一文总览工业数据智能：企业走向智能化必经之路
一些行业龙头的工业企业，在规划下一步的数字化和智能化转型时，常常在思考一个问题：公司数字化基础已经很好，各种系统也上了不少，各种平台可能也建了起来，那么下一个5年，该做些什么才能实现持续创新、继续领跑行业呢？
或者也有一些企业花了大力气建设了大数据平台，然而在苦于寻找大数据平台到底如何发挥应用价值？
市场上能找到的答案其实差不多，无非是5G、AI、数字孪生等新技术的深度应用。但如何合理的应用新技术创造实在的业务价值，且投入产出比合理，则充满挑战。
其实不论何种新技术，工业企业数字化转型的核心发展方向之一，就是提升数据的利用水平，从集成到可视到智能分析应用。对于很多数据基础已经很好的企业来说，利用大数据、AI、机理建模技术开展数据分析建模，挖掘数据的价值，从而实现业务优化，也就是工业数据智能，无疑是需要重点关注的方向。
工业数据智能通过大数据和AI技术，在实现企业数据汇聚的基础上，进行数据的分析和建模，利用模型实现业务优化和提升，从而实现降本增效，例如设备的预测性维护、生产控制过程优化等。
工业数据智能是一个大数据和AI技术的交叉领域，早在2014年前后大数据技术刚刚兴起时，就已经有不少企业开展过工业大数据分析相关探索，但过去多年成效一直不算突出，市场上也存在不少质疑。
近两年不少随着AI公司持续推动AI算法的融入，以及很多企业数据基础随着工业互联网应用逐步提升，工业数据智能的应用也开始从试点探索，逐步转向了规模化应用，起步较早的龙头工业企业已经实际感受到了应用成效。一批典型场景已经在企业规模化应用，且取得了较好的投入产出比（如ROI小于2年），还有一批场景开始应用成功，开展逐步推广。
所以，对于自认信息化基础已经比较好的工业企业，是时候认真考量下未来几年该如何更好的应用数据智能为公司创造业务价值，助推数字化转型走向卓越了。
当然对CIO而言，该如何规划和开展工业数据智能应用，恐怕并不是一个简单的问题。CIO们面前还有3座大山：
工业数据智能都有哪些应用场景？
不同行业、企业该如何着手？
如何选择市面上的供应商？
针对以上问题，本文后续通过多个章节（约2万字），逐个提供一些思路，为CIO开展数据智能提供参考。文章末尾也有一个工业数据智能的交流讨论群，欢迎相关供应商、CIO进群参与讨论。
Part 1. 工业数据智能都有哪些应用场景？
“我也知道大数据分析是方向，但是我们企业到底应该开展点什么应用呢？”
这个很多企业提到数据智能，问出的第一个问题，也是作者和很多CIO交流，他们最希望技术供应商告诉他们的问题。
工业数据智能能发挥作用的场景，大体来说就是4大类：
设备智能运维
生产过程优化
智能安监环控
智慧计划调度与产销协同
但这些方向又分别有着各自的细分场景方向和优先适用行业。以下作者结合市场上实际应用落地，有相对好的应用价值产出的案例情况，做一些介绍
一、设备智能运维
针对大型复杂设备进行预测性维护，是工业数据智能最广为人知的方向，但质疑声也很多。从实际应用情况看，设备智能运维形成3个典型落地应用形式：
1.大型集团设备运维中心
一些大型集团型企业，各生产子公司通常都需要配备设备运维人员，但很多时候，生产子公司的设备运维人员水平有限，设备运维水平不高，尤其是较难有能力开展面向预测性维护的深度分析工作。
为此，一些先进集团开始在集团层面建设统一的设备运维管理平台，将生产子公司主辅设备数据统一接入，为集团和子公司设备管理人员提供设备全生命周期管理应用。同时，从各子公司抽调有丰富经验的设备管理专家，在平台开展持续深入的设备故障建模和分析，为各公司提供故障预警及远程指导。
