成立3年估值23亿美金，「Uptake」掘金工业互联网的秘诀

Uptake是美国工业互联网领域的明星创业公司，目前已是估值23亿美元的独角兽。

Uptake于2014年7月成立于美国芝加哥，围绕高价值设备提供设备监管、运维、预测性维护等产品服务。2017年11月，Uptake获得1.17亿美元D轮融资，估值23亿美元，总融资额达2.5亿美元。

融资和估值迅速提升的背后，是Uptake业务的爆发增长。2014年成立首年，Uptake第一个订单为卡特彼勒的上亿美元订单。2015年，Uptake拿下了卡特彼勒旗下一家火车头公司的订单。2016年，Uptake拿下全美国最大的风机运营商Berkshire Hathaway Energy的订单。

截止目前，Uptake已服务了一百多家企业，横跨能源、制造、矿业、农业、航空、建筑、施工、车队、政府、油和气、轨道等领域。

Uptake找到了哪些痛点？提供什么样的解决方案？产生怎样的价值？成功的核心因素是哪些？最新的规划和动态是什么？

围绕这些问题，36氪采访了Uptake全球副总裁、大中华及北亚董事总经理陆泓。

Uptake融资历史（数据来源：crunchbase）

抓住核心增长引擎：设备预测性维护

卡特彼勒是世界上最大的工程机械和矿山设备生产厂家，每天有300多万台运转设备，难以统一管控。Uptake创立之初拿下的第一个订单，是为卡特彼勒开发一套设备联网和分析系统，采集设备的各类数据信息，联网监控，同时分析预测设备可能会发生的故障，以提前应对。

以设备预测性维护为核心抓手，Uptake扩展到了多个高价值设备行业，包括工程机械、火车头、风机等。在另一个维度，设备产业链上，Uptake也扩展到了设备使用企业、经销商、主机厂等多个重要角色。

设备经销商连接着主机厂和设备使用企业，是Uptake的重要服务对象。陆泓告诉36氪，在重型机械领域，如果设备在维保期外发生了故障，约有80%的维修、更替都不会找到原主机厂，而是购买价格更低的仿制品。

针对该问题，Uptake为经销商提供设备联网运维系统，可以对所有其销售的设备进行预测性维护分析，预判设备故障并及时告知客户，快速高效完成相应维修。

这样可以保证客户施工的不中断，同时大大提高经销商和原厂的售后服务收益，降低服务人工和备件成本。更重要的是将设备运行反馈传递给了原厂商，用于改造制造工艺和优化供应链，提高产品质量，从而形成良性的产品闭环。

Uptake的工业AI和物联网服务架构（图片来自Uptake）

设备预测性维护，是一门大生意

从上一节我们看到，设备预测性维护是Uptake业务增长的核心引擎。国内也有大量的工业互联网公司，提供设备预测性维护，但是鲜有真正能大范围落地的。

我们也听到一些声音，认为设备预测性维护规模太小，需求不强烈，提供价值有限，并不是一个好的落地场景。

所以先回答一个问题，设备预测性维护有多大的价值？陆泓给了我们一些实际案例：

美国一家Class1的火车公司，在美国有大约一万四千个火车头，通过启用人工智能做的预测性维护，帮助他们企业每年节省4700万美金。AMEREN是美国一家发电厂，每年用了Uptake的人工智能应用平台帮公司节省990万美金。PaloVerde是一家核电厂，每年Uptake帮他们节省1000万美金。某个重型机械经销商，UPTAKE软件服务帮助公司每年提高850万美金的收入。

这些案例都清晰的表明，无论是提高收入还是降低成本，设备预测性维护可以发挥的价值巨大，能直接带来企业的显性经济效益提升。

如何真正落地：“人工经验+算法模型+闭环无限迭代”

