鋼鐵冶煉、水力發電、工業品生產、化工制造……這些現代工業文明的基石，在互聯網的沖擊下，變成了又土又傳統的“夕陽產業”，連相關從業者都為自己落后于時代的現實而惴惴不安。
與此同時，對所有互聯網企業來說，工廠像一個黑盒子——越是精密制造的工廠，越不愿將工藝流程輕易示人。
所謂工藝流程，實際上是一系列工業設備的生產參數。
對于精密制造來說，產品質量中的70%由設備的生產原理決定，30%由現場環境決定。生產原理是機械學院、化工學院、電氣學院等各大工科院系鉆研出的科研成果。另外30%的影響因素，來自于生產現場的溫度、適度、設備的磨損度等。
工業大數據分析實踐中大家經歷過很多這些情況。比如，檢測水輪機的傳感器應該布在哪些地方，既能保證運行安全，又能保證成本？再比如，軋鋼廠的軋輥磨損程度不同，需要的參數設置也不同——相關的隱性知識都刻在工業人的大腦里。
這些都是工業企業在數字化轉型中的典型難題：
如何將工程師腦中的隱性知識沉淀下來？
如何讓制造業企業不用擔心工藝泄漏？
大數據企業如何突破各個行業的專業壁壘？
深耕工業大數據的昆侖數據，通過自研的K2平臺，將隱性知識梳理成圖譜，將行業知識抽象為產品，降低業務人員使用大數據的技術門檻，加速企業數據價值的釋放、領域知識的沉淀和數智化轉型。目前昆侖數據已服務清潔能源、顯示面板、高端電子、鋼鐵冶金、新能源商用車、動力裝備等領域。
作為企業的大數據合伙人，昆侖數據如何幫助工業企業探索數智化無人區？
作為大數據公司，昆侖數據如何在不同行業間實現復制？
更重要的是，如何真正邁入1萬億規模的工業互聯網市場？
01
沒有業務價值的技術炫耀，都是耍流氓
過去要解決數據問題，工廠的做法是找一個技術服務公司。
昆侖數據早年也接過服務項目，但昆侖數據CEO陸薇發現兩個問題：一個是保密性，工廠不見得愿意把核心工藝告訴服務商；第二是標準化，行業間差異很大，定制開發不是一個好的商業模式。
工業大數據本質上是將特定工業場景下的經驗知識，以數字化模型或專業化軟件工具的形式積累沉淀下來。
如何在工業生產領域形成標準化的產品？這是昆侖數據面臨的最大難題。
深思熟慮后，陸薇決定升級產品——將行業經驗抽象成產品，降低數據使用門檻，讓工廠的技術專家更好操作。
不會寫算法沒關系，昆侖數據有辦法讓業務人員像用Excel表格一樣操作昆侖數據的平臺和產品。這樣，一線的業務人員也可以基于昆侖數據的平臺開發自己的個性化應用。
“我們想做工業數字化領域的SAP。”陸薇說，“SAP把經營管理的最佳實踐沉淀了下來。我們也一樣，我們把工業領域的生產經驗，比如怎么做設備健康管理，怎么產品質量檢測等都抽象為模版，將行業知識進行數據化，沉淀在我們的平臺上。工業專家把這個模板拿過來，根據自己的行業特性調兩個參數，就可以直接使用。這是我們正在做的事情。”
這個目標背后，昆侖數據要實現“3T融合”——operation technology/運營技術，Information technology/信息技術和data technology/數據技術的融合——也就是把很多工業的專業知識跟數據智能結合到一起，變成了產品的一部分，產品中包含很多行業解決方案。
昆侖數據內部集合了大量數據專家和信息專家。陸薇本人畢業于清華大學CAD（輔助研發）專業，在IBM工作14年，曾負責IBM全球物聯網系統。
但工業門類眾多，隔行如隔山，如何獲得鋼鐵、電力、化工等領域的專業知識？如何在各個工廠之間實現復制？
昆侖數據首席科學家田春華回憶：“深入行業之后，數據分析反而成了一件簡單的事，難點是，你要知道什么時候、用什么數據、看什么東西，這種聯系行業專家有時也講不全。所以我們最好反過來，不是我們去學習工業知識，而是把數據分析技能交給行業專家，通過把工業人變成工業數智人，實現工廠的數字化轉型。”
02
通過人的轉型，實現企業的轉型
書面地講，昆侖數據的核心能力是：
數據資源化：提煉工業數據管理實踐經驗，降低數據使用門檻 。
知識結構化：內置創新領域知識驅動的工業數據分析方法論，降低數據分析門檻。
