 在大数据行业应用中，工业领域除了传统制造业巨头，涉足的创业公司不多，是相对冷门的方向。究其原因，其一，对工业业务理解是巨大门槛；其二，工业应用定制化程度高，一个细分问题对应一个算法模型，繁杂程度可见一斑。但总体来看，工业市场空间巨大，数据分析需求强烈，全球化趋势明显，爱分析认为工业领域是大数据行业应用的优质赛道之一。 昆仑数据凭借技术实力较早入场工业大数据，在能源、电子制造等领域取得快速发展。昆仑数据获客的打法简单明快，项目落地切实高效，获得多个行业标杆企业认可并达成战略合作，倾力推动中国工业智慧升级。 指导 | 凯文 撰写 | 关蕾 昆仑数据成立于2014年底，由陆薇带队的原IBM大数据团队创立，一直深耕工业大数据领域，是该领域的翘楚。
创业之初，昆仑数据沿袭之前在IBM的市场路线，主营业务为提供工业大数据平台产品，支持海量高通量工业数据应用的规模部署。
在市场实践中，昆仑数据逐渐认识到中美市场的差异，中国工业领域大数据应用仍处于早期，在提供技术平台之前，首先需要帮助企业解决业务价值、实施路径等问题，因此后来拓展了产品线，支持企业从业务问题诊断、专题试点到规模部署的完整体验。
工业大数据的兴起晚于互联网大数据，目前国内出现的创新公司并不多，仍处于跑马圈地的早期阶段。昆仑数据的打法是，从行业标杆客户切入，逐步服务其上下游企业，以“点-线-面”的方式拓展，在某一细分行业里先深再宽，以提升细分市场占有率和影响力。
由于工业数据存在多样性、专业性和复杂性等特点，要求入场的大数据服务商具备深度的行业理解。爱分析认为，相对于正逐步开源的数据分析算法，寻找合适的应用场景、获取持续不断的数据源才是最重要的两个难点和挑战。
目前，工业大数据主要涉及以下三类数据源：
第一， 企业经营相关的业务数据，来自于企业内部的ERP、 CRM、SCM等管理系统，满足企业的日常管理需求； 第二， 机器设备数据，一部分来自于设备制造管理的数据，以MES系统数据为代表，通过数据分析优化生产流程、提高产量，一部分来自于设备运行参数及传感器数据，通过数据分析提升效率、控制风险； 第三， 企业外部数据，包括相关的环境、气象、上下游供应商数据等，配合前两类数据完成设备的数据建模。  相比于互联网大数据，工业大数据有非常强的目标性，需求十分明确，以产品全生命周期管理为例，一个设备的智能运维通常需要若干个小型的模型，完成不同的功能。互联网大数据则相对中心化，围绕着一个主题应用场景做更丰富的功能开发和更深的应用挖掘。
昆仑数据创始人陆薇解释说，互联网大数据类似一个巨大的星球，工业大数据则更像一条星系，由数个小星球汇聚而成。
由于工业业务的个性化特点，现阶段工业大数据公司一般会锁定细分领域提供定制化的业务模式，但底层平台产品具有较高的通用性，在跨领域之间也具有很强的参考意义。
爱分析认为，定制化的业务模式虽然不能改变，但选择在单个行业纵深的战略打法值得肯定。
从工业大数据产业链上判断，传统大数据和工业自动化产业，以IBM、Microsoft、GE、SIEMENS等为代表的巨头公司利用先发、资源、技术等优势，将在产业链上占据重要环节，大量新兴初创公司凭借开源技术，结合个别细分领域的业务认知力，或将成为细分领域的重要支撑力量。
国内市场中，昆仑数据是较早介入工业大数据领域的创业公司之一，并与金风科技、中石油、台达电子等工业龙头企业建立了战略合作关系。
传统工业巨头似乎格外关注本行业内技术创新型公司，国外工业物联网公司路径也不谋而合，其中新锐公司Uptake的快速成长与机械大亨Caterpillar关系密切，Caterpillar是其种子客户，二者不仅长期保持合作，更是参与了Uptake两轮融资。
与传统巨头战略合作，创业公司在技术、资源等方面收益颇丰。
