当传统工业岗搭上“顺风车”，成为工业大数据分析师 | CDA持证人专访

嘉宾：CDA持证人 徐鹤 工业大数据分析师

采访老师：大家好，又和大家见面了，今天我们邀请到了徐鹤来参加我们的CDA持证人专访。

嘉宾：Hello，我叫徐鹤，之前是一名控制算法工程师，现在转型成为了工业大数据分析师。

问题1：之前从事传统工业的控制算法工程师，和现在工业大数据分析师相比较起来，你觉得有什么区别呢？大家觉得工业大数据行业还是比较神秘的。

嘉宾：传统的控制算法工程师主要针对设备的管理系统进行控制逻辑开发及测试。那么工业大数据分析师主要是利用统计学、机器学习、信号处理等技术手段，结合业务知识对工业过程中产生的数据进行处理、计算、分析并提取其中有价值的信息和工业运行过程的规律。工业大数据分析的直接目的是获得业务活动所需各种的知识，来推进设备和企业的精细化管理。

问题2：工业大数据分析主要应用在那些方面呢？ 

嘉宾：根据业务目标的不同，工业大数据分析可以分成四种应用类型：

1、  描述型分析，用来回答“发生了什么”、体现的“是什么”过程。一般通过计算数据的各种统计特征，把各种数据以便于人们理解的可视化方式表示出来。工业企业总的周报、月报、商务智能分析等，就是典型的描述型分析。

2、  诊断型分析：用来回答“为什么会发生这样的事情”。针对设备运行等过程中出现的问题和异常，找出导致问题的原因所在，诊断分析的关键是剔除非本质的随机关联和各种假象。

3、  预测型分析：用来回答“将要发生什么？”。针对生产、经营中的各种问题，根据现在可见的因素，来预测未来可能发生的结果。

4、  处方型（指导型）分析：用来回答“怎么办”的问题。针对已经和将要发生的问题，找出适当的行动方案，有效解决存在的问题来把工作做得更好。

业务目标不同，所需要的条件、对数据分析的要求和难度就不一样。大体上说，四种问题的难度是递增的。描述性分析的目标只是便于人们理解；诊断式分析有明确的目标和对错；预测式分析，不仅有明确的目标和对错，还要区分因果和相关；而处方式分析，则往往要进一步与实施手段和流程的创新相结合。

问题3：您平时做工业大数据分析时，最常用到什么分析工具呢？

嘉宾：最常用的建模工具是Python，会针对具体的业务问题进行相应的机器学习、深度学习等建模过程。

问题4：最近也是到了毕业季，您觉得工业大数据的就业前景怎么样？有什么经验可以分享给正在找工作的同学呢？

嘉宾：工业数字化、网络化和智能化的步伐不断加快，工业大数据的发展前景也是非常可观。国家层面提出要从工业大国向工业强国的转变，政府的政策制定、驱动导向、发展引导、配套支持等，也为工业大数据产业发展创造了优良环境。

至于建议，工业大数据不同于传统的数据分析，也不同于商务大数据分析。工业场景的边界都有专业领域的机理进行约束，工业大数据的分析注重数据模型和机理模型的融合，它的重要特征是数据与机理的深度融合。所以呢，建议对工业大数据感兴趣的同学，不仅要了解大数据算法，也需要了解领域常识，如设备运行机理、运维过程等相关的知识。

问题5：我们今天和大家聊了许多您过去和现在的职场发展，那您将来有什么职业规划呢？ 

嘉宾：在工作实践中认识到工业大数据分析的瓶颈难点，往往不是计算机存储和处理数据的能力，而是数据关联关系的复杂性。这种复杂性使得一些传统的数据分析方法难以奏效，无法高效提炼出质量更高、价值更大的知识。那么针对这一点呢，今后除了在算法层面的能力继续加强，也要加强借鉴工程思想和方法。通过技术驱动与业务驱动相结合，努力成为工业大数据领域的技术专家。

结束语：

成为工业大数据分析师，工业大数据再次插上了大数据的翅膀，加快了工业的数字化智能化的脚步。刚才也谈到了，想要进入工业大数据做数据分析相关工作的，不仅要了解数据分析的相关知识，还要了解工业领域的相关知识。这也是给想要在工业领域做数据分析的小伙伴们一个重要的提示。好了，今天的CDA持证人专访就到这里，再一次感谢徐鹤接受我们的采访，谢谢！