疫后数字化机遇，“工业思维”如何顺利加持“数据思维”？
来源：昆仑数据K2Data
数据可视化的“技”“艺”“道”
数据之技
这是一个非常酷炫的数据可视化的图。
现在在网上有各种各样的数据分析工具，数据分析软件、 Python、R包、可视化的工具软件，都可以做出非常多漂亮的，给人强烈视觉冲击的图表。但这一部分我认为叫技能或叫技巧。
可以通过各种各样的数据技能和数据技巧，让大家能够更直观的看到这个数据背后的一些现象。
数据之艺
这是数据可视化的进阶的下一级，所谓的艺术。
这不仅仅是一个可视化的图，它通过颜色的强烈对比，让大家直观的看到了石油和黄金的价格的波动。
可视化做到这一步，可以被称作艺术。
数据之道
然后再往上一层，要讲的是道，这是一张非常有名的图。
就如我们现在经历的疫情。这幅图也是有关疫情的可视化。
地图中这些黑点是这些发病统计的这个区域以及数量。而这个红点在这些黑点阵中的一口水井，这是当年在一个小镇上发生的疫情，来处理疫情的医生，通过这样直观的可视化的手段，找到了疫情的关键点。
到了这个层面上，它直指问题的核心。找到这样一个结果，并不是说要用多么高超的技巧，通过这样一幅手绘的地图也可以发现问题。
实际上我最早想讲的一个主题是数据分析从入门到弃坑，打算讲一讲有趣的数据分析的技巧。后来觉得应该来讲数据分析的道，特别是工业现场实践的道理，能够通过工业思维和数据思维的结合，来真正解决现场问题方法论，而不是这些具体的技巧。因为现在网上有很多学习资源，在讲这些有趣的技巧。所以在这短短的直播里，来给大家讲一个数据的分析之道。
数据的分析之道
数据分析的技术
首先来讲数据分析的技术。机器学习大家都非常熟悉了，在过去20年是非常火爆的领域。
这幅漫画是对机器学习的一个评论：你在垃圾里面干什么？我在垃圾里面翻翻，直到翻出一些有价值的东西来。
这在一定程度上跟数据分析建模的过程，是真的差不多，因为我们并不知道我们能从大数据里面找到些什么？直到我们找到一些认为有价值的，然后做数据分析。
数据技能，到了Alpha Go的时期可以称得上登峰造极。
最近李世石隐退，还下了让两子1胜1负，所以电脑围棋已经远远超过人类棋手的水平。但是电脑围棋距离真正的围棋还是非常远，即使强大如Alpha Go，也没有解决学围棋第1天要学的征子这么一个技巧。只是因为它现在的模型过于强大，你要诱发它出现一个错误的几率已经非常小。
何毓琦老师之前有一个叫 no Free lunch，没有免费的午餐定理。说的就是各种算法在普遍意义上它没有优劣之分的。实际上一个算法好，那是因为跟他问题的结构匹配的好，而Alpha Go能做得好，是因为它正好找到了匹配围棋这样的一个结构。
工业的历史实际上比数据科学要早得多。
所有物理学的大厦，后来化学、生物这些科学都是构建在这些科学定律的基础上，然后整个科学大厦，又构成了我们现代工业的基础。所有的机器，生产过程，产品，都是基于物理、生物、化学的这些定律所构建的。
工业数据分析的特点
数据思维是从观察入手，先有数据，然后从里面总结pattern，找到它的规律，得到模型，然后进一步来预测。
但是我们在工业界常用的是右边演绎法的思维模式。先有理论，然后再把理论衍生出各种各样的推论，再由这些推论去指导，做各种各样的机器、实验，最终反过来验证一个做法是否对，如果不对，再去检验前面这些理论，前提假设，有哪些不合适的地方，进一步来改进。
左边归纳法，是数据科学是这样的一种模式，右边是演绎法，是工业常见的一种思维模式，但这两者真的是一个冲突的问题吗？
举例：开普勒行星运动三定律的发现，是在他老师大量的行星运动观测的数据基础上（开普勒很幸运地得到了著名丹麦天文学家第谷·布拉赫20多年所观察与收集的非常精确的天文资料），总结出来第一椭圆定律，第二面积定律，第三调和定律。
