我們都聽過這樣的預測：物聯網將會憑借不計其數的物件和不計其數的資金，在 2050 年之前成為不可阻擋的趨勢。然而，在Gartner預測全球聯網“物”的使用量將在 2020 年達到 250 億件的背景下，人們已經開始密切關注物聯網的進步給企業帶來的機遇和挑戰。中國更是如此，因為ABI Research的研究顯示，該國的物聯網服務收入增速高于任何其他大國，將在 2020 年超過 410 億美元。

但僅憑這些預測，您無法看到故事的全貌。要真正釋放物聯網的潛力，您必須克服數據挑戰，這比解決“物”本身的問題更為重要。此類挑戰的最佳示例莫過于“最后一英里”數據問題，例如如何從設備或遠程平臺提取數據，如何通過解讀數據分析來提高生產力和實現最高績效。無論是聯網住房還是工業級解決方案，在收集數據后，人們往往難以通過易于使用的方式，將數據中的信息展示出來進行探索。為了充分實現物聯網分析的潛力，您應該考慮以下五個事項：

1.真正看到數據，與數據交互

回想一下史蒂夫·喬布斯首次介紹 iPhone 時的情形。他為使用大尺寸觸屏提供了一個理由：每個應用都需要自己的用戶界面。類似的理由同樣適用于分析。我們提出的每一個數據問題都需要自己的圖表和可視化視角;構成物聯網基礎的傳感器數據呈現出爆炸式增長趨勢，更加需要不同的圖表和視角。不幸的是，多數物聯網應用程序采用了一成不變的視圖，或“閉端式儀表板”。除了回答一組預先確定的問題外，它們再無其他用途。

這些工具的靈活性遠遠不足以滿足用戶的需求?！翱摄@性”對于物聯網數據的使用價值至關重要。例如，您或許能夠使用一個物聯網應用程序的故障引擎數據來預測今后的故障頻率和類型。但是，如果您希望查看出現故障的具體部件，情況又會如何?要回答這個非常自然的后續問題，交互性和共享能力至關重要。理想的情況是，用戶與數據—以及其他數據探索者—進行隨意而深入的對話，讓每個人都可以發現引起變化的排列及模式。

2.組合可以提高數據品質

與這些深層問題密切相關的是物聯網成功的第二個關鍵因素：集成。交互式數據分析可以提供答案，物聯網數據與其他上下文信息的組合同樣可以提供答案。我們從一個消費者示例說起，例如通過組合 Fitbit 數據來探索健身方案與睡眠模式之間的潛在關聯?，F在，想象通過混合不同數據來尋找企業級見解。噴射引擎中的嵌入式傳感器有助于預測引擎何時需要維護。它可以預防故障，節省數十億美元的資金，甚至挽救生命。與其他信息組合后，它還可以幫助我們為每個產品或區域制定更好的預算決策。

3.迭代和優化

在我們生活的世界，“完美數據”這種說法越來越顯得自相矛盾。無論數據的構建方式有多么完善，這些數據很可能存儲在您無法連接的數據源中，缺少關鍵元素，或者不具有支持深度分析的格式。這些缺點同樣存在于物聯網應用程序中，特別是在設備互操作性支持標準方面未達成共識的情況下。

為了避免不完整數據造成企業無法正常運轉，您必須通過迭代來找出正確答案。這尤其適用于不具備大體量數據可供挖掘的公司。一些組織重點使用基于傳感器的簡單數據流來推動尋找簡單見解的項目，并通過這些項目實現分析的早日采用。此類小規模舉措的門檻較低，有助于集蓄力量，以便應對更大的挑戰。在迭代過程中，您發現“足夠好”的數據通常足以定向性地回答幾乎所有問題。此外，通過更好地了解數據缺口，您可以解決流程問題，改進數據的捕獲和攝取方式，更加接近可以付諸行動的見解。

4.擁抱數據引力

您是否有跟蹤網站點擊流或測量消費者情緒?如果您在這樣做，那么您就擁有外部數據，這些數據正在云端生成和存儲。為什么這么說呢?降低日常開支，縮短啟動時間，以及進行無限擴展。據 Constellation Research 預計，到 2020 年，60%的任務關鍵型數據都將位于公司外-短短三年之內，超過一半的數據會在外部生成。

這對物聯網分析而言意味著什么?過去，業務數據在內部防火墻后方生成 — 因此，本地數據倉庫、管理員和分析工具的存在都是合理的?，F在，您的組織必須積極采用順應數據引力的平臺，在數據所在的位置執行和管理分析。只要看到云中托管的工具能夠以多快的速度生成數據，您就會開始理解數據引力。但轉換為基于云的BI并不意味著一蹴而就。請記住，數據引力會影響分析的位置。因此，如果數據跨云端和本地存儲，分析需要提供混合解決方案。云服務是根據您的業務需求提供相應支持，而不是一種非此即彼的解決方案。

5.不要考慮工具，考慮平臺

物聯網數據常常來源不同，并且分散在多個相關和非相關的系統中，例如 Hadoop 群集、云倉庫和 NoSQL 數據庫。因此，如果您認為自己可以憑借一款一成不變的物聯網工具就能完成從數據到見解的整個過程，請摒棄這種想法。要實現理想的分析效果，您需要可靠的數據準備和擴充方法、可擴展的存儲、為管控提供支持的目錄，最后還需要為最終用戶提供有助于發現見解的直觀分析平臺?，F代組織將最佳解決方案組合成一個敏捷的堆棧，以便根據需求的變化對其進行調整。這些需求取決于多種因素，包括用戶角色、數量、訪問頻率、數據速度等。此堆棧采用適合該用例的架構，并構成您的數據策略基礎。其靈活性最終將驅動技術選擇。

總結：

那么，對于正準備實施物聯網分析計劃的分析領導人或首席信息官而言，最重要的結論是什么?定義平臺愿景。這種思維方式最初可能讓人覺得難以招架，但請記住，您可以根據自己的需要擴展堆棧：構建堆棧模塊，以集腋成裘的方式逐步實現您的計劃。許多決定和行動都可以撤銷，您可以在掌握更多信息后修正自己的做法。您很快就可以在平臺分析中看到可測量的效果。