数据湖建好了，业务没人来
见过最可惜的一个项目：某零部件厂花300多万建工业数据湖，数据都进去了，两年后还在用Excel做质量分析。原因很简单，湖里的数据没有业务标签，分析师找不到、看不懂、不敢用。
我对工业大数据的态度一直很直接：先别建湖，先找问题。
三个能算清账的问题
第一个问题：一批不良品，追溯到具体工序、具体刀具、具体操作者要多久？他们原来靠纸质记录翻，一批料查两天。我们把工序参数、人员、物料批次串成一条链，查询压到15分钟。客户索赔响应快了，一年减少赔付约80万。
第二个问题：哪台设备的废品贡献最大？按机台聚合不良数据后，发现两台老设备贡献了43%的废品。大修后废品率整体降了1.2个点。
第三个问题：工艺参数和合格率有没有相关性？把料温、模温、保压时间和合格率做关联分析，找出两组最优参数窗口，一次合格率提升2.8个点。
数据治理做减法
这三个问题一共用到的数据表不到20张。我们只治理这20张表的口径、单位、编码规则，花了不到三个月。比起一上来对全厂上千张表做标准化，效率高得多。
顺序别搞反
我的建议永远是：业务问题、指标、数据需求、采集、分析，最后才是平台和湖。跳过前面几步建湖，等于修了个没水的水库，好看不中用。
分析团队怎么搭
工业数据分析最缺的不是工具，是既懂业务又懂数据的人。他们一开始指望信息中心出报表，结果做出来的分析质量部门不认。后来我们定了个机制：每个分析课题由业务部门提需求并出一个懂工艺的人，信息中心出一个懂数据的人，结对做。
第一个课题是注塑工序参数与不良率的关联，结对做了六周，出的结论直接改了工艺卡，不良率降了1.6个点。这个成功案例一出，后面排队提需求的部门有五个。数据分析在工厂里是靠一个个赢仗立起来的，不是靠立项报告立起来的。
数据质量还有个隐形杀手：时间戳。他们早期采集的时间戳精度不一，做关联分析时经常对不齐，结论被推翻过两次。后来统一到毫秒级并和服务器校时，分析结果才立得住。工业数据分析的严谨度，藏在这些没人愿意碰的细节里。