《 數據是服裝智能制造的資產 》

眾所周知， 數字化是指將許多復雜的、難以估計的信息通過一定的方式變成計算機能處理的0和1的二進制碼，讓機器可以讀懂和處理信息,形成計算機里的數字孿生; 數字化也可以叫“比特化”，因為它可以泛化到一切都可以用0、1“比特值”來表示。

數據化是將數字化的信息進行條理化，通過智能分析、多維分析、查詢回溯，為決策提供有力的數據支撐;因為數字只是數據的一種表達方式，所以數據這個概念要遠遠大于數字的概念,由此可說數字化帶來了數據化，數據化是數字化進程的一個方向，但是數字化無法取代數據化，數字化應用在于數據化。

正因為如此，目前對服裝企業來說都叫進行數字化轉型而不叫數據化轉型。 

服裝企業之所以要實現數字化轉型，那是因為數字化轉型能給企業帶來經營行為規范的價值提升、企業運營管理的價值提升、特別是可利用當前數字化技術，例如云計算技術、大數據技術、人工智能技術、物聯網技術、數字孿生技術等等來推動企業商業模式創新和傳統制造模式向智能制造模式轉型。

1) 數據資產的由來與特征

數據資產的概念是由信息資源和數據資源的概念演變而來的，在20世紀七十年代，信息被人們看成是人力資源、物質資源、財務資源和自然資源等重要的資源；

到20世紀九十年代，隨著政府和企業的數字化轉型而產生了數據資源，當然這個數據資源只有在信息的數字變成數據后集結到一定規模之后才能叫數據資源；

進人21世紀初,由于大數據技術的興起而產生了數據資產，這個數據資產隨著數據管理、數據應用、數字經濟的發展而得到普及。由此可見，數據資產是一個包含數據權限(指所有權、使用權、探索權)、有價值的、可衡量的、可讀取的、可交易的數據集。

2020年4月9日，中共中央國務院公布的《關于構建更加完善的要素市場化配置體制機制的意見》中，明確指出生產要素包括土地、勞動力、資本、技術、數據這五類, 這五個生產要素也是資產，即土地資產、勞動力資產、資本資產、技術資產、數據資產。

近幾年來全球數據年均增速都在20%以上。可以看到，數據這個資產的增速已經遠遠超過了技術、人力、資金、土地這些資產的增速。從數據的全球分布來看，中國的地位凸顯。

據國際數據公司IDC發布的統計數據顯示，2018年中國數據產生量約占全球數據產生量的23%，僅低于EMEA（歐洲、中東、非洲）的數據產生量（約30%），是國際上名列前茅的數據資源大國和全球數據中心。APJxC代表亞太和日本地區占18%;見圖一。

圖一   全球數據分布域

同樣,據國際數據公司（IDC）發布的《數據時代2025》顯示，全球每年產生的數據將從2018年的33ZB（1ZB=10萬億億字節）增長到175ZB，相當于每天產生491EB（1EB=1.1529e+18 字節）的數據。據IDC預測，2020年，全球數據量會達到44ZB，2035年會達到1.9萬ZB。見圖二。

 圖二  全球數據增量趨勢

由圖二還可見，全球數據增量趨勢是符合新摩爾定律的，(所謂摩爾定律就是人類有史以來的數據總量，每過18個月就會翻一番)。看2004年，全球數據總量是30EB，2005年達到了50EB，到2015年，居然達到了驚人的7900EB，2020年達到35000EB。我們整個人類文明所產生的全部數據中有90%是過去兩年出現的。

數據增量的發展意味著全球數據資產的增加，而作為資本資產所有者，只有使用了數據資產才能體現數據的價值。數據的價值和下面一些因數有關：

• 數據應用次數越多,數據價值越高

• 數據集聚越多,數據價值越高

• 數據時效越長,數據價值越低

• 數據越分享,數據價值越低等

對服裝制造業來說，所有制造資源優化配置的科學性、實時性、有效性都來自于把正確的數據、在正確的時間，以正確的方式，傳遞給正確的人和機器，這種使數據的全自動化流動本質就是用數據驅動企業運行，見圖三。

