第1篇　概述篇

第1章
工业企业需要数据治理

如今，人类已经进入以智能化为核心的第四次工业革命，工业企业依靠智能感知、信息挖掘、网络协同、认知决策、优化调度的智能化系统来解决规模化生产与定制化、效率提升与成本控制的问题。智能化的基础是数据，数据变得越来越重要，国家和很多企业已经把数据提升到战略性资源层面来对待。

1.1　工业革命的演变与发展趋势

按照经济史教科书的说法，第一次工业革命发生于18世纪60年代，人类由手工劳动进入“蒸汽时代”，由农业文明进入了工业文明。第二次工业革命发生于19世纪70年代，以1866年德国人西门子研制成发电机为标志，使人类从此由蒸汽时代进入电气时代。第二次工业革命对世界政治、经济产生了巨大的影响，生产力的迅猛发展改变了社会经济结构和世界秩序。第三次工业革命发生于20世纪四五十年代，这一时期的主要成就是在原子能技术、航天技术、电子计算机等方面，人类由电气时代进入信息时代。

目前学术界并没有对“第四次工业革命”的权威解释。各个国家对第四次工业革命的定义也不同，德国将其命名为“工业4.0”，欧洲其他国家及中国也采用这一概念，美国将其称为“再工业化”，日本则称其为“工业智能化”。

每一次工业革命的直接驱动力都是日益增长的物质需求和落后的生产力之间的矛盾，每一次生产力的变革都是缓解这一矛盾的过程。第四次工业革命首先要解决的是规模化生产和定制化需求的矛盾。消费者越来越追求个性化，如何低成本地满足个性化需求？就是要解决个性和共性之间的矛盾。再次要解决大规模生产与定制化生产产生的巨大成本差异，要解决设备和工艺的多样性造成技术的普适性和特殊性难以兼顾的矛盾，其核心是要解决自适应和柔性制造问题。第三要解决宏观和微观之间的矛盾，要解决个体活动和集体活动之间的矛盾，其核心是要解决协同优化。随着第四次工业革命的深入开展，世界上发达国家在实践中呈现出了不同的技术路线和实施策略。

1. 代表性国家的技术路线

第四次工业革命是以智能化为核心的工业价值创造革命，为了满足客户个性化的需求，必须将传统的刚性生产模式转变为柔性生产模式。因此，仅仅靠在现有的控制与信息系统基础上升级满足不了智能化的要求。德国工业4.0工作项目包括“智能工厂”“智能生产”“智能物流”“智能电网”“智能建筑”等项目。其中“智能工厂”部分根据德国自身在制造业中的优势，从产品的制造端提出了智能化转型方案。其核心是利用物联网和网络物理生产系统（Cyber-Physical Production System，CPPS），等技术，为生产过程中的每个环节建立信息化的链接，实现“人、机、物、法、环”信息的高度透明。其相应的技术如表1-1-1所示。

在实施方案的规划上，德国提出了“二维战略”的发展思路，从纵向和横向两个维度推进工业体系的智能化。纵向指的是企业内部“端到端的信息融合”，实现从底层的驱动器和传感器信号到最高层的战略决策层的无缝连接；横向指的是企业内部价值链及上下游产业链的整合和协同优化。

不同于德国在制造业和控制领域具有深厚的功底，美国人在互联网技术及应用上有先天的优势，因此其选择的方向是智能互联。美国国家科学基金会（NSF）最早于2006年就提出了信息物理系统（Cyber-Physical Systems，CPS）的概念，即从实体空间的对象、环境、活动中进行大数据的采集、存储、建模、分析、挖掘、评估、预测、优化、协同，并与对象的设计、测试和运行性能表征相结合，产生与实体空间深度融合、实时交互、互相耦合、互相更新的网络空间，从而通过自感知、自记忆、自认知、自决策、自重构和智能支持促进对象的全面智能化。以CPS为核心的智能化体系，正是根据工业数据环境中的分析和决策要求设计的，其特征是智能感知、数据到信息的转换、网络的融合、自我的认知、自由的配置。

