数字化转型
331 浏览
620 浏览
Airbnb数据科学团队进化论：如何由内而外实现数据驱动
机械自动化类 其中之一 2016-10-12 14:45 发表了文章
虽然团队组织结构的演化允许数据科学家团队繁荣兴旺，但是公司的成功源于“精准定位”于两件事：发自肺腑地关爱员工，积极主动的数据驱动决策。不论是开发可持续利用的开源工具还是奋力改进数据科学部门的多样性，Airbnb数据科学团队负责人Alok很清楚，Airbnb追求的事都要贯彻这两个原则。
◆ ◆ ◆
超级增长：短短几年，从5到70+数据科学家
[login]
在2013年，Airbnb只有一个5人数据科学团队，集中地为公司的数据需求提供服务。此后，他们成长为最大的、也是最有创意的创业团队之一，拥有超过70名数据科学家，服务于不同的商业部门。除了招聘时坚持高要求和贯彻师徒制外，组织结构也是团队顺利增长的关键。
Alok把将集中的数据科学家部门分成小的嵌入式团队，与商务伙伴们坐在一起工作形容为“呼吸新鲜空气”。与之前的结构相比，他说新的模式对公司而言，“非常给力”。
这个变化是跟随着“到底什么是数据科学家”的观念而演化的。很多人同意Alok的说法，认为数据科学家这个词“已经超载”了。他相信，除了数据科学独角兽，其他人应该可以被分为以下四种角色，才会更好地分配工作：
数据工程师-他们接手乱七八糟的数据，打理到可以分析的地步。
产品建造师-他们建造数据产品供用户使用。比如，建造一个推荐引擎。
数据分析师-他们提供主要的分析框架，从中发现商业机会。
数据实验师-他们知道如何设计和实施实验。
数据科学团队如何解决快速扩增中带来的生长痛？Alok告诉我，创新和数据科学团队的演化正是源于公司的两个极端要求。
第一个是Airbnb将自己定位为竭力保证员工的快乐，成功和被重视。比如，投资于新员工入职的数据培训，建立师徒制，参加会议等，都是Airbnb培养员工的重要途径。
另一方面，Alok强调，Airbnb又是一家非常重视指标和目标驱动的公司。关于第二条公司文化准则，Alok强调了Airbnb在做商业决策时，是极端的量化和目标驱动的：
“我们所做的一切事情都是深思熟虑的，非常量化的，也是精准集中在我们的目标上的。”
这里传递的信息是，Airbnb已经，至少部分地对它的数据科学团队的质量做出了承诺，摆在首位，作为一种实施它的研究驱动的行为模式的方法。
在我们接下来的谈话中，Alok与我分享了Airbnb的数据科学团队如何取得成功，建立凝聚力，为自己和用户获得更好的结果。珍惜员工福祉与量化驱动决策这两个方面齐头并进，通过这样周到细致的定位，很明显，二者的珠联璧合使Airbnb的获得了进步。
◆ ◆ ◆
建立规模化的知识分享生态系统
在Airbnb，生产力和创新严重依赖于知识共享。Alok带领我参观了他们的努力集中的三个领域：流程管理，数据在组织内外的普及和可循环利用的研究。
Alok描述了Airbnb如何重金投资数据授权团队，来开发整个组织的流水线、标准流程。其中包括查询工具，如Airpal和Airflow，通过程序性的任务编写、计划和监控来实现数据的流水线管理。
AIRBNB的开源数据工作流程管理工具AIRFLOW
本着回馈开源社区的精神，Airbnb去年将Airflow进行了开源，迄今为止，有46家公司用它来管理自己的工作流程。
意识到数据的可及性是实现指标驱动的商业决策的必由之路，Airbnb也开发并开源了数据可视化工具Caravel。平台允许用户在拖拽的环境下探索数据。
AIRBNB的开源数据可视化平台CARAVEL
最后，Alok取笑了另一个即将要开源的工具。与Kaggle的新开放数据平台相比，他称Airbnb的知识分享工具为“游戏更换”。Github式的存储，目前尚属内部使用，允许用户从头到尾把分析写在上面。
在知识分享的诸多好处中，除了支持可再生研究，避免重复代码，知识分享工具解决了发表偏倚的问题。发表的研究是专门挑选的，可能是因为有吸引人的或者验证性的阳性结果。在引进知识分享之前，Alok记得2年前他加入Airbnb时，知识还是“部落性”的。
“我必须知道正确的人，然后走过去对他说，‘你好，请问你是否编写了这个程序？到底发生了什么？’”
现在，相比较运行A/B测试和把无效结果抛至所谓的“文件柜”（或邮件附件）中，Airbnb的数据科学家花费少量有价值的额外时间像写更正式的代码一样记录他们的实验。Alok说在数据科学家的工作中，搜索知识文章的最终能力对于提高可进入性具有更大的影响。
Alok举了一个关于知识文章能产生差异的具体例子。他的团队曾经想要运行一个可以影响用户预订住宿的实验。
“事实证明，我们3年前运行这个实验，它花我们9个月时间运行。我们只需要读取帖子便能知道答案，而不是重新运行它。”
特别是小型团队，Alok给出的建议是“不要试着自己创建每件事物，现在有许多开放源码工具。用他们作为开始吧。”他甚至用Kaggle Kerneis举了一个例子，阐述道“我认为它是一个很好的共享分析工具。”
◆ ◆ ◆
多种观点与数据科学的未来
Airbnb房主已经遍及191个国家的34000个城市。创建一个欢迎不同文化背景的人的平台，需要这个公司对员工做内部投资，建立一个强大、多元化团队。 在数据科学和工程学领域，许多公司没有对它们的用户做出必要反应，这对他们是非常不利的。在最近一篇发表在airbnb工程博客上的文章表示，airbnb数据科学家Riley Newman和Elena Grewal说，公司正在努力解决多元化的缺失，Alok认为这是数据团队今年最主要的问题。
Alok主张，对于任何问题，识别是Airbnb解决问题的第一步，从这个观点考虑，他们的数据引导理念已经使他们有所提高。多元化团队的优势是无可争议的——
“毋庸置疑，增加多元化能提高我们分析的标准，提升我们作为一个数据科学团队的影响，并增强我们向彼此学习的师友关系。”
“在过去的一两年中，我们已经看到了在进步中产生的影响[…]。通过一个更加多元化的数据科学团队，我们已经加深了合作关系，并作出了对这个组织的更大贡献。”
总的来说，Airbnb的数据团队无疑地、积极地影响着他们的用户。Alok举例说：
“我们有更多的假设来自这支团队，如什么能引导更多人的参与度[…]什么能带来更大的实验多样性。”
对于建立一个多元化团队，最具挑战的障碍之一是首先要理解多元化意味着什么。Alok对比多元化招聘的“良性循环”公司与 “恶性循环”公司，发现他们首先在识别阶段便存在差异：
“如果你自己不够多样的话，那更不可能雇用多样的人，因为你会雇用那些像你自己的人。你会因为地区局限而亡，因为应聘者都以看似相似且正确的方式表现和进行面试。”
他对团队的建议是，面对问题的时候要深思熟虑，这与“不平衡分类”的理论相违背。他举了一些例子，如隐藏应聘者的姓名和性别，并且在现有专业领域以外花费更多时间发掘应聘者。事实上，Alok把他们近期的招聘竞争作为Airbnb如何将其努力展现在公众面前的一个例子。
“你不得不说，‘我将花时间试着去找到那些跟我现有团队截然不同的人。’这并是顺其自然就会发生的事情。你必须经过深思熟虑，并且需要投入时间。”
目前，不同领域的数据科学专家和机器学习专家正在进入这个产业。从物理学家到生物学家，教育是一个维度，但它现在不是吸引多样人才的挑战。因此，Alok表示，希望数据科学或机械学习的学位不会成为应届生进入这个领域的阻碍。
尽管被一个像Airbnb这样的数据团队雇用仍然任重道远，但是没有理由丧失信心，因为Alok对于有抱负的数据科学家最好的建议是获得“尽可能深入和肮脏”的数据。因此，在允许必要的机器学习和数据分析动手实践上，开源数据具有改变能力。他还提倡，掌握iPython和R的应用，有助于专注深入了解数据和理解整理混乱数据的意义。
那么，这对你、你的团队或是你的公司，意味着什么呢？跟随Airbnb的步伐，首先开始关注公司内在。通过做有目的、以数据为引导的决策，公司以多种方式衡量它的团队、知识和进步，这已经超出了组织本身。
[/login]
文章来源于网络智造家平台提供 查看全部
虽然团队组织结构的演化允许数据科学家团队繁荣兴旺，但是公司的成功源于“精准定位”于两件事：发自肺腑地关爱员工，积极主动的数据驱动决策。不论是开发可持续利用的开源工具还是奋力改进数据科学部门的多样性，Airbnb数据科学团队负责人Alok很清楚，Airbnb追求的事都要贯彻这两个原则。
◆ ◆ ◆
超级增长：短短几年，从5到70+数据科学家
[login]
在2013年，Airbnb只有一个5人数据科学团队，集中地为公司的数据需求提供服务。此后，他们成长为最大的、也是最有创意的创业团队之一，拥有超过70名数据科学家，服务于不同的商业部门。除了招聘时坚持高要求和贯彻师徒制外，组织结构也是团队顺利增长的关键。
Alok把将集中的数据科学家部门分成小的嵌入式团队，与商务伙伴们坐在一起工作形容为“呼吸新鲜空气”。与之前的结构相比，他说新的模式对公司而言，“非常给力”。
这个变化是跟随着“到底什么是数据科学家”的观念而演化的。很多人同意Alok的说法，认为数据科学家这个词“已经超载”了。他相信，除了数据科学独角兽，其他人应该可以被分为以下四种角色，才会更好地分配工作：
数据工程师-他们接手乱七八糟的数据，打理到可以分析的地步。
产品建造师-他们建造数据产品供用户使用。比如，建造一个推荐引擎。
数据分析师-他们提供主要的分析框架，从中发现商业机会。
数据实验师-他们知道如何设计和实施实验。
数据科学团队如何解决快速扩增中带来的生长痛？Alok告诉我，创新和数据科学团队的演化正是源于公司的两个极端要求。
第一个是Airbnb将自己定位为竭力保证员工的快乐，成功和被重视。比如，投资于新员工入职的数据培训，建立师徒制，参加会议等，都是Airbnb培养员工的重要途径。
另一方面，Alok强调，Airbnb又是一家非常重视指标和目标驱动的公司。关于第二条公司文化准则，Alok强调了Airbnb在做商业决策时，是极端的量化和目标驱动的：
“我们所做的一切事情都是深思熟虑的，非常量化的，也是精准集中在我们的目标上的。”
这里传递的信息是，Airbnb已经，至少部分地对它的数据科学团队的质量做出了承诺，摆在首位，作为一种实施它的研究驱动的行为模式的方法。
在我们接下来的谈话中，Alok与我分享了Airbnb的数据科学团队如何取得成功，建立凝聚力，为自己和用户获得更好的结果。珍惜员工福祉与量化驱动决策这两个方面齐头并进，通过这样周到细致的定位，很明显，二者的珠联璧合使Airbnb的获得了进步。
◆ ◆ ◆
建立规模化的知识分享生态系统
在Airbnb，生产力和创新严重依赖于知识共享。Alok带领我参观了他们的努力集中的三个领域：流程管理，数据在组织内外的普及和可循环利用的研究。
Alok描述了Airbnb如何重金投资数据授权团队，来开发整个组织的流水线、标准流程。其中包括查询工具，如Airpal和Airflow，通过程序性的任务编写、计划和监控来实现数据的流水线管理。
AIRBNB的开源数据工作流程管理工具AIRFLOW
本着回馈开源社区的精神，Airbnb去年将Airflow进行了开源，迄今为止，有46家公司用它来管理自己的工作流程。
意识到数据的可及性是实现指标驱动的商业决策的必由之路，Airbnb也开发并开源了数据可视化工具Caravel。平台允许用户在拖拽的环境下探索数据。
AIRBNB的开源数据可视化平台CARAVEL
最后，Alok取笑了另一个即将要开源的工具。与Kaggle的新开放数据平台相比，他称Airbnb的知识分享工具为“游戏更换”。Github式的存储，目前尚属内部使用，允许用户从头到尾把分析写在上面。