來源:網絡    圖三 企業運行的數據全自動流動

當然數據的精確全自動化流動是基于 “數據+算法”才能將正確的數據（所承載知識）、在正確的時間、傳遞給正確的人和機器，很明顯這時數據才具備了資產價值。

數據作為資產的有著一系列獨有的特征:

• 數據具有可交易的資產特點；

• 數據具有資源豐富、更新頻繁、類別多樣等信息價值；

• 數據具有可流通使用的外部性；

• 數據具有持續產生和不斷創造價值的自然增值屬性；

• 數據具備多方面滿足人類生存和發展的多維性；

• 數據具有零成本無限共享和集聚使用價值高等特征。

2) 數據資產的最大價值在于應用它能實現企業的智能制造

由數據到智能的過程見圖四，數據、信息、知識及智慧金字塔（即 DIKW體系）揭示了人類知識推理演進的原理和過程。

人們通過原始觀察、度量及數字化手段獲取作為原始材料的各類數據；按照規則將有邏輯、有意義的數據加工成信息；再對各類信息集合進行綜合、提煉、歸納后形成特定的知識；智慧則是合理地應用知識并進行正確判斷、決策的能力，是人類的最大特征。

來源:網絡 圖四   DIKW智慧金字塔體系

由數據到大數據,所謂大數據指的是要用數據庫管理工具處理的龐大和復雜的數據，如果用定量的方法來描述大數據，那應該說數據量大到超過PB級，

【1PB= 1000000000000000byte(10的15次方)】

以上的數據才叫大數據。在制造業方面，大數據是指從車間現場到企業頂層所有生成、交換和集成的數據。大數據是未來智能制造業的命脈，制造業必須找到有效的方法來應用和管理大數據，所以說有了數據才有大數據，有了大數據才有人工智能，有了人工智能才有智能制造。

制造業轉型于智能制造一定會應用好數據資產，隨著大數據產業不斷發展, 根據Statista數據統計,全球大數據2011—2027年市場規模預測(億美元)，見圖五。

我國大數據產業生態聯盟及賽迪發布的《2020中國大數據產業發展白皮書》，預計到2020年，中國大數據產業整體市場規模將達到6670.2億元，到2022年將突破萬億元。

在此基礎上進一步預測，到2025年中國大數據產業整體市場規模將達到17568億元左右，見圖六。大數據產業市場規模的快速發展,意味著今后一定會采用大數據技術和人工智能技術來實踐企業的智能制造。

圖五  2011-2027年全球大數據市場規模預測

圖六  2020—2025中國大數據產業規模

大數據技術包括了：數據的采集、保管、存儲、搜索、共享、傳遞、分析和可視化，其中最重要我以為在于數據資產的采集、分析和安全保護：

1) 采集好數據資產

制造業的數據是通過采集得來的,在線的傳感器或軟件技術對被測對象進行自動采集數字或模擬信號，并傳送到DCS、PLC、DNC、SCADA、儀表等系統進行分析、處理。工業大數據主要來源于機器設備數據、工業信息化數據和產業鏈相關數據等,見圖七。

圖七  制造業工業大數據來源

這些數據不僅要涵蓋基礎數據，還要逐步包括用戶數據、社交關系數據、設備和傳感器采集的周期性數據等各類數據。目前主要包括以下幾種類型數據的采集,即海量的Key-Value數據、文檔數據、信息化數據、接口數據、視頻數據、圖像數據、音頻數據等等。通常數據采集使用不同類型的工業傳感器和RFID技術方法來茯得。

2) 分析好數據資產

在數據采集的基礎上，需要對采集到的相關數據進行分析，對于大數據的分析處理,早在1999年歐盟SIG組織就提出大數據分析流程的標準模型“CRISP-DM”,該標準的具體流程為:商業理解---明確目標,分析需求;數據理解---采集、描述、探索、檢驗、數據; 數據準備---選擇、清洗、構造、整合、 格式化數據;建立模型---選擇建模技術、參數調優、測試 計劃、構建模型;評估模型---模型全面評價、評價結果、 重審過程;結果部署---分析結果、方案實施應用，見圖八。

圖八   大數據分析標準流程CRISP-DM

大數據的分析處理結果在于應用,在我們服裝制造業主要用在指導生產制造的改進與優化,這往往從三個方面入手:

