在工業領域， 大數點是一家技術特點鮮明的資料服務創新企業。 創立之初， 大數點確立了技術能力輸出的戰略方向， 發佈的產品工具屬性相對突出，
指導 | 凱文
調研 | 凱文 關蕾
撰寫 | 關蕾
工業領域， 大資料應用也在逐漸落地， 並陸續冒出一批創新企業， 其中， 大數點是一家技術特點鮮明的資料服務創新企業。
大數點創始人猶傑曾是愛立信（德國）系統工程師， 被評為卓越工程師， 後任職百視通總架構師；CTO Matthias Hub曾是IBM Bluemix IoT首席軟體架構師， 開創了Bluemix的資料倉庫。 創始團隊在分散式運算、物聯網等領域的有十年積累，
隨著資料量的劇增， 客戶需求的逐漸深入， 大數點逐漸將重心轉移到大資料演算法、模型引擎層面， 打造工業大資料底層核心系統， 同時在產品設計上， 也由工業物聯網演變成工業大資料平臺。
目前， 大數點以大資料基礎平臺建設為核心， 開發了包括工業物聯網匯流排IoT DataHub™、即時資料倉庫DSDB™、資料流程引擎Flow Engine™等三大核心產品， 用於設備連接和資料處理、資料儲存和管理、演算法引擎和模型訓練。
創立之初， 大數點確立了技術能力輸出的戰略方向， 發佈的產品工具屬性比較突出。 在定制化為主的工業大資料領域， 表現出較強產品化能力。
受多因素驅動， 工業大資料呈必然趨勢
國內市場， 工業大資料的興起始於2015年， 在國家級規劃綱要、標準規範中明確指出， 工業大資料是智慧製造標準體系五大關鍵技術之一， 是製造業挖掘價值、推動變革的重要手段。
據工信部公佈資料， 近兩年時間， 有162家工業企業成功申報了智慧製造示範專案， 成為改革先鋒， 涉及能源、製造、汽車、醫療、航太等多個領域， 其中， 工業大資料是主要試點方向。
在政策、技術、需求等因素的共同驅使下， 工業企業對大資料的認知正逐步滲透。 目前階段， 資料獲取、大資料平臺建設是主要切入方向。
工業企業對自身業務的改革需求相對清晰， 但對大資料的認知尚不明確。 在企業與資料服務商的合作中， 需求探索、業務理解是前期必不可少的階段， 駐場、諮詢、合作辦公是常見的模式， 探索大資料適合的應用場景是發展關鍵。
大數點成立於2015年， 屬於較早一批入場的創新公司。
目前階段， 大數點覆蓋了生產管理、物料管理、產能分析、故障預測等應用場景。 憑藉複製性較高的行業解決方案， 大數點在鋰電池領域已擴展至6家同類企業。
經過兩年的沉澱， 大數點的客群由最初的鋰電池製造行業， 拓展至精密製造、光伏電站運營、汽車分時租賃運營等四大客群。 這幾類客群對大資料有一定認知， 資訊化程度高， 但自身大資料能力較為薄弱， 大數點以同樣的打法切入， 從建立工業大資料平臺開始，應用場景在合作中逐步滲透。
在中國市場，工業元器件供應商眾多，市場分散度高，設備結構複雜。在實際應用中，具體的應用場景對企業的重要性也不盡相同，企業更傾向於定制化方案，對單一產品的資料服務商接受度較低。因此，大數點的打法更適合與中國市場，在靈活性、價格、服務等層面更有競爭力。
整體市場仍處早期，困難與機會共存
由於多數工業大資料最終應用於具體業務，隨著雙方合作的不斷深入，服務商對行業理解更加深厚、產品更加完善，客戶更換服務商概率逐漸變小。
大數點選擇深度紮根行業細分市場的戰略，為行業優質客戶提供定制化解決方案。雖然客戶數量不佔優勢，但多數都有續單，在單一客戶處，逐漸滲透至覆蓋全部需求，從而形成自己的行業解決方案，構築競爭壁壘。
對於工業大資料，工業企業是資料的生產方，主要來源於生產製造和產品運維環節。工業資料具備線下規模化、複雜化、即時性、準確性等特點，資料可用性較強，受客戶價值驅動特點明顯。
