四是注重与智能制造的结合n n在笔者看来，数字化、网络化引发的智能制造大体是这样一个逻辑：信息驱动知识，在决策过程中创造价值、体现智能。其中，信息来自供应链、客户、智能设备、物联网，知识表现为软件化的模型，决策则包括自动或人工的管理与控制。n n如前所述，工业大数据在这个逻辑中有两个重要作用：获取“从数据提炼成信息的知识”；决策和专业知识主要来自人脑，但需要用大数据将其验证、矫正和精确化。n n五是加强数据分析可靠性理论研究n n在工业系统中，可靠分析的结果才有使用价值。可靠性分析原本是统计理论的重要组成部分。但用于大数据明显是不合适的。这些理论的基本假设条件往往都是不成立的。而且，许多理论和著名观点也造成了大量的误导，如盲目强调分析结果的准确性、认为大数据强调相互关系而轻视因果等。n n大数据的因果分析是个十分需要重视的领域，但过去主要是科学、哲学研究的范畴，统计学家对其重视不足。笔者认为，其实，可以从杜绝假象、通过证伪等思路来逼近因果。也就是说，重点分析那些容易导致错误结果的情况。同时，逻辑链的完整性和证据的独立性也很重要。n n笔者认为，数据的质量和完整性是导致分析错误的重要诱因。因此，建立大数据平台时，不仅要关注数据本身，更要关注数据之间的对应性；不仅要关注数据是什么，还要关注数据的采集过程。数据的采集过程不同，意味着内涵发生了变化。如果数据质量不高，大数据很可能是一堆垃圾。这样看来，盲从商务大数据“非结构化”的观点也是不对的。n n来源：中国钢铁新闻网/物联网智库"""