工業大數據背景下的工業信息化
通信技術、信息技術和傳感器的普及使得數據采集與傳輸變得越來越方便，然而怎樣通過數據的整合轉化，使本來無意義的數據變為有價值的知識并進一步指導生產輔助企業在日新月異的競爭環境中生存并發展壯大是每個企業必然要面來臨的問題。
“智造”從大數據開始
數據采集傳感技術、信息通信技術以及物聯網的迅速發展，引起數據爆炸式增長，據預測到2020 年，全球數據將達到35ZB。數據采集技術的成熟運用，擴展了數據來源，產生更加真實有效的數據；分布式存儲、云和虛擬存儲的發展，使得大數據的存儲成本降低；各種大數據挖掘分析技術蓬勃發展。從產生到存儲到應用，數據全生命周期仿佛我已經準備就緒，而且在互聯網消費領域大數據也已經所有建樹。
另一方面，“互聯網+”和《中國制造2025》的相繼提出，我國制造業由“制造”向“智造”轉變。數字化、網絡化、智能化、服務化已逐漸成為制造業發展的主流。制造業對于大數據同樣有著不曉得需求。
隨著大數據相關技術的發展和運用， 傳統制造業實現“智造”，需要將大數據相關技術應用到企業中，但目前制造業的信息系統對大數據管理面臨還許多問題，難以適應當前制造業發展的需求。亟需一個新的信息系統架構來管理大數據， 并利用大數據的各種技術來提升運營效率，為企業戰略決策提供可靠支撐，從而提高企業的核心競爭能力。
問題面面觀
由于本文主要論述制造業領域大數據所產生的影響，因此也就從生產五要素的角度，分別從人機料法環上對制造業領域大數據背景下的信息化存在的問題進行詳細論述。
在人的方面，主要表現為缺乏對數據價值的認識。除了一些具有大數據分析能力的企業， 能夠有意識地通過各種大數據采集技術獲取高質量數據之外，許多企業沒有這種意識和能力來額外獲取數據。例如，爬蟲技術和API 接口可以獲得萬維網的大量企業所需數據， 能夠為企業的數據分析提供有效信息， 通過Flume 獲取本企業經營日志數據。而由于許多制造企業缺乏對數據價值的認識和對大量數據分析的能力，很少使用這一技術， 來獲得對企業管理和決策具有潛在價值的分析數據。此外，缺乏大數據挖掘分析和相應的人才支持。許多制造企業不僅不具備大數據挖掘技術， 也沒有相應的人才支持， 因而大量數據的潛在價值得不到發現和應用。由于未能對大數據的價值進行深入挖掘和分析， 大量具有潛在價值的數據變成無用的數據垃圾。又由于無法進一步實現各模塊的可視化應用，降低了運營管理效率。未能有效地對整個供應鏈實施實時精準化管理和企業戰略決策的提供有力支持， 導致削弱了組織與外部的競爭優勢。
在機械方面，自動化設備對外提供的數據接口并沒有統一的標準，各大設備公司都按照自身的標準提供了對外的接口。這對于數據集成平臺而言簡直是災難級的存在。
對于大數據而言，數據便是物料。但數據在存儲、傳輸方面在制造業領域仍存在一定的問題。以數據傳輸速度偏慢、時間滯后為例，雖然目前物聯網發展迅速， 但是許多制造業企業的信息化程度仍然很低， 導致很難實現數據的實時傳輸，數據上傳速度也達不到實時分析和監控的要求。
在大數據加工工藝方法方面。數據可視化是通過文字、圖表、視頻等形式，也可以結合聽覺、觸覺等感覺，借助人機交互式分析方法和交互技術， 輔助人們更為直觀和高效地洞悉大數據背后的信息?？梢暬治龅目茖W性與準確性；靜態可視化存在交互性弊端，動態可視化應用不夠廣泛；可視化應用深度和廣度不足
在環境方面未能建立從大數據采集到應用的信息系統平臺架構。雖然目前的ERP 企業管理系統， 可連接本企業直接上下游的核心供應商和銷售商， 并具備一定的數據分析管理能力， 但是制造業信息系統難以滿足大數據從采集到分析應用的管理， 使得企業無法通過大數據的生命周期管理，為自身的運營與決策提供支持。制造業產生的大量數據變成埋沒在沙里的金子， 無法變成有價值的信息為制造業企業提供指導。
對癥下藥、釜底抽薪
面對上述問題，可以嘗試從如下角度解決問題。對于人們對于大數據重要性認識不足的問題，可以通過學習培訓的方式，逐漸增強全員的大數據意識與技術人員的大數據處理能力。對大數據實施全生命周期管理；通過實施智能化改造與擴展數據來源并舉的方式擴展數據來源，通過建立數據集市或數據集成平臺的方式解決數據異構的問題，充分利用工業app完成數據集成；利用分布式數據庫等存儲技術存儲大數據。另外，根據業務需求深化可視化應用經過計算層的數據挖掘和分析之后， 最終目的是可視化應用，為企業經營管理提供可靠的支持。通過智能采集技術提高大數據的真實性， 再結合大數據挖掘分析技術，來保障可視化分析的科學性與準確性。