① 對加工設備狀態數據分析

對采集到的各種數據進行加工處理后，以各種方式進行輸出和展現，使相關人員第一時間了解設備生產的實時情況，如實時狀態、加工工藝數據等，便于做出及時、科學的管理決策；

②生產制造工藝數據優化　　

主要表現在兩方面：a)設備工藝參數監控：將采集到的設備工藝參數，如溫度、壓力等，與設定的標準參數進行實時比對與管控，從而實現對生產過程進行實時、動態、嚴格的工藝控制，確保產品質量的穩定性。b)加工工藝改進與優化：對制造過程的主要工藝參數與完工后的產品合格率進行綜合分析，便于對加工工藝改進與優化；

③ 生產過程追溯　　

通過產品加工制造的過程數據實現對產品制造歷史的追溯，達到問題復現、質量追溯等目的。

3) 保護好數據資產

我們服裝制造業在數據資產安全方面目前主要存在三個問題,一是數據資產多且繁雜，存在數據風險無法量化的難題；二是大部分企業目前無法根據數據使用者、數據使用現場做出動態數據權限管控，造成數據安全風險較大；三是大數據平臺漏洞和配置問題多，數據安全風險面廣。總之，隨著企業數據資產成規模的指數化增長，大數據技術的全面應用，數據資產安全的風險也越來越大,所以保護好數據資產的安全十分重要,如何保護數據安全呢?當前數據安全所建立的一體化解決方案有下面一些,企業可以示需使用:

• 采用戴爾“避風港”方案（Cyber Recovery Vault）

它具有Air Gap網閘隔離機制和副本鎖定機制，以阻斷勒索軟件接觸可能，從而大大降低病毒感染備份數據的機率。

備份數據存儲在生產端的存儲設備上后，和Cyber Recovery Vault區存儲設備建立復制鏈接，通過內部網絡和專用接口，將備份數據從生產中心復制到Cyber Recovery Vault區（數據隔離保存庫）。

Cyber Recovery Vault區對網絡攻擊者“隱身”，阻斷勒索軟件感染備份資料的機率。一旦數據同步完畢即可關閉Air Gap網閘，數據訪問路徑被斷開禁用，同時為了防止備份文件被惡意刪除，系統可針對隔離保存庫內的數據進行鎖定，以保證備份數據拷貝副本不可加密、不可篡改、不可刪除。

• 采用谷歌云平臺。

企業可以在數據保護得到保障的情況下過渡到云平臺。

谷歌云平臺已完成平臺向開放性和云計算的巨大轉變，給企業帶來了更強大的數據資產和更好更安全的數據分析。

谷歌云平臺開放式基礎設施讓你可以選擇最適合自己業務的上云路徑。有了谷歌云的基礎設施和我們的數據和人工智能機器學習 解決方案，將數據上云并開始分析就很容易了。

• 采用具有安全管控系統的曙光大數據平臺。

曙光大數據平臺是結合大數據技術的海量數據智能分析處理解決方案,能幫助企業用戶快速構建高效、智能、易用的一體化大數據系統，挖掘數據價值。

曙光大數據分析平臺采用融合的技術架構，深度實現存儲融合、計算融合、調度融合、多源數據融合、業務流程融合，構建體系化融合的整體系統,見圖九。

圖九   曙光大數據平臺架構

• 采用創新奇智的“Orion自動化機器學習(AutoML)平臺”。

該平臺主要幫助客戶如何用好數據資產，如何提高數據決策能力,賦能客戶運行業務。

該平臺是一套符合未來數據智能范式的，擁有可靈活選擇、配置的三層結構，面向企業客戶，以私有化部署為主的系列產品和解決方案。Orion數據智能引擎主要包括三大產品單元,即：①Orion IRC---智能資源調度管理，提供計算資源管理和數據資產地圖；②Orion DAC---智能數據融合管理，支持數據動態融合，實現數據供應鏈；③Orion AML---自動化機器學習，基于數據完成智能決策。

• 采用TalkingData數據安全島平臺。

TalkingData“安全島”是基于業界領先的可信的數據計算技術，構建起安全合規的多方數據融通一站式平臺，提供面向不同業務場景的數據產業化應用與價值釋放新模式。