大數點作為發展初期的協力廠商資料服務商，在資料來源、需求探索、行業理解上都依賴於工業企業合作，其產品、模型的反覆運算更直接受客戶資料和需求驅動，因此，客群規模與公司整體發展速度相關性較強。
大數點創始人猶傑在訪談中表示，客戶開拓將是大數點下一步重要戰略之一。
從行業發展進程來看，目前工業大資料尚處於初級階段，工業大資料與物聯網是傳統制造型企業變革的必然趨勢，但實際運用中仍存在諸多困難與挑戰，具體如下：
首先，工業業務理解是高門檻，探索場景、應用落地是未來一段時期的行業熱點；其次，資料來源散亂，資料格式、規範難以統一，互通融合相對困難，工業大資料標準體系的研製是業內重點期待；再次，高端設備不能自主可控，物聯接入時讀寫困難，從而誕生新的資料孤島，制約瓶頸有待突破；最後，已落地的應用場景覆蓋率低，大部分需求仍未滿足，後續市場空間仍需探索。
工業資料服務商是產業鏈上新生形態，屬於新興市場。在早期市場發展中，困難亦是機遇，與競爭激烈的互聯網大資料領域相比，工業資料服務的創新公司成長更快，出成果概率更高。
當前階段，市場集中度尚未形成，跑馬圈地仍是各家重點。然而，一些細分領域已出現競爭力較強的個別企業，新能源、精密製造、電力、石化等行業發展較快，入場的玩家包括高舉高打的國外巨頭、積極佈局的行業標杆、以及躍躍欲試的創新企業。
參考國內工業軟體市場特點判斷，預計未來整體工業大資料市場仍以分散為主，或將在單一細分市場逐漸趨於集中。
大數點創始人猶傑（左）和首席科學家Ivan Uemlianin（右）
近日，愛分析對大數點創始人兼CEO猶傑進行訪談，現將部分內容分享如下。
一家技術驅動型創新公司，三個產品打造工業大資料平臺
愛分析：大數點經歷了哪些發展歷程？
猶傑：2015年3月，我與兩名外籍同事成立初創團隊，基於我們在分散式運算、物聯網、人工智慧等項目的積累，我們決定回國創業。
我們看到，傳統IT企業的資料處理能力不足，我們的系統非常適合解決這個需求，像產線、設備控制系統等中，測試資料、工業控制信號的資料快速處理、分析等。我們決定將之前積累的工業物聯網系統應用到工業中，連接工業設備資料，服務製造類、運營類企業。
大數點的第一個階段是物聯網連接，做工業物聯網，用產線的業務邏輯做資料簡單處理，像在產品生產檢測環節中，做品質判斷。
第二個階段是資料分析和應用，我們把大量的設備資料獲取到大資料平臺上，對即時資料進行快速挖掘規律，用人工智慧演算法對資料進行學習，得出的模型集成到核心產品資料流程引擎Flow Engine，我們的產品逐漸從工業物聯網演變成工業大資料平臺。
愛分析：目前階段主要產品有哪些？
猶傑：我們有三個相輔相成的核心產品，在專案中同時應用。
一，IoT DataHub工業物聯網資料匯流排，我們將套裝軟體植入到數控機床的控制系統中，通過標準的物聯網傳輸協定MQTT採集運行資料，傳輸到我們的平臺。我們做了很多作業系統的適配，有各種版本的套裝軟體。
二，Flow Engine資料流程引擎，對資料進行建模，比如機床的資料建模，先將參數做分類，看能否找到某種模式做固定生成若干類別，再對這些分類做判斷和預測。
三，DSDB即時資料倉庫，配合前兩款產品使用，把經過Iot Datahub的資料進行存儲，將非結構化資料提取成結構化資料。
愛分析：如何完成資料從非結構化到結構化的轉換？
猶傑：傳統資料庫需要先定義欄位，資料才能寫入，在上傳時需要匹配驗證，吞吐率很低。對於工業資料，多數情況是未知的，DSDB資料庫是非結構化的，在上傳時不定義欄位，對任意資料都支援直接存儲、分析、處理、展示，在資料完整度、存儲量、效率等方面有很大提升。此外，DSDB資料庫集群可以隨著資料量的擴充而逐步擴展，我們稱為資料湖。
