做，这个也将会是我们的核心工作。刚才提到创新应用，我们这边小盒子是一个创新，我们希望把数据收集上来。
    同时回答一个问题，为什么工业领域不有大一统的问题，GE要做这个事情，它要吃掉整个工业领域，然后信息满满要做信息界的微软，要做安卓，要把分析厂商变成APP，但是除了它自己在全世界采购，这个就是刚才说的，可能会，但是一定会很多，在中国尤其多。刚才我们说谁是平台，林总是平台，它现在云端是平台在做，我们干好了也是一个平台。宋总是交易运行数据平台。这都是典型的创新应用，也都是解决了一些很累不太有显性价值的事情。真的很难，头发都干白了30多岁。讲一个小笑话，我们希望以后李杰老师说大数据的未来是无数据，我们已经达到了，我们反推过来还是要把数据质量做得更好，希望有一天有招变无招，达到无数据的阶段。
   
    肖：我们关注中小企业，在过去几年是做中小型企业。实际上就是大家最忧虑是出路的问题。现在一部分就是企业用户寄托于国家的各个部委，因为比如说我们跑了很多资产商，他们这个产能过剩的非常严重。如果我们的这个习大大真的把一带一路跑通，那么他的设备卖给东南亚的发展中国家，支持他们的经济建设，这部分的产能就小了，那么这部分企业就发展了。
    但是他们现在面临的问题，是这些设备的运维，这些问题是需要用一些信息化来布局的。
    另外一个就是我觉得创新谈不上，我们从帮助这些企业们去解决他们现实的问题的时候，我们想到我们做一项东西，能够支持去把这个设备卖到很远的地方。
    第二基于大数据这种DOS应用，帮他们转变他们的业务，这里面确实已经有客户在做这样的分析。而且，已经取得了一定的效果，就像我们的那个，我们有一部分客户从原来的产品，就是产品一次性售卖，把东西卖了一锤子买卖，然后向服务升级，它把它产品的上下游的一些相关的一些服务业务承载，然后变成它公司新的赚钱的一些方式，很多客户在做。但是它做这个事情之前它一定是给你人的业主更好的手段，变成成本有几个途径。比如说原来它的用户或者是业主可能要用两个人做好，而它的人一个人就可以服务好几个客户，这样它才能有成本优势。
    第二它在运维业主的这些装备的时候，它有更好的省电，省配件，提高社会运营效率的手段，他们它签服务合同的时候，他才能以运维更低的合同价格，同时它有更高的利润。他在做这个事情的时候要具备几个条件，第一在这个行业有它的专业壁垒，它知道怎么干这个事能够省钱效率更高。第二借助一些信息化的平台，没有这些信息化的工具他做不到。
    所以我觉得我们帮这些用户去用这些信息化的平台帮助他们把数据收集上来，进行数据分析，能借助这些工具让它实现成本的更低，然后对设备应用效率的不断的提升，能让它成长这样的服务的业务，其实是帮它开创一些新的模式。那么这些有想法有创新的企业，在新一轮的市场竞争中，它会生存，会抓住一些新的发展机遇，这是我们所看到的几点，谢谢。
   
    迮钧权：前面几位都是实战，我是投资主要是干实业的，他们是实战派，我有一些感受。就是说大数据在广告、消费这些领域的应约越来越成熟了。我很少参加一些会议，看到的项目最多的是讲大数据的广告行业的应用，或者是消费领域的应用，这个工业制造业很少，我认为这个行业可能是一个瓶颈，这个需要创新，创新是几个方面。
    第一传统工业的制造业它缺少数据的人才。IT人才缺乏。但是作为大数据的行业的人，懂工业制造业的又很少，这个行业要有创新，这个跨界学习这个非常重要，所以需要复合的创业团队。这个领域恰恰也是未来创业智慧我认为非常大的一个变化，我的感受是这样的。谢谢大家。
   