研用一體化：提供分布式云+邊協同框架，降低應用部署難度。
通俗地講，陸薇認為，昆侖數據本質上是在做培訓，“我們是通過把工業人轉型為工業數智人，通過人的轉型來實現企業的數字化轉型。”
如何培訓專家？田春華介紹，昆侖數據通常的培訓方式分為三步，持續半年時間，一次培訓大約10人，一個企業學會數智技術的業務員如果能穩定到十幾個人，這部分業務基本就撐起來了。
在培訓中，第一步是建立認知——先讓客戶了解大數據能做什么，不能做什么，用案例形成一個共識。
昆侖數據在進入企業之前，會先對企業講清楚，“我們不是賣給你一個現成應用，馬上解決良率問題、效率問題等等。昆侖數據交付的是一種能力，讓你可以自己去解你這些問題。”
第二步，做數據梳理。通過展示過往相關行業的參數列表，讓客戶照做一份表格，列出本行業的關鍵設備與參數。
第三步，進行大約半年的實操練習。
昆侖數據的平臺和產品主要包括K2Assets®工業數據智能平臺，平臺里儲存著沉淀了行業經驗的各種算子。
在昆侖數據的算子庫里主要有三類算子。
通用算子：包括通用的數據預處理、機器學習、時間序列分析等。
領域算子：包括傳感器分析、振動分析、熱力學算子等。
行業算子：包括水電、風電等具體行業分析領域算子。
行業算子專注于特定行業的特定經驗，適用范圍較小。領域算子不如行業算子那么抽象，比如判斷機器設備上的信號是持續上升，還是振蕩過大，這種經驗行業之間可以相互借力，相互流通。通用算子是最常見的大數據應用模型。
通過平臺與算子，工業技術專家可以以非編程（低代碼）方式，自主完成數智化創新應用開發，并將其創新成果快速部署和應用到現場，實現自身工業知識的數據化、算法化、軟件化。
03
通過服務巨頭，參與搭建細分行業的產業平臺
對陸薇來說，通過培訓工程師，昆侖數據可以同時覆蓋多個行業。
沉浸工業互聯網二十多年，陸薇一直在思考什么樣的軟件最有價值。她的結論是，上云只是手段，工業互聯網是價值場景驅動的，不是技術平臺驅動。
把互聯網放在一邊，單獨看產業——產業本身是一個不停交易和流通的鏈條，上下游企業之間一直有業務往來。只是原來的業務往來是通過表格、電話等方式，如果能用互聯網的手段支撐起交往過程，理論上應該會效率更高。
誰最適合搭建一個產業平臺，用互聯網的方式賦能上下游企業？陸薇的結論是龍頭企業最適合成為產業鏈的鏈主。
首先，只有大客戶才想自主創新，腰部客戶最想要的是現成的解決方案。其次，不少工業龍頭企業正在思考轉型問題，尋找新興業務。這樣的龍頭企業最適合借助已有產業鏈，在傳統業務之外，搭建一個為行業服務的垂直行業互聯網平臺，服務整個行業。
對昆侖數據來說，通過服務巨頭，參與搭建細分行業的垂直平臺，昆侖數據可以實現對一個行業的覆蓋。
東方電氣集團是國內最大的發電設備制造企業和電站工程承包。在進行設備運維管理時，東方電氣集團借助昆路數據的技術能力，打造“云+邊”的遠程監測與智能診斷云平臺，進行健康評估、故障診斷、運行安全性分析等模型的數字化迭代和軟件化部署，提高水電機組運行可靠性，降低運維成本。
東方電氣的遠程運維智能App都運行在昆侖數據的技術基座上，昆侖數據也會隨著他們的市場拓展，服務更多的水電站用戶。
雖然找到了好的商業模式，但昆侖數據也不能隨心所欲地進入任何行業。最大的制約因素是企業的數字化基礎設施不完善。
要想實現大數據，前提條件是要搜集到足夠全面的數據信息。
工業互聯網本身是一套復雜系統。從橫向集成的角度看，制造企業需要通過平臺去連接人、機、物等各類工業要素，獲取各種設備實時數據和生產過程數據，再結合行業的生產原則，構建相應的生產模型。
從垂直應用的角度看，以數據為基礎的智能應用，通過沉淀行業知識和經驗，可以顯著提高生產效率。
工業互聯網發展空間巨大，但是如果產線半自動，數據搜不全，大數據就毫無用武之地。“企業買硬件的錢比買軟件的錢貴得多。”陸薇忍不住吐槽，畢竟很多企業還在補信息化的課。
實際上，工業大數據比較成熟的應用場景，都集中在生產制造過程優化、供應鏈管理、預測性維護等具有較高行業特質的場景中。真正要實現各行各業的工業互聯和大數據計算，還有一段路要走。