根据这5个特征，美国构建了5层技术模型。第一层是智能感知层，如何高效和可靠地采集数据。第二层是数据到信息的转换层，也就是信息的挖掘层，如何把各传感器、控制器及管理信息系统的数据抽取出来转换成信息。第三层是网络层（Cyber），这里的网络不同于信息系统中的网络，其指的是网络化的协同管理，是面向设备集群及整个公司的运营及经营活动的横向数据挖掘。第四层是认知层，也就是识别与决策层。通过CPS的网络感知，根据健康状况的历史性分析及通过某种特定的算法预测潜在的故障，为决策提供依据。第五层是配置层，也就是执行层。由于可以追踪机器的健康状况并做出智能分析，可以根据历史数据及实时采集到的数据动态调整参数，从而动态优化配置，达到自适应。

2. 中国的技术路线

为了推动第四次工业革命，中国也相继推出了一系列政策，重点强调了推进信息化和工业化深度融合，推动工业互联网创新发展。2016年2月在工业和信息化部（下文简称工信部）的领导下，工业互联网产业联盟于2016年发布了《工业互联网体系架构（版本1.0）》，经过3年的修订和完善，于2019年发布了《工业互联网体系架构（版本2.0）》。该体系共分业务、功能、技术、实施四大部分，从产业层、业务层、能力层、场景层给予指导。

工信部于2016年发布了《智能制造发展规划（2016—2020年）》。智能制造系统架构从生命周期、系统层级和智能特征3个维度对智能制造所涉及的活动、装备、特征等内容进行描述，主要用于明确智能制造的标准化需求、对象和范围，指导国家智能制造标准体系建设。工信部、国家标准化管理委员会在2015年共同组织制定了《国家智能制造标准体系建设指南（2015年版）》。智能制造标准体系结构包括“A基础共性”“B关键技术”“C行业应用”3个部分，主要反映标准体系各部分的组成关系。

中国电子技术标准化研究院于2016年9月发布了《智能制造能力成熟度模型》。该模型由维度、类、域、等级和成熟度要求等内容组成。

1.2　工业大数据是第四次工业革命的核心基础

第四次工业革命以智能化为特征，以CPS作为实施核心技术。CPS的主要特征表现为：

（1）智能的感知：从信息来源、采集方式和管理方式上保证了数据的质量和全面性，建立支持CPS上层建筑的数据环境基础。

（2）数据到信息的转换：可以对数据进行特征提取、筛选、分类和优先级排序。

（3）网络的融合：将机理、环境与群体有机结合，构建能够指导实体空间的网络环境，包括精确同步、关键建模、变化记录、分析预测等。

（4）自我的认知：将机理模型和数据驱动模型相结合，保证数据的解读符合客观的物理规律，并从机理上反映对象的状态变化。

（5）自由的配置：根据活动目标进行优化，进而通过执行优化后的决策实现价值的应用。

物理世界和数字世界的同步必须依赖数据的传递，没有数据就没有CPS，更谈不上智能化。另外，从应用的角度来看工业数据为工业企业带来的主要价值体现在：

（1）支持用户直连制造定制（Customer-to-Manufacturer，C2M），以较低成本满足用户个性化需求。

（2）使制造过程的信息透明化，从而提升效率、提高质量、降低成本和能耗。

（3）提供设备的全生命周期健康管理，使设备的使用更加高效、节能，提高设备的使用寿命。

（4）实现全产业链的信息整合，使整个生产系统协同优化，让生产系统变得更加智能，进一步提高生产效率并降低生产成本。

第四次工业革命另一个重要的技术体系就是工业互联网。工业互联网是新一代信息技术与工业系统全方位深度融合所形成的产业和应用生态，是工业智能化发展的关键综合信息基础设施。其本质是以机器、原材料、控制系统、信息系统、产品及人之间的网络互联为基础，通过对工业数据的全面深度感知、实时传输交换、快速计算处理和高级建模分析，实现智能控制、运营优化和生产组织变革。网络、平台及安全是构成工业互联网的三大体系，其中网络是基础，平台是核心，安全是保障。而工业数据是工业互联网核心的核心，是驱动工业智能化的关键要素和原动力。

