作为有史以来最具颠覆性的技术之一，产业物联网有望彻底改变制造企业在资源分配、生产加工、物料处理及人力资源管理方面的业务逻辑。
通过有效利用数据，加强系统集成和增强流程可视度，产业物联网能够助力制造业企业提高生产效率、灵活安排资源、优化产品服务并挖掘新的业务增长点，最终让客户满意程度和企业绩效创出新高度。
那么产业物联网到底是什么，它在人机一体化智能系统中扮演何种角色？作为工业价值转型的核心竞争力，大数据该如何定义和使用？它和我们的“荷包蛋模型”有啥关系？今天的文章，我们就来带你一探究竟。
产业物联网由智能化的工业产品、流程和服务组成，通过互联网络，在其相互之间以及与人之间，实现信息沟通。预计到2030年，通过优化生产流程，产业物联网可为全球带来数万亿美元的经济稳步的增长，明显地增加长期就业。
然而，在实际应用过程中，由于企业个体情况的不同，产业物联网的落地速度也各异。埃森哲近期对全球1400多名商业领袖的调查发现，有高达73%的受访者尚无具体实施方案，制定了全面战略规划及已进行配套投资的仅占7%。
埃森哲认为，成功运用新技术的企业，往往都是“谋定而后动”，并能审时度势，视情况灵活调整计划，达成最终目标。“知己知彼”则是“谋定而后动”的基础和前提。比如，明晰产业物联网未来不同的发展阶段及其各自特点。
第一阶段：产业物联网能够在一定程度上帮助企业提升生产效率、降低经营成本、改善工作条件及设备利用。研究表明，公司运营效率每年只要提升1%，20年就可为全球创造数万亿美元的增长。
第三阶段：成果经济的建立，将以产业物联网的自动量化能力为基础。从销售产品或服务向销售可预测成果的巨大转变，势必会重新定义商业社会的整个竞争基础和产业结构。
第四阶段：随着产业物联网逐步渗透至各行各业，它最终将产生拉动式经济效应——实时感知需求、实现高度自动化、灵活生产，并且完善各自网络。
随着产业物联网的深入发展，工业大数据在其中的重要性也日益凸显；而工业大数据的不断丰富，又逐步推动了产业物联网的进步。
但是，不同于互联网和商业环境中重量轻质的“商业大数据”，工业大数据对于数据的质量、全面性和关联因果性有着更高的要求。下图便是一个简单的对比。
“有之以为利、无之以为用”是老子《道德经》中的一句话，这句话放在今天工业大数据的应用领域同样适用。
在工业和商业从分离到融汇的过程中，有四个需要我们来关注的重要转变——客户的真实需求的转变、生产系统的转变、商业模式的转变、工业系统运转模式（决策模式）的转变。这一系列转变的核心，则是工业价值的转型。在从“自造”到“制造”，再到“智造”，进而到“传承”的过程中，工业大数据发挥了举足轻重的作用。
这种转变可以从“荷包蛋模型”来阐释。在产品与服务价值之间的关系中，蛋黄代表产品本身，其差异性和客制化程度并不明显；而蛋白所代表的增值服务却是差异化和客制化的重要体现，也是企业品牌和可持续价值所在。
这些价值存在于用户的使用场景、隐形因素的相关性，和产品全生命周期这些“不可见的世界”中。数据将成为挖掘这些价值的重要手段。此外，以数据分析为驱动的智能运维服务，也成为许多企业尝试价值转型的重要方向。
工业机器人如今已被大量应用于工业生产里，然而正是这种大范围应用，加之生产环境十分复杂，因此并不适合安装外部传感器，而是使用控制器内的监控参数对其健康做多元化的分析。这为日后的分析和维护造成了不小的障碍。
以日产公司为例，它们的工业机器人中有相当一部分是六轴机械臂，任何一个轴出现故障都会造成机械臂的停机。而通过工业大数据预测分析模型，日产可以对机械臂的工况进行区分，再对每一个工况内的状态参数建立健康评估模型，在故障发生前的三周就可以预测到早期故障特征。