在知识分享的诸多好处中，除了支持可再生研究，避免重复代码，知识分享工具解决了发表偏倚的问题。发表的研究是专门挑选的，可能是因为有吸引人的或者验证性的阳性结果。在引进知识分享之前，Alok记得2年前他加入Airbnb时，知识还是“部落性”的。
“我必须知道正确的人，然后走过去对他说，‘你好，请问你是否编写了这个程序？到底发生了什么？’”
现在，相比较运行A/B测试和把无效结果抛至所谓的“文件柜”（或邮件附件）中，Airbnb的数据科学家花费少量有价值的额外时间像写更正式的代码一样记录他们的实验。Alok说在数据科学家的工作中，搜索知识文章的最终能力对于提高可进入性具有更大的影响。
Alok举了一个关于知识文章能产生差异的具体例子。他的团队曾经想要运行一个可以影响用户预订住宿的实验。
“事实证明，我们3年前运行这个实验，它花我们9个月时间运行。我们只需要读取帖子便能知道答案，而不是重新运行它。”
特别是小型团队，Alok给出的建议是“不要试着自己创建每件事物，现在有许多开放源码工具。用他们作为开始吧。”他甚至用Kaggle Kerneis举了一个例子，阐述道“我认为它是一个很好的共享分析工具。”
◆ ◆ ◆
多种观点与数据科学的未来
Airbnb房主已经遍及191个国家的34000个城市。创建一个欢迎不同文化背景的人的平台，需要这个公司对员工做内部投资，建立一个强大、多元化团队。 在数据科学和工程学领域，许多公司没有对它们的用户做出必要反应，这对他们是非常不利的。在最近一篇发表在airbnb工程博客上的文章表示，airbnb数据科学家Riley Newman和Elena Grewal说，公司正在努力解决多元化的缺失，Alok认为这是数据团队今年最主要的问题。
Alok主张，对于任何问题，识别是Airbnb解决问题的第一步，从这个观点考虑，他们的数据引导理念已经使他们有所提高。多元化团队的优势是无可争议的——
“毋庸置疑，增加多元化能提高我们分析的标准，提升我们作为一个数据科学团队的影响，并增强我们向彼此学习的师友关系。”
“在过去的一两年中，我们已经看到了在进步中产生的影响[…]。通过一个更加多元化的数据科学团队，我们已经加深了合作关系，并作出了对这个组织的更大贡献。”
总的来说，Airbnb的数据团队无疑地、积极地影响着他们的用户。Alok举例说：
“我们有更多的假设来自这支团队，如什么能引导更多人的参与度[…]什么能带来更大的实验多样性。”
对于建立一个多元化团队，最具挑战的障碍之一是首先要理解多元化意味着什么。Alok对比多元化招聘的“良性循环”公司与 “恶性循环”公司，发现他们首先在识别阶段便存在差异：
“如果你自己不够多样的话，那更不可能雇用多样的人，因为你会雇用那些像你自己的人。你会因为地区局限而亡，因为应聘者都以看似相似且正确的方式表现和进行面试。”
他对团队的建议是，面对问题的时候要深思熟虑，这与“不平衡分类”的理论相违背。他举了一些例子，如隐藏应聘者的姓名和性别，并且在现有专业领域以外花费更多时间发掘应聘者。事实上，Alok把他们近期的招聘竞争作为Airbnb如何将其努力展现在公众面前的一个例子。
“你不得不说，‘我将花时间试着去找到那些跟我现有团队截然不同的人。’这并是顺其自然就会发生的事情。你必须经过深思熟虑，并且需要投入时间。”
目前，不同领域的数据科学专家和机器学习专家正在进入这个产业。从物理学家到生物学家，教育是一个维度，但它现在不是吸引多样人才的挑战。因此，Alok表示，希望数据科学或机械学习的学位不会成为应届生进入这个领域的阻碍。
尽管被一个像Airbnb这样的数据团队雇用仍然任重道远，但是没有理由丧失信心，因为Alok对于有抱负的数据科学家最好的建议是获得“尽可能深入和肮脏”的数据。因此，在允许必要的机器学习和数据分析动手实践上，开源数据具有改变能力。他还提倡，掌握iPython和R的应用，有助于专注深入了解数据和理解整理混乱数据的意义。
那么，这对你、你的团队或是你的公司，意味着什么呢？跟随Airbnb的步伐，首先开始关注公司内在。通过做有目的、以数据为引导的决策，公司以多种方式衡量它的团队、知识和进步，这已经超出了组织本身。
[/login]
- 文章来源于网络
- 智造家平台提供
622 浏览
数字化转型完成了，新运营架构怎么设计？
管理类 Winterfall 2016-09-28 20:57 发表了文章
制造业企业大多都在进行数字化转型，至少都在思考如何做好数字化转型的工作。许多组织错失的是以系统的方法来管理组织各个层级和职能的数字化转型。
在数字化转型过程中，考虑将工业物联网等技术作为数字化转型的核心组成部分，实现颠覆转变产品、价值链、业务流程以及连接服务交付，已经成为一种趋势。
在整个的数字化转型工作中，企业的最高管理层包括董事长、总经理都需要花费大量的精力，通过对业务流程以及服务交付/实施来指定数字转型的战略目标。
所有的业务部门的领军人物、业务核心主管应该把人、流程与技术进行重新整合，实现卓越运营的框架与机制。
在运营架构的设计环节，首席数字官以及IT与OT的领导们就需要扫描所有领先的技术，特别是工业物联网与大数据等相关技术，从而得以实现IT-OT的融合。
有了运营架构，就可以在相关专家引领下选择合适的商业案例，定义短期以及长期的投资化实施计划以及展开成本架构与投资回报的分析，毕竟转型是将一切围绕着企业更高的效益作为核心出发点。
而针对商业案例所选择的解决方案则是最终落地的工具与技能，在整个数字化转型的工作链里面处于最末端的位置。最后一步就是PDCA，把每个环节的价值结果输出作为输入到上面一个层级，形成了一个完整的回路。
战略需要有颠覆性与可执行性
从顶层设计角度来看，现今的制造型企业需要花大力气在类似IIoT等这些新技术如何能够颠覆转变产品、价值链、业务流程以及连接服务交付上。智能制造是长期的工作，在战略层面，企业应做出5年、10年、甚至20年的相对应的计划。
而这些转型愿景都建立在企业具有竞争优势、服务交付不断变化的属性以及工业4.0、智能制造或智能连接资产等现有模式上。
卓越运营需要精益及创业精神
从目前全球领先的企业和成功的大数据案例来看，针对应用大数据的分析阻力基本体现在技术、人力与流程方面。而人员、流程和技术恰恰是卓越运营各项举措的基础，这些通常由组织内业务领导掌管。
各个大公司如今已经开发了成熟的模式来帮助人员、流程和技术功能设定目标和发展计划，以及度量程序来评估运营各个方面的性能。
投资任何的先进技术，无论是为了提高预测，增加消费服务，减少成本，降低风险，提高透明管理等等，都是围绕着提高经营业绩这个核心目的。
而企业往往会在某个时间段，有偏向性地关注或投入这三大类中的一种， 例如只投入技术和工具，而忽略或滞后了人力以及流程其他两种，很容易出现缺乏完整和平衡性的设计，这是非常不明智的。
大多数世界级的制造型企业都有某种形式的并且有十多年历史的卓越运营措施和最佳实践。这些措施/实践一般都包含了企业多种管理系统和持续改进的能力，比如精益和六西格玛。
再进一步说，制造公司需要继续发展卓越运营措施，不仅成为公司持续改进的发动机，还要同时成为创新的动力。这也往往意味着，当对待那些有着提供远远多于大部分持续改进措施能带来的1%~2%收益的实验项目时，要有“经常失败、快速失败”的精益、创业精神。
运营架构需要建立CDO+IT+OT的超级团队
IT组织已经采用了传统企业架构，而这种企业架构往往专注于建立稳健的程序与技术来发展企业应用格局、支持IT堆栈。
通用的运营技术包括了自动化、企业工程和/或先进制造，分别拥有工厂级技术的技术架构。随着工业物联网的出现，制造型企业建议采取将正式、精确的企业架构流程应用于整个IT-OT堆栈的运营架构方法。
为了实现此目的，企业需要创立一支超级团队，尽早在企业内建立合作文化和机制。建立超级跨职能团队，专注于数据体验的开发，通过建立聆听平台，尝试着与之前没有交集的团队进行合作。
首席数字官(CDO)的出现，这种新型协作的成功便成为这位数字官章程的重要组成部分。企业比任何时候都需要一个数字领导来带领公司实现企业的商业目标。
这个领导和团队要能理解营销和科技融合的真正含义，要能够传达融合的益处，要能理解数据的真正价值在于它告诉我们消费者想要什么，最重要的是消费者在做什么。
首席数据官的工作重点要使用数字技术，将公司内部散乱的数据业务和资产归整起来并协调组织，填补传统媒体和数字媒体之间的差距，设计更好的媒体策略。
商业案例需要与战略全面结合
在我所接触到的各种制造业企业里，公司由于受到传统组织架构与管理体制的局限，一般的初步试验性案例很少与广泛的战略目标、卓越运营和运营架构联系在一起，很少有把既了解流程也了解技术的资深主题专家融合在一起、共同选择并设计的商业案例。
当然，要找到这些专家本身有一定难度，专家同时要懂得IT和OT是很难的。我们可以选择那些有偏重性但更有融合与创新思维的专家组建团队，他们应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。仅就这一点而论，工业公司不将技术投资看作一次性的商业案例而是将其看作符合运营架构目标、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，也是非常重要的。
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中所有的其余部分。
这种做法是延续多年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，类似于Quick-win，然后对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。
创新的变革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，十之八九”。所以，即便试点成功，未来的推广与变更管理也会是难以逾越的挑战。
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，需要花点时间，建立量化、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、客户与产品全面地连接，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，从而优化企业应用与协同。
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。
我们在落地中国智能制造的又一重要挑战在于，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。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，在不久的将来IIoT会是一种可控的混合模型，届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。
这不仅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。
制造运营管理的未来是集成与协作平台
在大数据的概念面世前，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，而且很多企业都已经做得相当成熟，也产生了不错的效益。
