民主化分析是中小型企业物联网成功的关键

日期: 2017-06-20 作者:Mark Troester翻译:陈晓诚 来源:TechTarget中国 英文

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……

我们一直都在努力坚持原创.......请不要一声不吭,就悄悄拿走。

我原创,你原创,我们的内容世界才会更加精彩!

【所有原创内容版权均属TechTarget,欢迎大家转发分享。但未经授权,严禁任何媒体(平面媒体、网络媒体、自媒体等)以及微信公众号复制、转载、摘编或以其他方式进行使用。】

微信公众号

TechTarget微信公众号二维码

TechTarget

官方微博

TechTarget中国官方微博二维码

TechTarget中国

电子邮件地址不会被公开。 必填项已用*标注

敬请读者发表评论,本站保留删除与本文无关和不雅评论的权力。


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。

相关推荐

  • 再谈数字化转型

    随着设备和平台之间的联系日益紧密,企业必须适应其服务、产品和流程,走向数字世界。企业可以在一个统一的战略上创造和执行,这将有助于他们的数字化转型之旅。

  • 在物联网上融合云和边缘计算的三个步骤

    云计算有效地利用大量网络来处理和存储信息;边缘计算目前只在电信公司中受欢迎,但随着越来越多的5G网络普及,这项技术将迅速普及。IT专业人士应该遵循以下三个步骤,为即将到来的物联网数据潮流做好准备。

  • 神秘的物联网和雾计算

    两个最常见的流行词是物联网和雾计算。我想对这个问题分享一些看法,这些看法从我目前担任FogHorn首席技术官的现实经验中来。我打算把这篇文章分成几篇文章,因为有很多话题要讨论。

  • IT和OT的真正融合:还须等待多久

    在工业互联网中,我们会看到更多的OT和IT融合。这种融合将推动新的行业技术。我们会看到激动人心的新兴工业应用的出现。