大数据产业与装备制造业融合发展研究*

李 艺， 束超慧， 李曼罗

(沈阳工业大学 管理学院， 沈阳 110870)

大数据作为新兴产业快速发展，为互联网、金融、教育、医疗等行业带来了巨大的经济价值与社会效益，成为新的经济增长点。国家从战略层面愈加关注大数据在各个产业中的应用，并制定相关支持政策，推动大数据产业快速发展。

装备制造业是我国的支柱产业，然而近几年的发展态势不容乐观，其发展规模虽大，获利能力和竞争力并不强。现阶段如何振兴装备制造业，带动我国经济发展，是一个重大课题。“中国制造2025”是我国实施制造强国战略第一个十年的行动纲领，其中明确提出推进信息化与工业化的深度融合是发展装备制造业的重要途径。传统装备制造业企业也希望通过信息化途径实现产业转型升级。大数据产业作为新兴产业对装备制造业企业实现信息化改造和升级有着重要意义。本文在分析大数据产业类型及特征的前提下，根据不同类型装备制造业企业数据需求，探究大数据产业与装备制造业的融合模式，以期加快装备制造业的信息化建设，发展高质量装备制造业。

一、大数据产业

1. 概念及特点

大数据是一种规模大到在获取、存储、管理、分析方面远超出传统数据库软件处理能力范围的数据集合[1-3]。具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征[4]。大数据产业的发展源于大数据应用[5]，是指基于数据专业化处理技术，基于互联网、物联网等渠道，在收集丰富数据资源的基础上，实现数据存储、价值提炼、智能处理和分发、数据决策服务等一体化的现代信息服务业[6-8]。大数据产业具有以下特点：

(1) 大数据产业将数据转化为资产。随着信息时代的到来，各行各业数据不断积累，应用大数据处理技术将海量数据进行分析处理，推动企业挖掘出数据潜在的价值，可以有效降低企业运营成本，不断提升经济效益，为企业提供更多的商业价值[9]。数据资产已越来越成为企业重要的战略资产，企业拥有数据资源的存量、价值，以及对其分析、挖掘的能力会极大地提高企业的核心竞争力。

(2) 大数据产业帮助企业做智能化决策。通过收集、整理与企业决策有关的各类数据信息，运用大数据处理技术对海量数据快速地进行全样本分析，能更精准地服务于企业决策。此外，依靠大数据产业，能避免管理者在决策过程中的有限理性，使企业决策更加智能化和科学化。

(3) 大数据产业帮助企业服务个性化。基于数据的分析成为大数据产业提供个性化服务的重要工具，企业通过对大量数据进行分析，能准确挖掘出用户的兴趣和偏好，针对个体需求开展个性化定制，从而提升产品服务质量，满足客户的多样化需求，实施差异化竞争，帮助企业赢得客户、赢得市场。

2. 产业类型

大数据产业类型目前没有统一的划分，现有学者从以下几个不同的角度对其进行研究：

(1) 从生态学的角度，将大数据产业链分为基础层、应用层。基础层涉及到数据采集、数据存储与管理等，应用层涉及到基础算法、共性平台、行业应用等[10]。依据占有大数据的情况，分为大数据产业和大数据衍生产业[11]。

(2) 从数据营销模式的角度，将大数据产业分为3类：①应用大数据对用户信息行为进行分析，实现企业自身产品营销和广告推介的产业；②通过对大数据进行整合，为用户提供从硬件、软件到数据整体解决方案的产业；③出售数据产品和为用户提供具有针对性解决方案的服务产业[8]。