目前，中国工业企业对大数据理解很多还停留在概念层面，仍需大量教育市场工作。昆仑数据采取的打法是先帮企业用户做痛点诊断，通过基于业务以及数据的双重诊断报告帮助企业梳理需求；再选择其中有代表性的问题做试点方案，再次明确方案的可行性、为用户测算投资回报、为其提供科学决策的数据价值依据；最终延伸至规模部署阶段，做企业系统性的大数据平台建设和全面部署。
昆仑数据在创立之初就明确选择了工业领域。陆薇毕业于清华大学，计算机系博士，是IBM中国区培养的第10位全球技术高管、杰出工程师。她带领团队研发物联网领域产品，主旨在实现设备数据的商业价值，是初具成果的工业大数据业务雏形。
近日，爱分析专访了昆仑数据创始人兼CEO陆薇，精选部分与读者分享。  实行客户落地三段论，聚焦工业四大痛点需求 爱分析：与其它类型大数据相比，工业大数据需要对业务的深刻理解，昆仑数据为何选择工业方向切入？ 陆薇：创立昆仑数据之前，我在IBM研究院管理大数据研发。2009年，我带领团队参加IBM全球重大研发计划，专注物联网方向，把物联网设备数据收集到云端，做存储、分析，产生价值，解决问题，与现在选择的领域一脉相承。 做项目的过程中，我们看到物联网市场逐步兴起，万物互联是必然趋势。而且，这项技术有独特性和领先性，通过反复验证，市场需求反馈强烈。 随后，项目进入IBM公司战略层面。受制于当时的公司体制，产品并不能以最符合市场需求的形式呈现，注定在市场竞争中出现严重后果，于是我们决定出来自己做。 爱分析：从2014年12月成立至今，是否尝试过别的方向？ 陆薇：我们一直专注在工业领域，在技术思路和产品上做过一些适度调整，一直在更迭演进。 爱分析：目前的打法是什么？ 陆薇：对很多工业企业来说，第一个问题是回答大数据到底能为其带来什么价值，其次是如何跟企业业务结合，给予行之有效的实施路径。 我们为客户解决问题实行三段论。 第一步，给业务做诊断。如果企业想引用大数据，但又不知如何下手，我们会进场做业务诊断，系统地梳理业务形态，找到痛点，确定可以用大数据解决的问题。通常，诊断需要一天，诊断报告需要一周。 第二步，做试点。诊断之后，客户确认这个问题很重要，且数据完备度好，我们会做方案试点。 第三步，做部署。通常，对试点效果认可度高的行业标杆公司，会走到全面部署实施的阶段。 爱分析：做试点是一个比较偏重的模式，是否占用过多人力成本？ 陆薇：工业领域特点决定了这个商业模式，只有这样，才能真正帮助企业迅捷地实现数据价值落地。刚开始有点慢，我们目前标准是，十周完成一个试点。随着案例、模型逐渐增多，以后会越做越快。 爱分析：做试点会有哪些收获？ 陆薇：做完试点，有几件事就明确了：一，技术可行性，问题能否通过数据解决；二，投入产出，比如通过我们的模型可以提高多少产量，多少折现价值；三，明确解决这个问题，和哪些因素相关。 下一步，企业可以根据算出来的可行性、价值、投入产出，做科学决策，我们也可以做价值定价。 爱分析：如何进行价值定价？ 陆薇：我们的理念是数据价值大于数据平台价值。我们不是单纯卖一个平台产品，而是解决了实际问题，有额外的价值产出。 工业企业很直接，两三年内能收回投资的，就愿意投入实施。 爱分许：如果试点完了，也没有梳理出需求，会有哪些维度去判断投入产出的问题？ 陆薇：试点之前，为了保证试点效果，双方要确立共同的目标。包括共同认可问题的重要程度、共同同意的分析方法、共同配合的团队、共同同意的时间表等。一定是客户得重视，得配合，才能提高成功率。 爱分析：从平台切入应用，通常为客户解决哪些实际问题？ 陆薇：通常工业大数据有四大类应用：提质、增效、降耗、控险。控险一般在高危行业，比如化工。 爱分析：这四类应用从数据分析方法或算法模型上有通用性吗？ 陆薇：方法上有通用性，但模型是个性和共性的结合。 第一，工业大数据一定是个性化的，每个应用领域都不同。即使同款产品，使用不同的设备生产，获取的数据也不同。