從非結構化的資料提取成結構化資料，資料湖中的資料分析引擎用MR框架，可以把儲存在多個節點裡的海量資料快速清洗，做分散式運算。
比如一大部分數據都落到一個很大的類裡面，可能就定義為正常資料，如果落到一個資料小的類，可能對應某種異常波動或故障，之後再去判斷是否產生了某種故障，逐漸修正種類數量。
我們的Flow Engine可以測試、調整、驗證模型，模型調好之後，直接在產品中固定應用，再去預測故障。
愛分析：現階段更側重於資料分析？
猶傑：是的。目前有很多做資料獲取和連接的公司，但大多缺乏資料分析能力。大數點除了連接設備以外，更重要在於資料分析，Flow Engine是我們的特色，是對即時資料分析的系統。
愛分析：資料是從現有系統裡直接獲取，還是依靠增加感測器採集？
猶傑：兩種都有，加感測器取決於應用場景和要解決的問題，是否需要增加資料的維度。一些自動化設備，像數控機床，我們直接連接控制系統就可以拿到幾乎所有的資料，對於傳統機床，或轉軸類設備的振動測試，多數依靠外加的感測器。
愛分析：對於傳統工控通信協議，像Canbus、Modbus、Profibus等，用IoT Datahub如何上傳資料？
猶傑：如果是傳統協議，我們會配備大數點物聯閘道，通過一個硬體設備和套裝軟體，轉成標準的MQTT協議，再進行上傳。套裝軟體對應著雲端集群，需要多個電腦節點處理資料，這是我們的強項。
愛分析：Flow Engine能否對需求建模？
猶傑：可以，除了設備，還有其他需求，比如ERP的財務資料，包括庫存資料、訂單等，用Flow Engine可以對訂單、庫存進行預測，對業務需求進行建模。
愛分析：在對業務知識理解有限的情況下，DSDB從非結構化轉成結構化資料時，如何進行資料標注？
猶傑：這是工業大資料面臨的重要挑戰，在智慧製造領域，更需要綜合性人才，IT與OT（Operation Technology）兩種領域的技術結合，目前主要靠合作。
我們的模式是與製造業充分配合、合作，項目中有雙方的工程師，他們説明提供一些資訊、解釋、分類標注。有兩種標注方式，一種先人工標注，再用監督學習；另一種先用非監督型學習，自動分類形成某種標注，再人工判斷。大部分場景需要配合業務工程師進行標注，是一個合作共贏的過程。
愛分析：自動標注能否舉個例子？
猶傑：像檢測資料，標注異常或合格，用演算法會對資料進行分類，分類之後發現一些是非正常數值，就不需要人工再判斷。
愛分析：需要客戶標注哪些資料？人工標注的工作量占了幾成？
猶傑：一些報警資訊、設備已有的故障類型、保護限制等，通過客戶標注可以直接使用，大約占六成工作量。
細分市場深耕戰略，行業解決方案是壁壘
愛分析：目前切了哪幾類客群？
猶傑：兩類客群，一個是製造商，包括鋰電池製造、精密製造等，另一個是運營商，像光伏電站運營、汽車分時租賃運營平臺等。
愛分析：大數點為鋰電池製造商提供了哪些產品和服務？
猶傑：我們為鋰電池製造商欣旺達提供了多個方面的服務。
一，多廠區監控，包括運行指標、故障分佈等；二，智慧排產排程，我們把生產過程、物料、庫存、員工、訂單等資訊進行綜合計算分析，實現智慧排產；三，設備故障預測，針對鋰電池生產環節的各種設備；四，工藝環節，像電芯分選，將電芯分選機連到雲端，通過人工智慧演算法，對電芯的特徵進行學習、自動分類，與人工分選相比，我們提升了2.5倍的分選效率。
愛分析：在專案中對接了哪些企業資料庫，與哪些部門做對接？
猶傑：包括ERP訂單資料、倉儲管理系統、OA員工管理系統、產線控制系統等，整合不同資料來源打造大資料平臺，多數部署在本地，做私有雲。一般IT部門負責規劃和決策，最終是生產部門使用，直接對接產線。
愛分析：項目週期多久？
猶傑：現在每個客戶基本上需要半年時間。大部分是做項目，我們基礎平臺是通用的，對客戶使用的演算法不一樣。