此外，按照数据价值的实现流程，赛迪公司将大数据产业链分成了数据组织与管理层、数据分析与发现层、数据应用与服务层三大层级[12]。

参考以上划分标准，并依据大数据产业对传统产业作用的价值，本文将大数据产业划分为大数据服务产业、大数据整合产业、大数据挖掘产业，如图1所示。

3. 商业模式

大数据产业已被运用到各行各业中，进而衍生出不同类型的商业模式，具有一定的商业价值。大数据时代的商业模式划分目前没有统一的标准。有学者总结了商业模式的9个构成要素，包括价值主张、客户细分、分销渠道、客户关系、核心资源及能力、关键业务、重要伙伴、收入来源、成本结构。研究表明通过大数据与该9要素相结合，创新的商业模式能够实现装备制造业服务化、预测市场[13-14]。按照产业的价值模式，有学者将大数据产业模式分为大数据内生模式、产品型价值模式和云计算服务型价值模式[8]。2012年西凤茹等人基于大数据产业链思想，将大数据产业商业模式划分为数据自营模式、数据租售模式、数据平台模式、数据仓库模式、数据众包模式及数据外包模式六种[15]。该划分标准较为全面，已成为目前研究应用中较为广泛的标准形式。

随着大数据产业的不断发展，商业模式也在不断的变化中。大数据时代的商业模式需要通过创新来适应时代发展的需求，要基于有价值的信息，对传统企业的产品、服务及业务流程等进行改造[16]。总结各学者围绕大数据产业商业模式的研究，整理得到传统产业应用大数据产业的三种商业模式，如表1所示。

一是数据自营模式，针对自身拥有大量数据和大数据处理技术的企业。这些企业可以建立大数据处理部门，但是会耗费大量的人力物力。

二是数据众包模式，通过在线广泛收集用户对产品的偏好、改进意见，设计基于顾客需求的装备制造产品。大数据众包模式要求企业拥有掌握一定先进数据处理技术的大数据专业人才。

三是数据外包模式。对于规模较小，面对大数据还没有做好充分准备的企业，可以采用大数据外包模式，将企业除核心资源以外的数据信息交给专业的大数据处理公司，以发现历史数据及客户数据的潜在价值。

表1 大数据产业商业模式适用传统企业的类型

二、装备制造业

1. 企业划分

装备制造业是集资本、技术、劳动为一体的密集型的基础性产业，其产品具有复杂化、系统化的特点[17-19]。从最初的原材料到成品，当中涉及到多个环节和企业，这共同构成了装备制造业产业链。学者郎咸平提出的“6+1”理论，将制造业产业链划分为七大环节，包括原料生产、设计研发、原料采购、仓储运输、制造、订单处理、批发以及零售。装备制造业产品在各环节的实际生产过程中，主要由各个企业分工协作完成[8]，对于综合实力较强的企业，则参与装备制造的各个环节。基于产业链的思想，本文以“6+1”理论为依据，结合装备制造业自身特点及实际情况，将装备制造业企业主要划分为四大类型：设计研发型、生产加工型、批发零售型、一体化装备制造。各组成环节之间的关系如图2所示。

图2 产业链视角下装备制造企业划分

2. 企业数据需求分析

(1) 设计研发型装备制造企业大数据需求分析。这类装备制造业专注于高技术产品的设计与生产，需要通过对产品的不断创新和优化来获得市场[20]。为提高竞争力，需要以顾客为导向按单定制生产，进而对设计研发工作提出了更高要求。设计研发型装备制造企业属于顾客导向型制造企业，需要整合以往的产品数据并精确量化客户的使用需求和偏好，提供满足特殊需求的定制化装备，不断实现产品创新，才能赢得客户、赢得市场。

(2) 生产加工型装备制造企业大数据需求分析。这类装备制造企业专攻生产内部业务流程的管理规范化和精细化[21-23]，按标准实施大批量产品的生产加工。在面向订单生产以及产品结构日益复杂的形势下，生产加工型装备制造企业各生产流程节点下产生的数据与日俱增，这些数据长期被经营者忽略其拥有的价值，难以精准了解产品在生产加工环节的效率。通过对生产加工各环节数据分析，可以提升装备制造企业内部生产效率，进而以低成本、高效率优势赢得市场。