传统意义上来说，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，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显现，新的分析法同样如雨后春笋般出现，特别是在预测性与规范性分析方面。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检验这些工具，从而检验工业物联网下大数据如何加速从对它们的利用中获取价值。
来源：网络 查看全部
在数字化转型过程中，考虑将工业物联网等技术作为数字化转型的核心组成部分，实现颠覆转变产品、价值链、业务流程以及连接服务交付，已经成为一种趋势。
在整个的数字化转型工作中，企业的最高管理层包括董事长、总经理都需要花费大量的精力，通过对业务流程以及服务交付/实施来指定数字转型的战略目标。
所有的业务部门的领军人物、业务核心主管应该把人、流程与技术进行重新整合，实现卓越运营的框架与机制。
在运营架构的设计环节，首席数字官以及IT与OT的领导们就需要扫描所有领先的技术，特别是工业物联网与大数据等相关技术，从而得以实现IT-OT的融合。
有了运营架构，就可以在相关专家引领下选择合适的商业案例，定义短期以及长期的投资化实施计划以及展开成本架构与投资回报的分析，毕竟转型是将一切围绕着企业更高的效益作为核心出发点。
而针对商业案例所选择的解决方案则是最终落地的工具与技能，在整个数字化转型的工作链里面处于最末端的位置。最后一步就是PDCA，把每个环节的价值结果输出作为输入到上面一个层级，形成了一个完整的回路。
战略需要有颠覆性与可执行性
从顶层设计角度来看，现今的制造型企业需要花大力气在类似IIoT等这些新技术如何能够颠覆转变产品、价值链、业务流程以及连接服务交付上。智能制造是长期的工作，在战略层面，企业应做出5年、10年、甚至20年的相对应的计划。
而这些转型愿景都建立在企业具有竞争优势、服务交付不断变化的属性以及工业4.0、智能制造或智能连接资产等现有模式上。
卓越运营需要精益及创业精神
从目前全球领先的企业和成功的大数据案例来看，针对应用大数据的分析阻力基本体现在技术、人力与流程方面。而人员、流程和技术恰恰是卓越运营各项举措的基础，这些通常由组织内业务领导掌管。
各个大公司如今已经开发了成熟的模式来帮助人员、流程和技术功能设定目标和发展计划，以及度量程序来评估运营各个方面的性能。
投资任何的先进技术，无论是为了提高预测，增加消费服务，减少成本，降低风险，提高透明管理等等，都是围绕着提高经营业绩这个核心目的。
而企业往往会在某个时间段，有偏向性地关注或投入这三大类中的一种， 例如只投入技术和工具，而忽略或滞后了人力以及流程其他两种，很容易出现缺乏完整和平衡性的设计，这是非常不明智的。
大多数世界级的制造型企业都有某种形式的并且有十多年历史的卓越运营措施和最佳实践。这些措施/实践一般都包含了企业多种管理系统和持续改进的能力，比如精益和六西格玛。
再进一步说，制造公司需要继续发展卓越运营措施，不仅成为公司持续改进的发动机，还要同时成为创新的动力。这也往往意味着，当对待那些有着提供远远多于大部分持续改进措施能带来的1%~2%收益的实验项目时，要有“经常失败、快速失败”的精益、创业精神。
运营架构需要建立CDO+IT+OT的超级团队
IT组织已经采用了传统企业架构，而这种企业架构往往专注于建立稳健的程序与技术来发展企业应用格局、支持IT堆栈。
通用的运营技术包括了自动化、企业工程和/或先进制造，分别拥有工厂级技术的技术架构。随着工业物联网的出现，制造型企业建议采取将正式、精确的企业架构流程应用于整个IT-OT堆栈的运营架构方法。
为了实现此目的，企业需要创立一支超级团队，尽早在企业内建立合作文化和机制。建立超级跨职能团队，专注于数据体验的开发，通过建立聆听平台，尝试着与之前没有交集的团队进行合作。
首席数字官(CDO)的出现，这种新型协作的成功便成为这位数字官章程的重要组成部分。企业比任何时候都需要一个数字领导来带领公司实现企业的商业目标。
这个领导和团队要能理解营销和科技融合的真正含义，要能够传达融合的益处，要能理解数据的真正价值在于它告诉我们消费者想要什么，最重要的是消费者在做什么。
首席数据官的工作重点要使用数字技术，将公司内部散乱的数据业务和资产归整起来并协调组织，填补传统媒体和数字媒体之间的差距，设计更好的媒体策略。
商业案例需要与战略全面结合
在我所接触到的各种制造业企业里，公司由于受到传统组织架构与管理体制的局限，一般的初步试验性案例很少与广泛的战略目标、卓越运营和运营架构联系在一起，很少有把既了解流程也了解技术的资深主题专家融合在一起、共同选择并设计的商业案例。
当然，要找到这些专家本身有一定难度，专家同时要懂得IT和OT是很难的。我们可以选择那些有偏重性但更有融合与创新思维的专家组建团队，他们应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。仅就这一点而论，工业公司不将技术投资看作一次性的商业案例而是将其看作符合运营架构目标、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，也是非常重要的。
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中所有的其余部分。
这种做法是延续多年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，类似于Quick-win，然后对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。
创新的变革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，十之八九”。所以，即便试点成功，未来的推广与变更管理也会是难以逾越的挑战。
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，需要花点时间，建立量化、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、客户与产品全面地连接，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，从而优化企业应用与协同。
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。
我们在落地中国智能制造的又一重要挑战在于，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。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，在不久的将来IIoT会是一种可控的混合模型，届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。
这不仅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。
制造运营管理的未来是集成与协作平台
在大数据的概念面世前，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，而且很多企业都已经做得相当成熟，也产生了不错的效益。
传统意义上来说，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，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显现，新的分析法同样如雨后春笋般出现，特别是在预测性与规范性分析方面。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检验这些工具，从而检验工业物联网下大数据如何加速从对它们的利用中获取价值。
来源：网络 查看全部
制造业企业大多都在进行数字化转型，至少都在思考如何做好数字化转型的工作。许多组织错失的是以系统的方法来管理组织各个层级和职能的数字化转型。
在数字化转型过程中，考虑将工业物联网等技术作为数字化转型的核心组成部分，实现颠覆转变产品、价值链、业务流程以及连接服务交付，已经成为一种趋势。
在整个的数字化转型工作中，企业的最高管理层包括董事长、总经理都需要花费大量的精力，通过对业务流程以及服务交付/实施来指定数字转型的战略目标。
所有的业务部门的领军人物、业务核心主管应该把人、流程与技术进行重新整合，实现卓越运营的框架与机制。
在运营架构的设计环节，首席数字官以及IT与OT的领导们就需要扫描所有领先的技术，特别是工业物联网与大数据等相关技术，从而得以实现IT-OT的融合。
有了运营架构，就可以在相关专家引领下选择合适的商业案例，定义短期以及长期的投资化实施计划以及展开成本架构与投资回报的分析，毕竟转型是将一切围绕着企业更高的效益作为核心出发点。
而针对商业案例所选择的解决方案则是最终落地的工具与技能，在整个数字化转型的工作链里面处于最末端的位置。最后一步就是PDCA，把每个环节的价值结果输出作为输入到上面一个层级，形成了一个完整的回路。
战略需要有颠覆性与可执行性
从顶层设计角度来看，现今的制造型企业需要花大力气在类似IIoT等这些新技术如何能够颠覆转变产品、价值链、业务流程以及连接服务交付上。智能制造是长期的工作，在战略层面，企业应做出5年、10年、甚至20年的相对应的计划。
而这些转型愿景都建立在企业具有竞争优势、服务交付不断变化的属性以及工业4.0、智能制造或智能连接资产等现有模式上。
卓越运营需要精益及创业精神
从目前全球领先的企业和成功的大数据案例来看，针对应用大数据的分析阻力基本体现在技术、人力与流程方面。而人员、流程和技术恰恰是卓越运营各项举措的基础，这些通常由组织内业务领导掌管。
各个大公司如今已经开发了成熟的模式来帮助人员、流程和技术功能设定目标和发展计划，以及度量程序来评估运营各个方面的性能。
投资任何的先进技术，无论是为了提高预测，增加消费服务，减少成本，降低风险，提高透明管理等等，都是围绕着提高经营业绩这个核心目的。
而企业往往会在某个时间段，有偏向性地关注或投入这三大类中的一种， 例如只投入技术和工具，而忽略或滞后了人力以及流程其他两种，很容易出现缺乏完整和平衡性的设计，这是非常不明智的。
大多数世界级的制造型企业都有某种形式的并且有十多年历史的卓越运营措施和最佳实践。这些措施/实践一般都包含了企业多种管理系统和持续改进的能力，比如精益和六西格玛。
再进一步说，制造公司需要继续发展卓越运营措施，不仅成为公司持续改进的发动机，还要同时成为创新的动力。这也往往意味着，当对待那些有着提供远远多于大部分持续改进措施能带来的1%~2%收益的实验项目时，要有“经常失败、快速失败”的精益、创业精神。
运营架构需要建立CDO+IT+OT的超级团队
IT组织已经采用了传统企业架构，而这种企业架构往往专注于建立稳健的程序与技术来发展企业应用格局、支持IT堆栈。
通用的运营技术包括了自动化、企业工程和/或先进制造，分别拥有工厂级技术的技术架构。随着工业物联网的出现，制造型企业建议采取将正式、精确的企业架构流程应用于整个IT-OT堆栈的运营架构方法。
为了实现此目的，企业需要创立一支超级团队，尽早在企业内建立合作文化和机制。建立超级跨职能团队，专注于数据体验的开发，通过建立聆听平台，尝试着与之前没有交集的团队进行合作。
