前言
企业信息化建设可以分为三个过程，单点建设、应用集成、协同创新，这是两化融合中的定义。目前国内绝大多说港口企业的信息化现状基本上都处于单点建设和应用集成两个阶段之间，通过从单点建设向应用集成的创新规划、项目实施，解决目前港口企业自身的信息孤岛局面，实现整个企业各业务系统的互联互通，为企业的协同创新奠定良好的基础。从长远来讲，港口企业要做港口大数据分析应用最为迫切的还是要解决港口企业自身的数据质量、数据集成等问题。这一个过程叫数据治理，关于港口的数据治理，初期可以从初级的主数据，系统集成做起。数据集成是系统间的点对点集成，解决少数系统间的数据交互。主数据是将港口企业的跨系统、跨应用以及跨流程的基础数据统一进行管理，以保证各系统数据一致性、完整性等数据治理相关的问题，这就好比在建楼房前期要打地基从而提高楼房的稳定性。
其实主数据这个概念起源于erp等早期制造业集成应用系统的发展过程中。随着各类应用系统的广泛应用，包括“信息孤岛”问题在内的“数据处理危机”问题开始浮现。其实在许多企业信息化初期，所谓的信息系统实际上是一些互不关联的数据结构（数据文件和应用数据库）和一些程序的堆砌，系统十分臃肿，扩充性也不够灵活，后来一些企业试图通过数据接口来实现系统集成，但是这样的尝试并没有从根本上解决企业系统间的集成问题，后果就是数据环境的混乱越来越严重。由此在制造业企业信息化浪潮中，数据质量的重要性越来越凸显起来，主数据这个概念被逐步强化和完善，独立于制造业业务系统的主数据管理产品开始出现并得到了市场的最终认可。港口企业要做港口大数据分析应用最为迫切的还是要在初期通过引入主数据管理等数据治理手段解决港口企业自身的数据质量、数据集成等基础问题。你可能会问港口企业的数据治理，主数据应该如何做，有没有什么成功案例可以借鉴？关于国内港口的数据治理、主数据管理等咨询规划及实施工作，据我所知，除了大型的港口运营商之外几乎没有行业标杆可以参考。我们跳出港航业就会发现，其实在制造业已经有很多的组织和企业，他们是已成功的实施的企业顶层的数据治理治理工作，这也是值得我们港航业借鉴和参考的。
目前，智能制造、工业4.0、互联网+等概念已经被人们熟知，随之出现的云计算、物联网以及大数据等新的信息技术，极大地促进了社会的发展，为我国企业向数字化信息方面的转型和发展起到了举足轻重的作用。制造业作为国家经济的支柱行业，智能制造已经成为国家战略转型的目标和方向，同时，互联化、数字化、智能化是增强制造企业核心竞争力的重要手段，为制造业提供低成本、高效率的互联服务，是制造产业实现智能制造的重要的环节。
近年来，随着各个企业信息化的建设，企业内部建设了大量的业务单一系统，确实提高了单一的业务效率，各系统都积累了海量的数据，但是这些数据都淹没在各个数据孤岛或者隐藏在各个系统中没有被发现，如何让这些数据说话，帮助企业运营，成为了企业目前最大难题。互联、主数据管理、数据分析、可视化bi、认知成为了我国企业转变发展的主要步骤和手段，也是提升企业竞争力的主潮流。
目前企业遇到的数据问题和解决思路
一．数据质量问题：
1、企业的各个业务系统中都有主数据，并且有的主数据是以不同的定义形式重复存在，造成数据源头不统一，重复存储，数据不唯一；
2、数据不规范，各系统间对数据定义不一致；
二．数据访问问题：
1、访问不同的信息需要在各个系统间进行切换、搜索；
2、无法实现从各系统中提取完整的关键数据；
三．数据交换问题：
1、数据共享度低、数据交换程度低；
2、系统间集成量大，系统耦合度大，接口众多，不利于系统维护；
所以我们要解决现有企业业务中存在的难点和痛点，大多数企业需要解决的需求问题具体如下：
一．利用互联总线，实现企业内部系统数据互联互通，打破“信息孤岛”和“数据孤岛”，让企业系统数据实时同步；
二．通过主数据管理，规范数据格式、建立编码规范和主数据治理，解决“一物多码、一码多物”的难点，让数据有效、准确。
三．基于主数据进行大数据分析，为企业管理决策提供可视化管理。
四．借助物联网、云计算、api技术，实现“互联网+”战略的落地，实现和供应链上下游企业融合的产业互联网。
基于主数据的数据分析解决方案
一．智能制造互联平台总体架构
这是智能制造互联协同平台的一个总体架构：第一层解决数据互联，包括设备和应用的互联，然后就是主数据管理、大数据管理和bpm业务流程，最后是人员互联层。
他主要包括以下两个主要平台：
1.智能制造互联——主数据管理平台
2.基于主数据的大数据分析平台
二．主数据管理梳理框架
主数据管理解决方案以数据标准和数据管理两个层面去实现。
数据标准层面包括：1.主数据分类——制定主数据分类框架，确定主数据范围和分类；2.编码规则——建立集团层面统一的编码规则，确保同类数据在不同应用系统中编码一致，为大数据分析奠定基础；3.属性标准——制定主数据属性标准，确保主数据在使用过程中具有高度的一致性和准确性。
数据管理层面包括：1.数据流向——明确主数据的分布结构、流转方式，提升主数据分布合理性增进数据传输效率，减少数据冗余；2.组织职责——明确主数据管理职责，促进互相协作、共同实践，有效实现主数据管理的目标；3.管理流程——制定主数据管理流程，提高主数据管理的执行效率，降低管理水平。
大数据建模分析——数据时空关系
在主数据管理之后，我们将进行分析，大数据分析最重要的是什么——建模分析，我们如何建立数据仓库？如何帮助用户确定分析指标（kpi）？如何定义数据清洗？如何转换时空条件和规则？如何缩短需求调研时间，建立数据时空关系，通过数据关系来读懂行业、读懂业务？
“数据空间关系”——即数据时空关系。业务的产生及执行是在一定的时间、空间维度实现的，任何一个行业的数据都逃不出这个“空间—时间”范畴，唯一不同的是度量指标，只要首先分析出空间数据关系模型，解决好度量属性，才能做到有效的大数据分析。
▼什么是度量指标？
度量指标一般与业务价值链上的业务阶段相关，常见的度量指标有：“量”和“率”：总量、分量、平均量、单位产出量、比例、比率（单位分量，贡献率、利润率、投资回报率、投入产出率）、增量、差距量、排名名次、对比量等。
●量是一个统计累加值，表明“多少”，一般业务系统中的记录都是反映这类指标，是由业务的流水量累加而成的。
●率是一个效率值，表明单位时间、单位“主数据”的值（如人均产值，单位成本等），表明一个效率。
▼什么是时空建模？
即数据空间模型，一般采用链式结构表和星型结构。
●链式结构表一般用于业务数据模型，便于扩展模型和存储流水数据，减少数据冗余。
●星型结构一般用于报表分析模型，主要目的是分析查询，要求查询速度快，容许数据冗余。
数据分析应用场景
一．物联网大数据分析
二．预测性维护
三．主数据管理案例——某集团企业mdm项目
四．基于大数据分析智能生产案例——某大型企业智能监控系统项目
欢迎关注港口大数据观察，更新更快的文章及时更新发布。