技术经常被认为是中小型企业的平衡器，使他们能够比以往更有效地与行业巨头竞争。物联网是企业关注的最新技术，它可以改变工作场所——特别是随着企业部署的设备数量持续增长。

对于物联网的关注上升，是可以理解的。企业在业务运营的各个方面都使用设备，并且随着传感器变得更加实惠，企业能够使用它们来更好的记录员工之间的互动和机器活动。因此，企业获得了前所未有的原始数据量，从而可以在分析数据中使用，以推动整个公司的进步。

无论是使制造商能够优化工厂运营，还是帮助零售商改善客户体验，这些早期使用者的巨大成功，都推动了物联网的热潮。此外，近期新闻头条的高层次物联网概念正在进一步推动这一热潮——关于特斯拉、优步和传统汽车企业的故事，例如福特使用物联网建立自动驾驶汽车，或亚马逊将Alexa扩展到新产品和设备中。

但是大部分热潮都是来自行业巨头的投资——谷歌、亚马逊、福特和eBay。小型企业呢？热情可能很高，但你不会经常看到有关中小型企业，充分利用他们大量的数据来完成物联网项目。如果你统计小型企业中的物联网成功，那么事实可能不符合这个热潮。

物联网难题：中小企业面临数据劣势

要充分利用物联网，大多数企业所面临的巨大挑战是，他们的数据和分析战略的定义是含糊的。有些企业会说他们有一个报告和分析战略，但实际上都是类似Tableau这样的数据可视化解决方案——或者更糟，他们的战略由一些基本的电子表格报告所构成。 在这些情况下，他们的物联网项目从一开始就注定要失败。

即使企业有正确的战略，大多数都缺乏合适的人员 （数据科学家）来成功地管理这个流程。数据科学家在数据和分析战略中扮演重要职能，指导，解释和验证数据输出。新的工具和技术可以帮助企业处理数据，但人员是幕后的大脑，无法轻易替换。这就是为什么一些数据科学家每年的薪资达到250,000美元。

开发和执行全面的数据和分析战略是一个真正的挑战，所以问题进一步升级。你需要能够有效地管理数据，从收集到清理和准备。那么你必须确定哪种分析模型将产生最佳预测，这就需要数据科学家的专业知识来训练、测试、评估，并对模型打分。一旦数据和模型确立了，你需要弄清楚如何运营你的分析，并在生产中使用它们。最后，面对不断变化的业务环境，这个流程本身一定要经常审查。

最后，成功物联网部署的所有这些要素，都要花费资金和资源，这就是为什么到目前为止，物联网的真正实施仅限于行业巨头。

实施物联网的新方法

在设计可以最大化物联网价值的数据和分析战略时， 每个企业都面临着独特的挑战。 然而，大多数中小型企业的资源问题是持续存在的，答案并不像招聘一大批数据科学家那么简单 — 这并不可行。虽然分析服务可以为自含用例，比如文本到语音，提供支持，但是，将战略决策的整个流程“外包”，对大多数企业来说也是不适用的。即使新工具的引入，使数据科学家更有效，但是对于小型企业的分析民主化也没有太大的作用。

一个可能的解决方案是自动化。现在，你可能在想“这不是现有工具在做的吗？”要真正地在这一领域取得进步，分析过程必须能够自我学习，而不仅仅是将学习应用于分析输出。这种新一代的方法将元学习原理应用于机器学习，这样一个机器或实体的学习将自动被应用于其他机器或实体。

元学习将通过以元数据的形式，从之前的机器学习实验中获取经验，然后将这些经验应用于未来的实验，从而最大限度地降低运行机器学习实验的成本。这是至关重要的，有以下几个原因：

1. 你可以大大提高分析模型的准确性，这将直接影响你的业务成果。
2. 你可以实现更快的结果，这将使你的业务更敏捷。分析只有在具备业务相关性的情况下获得才是有用的，并且提高的敏捷性可帮助企业更早地理解和使用信息。
3. 你可以更好地控制基础设施，并控制运行机器学习算法所需的成本。这尤其重要，因为随着物联网设备的扩散，业务数据量呈指数级增长。

鉴于分析技能的不足及数据技能的短缺，许多企业并未充分利用物联网的优势。然而，如果行业可以民主化分析，更多的企业就可以更好地利用物联网的优势。这种新一代的方法实质上使数据科学生命周期自动化，大大降低了大多数企业无法获得的高成本和高需求资源的要求。