1、问题转化能力。

我一直认为，工业（我主要谈制造）大数据的应用主要是把人的知识与数据相结合。对于工业问题，人都是有经验的。但人的经验是用自然语言表达的，大数据工作人员需要把它翻译成数据的语言。

比如，高炉专家说炉子的状态不好。搞数据的就应该去弄清楚，什么叫状态不好，应该看哪些数据、什么样的数据表现才叫做顺行。师傅说琴的声音浑厚，搞数据的就要搞清楚，用什么数据、什么模式衡量“浑厚”。总之，要把人的问题变成数据的问题。

2、数据认知能力

我一直说数据会骗人。现场的数据和你理解的数据之间是有偏差的。数据是怎么采集的、怎么传送的、怎么计算的、怎么存储的、怎么表现的、怎么管理的都要搞清楚。比如，关于数据采集，必要的时候，要把传感器的原理、影响因素、外部环境都要搞清楚。

3、提出数据需求的能力

要解决一个问题、达到一个目标，事先要对数据提出需求。需要哪些数据、如何采集、如何存储等等，要事先提出要求。提要求并不简单。不要等到人家给你数据了、你的程序也变好了，你才发现数据有问题、不适合。这样会坏事的。要事先保证能够达到你的目标。这个能力要基于数据认知能力、还要基于对工业对象的认识。

    下面再简单地提一下我脑子中的分析方法，以便于理解这些能力。

 我一直反对某些砖家把数据分析神秘化。首先要知道，针对生产过程的数据分析，并不是能够解决所有问题的。我们主要针对能够解决的问题。

对于可以解决的问题，我个人觉得，多数数据分析问题，只要看生产过程是不是符合标准。这可能能够解决90%的问题。剩下的要看数据是不是正确、准确、合理地表达。对这类问题的分析，可能解决剩下的10%的90%的问题。最后解决1%的问题，才是看标准本身是不是有问题。在这1%的问题中，多数可以用回归、方法差分析、决策树等基本的统计办法来解决。这三招都没用了、问题的价值又很大，你再考虑论文上说的那些高大上的办法。

要记住：工程师要用最有效、最迅速的办法解决重要问题。这些办法一般都很简单。而写论文的人是要显示自己的学术水平的。两者的追求不一样。对工程师来说，如果问题太难、重要性又不是太大，就不要做了：应该把精力用到更重要的事情上去。工程师是价值取向，价值小的东西该舍就舍，经济上才划算。

    昨天听完王安耕先生的报告后想到一句话，这里再和大家分享一下：在工业界，在信息和智能化领域，思想往往是不变的。现在的很多思想，在几十年前就有了，好的做法往往已经很经典了。跟着学就行了。变化的东西有两条：一个是条件和需求，另外一个是名词。搞技术的人，要多回顾历史、过去的思想更加单纯、通透，少被现在的一些不断变化的名词忽悠了。

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。