企业的信息化和工业物联网中机器产生的海量时序数据，以及与企业运营相关的外部数据是工业数据的主要来源，且规模巨大。工业数据的综合就是工业大数据，包括企业信息化数据、工业物联网数据及外部跨界数据，是第四次工业革命的核心基础。

工业大数据是工业领域产品和服务全生命周期数据的总称，包括工业企业在研发设计、生产制造、经营管理、运维服务等环节中生成和使用的数据，以及工业互联网平台中的数据等。随着第四次工业革命的深入展开，工业大数据日渐成为工业发展中最宝贵的战略资源，是推动制造业数字化、网络化、智能化发展的关键生产要素。

我国的工业大数据资源极为丰富。近年来，随着新一代信息技术与工业融合的不断深化，特别是工业互联网的创新发展，工业大数据应用迈出了从理念研究走向落地实施的关键步伐，在需求分析、流程优化、预测运维、能源管理等环节，数据驱动的工业新模式、新业态不断涌现。但相比于互联网服务领域大数据应用的普及和成熟，工业大数据更加复杂，还面临数据采集汇聚不全面、流通共享不充分、开发应用不深化、治理安全短板突出等问题，总体上仍处于探索和起步阶段，亟待拓展和深化。

未来3至5年，随着5G、工业互联网、人工智能等的发展，工业大数据将从探索起步阶段迈入纵深发展阶段，迎来快速发展的机遇期，全球主要国家和领军企业将向工业大数据聚力发力，积极发展数据驱动的新型工业发展模式，全球工业大数据的竞争也将变得更为激烈。

1.3　各国的工业大数据战略

美国是全球较早关注大数据的国家之一。2009年美国即开通政府数据网站，要求各联邦机构将需依法公开的数据和文件按照统一标准分类整合，上传至该网站，实现了政府信息的集中、开放和共享，为启动国家大数据战略奠定了思想基础、技术基础和数据基础。2019年美国发布《联邦数据战略和2020年行动计划》，描绘了美国联邦政府未来十年的数据愿景，并初步确定了各政府机构在2020年需要采取的关键行动计划，涵盖了一系列支持美国工业大数据的举措，涉及大型企业、中小企业、创新型初创企业、研究中心、服务供应商和社会公共机构等。

欧盟委员会认为日益增长的数据对经济和社会发展越来越重要，数据能重塑生产、消费和生活方式。欧盟委员会于2020年发布了《欧洲数据战略》，积极推进数字化转型工作，打造欧盟单一数据市场，强化技术主权，提升企业竞争力，以期在新一轮的数字化革命中先发制人。

日本领导人在2019年达沃斯会议上强调“经济增长的动力不再是汽油，而是数字数据”，并首次提出“要建立针对DFFT（Data Free Flow with Trust，值得依赖的自由数据流通）的体制”。

2015年中国首次提出“国家大数据战略”，并发布了《促进大数据发展行动纲要》。2017年工信部发布了《大数据产业发展规划（2016—2020年）》，对工业大数据建设制定了加快工业大数据基础设施建设、推进工业大数据全流程应用和培育数据驱动的制造业新模式三大重点工作规划。2020年2月工信部发布了《工业数据分类分级指南（试行）》，旨在指导企业提升工业数据管理能力，促进工业数据的使用、流动与共享，释放数据潜在价值，赋能制造业高质量发展。2020年4月，工信部又发布了《关于工业大数据发展的指导意见》，明确指出：为促进工业数字化转型，激发工业数据资源要素潜力，需加快工业大数据产业发展。

