姜江：大数据在装备建设与管理中的应用思考

大数据在装备建设与管理中的应用思考

姜江  国防科学技术大学信息系统与管理学院

当前，世界军事发展日新月异，新军事变革的进程进一步加快，信息技术正推动着一场新的军事变革，大数据是与智能制造、无线网络革命并行的又一次颠覆性的技术变革。作为军事变革的新宠儿，大数据正以前所未有的方式冲击着世界军事发展的既定轨迹。大数据时代的到来，将使世界战争形态和作战样式发生重大改变，世界军事即将进入“大数据战”时代。

发端于军事和安全领域的大数据，一经问世就引起全球高度关注。2012年5月，联合国发表《大数据：机遇与挑战》报告，美国同时发表《大数据研发倡议》，正式把大数据研发提升为国家战略，作为美军建设的战略重点。当前，“大数据技术”正强势崛起，众多国家也把大数据研发摆在国家战略层面加以推进，使其成为抢占新世纪军事优势的战略制高点。尤其是受到信息化战场联合作战需求的强力牵引，使得大数据的发展日益紧迫地提上议程。随着军事领域大数据技术应用的不断发展，数据获取能力、数据分析与处理能力、数据主导决策成为占据未来军事斗争准备优势的关键。

1、大数据背景下装备管理面临的机遇与挑战

1.1 大数据时代的机遇

什么是大数据？百度百科给出定义：大数据指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策有更积极目的的资讯。维基百科中指出：大数据是由数量巨大、结构复杂、类型众多数据构成的数据集合，是基于云计算的数据处理与应用模式，通过数据的整合共享，交叉复用形成的智力资源和知识服务能力。大数据时代的数据具有数据量大(Volume)、类型繁多(Variety)、价值密度低(Value)和速度快时效高(Velocity)的特点，大数据时代的到来对人们驾驭数据、分析数据和利用数据的能力提出了新的挑战，也为人们利用数据获取最大的有用价值提供了前所未有的空间和潜力。

以互联网数据为例，1998年全球网民平均每月使用流量是1MB，2000年是10MB，2003年是100MB，2008年是1GB，2010年是10GB。淘宝网站每天有超过数千万笔交易，单日数据产生量超50TB，存储量为40PB。百度公司目前总数据量接近1000PB，每天处理的搜索请求数据量为102PB数量级。此外，大数据广泛存在于医疗检测、交通管理、金融理财和科学研究等各行各业。据统计，人类存储数据量的增长速度比世界经济的增长速度快4倍，而计算机数据处理能力的增长速度则比世界经济的增长速度快9倍，在大数据时代，一个普通人能够获取的数据量相当于古希腊时期世界最大的图书馆数据总量的320倍。

在大数据时代，数据获取、管理与分析技术广泛应用于各个领域，为其创新发展带来前所未有的新机遇。在农业领域，数据技术被应用于分析各地降雨、气温和土壤状况与农作物产量的相关规律，从而准确预测来年农业产量；在商业领域，数据技术被用于通过销售数据分析获取顾客购买偏好，从而调整制订营销策略；在公共卫生领域，“谷歌流感趋势”项目依据网民搜索关键词数据预测疾病传播情况，预测结果精确率达97%；在金融领域，阿里公司根据在淘宝网上中小企业的交易状况调整贷款策略，在300多亿放贷金额中，坏账率仅为0.3%。在大数据时代，基于密集数据的科学发现成为继理论科学、实验科学和计算科学之后，人类认识和改造客观世界的又一个范例，数据积累与数据分析技术发展的量变引发质变，赋予人们前所未有的通过海量数据分析准确预测未来的能力。

1.2 装备建设与管理中面临的问题与挑战

装备建设与管理是基于作战能力需求、装备关联关系和战术性能指标等不同类型数据，统筹研发时间、经费预算和技术储备等不同类型约束条件，不断优化对一体化作战能力贡献率的复杂的系统工程。装备建设管理涵盖装备全寿命周期,包括需求论证、设计研发和使用保障等各个阶段的建模、分析、评估、优化与执行工作。

装备建设与管理的科学决策，离不开全面地获取数据、有效地管理数据和准确地分析处理数据。在大数据时代，一方面在装备需求论证、设计研发以及使用保障中累积的大量数据成为推动装备建设与管理工作顺利开展的重要战略资源，另一方面，日益增长的规模复杂性使得数据管理和分析的难度不断增大，如何有效整合利用数据成为装备建设与管理中面临的问题与挑战：