愛分析：光伏電站客戶主要解決哪些需求？
猶傑：主要包括設備即時監控、故障預測。根據不同元件特徵，我們在4-36個小時提前發出故障告警。
愛分析：客戶對資料開放的理解和接受意願如何？
猶傑：目前是私有雲模式。一開始接觸客戶時，很難把效果展示出來，很多演算法需要先接入資料才能做模型。我們採用試用模式，先把平臺給客戶試用，看到效果之後再確認訂單。
愛分析：前期瞭解客戶需求的時間需要多久？成功率如何？
猶傑：三個月左右，成功率在60%以上。
愛分析：現在團隊能同時支撐多少客戶？
猶傑：10個客戶，一般一個專案需要1-2個工程師。
愛分析：工業細分領域集中度較高，很多行業巨頭也在介入，大數點如何考慮？
猶傑：我們聚焦在智慧製造領域，有大資料理念，在嘗試中遇到技術難點的企業，大數點通過我們的技術與他遇到的問題做匹配。另外，從細分市場的角度看，在同行業企業中，我們的產品可複製成分很高，我們用鋰電池方案開拓了6家同行業客戶。
愛分析：從需求層面上，目前解決了多少比例？
猶傑：在大型製造企業中，可以做的內容非常多，我們目前做了40%，續單率很高，我們可以在單一客戶處收穫很多。
目前以平臺專案為主，未來將轉型技術能力輸出
愛分析：採用怎樣的定價模式？
猶傑：有兩個部分，平臺是按照年收費，定制化業務按一次性收費。
愛分析：工業企業現在是否有大資料的預算？
猶傑：大資料的預算在百萬量級，以試點為主。
愛分析：目前階段，以建大資料平臺為主還是應用為主？
猶傑：平臺類多一些，還在收集資料，目前客戶總結的需求是脫離資料的。
愛分析：後期部署需要多久？
猶傑：部署需要一天時間，開發階段需要駐場瞭解需求，運營時候不需要駐場。
愛分析：是否會逐漸滲透單個客戶的所有需求？
猶傑：是的，我們會在一個客戶中做深，分期逐步展開，把所有需求都做掉。
愛分析：國內工業領域，已經在做大資料的企業有多少？
猶傑：我們看到有20%的企業宣稱在做，落地的不多。
愛分析：大數點有哪些對標企業？
猶傑：C3IoT、Uptake，SoftwareAG、GE Predix。
愛分析：下一步公司整體戰略是什麼？
猶傑：正在擴張售前、銷售、市場團隊。戰略上會針對不同行業成立子公司，大數點做純技術公司，做技術能力輸出，授權子公司服務行業，包含銷售、應用開發。
愛分析：工業中，還有哪些細分領域目前適合接入大資料？
猶傑：工業企業保險與供應鏈金融，包括物流體系下的金融服務，需要物流環節的設備監控和資料分析，貸款模型、保險模型，是很好的應用領域。
愛分析：工業大資料或者物聯網領域，我們看到很多行業巨頭在裡面，相比之下，大數點作為協力廠商創新企業，有哪些優勢？
猶傑：我們在資料分析能力、產品靈活性、價格等方面有優勢，傳統企業對製造和設備的理解更深刻。
愛分析：未來市場格局如何？
猶傑：長遠來看，大企業做智慧園區、智慧地球；創新公司，直接為企業提供分析服務，或提供演算法交易服務，我們與大企業將各自佔有相應的市場份額，大企業有可能在一些最終環節通過我們來落地。
愛分析：中美市場有哪些差距？
猶傑：美國的階段已經完成了大資料平臺建設，逐漸偏向于應用，不同業務領域已經有一些標準化元件。中國製造企業非常繁雜，供應商較多，做標準化產品較難，目前打法是滿足客戶不同需求。
從建立工業大資料平臺開始，應用場景在合作中逐步滲透。在中國市場，工業元器件供應商眾多，市場分散度高，設備結構複雜。在實際應用中，具體的應用場景對企業的重要性也不盡相同，企業更傾向於定制化方案，對單一產品的資料服務商接受度較低。因此，大數點的打法更適合與中國市場，在靈活性、價格、服務等層面更有競爭力。
整體市場仍處早期，困難與機會共存
由於多數工業大資料最終應用於具體業務，隨著雙方合作的不斷深入，服務商對行業理解更加深厚、產品更加完善，客戶更換服務商概率逐漸變小。