首席数字官(CDO)的出现，这种新型协作的成功便成为这位数字官章程的重要组成部分。企业比任何时候都需要一个数字领导来带领公司实现企业的商业目标。
这个领导和团队要能理解营销和科技融合的真正含义，要能够传达融合的益处，要能理解数据的真正价值在于它告诉我们消费者想要什么，最重要的是消费者在做什么。
首席数据官的工作重点要使用数字技术，将公司内部散乱的数据业务和资产归整起来并协调组织，填补传统媒体和数字媒体之间的差距，设计更好的媒体策略。
商业案例需要与战略全面结合
在我所接触到的各种制造业企业里，公司由于受到传统组织架构与管理体制的局限，一般的初步试验性案例很少与广泛的战略目标、卓越运营和运营架构联系在一起，很少有把既了解流程也了解技术的资深主题专家融合在一起、共同选择并设计的商业案例。
当然，要找到这些专家本身有一定难度，专家同时要懂得IT和OT是很难的。我们可以选择那些有偏重性但更有融合与创新思维的专家组建团队，他们应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。仅就这一点而论，工业公司不将技术投资看作一次性的商业案例而是将其看作符合运营架构目标、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，也是非常重要的。
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中所有的其余部分。
这种做法是延续多年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，类似于Quick-win，然后对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。
创新的变革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，十之八九”。所以，即便试点成功，未来的推广与变更管理也会是难以逾越的挑战。
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，需要花点时间，建立量化、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、客户与产品全面地连接，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，从而优化企业应用与协同。
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。
我们在落地中国智能制造的又一重要挑战在于，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。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，在不久的将来IIoT会是一种可控的混合模型，届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。
这不仅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。
制造运营管理的未来是集成与协作平台
在大数据的概念面世前，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，而且很多企业都已经做得相当成熟，也产生了不错的效益。
传统意义上来说，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，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显现，新的分析法同样如雨后春笋般出现，特别是在预测性与规范性分析方面。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检验这些工具，从而检验工业物联网下大数据如何加速从对它们的利用中获取价值。
来源：网络
在数字化转型过程中，考虑将工业物联网等技术作为数字化转型的核心组成部分，实现颠覆转变产品、价值链、业务流程以及连接服务交付，已经成为一种趋势。
在整个的数字化转型工作中，企业的最高管理层包括董事长、总经理都需要花费大量的精力，通过对业务流程以及服务交付/实施来指定数字转型的战略目标。
所有的业务部门的领军人物、业务核心主管应该把人、流程与技术进行重新整合，实现卓越运营的框架与机制。
在运营架构的设计环节，首席数字官以及IT与OT的领导们就需要扫描所有领先的技术，特别是工业物联网与大数据等相关技术，从而得以实现IT-OT的融合。
有了运营架构，就可以在相关专家引领下选择合适的商业案例，定义短期以及长期的投资化实施计划以及展开成本架构与投资回报的分析，毕竟转型是将一切围绕着企业更高的效益作为核心出发点。
而针对商业案例所选择的解决方案则是最终落地的工具与技能，在整个数字化转型的工作链里面处于最末端的位置。最后一步就是PDCA，把每个环节的价值结果输出作为输入到上面一个层级，形成了一个完整的回路。
战略需要有颠覆性与可执行性
从顶层设计角度来看，现今的制造型企业需要花大力气在类似IIoT等这些新技术如何能够颠覆转变产品、价值链、业务流程以及连接服务交付上。智能制造是长期的工作，在战略层面，企业应做出5年、10年、甚至20年的相对应的计划。
而这些转型愿景都建立在企业具有竞争优势、服务交付不断变化的属性以及工业4.0、智能制造或智能连接资产等现有模式上。
卓越运营需要精益及创业精神
从目前全球领先的企业和成功的大数据案例来看，针对应用大数据的分析阻力基本体现在技术、人力与流程方面。而人员、流程和技术恰恰是卓越运营各项举措的基础，这些通常由组织内业务领导掌管。
各个大公司如今已经开发了成熟的模式来帮助人员、流程和技术功能设定目标和发展计划，以及度量程序来评估运营各个方面的性能。
投资任何的先进技术，无论是为了提高预测，增加消费服务，减少成本，降低风险，提高透明管理等等，都是围绕着提高经营业绩这个核心目的。
而企业往往会在某个时间段，有偏向性地关注或投入这三大类中的一种， 例如只投入技术和工具，而忽略或滞后了人力以及流程其他两种，很容易出现缺乏完整和平衡性的设计，这是非常不明智的。
大多数世界级的制造型企业都有某种形式的并且有十多年历史的卓越运营措施和最佳实践。这些措施/实践一般都包含了企业多种管理系统和持续改进的能力，比如精益和六西格玛。
再进一步说，制造公司需要继续发展卓越运营措施，不仅成为公司持续改进的发动机，还要同时成为创新的动力。这也往往意味着，当对待那些有着提供远远多于大部分持续改进措施能带来的1%~2%收益的实验项目时，要有“经常失败、快速失败”的精益、创业精神。
运营架构需要建立CDO+IT+OT的超级团队
IT组织已经采用了传统企业架构，而这种企业架构往往专注于建立稳健的程序与技术来发展企业应用格局、支持IT堆栈。
通用的运营技术包括了自动化、企业工程和/或先进制造，分别拥有工厂级技术的技术架构。随着工业物联网的出现，制造型企业建议采取将正式、精确的企业架构流程应用于整个IT-OT堆栈的运营架构方法。
为了实现此目的，企业需要创立一支超级团队，尽早在企业内建立合作文化和机制。建立超级跨职能团队，专注于数据体验的开发，通过建立聆听平台，尝试着与之前没有交集的团队进行合作。
首席数字官(CDO)的出现，这种新型协作的成功便成为这位数字官章程的重要组成部分。企业比任何时候都需要一个数字领导来带领公司实现企业的商业目标。
这个领导和团队要能理解营销和科技融合的真正含义，要能够传达融合的益处，要能理解数据的真正价值在于它告诉我们消费者想要什么，最重要的是消费者在做什么。
首席数据官的工作重点要使用数字技术，将公司内部散乱的数据业务和资产归整起来并协调组织，填补传统媒体和数字媒体之间的差距，设计更好的媒体策略。
商业案例需要与战略全面结合
在我所接触到的各种制造业企业里，公司由于受到传统组织架构与管理体制的局限，一般的初步试验性案例很少与广泛的战略目标、卓越运营和运营架构联系在一起，很少有把既了解流程也了解技术的资深主题专家融合在一起、共同选择并设计的商业案例。
当然，要找到这些专家本身有一定难度，专家同时要懂得IT和OT是很难的。我们可以选择那些有偏重性但更有融合与创新思维的专家组建团队，他们应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。仅就这一点而论，工业公司不将技术投资看作一次性的商业案例而是将其看作符合运营架构目标、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，也是非常重要的。
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中所有的其余部分。
这种做法是延续多年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，类似于Quick-win，然后对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。
创新的变革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，十之八九”。所以，即便试点成功，未来的推广与变更管理也会是难以逾越的挑战。
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，需要花点时间，建立量化、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、客户与产品全面地连接，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，从而优化企业应用与协同。
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。
我们在落地中国智能制造的又一重要挑战在于，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。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，在不久的将来IIoT会是一种可控的混合模型，届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。
这不仅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。
制造运营管理的未来是集成与协作平台
在大数据的概念面世前，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，而且很多企业都已经做得相当成熟，也产生了不错的效益。
传统意义上来说，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，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显现，新的分析法同样如雨后春笋般出现，特别是在预测性与规范性分析方面。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检验这些工具，从而检验工业物联网下大数据如何加速从对它们的利用中获取价值。