(3) 批发零售型装备制造企业大数据需求分析。批发零售型装备制造企业在产业链的下端，也属于顾客导向型生产企业，专注于生产顾客需求的终端消费品。这类装备制造企业不仅在自身生产过程中产生大量数据，同时与供应商和零售商的往来数据量较大。通过对供应商和零售商往来数据分析可以很好地将数据转化为企业的数据资产。深刻洞察市场波动情况，预测市场需求，形成市场预判，赢得市场先机。

(4) 一体化装备制造企业大数据需求分析。一体化装备制造企业涉及产品设计研发、生产制造、批发零售的各个环节，属于综合能力较强的企业。随着智能化数控设备、传感器、物联网、ERP、CRM等在装备制造业中的广泛应用，装备制造业的信息化建设速度加快，使一体化装备制造企业拥有全产业链条上的数据。各种大量的统计数据、交易数据、交互数据和传感数据等源源不断从企业经营活动中迅速生成。一体化装备制造企业不仅需要提升内部生产效率，还需要将产业链条上各个环节有效衔接。这类企业迫切需要将数据转化为对外服务，转化为业务竞争力。

三、大数据产业与装备制造业的融合关系

针对不同数据分析需求的装备制造企业，可以与大数据产业实现恰当的融合，进而衍生出不同的大数据商业模式，助力装备制造企业完成信息化改革，实现装备制造业转型升级。具体融合模型见图3。

图3 大数据产业与装备制造业融合模型

(1) 大数据服务产业与设计研发型装备制造企业融合。大数据服务产业借助大数据技术对设计研发型装备产品在客户实际运行时进行实时数据采集，通过对大量客户数据进行分析处理，可以了解客户对产品的使用情况，达到精确量化客户对装备产品的使用需求与习惯偏好的目的，以辅助产品设计方案的进一步修订，指导装备设计工作更为高效地开展，生产出高质量的装备产品，增强企业的研发能力。此外，通过对客户使用装备产品的大数据分析，还能了解客户的特殊需求，进而迎合客户需求，将传统的标准化生产转向为客户个性化定制，形成智能化研发。未来大数据服务产业将不断推动装备制造业服务化，通过大数据建立客户信息管理系统，可以在了解客户需求的情况下设计研发产品，获得未来更大的市场空间。

(2) 大数据整合产业与生产制造型装备制造企业融合。应用大数据整合产业对装备制造企业在产品生产过程中直接或间接产生的大量数据进行分析处理[24]，可以探索发现影响装备稳定性等质量指标的关键工艺参数、材料参数等，甚至能够在零部件生产车间、装备总装车间等生产系统的计划调度方面发现尚未知晓的深层次影响规律，从而帮助装备制造企业分析在生产制造过程中隐含的问题，变被动解决问题为主动预测问题；可以提前查出零件问题、生产运营问题，加强对产品在生产加工过程中的可控性，及时了解产品生产动态，合理科学地进行生产调度，这样可在源头上最大程度地避免问题的发生。从而提高管理效率、降低生产成本，实现精准化、高效化生产。

(3) 大数据挖掘产业与批发零售型装备制造企业融合。借助大数据挖掘产业，一方面，可以通过分析整合装备制造批发零售企业的上下产业链的大量数据信息，挖掘企业与供应商、企业与顾客业务往来的深层次关系，使流程更加透明化。数据分析结果将指导企业做出最优决策，提高企业的效率和反应能力，更好地维系与供应商、顾客间的关系。另一方面，可以分析整合装备制造批发零售行业内的海量数据，发现深层次的行业规律，通过分析可以预测市场走向，建立基于大数据的决策管理机制，预测经营管理中存在的问题，可有效提高企业的市场变化应对能力。此外，利用大数据挖掘产业搭建装备制造行业大数据共享平台，装备制造企业可以实现企业间重要数据的实时共享，使得重要伙伴间的联系更加紧密、高效。