一是数据获取与数据处理能力不足。高技术武器装备性能指标多样，组成结构复杂，在设计与管理的各个阶段既需要大量客观准确的数据提供决策支撑，同时也不断产生大量数据。由于产生数据的多样性和非结构性，现有的数据获取与数据处理能力难以满足从中全面获取与高效处理目标数据的需求。导致装备建设与管理工作中一方面大量数据闲置，一方面决策数据匮乏。

二是数据分析与数据可视化能力不足。数据分析是在从海量数据中挖掘相关信息，为管理决策提供支撑的重要步骤。如何准确识别决策信息需求，设计科学的数据分析方法，成为能否有效利用大数据支撑实际工作的关键。由于装备建设与管理工作的复杂性，管理决策既需要由客观数据分析得到的定量信息，也需要来自专家经验的定性信息。如何提高数据可视化能力，设计更为完善的人机交互机制，成为能否高效获取、利用专家经验数据的基础。

三是数据共享与数据管理机制尚待完善。在大数据时代，数据成为推动装备建设与管理工作顺利开展的重要战略资源。如何设计促进数据充分利用、规避数据使用中各类风险的有效机制成为推动装备建设与管理工作现代化发展的前提。当前，由于相关机制建设尚待完善，对储存装备建设与发展工作中产生的各类数据缺乏重视，不同部门和机构之间的数据难以交流共享，导致阻碍数据整合利用的“数据孤岛”现象不同程度地出现，严重影响装备建设与管理工作效率。

2、大数据分析与管理的理论和方法

2.1 大数据分析的理论与方法

大数据时代的到来对人们驾驭数据分析数据和利用数据的能力提出了新的挑战，也为人们利用数据获取最大的有用价值提供了前所未有的空间和潜力。以传统的数据分析处理方法为基础，大数据分析在数据获取、数据存储、数据分析、可视化以及数据安全等方面正在形成一套复杂而完备的理论与方法。

1）数据获取：大数据的采集通常是指利用多个数据库来接收发自客户端或传感器等的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，所以需要在采集端部署大量数据库支撑。更为重要的是，如何在这些数据库之间进行负载均衡和分片需要进一步探索。

2）数据存储：庞大的数据量促使学术和产业界均兴起了一股研究新存储技术的热潮，为应对大数据的庞大存储需求，以及针对其非结构化的特点，一些新的技术和方法得到应用。如横向扩展（scale-out）NAS、对象存储系统、Hyperscale存储系统等。

3）数据分析：大数据分析需要综合应用传统的统计建模方法以及数据挖掘和机器学习的技术，并结合数据特点建立分析模型，从而在海量数据中找到隐藏的模式和应用。在大数据背景下，统计建模方法不在强调抽样准确性和数据精度，重点在于挖掘数据中的相关关系，进而结合机器学习方法，如贝叶斯网络、支持向量机、决策树、隐马尔可夫模型等，实现分类、聚类、模式识别、序列分析、预测、异常监测等复杂的应用需求。

4）数据可视化：可视化与可视分析通过交互可视界面来进行分析、推理和决策；从海量、动态、不确定甚至相互冲突的数据中整合信息，获取对复杂情景的更深层的理解；可供人们检验已有预测，探索未知信息；同时提供快速、可检验、易理解的评估和更有效地交流手段。大规模数据的可视化和绘制主要基于并行算法设计的技术，合理利用有限的计算资源，高效地处理和分析特定的数据集的特性。

5）数据安全：大数据给信息安全带来了新的挑战。首先，大数据易成为网络攻击的显著目标。在网络空间，大数据意味着海量的数据，也意味着更复杂、更敏感的数据，这些数据会吸引更多的潜在攻击者。其次，大数据加大了隐私泄露风险。大量数据的汇集不可避免地加大了用户隐私泄露的风险，一些敏感数据的所有权和使用权并没有明确界定，很多基于大数据的分析都未考虑到其中涉及的个体隐私问题。再次，大数据给现有的存储和安防措施带来新的安全问题，安全防护手段的更新升级速度无法跟上数据量非线性增长的步伐，就会暴露大数据安全防护的漏洞。

2.2 大数据与系统工程

大数据采集、存储及其处理技术的不断发展为解决社会发展中的一些复杂问题带来了希望，如我国现代化建设中的能源、交通、医疗卫生、科技教育、社会保障、环境保护、城市建设、企业管理、信息网络管理、社会管理、国防与军队建设管理等传统上使用系统工程方法来解决的问题。

