本文由科学知识自动化（zhishipai）许可刊登本文参考资料自PEGA的数字工厂报告，有较小调整，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，可以使用仔细观察、定位、决策和行动的环（OODA）。

OODA模型代表仔细观察、定位、决策与行动。该模型某种程度以Boyd循环著名，Boyd循环是以USAF频道卸任的James Byod名字命名的，他的方法是在战争中对敌人要获得战略性的优势。

OODA模型与制造业的PDCA（Plan-Do-Check-Act）循环是互相关联的。OODA模型和PDCA循环都注目如何做到决策。非常简单点来说，他们特别强调了仔细观察数据与事件、要求的方法，过滤器掉噪音，在新的信息来临时新的定位，以及在倒数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模型中的不道德东流是包括人、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苦的市场中，比竞争思维与行动更慢的能力建构，是一个引人注目的优势。事实上，提高了的供应链管理与更加较低的操作者成本是制造业与高科技工业发展的关键驱动。让我们想到OODA模型是怎么应用于在数字化工厂的。

☆ 仔细观察：仔细观察要么与经验完全一致，要么与数字化工厂中科学知识工作者的直觉完全一致，要么与找到过程的数据搜集（更加多的物的数据）完全一致。数据来源还包括物、工艺过程和企业应用软件。☆ 定位：定位来自于特定环境下的科学知识与洞察力，例如，数字化专家的科学知识、行业自身规则，亦或通过数据分析得出结论的模型（如预测分析）。☆ 决策：在仔细观察与定位过程中，将呈现一系列优先化的决策自由选择。

用户或系统必须挑选出行动的方针，在大部分案例中，该行动有可能沦为优先选择或一系列潜在行动中的拟合自由选择。☆ 行动：在数字化工厂的特定环境下，这些是在实行过程与决策应用于中才采行的行动，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用于案例中，客户关注点如下：检测正在再次发生的事情，无论是来自机器与设备的数据流，还是简单或出现异常事件的再次发生；自动识别、临床与引荐最高效的行动来解决问题（或在第一时间防止于未然）。随着时间的流逝，系统必需需要检测与解决问题，以期最后构成自律自学与自动持续递归的OODA模型。

2.自适应数字化工厂创建大数据结构毫无疑问，我们将从设备、网络、人、链接与机器等上搜集来的数据定义为大数据。在意味着几年里，我们将认识到结构化、非结构化与半结构化的数据。享有大量的数据，仅有将大数据定义为存储库是不明智的。

这也将是丧失这些数据所获取的隐蔽的洞察力与科学知识的最佳方式。

本文来源：下注app平台-www.jbsauto.net