在此基础上，日产建立了“虚拟工厂”在线监控系统，从生产系统级、产线级、工站级、单机级和关机部件级，垂直立体化管理设备状态，根据设备的实时状态作出维护和生产计划的调度。
该系统还能够每天生成一份健康报告，对生产线上所有设备的健康状态进行排序和统计分析，帮助管理人员既不放过任何一个风险点，也避免多余的检查和维护，实现了从“预防式维护”到“预测式维护”的转变。
在制造系统中，同样也有“可见”和“不可见”之分，通过大数据对“不可见”问题获得深刻的洞察，是实现无忧虑制造环境的基础，也是人机一体化智能系统的本质。
第一区间——使用户得到满足可见的需求和解决可见的问题，这个空间内依然有中国制造需要补习的功课，比如质量、污染和浪费等问题，需要的是持续的改善与逐渐完备的标准化；
第一区间——使用户得到满足可见的需求和解决可见的问题，这个空间内依然有中国制造需要补习的功课，比如质量、污染和浪费等问题，需要的是持续的改善与逐渐完备的标准化；
第二区间——避免可见的问题，需要从使用数据中挖掘新的知识对原有生产系统和产品做加值改善；
第二区间——避免可见的问题，需要从使用数据中挖掘新的知识对原有生产系统和产品做加值改善；
第三区间——利用创新的方法与技术去解决未知的问题并创造新的竞争力，如利用传感器与大数据使不可见的问题透明化，进而去管理和解决不可见的问题；
第三区间——利用创新的方法与技术去解决未知的问题并创造新的竞争力，如利用传感器与大数据使不可见的问题透明化，进而去管理和解决不可见的问题；
第四区间——寻找和满足不可见的价值缺口，避免不可见因素的影响，这也是工业4.0的最终目标。
第四区间——寻找和满足不可见的价值缺口，避免不可见因素的影响，这也是工业4.0的最终目标。
第一个方向：在解决可见问题的过程中积累经验和知识，从而避免这一些问题。在此过程中，数据是经验和知识的载体。
第二个方向：依靠数据，分析问题产生的隐性线索、关联性和根本原因等，进而将不可见问题显性化，解决不可见问题。现在的制造系统正在经历从第一个方向到第二个方向的转变。
第三个方向：通过对数据的深度挖掘，建立知识和问题之间的相关性，从数据中启发新知，并利用知识对制造系统进行精确的建模，产生能够指导制造系统活动的镜像模型，从系统的设计端避免可见及不可见问题的发生。
第一个方向：在解决可见问题的过程中积累经验和知识，从而避免这样一些问题。在此过程中，数据是经验和知识的载体。
第二个方向：依靠数据，分析问题产生的隐性线索、关联性和最终的原因等，进而将不可见问题显性化，解决不可见问题。现在的制造系统正在经历从第一个方向到第二个方向的转变。
第三个方向：通过对数据的深度挖掘，建立知识和问题之间的相关性，从数据中启发新知，并利用知识对制造系统来进行精确的建模，产生能够指导制造系统活动的镜像模型，从系统的设计端避免可见及不可见问题的发生。
工业大数据的目的并不是追求数据量的庞大，而是通过系统式的数据收集和分析手段，实现价值的最大化。在向人机一体化智能系统的转型中，企业能否更加有效地积累和利用数据资源与知识的传承，决定了其能否在新竞争环境中脱颖而出。
本文改编自埃森哲《展望》期刊（2017年春季刊）文章《人机一体化智能系统之路线图》（作者：埃森哲大中华区产品制造事业部总裁黄伟强、埃森哲大中华区资源事业部董事总经理王晖、埃森哲大中华区管理咨询供应链与运营总监林佑轩、埃森哲大中华区管理咨询董事总经理黄雪明）和《工业大数据：挖掘“不可见世界”中的价值》（作者：美国辛辛那提大学特聘讲座教授李杰、北京天泽智云科技有限公司研发技术副总裁刘宗长）。
