如今的企業希望更貼近客戶，而親近感使他們更具反應能力和個性，這也讓他們能夠更好地控制這種關系。由于物聯網設備現在具有足夠的能力解決實際問題，每家公司都在建立一個邊緣策略。

數據是任何一個邊緣計算策略的核心。邊緣設備將收集、分析和存儲有關用戶、其環境及其響應的信息。其結果是，更多的信息將出現在人們的各種設備中，信息片段將會散布到整個環境中。這就是“小數據蔓延”。

在未來幾年中，市場的關注點將從大數據轉移到小數據蔓延。大數據更易于控制、管理和分析，它存儲在中央數據湖中，數據管理員在那里保護數據，少數數據科學家對進行了分析。小數據蔓延增加了與數據相關的價值和風險。企業、監管機構，尤其是個人，需要為小數據的蔓延做好準備。

數據點1：邊緣計算設備（尤其是物聯網設備）的數量呈爆炸式增長

分析人士認為，全球目前約有2000萬臺邊緣計算設備，而且這一數字正在呈指數級增長。例如智能電表、汽車和可穿戴設備，物聯網和邊緣計算技術已經蔓延到每一個行業。農民、醫療設備制造商和制造商不斷地收集遙測數據;政府、賭場和零售公司對于監控視頻的收集也是如此。

數據點2：這些設備生成的數據量正在增長

工程師和科學家總是希望獲得更多數據。即使現在不能使用，他們也希望將來能挖掘歷史數據的價值。因此，每個設備生成的數據量正在飛速增長。與遙測數據相比，視頻和音頻的數據量更大，并且以更高的清晰度在增長。遙測設備正在生成更多的數據，這些數據被更頻繁地收集。自動駕駛汽車收集的數據達到了25GB /小時，而且這個數字還在增加。

數據點3：必須在邊緣進行初始處理

邊緣計算設備正在成為一種技術成熟的計算設備，因為必須在本地進行初始處理。如果需要運行自動駕駛汽車或控制起搏器，則不能依靠速度慢、不可靠的網絡。如果要確定犯罪或環境問題，則不能等待中央處理資源。因此，實時計算將在邊緣計算設備本身上完成。其結果就是一種小數據蔓延。

數據點4：機器學習需要在中心完成

邊緣計算設備可以執行算法，但是機器學習只能在中心進行。需要跨許多設備訪問完整的數據集進行學習，還需要在更長的時間內應用更多的計算資源。邊緣計算將優化流媒體;中心將優化分析、豐富和學習。這意味著邊緣計算需要向中心發送數據。

數據點5：需要在中心進行保留

物聯網數據必須符合法規要求，要求對數據和控制進行整合。組織知道他們需要保護、保留和刪除數據（例如私人數據）。但是，他們還需要保留生成有關數據結論的算法。從交易股票的算法到調整胰島素水平的醫療設備，再到用于識別潛在犯罪的攝像頭，法院將期望通過視頻能夠再現其結果。這將需要原始算法和原始數據集。這只是一個開始。隨著人工智能的日益普及，監管部門將更加關注。

數據點6：云計算將成為整合小數據的目標

組織將在云平臺中整合邊緣數據，因為它可以實現大規模的機器學習和合規性。云計算是唯一具有足夠功能、容量和可訪問性來存儲數據的地方。它使客戶能夠應用功能強大的分析工具，因此他們不需要在市場上搜尋稀缺的數據科學家資源。最后，云計算提供了跨區域數據中心的集中視圖，因此云計算團隊可以集中管理數據，以符合本地法規。

數據點7：橫向SaaS解決方案將管理和分類小數據

客戶將尋求廣泛的SaaS解決方案來幫助管理和分類他們的數據。每個行業都需要整合和保護其數據，他們還需要識別需要匿名或清除的數據（例如私人數據）。數據規模和多個位置不斷發展的法規的復雜性相結合，將使組織相信將工作分擔給SaaS專家。這些工具將收集數據、保護數據、對私有數據進行分類，并在客戶需要時幫助他們找到所需的內容。

數據點8：垂直解決方案將對小數據進行分析

每個行業和組織都希望對數據做一些不同的事情。他們希望創造競爭優勢。因此，人們將看到用于數據分析的行業專用SaaS工具的興起，這些組織通過在云計算人工智能/機器學習基礎設施上運行的自有算法來增強功能。通過卸載常見的基礎設施任務，領導者將把精力集中在構建有利于競爭的秘密武器上。

物聯網和邊緣計算實際上正在改變每個行業。通過更接近客戶和員工，組織可以釋放新的機會來改善用戶體驗和生產力。同時，由此產生的小數據蔓延要求重新審查如何管理和使用數據。實時分析將走向邊緣，數據保護和合規性將轉移到SaaS云應用程序。這將使組織騰出更多時間來使用云計算工具構建數據和擴充算法。

但是作為消費者，確保數據隱私和合規性法規與新技術保持同步至關重要。了解變化是第一步。