从各国工业大数据战略上可看出，发展工业大数据是一项复杂的系统工程：既要构建工业大数据采集、汇聚、流通、分析、应用的价值闭环，推动创新发展，也要提升数据治理和安全防护能力，保障发展安全；既需要在宏观层面加强体系化布局，建立全面、系统的工业大数据生态，也需要在微观层面务实着力，提升企业的数据管理能力；既要重视在需求侧促进大数据与实际业务深度融合，也要在供给侧推动大数据技术和产业创新发展。但有一点是明确的，即各工业发达地区和国家对此都非常重视，都是上升到国家战略层面规划布局和发展工业大数据的。

1.4　工业企业数据的核心价值

1. 以价值创造为核心的工业企业转型

在前三次工业革命中，以硬实力为代表的技术概念成为价值创造的重要源泉，而第四次工业革命价值源泉正在向软实力倾斜。老子说过“有之以为利，无之以为用”，意思是说既要看到有形实体的价值，也要看到真正隐藏在背后的无形价值所在。这种思想在工业企业的商业模式设计和产品设计上非常有用。比如在制造业，依靠工业互联网平台，不仅能实现客户个性化定制，同时能通过后续的服务提升价值，由单一的产品销售向产品+服务模式转变。在建筑行业，依托于BIM、CIM技术，由单一的工程建设向投资、基建、运营转型。通过设计、建设、运营过程中积累的大量数据，并对这些数据的分析利用，可以优化相关标准，通过向其他企业输出标准的方式实现数据资产变现。在采矿业，核心企业可以通过产业互联网平台，实现采矿机械的产业链协同，把整机生产、供应、备件销售、设备维护，金融租赁等相关企业链接到平台上，从而衍生出新的商业模式。

2. 数据驱动下的智能制造

2012年11月美国通用公司（下文简称GE）发布了《工业互联网：打破智慧与机器的边界》白皮书，在书中首次提出了工业互联网的概念，其代表的是一个开放的、全球化的，将人、数据和机器连接起来的网络。其核心三要素包括智能设备、先进的数据分析工具以及人与设备的交互接口。利用智能设备产生的海量数据是工业互联网的一个重要功能，只有从联网的智能设备中获得数据，才有可能利用大数据及人工智能的分析工具得到“智能信息”（即工业互联网的第一层级），供决策者使用，工业互联网的数据循环如图1-4-1所示。

工业互联网的第二个层级是智能系统，包括整合广泛的机器、仪器仪表及系统网络上部署的软件，以及运营网络优化、预测性维护、系统快速恢复、机器自学习等。工业互联网的第三个层级是智能决策，当智能设备和系统收集到足够的信息以促进数据驱动的学习时，智能决策就出现了。数据是核心，没有数据的采集和分析、利用，就没有智能化和通过客户订单来驱动供应链、生产等一系列活动。

3. 数据是企业的核心资产

数据给工业企业带来的价值可以从企业内部经营管理和外部市场两个方面来分析。企业内部经营管理的核心要素是如何降低运营成本和提高科学决策水平。

比如对煤电行业来说，60%以上的成本是燃料成本，能否提高能效直接决定了企业成本的高低。因此需要构建影响能效的知识图谱，找出影响能效的相关性因子，通过大数据分析确定能效和相关因子的函数关系，制定科学的燃煤掺烧比。

对钢铁、机械制造、油气管网等重资产行业来说，如何延长设备的寿命，减少因为非计划性停机而产生的损失则是企业经营者重点考虑的问题。如何通过数据分析由传统应急性维护迈向预测性维护？首先找出产生零部件和整机缺陷的相关因子，并构建临界缺陷和相关因子的函数关系。通过对使用传感器实时采集的状态数据和历史维修记录进行综合分析，预测设备可能出现的故障时间和故障点，可以提前维护。国内某特大型加工企业主要给苹果等品牌手机做代加工，其中3C加工刀具的磨损是影响企业成本的重要因素。因此减少刀具磨损、延长刀具的使用寿命能显著提高经济效益。工程师们知道刀具切削面的磨损会导致切削阻力变大，相应地会使机床主轴电机电流、电压上升。通过构建刀具切削面的磨损和电流、电压变化的函数关系，在测量机床电流电压的变化后就能知道刀具切削面的磨损，然后反馈给控制系统，由控制系统发出指令让全自动数控机床调整刀具切削面，从而做到刀具的各个切削面均衡使用，达到延长刀具使用寿命的目的。单这一项每年就节约成本达数千万元。

