美国原本这样定义资产：第一种资产是流动资产，比如资金;第二种资产是固定资产，比如设备、厂房。40多年前，美国经济学家W. 舒尔茨和加里·贝克尔提出，除了资金和设备之外，人才也是一种资产，于是有了人力资本理论。现在，美国硅谷的人说，第四种资产是数据，也就是大数据资源。

　　2014年，马云在北京参加活动时表示，如今的阿里巴巴从本质上来讲已经成为一家数据公司，淘宝的目的不是为了卖货，而是获得所有零售业和制造业的数据。同样，百度、腾讯等互联网巨头都已将大数据升级为公司战略，大数据正在从理论走向实践，从专业领域走向全民应用的阶段。

　　互联网诞生时有个段子，叫“在网上，没人知道你是一条狗”，而在大数据时代，通过数据的分析，我们不但能知道你是一条狗，而且知道公母、你爱吃什么、什么时候睡。今天，这个社会已经充满了数据，未来，所有的工厂都会变成数据工厂，所有的企业都会变成数据企业。

　　从一般意义上讲，普遍认可大数据具有“4V”的特征，即Volume—容量，从TB级别，跃升到PB级别;Velocity—速度，根据IDC的“数字宇宙”的报告，预计到2020年，全球数据使用量将达到35.2ZB，在如此海量的数据面前，处理数据的效率就是企业的生命; Variety—多样性，相对于以往便于存储的以文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、图片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求;Veracity—真实性，即避免数据收集和提炼过程中发生的数据质量污染所导致的“虚假”信息。

　　然而，虽然大数据的分析技术最早兴起于互联网中的社会和媒体大数据，但仅仅依靠传统的算法工具，已经无法承载工业大数据的分析要求。因为工业大数据具有更强的专业性、关联性、流程性、时序性和解析性等特点，这些特点都是传统的互联网大数据处理手段所无法满足的。这就好比一个很聪明的年轻人如果没有成体系的思维和逻辑思维方式的培养，很难完成一项复杂度很高的工作，而很多专业领域的技术人员，由于接受了大量与其工作相关的思维流程训练，具备了清晰的条理思考能力及完善的执行流程，往往更能胜任复杂度较高的工作。因此，工业大数据还应加上两个“V”：Visibility—可见性，即通过大数据分析使以往不可见的重要因素和信息变得可见;Value—价值，价值密度的高低与数据总量的大小成反比。以视频为例，一部1个小时的视频，在连续不间断的监控中，有用数据可能仅有一两秒。如何通过强大的机器算法更迅速地完成数据的价值“提纯”成为目前大数据背景下亟待解决的难题。

　　工业大数据是以工业4.0数据分析和特色收集为基础，对设备、装备的质量和生产效率，以及产业链进行更有效的优化管理，并为未来的制造系统搭建无忧的环境。它通过工业传感器、无线射频识别、条形码、工业自动控制系统、企业资源计划、计算机辅助设计等技术来扩充工业数据量。工业4.0的基础特征在于互联与高度融合，互联包括设备与设备、设备与人、人与人、服务与服务的万物互联(IOE)趋势，高度融合包括纵向、横向的“二维”战略，它们的目标都是使设备数据、活动数据、环境数据、服务数据、公司数据、市场数据和上下游产业数据链等能够在统一平台环境中流通，这些数据将原本孤立的系统相互连接，使设备之间可以通行交流，也使生产过程变得透明。此外，由于企业的核心开始从“单点对多点”的数据中心模式转变成以用户为核心的平台式服务模式，从而形成了基于社区、以用户为核心的服务生态系统。

　　从应用端来看，工业大数据的价值有以下几点：第一，它能够以较低的成本满足用户的定制化需求;第二，工业大数据分析使得制造过程的信息透明化，从而提高了效率，提升了质量，降低了成本和资源的消耗，实现了更有效的管理;第三，工业大数据能够提供设备全生命周期的信息管理和服务，使设备的使用更加高效、节能、持久，并减少了运维环节中的浪费，提高了设备的可用率;第四，它实现了全产业链的信息整合，让整个生产系统协同优化，使其变得更加动态灵活，进一步提高了生产效率。

图片来源：找项目网