此类方案较适合生产装备大型、复杂、高价值的情况，目前在在火电、风电、煤炭、钢铁、建材、石化等行业已经实际应用，一些集团已经在几个子公司试点接入的基础上，逐步扩展到更多子公司的接入。
相比于单一企业构建设备预测性维护应用，投入产出比较低，且人员能力不足，集团统一建设运维平台，能够更好的实现专家经验持续积累，及时为子公司的设备管理人员提供设备故障预警和运维指导，投入产出比也更为合理。
此类平台也有云端第三方运维模式，即集团、企业的设备数据传到第三方服务商的云平台，由服务商在云平台汇聚专家统一对设备进行运维和智能分析。
这类方案中，设备预测性维护系统更适合作为设备综合管理系统的高阶模块，联同设备管理系统一并规划应用。
一些典型案例如陕西煤业集团、国电投河南分公司与朗坤合作的设备全生命周期管理系统、中能智慧一体化远程诊断平台；中建材集团、金隅冀东水泥、红狮控股集团等水泥企业与因联科技合作的设备健康监测与故障诊断平台；中信泰富青岛特钢集团与容知日新合作的设备智能运维平台等。
2.设备后服务智能运维管理及控制
最终用户之外，很多大型复杂设备的制造商和研究院，也在积极将设备智能运维系统作为设备的附加价值，提供给用户，帮助用户更好的进行设备运用和管理。
设备智能运维系统收集设备运行数据，并提供平台工具，帮助设备用户管理设备情况，开展故障分析建模和智能化运维。
设备智能运维系统主要帮助设备制造商将业务从产品销售拓展到提供增值服务，拓展设备制造商业务范围。
理论上设备制造商也希望设备运行数据能够回到原厂，从而原厂更好的开展故障分析，但实际需要结合用户对设备数据管理的限制及用户的数据分析能力，灵活选择数据分析在用户侧开展还是交回原厂开展。
这类项目目前应用较多的有石油钻探装备、半导体加工设备、发电设备、大型变电设备、工程机械等。例如中石油宝鸡石油机械与寄云科技合作的钻井装置远程监测和预测性维护项目、东方电机与昆仑数据合作的大型水力发电机组智能运维平台等。
在设备的运维管理之外，一些大型装备还可以通过积累设备运行控制经验，实现设备运行过程的智能化控制，例如中铁工程装备与雪浪云合作的盾构机掘进智能控制等。
3.旋转热动设备节能及第三方运维
对于大量的一般离散制造企业来说，开展机床、自动化产线等设备的预测性维护，经过过去几年的市场探索，是个投入产出比并不甚高的方向。
然而，泵、电机、空压机等旋转设备，以及锅炉、空调等热动设备，在很多离散和流程制造企业都有应用，虽然不是高价值主设备，但通用性很强，可以通过第三方运维的方式，由特定的第三方专业服务商，集中开展设备管理和预测性运维。
第三方服务商以SaaS服务的形式，将工业企业或设备制造商的旋转和热动类设备接入统一的设备管理平台，为企业提供设备管理SaaS服务的同时，依托平台的专家持续积累设备模型，为用户提供故障预警、AI智控节能等服务。
第三方运维的方式的核心是通过多个用户共享，降低了单个用户的成本，使得投入产出比更为合理。
但第三方运维绕不开设备的上云问题，公有云模式能达到最佳效益，但很多用户仍有顾虑。整套平台私有化部署的方式更贴合用户习惯，不能通过共享实现成本和价值更优。对于自身设备规模较大的企业，私有云也有较好的价值产出，更多企业可能更多会考虑使用云+边的模式，传感器和边缘设备部署在现场，同时也在云端有管理单元。
4.电机机床等故障预警
针对企业内的电机等主要生产设备开展预测性维护，一直是很多企业重点在关注的方向，近两年也有越来越多供应商推出了基于振动监测的设备故障预警的边缘形态的解决方案，并在汽车等一些行业场景得到了成功的应用。