家电行业的痛点是销售预测不准而造成产品和原材料库存周转率低，从而大大提高了企业经营成本。因此，按订单生产和零库存是企业追求的目标。通过消费互联网打通与消费者的连接，客户通过消费互联网进行个性化定制和提交订单。客户的个性化定制订单传到产业互联网平台，然后企业通过设计、生产排程、原材料采购到柔性制造等一系列复杂的流程把产品生产出来，最后再通过消费互联网平台把产品交付给客户。这一人、机、物的高度协同必须依赖数据驱动，以订单这一数据来驱动后面所有的一系列活动。

数据给工业企业带来的价值在外部市场的体现是能提高产品的附加值。GE生产的航空发动机的市场占有率超过50%，在工业互联网被提出前，他们单纯地销售发动机给飞机生产商。对航空公司来说，减少因发动机故障导致的航班延误及降低安全风险是其核心诉求点。GE利用他们在行业的经验开发了一套智能运营系统，帮助航空公司监控发动机的运行情况，不仅做到了发动机的预测性维护，而且通过优化发动机的燃油消耗，把燃油成本降低了5%。GE通过后续的这些附加服务的收费，由单纯的销售产品，变成了产品+服务的收费模式，大大提升了附加值。类似的国内案例有宁德时代，其建立了一套电池监控平台，通过监控电池的使用状况进行数据分析不仅可以优化设计，而且能给整机厂提供及时的维修服务，同时把平台开放给4S店，让4S店进行众包维修服务。

数据给工业企业带来的价值甚至能改变企业的商业模式，例如由传统的产品销售模式变为服务模式，由重资产模式转为轻资产运营模式。GE自发布了《工业互联网：打破智慧与机器的边界》白皮书后就开启了数字化转型之路：2013年推出工业互联网平台产品Predix，2015年推出Predix 2.0，监测分析来自全球各地的超过5000万项数据；2015年成立了GE Digital，Predix是核心资产，着力GE数字化转型；2018年12月，GE以Predix平台及数字资产成立全资子公司，单独运营。GE以Predix工业互联网操作系统为基础，开放公有云平台和帮助客户构建私有云平台，打造云生态，发力云SaaS应用。

1.5　我国各行业数据治理现状

不同行业信息化发展水平不一样，对数据的依赖程度不一样，数据治理水平也不一样，金融行业及电信行业是我国数据治理起步较早并且发展较好的行业，具有很好的代表性。下面重点介绍这两个行业的数据治理情况。

1. 金融行业的数据治理

说到大数据应用所带来的颠覆性变革，没有一个行业比金融行业更加明显。从客户画像到精准营销，从风险管控到运营优化，几乎所有的业务环节都与大数据息息相关。

2018年5月，中国银行保险监督委员会（简称银保监会）发布《银行业金融机构数据治理指引》，从数据治理架构、数据管理、数据质量控制、数据价值实现、监督管理等方面规范银行业金融机构的数据管理活动。这次是银保监会首次将数据治理提高到银行常规管理的战略高度，明确要将银行数据治理工作常态化、持久化，标志着我国银行业数据治理新时代的正式启幕。近年来，金融行业在数据治理方面具体以下特点。