从方法的角度，可以将传统的系统工程方法大致分为社会调查与统计分析、系统分析、预测分析、系统评价、优化方法、仿真建模、网络建模等，而大数据的发展为这些传统系统工程方法提供了庞大的数据基础。与大数据相结合，传统的基于数学模型、基于前提假设或基于仿真实验的技术和方法正在逐步转变为以庞大的实证数据为基础的决策和判断方法。大数据正在从根本思想上给系统工程带来了转变：

1）大数据时代的研究方法的选取大多与研究对象的结构化、关联性和数据多少有关。总的发展趋势是数据越来越多，问题越来越非结构化，关系越来越复杂和网络化。在大数据时代，传统的以非线性为核心，并呈现出整体性、自主性、关联性、涌现性和多样性等特性的复杂系统研究和管理出现了质的飞跃。如社会经济系统，在大数据的支持下，管理者可以精确分析以人为个体的属性和行为，并从整体的角度探索和研究系统的运行特征和演化规律。研究者通过Google搜索关键词数量的变化，就可以早于国家耗费大量资金建立起来的疾病监测系统发现传染病的爆发和流行趋势。在2011年日本大地震中，大数据（基于个体的社交网络和移动数据）就被用来分析在自然灾害条件下人类心理和行为的演化特征。

2）大数据时代的系统工程方法不再强调采样方法和统计假设，而是着重全体数据、多源数据、相关数据的采集和分析。飞速发展的万维网和物联网为管理者采集和分析庞大数量、高精度的数据提供了技术基础，从在线网络、物流、产品质量、食品安全、地理信息、交通，到移动轨迹、通信、消费、运动、健康，大数据已经无时无刻不在产生。在这一背景下，现代科学系统工程方法不再在采样和统计假设上斤斤计较，而是从更宏观、更全面的角度出发，从整体数据上分析系统的特征和行为，从而能得到传统的基于复杂假设和模型更科学合理的结果。如在产品检测和故障预测领域，Tesco PLC（特易购）连锁通过在其数据仓库中收集700万部冰箱的数据分析，能对公司产品进行更全面的监控并进行主动的维修以降低整体能耗。UPS国际快递公司则早在2000年就开始通过监测车辆各个部位数据，对全美约60000辆车进行防御性修理，节省了数百万美元。

3）大数据时代的数据分析追求的是相关关系，而非因果关系。传统的基于数据的分析模型总是追求对事物关联性的溯源，即万事都要追问“为什么”，强调事物之间的微观因果关系。而在大数据时代，以从庞大数据中观测得到的结论为依据，只要存在的就是合理的，更加着重对事物之间的关系的相关性的探索和发现，即“是什么”，而不一定要求弄清因果细节，这些相关性的探索正好与复杂性科学中的关联性和非线性特征一一对应。如沃尔玛通过对庞大的历史交易数据进行分析，发现每当季节性飓风来临之前，不仅手电筒销量增加，而且美式早餐含糖零食蛋挞销量也增加了，通过这一相关性的发现，每当季节性飓风来临时，沃尔玛就会把蛋挞与飓风用品摆放在一起，从而增加销量。

正如美国前白宫经济委员会主任、哈佛大学教授Lawrence Summers所说，“我们正处在历史的转折点，200年后的人书写我们这段历史时，他们会发现我们所处的时代人类思考方式发生了重大的变化，那就是我们比以往任何时代在更多事情上变得更加理性，我们更多以数据为依据分析思考问题。”大数据正在或即将改变传统学科的发展轨迹，对于系统科学，从解析建模、仿真建模、大数据建模的发展中，后者都需要前者。如仿真建模中需要局部的解析建模，仿真结果分析需要统计分析和系统评价；大数据建模中需要解析建模，也需要仿真建模，而且是其中的重要组成部分。因此，如果我们结合中国的管理现实需要和热点问题，把传统的方法与大数据、云计算、物联网、网络科学、社会网络、数据挖掘、证析、仿真、社会计算等有机结合起来，可以得到很多有用的新方法。如大数据挖掘与开源情报分析、基于大数据的决策分析、大数据分析与仿真验证、云计算、大数据与网络科学研究、大数据与计算实验等。因此，大数据是复杂性科学的技术实现，大数据分析方法是复杂系统规律挖掘与行为预测的有效方法，数据驱动的复杂系统研究具有广阔的发展前景。