大數點選擇深度紮根行業細分市場的戰略，為行業優質客戶提供定制化解決方案。雖然客戶數量不佔優勢，但多數都有續單，在單一客戶處，逐漸滲透至覆蓋全部需求，從而形成自己的行業解決方案，構築競爭壁壘。
對於工業大資料，工業企業是資料的生產方，主要來源於生產製造和產品運維環節。工業資料具備線下規模化、複雜化、即時性、準確性等特點，資料可用性較強，受客戶價值驅動特點明顯。
大數點作為發展初期的協力廠商資料服務商，在資料來源、需求探索、行業理解上都依賴於工業企業合作，其產品、模型的反覆運算更直接受客戶資料和需求驅動，因此，客群規模與公司整體發展速度相關性較強。
大數點創始人猶傑在訪談中表示，客戶開拓將是大數點下一步重要戰略之一。
從行業發展進程來看，目前工業大資料尚處於初級階段，工業大資料與物聯網是傳統制造型企業變革的必然趨勢，但實際運用中仍存在諸多困難與挑戰，具體如下：
首先，工業業務理解是高門檻，探索場景、應用落地是未來一段時期的行業熱點；其次，資料來源散亂，資料格式、規範難以統一，互通融合相對困難，工業大資料標準體系的研製是業內重點期待；再次，高端設備不能自主可控，物聯接入時讀寫困難，從而誕生新的資料孤島，制約瓶頸有待突破；最後，已落地的應用場景覆蓋率低，大部分需求仍未滿足，後續市場空間仍需探索。
工業資料服務商是產業鏈上新生形態，屬於新興市場。在早期市場發展中，困難亦是機遇，與競爭激烈的互聯網大資料領域相比，工業資料服務的創新公司成長更快，出成果概率更高。
當前階段，市場集中度尚未形成，跑馬圈地仍是各家重點。然而，一些細分領域已出現競爭力較強的個別企業，新能源、精密製造、電力、石化等行業發展較快，入場的玩家包括高舉高打的國外巨頭、積極佈局的行業標杆、以及躍躍欲試的創新企業。
參考國內工業軟體市場特點判斷，預計未來整體工業大資料市場仍以分散為主，或將在單一細分市場逐漸趨於集中。
大數點創始人猶傑（左）和首席科學家Ivan Uemlianin（右）
近日，愛分析對大數點創始人兼CEO猶傑進行訪談，現將部分內容分享如下。
一家技術驅動型創新公司，三個產品打造工業大資料平臺
愛分析：大數點經歷了哪些發展歷程？
猶傑：2015年3月，我與兩名外籍同事成立初創團隊，基於我們在分散式運算、物聯網、人工智慧等項目的積累，我們決定回國創業。
我們看到，傳統IT企業的資料處理能力不足，我們的系統非常適合解決這個需求，像產線、設備控制系統等中，測試資料、工業控制信號的資料快速處理、分析等。我們決定將之前積累的工業物聯網系統應用到工業中，連接工業設備資料，服務製造類、運營類企業。
大數點的第一個階段是物聯網連接，做工業物聯網，用產線的業務邏輯做資料簡單處理，像在產品生產檢測環節中，做品質判斷。
第二個階段是資料分析和應用，我們把大量的設備資料獲取到大資料平臺上，對即時資料進行快速挖掘規律，用人工智慧演算法對資料進行學習，得出的模型集成到核心產品資料流程引擎Flow Engine，我們的產品逐漸從工業物聯網演變成工業大資料平臺。
愛分析：目前階段主要產品有哪些？
猶傑：我們有三個相輔相成的核心產品，在專案中同時應用。
一，IoT DataHub工業物聯網資料匯流排，我們將套裝軟體植入到數控機床的控制系統中，通過標準的物聯網傳輸協定MQTT採集運行資料，傳輸到我們的平臺。我們做了很多作業系統的適配，有各種版本的套裝軟體。
二，Flow Engine資料流程引擎，對資料進行建模，比如機床的資料建模，先將參數做分類，看能否找到某種模式做固定生成若干類別，再對這些分類做判斷和預測。
三，DSDB即時資料倉庫，配合前兩款產品使用，把經過Iot Datahub的資料進行存儲，將非結構化資料提取成結構化資料。