（1）强调顶层设计，把数据规划好。

数据治理是一项长期、复杂的系统工程，要在组织、机制和标准等方面加强统筹谋划。

（2）健全治理体系，把数据管理好。

建立全局数据模型和科学合理的数据架构。

通过数据交换机制实现数据的有序流转和安全应用。

（3）加强安全管控，把数据保护好。

加强数据全生命周期安全管理，严防用户数据的泄露、篡改和滥用。

（4）强化科技赋能，把数据应用好。

数据治理的核心环节是数据应用，要提升数据洞察能力和基于场景的数据挖掘能力，为数据插上翅膀。

2. 电信行业的数据治理

近年来，随着国家大数据发展战略的加快实施，大数据技术创新与应用日趋活跃，产生和聚集了类型丰富多样、应用价值不断提升的海量网络数据，成为数字经济发展的关键生产要素。与此同时，数据过度采集与滥用、非法交易及用户数据泄露等数据安全问题日益凸显，做好电信行业网络数据的管理尤为迫切。为此，电信行业展开了以下几项重要工作。

（1）加快完善网络数据安全制度标准。针对《电信和互联网用户个人信息保护规定》等法律规定的要求，出台《网络数据安全标准体系建设指南》，建立网络数据分类分级保护、数据安全风险评估、数据安全事件通报处置、数据对外提供使用报告等制度，完善网络数据安全标准体系。

（2）开展合规性评估和专项治理。通过出台网络数据安全合规性评估要点，针对物联网、车联网、卫星互联网、人工智能等新技术新应用带来的重大互联网数据安全问题，及时开展评估工作。

（3）推进App违法违规收集使用个人信息专项治理行动，深化App违法违规专项治理，强化网络数据安全监督执法。

（4）强化行业网络数据安全管理。通过明确企业网络数据安全职能部门的职责，实施网络数据资源“清单式”管理。通过明确企业网络数据安全职能部门的职责，创新推动网络数据安全技术防护能力建设。通过加强网络数据安全技术手段建设，推动网络数据安全技术创新发展，完善数据防攻击、防窃取、防泄露、数据备份和恢复等安全技术保障措施，提升企业网络数据安全保障能力。

其他行业也在陆续开展数据治理工作，但相对而言，金融行业和电信行业做了更多的尝试，积累了大量的经验，已初步显现出数据治理带来的效益和前景。

1.6　数据治理是工业大数据的基础

工业大数据区别于其他行业大数据是由智能化时代需要人机协同的特点所决定的。它不仅有企业经营数据、人的行为数据，更重要的是还有来自传感器采集的设备海量数据。其主要特点如下：

（1）数据来源的多样性，既有经营管理的数据，也有客户行为画像的数据，更有多种设备状态、控制数据。

（2）数据的实时性，生产现场的数据具有连续性、实时性、数据海量的特点。这就要求数据的采集、清洗、存储和处理的技术不一样，尤其是需要实时分析。

（3）工业机理的复杂性对知识图谱的构建提出了很高的要求，相应地，数据之间的相关性分析非常重要。要围绕产品全生命周期、企业全价值链甚至产业链去构建。

（4）从技术层面讲，工业大数据中以非结构化数据、时序数据居多，对存储和处理能力有更高的要求。

工业大数据的特点需要工业企业有更好的数据治理体系，无论是数据治理的机制还是数据治理的手段，构建完善的数据治理体系是工业大数据发挥价值的基础和前提。

1.7　工业企业数据治理面临的挑战

工业领域信息化起步相对较晚，工业数据也更为复杂，涉及研发、生产、管理、运维、服务等多个环节，因而数据管理工作的推进也相对滞后。随着工业互联网发展的不断深化，在工业领域加强数据管理的重要性日益突出。根据行业信息化发展的现状，结合当今行业数据治理的要求，工业企业现阶段在数据应用和治理方面依然存在诸多挑战，和金融行业、电信行业相比还有较大的差距。

1. 数据基础薄弱

我国工业企业的数据资源存量普遍不大，调查显示，66%的企业数据总量都在20TB以下；管理手段比较落后，51%的企业仍在使用纸质或更原始的方式进行数据管理。数据孤岛几乎是所有企业都面临的困境。从单一企业内部来看，存在着不同时期由不同供应商开发建设的客户管理、生产管理、销售采购、订单仓储、财务人力等众多IT系统，可谓烟囱林立。而要深度推进智能化，不仅信息系统要横向互通，还要进一步纵向打通IT（Information Technology）和OT（Operation Technology）两界的数据，难度非常大。而且，企业越大，管理和技术包袱越重。