3、大数据在装备建设与管理中的应用思考

3.1 大数据在装备体系需求论证中的应用思考

当前，新军事变革的进程进一步加快，基于信息系统的体系作战能力成为战斗力的基本形态，现代战争是体系的对抗，信息化武器装备体系是形成战斗力的关键物质要素。武器装备体系是在国家安全和军事战略指导下，按照建设信息化军队、打赢信息化战争的总体要求，适应一体化联合作战的特点和规律，为发挥最佳的整体作战效能，由功能上相互联系、性能上相互补充的各种武器装备系统，按一定结构综合集成的更高层次的武器装备系统。未来要发展什么装备？装备应当具备哪些性能要求？装备之间如何协同配合？等等问题，都对武器装备体系的需求论证提出了新的问题。传统的面向确定问题的、针对单一系统的、静态的装备需求论证方法已经不能满足面向信息化条件下体系作战能力生成的装备体系需求论证。

大数据分析方法与管理理论可以充分发挥其将数据转换为知识的能力，通过对发展战略数据、国际战略形势数据、作战训练数据、现有装备数据、非装备数据、需求文档数据、利益相关者偏好数据、作战仿真实验数据、技术发展及预测数据等大量数据信息的挖掘、分析及运用，发现装备体系建设中任务到能力、能力到系统、系统到技术的关联关系规律，支撑开展武器装备体系发展论证与体系视角下型号装备论证的军事背景分析、战略态势分析、国内及周边安全形势分析、作战任务领域分析、能力领域分析、需求方案分析、体系指标分析、作战力生成模式分析、体系结构分析、技术领域分析、体系结构设计优化、装备战技指标分析等一系列装备体系论证工作；从而解决未来作战理念更新、总体构想及典型作战样式的形成、信息化条件下的体系作战能力形成、立体化多层次可扩展的装备体系结构建立、以及装备论证发展中的体系结构设计与优化等问题；形成引领发展的前瞻性概念创新、成体系建设要求的体系结构顶层设计创新、信息化体系作战能力生成的系统解决方案创新、复杂体系问题求解的理论与方法创新等创新驱动力，从而实现我军武器装备体系的跨越式发展。

3.2 大数据在装备贡献率分析中的应用思考

装备贡献率是指单件装备在武器装备体系或作战体系构成中，按照体系的总目标和运行规律，对体系的整体性能具有的贡献大小。习主席明确指出：“要以对作战体系的贡献率为评价标准，科学设计装备需求和技术指标。”开展装备贡献率的研究是一项复杂的系统工程，涉及作战需求、论证评估、试验验证等多部门的协同配合，尤其是要深入分析装备贡献率在体系顶层设计中的科学规律，结合未来战争形态和装备运用特点进行深入研究。如何度量装备的有、无、替代、性能增减、装备组合等变化而产生的体系能力变化？如何分析装备相对于需求满足、任务完成、能力满足及与外军对比中体现的相对值？如何综合考虑性能、效能、费用、风险等多准则下的装备贡献？等等问题，都对基于数据的装备贡献率分析提出了巨大需求。

借鉴大数据分析在国民经济与社会生产中的成功经验，可以指导开展大数据对装备贡献率的研究与应用。比如，经济领域的经济贡献度、贡献毛益率、总资产贡献率、企业对国家的贡献率、互联网对GDP的贡献度、科学技术对经济的贡献度；社会领域的社会贡献总额、社会贡献率、恩格尔系数、基尼系数、繁荣指数、幸福指数等指标；卫生领域的大数据与传染病预测；体育领域的NBA球员效率值；互联网领域的网络传播影响力、舆论影响力、百度大数据预测等。上述各领域的成功案例均是建立在大数据统计、分析、挖掘与预测的基础上。

对装备而言，可以在其自身属性数据（装备战技指标等硬指标数据，战略重要度、先进程度、不可替代性等软指标数据）和协作属性数据（任务属性、能力属性、网络属性数据）等大量数据资源的基础上，通过三层四维（物理连接层、任务应用层、目标需求层和任务维、能力维、结构维、时间维）的数据分析架构，从装备的能力视角、任务视角、结构视角、演化视角开展装备灵敏度、抗毁性、多任务能力、需求满足、完成使命效果、相互关系、联合作战、装备组合、时间和费用约束、发展趋势、技术预测等方面的全维数据综合分析，让数据开口讲话，让数据回答领导和首长关心的装备贡献率问题。

3.3 大数据在装备设计与研发中的应用思考

信息化作战时代要求武器装备具有更高的作战能力和适应能力，这也就使得装备结构越来越复杂。新型装备的研究无论是在前期的设计与研发，还是后期的故障检测和健康管理对技术水平都提出了高要求。同时，装备高质量的理念也要从传统的靠管理转变为靠技术支撑，加大质量的技术含量，实现装备的“好用管用，经久耐用”。