(4) 大数据产业与一体化装备制造企业融合。借助大数据服务产业、大数据整合产业、大数据挖掘产业实现装备制造企业在设计研发、生产加工、批发零售等各阶段的整合一体化。企业在生产经营过程中贯穿大数据技术，将各个业务系统集成在一起运行，获取大量数据信息，并对数据进行深度挖掘，再反馈到研发、生产、销售和仓储等各个环节中。对企业生产经营活动产生的物流、资金流、信息流进行统一、系统化的处理和分析，形成各部门紧密联系、相互制约、数据共享的高度集成信息管理系统，从而达到企业资源的合理配置，降低成本，增强市场应变能力，提高企业管理水平和市场竞争力。通过大数据技术可以更好地实现装备产品的优化设计、质量控制、运行维护等多个方面业务，可以保证装备企业的高效可靠运行，进而形成新的产业模式，实现产品服务增值。

四、大数据产业与装备制造业的融合发展模式

根据装备制造企业数据分析的不同需求，装备制造企业与大数据产业融合有多种模式。本文提出了装备制造企业与大数据产业的不同融合模式。

(1) 根据企业数据规模和数据分析能力选择大数据自营模式或大数据外包模式。大数据产业与装备制造企业融合发展与企业内部数据规模和数据分析需求及自身能力有着密切关系。装备制造企业内部数据规模和数据分析的复杂程度决定了是选择大数据自营模式或是大数据外包模式。大数据自营模式能够很好地保护企业内部数据信息安全，但是需要企业投入大量的人力、物力和财力。对于大型装备制造企业来说，在实力允许的情况下可以考虑大数据自营模式，例如通用电气、西门子、海尔等企业建立了大数据部门，支持企业高效运行发展。

小规模装备制造企业可以利用大数据外包服务实现对大数据服务的需求。大数据外包服务提供商拥有专业的数据分析人才和相应的技术手段，能够满足大多数企业对大数据分析的需求。利用大数据服务通用平台实现自身需求，一方面可以降低企业应用大数据服务企业运行效率的成本，另一方面可以享受到专业的大数据服务。目前，在设计研发数据分析方面，国双科技、海云数据、海捷科技、荣之连等企业具有较强的竞争优势；在生产制造过程数据分析方面，华院分析、海捷科技、荣之连、海康威视等企业较为优秀；在批发零售数据分析方面，勒卡斯、北京信合通运、拓尔斯等企业发展较好；在一体化大数据服务方面，IBM、百度、用友等较为专业。

(2) 顾客导向型装备制造企业可以选择大数据众包模式。顾客导向型装备制造企业以顾客需求为导向，可以通过大数据众包的模式获得更多创意。大数据众包模式的特点在于开发性、多元化，符合设计型企业在产品研发和服务创新过程中的需求。例如，宜家等企业将用户意见数据纳入装备制造产品的设计当中。通过大数据众包也可以以较低的成本满足企业非连续的数据分析要求，便于解决装备制造企业中存在的单一性问题、一次性问题。大数据众包模式的缺点在于容易造成企业信息泄露，因而大数据外包不适用于企业重大数据分析。

(3) 大数据产业应向纵深发展。大数据产业经历几年的快速发展已经初具规模，只提供简单的数据分析服务越来越难以满足市场的需求。由此，大数据企业应该与行业和产业相融合，向专业化方向发展，提供符合行业发展规律的专业化产品，以及全方位的数据管理服务。大数据产业与装备制造业的深度融合将是未来该行业发展的必然趋势。

五、结 语

顺应“中国制造2025”的信息化改革，应用大数据产业助推装备制造企业完成产业升级，本研究为装备制造企业未来信息化发展指明了方向，具有一定的实践意义。但本文只是初步提出大数据产业与装备制造业的简单融合，为装备制造企业可以寻求的合作公司提供了借鉴，并未对装备制造企业如何建立大数据分析部门及与外包企业间具体的合作形式进行深入研究。只有通过对大数据的采集、统计分析、存储、数据安全等方面进行更深层次的分析，才能最终帮助装备制造企业实现高效管理，提升服务质量。