荐读|工业大数据：面向产品全生命周期的深度集成

产品全生命周期管理( Product lifecycle management, PLM)是指管理产品从需求、设计、生产、运行、使用、维修、报废的全生命周期中的信息与过程。产品全生命周期数据集成并非新的概念，在这个阶段被广泛的提及是因为需求工程、系统工程和知识工程等新的工程方法兴起，这些工程方法应用的基础就是全生命周期数据集成。

面对新的工程方法，一方面在产品规划阶段通过社交数据进行市场需求捕捉和产品研发决策从而提升产品个性化程度，另一方面在产品研制阶段通过设计、制造过程数据进行知识沉淀从而提升制造系统的智能化程度，最后一方面建立基于画像技术的产品建模方法，实现基于全生命周期数据的语义建模。

第一节. 基于社交网络的需求捕捉

社交网络的兴起改变了中国人购物的习惯，越来越多的消费者热衷通过了解社交媒体中其他消费者的经验和观点，帮助自己做出选择并作为购买汽车的依据。社交网络的消费者行为直接的反映了产品的需求，厂商可以根据客户需求为产品研发提供决策支持。

但社交网络特点是一方面绝大部分数据都是非结构化的，如图片、视频、文字或表情，需要通过大数据算法识别与解析视频与图片中的价值信息；另一方面需要通过大数据算法建立自学习功能的分词库，可以根据产品功能和特点进行自动扩充和完善。

以某企业产品研制决策项目为例，通过门户网站、贴吧、百科等社交媒体获得消费者关于自身产品或竞争对手产品的关于价格、功能、服务质量等方面的评价，一方面看出不同区域消费者对产品理念和功能认可程度，另一方面看出与竞争对手从产品功能、价格和服务质量的差异，从而为产品研发和销售推广提供量化的参考依据。

第二节. 基于研制数据的知识沉淀

智能制造的本质是人类的智慧向制造装备转移的过程，自动化取代了低端的以付出劳动为主的工人，智能化则取代中端的以付出经验为主的工人，反过来说从制造装备过程提取知识就成了智能化的最大前提。站在知识管理的角度，根据知识能否清晰地表述和有效的转移，当然不是转移给人而是转移给机器。

在维克托·迈尔-舍恩伯格撰写的《大数据时代》（中文版译名）中明确指出，大数据时代最大的转变，就是放弃对因果关系的渴求，取而代之关注相关关系。也就是说不在需要知道“为什么”，而需要知道“是什么”，这实际上跳过了隐性知识难以表达难以转移的根本问题。

以某钢厂质量控制项目为例，产品生产过程涉及七个阶段三十四道工序百余个工艺参数，客户希望对产品的性能指标满足抗拉强度480MPa，延伸率35%。传统模式下，即使同样设备同样的生产过程但不同人采用不同的控制方法其质量也存在波动，主要依靠工艺和调度人员的经验，而这些“不可言传”的经验就是知识，更进一步如何根据化学成分不同，上一步检测结果不同，从而动态调整下一步的控制参数实现真正的“智能制造”。

通过对历史控制参数和产品性能指标对应关系进行分析建立控制模型，根据实际工艺参数对产品性能进行预测，通过调整性能参数反过来控制性能指标。

第三节. 基于画像技术的深度集成

“画像”这一概念，最早诞生于互联网用户研究领域。随着互联网和大数据技术的发展，企业获取用户更为广泛的反馈信息成为可能。为了进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，指导互联网产品的研发、设计、推广、营销，“用户画像”这一概念在互联网行业悄然而生。

“产品画像”的核心概念是：对研究产品对象信息的标签化、数字化表征，即通过数据分析、提取、归纳，形成可以准确描述研究对象属性、特征、性能等信息的标签库，利用标签完美的抽象出研究对象的信息全貌，并能够有效支撑实际应用场景的执行。

“产品画像”构建的核心是高度精炼的抽象出研究对象的标签。标签化的目的一方面是对多维信息进行标签化聚合，方便使用者理解；另一方面，标签本身具有准确性和非二义性，利于后期计算机的识别、分析和统计。

利用这种区域别于传统的产品数据集成技术，将海量产品寿期数据进行抽象形成面向设计、生产、质量、销售的产品标签库，为业务人员提供可识别业务视图。

内容来源：美林大数据