5-5 工业数据治理和数据资源化思考与实践 -钟虓

工业数据治理和数据资源化思考与实践

背景

• 数字化转型已成为国家战略，制造业企业面临降本增效的压力。
• 数字化转型不仅提升效率，还能推动业务升级。
• 数字化领军企业通过内部变革和对外输出高价值产品与服务，构建数字化生态。

关键数据

• 数字化转型有助于提高收入和盈利能力。
• 数字化领军企业通过数据治理和资源化，实现了更高的价值创造和成本节约。

实践案例

1. 高端复杂装备数据治理

   • 涉及测风塔、激光雷达、油品检测等多个领域。
   • 数据类型多样，包括时间序列数据、对象数据等。
   • 通过数据治理和资源化，提高了复杂装备的智能化水平。

2. 煤矿综采设备智能服务

   • 建立了基于数据的智能服务应用，提高了煤矿综采设备的智能化水平。
   • 利用K2产品进行数据分析和模型构建，提升了设备的运行效率和安全性。

3. 动力透平设备智能运维

   • 通过高精度数据采集和存储，积累了大量装备工况数据。
   • 构建了基于工业大数据的远程运维与健康管理平台，提高了设备运行的安全性和可靠性。

4. 新能源商用车&工程机械大数据智能运营

   • 建立了大数据运营平台，提供了经济模型评估、效率模型评估和健康模型评估。
   • 提升了矿场和工程机械的整体运营效率和经济效益。

数据治理挑战

• 数据分散、多维、海量。
• 数据接入、存储、管理、使用过程中的复杂性。
• 数据治理的标准和规则不统一。

数据资源化方法

1. 数据接入时实时治理

   • 在数据接入平台时进行实时治理，减少后续处理的复杂性。
   • 但面临数据治理规则变更导致的历史数据调整问题。

2. 数据接入时实时治理且保留原始数据

   • 同时提供治理后数据和原始数据，但增加了存储资源负担。

3. 分阶段按需数据治理

   • 根据实际需求分阶段进行数据治理，灵活应对不同场景。

观点

• 分阶段数据治理：按需分阶段进行数据治理，避免一次性投入过大。
• 按需数据资源化：根据实际需求灵活进行数据资源化，提升数据价值。
• 体系化建设并行：结合业务视角审视数据治理和资源化过程，确保体系化建设。

关于昆仑数据/工业大数据创新中心

• 成为中国工业企业信赖的大数据合作伙伴。
• 跨界融合协同创新，布局多个创新中心。
• 在工业数据挖掘领域处于领先地位，多次入选国家级项目。