大数据分析与管理方法可以为装备设计与研发提供信息支持，在装备的研发过程中，特别是新装备的初始设计阶段，没有任何装备的实际数据，制定可靠性指标只能依靠相似装备的数据作为参考；在工程研制阶段，进行设计方案的对比和选择时，需要分析同类型装备的可靠性数据，通过类似装备在不同使用环境下的相关数据的统计分析，可将相应的可靠性指标转换为对新装备的指标要求；在生产阶段，分析装备的设计和制造水平需要进行可靠性数据的分析和评估；在使用阶段，可靠性数据的分析为给装备的设计和制造提供较权威的评价，使用阶段的评估结果可以反映出装备趋向成熟期或到达成熟期的可靠性水平，是装备可靠性工作的最终检验，也为下一代装备的可靠性设计和改进设计提供了最有益的参考。在上述各阶段的可靠性数据都是海量的，因为类似装备多种型号、多种使用环境下有很多积累的数据，在研制试验中也有大量的数据，其中既有寿命数据也有性能数据，既有小样本也有大样本。因此只有充分利用这些海量数据，才能做好研制阶段的可靠性工作。如果在装备的研制阶段没有确定监测的数据类型，那么在使用阶段如果要采取视情维修的策略，就会因为缺乏数据的支持而难以开展。例如通过对类似装备多个型号的故障特征和数据的分析，选定监测参数、确定检测周期，并根据装备的试验或现场数据修订相关的维修决策。在装备使用阶段的保障策略也需要在研制阶段来制定，同样要在上述海量数据的筛选和分析的基础上来开展。上述在装备的研制阶段对海量数据的收集和分析是不断迭代的过程，随着研制过程的开展不断更新结果，最后才能保证制定出合理的可靠性指标、确定正确的维修保障策略。

3.4 大数据在装备使用与保障中的应用思考

由于各种武器系统战术性能的不断提高以及复杂性的不断增加，系统的测试性、故障诊断以及维修保障等问题越来越受到重视。视情维修由于具有后勤保障规模小、经济可承受性好、高效率以及可避免安全事故等显著优势而具有很好的前景。视情维修要求对系统的故障可进行预测并具有对系统的健康状态进行管理的能力，由此产生了故障预测与健康管理的概念。传统的可靠性数据分析模型面对杂乱无章的数据时，就失去了应有的效力，新时代下基于大数据的思维方式应该承担起解决这种局限性的责任。

基于大数据的故障预测与健康管理技术通过先进传感器检测到大量的数据，关键的是如何从数据中采集有用的信息，开展装备的寿命预测和维修决策，进而支持设备的健康管理、提高管理的科学化水平。并且在装备使用的早期就必须认识到从大数据中提取出有用的可靠性数据的重要性，对使用现场可靠性数据的收集应给予足够的重视。这段时间通常能够收集到较多的故障数据和性能数据，有些性能数据能够表征与故障相关的退化过程，有些性能数据难以用于表征性能退化。只有从这些海量数据中筛选出可用于可靠性分析和评估的数据，才能够建立其与装备可靠性之间的关系模型，进一步通过对可用数据进行分析与评估，确定装备的早期故障及其失效机理，进行设计改进或加强质量管理，加强可靠性筛选，可大大降低装备的早期故障率，提高装备的可靠性。例如针对复杂装备如卫星平台在使用过程中失效少、但是存在性能退化的情况，能够收集到大量的性能检测数据。在评估卫星平台典型单机的使用寿命时就采用了基于性能退化数据的方法；在失效数据少但是有多源信息（包括寿命数据、性能数据、类似设备数据、专家判断等）的情况下，基于多源信息的可靠性评估方法能够充分发挥大数据的优势。这种采用Bayes方法来融合多源信息用以评估装备的可靠性水平，比单纯采用有限的寿命数据的评估结果更为可信。在装备的后续使用阶段，由于建立了稳定的可靠性数据收集和筛选机制，可以支持定期开展可靠性分析和评估，实现寿命预测和维修决策，建立健康管理的机制，实现装备的科学管理，同时可对可靠性偏低的装备进行设计改进。