由于涉及高频数采，这类方案更适合以边缘的方式部署在工业现场。不过这类方案如果在规模小的企业部署应用，投入相对较高，成效相比之下不明显。
二、生产过程优化
发电以及化工等生产过程，生产过程本身的控制是个复杂的过程，优化生产过程的控制本身，就能达到节能降耗、提升产能质量等多方面的综合成效。具体看又可以分为4类
1.原材料配比优化
很多流程工业的原料配比，过去都比较依赖经验，考虑的约束条件少，而且不能考虑实时的生产情况。现在越来越多的场景，开始通过数据分析算法，用算法找到更优化的原料配比，从而提高节约原料，提升质量，节约能耗等。
目前在炼焦、矿冶、光伏、橡胶、白酒等很多领域，都已经有了成功的应用案例。
例如江铜贵冶与用友合作的铜矿配料，协鑫光伏与阿里云合作的光伏配料，石横特钢与华为合作的智慧配煤等。
2.生产过程智能控制
很多流程工业和发电行业核心生产环节都是大型复杂装置，由操作工根据生产情况进行及时调整和控制，整个过程就像人在驾驶汽车，速度低了加油，速度快了刹车。但操作工的经验参差不齐，对最终生产结果造成影响，就像不同的司机开同样的车，行驶状态也不一样。
为此，一些企业已经通过AI技术，利用程序学习操作工的操作，并结合反应过程机理，优化控制过程，让AI控制系统（RTO系统）变成司机去替代操作工去驾驶“汽车”，实现生产装置高效稳定运行在较优的工况下，就像使汽车“定速巡航”。AI控制系统的应用，使得操作工的工作量大大减轻，且生产过程更加稳定。
生产过程自动控制是很多企业的追求，但是出于对安全性的考虑，敢于让AI系统，尤其是原理不完全透明的AI系统直接介入生产控制，很多企业管理者还是不敢轻易尝试的。为此，一些做的早的企业，通过先“辅助驾驶”再“自动驾驶”的方式，已经将AI控制系统投入了实际生产应用，例如浙能锦江与阿里云合作的垃圾焚烧发电控制系统等。目前在水泥两磨一烧、垃圾焚烧发电等行业已经投入实际应用。
3.生产过程分析预测/虚拟量测
一些流程工业生产过程近乎黑盒，生产过程中的状态不能完全的全面被分析和掌握，也就限制了生产过程控制的效能提高。
为此，一些企业在为产线增加传感器的基础上，引入AI技术，建立生产过程的反应模型，并可以根据模型对生产过程中难以测量的结果等，进行预测，从而及时或提前发现生产过程质量问题，并优化生产过程控制参数，从而使得生产过程得到更好的优化控制，提升成品质量，降低能耗等，这一过程在3C半导体行业通常称为虚拟量测。
目前在钢铁高炉炼铁、轧钢加热、火电空冷岛节能、玻璃气泡预测、半导体生产等场景，已经有不少成功的应用案例。例如酒钢与东方国信合作的高炉炼铁优化、南玻集团与博依特智能合作的玻璃气泡预测等。
4.生产绩效分析
在离散制造行业，除了传统生产管理系统对生产过程进行统计分析，以生产过程中的人、机台为对象，进行人、机台的绩效的建模分析，从而更合理的判断不同工种、工位的绩效水平，促进绩效的改善，从而实现精益生产，成为目前新兴的数据智能应用方向，在3C半导体等一些行业开始有了一些应用，未来还有较大潜力待发掘。
典型案例如通富超威与昆仑数据合作的员工绩效分析评价系统。
三、智能安监环控
很多企业目前都建设了安全监管平台或能源环境管控平台，智能安监环控主要在现有基础数据可视基础上，通过算法综合计划调度，实现能耗优化，或多模态智能安监预警。具体看又可以分为3类
1.智能供能调度
在城市供能（水/热/气）以及企业内供能等环节，充分利用IoT技术采集环境和用能环节实际情况，通过算法进行综合调度，智能自动控制能源官网中各处控制阀门，使用能处获得的能源稳定供应，降低供能过程中的损耗。
