制造业是一个国家综合国力最重要的表现，在国民经济中占有重要份额，也是决定民众生活质量的重要条件。在经历了21世纪初的互联网泡沫和2008年全球经济危机之后，世界各国，尤其是发达国家都意识到，制造业是推动科技创新、经济增长和社会稳定的重要力量，成为各国发展和转型的机遇以及形成新竞争力的战场。
美国人之所以认为未来智能工业的发展必然从生产制造端转变到消费端，并且提出“工业互联网”的理念与“国家制造业创新网络计划”，是因为互联网与商业模式创新是美国的强项。德国在制造业的核心优势是装备制造业以及生产线自动化，通过配置和自控的优化系统使得工业生产全自动化，所以德国工业4.0的实践关注销售、服务能力的提升。虽然角度不同，无不围绕着制造业这个核心展开。
中国的制造业在改革开放30多年来取得了举世瞩目的成就，连续几年成为“世界制造力竞争指数”最强的国家，中国已然成为世界制造业的新中心。2015年中，国务院印发《中国制造2025》，部署全面推进实施制造强国战略。配套“互联网＋”和“供给侧改革”等多项措施，“智能制造”被定位为中国制造的主攻方向。
大数据是智能制造核心驱动力
如何实现智能制造?从哈佛商学院到宾夕法尼亚大学沃顿商学院，有一个普遍的共识，即数字化转型是智能制造实现的途径。更为重要的是，这一共识同样来自众多的世界级制造业企业家们。
这一共识是基于无数技术趋势的融合。例如物联网、信息物理系统技术(CPS)、工业物联网、移动技术、人工智能、云计算、虚拟／增强现实（VR／AR）、大数据分析等。我们一定要保持头脑清醒，不要简单认为有了这些技术，未来五年就是制造业的黄金时期，因为新制造业文化的变革进程是相当复杂、缓慢和艰难的，没有行业与企业与用户的融合推进，这次变革无法实现。数字化转型不仅仅意味着企业简单的数字化，而是把数字作为智能制造的核心驱动力，需要利用数据去整合产业链和价值链。
在过去的3到5年中，上面列出的技术一直都是热门商业话题，单独使用时，其中每一项都能使商业中的一些程序或活动实现数字化。而如果将这些技术融合起来利用，就有可能实现数字化转型。
数据基本就是两类，一类是人类轨迹产生的数据，另一类是机器自动产生的数据。这两类数据构成了我们今天的大数据多结构化数据源。自工业革命以来，为了改进运营，制造商一直以来都在有意采集并存储数据。随着时间的推移，数据在制造业分析的需求将越来越大。然而在过去的250年间，利用数据的根本动因并没有改变，但数据的复杂性增强，将数据转化为情报的能力将有越来越大的需求。
对于数字化转型的其他方面而言，2012年高德纳给出的大数据定义里面，特别强调大数据是多样化信息资产，大数据不仅要关注实际数据量的多少，而且最重要的是关注大数据的处理方法，让数据产生巨大的创新价值。数据量大还是量小本身并不是判断大数据价值的核心指标，而数据的实时性和多元性应该对大数据的定义和价值更具直接的影响。
如果不投资大数据及大数据分析，从中获得信息，智能制造所追求的卓越运营将功亏一篑。如果通过利用大数据、预测性分析及云技术衡量产品性能只为了解客户需求，这意味着你正在失去数字化转型最大的价值。在工业大数据的领域里，我们除了要继续关心“人为数据或与人相关的数据”，更多的要关注“机器数据或工业数据”与人的行为数据的融合。
大数据以及工业大数据的特性
数据本身不会为你带来价值，数据的技术也不会让我们的制造业更先进，数据必须转成信息后才会对产业产生价值。智能工厂通过与环境系统的无缝交互，设备能够有自我意识和自学能力，在未来可以实现更高程度的智能控制和优化控制。目前自学设备还远未达到工业实施阶段。
制造业企业有着大量的数据，从内部而言，积累了大量的内源数据，包括运维、管理、流程、质量等。而在互联网时代，外源数据更多，包括供应商、竞争对手、客户反馈等等。事实上，制造业企业不缺数据，问题在于数据质量低下，采集手段不科学。造成的现象是数据丰富但信息贫乏。目前表现出两大问题：第一是数据的有效利用率很低；第二是缺乏分析能力，需要大量的工具。
由此可见，推动智能制造的并不是大数据本身，而是大数据的分析技术。工业大数据給了我们一个看世界的新角度。通过360度全景的数字视角，可能给我们带来新的优势，这就是它成为创新驱动核心动力的来源。
在智能制造的工业大数据中，数据类型多样性是大数据的重要属性。大量的数据不是大数据，单一的数据类型也不足以构成大数据。人们一直设法收集并弄清楚不断变化的数据类型。在制造业中，大数据分析需要利用通用的数据模型，将库存记录、交易记录和财务交易记录等结构性商业系统数据与预警、流程参数和质量事件、社交媒体或其他协作平台获得的文本信息、图像数据、地理或地质信息等非结构性操作系统数据以及供应商、公共网络数据结合起来，进而通过先进的分析工具发现新的洞见。