愛分析：如何完成資料從非結構化到結構化的轉換？
猶傑：傳統資料庫需要先定義欄位，資料才能寫入，在上傳時需要匹配驗證，吞吐率很低。對於工業資料，多數情況是未知的，DSDB資料庫是非結構化的，在上傳時不定義欄位，對任意資料都支援直接存儲、分析、處理、展示，在資料完整度、存儲量、效率等方面有很大提升。此外，DSDB資料庫集群可以隨著資料量的擴充而逐步擴展，我們稱為資料湖。
從非結構化的資料提取成結構化資料，資料湖中的資料分析引擎用MR框架，可以把儲存在多個節點裡的海量資料快速清洗，做分散式運算。
比如一大部分數據都落到一個很大的類裡面，可能就定義為正常資料，如果落到一個資料小的類，可能對應某種異常波動或故障，之後再去判斷是否產生了某種故障，逐漸修正種類數量。
我們的Flow Engine可以測試、調整、驗證模型，模型調好之後，直接在產品中固定應用，再去預測故障。
愛分析：現階段更側重於資料分析？
猶傑：是的。目前有很多做資料獲取和連接的公司，但大多缺乏資料分析能力。大數點除了連接設備以外，更重要在於資料分析，Flow Engine是我們的特色，是對即時資料分析的系統。
愛分析：資料是從現有系統裡直接獲取，還是依靠增加感測器採集？
猶傑：兩種都有，加感測器取決於應用場景和要解決的問題，是否需要增加資料的維度。一些自動化設備，像數控機床，我們直接連接控制系統就可以拿到幾乎所有的資料，對於傳統機床，或轉軸類設備的振動測試，多數依靠外加的感測器。
愛分析：對於傳統工控通信協議，像Canbus、Modbus、Profibus等，用IoT Datahub如何上傳資料？
猶傑：如果是傳統協議，我們會配備大數點物聯閘道，通過一個硬體設備和套裝軟體，轉成標準的MQTT協議，再進行上傳。套裝軟體對應著雲端集群，需要多個電腦節點處理資料，這是我們的強項。
愛分析：Flow Engine能否對需求建模？
猶傑：可以，除了設備，還有其他需求，比如ERP的財務資料，包括庫存資料、訂單等，用Flow Engine可以對訂單、庫存進行預測，對業務需求進行建模。
愛分析：在對業務知識理解有限的情況下，DSDB從非結構化轉成結構化資料時，如何進行資料標注？
猶傑：這是工業大資料面臨的重要挑戰，在智慧製造領域，更需要綜合性人才，IT與OT（Operation Technology）兩種領域的技術結合，目前主要靠合作。
我們的模式是與製造業充分配合、合作，項目中有雙方的工程師，他們説明提供一些資訊、解釋、分類標注。有兩種標注方式，一種先人工標注，再用監督學習；另一種先用非監督型學習，自動分類形成某種標注，再人工判斷。大部分場景需要配合業務工程師進行標注，是一個合作共贏的過程。
愛分析：自動標注能否舉個例子？
猶傑：像檢測資料，標注異常或合格，用演算法會對資料進行分類，分類之後發現一些是非正常數值，就不需要人工再判斷。
愛分析：需要客戶標注哪些資料？人工標注的工作量占了幾成？
猶傑：一些報警資訊、設備已有的故障類型、保護限制等，通過客戶標注可以直接使用，大約占六成工作量。
細分市場深耕戰略，行業解決方案是壁壘
愛分析：目前切了哪幾類客群？
猶傑：兩類客群，一個是製造商，包括鋰電池製造、精密製造等，另一個是運營商，像光伏電站運營、汽車分時租賃運營平臺等。
愛分析：大數點為鋰電池製造商提供了哪些產品和服務？
猶傑：我們為鋰電池製造商欣旺達提供了多個方面的服務。
一，多廠區監控，包括運行指標、故障分佈等；二，智慧排產排程，我們把生產過程、物料、庫存、員工、訂單等資訊進行綜合計算分析，實現智慧排產；三，設備故障預測，針對鋰電池生產環節的各種設備；四，工藝環節，像電芯分選，將電芯分選機連到雲端，通過人工智慧演算法，對電芯的特徵進行學習、自動分類，與人工分選相比，我們提升了2.5倍的分選效率。