目前在城市供热、供水、钢铁能源介质供应等开始有了应用。如中环寰慧与百度合作的智慧供热、哈尔滨太平供热与华为合作的智慧供热等。
2.生产过程节能
通过对生产设备和公辅设备，如空压机、空调、水泵、风机、电机等进行智能控制，降低设备空载，实现设备节能。或将企业生产过程中的电、水、气等能源系统打通，综合应用情况和供应情况，通过算法分析，实现能源优化供应，为企业生产节能。
制药、化工、钢铁、玻璃、造纸等公辅设备能耗较高的企业已经在较多的开展公辅设备AI智控节能。汽车等行业也在针对核心生产设备开展智控节能。如中国中药、白云山制药等都与蘑菇物联合作了公辅设备云智控节能。
3.综合安监预警
将生产管控系统本身安全信息及额外加装的环境监测、视频监测等信息进行汇总，构建多模态的智能风险分析算法，预判潜在风险并提前预警。
化工类企业开展，目前案例相对较少。
四、智能计划调度与产销协同
工业生产中有很多需要进行计划和调度的场景，如物流调度、生产计划、原料切割工艺规划等，AI求解器等的应用，使得很多需要计划调度的场景，可以在考虑更多变量约束的情况下，更快的得出更优的结果。
1.AI高级排程与产销协同
随着企业订单变化越来越快，频繁插单、变单等对排程系统也提出了更高的要求。传统ERP的MRP排程功能求解速度有限。同时，传统ERP的排产时考虑的约束变量也仅局限在基于订单安排生产计划，未考虑更长时间，更大范围的终端需求、原材料价格波动等情况，并不能形成企业综合生产计划的最优解。有些企业就经常面临，例如当前生产负荷已经饱和，但新来订单是否应该接等问题。
目前AI求解器的提出，能够纳入更大规模变量的约束，而且求解效率也更高，于是，企业可以将原料、市场需求长期变化、供应链进度等更多情况纳入排产，从而做出长远来看最有利的生产计划结果。同时，AI求解器更高效的计算，也可以用于现有基于订单的生产排产，结合实时的产线数据，以更高频率调整生产计划，促进生产排产计划的最优化。
目前在食品饮料、汽车、轨道装备、油气等领域已经有一些成功应用。如华为工厂基于天筹求解器的智能排产，六国化工与杉树科技合作对各产线进行优化建模，并基于模型进行求解，得到量化的最优排产决策
2.运输装置智能调度
企业厂内物流存在多种运输设备，如AGV、行车、运输车辆等。除了AGV，过去这些车辆有很多由人操作，且信息不能和上下游环节及时同步，效率低下。
目前一些企业将这些运输设备增强AI传感识别能力，并将设备控制系统和上下游系统打通，通过智能调度系统，及时结合上下游工序情况，综合调度设备智能自动化运行，降低人工劳动强度，同时也提升了工序衔接效率。
目前在钢铁铁水运输、半导体AGV智能调度等领域有相关应用，例如湛江钢铁与创新奇智合作的智能铁水运输系统等。
3.原料切割优化
服装、家居、玻璃等行业，经常涉及到在一块大的原料面板上，切割出若干部分，如何实现切割最优，提升原料利用度，需要依赖相关算法软件，过去这类软件大多由国外开发。
目前一些企业结合AI引擎，针对这些场景研发了更优化的切割算法，并在服装、家居等相关企业应用，比国外算法软件适配性更好，同时有的也能使原料的利用率更高。
典型案例如在定制家具行业，切割软件多来自德国一家设备企业，而今通过百度智能云AI算法给出的切割方案，一家工厂一年可节省近1000万元成本。
Part 2. 不同行业、企业该如何着手？
尽管前文已经罗列了较多场景，但很多场景仍未细化到具备行业，所以对于很多企业而言，如何开展数据智能仍然是个不小的问题。作者在此提供几点思路供参考
一、只是考虑应用场景是不够的，需从更长期角度考虑平台还是应用