第二，底下平台产品是有共性的，比如传感器数据可以算一种数据类型。第三，有些不同行业也可以相互参考，比如生物制药和化工。 以后会越做越快，找相近的问题，在既有的模型上，用新环境下的数据重新做训练。 两个产品一个服务，“点-线-面”拓展战略  爱分析：对外产品以什么样的方式输出？ 陆薇：我们有两个平台产品，一个叫K2Sigma，是昆仑数据自己运营的公有云服务，支持数据应用的诊断和试点阶段；另一个叫KMX，支持规模部署阶段，支持公有云和私有云两种部署方式。 此外，我们还提供数据科学服务，我们的数据科学家可以深入企业一线与业务专家一起解决问题。未来，我们还将在一些复制性强的应用领域提供应用产品。 爱分析：会去帮企业做底层的数据治理吗？ 陆薇：不会一开始做全面的数据治理，企业数据治理项目非常耗时。 我们推荐小步快跑，快速实现。先找到业务切入点，再围绕切入点把东西做出来。但我们有一个架构原则，保证以后在增加和扩容时，不至于要推翻重来。采取渐进的方式，从一个需求点出发，上下打穿，逐渐扩充。 爱分析：做模型验证时候主要用的哪些数据？ 陆薇：机器数据、业务数据，以及一些第三方数据，包括天气、地理等数据。 爱分析：常用的第三方数据源如何获得？ 陆薇：一些是企业采购的数据源，一些是公共数据源。目前以企业数据为主，未来计划在平台上提供更多的公共数据服务。 爱分析：这样看来，也不完全对标Uptake。 陆薇：对，Uptake做PHM（故障预测与健康管理）多一些，我们不限于这个。 爱分析：重点关注的是哪些细分行业？ 陆薇：我们做的最多的是能源，像风电、石油，能源企业数据完备度比较高。其次是精密制造，比如电子，关注质量、产量的应用。 爱分析：昆仑数据在细分领域、场景应用上，提供多元化的解决方案，而并不是选择聚焦在一个细分领域，或一个解决方向上，是如何考虑的？ 陆薇：我们最早的出发点是做一个通用的工业大数据平台，后来发现只有这个平台不能直接解决客户问题，一定要这个平台上面有能解答业务问题的分析应用。在选择分析应用时发现，不同企业又有各自独特的关注点，随着对行业与用户需求的更深入理解与价值挖掘，应用也能逐步自成体系。 2C是做爆款应用，一个公司做一个应用，可以比较专注，像打造一个巨大的星球。但2B里面，工业有很多门类，每个门类有不同场景，像打造一个星系，由若干小星球汇聚而成。当然，我们只会选择有限的几个高价值星球聚焦。 爱分析：您认为昆仑数据的技术壁垒产生在哪些地方？ 陆薇：首先，我们的平台产品针对工业数据的特点有一系列的专有技术，例如带工业语义的查询、数据版本和完整性管理等等。此外，这个领域，经验积累很重要。我们积累一部分在数据模型，一部分在对工业领域的理解，比如对生产工艺流程的理解，也会变成模型的一部分。积累逐渐增多，就会形成很大的壁垒。 爱分析：下一步公司整体战略是什么？ 陆薇：一方面是继续按照三步走的方式走下去，不断打磨产品，提升效率，把产品做好。 另一方面，商业上按照点线面拓展。由工业龙头企业切入其上下游，大数据跨越企业的边界，支持整个产业链。不仅解决单个企业内部的问题，会帮企业搭建一个服务上下游产业链的数据平台，让数据在产业链上流动起来，把数据的价值无限放大。 主要成本在研发， 四类人才协作共赢  爱分析：销售模式以直销为主还是渠道为主？ 陆薇：我们目前是直销加上合作伙伴。 爱分析：通常客单价是什么量级？服务的客户量有多少？ 陆薇：客单价取决于阶段，试点项目一般几十至百万上下，部署看规模，几百万到上千万不等。 爱分析：客户量与销售额的增加与人员扩张有直接关系吗？ 陆薇：不太直接。在公司初期，产品刚刚研发出来的时候，效率不是那么高，后来随着产品的稳定，随着项目的增多，效率越来越高。人均产出会稳步增长，因此人员增长和销售额增长的关系不是线性的，比如业务翻一倍，不需要人翻一倍。 