3.5 大数据在装备调配计划管理中的应用思考

现代化作战条件下，战争形态由机械化战争逐步向信息化战争转型，而信息化战争必然要求装备管理信息化。装备调配保障是指在统一计划的指导下，针对部队当前装备实施的包括装备调配计划拟定、实施（装备的申请、补充、调拨供应、换装、调整、交接、退役、报废和储备等）以及装备日常管理工作（装备的动用、使用、保养、保管、封存、启封、定级、登记、统计、点验、配套设施建设等）在内的一系列装备保障活动。我军的装备调配保障经过多年来的探索与实践，经历了从人工保障到计算机数据系统辅助保障的阶段，装备信息数据大容量存储、装备信息图象化、视频化等纷繁复杂的海量数据信息，构成了装备管理工作的基本生态；收集数据目的在于掌控信息，掌控信息目的在于占据优势，如何运用好这些信息，提高装备调配的科学化、精细化水平，满足信息化背景下的装备保障需要，成为装备调配管理中亟待解决的问题。

大数据分析技术与方法为装备调配计划管理提供了可行的技术手段，针对装备调配保障面临的纷繁的装备基础数据，不同作战使命任务的需求，考虑到面临的未来作战的不确定性，在装备调配保障初期综合利用物联网技术支持数据采集过程，对装备基础数据进行规范、统一的存储与管理；通过建立规范化、信息化的装备调配保障模式，改变装备调配保障工作的定性、主观、高耗、低效的传统做法，真正实现装备保障管理满足信息化军事斗争的需求；同时开展数据分析与需求预测分析，辅助装备调配人员将对装备数据进行规划管理、充分挖掘以及动态运用，为制定科学合理的装备调配计划，开展定量化、信息化的装备调配保障工作提供决策支撑，将信息化背景下的装备调配保障的“大数据”真正变成我军装备建设与管理的“大智慧”。

4、总结与启示

面对即将到来的大数据时代，装备建设与管理工作现代化发展机遇与挑战并存。如果对科技革命的浪潮视而不见，就必将无法满足支撑一体化联合作战装备体系建设需求，成为大数据时代的“弃儿”。如果因时而动，与时俱进，不断发展数据获取、处理、分析和可视化相关技术，构建提高数据共享与数据管理效率体制机制，就能在海量数据中探索得到预知未来、赢得未来的信息宝藏，为建设打赢未来战争的装备体系提供有力支撑：

（1）准确把握大数据时代发展趋势，识别装备建设与管理工作面临的机遇与挑战。从实际工作中存在的问题出发，科学规划在大数据时代中装备建设与管理现代化发展路线，做好装备建设与管理这一系统工程的顶层设计。

（2）强化数据管理意识，不断完善数据共享与数据管理机制。在大数据时代，数据成为支撑装备建设与管理工作的战略资源。必须注重存储装备建设与管理工作各个阶段中产生的数据，促进各部门各单位间的数据交流共享，提高数据整合管理效率。

（3）不断创新与优化数据获取、数据处理、数据分析和数据可视化的理论方法，结合装备建设与管理工作实际，设计开发科学性与实用性兼备的大数据分析系统，为各类管理决策提供信息支撑。

（4）从具体问题出发，结合工作实际推动大数据技术在装备建设与管理中的发展与应用。装备建设与管理涵盖不同阶段不同类型的工作，对大数据技术应用的着眼点各不相同，应当以解决具体问题为抓手，由点及面地推动大数据技术在装备建设与管理中的全面铺开和不断优化。

（5）充分利用数据资源，推动管理决策智能化不断发展。以科学方法获取整合的海量数据蕴藏着管理决策支撑信息的“宝藏”，数据分析与管理决策方法则是挖掘宝藏，使之服务于装备建设管理的关键。在大数据时代，需要在管理决策中充分挖掘数据价值，不断推动决策方法由“业务驱动”向“数据驱动”转变，实现数据优势为知识优势，化知识优势为决策优势。

（6）设计体系视角下装备设计与管理创新方法，充分发挥大数据技术在复杂系统分析中的独特优势，构建体系结构模型、管理理论方法手段、组织管理机制三位一体的装备设计与管理模式。着眼未来战场，聚焦武器装备在一体化联合作战中的贡献率，建设打赢未来战争的装备体系。

姜江，博士，国防科学技术大学信息系统与管理学院，副教授，硕士生导师，英国曼彻斯特大学联合培养博士。主要从事军事复杂系统建模与评估、数据驱动的系统风险分析、大数据环境下的管理决策等方向的教学、科研工作。主持国家自然科学基金项目、国防预研项目、军内外重点工程科研项目等10余项，获军队科技进步二等奖1项，出版专著1部，发表学术论文50余篇，SCI、EI检索30余篇。