    李正海：这样，咱们最后的对话题目，我觉得这样，我们每个嘉宾一句话来对工业大数据做一个总结，或者点评。
   
    孙建：我们是希望工业大数据跟消费互联网进行有效的高度的整合。
   
    宋雷：没有最大，只有更大。
   
    刘俊宇：我希望有更多的人加入到工业大数据这个行业里面，更多的人。
   
    林威汉：我是希望工业大数据能够帮助中国的企业走出困境，找到新的发展机遇。
   
    迮钧权：主持人问的第一个问题我把第二个问题顺便回答了，问第二个问题我把第三个问题回答了，工业制造业大数据的参与方式，到2025年我认为肯定会有很多的独角兽，谢谢大家。
   
    李正海：咱们的对话环节就到这里，非常感谢各位嘉宾。
   
   
    主持人：今天下午的王建伟因为今天上午在广州原计划是中午的航班赶回来，由于行程被调整，所以他还在广州，这个我们的时间运用的非常好，这个对话也非常的精彩。下面最后一项进入到我们最后一个环节，是2015年中国工业大数据竞争力评价的发布，这个发布是我们花了很多的心思，因为现在整个工业大数据到目前为止是处于起步阶段，我们在策划这个活动还有评价的工作过程中，也查阅很多的资料，在国内目前为止以工业大数据为主题的活动几乎还没有。那么我们会把这个活动以及这评价会坚持做下去。做这个评价我们有这样的一个原则，八个字是以评促建，以评促用，本质我们是有这样的一个原则制定工业大数据的一套竞争力的评价指标，这个指标现在还不是很成熟，但是我们这次先做尝试和应用，在这个过程中我们既通过企业端搜集一些企业的信息，同时我们也把赛迪智库工信部做支撑的过程中拿到的一些信息，包括企业报送各种项目的相关的资料我们也做了分析。做这套评价我们着眼于工业经济的发展，挖掘大数据的应用，和工业转型过程中的创新和运用的典范，这些运用到目前为止还是局部的，我们是面向服务企业，这个服务企业包括大数据的技术解决方案和服务的提供商，评价的这个十大创新引领，也面向应用单位，主要是工业企业来评十大运用典范。下面，我就进入宣讲这个环节。2015年工业大数据竞争力评价十大应用典范，这个行业是没有顺序的。沈阳古风机集团有限公司，他们是云服务平台；安徽中烟工业有限公司他们是合肥卷烟厂平台，第三三一重工，他们是智能装备制造；上海振华股份有限公司，他们是基于大数据项目起重机远程服务的平台；大全集团有限公司，基于大数据的电气行业智能制造的云服务平台。金核服务有限公司；七中興代卡股份有限公司，他们是基于大数据的生产协同信息管理平台。八鲁泰纺织，他们是基于虚拟试衣和大数据技术的网络化定制体系。九内蒙古伊利实业股份有限公司，十杭州九阳小家电公司。以上是十大应用典范。
    下面是十大应用创新引领。包括技术和解决方案还有服务的提供商。第一北京智慧联合科有限公司，他们是工业企业大数据情报服务平台。第二华夏信融信息技术有限公司；第三曼威网络科技有限公司，C2M工业大数据平台；南京遒涯信息技术有限公司，他们是搬家云大数据平台；上海经过发展有限公司，六北京蓝光科技有限公司。七湖南华曙高科技有限公司；八唐宋大数据产业有限公司；九亿阳信通股份有限公司，大数据采集挖掘建模分析可视化一体平台；武汉泰迪智慧科技有限公司，他们是大数据行业一体化运用平台。有请我们部分的获奖的代表上台领奖。有请颁奖嘉宾，是中国工业评论的总编辑。有请各位代表上台。
   
    （颁奖）
    主持人：2015中国工业大数据大会就圆满结束了，未来我们以年度为单位持续做这个活动，持续推进大数据应用的评价，鼓励更多的企业和人士投身到工业大数据的工作当中来，谢谢大家。