来源：网络
331 浏览
620 浏览
Airbnb数据科学团队进化论：如何由内而外实现数据驱动
机械自动化类 其中之一 2016-10-12 14:45 发表了文章
虽然团队组织结构的演化允许数据科学家团队繁荣兴旺，但是公司的成功源于“精准定位”于两件事：发自肺腑地关爱员工，积极主动的数据驱动决策。不论是开发可持续利用的开源工具还是奋力改进数据科学部门的多样性，Airbnb数据科学团队负责人Alok很清楚，Airbnb追求的事都要贯彻这两个原则。
◆ ◆ ◆
超级增长：短短几年，从5到70+数据科学家
[login]
在2013年，Airbnb只有一个5人数据科学团队，集中地为公司的数据需求提供服务。此后，他们成长为最大的、也是最有创意的创业团队之一，拥有超过70名数据科学家，服务于不同的商业部门。除了招聘时坚持高要求和贯彻师徒制外，组织结构也是团队顺利增长的关键。
Alok把将集中的数据科学家部门分成小的嵌入式团队，与商务伙伴们坐在一起工作形容为“呼吸新鲜空气”。与之前的结构相比，他说新的模式对公司而言，“非常给力”。
这个变化是跟随着“到底什么是数据科学家”的观念而演化的。很多人同意Alok的说法，认为数据科学家这个词“已经超载”了。他相信，除了数据科学独角兽，其他人应该可以被分为以下四种角色，才会更好地分配工作：
数据工程师-他们接手乱七八糟的数据，打理到可以分析的地步。
产品建造师-他们建造数据产品供用户使用。比如，建造一个推荐引擎。
数据分析师-他们提供主要的分析框架，从中发现商业机会。
数据实验师-他们知道如何设计和实施实验。
数据科学团队如何解决快速扩增中带来的生长痛？Alok告诉我，创新和数据科学团队的演化正是源于公司的两个极端要求。
第一个是Airbnb将自己定位为竭力保证员工的快乐，成功和被重视。比如，投资于新员工入职的数据培训，建立师徒制，参加会议等，都是Airbnb培养员工的重要途径。
另一方面，Alok强调，Airbnb又是一家非常重视指标和目标驱动的公司。关于第二条公司文化准则，Alok强调了Airbnb在做商业决策时，是极端的量化和目标驱动的：
“我们所做的一切事情都是深思熟虑的，非常量化的，也是精准集中在我们的目标上的。”
这里传递的信息是，Airbnb已经，至少部分地对它的数据科学团队的质量做出了承诺，摆在首位，作为一种实施它的研究驱动的行为模式的方法。
在我们接下来的谈话中，Alok与我分享了Airbnb的数据科学团队如何取得成功，建立凝聚力，为自己和用户获得更好的结果。珍惜员工福祉与量化驱动决策这两个方面齐头并进，通过这样周到细致的定位，很明显，二者的珠联璧合使Airbnb的获得了进步。
◆ ◆ ◆
建立规模化的知识分享生态系统
在Airbnb，生产力和创新严重依赖于知识共享。Alok带领我参观了他们的努力集中的三个领域：流程管理，数据在组织内外的普及和可循环利用的研究。
Alok描述了Airbnb如何重金投资数据授权团队，来开发整个组织的流水线、标准流程。其中包括查询工具，如Airpal和Airflow，通过程序性的任务编写、计划和监控来实现数据的流水线管理。
AIRBNB的开源数据工作流程管理工具AIRFLOW
本着回馈开源社区的精神，Airbnb去年将Airflow进行了开源，迄今为止，有46家公司用它来管理自己的工作流程。
意识到数据的可及性是实现指标驱动的商业决策的必由之路，Airbnb也开发并开源了数据可视化工具Caravel。平台允许用户在拖拽的环境下探索数据。
AIRBNB的开源数据可视化平台CARAVEL
最后，Alok取笑了另一个即将要开源的工具。与Kaggle的新开放数据平台相比，他称Airbnb的知识分享工具为“游戏更换”。Github式的存储，目前尚属内部使用，允许用户从头到尾把分析写在上面。
在知识分享的诸多好处中，除了支持可再生研究，避免重复代码，知识分享工具解决了发表偏倚的问题。发表的研究是专门挑选的，可能是因为有吸引人的或者验证性的阳性结果。在引进知识分享之前，Alok记得2年前他加入Airbnb时，知识还是“部落性”的。
“我必须知道正确的人，然后走过去对他说，‘你好，请问你是否编写了这个程序？到底发生了什么？’”
现在，相比较运行A/B测试和把无效结果抛至所谓的“文件柜”（或邮件附件）中，Airbnb的数据科学家花费少量有价值的额外时间像写更正式的代码一样记录他们的实验。Alok说在数据科学家的工作中，搜索知识文章的最终能力对于提高可进入性具有更大的影响。
Alok举了一个关于知识文章能产生差异的具体例子。他的团队曾经想要运行一个可以影响用户预订住宿的实验。
“事实证明，我们3年前运行这个实验，它花我们9个月时间运行。我们只需要读取帖子便能知道答案，而不是重新运行它。”
特别是小型团队，Alok给出的建议是“不要试着自己创建每件事物，现在有许多开放源码工具。用他们作为开始吧。”他甚至用Kaggle Kerneis举了一个例子，阐述道“我认为它是一个很好的共享分析工具。”
◆ ◆ ◆
多种观点与数据科学的未来
Airbnb房主已经遍及191个国家的34000个城市。创建一个欢迎不同文化背景的人的平台，需要这个公司对员工做内部投资，建立一个强大、多元化团队。 在数据科学和工程学领域，许多公司没有对它们的用户做出必要反应，这对他们是非常不利的。在最近一篇发表在airbnb工程博客上的文章表示，airbnb数据科学家Riley Newman和Elena Grewal说，公司正在努力解决多元化的缺失，Alok认为这是数据团队今年最主要的问题。
Alok主张，对于任何问题，识别是Airbnb解决问题的第一步，从这个观点考虑，他们的数据引导理念已经使他们有所提高。多元化团队的优势是无可争议的——
“毋庸置疑，增加多元化能提高我们分析的标准，提升我们作为一个数据科学团队的影响，并增强我们向彼此学习的师友关系。”
“在过去的一两年中，我们已经看到了在进步中产生的影响[…]。通过一个更加多元化的数据科学团队，我们已经加深了合作关系，并作出了对这个组织的更大贡献。”
总的来说，Airbnb的数据团队无疑地、积极地影响着他们的用户。Alok举例说：
“我们有更多的假设来自这支团队，如什么能引导更多人的参与度[…]什么能带来更大的实验多样性。”
对于建立一个多元化团队，最具挑战的障碍之一是首先要理解多元化意味着什么。Alok对比多元化招聘的“良性循环”公司与 “恶性循环”公司，发现他们首先在识别阶段便存在差异：
“如果你自己不够多样的话，那更不可能雇用多样的人，因为你会雇用那些像你自己的人。你会因为地区局限而亡，因为应聘者都以看似相似且正确的方式表现和进行面试。”
他对团队的建议是，面对问题的时候要深思熟虑，这与“不平衡分类”的理论相违背。他举了一些例子，如隐藏应聘者的姓名和性别，并且在现有专业领域以外花费更多时间发掘应聘者。事实上，Alok把他们近期的招聘竞争作为Airbnb如何将其努力展现在公众面前的一个例子。
“你不得不说，‘我将花时间试着去找到那些跟我现有团队截然不同的人。’这并是顺其自然就会发生的事情。你必须经过深思熟虑，并且需要投入时间。”
目前，不同领域的数据科学专家和机器学习专家正在进入这个产业。从物理学家到生物学家，教育是一个维度，但它现在不是吸引多样人才的挑战。因此，Alok表示，希望数据科学或机械学习的学位不会成为应届生进入这个领域的阻碍。
尽管被一个像Airbnb这样的数据团队雇用仍然任重道远，但是没有理由丧失信心，因为Alok对于有抱负的数据科学家最好的建议是获得“尽可能深入和肮脏”的数据。因此，在允许必要的机器学习和数据分析动手实践上，开源数据具有改变能力。他还提倡，掌握iPython和R的应用，有助于专注深入了解数据和理解整理混乱数据的意义。
那么，这对你、你的团队或是你的公司，意味着什么呢？跟随Airbnb的步伐，首先开始关注公司内在。通过做有目的、以数据为引导的决策，公司以多种方式衡量它的团队、知识和进步，这已经超出了组织本身。
[/login]
文章来源于网络智造家平台提供 查看全部
虽然团队组织结构的演化允许数据科学家团队繁荣兴旺，但是公司的成功源于“精准定位”于两件事：发自肺腑地关爱员工，积极主动的数据驱动决策。不论是开发可持续利用的开源工具还是奋力改进数据科学部门的多样性，Airbnb数据科学团队负责人Alok很清楚，Airbnb追求的事都要贯彻这两个原则。
◆ ◆ ◆
超级增长：短短几年，从5到70+数据科学家
[login]
在2013年，Airbnb只有一个5人数据科学团队，集中地为公司的数据需求提供服务。此后，他们成长为最大的、也是最有创意的创业团队之一，拥有超过70名数据科学家，服务于不同的商业部门。除了招聘时坚持高要求和贯彻师徒制外，组织结构也是团队顺利增长的关键。
Alok把将集中的数据科学家部门分成小的嵌入式团队，与商务伙伴们坐在一起工作形容为“呼吸新鲜空气”。与之前的结构相比，他说新的模式对公司而言，“非常给力”。
这个变化是跟随着“到底什么是数据科学家”的观念而演化的。很多人同意Alok的说法，认为数据科学家这个词“已经超载”了。他相信，除了数据科学独角兽，其他人应该可以被分为以下四种角色，才会更好地分配工作：
数据工程师-他们接手乱七八糟的数据，打理到可以分析的地步。
产品建造师-他们建造数据产品供用户使用。比如，建造一个推荐引擎。
数据分析师-他们提供主要的分析框架，从中发现商业机会。
数据实验师-他们知道如何设计和实施实验。
数据科学团队如何解决快速扩增中带来的生长痛？Alok告诉我，创新和数据科学团队的演化正是源于公司的两个极端要求。
第一个是Airbnb将自己定位为竭力保证员工的快乐，成功和被重视。比如，投资于新员工入职的数据培训，建立师徒制，参加会议等，都是Airbnb培养员工的重要途径。
另一方面，Alok强调，Airbnb又是一家非常重视指标和目标驱动的公司。关于第二条公司文化准则，Alok强调了Airbnb在做商业决策时，是极端的量化和目标驱动的：
“我们所做的一切事情都是深思熟虑的，非常量化的，也是精准集中在我们的目标上的。”
这里传递的信息是，Airbnb已经，至少部分地对它的数据科学团队的质量做出了承诺，摆在首位，作为一种实施它的研究驱动的行为模式的方法。
在我们接下来的谈话中，Alok与我分享了Airbnb的数据科学团队如何取得成功，建立凝聚力，为自己和用户获得更好的结果。珍惜员工福祉与量化驱动决策这两个方面齐头并进，通过这样周到细致的定位，很明显，二者的珠联璧合使Airbnb的获得了进步。
◆ ◆ ◆
建立规模化的知识分享生态系统
在Airbnb，生产力和创新严重依赖于知识共享。Alok带领我参观了他们的努力集中的三个领域：流程管理，数据在组织内外的普及和可循环利用的研究。
Alok描述了Airbnb如何重金投资数据授权团队，来开发整个组织的流水线、标准流程。其中包括查询工具，如Airpal和Airflow，通过程序性的任务编写、计划和监控来实现数据的流水线管理。
AIRBNB的开源数据工作流程管理工具AIRFLOW
本着回馈开源社区的精神，Airbnb去年将Airflow进行了开源，迄今为止，有46家公司用它来管理自己的工作流程。
意识到数据的可及性是实现指标驱动的商业决策的必由之路，Airbnb也开发并开源了数据可视化工具Caravel。平台允许用户在拖拽的环境下探索数据。
AIRBNB的开源数据可视化平台CARAVEL
最后，Alok取笑了另一个即将要开源的工具。与Kaggle的新开放数据平台相比，他称Airbnb的知识分享工具为“游戏更换”。Github式的存储，目前尚属内部使用，允许用户从头到尾把分析写在上面。
