2016-2017工业4.0物联网–工业分析概述

“数据是新的石油。它是有巨大价值的，但如果不精确，它不能真正使用。它必须改变成气体，塑料或化学品，以创造一个有价值的实体，推动有利可图的活动;所以必须前言分解数据，分析它有价值。”

-CliveHumby 2006

前言

工业分析演变从一个孤立的业务功能转向战略能力,影响任何工业企业在未来的竞争力。

今天，我们面对着一个“数据驱动”的世界，它的变化比以往任何时候都要快。大量的新方法、工具和技术正在进入管理领域，往往伴随着各种抽象的术语。目前，数据分析的世界似乎被视觉所主导，而不是大规模的实现。现实表明，工业分析还有很长的路要走，最终是有希望成为战略和可伸缩的业务能力。

因此，德国数字分析协会开始更好地了解工业环境中数据分析的当前状态及其在今天关于物联网和其他举措（如“工业4.0”）的讨论中的作用。本研究由DigitalAnalyticsAssociation.发起和管理。德国（DAAG），该公司运营一个关于工业分析专业的专业工作组。

特别感谢HewlettPackardEnterprise，以及CommaSoft和KianaSystems为本研究提供支持和资助。研究所需的所有研究和分析相关步骤，例如访谈，数据收集，数据分析和解释，都是由作者完全进行的，不受外部影响。

该研究的目的是准确描述工业环境中数据分析的当前状态，从而弥补这一主题上现有的信息差距。此外，这项研究也代表了数字分析协会的基石。其任务是支持决策者和数据分析人员进一步发展需要并被认为至关重要的技能和能力。

本报告包含：对151位分析专业人员和工业公司决策者的深入行业调查结果。工业分析的介绍，其与物联网和工业4.0的关系，分析如何随着时间演变，机器学习是什么以及工业分析为行业带来的价值和模式。

实际工业分析项目的3个主要案例研究（在能源，医疗保健和汽车领域），进一步了解诸如：如何组织工业分析，哪些技能建立和如何处理这些项目等方面。

我们希望您喜欢阅读，为您的工业分析项目或您作为数据分析师的个人技能开发获得见解，并受到启发，通过工业数据分析扩大可能。

报告摘要-概论：

---

工业分析-感知它
1.现状-公司承认巨大的重要性，但尚未完全建立

分析对决策的重要性正在增加：分析在20世纪60年代和70年代开始只是运营支持。今天，它越来越多地用于推动决策。在将来，它将用于自动化决策。

15％的受访者认为工业数据分析是当今企业成功的关键因素，69％的受访者认为这在5年内至关重要。今天，68％的调查参与者表示他们有一个公司范围的数据分析战略，46％有一个专门的组织单位，只有30％完成实际项目。

2.价值驱动因素-增加收入被视为主要驱动因素;预测维护作为主导应用

人们认为增加的收入是工业分析的主要价值驱动因素（33％加权分数）。增加收入可以通过三种方式实现：升级现有产品，更改现有产品的业务模式或创建新的业务模型。

尽管今天可以看到一些与效率相关的项目，但成本削减被认为不太重要，只有3％（加权分数）。工业分析在未来1-3年的三个主要应用与机器的预测和规范维护（79％的受访者认为重要），客户/营销相关分析（77％）以及产品使用分析在现场（76％）。

3.分析-慢慢转向更复杂类型的分析

在各种项目中部署的分析类型从描述性分析转移到实时分析，预测分析甚至规定性分析的应用程序。电子表格的重要性将下降（5年内从54％降至27％），而商业智能（39％至77％）和高级分析工具（50％至79％）的重要性将急剧增加。

物联网给工业分析带来了额外的挑战，包括实时数据流，大型数据集管理，时间戳数据存储和全新的使用案例-大多数公司认为他们在收集物联网相关传感器数据60％的调查受访者），但只有少数人表示他们从传感器数据（32％）获得正确的见解是好的或优秀的。

4.模式转变-工业分析改变长期制造原则

敏捷项目开发正在取代基于瀑布的项目规划。58％的调查受访者表示，他们今天为其数据分析项目采用敏捷（通常也是“Scrum”）方法。

其他模式转变包括平台和开放生态系统的创建（例如，公司正在建设B2B市场和应用商店），重塑完善的5层自动化金字塔（软件架构），以及增加灵活性和专业化的制造业通过制造即服务。

---

工业分析-使它成为现实

1.启动项目-通常采用探索性方法并使用开源工具

在寻求拥抱数字商业模式和利用数据的力量，企业越来越多地以探索的方式开始项目（34％使用探索性方法）-仍然，大多数（66％）的项目接近清晰的假设（假设驱动方法）。

在构建工业分析项目时需要解决4个方面：数据源，必要的基础设施，分析工具和应用程序。

使用开源分析工具越来越普遍：接近三分之二的受访者（64％）在其数据分析项目的某些方面使用开源工具。

工业分析项目的最大成本包括获得数据访问（21％），汇总数据（17％）和执行数据分析（14％）的初始阶段-最昂贵的单个项目与软件相关，应用程序开发（26％）。

2.组织和人员配置-最高管理层驱动，外部实施-弥合数据科学技能差距

工业分析越来越多地由高级管理层发起-34％的受访者表示，CEO是推动IndustrialAnalytics项目的首席执行官。

大公司没有在一个特定部门集中数据分析（只有33％）。相反，许多大型工业公司在外部数据实验室，数字实验室，孵化器或加速器（55％的受访者）中外包了一些数据分析活动。

最大的技能差距目前在数据科学。（92％的受访者表示重要或非常重要，但只有22％的受访者在船上拥有所有必要的技能）。机器学习作为数据科学不可或缺的一部分，也代表了一个巨大的差距（83％vs33％）。另一个重大缺陷可以在物联网/M2M基础设施（68％vs17％）。

数据科学团队是多样化的，通常包括总经理，工业专家，数据工程师，数据开发人员，机器学习专家和数据分析师。
3.挑战和进一步的建议-关注互操作性问题，数据准确性和塑造数字思维

部门重叠任务（60％）和建立业务案例困难（60％）是IA项目最重要的业务挑战。

数据分析IT/OT堆栈（78％），数据准确性（62％）和从数据中获取洞察力（62％）的不同组件之间的互操作性是最大的技术挑战。进一步的领导建议：塑造数字思维，定义战略角色，开始小规模，定义能力路线图，采用数据治理策略，并启用支持功能。