从产业链来讲，工业企业的上下游供应链之间缺少数据的互联互通。大部分企业并没有实现供应链协同，销售订单和采购订单还依赖于传统的电子邮件或者纸质传递。这种传统的方式很难做精准的销售预测，更不用说做个性化的定制。

2. 数据治理滞后

随着工业企业信息化的普及以及工业互联网的快速发展，工业企业对于数据治理的重要性认识正逐步提高，但实际进行的数据治理工作却不容乐观。调查显示，在大型企业中，已经开展数据管理工作的企业占37.84%；在中型企业中，已经开展数据管理工作的企业达到了46.67%；在小型企业中，已经开展数据管理工作的仅占13.64%。

大多数工业企业缺乏专门的数据管理组织，投入数据管理的人力也有限，而且大部分做的是数据操作基础工作，缺少顶层规划和管理的组织架构和人员。有部分企业建立了数据管理的相关制度、标准、流程及绩效管理机制，但很多企业在这方面都是缺失的。

数据管理的技术手段也相对落后。有部分大型企业实施了主数据管理平台，只有极少数企业实施了数据治理平台，而绝大部分企业都没有任何数据管理的工具，对元数据、主数据、分析数据等缺乏标准管理、质量管理、安全管理、全生命周期管理的手段。

因为数据管理缺失，技术手段落后，导致企业数据质量难以得到保障，数据共享困难，数据的价值不能得到充分的挖掘和变现。

3. 数据交易法规尚不完善

工业企业的数据价值体现在跨企业、跨行业的数据流通和共享，数据在流动过程中才能产生价值。从全行业看，发展工业互联网，实现从单一企业内的局部优化，到整个产业链的全局优化的跨越，必然要实现整个供应链上下游企业的数据流通，实现产业链上的企业数据的共享。

目前，虽有多家活跃于市场中的数据交易中心，但数据流通的合法、合规性仍未得到应有的重视，现行法律对于数据流通的很多问题都没有明确，许多工作仍以行业自律的模式开展。工业企业的数据流通需求与日俱增，规范数据的共享和开放刻不容缓。德国工业4.0已经计划把数据流通作为重点议题，在构建工业数据空间方面进行模式上的探索。我国工业企业如何打破数据孤岛，促进工业数据流通，需要有关方面的高度重视，并有待相关的法律规定和政策的完善。

4. 数据价值难以量化评估

尽管有很多人意识到数据是企业的核心资产，但是对无形资产的评估比较困难，尤其是数据资产的量化和评估。首先缺乏财务量化模型，不知道如何评价数据价值；其次数据要在交易过程中才能变现，而在内部流通的过程中却不能折算成财务意义上的价值，因此其在企业内的价值无法体现在财务报表上。

数据在工业领域的流动，横向可以跨越设计、采购、生产、销售、售后服务等价值链，纵向可以跨越战略层与设备控制层。工业企业的特点是数据量大，不同类型、不同层级数据产生的价值不一样。如何准确地评价这些数据的价值，需要相关机构尽快研究和解决。

数据治理投入大，在短期内很难看到成效，而数据价值的评估又很难量化。因此，很多企业投入数据治理的意愿不大，这反过来又影响了企业数据的使用。

本章精要

本章主要讲述了四次工业革命的演变，主要发达国家的数据战略，国内金融、电信行业的数据治理现状。第四次工业革命是以智能化为特征，以数据驱动的工业生产，因此数据的重要性和价值越来越大。但目前工业企业的数据治理滞后，数据管理的组织、制度、流程及技术手段离智能化的要求差距还很大，制约了工业企业智能化发展，需要引起高度重视。