谁？与数字转型有关？

    当然，要找到这些专家本身有一定难度， 专家即要懂得IT也要懂OT是很难的。我们可以选择哪些有偏重，但更有融合与创新思维的专家组建团队，是特定业务功能内的领导者或是支持组织的技术研究员。尽管这些数字化转型的其他领域在商业案例开始前不需要被完善，但它们彼此相互连接。就这一点而论，工业公司不将技术投资看做一次性的商业案例而是将其看做符合运营架构目标、依靠越来越成熟的卓越运营以及支持长期战略目标的商业案例过程非常重要。

    选择解决方案需要做好协同工作规划

    在落地数字化转型的过程中，我们的企业通常的做法往往是先选择解决方案，然后由解决方案推动框架的所有其他部分。这种做法是延续多年的经验后的一种最佳实践，好的一面是我们可以通过某一个方案来快速建立标杆，类似与Quick-win，然后給管理层以及其他部门起到示范效应。不好的是，在封闭状态下选择解决方案成功概率很低，很多时候是撞大运的感觉。

    创新的变革的目标是确保标准方法和过程可以得到使用。但是，我们从《易经》的道理当中发现：变的结果，有80%是不好的；只有20%堪称变得良好。我们常说“人生不如意，十常八九”。所以，即便试点成功，未来的推广与变更管理将成为难以逾越的挑战。

    这里我提倡我们需要有创新的思维，特别需要考虑将各项活动与落地工作置于更广泛的措施之内，协同工作非常重要。为取得全面的持久成功，不可以操之过急，需要花点事件，建立量化的有效的解决方案选择程序来消除偏见，还需要建立包含IT、OT以及跨职能业务领导等所有组织相关部分的团队。

    运营架构需要跳出传统应用实现扩展新模型

    转向新的运营架构模型时，制造型企业急需转向扩展的企业架构范畴。这种扩展的范畴应主要用来对“物”，供应商、内部运营、客户和产品等整个价值链的应用程序进行管理与优势分析。同时它也应该扩展包括云/内部部署和时间系列/结构/非结构化数据类型在内的应用和分析环境。整个的扩展架构是通过工业物联网平台把运维，供应商，客户与产品全面的连接，依托云计算、数据模型，结合数据湖等数据与应用的分析平台与工具，最终实现整个价值链上对“物”的管理，来实现企业应用与协同的优化。

    当构建这一架构的时候，我们应该跳出传统制造业的应用，类似于MES，ERP，PLM和CRM等传统应用，而要更加专注于企业需要的特定功能。通过特定功能，将分析，规划与执行中所有的特定元素由高层体系架构传递并映射到公司系统/管理系统/价值链系统比如，组织的第二层级结构性数据分析的运营架构和应用程序将在很大程度上映射企业应用的传统范畴。

    企业在数字化转型中，不仅仅需要管理平台，安全性以及控制系统，更需要与新一代IIoT协议与门户的数据流的自动化基础设施的融合。我们目前的制造型企业大量缺乏对运营过程中的设备和资产进行优势分析并且与企业应用一起用传统方式进行管理的运营架构是我们在落地中国智能制造的又一重要挑战。许多制造型企业担心转向IIoT技术会涉及到转向使用专有云和门户。然而，对于大多数公司，这在不久的将来会是一种可控的混合模型，那时信息仍以传统的方式流动，也在这些新的淡化的层次结构内流动。这意味着企业将需要设备、门户、内部部署和云之间协调的数据和连接模型。也意味着工厂车间一如既往地需要经济有效的、冗余的容错连接、计算和支持转向IIoT的存储环境。最终，个人与运营的特定元素将被整合在一起。

图2 工业数据分析

    制造运营管理的未来是集成与协作平台

    在大数据的概念到来之前，很多的制造业企业已经在做全方位的分析，包括描述性分析、诊断性分析、预测性分析和规范性分析，而且很多企业都做的相当成熟，也产生了不错的效益。传统上，这些分析一直专注于分析结构性数据和时间序列数据以处理行业内的关键驱动因素：质量、生产、资产、交付、创新等等。

    从数据结构来看，工业数据传统上都是相对较好的以时间序列存储的结构性过程数据，或是以结构性数据存储于企业应用程序的交易数据。从工业大数据概念来看，我们现在必须面对如何处理大量且高速率的数据。随着工业物联网的应用与广泛采纳，数据开始包罗万象，其中可能包括以图像、视频、光谱，热度，声音等非结构性数据。所有这些数据类型并涌而来，我们基本可以采取相对通用的IT分析定义，并将其应用于产业空间。

    随着大数据的解决方案不断涌现，新的分析法同样雨后春笋班的出现，特别是在预测性与规范性分析。机器学习是这些新的大数据分析的通例之一。尽管开发这些工具的初衷是分析大数据，它们也能用于任何数据集。这些新的分析通常都专注于数据，而传统的工具则是具有模型与流程特定性，这给缩小使用大数据分析的数据科学家和使用传统的基于模型的分析的工程师之间的差距带来了一些挑战。

    新一代规范性分析实质上已经不只是选择下一步该做什么以及优化运营和实现创新。我们将在实际的功能改进中来检验这些工具，从而检验工业物联网下大数据如何能够加速从对它们的利用中获取价值。