了解企业IT如何以及在何处准确地应用大数据为其带来利益，将取决于几个关键因素，其中包括大数据民主化;实施下一代数据历史记录;从海量数据积累战略转向战略工业数据管理战略;将大数据与工业人工智能技术融合在一起，并了解这些好处如何在新冠疫情之后发挥作用。

新冠疫情加速了许多企业的数字化转型之旅，包括他们存储和访问数据的方式。这揭示了传统工业数据管理模型的局限性，这种模型中，数据在团队、来源和地点之间呈孤岛式分布，这种数据把关严重阻碍了可见性，确保只有具有独特访问权限或领域专业知识的某些人才能理解或访问可能与企业中的其他人相关的数据集。

在许多员工被迫在家远程工作的环境中，这种孤立的工业数据存储和访问模式有很大的缺点。如果员工保留对特定数据的访问权限，而他们正在远程工作，那么会发生什么情况?在疫情持续蔓延的情况下，公共卫生指南不断变化，静态的企业数据访问、工作流程和报告严重限制了企业对其员工安全的实时可见性，更不用说业务价值和增长了。

发生的疫情表明，企业需要重新思考如何存储数据，并使其在组织范围内都可以访问。随着越来越多的企业采用永久性混合方法在现场和远程工作，迫切需要使用能够为所有用户提供持续和民主化大数据访问的解决方案。

大数据技术是一把双刃剑。从理论上来说，更多的数据意味着需要更快的分析以获得更高效、更有成效的输出。对IT团队的运作方式了解得越多，就可以更好地利用这些见解来提高生产力、节省时间、提高成本效率和促进业务增长。但更多的数据并不总是意味着是更好的数据。其情况通常恰恰相反：企业积累的数据多于他们使用或知道如何处理的数据。这种海量数据收集方法意味着企业最终会拥有大量未使用、非结构化、未优化的数据。数据越多，可见性就越差。

为了使工业数据具有可操作性和价值，需要识别和提升基于相关性的数据。这种来自企业不同资产的直观数据，从传感器到边缘再到云平台，为格式化和保护数据建立了通用基线。与基于来源或团队经历不同格式和安全阶段的孤立数据不同，企业中的所有数据都分配了身份标签并采用相同的格式，从而在企业中开放数据可见性和访问权限。

战略性工业数据管理方法不是大量收集数据并将其倾倒到非结构化数据沼泽中，而是利用数据历史记录和工业人工智能解决方案使其数据在企业中更加可见、可访问和可操作。

这不仅仅是清理数据湖或使数据具有可操作性。这种战略性数据管理方法还有助于弥合劳动力中日益扩大的技能差距。随着具有多年领域专业知识的资深员工退休，取而代之的是经验水平可能不足的年轻员工，这可能带来技能差距。人工智能驱动、数据历史驱动的战略数据管理方法可以确保关键的历史知识得到保留和共享，并在整个企业中广泛应用——无论是团队还是个别员工。

大数据将继续发挥关键任务作用，为企业提供制定与具体业务价值结果相关的数据驱动决策所需的资源和洞察力。这可能意味着从优化生产线到提供实时流程可见性，所有这些都是为了帮助IT团队提高生产力、效率和创新性。但要从大数据中获得最大价值并将其有意义地应用于工业，流程工程企业必须将重点从海量数据积累转向更周到的战略工业数据管理——特别是数据集成、移动性和可访问性。通过部署下一代数据历史记录器和工业人工智能解决方案等工具，企业能够从以前未优化和未被发现的工业数据集中挖掘出新的、隐藏的价值。

原文来自：

本文地址：//gulass.cn/application-big-data.html编辑：倪家兴，审核员：清蒸github

Linux大全：

Linux系统大全：

红帽认证RHCE考试心得：