物聯(lián)網(wǎng)數(shù)據(jù)收集和分析的重點是以一種能為公司帶來價值的方式應用這些見解。

自從“大數(shù)據(jù)”一詞在2005年首次被使用以來，海量數(shù)據(jù)集等待被挖掘以獲得見解的想法對公司來說是一個巨大機遇，但這一機遇已被證明難以解鎖。 而現(xiàn)在，隨著物聯(lián)網(wǎng)（IoT）產(chǎn)生的信息量的增加，大數(shù)據(jù)變得越來越大，從而進一步加劇了挑戰(zhàn)。

那么什么是物聯(lián)網(wǎng)數(shù)據(jù)，它如何融入大數(shù)據(jù)圖景？ 看看一些公司是如何成功地利用物聯(lián)網(wǎng)和大數(shù)據(jù)來實現(xiàn)業(yè)務目標的。

甚至在物聯(lián)網(wǎng)還沒有出現(xiàn)之前，公司就一直在收集數(shù)據(jù)——而且是大量數(shù)據(jù)。 銷售數(shù)據(jù)、運營數(shù)據(jù)、財務數(shù)據(jù)、人力資源數(shù)據(jù)、消費者數(shù)據(jù)等等都是從各種來源收集的，通常是為了獲得特定見解而需要對它們進行分析。 這種類型的數(shù)據(jù)通常來自各種來源，例如，社交媒體、金融市場和銷售交易（數(shù)量、速度和多樣性被稱為大數(shù)據(jù)的三個方面）。

眾所周知，分析大數(shù)據(jù)可以對業(yè)務及其運營方式產(chǎn)生重要見解。 以下是圍繞它的一些問題：

?大部分數(shù)據(jù)都是孤立的 ，與其他類型的數(shù)據(jù)隔離開來，無法進行宏觀分析。 例如，財務數(shù)據(jù)很難與消費者數(shù)據(jù)輕松匯總，以獲得關(guān)于特定客戶行為對公司財務績效影響的更復雜見解。

?很難足夠快地處理大數(shù)據(jù)以使見解有用。 大多數(shù)類型的數(shù)據(jù)的價值都是短暫的，消費者今天所做的將在明天和后天有所不同。 為了獲得最大利益，企業(yè)需要能夠快速采取行動的見解，但大多數(shù)傳統(tǒng)的數(shù)據(jù)庫系統(tǒng)無法以必要的速度處理數(shù)據(jù)。

?收集的大部分數(shù)據(jù)都被浪費掉了。 負責在海量數(shù)據(jù)中尋找業(yè)務問題“答案”的業(yè)務分析師必須過濾掉不相關(guān)的數(shù)據(jù)，并找出可能存在答案的特定數(shù)據(jù)集。 結(jié)果，估計有60％至73％的數(shù)據(jù)未被分析。

想象一下，一家服務于數(shù)百萬客戶的大型電力公司試圖預測即將到來的夏季用電高峰需求。 收集和匯總必要的數(shù)據(jù)，然后對其進行預測和建模，這幾乎是一項不可能完成的任務，因為數(shù)據(jù)集的規(guī)模如此之大，以至于讓人難以招架。 (再加上每個客戶5分鐘間隔的物聯(lián)網(wǎng)傳感器數(shù)據(jù)，您可以清楚地看到其中的難度）

如今，另一個主要的數(shù)據(jù)來源正在推動潮流—— 物聯(lián)網(wǎng)數(shù)據(jù) 。 物聯(lián)網(wǎng)在許多方面加劇了數(shù)據(jù)問題，但它也提供了解決方案。

近年來，稱為物聯(lián)網(wǎng)的聯(lián)網(wǎng)對象系統(tǒng)發(fā)展迅猛，并且任何物理對象都可以變成物聯(lián)網(wǎng)的一部分。 到2021年，全球估計有350億臺物聯(lián)網(wǎng)設(shè)備。 此外，物聯(lián)網(wǎng)設(shè)備產(chǎn)生的數(shù)據(jù)預計到2025年將達到79.4ZB。 顯然，物聯(lián)網(wǎng)設(shè)備產(chǎn)生的數(shù)據(jù)加劇了問題。

眾所周知，物聯(lián)網(wǎng)數(shù)據(jù)收集通過三種方式影響大數(shù)據(jù)：

1、物聯(lián)網(wǎng)設(shè)備生成的數(shù)據(jù)在許多方面比其他類型的數(shù)據(jù)更豐富。 由于傳感器可以連接到任何物理設(shè)備上，因此物聯(lián)網(wǎng)數(shù)據(jù)是多樣化的，并且是精細化的，這意味著企業(yè)可以獲得更多有關(guān)其業(yè)務運營的數(shù)據(jù)。 例如， 智能建筑 可以收集以下相關(guān)數(shù)據(jù)：

? 環(huán)境條件 ，例如空氣質(zhì)量、溫度/濕度和亮度，因此您可以了解需要為人們安全或舒適做出哪些更改。

? 能源使用模式 ，因此您可以了解您的建筑如何以及何時使用能源，并可以采取措施優(yōu)化能源效率。

? 居住者的行為 、活動水平和行為模式，以便您了解它們?nèi)绾斡绊懩苄Т胧?mpchecktext contenteditable="false" id="1635487537414_0.5863352013389243">

? 用水 ，這樣可以最大限度地減少浪費。

? 建筑物的設(shè)備 ，因此可以確定建筑物的功率因數(shù)，并使用這些數(shù)據(jù)進行預測性維護。

由于數(shù)據(jù)是自動聚合和分析 的，因此浪費的數(shù)據(jù)更少。 許多物聯(lián)網(wǎng)平臺使用機器學習來收集各種相關(guān)數(shù)據(jù)，然后對數(shù)據(jù)集進行分類和分析。 例如，測量高速旋轉(zhuǎn)設(shè)備振動水平的傳感器數(shù)據(jù)與設(shè)備的既定振動特征相結(jié)合，可以幫助檢測異常情況，并隨著時間推移，在嚴重問題出現(xiàn)之前預測問題。 擁有使用所有數(shù)據(jù)的能力會產(chǎn)生更多可操作性見解，從而獲得更大的投資回報。

物聯(lián)網(wǎng)平臺實時收集和分析數(shù)據(jù) 。 許多物聯(lián)網(wǎng)數(shù)據(jù)平臺同時、實時收集和分析數(shù)據(jù)，因此可以更快地獲得答案。