实际上开普勒所总结的三定律，就是现在数据科学所做的，在大量的观测数据里面，总结一些规律，总结一些模型，而到了牛顿手头，把它升华成一个自然法则，然后才让它具有了更好的普适性。
一门科学发现的过程，是归纳法和演绎法交融的。
很多科学的新发现，新定律的提出，都是基于现实中发现一些新问题，然后通过数据归纳出来一些现象，再进一步提出假设，去验证理论。
所以归纳法和演绎法的两种思维，都是科学方法论的一部分。只是比如互联网金融大数据，不涉及到机理，更多用的是归纳法来总结数据的规律。而在工业界，有成熟的物理学、化学定律来保证工业系统的正确性。
但是工业大数据的价值恰恰是在两者的边界上，现在物理化学机理解释不够完善的地方，从微妙的异常数据现象里，怎么去发现问题，怎么去结合工业机理，去解答问题。
案例1：工业数据分析中的辛普森悖论
来看一个抽象的例子，在工业现场非常常见，叫辛普森悖论。
这组数据很简单，可以看出是一个正相关的关系。
假设你在解决一个工业现场的问题，做了分析的结论，去跟工业专家沟通，说找到了因子和质量之间的关系是正相关，工业专家会毫不留情的告诉你，对不起，我所了解的工业机理，他们一定是负相关。
这可能就会变成双方的一个gap。工业专家会觉得数据做的东西不可信，但是数据专家分析的过程没有问题，这问题在哪呢？
这个图可以很容易看到，数据它是分成了两个簇，当我们把它分到两个簇，再分别去分析，可以看到在每一个簇内，他们的相关性都是负的。
实际上数据分析本身没有错，问题的来源是有第三者。第2个因素没有考虑到当前的数据分析里面来，而这个因素可能是之外一个非常重要的因素，使得数据产生了不同的分簇。
这样一个简单的情形，大家肉眼也能看得出来问题，但是在现场做数据分析的时候，数据量非常大，数据非常复杂，它不是两个簇，是很多个簇，重重叠叠在一起，没办法靠肉眼去区分开。在这种情况下，有什么办法进一步往下走呢？怎么知道是不是有其他的因子在相互影响？
这就需要刨根问底，发现微小的异常，往下深刨。
案例2：质量分析的案例
常识科普：正态分布
大家都熟知的六西格玛(6σ)，实际上是把统计学的工具用到了工业现场来。六西格玛(6σ)所有的算法工具都是基于正态分布基础上构建的。
为什么要用正态分布，在工业现场为什么是正态分布而不是其他分布呢？
正态分布有一个叫中心极限定理，说的是如果你有很多随机变量的影响，被加和起来，最后形成的概率分布就会是一个正态分布。在工业现场，各种各样的影响因子非常多，很多因子不可控，例如人为因素，环境因素，所以一个生产现场非常关心的产品质量指标，一定是多因子影响的一个综合的结果。
工业现场都有人、机、料、法、环、甚至测量，各个因子综合起来，往往你看到的数据现象都是正态的，经常会看见很标准的正态分布在工业现场的数据里面。
这个案例是对某产品质量进行分析。从工业用户的角度来说，生产过程中的温度是产品质量的一个重要因子。
两条温度曲线，每一个周期对应一个产品的生产过程。
对于这个客户的问题是，他知道温度是重要的因子，但是不知道这个温度的因子到底是怎么影响产品质量的？
这里遇到了一个困难：每个温度周期实际上没办法跟产品的好坏来做关联。
我们要做的事情，首先是通过设计一些实验，让温度数据和产品的良率数据关联起来，然后再进一步分析。当时做了两轮实验，拿到了几百个样例。蓝色的部分是良品所对应的温度区间的分布。而红色对应的是这个不良品。这个看起来就是一个正态分布。
后台跑了模型，例如它会给一个分类的建议，613度是一个良品不良品的划分的区间。这个问题到这就结束了吗？这个图可以看出：实际上无论是良品还是不良品，它们都存在双峰分布，双方分布还恰恰都跟另一个良或不良的主峰是重叠的。