企业必须意识到数据智能将是很多企业未来长期发展的方向（很多大型企业业务系统很完善，自动化程度很高，以后的价值优化很难再由上系统或换设备体现，将主要来自多维度的数据智能），不是一两个单点项目，需要从更长期的角度做规划。
目前市场上企业开展数据智能项目基本存在两种典型模式：
模式1 以建设大数据平台、AI中台等为核心开展项目，同时在项目中加入一些应用场景以展示平台的价值。
模式2 选择特定应用场景作为一个项目开展，要求供应商交付一个智能化业务应用。
两种模式都存在各自的问题，模式1经常发生后续找不到有效的应用场景，空有一个平台的问题。模式2则存在多个智能化业务应用后续又形成和其它应用部分重复建设和数据孤岛等问题。
两种模式不存在谁一定更好，本质上对应着企业不同的发展思路，有各自不同的适用对象，同时也可以在现有模式上做少加的改进。
模式1更适合自身技术开发和数据分析专家能力都很强的大型集团，通过平台工具建设，以后由自身IT和业务专家更多承担数据分析和应用开发工作。以此为目标的大型集团必需要考量的是，需要围绕平台构建数据采集、处理、集成、分析、模型管理、应用的全栈化技术能力，单独的建好的平台是不够的，很多应用最后会涉及到原始数据质量问题，需要企业有足够的能力解决最后数据建模所需的前道各个数据流程，比如物联数据清洗问题。企业可能需要组织业务专家牵头搭建数据分析团队，保证提前明确所需要的数据都在前道有所准备。
有CIO用更生动的话解释了这个道理：
有人以为搞了一个平台就能解决所有问题，其实不然。大数据是小数据汇聚而成的，小数据都有问题，大数据更有问题。底层数据不解决，大数据就很难实现质的跨越，很难达到好的效果。一股脑积累多了就是垃圾，还不如不积累。
模式1存在一种常见误区，就是一些大型集团公司总部并无具体生产职能，建设了平台希望提供给下属的各生产单位使用，或组建了算法工程师构成的分析团队。但因为集团级没有专业的业务数据分析团队，下属生产单位并不能很好的将平台应用起来，生产单位可能会找其它供应商提供跟具体的业务智能化应用。或算法分析师并不熟悉业务，也难以解决前道很多数据问题，导致分析不出有价值应用。
模式1还适合的另一种情况，是对于很多离散制造企业而言，当前阶段其实并不能从上述应用场景中找到高价值的应用场景，同时自身也没有特别强的IT和数据能力。这种情况下，企业适合先建设面向生产管理的大数据平台，将日常生产管理会议所需的各种汇报事项报表作为平台的优先应用，先服务于生产管理汇报工作。在此基础上，由各个业务部门结合自身需求逐步叠加各部分所需数据应用。这些阶段的应用大多都不涉及智能化，主要是先把平台用起来。之后，逐步探索面向精益生产的绩效分析等相对智能化的应用。
模式2 相比之下更容易在公司立项，当然前提是能找到可供参照的高价值应用场景。前文提到的钢铁、化工、发电等很多行业目前都已经有了比较成熟的应用场景，但很多行业确实还没有可参照的应用场景，这种情况可能就要考虑模式1了。同时，对于模式2，相比于直接要求提供一个业务智能化应用，要求供应商提供一个数据分析平台也是重要的一环，很多算法后续的持续优化和场景的持续开发，还是需要有平台作为基础的，以便后续改进和新应用开发。
当然，对于模式2，应用需要带平台，但这个平台不一定非得是一个数据全汇聚的大数据平台，针对应用所需的部分数据汇聚在小平台，就可以以较低的成本先启动项目并取得成效，后续在逐步根据应用需要扩充平台的数据范围。有的CIO就跟作者表示，他们的设备智能运维应用最终都没有用到Hadoop，这显然不是一个“大数据”项目（很多人对大数据的理解核心就是用了Hadoop），这也是为什么本文称之为数据智能而非大数据分析的原因之一。
