物聯網可能是您進行數據驅動轉型的關鍵。以下內容將講述如何將海量的實時物聯網數據轉化為重要的商業價值。

物聯網正日益成為許多公司數據驅動轉型策略的關鍵要素。的確，使用物聯網的組織機構已經看到了諸多好處，例如運營流程得到改進，庫存管理工作得到提升和設備維護工作得以加強等等。

成功的物聯網策略不僅僅是將一系列的設備和傳感器連接到互聯網上，并從這些“東西”中收集數據。IT部門必須擁有有效分析物聯網所生成的大量數據的能力，以便能夠理解這些數據，并獲得真正的商業見解。

這就是為什么對于那些想充分利用物聯網的公司而言，物聯網分析策略都應該是其首要任務。

Gartner高級總監兼研究和咨詢主管卡爾頓·薩普（Carlton Sapp）表示，組織機構在利用其收集的物聯網數據方面獲得諸多優勢。

這些優勢包括對設備和系統的關聯關系的認識;改進了設備和資源的決策、優化和管理控制工作;降低了與數據管理相關的成本;設備的主動性、預測性和規范性管理;以及環保達標工作。

薩普表示，這些機會在車隊優化和管理、資產管理、財務風險管理和智慧城市等應用案例中無處不在。

但這些機會需要使用一種合理、簡化的方法來連接物聯網的數據端。以下是一些處理物聯網數據和充分利用這些資源的技巧。

建立物聯網分析組織和基礎架構

IDC物聯網研究總監斯泰西?克魯克（Stacy Crook）表示，當一個組織對其物聯網分析業務目標有自己的想法時，就需要明確將參與這項工作的主要相關者，并要清楚這些相關者是否需要額外技能來使該項目成功完成。

克魯克說：“眾所周知，數據科學技能在業內供不應求，但這些技能對于物聯網分析項目至關重要。”如果組織內部的數據科學技能薄弱的話，“那么該項目可能需要雇傭新員工，或將項目的部分工作外包給第三方”。

克魯克表示，組織機構還應該考慮任命一名首席數據官來支持物聯網數據分析工作，并負責數據治理策略。

由于物聯網本質上是一個大數據問題，因此IDC建議，組織機構要考慮其現有基礎架構如何為物聯網應用案例提供服務。“盡管較早的大數據架構可能一直側重于面向批處理的工作負載，但有越來越多的工具可使實時工作負載在同一主干網上運行，”克魯克說。

克魯克表示，利用相同的基礎架構來處理不同的物聯網工作負載，這會帶來諸多好處，比如，可防止產生數據孤島，能夠在這些工作負載之間更輕松地運行跨功能數據分析。她說：“這還可以帶來數據治理和安全方面的好處。”

部署一個有利于物聯網數據增長的架構

企業首先需要選擇一個正確的物聯網數據架構，并了解如何在各個地點管理物聯網數據。

薩普說：“來自物聯網終端的數據會帶來新的和特殊的挑戰，例如不可靠的網絡接入，以及可能分布遙遠且通過多種協議以多種格式生成數據的各種設備。”

如今，大多數物聯網數據都是遙測數據，但終端越來越多地發送那些應由持久性存儲設備來處理的圖像和音頻數據，薩普表示。他說：“首先選擇一個恰當的物聯網數據基礎架構，這將有助于將來物聯網的數量增長。”

由于缺乏靈活/彈性的數據架構，組織機構經常無法有效地管理物聯網數據。薩普說：“數據會不斷增長，因此要設計一種可利用分析和數據挖掘技術的架構，而這些技術可發現能用于改進流程、改善決策或降低成本的關鍵信息。”

例如，電信公司通過利用可減少“噪聲數據”的網絡邊緣的物聯網分析技術，成功降低了通過網絡傳輸數據的成本。

薩普說：“那些組織機構專注于可擴展的、聚焦邊緣計算的數據架構，這些架構旨在快速發現物聯網數據中的知識。”

跨多個數據管道提供分析

薩普表示，物聯網數據架構還應支持跨多個數據管道（通過流數據）和在本地數據存儲設備中進行分析，以利于更快地進行決策和降低成本。

在創建和部署物聯網分析技術（包括使用事件驅動的架構）時，組織機構可通過專注于以數據為中心的設計模式來做到這一點。

薩普說：“首先要在邊緣、流式管道、平臺和企業中部署分析技術。”他表示，組織機構應利用物聯網流式數據管道作為部署分析技術的一個來源，以改善延遲，降低成本和減少安全漏洞。

薩普表示，例如，美國國防部經常在流式數據管道上進行分析，以減少網絡上的數據吞吐量。該部門還利用物聯網邊緣分析技術，使用更靠近數據源的運營分析功能來避免通過網絡發送任何數據。

薩普表示，人們很可能會部署多個分析環境來支持不同的分析工作。他說：“這些環境可能涉及從操作系統到嵌入式分析軟件。”“要做好準備，從網絡邊緣到企業范圍內各個領域都部署物聯網分析技術。例如，公用事業組織利用跨各種基礎架構的分布式物聯網分析技術來支持車隊管理。”

