回顾此前参与的工业数智化培训，在某制造企业信息化部门就职的小舟说她和同事们培训后也会讨论各自感受，“数据分析没有预想的那么难”，这让他们多少有些意外。
“以前要做一组数据分析，做什么、怎么做，着手之前总会耗费一些心神。往往都是先想好要看什么指标，取什么范围的数据，带着预设和取出来的数据做对比，看是否符合预期。”小舟说起先后的对比，笑称以前可能想得太多，“现在大家视野更开阔了。通过培训学会了一些思路之后，更容易去开始一段分析，而只要开始就会有收获。”
这也是K2讲师们一直强调的一个观点，工业数据分析中，不懂那么多复杂的算法，也可以从数据中去发现一些异常和规律。田博认为，在自动化分析前，最好人工阅读一些实际数据，这一步不要带很强的目的性和功利性，唯一的目的是建立起对数据表的直观感觉与认识。令莱博士也强调不管什么数据，先拿过来看看整体趋势，再放大看关心的局部，再看看数据在整体和局部的分布形态。不要着急去下定论，因为总会有一些意料之外的发现，让你有不一样的收获。
眼下，小舟正在尝试从合格的产成品数据中判断健康和亚健康的产品状态，希望提前发现一些劣化趋势，防患于未然。以往分析产成品质量，只在检测环节依据指标范围评定合格或者不合格，但是合格到不合格不是一个瞬时变化，如果能提前识别趋势，能一定程度减少损失。
作为信息化部门的一员，小舟的日常工作是梳理需求、信息化开发到后续系统运营，在完成这一轮系统培训后，她对数据资源管理平台的建设有了更强烈的诉求：“因为当所有业务部门都有意识地行动起来，都需要查数据，但是又不清楚数据表之间的对应关系，信息化部门的任务就会非常繁重，这也不利于分析结果的长期持续迭代。”
在某工业企业负责智能制造的雨霖，日常工作中经常和数据打交道，包括数据可视化、电子看板、指标体系以及一些统计类的专题分析。由于原本就具有较好的数据敏感度和技术基础，她在培训过程中更看重思维方式的启发。
“以前认为做数据挖掘需要相对较深的AI算法，现在会更重视对业务的了解和认识，要从问题定义去着手。” 从业多年的经验，让雨霖在培训课程中很敏锐地抓住了关键， “算法只是工具，业务理解和分析角度的选取都更重要，这些启发都很有意义。”
从浅显地看数据质量，到现在看到一些数据就会有下意识去看数据是不是有问题，雨霖已经将课程上学到的如相关性分析等方法，用到实际数据探查中，“思维的转变是潜移默化的，不一定马上会产生业务价值，但是思路会更清晰。”
她一再强调数据思维需要被更多人关注，不论是高层领导还是一线员工，不论是日常工作做数据还是不做数据的。“大家一听大数据和算法，下意识感觉可能比较难，有很高的技术门槛，进而有畏难情绪。但是这次培训技术深度要求并不高，和日常工作是否跟数据相关没关系，具有普适性。更多的人参与进来，才能激发更多维的思考。”
聊到2024年对自己数据团队的技能规划，她希望一方面在数据技能进一步提高技术深度，能够自主应对更为复杂的分析，另一方面要在具体业务场景去多探索，帮助决策，形成闭环。
服务某先进制造企业的罗毅，对培训过程中讲师剖析的案例印象深刻，同时，他也很重视培训过程中与不同企业数字化团队的经验交流。“落地的场地可能各有差异，但有很多类似的痛点，这种共鸣会激发思考，别人已经走过的弯路可以尽量去避免，也在一定程度上会让自己的工作更有紧迫感。”
例如工厂设备管理有一定的共性，有的企业会安排专人负责以设备为核心来打通所有的数据源，任务量比较重，数据治理的投入产出周期也长。“大家都意识到这么做是对的，但短期内很难量化评价对直接效益的提升，这需要高层有意识来看整体数字化布局和行动路线。”特别在经济下行周期，有意愿想要有所为和有资源能够有所为之间，总会难以找到那个微妙的平衡。
罗毅高度认同培训引入的敏捷分析方法论，不同部门的同事在同样的方法框架下做数据分析相关工作，更容易实现多方协同，工作成果也能在统一架构下实现迭代。
“我们公司的数据基础和数字化意识在行业内还是相对靠前的，但数字化人才缺口在业内仍旧普遍存在。我们的做法是邀请业务相关部门的同事慢慢参与到既有数字化项目的迭代中来，只要有兴趣，我们就欢迎加入。”
罗毅希望在未来的数字化项目中，攻坚克难的关键环节有外部专家协同，同时，让更多内部员工参与工程开发，“对代码更熟悉，就能更快对内部用户的建议做出反馈，这样后期的迭代会更快更顺利。毕竟，数字化项目不是一蹴而就的，越用就会越发现，有更多可被改善和可被考虑的因素不断涌现出来。”
当我们尝试回顾，那么多鲜活的面孔涌现，或是忙碌、或是坚韧、或是朝气蓬勃。那些带领数字化智能化项目的领头人在重重压力下，探索自主可行的路线；那些已经成为一方专家的工业人重新打开自己，拥抱和融汇新的技术；那么多优秀学历背景的行业新秀涌现，用不拘一格的方式大胆探索未知……
