数据治理（工业企业数字化转型之道)

数据治理（工业企业数字化转型之道)概叙篇，包括：德国工业4.0、美国智能互联、CPS信息物理系统、工业互联网、数据治理。

数据治理

• 工业企业需要数据治理
  • 德国工业4.0
    • 智能工厂
      • 从产品的制造端提出智能化转型方案
      • 核心
        • 物联网
        • 网络屋里生产系统
        • 为生产过程中的每个环节建立信息化链接
          • 人
          • 机
          • 物
          • 法
          • 环
          • 信息的高度透明
      • 实施方案
        • 二维战略
        • 纵向
          • 企业内部
            • 端到端的信息融合
              • 实现从底层的驱动器和传感器信号到 最高层的战略决策层的无缝连接；
        • 横向
          • 企业内部
            • 价值链
            • 上下游产业
            • 整合和协同优化
    • 智能生产
    • 智能物流
    • 智能电网
    • 智能建筑
    • 等
  • 美国智能互联
    • 美国国家科学基金会（NFS）于2006年提出信息物理系统的概念
    • 从实体空间的
      • 对象
      • 环境
      • 活动
      • 进行大数据的
        • 采集
        • 储存
        • 建模
        • 分析
        • 挖掘
        • 评估
        • 预测
        • 优化
        • 协同
        • 并与对象的设计、测试和运行性能表征想结合
          • 产生与实体空间的
            • 深度融合
            • 实时交互
            • 互相耦合
            • 互相更新的网络空间
            • 从而通过
              • 自感知
              • 自记忆
              • 自认知
              • 自决策
              • 自重构
              • 智能支持促进
              • 对象的全面智能化
    • 以CPS为核心的智能化体系
      • 特征
        • 智能感知
        • 数据到信息的转换
        • 网络的融合
        • 自我的认知
        • 自由的配置
        • 5特征构建5层技术模型
          • 智能感知层
            • 如何高效可靠的采集数据
          • 数据到信息的转化层
            • 信息挖掘层
            • 传感器
            • 控制器
            • 管理信息系统
            • 数据抽取转化成信息
          • 网络层
            • 网络化的协同管理
              • 面向设备集群及整个公司的运营 及经营活动的横向数据挖掘
          • 认知层
            • 识别与决策
              • 通过CPS网络感知
                • 根据健康状况的历史性分析
                • 通过某种特定的算法预测潜在的额故障
                • 为决策层提供依据
          • 配置层
            • 执行层
              • 由于可以追踪机器的健康状况并作出智能分析
              • 可以根据历史数据及实时采集到的数据动态调整参数，从而动态优化配置
              • 达到自适应
  • CPS信息物理系统
    • 信息物理系统采集工业生产过程的数据，积累并且分析这些数据，产生最终决策，干预生产过程，以达到提高生产效率，降低生产成本的目标。
    • 特征
      • 智能感知
        • 从信息来源、采集方式和管理方式上保证了数据的质量和全明星，建立支持CPS上层建筑的数据环境基础
      • 数据到信息的转换
        • 可以对数据进行特征提取、筛选、分类和优先级排序
      • 网络的融合
        • 将机理、环境与群体有机结合，构建能够知道实体空间的网络环境，包括精确同步、关键建模、变化记录、分析预测等
      • 自我的认知
        • 将机理模型和数据驱动模型相结合，保证数据的解读符合客观的物理规律，并从机理上反应对象的状态变化
      • 自由的配置
        • 根据活动目标进行优化，进而通过执行优化后的决策实现价值的应用
    • 从应用角度来看工业数据为工业企业带来的主要价值体现
      • 支持用户直连制造定制（C2M）以较低成本满足用户个性化需求
      • 使制造过程的信息透明化，从而提升效率、提高质量、降低成本和能耗
      • 提供设备的全生命周期健康管理，使设备的使用更加高效、节能，提高设备的使用寿命
      • 实现全产业链的信息整合，使整个生产系统协同优化，让生产系统变得更加智能，进一步提高生产效率并降低生产成本
  • 工业互联网
    • 工业互联网是新一代信息技术与工业系统全方位深度融合所形成的产业和应用生态
    • 是工业智能化发展的关键综合信息基础设施
    • 本质
      • 机器
      • 原材料
      • 控制系统
      • 信息系统
      • 产品
      • 人
      • 之间的网络互联
        • 通过对工业数据的
          • 全面深度感知
          • 实时传输交互
          • 快速计算处理
          • 高级建模分析
          • 实现
            • 智能控制
            • 运营优化
            • 生产组织变革
    • 三大体系
      • 网络
        • 基础
          • 智能信息
      • 平台
        • 核心
          • 智能系统
      • 安全
        • 保障
          • 智能决策
    • 核心
      • 工业数据
        • 是驱动工业智能化的关键要素和原动力
        • 以价值创造为核心的工业企业转型
        • 数据驱动下的智能制造
        • 数据是企业的核心资产
    • 对于钢铁，机械制造，油气管网等重资产行业
      • 如何通过数据分析由传统应急性维护迈向预测性维护
  • 数据治理
    • 其他行业的数据治理
      • 金融行业数据治理
        • 数据治理架构
        • 数据管理
        • 数据质量控制
        • 数据价值实现
        • 监督管理
        • 特点
          • 强调顶层设计，做好数据规划
            • 组织
            • 机制
            • 标准
            • 加强统筹谋划
          • 健全治理体系，把数据管理好
            • 建立全局数据模型和科学合理的数据架构
            • 通过数据交换机制实现数据的有序流转和安全应用
          • 加强安全管控，把数据保护好
            • 加强数据全周期安全管理
            • 数据的泄露，篡改，滥用要严防
          • 强化科技赋能，把数据应用好
            • 数据治理的核心环节事数据应用
            • 提升数据洞察能力和基于场景的数据挖掘能力
      • 电信行业的数据治理
        • 加快完善网络数据安全制度标准
        • 开展合规性评估和专项治理
        • 推进APP违法违规收集使用个人信息专项治理行动
          • 强化网络数据安全监督执法
        • 强化行业网络数据安全管理
    • 工业数据治理
      • 数据治理事工业大数据的基础
      • 主要特点
        • 数据来源的多样性
          • 既有经营管理的数据，也有客户行为画像的数据，更有多种设备状态，控制数据
        • 数据的实时性
          • 生产现在数据具有
            • 连续性
            • 实时性
            • 数据海量
            • 特点
              • 需要实时分析
        • 数据之间的相关性分析需要围绕
          • 产品生命周期
          • 企业全价值链
          • 产业链
          • 来构建
        • 技术层面
          • 非结构化数据
          • 实时数据
          • 居多
            • 对存储和处理能力有更高的要求
      • 挑战
        • 数据基础薄弱
          • 66%企业数据总量在20TB以下
          • 51%企业仍使用纸质或更原始的方式进行数据管理
          • 上下游供应链缺少数据互联互通
          • 销售订单依赖邮件或纸质传递
        • 数据治理滞后
          • 元数据
          • 主数据
          • 分析数据
          • 缺乏
            • 标准管理
            • 质量管理
            • 安全管理
            • 生命周期管理
        • 数据交易法规尚不完善
        • 数据价值难以量化评估