愛分析：在專案中對接了哪些企業資料庫，與哪些部門做對接？
猶傑：包括ERP訂單資料、倉儲管理系統、OA員工管理系統、產線控制系統等，整合不同資料來源打造大資料平臺，多數部署在本地，做私有雲。一般IT部門負責規劃和決策，最終是生產部門使用，直接對接產線。
愛分析：項目週期多久？
猶傑：現在每個客戶基本上需要半年時間。大部分是做項目，我們基礎平臺是通用的，對客戶使用的演算法不一樣。
愛分析：光伏電站客戶主要解決哪些需求？
猶傑：主要包括設備即時監控、故障預測。根據不同元件特徵，我們在4-36個小時提前發出故障告警。
愛分析：客戶對資料開放的理解和接受意願如何？
猶傑：目前是私有雲模式。一開始接觸客戶時，很難把效果展示出來，很多演算法需要先接入資料才能做模型。我們採用試用模式，先把平臺給客戶試用，看到效果之後再確認訂單。
愛分析：前期瞭解客戶需求的時間需要多久？成功率如何？
猶傑：三個月左右，成功率在60%以上。
愛分析：現在團隊能同時支撐多少客戶？
猶傑：10個客戶，一般一個專案需要1-2個工程師。
愛分析：工業細分領域集中度較高，很多行業巨頭也在介入，大數點如何考慮？
猶傑：我們聚焦在智慧製造領域，有大資料理念，在嘗試中遇到技術難點的企業，大數點通過我們的技術與他遇到的問題做匹配。另外，從細分市場的角度看，在同行業企業中，我們的產品可複製成分很高，我們用鋰電池方案開拓了6家同行業客戶。
愛分析：從需求層面上，目前解決了多少比例？
猶傑：在大型製造企業中，可以做的內容非常多，我們目前做了40%，續單率很高，我們可以在單一客戶處收穫很多。
目前以平臺專案為主，未來將轉型技術能力輸出
愛分析：採用怎樣的定價模式？
猶傑：有兩個部分，平臺是按照年收費，定制化業務按一次性收費。
愛分析：工業企業現在是否有大資料的預算？
猶傑：大資料的預算在百萬量級，以試點為主。
愛分析：目前階段，以建大資料平臺為主還是應用為主？
猶傑：平臺類多一些，還在收集資料，目前客戶總結的需求是脫離資料的。
愛分析：後期部署需要多久？
猶傑：部署需要一天時間，開發階段需要駐場瞭解需求，運營時候不需要駐場。
愛分析：是否會逐漸滲透單個客戶的所有需求？
猶傑：是的，我們會在一個客戶中做深，分期逐步展開，把所有需求都做掉。
愛分析：國內工業領域，已經在做大資料的企業有多少？
猶傑：我們看到有20%的企業宣稱在做，落地的不多。
愛分析：大數點有哪些對標企業？
猶傑：C3IoT、Uptake，SoftwareAG、GE Predix。
愛分析：下一步公司整體戰略是什麼？
猶傑：正在擴張售前、銷售、市場團隊。戰略上會針對不同行業成立子公司，大數點做純技術公司，做技術能力輸出，授權子公司服務行業，包含銷售、應用開發。
愛分析：工業中，還有哪些細分領域目前適合接入大資料？
猶傑：工業企業保險與供應鏈金融，包括物流體系下的金融服務，需要物流環節的設備監控和資料分析，貸款模型、保險模型，是很好的應用領域。
愛分析：工業大資料或者物聯網領域，我們看到很多行業巨頭在裡面，相比之下，大數點作為協力廠商創新企業，有哪些優勢？
猶傑：我們在資料分析能力、產品靈活性、價格等方面有優勢，傳統企業對製造和設備的理解更深刻。
愛分析：未來市場格局如何？
猶傑：長遠來看，大企業做智慧園區、智慧地球；創新公司，直接為企業提供分析服務，或提供演算法交易服務，我們與大企業將各自佔有相應的市場份額，大企業有可能在一些最終環節通過我們來落地。
愛分析：中美市場有哪些差距？
猶傑：美國的階段已經完成了大資料平臺建設，逐漸偏向于應用，不同業務領域已經有一些標準化元件。中國製造企業非常繁雜，供應商較多，做標準化產品較難，目前打法是滿足客戶不同需求。