根据上面提到的辛普森悖论的例子，实际上双峰分布，肯定会有第2个因子，在影响这个产品的良率。
例如我们大胆的做一个猜测，原材料的耐热性可能有差异。耐热性好，温度即使高一点，也会得到良品。也有可能是另外一个因子：例如某些测量不准，有偏值，这都是潜在的因子。
这些是当前数据分析里没有体现出来的。
接下来再进一步分解，就可以找到更多的真正影响产品良率的因素。
当我们去看整体的温度分布，就会发现整体的温度分布，实际上落在了一个更大的区间内，它整体上呈现是一个近似正态分布。
而这次实验拿到的数据正好是在它温度偏高的地方。实际上对于工业过程而言，温度过低过高都会引起不良。
基于这样的温度分布，我们又可以去猜测，对称的在低温的区间，假设我们做一组实验温度过低也会产生这样的一个产品不良的现象。
为什么温度分布是这么大的一个范围？
事实上这就有可能是第三、第四、第五个因子所引起的，例如在操作过程中，有些人设置的偏高，有些人设置的偏低；或者传感器的安装存在问题；可能冷却系统做的不到位。
如果我们单纯的从原始温度数据的分布去看，你看见的就一个正态分布，但当你把背后的因子一个个的挖出来的，你能够更全面的看到这个温度是怎么产生影响。
温度分布有这么广的一个范围，是不是存在着季节性的因素，是否存在环境的因素，人为的因素？这些会作为影响温度的因子的第2级因子，按照故障树的因子分解方法，我们把工业现场一个个影响因素的问题，做一层一层的分解，把最初产品良率的大问题，分解成解决一个小问题，例如：去解决一个产品耐热性的问题；去人为控制温度的稳定性问题，最终你会看到温度分布的这条曲线会变成越来越窄，方差越来越小。
当管控区间不变的情况下，方差越小，过程能力越强，过程能力越强，就意味着良性生产率一定会得到提升。
所以真正解决现场问题的时候，一定要这样抽丝剥茧，注意到数据里面的异常点，才有可能从数据里面，真的把工业问题给挖出来。
作为数据分析，我一开始也不是工艺专家，并不知道对工艺过程影响的这些因子会有哪些？通过把工业现场的问题，背后对应的机理结构化的总结，来配合数据分析的过程，就可以发现一些新的事实。
从数据分析的角度，我们要做的不是沉浸于deep learning，先进的算法，提高模型精度，而是怎么去加持工业现场的机理，要首先对数据进行符合工业常识的筛选，才避免去做重复工。
纯粹的利用数据建模的过程往往会得到两种结果：第1种，辛普森悖论，你得到结论可能是跟工业认知完全相反。第2种，这个结论是一个显而易见的结论。那不用你去做任何的数据分析，工业专家也知道这个因子跟这个问题之间是什么样的影响关系。这种工作，没有充分利用你的 prior knowledge。
例如贝叶斯公式，都是从先验出发，得到一个后验。实际上先验是工业专家的支持，后验加持数据基础上得到了一些新的推论。
所以如果真正要去解决工业的问题，是一定要把这两者以一种合适的方式来结合在一起。不是说这边从数据出发，那边从工业出发，因为像现在我们看见这种双峰分布，就不是光靠温度的一个物理定律能够解释得通的，一定是要去思考背后的一些原因。
最后给大家做一些推荐。
例如：我想了解一下数据分析能做什么？应该看什么书？我不推荐专业书。
我这里列了三本书，都是非常有趣的书。
还有一个玩具：Google当时推出Alpha Go之后，同步也开源了TensorFlow游戏场。可以直观的看到神经网络是如何工作的，对于初学者非常友好，一下就能知道神经网络它的每一层，每一个神经元是如何在工作。
（http://playground.tensorflow.org）
扫码观看回放
——END——