在知识分享的诸多好处中，除了支持可再生研究，避免重复代码，知识分享工具解决了发表偏倚的问题。发表的研究是专门挑选的，可能是因为有吸引人的或者验证性的阳性结果。在引进知识分享之前，Alok记得2年前他加入Airbnb时，知识还是“部落性”的。
“我必须知道正确的人，然后走过去对他说，‘你好，请问你是否编写了这个程序？到底发生了什么？’”
现在，相比较运行A/B测试和把无效结果抛至所谓的“文件柜”（或邮件附件）中，Airbnb的数据科学家花费少量有价值的额外时间像写更正式的代码一样记录他们的实验。Alok说在数据科学家的工作中，搜索知识文章的最终能力对于提高可进入性具有更大的影响。
Alok举了一个关于知识文章能产生差异的具体例子。他的团队曾经想要运行一个可以影响用户预订住宿的实验。
“事实证明，我们3年前运行这个实验，它花我们9个月时间运行。我们只需要读取帖子便能知道答案，而不是重新运行它。”
特别是小型团队，Alok给出的建议是“不要试着自己创建每件事物，现在有许多开放源码工具。用他们作为开始吧。”他甚至用Kaggle Kerneis举了一个例子，阐述道“我认为它是一个很好的共享分析工具。”
◆ ◆ ◆
多种观点与数据科学的未来
Airbnb房主已经遍及191个国家的34000个城市。创建一个欢迎不同文化背景的人的平台，需要这个公司对员工做内部投资，建立一个强大、多元化团队。 在数据科学和工程学领域，许多公司没有对它们的用户做出必要反应，这对他们是非常不利的。在最近一篇发表在airbnb工程博客上的文章表示，airbnb数据科学家Riley Newman和Elena Grewal说，公司正在努力解决多元化的缺失，Alok认为这是数据团队今年最主要的问题。
Alok主张，对于任何问题，识别是Airbnb解决问题的第一步，从这个观点考虑，他们的数据引导理念已经使他们有所提高。多元化团队的优势是无可争议的——
“毋庸置疑，增加多元化能提高我们分析的标准，提升我们作为一个数据科学团队的影响，并增强我们向彼此学习的师友关系。”
“在过去的一两年中，我们已经看到了在进步中产生的影响[…]。通过一个更加多元化的数据科学团队，我们已经加深了合作关系，并作出了对这个组织的更大贡献。”
总的来说，Airbnb的数据团队无疑地、积极地影响着他们的用户。Alok举例说：
“我们有更多的假设来自这支团队，如什么能引导更多人的参与度[…]什么能带来更大的实验多样性。”
对于建立一个多元化团队，最具挑战的障碍之一是首先要理解多元化意味着什么。Alok对比多元化招聘的“良性循环”公司与 “恶性循环”公司，发现他们首先在识别阶段便存在差异：
“如果你自己不够多样的话，那更不可能雇用多样的人，因为你会雇用那些像你自己的人。你会因为地区局限而亡，因为应聘者都以看似相似且正确的方式表现和进行面试。”
他对团队的建议是，面对问题的时候要深思熟虑，这与“不平衡分类”的理论相违背。他举了一些例子，如隐藏应聘者的姓名和性别，并且在现有专业领域以外花费更多时间发掘应聘者。事实上，Alok把他们近期的招聘竞争作为Airbnb如何将其努力展现在公众面前的一个例子。
“你不得不说，‘我将花时间试着去找到那些跟我现有团队截然不同的人。’这并是顺其自然就会发生的事情。你必须经过深思熟虑，并且需要投入时间。”
目前，不同领域的数据科学专家和机器学习专家正在进入这个产业。从物理学家到生物学家，教育是一个维度，但它现在不是吸引多样人才的挑战。因此，Alok表示，希望数据科学或机械学习的学位不会成为应届生进入这个领域的阻碍。
尽管被一个像Airbnb这样的数据团队雇用仍然任重道远，但是没有理由丧失信心，因为Alok对于有抱负的数据科学家最好的建议是获得“尽可能深入和肮脏”的数据。因此，在允许必要的机器学习和数据分析动手实践上，开源数据具有改变能力。他还提倡，掌握iPython和R的应用，有助于专注深入了解数据和理解整理混乱数据的意义。
那么，这对你、你的团队或是你的公司，意味着什么呢？跟随Airbnb的步伐，首先开始关注公司内在。通过做有目的、以数据为引导的决策，公司以多种方式衡量它的团队、知识和进步，这已经超出了组织本身。
[/login]
- 文章来源于网络
- 智造家平台提供
622 浏览
数字化转型完成了，新运营架构怎么设计？
管理类 Winterfall 2016-09-28 20:57 发表了文章
制造业企业大多都在进行数字化转型，至少都在思考如何做好数字化转型的工作。许多组织错失的是以系统的方法来管理组织各个层级和职能的数字化转型。
在数字化转型过程中，考虑将工业物联网等技术作为数字化转型的核心组成部分，实现颠覆转变产品、价值链、业务流程以及连接服务交付，已经成为一种趋势。
在整个的数字化转型工作中，企业的最高管理层包括董事长、总经理都需要花费大量的精力，通过对业务流程以及服务交付/实施来指定数字转型的战略目标。
所有的业务部门的领军人物、业务核心主管应该把人、流程与技术进行重新整合，实现卓越运营的框架与机制。
在运营架构的设计环节，首席数字官以及IT与OT的领导们就需要扫描所有领先的技术，特别是工业物联网与大数据等相关技术，从而得以实现IT-OT的融合。
有了运营架构，就可以在相关专家引领下选择合适的商业案例，定义短期以及长期的投资化实施计划以及展开成本架构与投资回报的分析，毕竟转型是将一切围绕着企业更高的效益作为核心出发点。
而针对商业案例所选择的解决方案则是最终落地的工具与技能，在整个数字化转型的工作链里面处于最末端的位置。最后一步就是PDCA，把每个环节的价值结果输出作为输入到上面一个层级，形成了一个完整的回路。
战略需要有颠覆性与可执行性
从顶层设计角度来看，现今的制造型企业需要花大力气在类似IIoT等这些新技术如何能够颠覆转变产品、价值链、业务流程以及连接服务交付上。智能制造是长期的工作，在战略层面，企业应做出5年、10年、甚至20年的相对应的计划。
而这些转型愿景都建立在企业具有竞争优势、服务交付不断变化的属性以及工业4.0、智能制造或智能连接资产等现有模式上。
卓越运营需要精益及创业精神
从目前全球领先的企业和成功的大数据案例来看，针对应用大数据的分析阻力基本体现在技术、人力与流程方面。而人员、流程和技术恰恰是卓越运营各项举措的基础，这些通常由组织内业务领导掌管。
各个大公司如今已经开发了成熟的模式来帮助人员、流程和技术功能设定目标和发展计划，以及度量程序来评估运营各个方面的性能。
投资任何的先进技术，无论是为了提高预测，增加消费服务，减少成本，降低风险，提高透明管理等等，都是围绕着提高经营业绩这个核心目的。
而企业往往会在某个时间段，有偏向性地关注或投入这三大类中的一种， 例如只投入技术和工具，而忽略或滞后了人力以及流程其他两种，很容易出现缺乏完整和平衡性的设计，这是非常不明智的。
大多数世界级的制造型企业都有某种形式的并且有十多年历史的卓越运营措施和最佳实践。这些措施/实践一般都包含了企业多种管理系统和持续改进的能力，比如精益和六西格玛。
再进一步说，制造公司需要继续发展卓越运营措施，不仅成为公司持续改进的发动机，还要同时成为创新的动力。这也往往意味着，当对待那些有着提供远远多于大部分持续改进措施能带来的1%~2%收益的实验项目时，要有“经常失败、快速失败”的精益、创业精神。
运营架构需要建立CDO+IT+OT的超级团队
IT组织已经采用了传统企业架构，而这种企业架构往往专注于建立稳健的程序与技术来发展企业应用格局、支持IT堆栈。
通用的运营技术包括了自动化、企业工程和/或先进制造，分别拥有工厂级技术的技术架构。随着工业物联网的出现，制造型企业建议采取将正式、精确的企业架构流程应用于整个IT-OT堆栈的运营架构方法。
为了实现此目的，企业需要创立一支超级团队，尽早在企业内建立合作文化和机制。建立超级跨职能团队，专注于数据体验的开发，通过建立聆听平台，尝试着与之前没有交集的团队进行合作。
首席数字官(CDO)的出现，这种新型协作的成功便成为这位数字官章程的重要组成部分。企业比任何时候都需要一个数字领导来带领公司实现企业的商业目标。
这个领导和团队要能理解营销和科技融合的真正含义，要能够传达融合的益处，要能理解数据的真正价值在于它告诉我们消费者想要什么，最重要的是消费者在做什么。
首席数据官的工作重点要使用数字技术，将公司内部散乱的数据业务和资产归整起来并协调组织，填补传统媒体和数字媒体之间的差距，设计更好的媒体策略。
商业案例需要与战略全面结合
在我所接触到的各种制造业企业里，公司由于受到传统组织架构与管理体制的局限，一般的初步试验性案例很少与广泛的战略目标、卓越运营和运营架构联系在一起，很少有把既了解流程也了解技术的资深主题专家融合在一起、共同选择并设计的商业案例。
当然，要找到这些专家本身有一定难度，专家同时要懂得IT和OT是很难的。我们可以选择那些有偏重性但更有融合与创新思维的专家组建团队，他们应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。仅就这一点而论，工业公司不将技术投资看作一次性的商业案例而是将其看作符合运营架构目标、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，也是非常重要的。
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中所有的其余部分。
这种做法是延续多年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，类似于Quick-win，然后对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。
创新的变革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，十之八九”。所以，即便试点成功，未来的推广与变更管理也会是难以逾越的挑战。
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，需要花点时间，建立量化、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、客户与产品全面地连接，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，从而优化企业应用与协同。
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。
我们在落地中国智能制造的又一重要挑战在于，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。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，在不久的将来IIoT会是一种可控的混合模型，届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。
这不仅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。
制造运营管理的未来是集成与协作平台
在大数据的概念面世前，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，而且很多企业都已经做得相当成熟，也产生了不错的效益。