為了能夠平滑地將TalkingData的數據服務和數據能力完整地應用于客戶這一側，所開發的安全島解決方案,其實就是一個安全計算平臺，其出發點是讓客戶在平臺上實現安全合規的數據價值交換，隔離雙方的隱私問題，幫助客戶彌補數據能力上的不足，真正釋放數據的價值。

前面說過,有了數據才有大數據,有了大數據才有人工智能,有了人工智能才有智能制造,而實現智能制造必須要有真正落地的人工智能,而真正的人工智能又是靠大數據、先進算法模型和超大的計算能力(例如CPU/GPU/TPU)來實現的,見圖十。

圖十  落地的人工智能相關技術

服裝的智能制造包括服裝的智能設計、智能生產、智能管理以及集成優化等具體內容，而實現這些內容最本質的就是大數據資產。下面就應用大數據技術對服裝產品市場調研、服裝流行趨勢發布和服裝加工工藝優化進行舉例： 

1) 建立在大數據分析基礎上的服裝市場的產品銷售舉例

服裝企業要想在市場中分得一杯羹，需要依靠大數據戰略，拓寬服裝行業調研數據的廣度和深度，從大數據中了解服裝市場構成、細分市場特征、消費者需求和競爭者狀況等眾多因素，在科學系統的信息數據收集、管理、分析的基礎上，提出更好的解決問題的方案和建議，保證企業產品在市場定位的獨具性，提高企業產品在市場的接受度。

一個企業想進入或開拓服裝市場，首先要進行項目評估和可行性分析，只有通過項目評估和可行性分析才能最終決定是否適合進入或者開拓這塊市場。

如果適合，那么這個區域人口是多少？消費水平怎么樣？客戶的消費習慣是什么？市場對產品的認知度怎么樣？當前的市場供需情況怎么樣？公眾的消費喜好是什么等等，這些問題背后包含的海量信息,構成了服裝市場的大數據，對這些大數據的分析就是市場定位過程。

2020年臨近雙十一期間前,天貓對2019年雙十一期間一天就銷售了約474 萬條秋褲情況下，又針對全年中國人秋褲市場銷售超過5000萬條的市場作了深入的調查,并對調查得到的大數據進行分析,得到在2020年雙十一期間應該加強對價格在100--500元以內的秋褲投入，見圖十一；

來源:CDA 圖十一   秋褲價格分布

同樣,在店鋪的選擇上發現在買秋褲時,消費者并沒有特別的品牌要求，好穿、舒適性、價比高才是最好的,這也解釋了秋褲銷量位于前列的店鋪為什么多為一些不知名的商家,見圖十二。由于在這樣大數據分析基礎上的決策,2020年雙十一秋褲銷售量比2019年上升101.4%。

來源:CDA 圖十二    秋褲店鋪名稱及數量

2) 建立在大數據分析基礎上的服裝流行趨勢預測發布舉例

英國Fashion Pocket股份有限公司認為正確把握服裝流行趨勢可以推動服裝市場消費，因此他們收集了超過2500萬張的服裝圖像數據，這些彩色圖像數據量在千萬億拜特(byte)以上,是典型的大數據量，采用流行趨勢預測模型和人工智能機器學習算法分析、預測了全球服裝服飾的趨勢走向，并協助算出和預測英國和全球市場服裝產品流行動向，見圖十三。

圖十三  大數據分析服裝流行趨勢

3) 建立在大數據分析基礎上的服裝縫制加工工藝參數調優,以獲得高質量成衣產品應用舉例

圖十四 大數據技術應用于服裝加工工藝參數的調優

服裝在對各種面料進行縫制加工時首先要進行縫制參數設置,例如縫紉機車速、縫線張力、線跡形式、線跡大小等等,這些參數設置不好，往往會影響縫制質量,因此在縫制過程中，可以利用這些參數大數據和人工智能中的機器視覺技術、機器學習和深度學習技術來選擇最優縫制參數，使服裝縫制質量達到最好，見圖十四。

其他由大數據和人工智能所構成的服裝智能制造各個環節應用,請大家參閱“人工智能在服裝智能制造中和應用”一文(聞力生  “人工智能在服裝智能制造中和應用”  紡織高校基礎科學學報  2020年第33卷第二期  P30—36),此處不再贅述。

文章原鏈接：

東華大學聞力生教授：數據是服裝智能制造的資產