爱分析：整体团队规模有多少人？是怎样的结构？ 陆薇：目前80多人，包括60人研发。 爱分析：这个领域对人才的要求有哪些特点？ 陆薇：我们需要四类人。 第一，懂行业的业务分析师，能够用行业的语言与客户交互，了解实际问题，并变成数学问题。 第二，数据科学家，根据数据和数学问题，做算法和建模。 第三，数据工程师，负责数据整理、清洗，包括写小程序。 第四，应用开发工程师，在部署时把算法开发成能用的系统，做产品化封装，有时也通过合作伙伴或应用集成商。很多时候，我们做的应用会变成客户某个系统的一个外脑。 例如，MES系统是企业做制造执行的管理系统，我们会从其中读取数据，给它加外脑，帮它做智能判断、决策、预测，但结果要返回给它，再控制机器。 新工业革命全球化，探索场景是挑战  爱分析：您认为，工业大数据和互联网大数据有哪些区别呢？ 陆薇：第一，数据类型不同，消费互联网大多是人产生的数据，如文本、图片、视频、社交行为，是半结构化、无结构数据。工业领域大多是机器数据、设备工况、周边环境、人机交互等数据。 第二，这两类数据上的分析应用也不尽相同。一个的典型应用是推荐、信用分析等，另一个做频谱分析、故障预测等应用，这是两个截然不同的领域，需要用完全不同的技术。 爱分析：除了能源领域，您看到还有哪些领域信息化程度比较高？ 陆薇：流程制造业的信息化程度较高，像冶金、化工，自动化程度高，数据比较全。离散制造业高精尖一点的，信息化程度也很好。 爱分析：跟金风科技是如何合作的？ 陆薇：我们目前在帮助金风建设集团的数字化转型平台。在全面建设之前，我们先做了三个试点项目来验证数据的价值，一个是对风优化，实现发电效率提升，做完之后验证，平均一台风机每年可以多发电一万多元，金风有两万多台风机，全面部署后一年就可以增收两个多亿，数据的价值赫然出现。 另一个是大部件故障预警，比如传动装置齿形带有时会断裂，断了之后叶片不受控，严重会毁塔，我们通过大数据分析做到提前90个小时预警，扫塔概率降低30%。 还做了叶片结冰检测，我们通过数据分析判断单个风机的结冰状况和程度，制定准确的运行方案，用数据做决策。 爱分析：大数据和人工智能在行业应用中是分不开的，昆仑数据用到哪些AI技术？ 陆薇：举个例子，生物制药中提升产出药品的效价，需要从药品发酵罐的历史控制数据中挖掘出和效价的关联模型。药品发酵罐的性能会随着时间推移发生变化，今天工作很好的模型，可能明天就不好用了。所以需要根据持续进来的数据进行模型的自学习、自训练、自优化，这就是人工智能技术在工业里面的典型应用。 我们认为人工智能技术本身不神秘，像现在流行的人工智能算法，包括深度学习都开源了。 首先，技术本身不是问题，挑战在于找到合适的场景，使其产生很大的作用。第二，需要持续的数据喂算法，让算法越做越好，海量的数据远比算法重要。 爱分析：工业大数据在国内处于什么阶段？ 陆薇：我觉得刚刚兴起，到大范围应用还需要过程，正好适合创业公司和市场共成长。 大数据属于信息技术，新技术的蔓延过程一定是先从第四产业开始，以互联网技术为主的产业；再到第三产业服务业，比如金融、电信、零售等，信息化技术高，IT应用多；然后再到第二产业；最后才到第一产业，农业。我觉得不仅仅是大数据，任何一个IT技术，被采纳都是这样的过程。 大数据最早从互联网上起来；再到金融，像Fintech；这一两年开始，到工业界；国外也是一样的，也处于早期。 爱分析：未来几年这个行业的发展趋势，您怎么判断？ 陆薇：我觉得在至少未来5到10年，空间足够大。 首先，工业4.0，新工业革命是全球性趋势。在这个阶段，各个国家都在做升级，是产业发展的必然。另外，中国制造业发展遇到很大的挑战，有很强的市场需求。 新龙榜 新金融 企业服务 其它 出行服务TOP50 人工智能TOP50 教育科技TOP50
|
|
|