传统意义上来说，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，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显现，新的分析法同样如雨后春笋般出现，特别是在预测性与规范性分析方面。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检验这些工具，从而检验工业物联网下大数据如何加速从对它们的利用中获取价值。
来源：网络 查看全部
在数字化转型过程中，考虑将工业物联网等技术作为数字化转型的核心组成部分，实现颠覆转变产品、价值链、业务流程以及连接服务交付，已经成为一种趋势。
在整个的数字化转型工作中，企业的最高管理层包括董事长、总经理都需要花费大量的精力，通过对业务流程以及服务交付/实施来指定数字转型的战略目标。
所有的业务部门的领军人物、业务核心主管应该把人、流程与技术进行重新整合，实现卓越运营的框架与机制。
在运营架构的设计环节，首席数字官以及IT与OT的领导们就需要扫描所有领先的技术，特别是工业物联网与大数据等相关技术，从而得以实现IT-OT的融合。
有了运营架构，就可以在相关专家引领下选择合适的商业案例，定义短期以及长期的投资化实施计划以及展开成本架构与投资回报的分析，毕竟转型是将一切围绕着企业更高的效益作为核心出发点。
而针对商业案例所选择的解决方案则是最终落地的工具与技能，在整个数字化转型的工作链里面处于最末端的位置。最后一步就是PDCA，把每个环节的价值结果输出作为输入到上面一个层级，形成了一个完整的回路。
战略需要有颠覆性与可执行性
从顶层设计角度来看，现今的制造型企业需要花大力气在类似IIoT等这些新技术如何能够颠覆转变产品、价值链、业务流程以及连接服务交付上。智能制造是长期的工作，在战略层面，企业应做出5年、10年、甚至20年的相对应的计划。
而这些转型愿景都建立在企业具有竞争优势、服务交付不断变化的属性以及工业4.0、智能制造或智能连接资产等现有模式上。
卓越运营需要精益及创业精神
从目前全球领先的企业和成功的大数据案例来看，针对应用大数据的分析阻力基本体现在技术、人力与流程方面。而人员、流程和技术恰恰是卓越运营各项举措的基础，这些通常由组织内业务领导掌管。
各个大公司如今已经开发了成熟的模式来帮助人员、流程和技术功能设定目标和发展计划，以及度量程序来评估运营各个方面的性能。
投资任何的先进技术，无论是为了提高预测，增加消费服务，减少成本，降低风险，提高透明管理等等，都是围绕着提高经营业绩这个核心目的。
而企业往往会在某个时间段，有偏向性地关注或投入这三大类中的一种， 例如只投入技术和工具，而忽略或滞后了人力以及流程其他两种，很容易出现缺乏完整和平衡性的设计，这是非常不明智的。
大多数世界级的制造型企业都有某种形式的并且有十多年历史的卓越运营措施和最佳实践。这些措施/实践一般都包含了企业多种管理系统和持续改进的能力，比如精益和六西格玛。
再进一步说，制造公司需要继续发展卓越运营措施，不仅成为公司持续改进的发动机，还要同时成为创新的动力。这也往往意味着，当对待那些有着提供远远多于大部分持续改进措施能带来的1%~2%收益的实验项目时，要有“经常失败、快速失败”的精益、创业精神。
运营架构需要建立CDO+IT+OT的超级团队
IT组织已经采用了传统企业架构，而这种企业架构往往专注于建立稳健的程序与技术来发展企业应用格局、支持IT堆栈。
通用的运营技术包括了自动化、企业工程和/或先进制造，分别拥有工厂级技术的技术架构。随着工业物联网的出现，制造型企业建议采取将正式、精确的企业架构流程应用于整个IT-OT堆栈的运营架构方法。
为了实现此目的，企业需要创立一支超级团队，尽早在企业内建立合作文化和机制。建立超级跨职能团队，专注于数据体验的开发，通过建立聆听平台，尝试着与之前没有交集的团队进行合作。
首席数字官(CDO)的出现，这种新型协作的成功便成为这位数字官章程的重要组成部分。企业比任何时候都需要一个数字领导来带领公司实现企业的商业目标。
这个领导和团队要能理解营销和科技融合的真正含义，要能够传达融合的益处，要能理解数据的真正价值在于它告诉我们消费者想要什么，最重要的是消费者在做什么。
首席数据官的工作重点要使用数字技术，将公司内部散乱的数据业务和资产归整起来并协调组织，填补传统媒体和数字媒体之间的差距，设计更好的媒体策略。
商业案例需要与战略全面结合
在我所接触到的各种制造业企业里，公司由于受到传统组织架构与管理体制的局限，一般的初步试验性案例很少与广泛的战略目标、卓越运营和运营架构联系在一起，很少有把既了解流程也了解技术的资深主题专家融合在一起、共同选择并设计的商业案例。
当然，要找到这些专家本身有一定难度，专家同时要懂得IT和OT是很难的。我们可以选择那些有偏重性但更有融合与创新思维的专家组建团队，他们应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。仅就这一点而论，工业公司不将技术投资看作一次性的商业案例而是将其看作符合运营架构目标、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，也是非常重要的。
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中所有的其余部分。
这种做法是延续多年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，类似于Quick-win，然后对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。
创新的变革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，十之八九”。所以，即便试点成功，未来的推广与变更管理也会是难以逾越的挑战。
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，需要花点时间，建立量化、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、客户与产品全面地连接，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，从而优化企业应用与协同。
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。
我们在落地中国智能制造的又一重要挑战在于，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。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，在不久的将来IIoT会是一种可控的混合模型，届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。
这不仅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。
制造运营管理的未来是集成与协作平台
在大数据的概念面世前，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，而且很多企业都已经做得相当成熟，也产生了不错的效益。
传统意义上来说，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，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显现，新的分析法同样如雨后春笋般出现，特别是在预测性与规范性分析方面。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检验这些工具，从而检验工业物联网下大数据如何加速从对它们的利用中获取价值。
来源：网络 查看全部
制造业企业大多都在进行数字化转型，至少都在思考如何做好数字化转型的工作。许多组织错失的是以系统的方法来管理组织各个层级和职能的数字化转型。
在数字化转型过程中，考虑将工业物联网等技术作为数字化转型的核心组成部分，实现颠覆转变产品、价值链、业务流程以及连接服务交付，已经成为一种趋势。
在整个的数字化转型工作中，企业的最高管理层包括董事长、总经理都需要花费大量的精力，通过对业务流程以及服务交付/实施来指定数字转型的战略目标。
所有的业务部门的领军人物、业务核心主管应该把人、流程与技术进行重新整合，实现卓越运营的框架与机制。
在运营架构的设计环节，首席数字官以及IT与OT的领导们就需要扫描所有领先的技术，特别是工业物联网与大数据等相关技术，从而得以实现IT-OT的融合。
有了运营架构，就可以在相关专家引领下选择合适的商业案例，定义短期以及长期的投资化实施计划以及展开成本架构与投资回报的分析，毕竟转型是将一切围绕着企业更高的效益作为核心出发点。
而针对商业案例所选择的解决方案则是最终落地的工具与技能，在整个数字化转型的工作链里面处于最末端的位置。最后一步就是PDCA，把每个环节的价值结果输出作为输入到上面一个层级，形成了一个完整的回路。
战略需要有颠覆性与可执行性
从顶层设计角度来看，现今的制造型企业需要花大力气在类似IIoT等这些新技术如何能够颠覆转变产品、价值链、业务流程以及连接服务交付上。智能制造是长期的工作，在战略层面，企业应做出5年、10年、甚至20年的相对应的计划。
而这些转型愿景都建立在企业具有竞争优势、服务交付不断变化的属性以及工业4.0、智能制造或智能连接资产等现有模式上。
卓越运营需要精益及创业精神
从目前全球领先的企业和成功的大数据案例来看，针对应用大数据的分析阻力基本体现在技术、人力与流程方面。而人员、流程和技术恰恰是卓越运营各项举措的基础，这些通常由组织内业务领导掌管。
各个大公司如今已经开发了成熟的模式来帮助人员、流程和技术功能设定目标和发展计划，以及度量程序来评估运营各个方面的性能。
投资任何的先进技术，无论是为了提高预测，增加消费服务，减少成本，降低风险，提高透明管理等等，都是围绕着提高经营业绩这个核心目的。
而企业往往会在某个时间段，有偏向性地关注或投入这三大类中的一种， 例如只投入技术和工具，而忽略或滞后了人力以及流程其他两种，很容易出现缺乏完整和平衡性的设计，这是非常不明智的。
大多数世界级的制造型企业都有某种形式的并且有十多年历史的卓越运营措施和最佳实践。这些措施/实践一般都包含了企业多种管理系统和持续改进的能力，比如精益和六西格玛。
再进一步说，制造公司需要继续发展卓越运营措施，不仅成为公司持续改进的发动机，还要同时成为创新的动力。这也往往意味着，当对待那些有着提供远远多于大部分持续改进措施能带来的1%~2%收益的实验项目时，要有“经常失败、快速失败”的精益、创业精神。
运营架构需要建立CDO+IT+OT的超级团队
IT组织已经采用了传统企业架构，而这种企业架构往往专注于建立稳健的程序与技术来发展企业应用格局、支持IT堆栈。
通用的运营技术包括了自动化、企业工程和/或先进制造，分别拥有工厂级技术的技术架构。随着工业物联网的出现，制造型企业建议采取将正式、精确的企业架构流程应用于整个IT-OT堆栈的运营架构方法。
为了实现此目的，企业需要创立一支超级团队，尽早在企业内建立合作文化和机制。建立超级跨职能团队，专注于数据体验的开发，通过建立聆听平台，尝试着与之前没有交集的团队进行合作。