前面我们聊了Uptake以预测性维护为核心，解决了哪些痛点，能产生多大的价值。这么好的生意全球自然有不少模仿者，可是绝大多数设备预测性维护的公司并没有赚到钱。

所以在这一章节中，我们来探讨下Uptake是如何让设备预测性维护产生这么大价值的。

和陆泓聊完后，我将答案总结为3个关键点：“人工经验+算法模型+闭环无限迭代”。我们结合Uptake的项目服务流程来具体说明，在拿到一个客户项目时：

1. Uptake会先和客户探讨明确他们的痛点，即定义好问题；

2. 然后看相应设备是否有需要的数据。Uptake不做数据采集，只做数据对接，客户要将所需要的数据准备好。

3. 弄清楚客户是怎么诊断设备故障的，怎么看参数和症状。然后建立一个故障模型，能判断出：什么样的设备数据，对应什么样的故障。

4. 将故障模型用在分析实际问题上，让技工判断模型分析结果是否正确，这是模型优化过程。最终在这一步，已经能够较准确实现算法自动诊断设备故障，但是还不能做到预测。

5. 根据采集的大量设备运转数据，结合AI算法等进行拟合建模，得出：什么样的设备数据表征和趋势，对应什么样的故障。这就得到了故障预测模型。

6. 将该模型应用在实际问题分析上，结合技工的反馈，持续优化迭代。同时，根据以上逻辑流程，不断建立新的故障预测模型。从而在故障预测种类和准确率这两个指标上持续迭代，最终目标是“预知设备一切问题”。

特别说明的一点是，实现预测性维护价值的前提并不是“所有设备实时联网”。

Uptake大多数客户只有20%的设备是联网的，一方面是数据源不仅是设备数据，还包括一些企业数据，如ERP数据，维修工单等，以及使用环境、地理位置、交通等一系列可能影响到设备运转的数据。另一方面是故障预测模型可以直接植入设备，通过边缘计算的方式进行判断。

这点也能给国内企业很多启发，太多的公司都是不管能分析出什么，先把设备上云了再说。

另外，Uptake使用公有云提供SaaS形态的产品服务，可以将每个项目的经验进行沉淀，并在更广泛的类似项目中进行推广。考虑到安全性，Uptake目前只选择了AWS作为云服务伙伴。

图片来自Uptake

Uptake成功的三大因素

一家公司的成功，除了某一项业务的优势，一定还有方方面面的综合因素。

关于Uptake为什么会成功的核心因素，陆泓给出了他思考的答案：专注，优秀的团队，数据科学Data Science。

• 专注。在领域上，Uptake只专注于工业，甚至只专注于“设备预测维护”这一核心问题。在服务目标上，则是专注以“客户第一”为导向，帮客户提高经济效益、降低成本、提高生产率和利润。

• 优秀的团队。UPTAKE的创始人Brad Keywell和Eric Lefkofsky曾是大学同学，他们两人从大学毕业后，连续创业十几家科技公司， 其中Groupon、Echo Global Logistics、InnerWorkings这三家都成功上市。除了这两位创始人，公司同时也挖掘和招募了很多行业优秀的企业高管团队，很多来自GE和思科等专家团队。

• 数据科学Data Science。Uptake平台有超过21亿小时的机器学习，连接了130万工业设备并不断在增加，并通过收购APT公司掌握了6万个失效模型，即使设备不联网，Uptake也可以通过这些失效模型来预测设备故障，从而帮助企业运用最优化的机器维护策略。2018年初，UPTAKE平台一天的数据交易量达已到纽约证券交易所的六倍以上。

2019年，Uptake将落地中国

2018年底，Uptake启动了全球扩张策略，从美国向美洲、亚洲、欧洲、大洋洲等扩张。中国作为全球工业产值最大的国家，自然也是Uptake高度重视的市场。

经过4个多月的多方研究、考察与行业调查，陆泓对于Uptake要如何在中国落地已有了初步的想法：一定要充分本土化落地，以开放的姿态，与中国本土的企业和基金合作，建立“有中国特色的”Uptake。

更直白的说，就是基于Uptake在美国的成功经验，不排除与中国公司合资，并吸纳中国相关领域人才，去成立一家中国工业互联网创业公司，与中国公司（运营商、云服务商、集成商等）合作，为中国工业客户创造价值。

当下正是中国工业互联网火热的时机，Uptake是否能在中国续写美国市场的辉煌？中国企业又将面临怎样的机会和挑战？我们将持续关注。

相关阅读

深度研究 | 拆解万亿工业互联网赛道，寻找下一个GE

(我是36氪记者陈绍元，关注物联网、AI、科技，交流或寻求报道(不收费)加微信:963757163，请注明公司、职位、姓名）