本文由知识自动化（zhishipai）授权转载
本文选编自PEGA的数字工厂报告，有较大调整，此处为三部曲的中篇。
1.数字工厂的战略决策
制造业的数字化工厂的战略决策，可以采用观察、定位、决策和行动环（OODA）。
OODA模型代表观察、定位、决策与行动。该模型同样以Boyd循环知名，Boyd循环是以USAF频道退休的James Byod名字命名的，他的方法是在战争中对敌人要取得战略性的优势。OODA模型与制造业的PDCA（Plan-Do-Check-Act）循环是相互关联的。OODA模型和PDCA循环都关注如何做决策。简单点来说，他们强调了观察数据与事件、决定的方法，过滤掉噪音，在新信息到来时重新定位，以及在连续的相互作用的环状模型中采取行动的必要性。
数字化工厂中OODA模型中的行为流是包含人、机器、来自物的数据的工艺流程。在一个受低营业利润挑战的艰难的市场中，比竞争思考与行动更快的能力创造，是一个突出的优势。事实上，改善了的供应链管理与更低的操作成本是制造业与高科技工业发展的关键驱动。
让我们看看OODA模型是怎么应用在数字化工厂的。
☆ 观察：观察要么与经验一致，要么与数字化工厂中知识工作者的直觉一致，要么与发现过程的数据收集（越来越多的物的数据）一致。数据来源包括物、工艺过程和企业应用软件。
☆ 定位：定位来自于特定环境下的知识与洞察力，例如，数字化专家的知识、行业自身规则，亦或通过数据分析得出的模型（如预测分析）。
☆ 决策：在观察与定位过程中，将呈现出一系列优先化的决策选择。用户或系统需要挑选行动的方针，在大部分案例中，该行动可能成为优先选择或一系列潜在行动中的最优选择。
☆ 行动：在数字化工厂的特定环境下，这些是在实施过程与决策应用中才采取的行动，用户将按照优先顺序排列决策列表，优化行动顺序。
事实上，在大多数工业物联网使用案例中，客户关注点如下：检测正在发生的事情，无论是来自机器与设备的数据流，还是复杂或异常事件的发生；自动识别、诊断与推荐最高效的行动来解决问题（或在第一时间防范于未然）。
随着时间的推移，系统必须能够检测与解决问题，以期最终形成自主学习与自动持续迭代的OODA模型。
2.自适应数字化工厂建立大数据结构
毫无疑问，我们将从设备、网络、人、链接与机器等上收集来的数据定义为大数据。在仅仅几年里，我们将接触到结构化、非结构化与半结构化的数据。拥有大量的数据，仅将大数据定义为存储库是不明智的。这也将是失去这些数据所提供的隐藏的洞察力与知识的最佳方式。