此处的平台还有另一层面的概念，则是最终交付的应用除了业务逻辑本身，还应该具备一定程度的开发和配置能力，尤其是低代码化的配置能力。不少CIO跟作者交流时都提到，最终供应商交付的应用虽然功能都有，但很多细小的交互逻辑、界面等用起来多少有些别扭。这些小问题找服务商售后通常很麻烦，也不受重视，如果交付的应用本身就提供了相关配置化功能，这些问题用户自行就可以更好的解决，对用户、供应商都是更好的事情。
二、数据智能项目投入产出不一定低
提到大数据和AI，很多企业CIO第一反应都是这些项目肯定很贵，感觉投出产出比较低，但实际上并不一定。一方面，有些应用可以依托企业现有平台基础，或只根据项目应用需求收集对应数据去做，范围不不大，不涉及大规模的IT基础设施搭建，有些项目的应用分析企业自己也可以做，更多是买个工具和让供应商提供技术指导，所以成本并非都很高。另一方面，很多应用的价值是直接降低成本消耗等，对生产规模大的企业，即便是百分比一的成本节约或类似提升，带来的价值都是千万级，对应下来项目的投入产出也并非不高，作者也交流了一些企业，他们的数据智能项目的ROI很多在半年到一年半的水平，与很多业务管理系统相比甚至是更高的。
数据智能领域，还有很多新的商业模式可以探索，从而降低企业的投入，比如和供应商联合开发模型应用对外销售、按应用价值的比例付费等，都能帮企业先低门槛的开展起项目来。
此外，政府这两年对企业开展工业互联网的应用，有较大的扶持力度，借助政府的工业互联网项目扶持，开展一些尽管适度超前的探索性场景应用，也是一个不错的选择。
一些数据智能类项目，企业也可以联合服务商和高校，作为科研项目立项，从而降低项目的前提投入。
Part 3. 如何选择技术供应商？
就作者目前的了解，大部分工业企业对于数据智能的技术供应商了解还是较少的，为此，后面作者会将市场上一些主流供应商做个基本介绍。但在此之前，关于如何选择供应商，作者在此先对市场供应商情况做些介绍。
一、市场上的几类典型供应商
作者提到的数据智能供应商，主要是指基于大数据和AI技术为企业提供服务的供应商。很多时候企业接触的供应商，更多是行业内的一些业务系统开发商或系统集成商，这些开发商对行业非常了解，过去也为企业提供了很多信息化系统，但是很多这类开发商的大数据和AI技术能力是比较弱的，尽管其中有些本身体量较大实力较强的，已经在增强大数据和AI的能力，但总体而言，当前阶段，具备较强算法和数据分析能力的，主要还是大数据和AI技术为主的供应商，本文统称工业数据智能服务商。
当前工业数据智能服务商，如果从技术背景看，大概可以分为做大数据为主的，和做AI为主的。做大数据为主的，很多都能提供大数据平台，并会从大数据平台连带智能应用的角度做项目。AI为主的则很多主要提供AI算法能力和平台，侧重提供具体应用场景，数据全流程方面的能力有些稍弱。
如果从企业性质及规模看，则有典型的云大厂、传统企业和创业公司3大类。云大厂擅长算法能力，但资源相对有限，对标杆客户的支持比较到位，对更多企业的支持会受到影响。大数据和AI创业企业则一般会更专注在特定行业和领域提供整体解决方案，有些虽然并不出名，但在部分领域也还有比较好的成功案例，但应对技术挑战较高的项目方面不及大厂。一些有比较强大数据技术基础的传统工业服务商，则在业务理解和实施交付方面都相对较好，但算法能力相对弱一些。
如果从业务发展程度看，做工业数据智能领域比较久的供应商，目前基本已经都在专注在特定行业和场景做深耕，形成了相对与业务更贴合的应用，也积累了比较丰富的同类型案例。也有一部分服务商最近两年才转型在工业数据智能领域，案例相对较少，且行业和场景分布相对分散。