利用人工智能技術

薩普表示，組織機構應該利用人工智能技術來增強其對物聯網數據的處理能力。

薩普說：“邊緣智能是一個新興領域，它使用人工智能技術作為部署在網絡邊緣的一種分析方法，以利用物聯網數據來開發智能應用程序。”

這些智能應用程序的范圍涉及到視頻監控、智能監控和數據采集（SCADA）系統等。例如，環保組織會使用物聯網數據來建立智能控制系統，以保持環保達標。

薩普表示，將人工智能技術加入到物聯網架構中已成為運營工作的當務之急。物聯網系統，包括終端設備，必須變得更加智能和更加自主，以應對不斷增長的數據量。為了使這些系統更智能，組織機構需要部署人工智能和機器學習技術。

成為云原生組織

鑒于物聯網應用程序產生的海量數據，對于許多組織機構而言，云端將是進行數據管理（包括分析）的唯一解決方案。

先正達（Syngenta）是一家生產農藥和種子的公司，其集團首席信息官兼首席數字官格雷格·邁耶斯（Greg Meyers）說：“建立起真正實時管理這些海量數據所需的規模和速度，這是不值得的。”

邁耶斯說：“試圖在自己的數據中心或自己的基礎架構中自行管理這些數據，這會讓自己弄巧成拙。”

物聯網使先正達公司能夠管理其客戶的農場和農田，這些農場和農田通常會被任意地合并為小型的微地塊。邁耶斯說：“人類擅長管理平均值，但計算機更擅長管理可變性。”“物聯網讓我們明白了，為什么在一個區域發生的事情與可能在100米外發生的事情不同。”

主要的公共云供應商正在提供各種服務，以幫助那些使用物聯網分析技術的企業。例如，亞馬遜網絡服務公司（AWS）提供了物聯網分析產品，這是一種托管服務，使企業可以對海量物聯網數據進行復雜的分析，而無需擔心像構建一個物聯網分析平臺通常所涉及的成本和復雜性。

微軟公司提供了Azure物聯網產品，其中包括一個稱為Azure IoT Central的數據分析服務，可提供分析功能來查看歷史趨勢，并可將來自連接設備的各種遙測數據進行關聯。谷歌公司還提供了Cloud物聯網產品，該產品是可在網絡邊緣和云端進行連接、處理、存儲和分析數據的一套工具。

優先考慮數據治理、安全性和隱私

組織機構需要確保自己為物聯網數據分析流程建立了治理、安全性和隱私機制。物聯網產生的許多數據會是敏感的或具有競爭價值的，因此需要精心管理和保護。

“重新評估當前的數據治理實踐，包括機器數據，”艾利丹尼森公司（Avery Dennison）副總裁兼首席信息官尼古拉斯?科利斯托（Nicholas Colisto）說道。該公司是一家粘合材料、服裝品牌商標和標簽的制造商和分銷商。

“根據我的經驗，物聯網管理是一個不成熟的領域，”科利斯托說。“在之前的一家公司，我曾遇到這樣的情況：一個業務部門在不尋求IT部門參與的情況下部署了物聯網系統，并且沒有考慮到一些簡單的運營任務以及用來審核設備和應用固件的工具。”

企業需要基于數據保密性、隱私和留存要求來思考物聯網數據的風險，科利斯托表示。“例如，如果您正在處理個人信息，請考慮由于算法偏見或未能遵守《通用數據保護條例（GDPR）》等法規而引發的問題，這些問題可能會引起法律訴訟，并損害公司的聲譽，”他說。

利用物聯網數據獲取新的營收機遇

物聯網產生的數據在公司內部和外部都可能是有價值的。

化工制造公司Texmark Chemicals通過部署一些由傳感器控制的泵而開啟了其工廠的現代化操作。該公司利用惠普公司（Hewlett Packard Enterprise）和阿魯巴網絡公司（Aruba Networks）的技術，從測量溫度、壓力、振動、流量和功率的泵傳感器來收集運行數據。然后對這些數據進行分析，以便在設備發生故障之前進行預測。

Texmark公司首席執行官道格·史密斯（Doug Smith）表示，通過“車間”的一些流程，我們意識到，配有傳感器控制的設備，不僅可以幫助我們監控各個資產和流程，而且還為我們建立新的商業模式創造了可能性。

史密斯表示，在合同談判之前，物聯網的使用已成為一個額外的賣點。他說：“客戶開始意識到使用來自承包商資產（如工業泵）的數據的價值”。然后，客戶會要求Texmark公司在他們的泵上安裝一些傳感器，并向他們提供數據。

“事實上，我們正在開發一個歷史表現特性庫，可以使用類似的設備對該庫進行分類，并與其他公司共享，”斯密斯說。“在部署機器學習分析模型時，獲取的數據越多，分析預測的準確性就越高。”

通過與泵制造商或其他供應商共享物聯網數據，“只要記錄信息清晰準確，我們就可以證明該新的商業模式，”史密斯說。“與此同時，我們已經部署了儀器和軟件分析技術來收集、分析數據和形成這些數據報告，從而可以做出更具成本效益的決策，這給客戶留下了深刻的印象。”

斯密斯表示，通過物聯網實現的這一新的數據即服務產品，可使Texmark公司從競爭對手中脫穎而出，與客戶建立起更穩固的聯系，同時使員工能夠從工作中收獲更多。