首席数字官(CDO)的出现，这种新型协作的成功便成为这位数字官章程的重要组成部分。企业比任何时候都需要一个数字领导来带领公司实现企业的商业目标。
这个领导和团队要能理解营销和科技融合的真正含义，要能够传达融合的益处，要能理解数据的真正价值在于它告诉我们消费者想要什么，最重要的是消费者在做什么。
首席数据官的工作重点要使用数字技术，将公司内部散乱的数据业务和资产归整起来并协调组织，填补传统媒体和数字媒体之间的差距，设计更好的媒体策略。
商业案例需要与战略全面结合
在我所接触到的各种制造业企业里，公司由于受到传统组织架构与管理体制的局限，一般的初步试验性案例很少与广泛的战略目标、卓越运营和运营架构联系在一起，很少有把既了解流程也了解技术的资深主题专家融合在一起、共同选择并设计的商业案例。
当然，要找到这些专家本身有一定难度，专家同时要懂得IT和OT是很难的。我们可以选择那些有偏重性但更有融合与创新思维的专家组建团队，他们应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。仅就这一点而论，工业公司不将技术投资看作一次性的商业案例而是将其看作符合运营架构目标、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，也是非常重要的。
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中所有的其余部分。
这种做法是延续多年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，类似于Quick-win，然后对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。
创新的变革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，十之八九”。所以，即便试点成功，未来的推广与变更管理也会是难以逾越的挑战。
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，需要花点时间，建立量化、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、客户与产品全面地连接，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，从而优化企业应用与协同。
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。
我们在落地中国智能制造的又一重要挑战在于，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。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，在不久的将来IIoT会是一种可控的混合模型，届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。
这不仅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。
制造运营管理的未来是集成与协作平台
在大数据的概念面世前，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，而且很多企业都已经做得相当成熟，也产生了不错的效益。
传统意义上来说，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，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显现，新的分析法同样如雨后春笋般出现，特别是在预测性与规范性分析方面。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检验这些工具，从而检验工业物联网下大数据如何加速从对它们的利用中获取价值。
来源：网络
在数字化转型过程中，考虑将工业物联网等技术作为数字化转型的核心组成部分，实现颠覆转变产品、价值链、业务流程以及连接服务交付，已经成为一种趋势。
在整个的数字化转型工作中，企业的最高管理层包括董事长、总经理都需要花费大量的精力，通过对业务流程以及服务交付/实施来指定数字转型的战略目标。
所有的业务部门的领军人物、业务核心主管应该把人、流程与技术进行重新整合，实现卓越运营的框架与机制。
在运营架构的设计环节，首席数字官以及IT与OT的领导们就需要扫描所有领先的技术，特别是工业物联网与大数据等相关技术，从而得以实现IT-OT的融合。
有了运营架构，就可以在相关专家引领下选择合适的商业案例，定义短期以及长期的投资化实施计划以及展开成本架构与投资回报的分析，毕竟转型是将一切围绕着企业更高的效益作为核心出发点。
而针对商业案例所选择的解决方案则是最终落地的工具与技能，在整个数字化转型的工作链里面处于最末端的位置。最后一步就是PDCA，把每个环节的价值结果输出作为输入到上面一个层级，形成了一个完整的回路。
战略需要有颠覆性与可执行性
从顶层设计角度来看，现今的制造型企业需要花大力气在类似IIoT等这些新技术如何能够颠覆转变产品、价值链、业务流程以及连接服务交付上。智能制造是长期的工作，在战略层面，企业应做出5年、10年、甚至20年的相对应的计划。
而这些转型愿景都建立在企业具有竞争优势、服务交付不断变化的属性以及工业4.0、智能制造或智能连接资产等现有模式上。
卓越运营需要精益及创业精神
从目前全球领先的企业和成功的大数据案例来看，针对应用大数据的分析阻力基本体现在技术、人力与流程方面。而人员、流程和技术恰恰是卓越运营各项举措的基础，这些通常由组织内业务领导掌管。
各个大公司如今已经开发了成熟的模式来帮助人员、流程和技术功能设定目标和发展计划，以及度量程序来评估运营各个方面的性能。
投资任何的先进技术，无论是为了提高预测，增加消费服务，减少成本，降低风险，提高透明管理等等，都是围绕着提高经营业绩这个核心目的。
而企业往往会在某个时间段，有偏向性地关注或投入这三大类中的一种， 例如只投入技术和工具，而忽略或滞后了人力以及流程其他两种，很容易出现缺乏完整和平衡性的设计，这是非常不明智的。
大多数世界级的制造型企业都有某种形式的并且有十多年历史的卓越运营措施和最佳实践。这些措施/实践一般都包含了企业多种管理系统和持续改进的能力，比如精益和六西格玛。
再进一步说，制造公司需要继续发展卓越运营措施，不仅成为公司持续改进的发动机，还要同时成为创新的动力。这也往往意味着，当对待那些有着提供远远多于大部分持续改进措施能带来的1%~2%收益的实验项目时，要有“经常失败、快速失败”的精益、创业精神。
运营架构需要建立CDO+IT+OT的超级团队
IT组织已经采用了传统企业架构，而这种企业架构往往专注于建立稳健的程序与技术来发展企业应用格局、支持IT堆栈。
通用的运营技术包括了自动化、企业工程和/或先进制造，分别拥有工厂级技术的技术架构。随着工业物联网的出现，制造型企业建议采取将正式、精确的企业架构流程应用于整个IT-OT堆栈的运营架构方法。
为了实现此目的，企业需要创立一支超级团队，尽早在企业内建立合作文化和机制。建立超级跨职能团队，专注于数据体验的开发，通过建立聆听平台，尝试着与之前没有交集的团队进行合作。
首席数字官(CDO)的出现，这种新型协作的成功便成为这位数字官章程的重要组成部分。企业比任何时候都需要一个数字领导来带领公司实现企业的商业目标。
这个领导和团队要能理解营销和科技融合的真正含义，要能够传达融合的益处，要能理解数据的真正价值在于它告诉我们消费者想要什么，最重要的是消费者在做什么。
首席数据官的工作重点要使用数字技术，将公司内部散乱的数据业务和资产归整起来并协调组织，填补传统媒体和数字媒体之间的差距，设计更好的媒体策略。
商业案例需要与战略全面结合
在我所接触到的各种制造业企业里，公司由于受到传统组织架构与管理体制的局限，一般的初步试验性案例很少与广泛的战略目标、卓越运营和运营架构联系在一起，很少有把既了解流程也了解技术的资深主题专家融合在一起、共同选择并设计的商业案例。
当然，要找到这些专家本身有一定难度，专家同时要懂得IT和OT是很难的。我们可以选择那些有偏重性但更有融合与创新思维的专家组建团队，他们应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。仅就这一点而论，工业公司不将技术投资看作一次性的商业案例而是将其看作符合运营架构目标、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，也是非常重要的。
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中所有的其余部分。
这种做法是延续多年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，类似于Quick-win，然后对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。
创新的变革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，十之八九”。所以，即便试点成功，未来的推广与变更管理也会是难以逾越的挑战。
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，需要花点时间，建立量化、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、客户与产品全面地连接，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，从而优化企业应用与协同。
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。
我们在落地中国智能制造的又一重要挑战在于，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。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，在不久的将来IIoT会是一种可控的混合模型，届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。
这不仅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。
制造运营管理的未来是集成与协作平台
在大数据的概念面世前，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，而且很多企业都已经做得相当成熟，也产生了不错的效益。
传统意义上来说，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，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显现，新的分析法同样如雨后春笋般出现，特别是在预测性与规范性分析方面。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检验这些工具，从而检验工业物联网下大数据如何加速从对它们的利用中获取价值。
来源：网络