二、如何考虑选择供应商
首先，从作者接触下来的情况看，很多用户都希望服务商有深刻的行业理解，指导企业来开展数据智能的应用，但这点目前阶段不太现实。目前有一部分做的比较深入的服务商，在特定场景能够形成一些成形的产品化解决方案，但更多情况下，领先的服务商也就是售前有一定的行业背景，能够听懂需求的状态，或者在其它一些相关行业有比较多的案例。
由于很多企业其实本身并不清楚，面向数据智能，自己的需求场景应该是什么，所以对行业有一定的了解，同时在其它行业场景有一些成功案例，双方共同探索本行业企业的智能场景，可能是比较常见的状态。好的服务商会有体系化的方法论和案例集，引导客户企业找到适合自身的场景和构建数据智能的技术体系。
在如果服务商都没有足够行业理解和成熟应用的情况下，优先选择AI大数据技术能力强，同时资源投入比较充分的供应商，也不失为一个还不错的选择。
还有一些市场上积累还比较薄弱的供应商，在行业理解、成熟场景案例等方面都还比较有限，但通常为了拿到项目，愿意投入更多的资源和给出更低的价格，如果企业对自身把控能力比较自信，也不失为一个选择。但如果服务商提案时现在还在强调自己技术优势，问客户要做什么，自己帮助实现，可能这服务商的行业积累还有待提升，选择时需要慎重。
有些数据智能服务商会联合行业内的系统集成商和业务开发商一起提案，甚至躲在背后完成项目。总体上看是更好的一个方式，但多方联合提案和实施背后必然涉及到多方项目管理问题，存在一定的风险。
如果总结来看，选择供应商时应该重点关注的，可能有以下几个维度：
1.应用和平台的成熟度。虽然项目最终都有大量定制开发的部分，但厂商目前能够提供的平台和应用的成熟度，直观反映了该厂商的行业积累深度。目前行业积累比较深的服务商，其平台和应用场景看起来就更接近场景应用，功能颗粒度更精细。行业积累比较浅的服务商，则其平台和应用产品更接近通用平台，场景化功能较少。
2.方法论体系。工业企业该如何开展数据智能应用，以及建设数据全链路的体系，积累较深的供应商目前都有了相对成熟的方法论体系，积累较浅的服务商在这方面的理解肯定是明显不足的。
3.核心优势方向。很多积累较久的服务商，目前都在特定几个行业或领域有比较成熟的经验，需求理解、项目实施都更有保障。有些供应商虽然整体较强，但在有些行业和领域也还是新进入，并不比其它新入的厂商强太多。作为客户肯定是希望自己刚好处于供应商比较熟悉和擅长的领域，但服务商通常都会说自己什么都能干，因此最好了解各服务商擅长的行业领域比较重要。
4.资源投入度。店大欺客，客大欺店，从来都是如此。客户自身体量和影响力，也决定了供应商的资源投入程度，有些供应商虽然在行业内经验丰富，但能够为您所在企业投入的资源很有限，也并不会是好的选择。经验较丰富的服务商，在重点客户所在城市，会有本地化的技术人员，会是一个较好的选择理由。
三、去哪里找供应商?
不少CIO平常工作中，遇到和了解数据智能服务商的情况并不多，很多也分不清楚服务商更擅长业务系统，还是数据分析建模能力。为此，本文后面列出了一些常见的服务商及其简单的业务能力介绍，供大家参考。很多供应商都是涉足了多个业务场景，会在各部分分别介绍其相关的业务情况，但不保证全都能覆盖到。
以下的供应商介绍排名不分先后。有些服务商积累相对较深，有些可能入行不久。在行业积累较深，特定领域有成功规划化复 制的一些市场相对靠前的服务商，在《IDCMarketScape：中国工业数据智能厂商评估，2022》中有收录和更具体的介绍。
1. 设备智能运维领域
2. 生产过程优化领域
3. 智能安监环控领域
4. 智能计划调度与产销协同领域
