本文作者：昆仑数据首席数据科学家 田春华

数据分析过去在工业应用中取得了的一些成绩，也有很多不如意的地方，今天分享在实际过程中有哪些常见的误区，由于时间问题，今天只讲7个技术方面，后边有时间再给大家细细聊。

7个误区，分三批，包括规划层面，技术路线方面，以及执行层面，可能遇到的问题。

1、言不及义：脱离业务逻辑的数据分析是浪费。

曾和合作伙伴探索过空压机的大数据分析。在涉及到工业设备的大数据分析应用中，有很多PHM的案例。但在跳到智能运维之前，最好先讨论一下预期的业务逻辑，我们的目标是做第三方运维业务（大数据用来提高维修效率），还是通过空压机的数据，来支撑一种新的业务模式，比如供应链金融、业务流程优化、能效优化等。

首先剖析一下，先不考虑现实条件，假设技术是百分之百的成功，这个技术实现之后，到底能干嘛？

一年的这种压缩机，它的运维成本到底是多少？如果我是这个设备制造商，我做智能运维到底是来帮谁实现什么？我的收入或者我的成本来自于什么地方？

如果智能运维的收入包括利润率都非常低，整个产业链，整个行业都还没有发力，不妨转变业务逻辑，不要急于模仿一些看似别人在其他领域已经成熟的案例，先灵魂拷问自己的商业本质是否合理。

2、指雁为羹：脱离约束条件的“乌托邦”很难成功。

案例：这类问题通常出现在一些调度优化、运筹优化层面，一讲生产调度或者运筹优化，大家很容易的就想做全局优化，这是大家的梦想，只有全局优化才能有提升的空间。但是现实中，要具体问题具体分析，不能脱离物理世界的约束条件。

例如港口的集装箱码头，其中一个很重要的问题就是码头的堆场优化。因为堆场决定容量，香港的码头是比较拥挤的，做对比优化的空间很大，效益也大，我们要分析船来了之后怎么快速的支持装货、卸货。

但是做堆场优化，业务范围到底做多大？客户希望做端到端的堆场优化，一个集装箱来了，就要决定最优位置。这里忽略了，为了做堆场优化，首先要有比较明确的集装箱的到达量预测，预测必须相对准确；第二，我要整个装备的维修周期数据，要获得排班数据，要获得船期数据等各种关联数据；第三，要避免场内卡车的拥堵，如果同一艘船的所有集装箱都放在一起，装船时候可能会造成局部拥堵。

现实情况下你很难获得这么全的数据，中间的约束很多，首先，流量预测就很难做的精准。第二，船的到达，按说有固定的周期，但是也有些天气因素，有些如当前疫情因素是不完全可控的。在这种情况下，如果做优化，是基于大量的假设，效果可能会打一些折扣。