數據分析、機器學習與物聯網
我們當前所處的世界，聯網程度不斷上升，低成本傳感器和分布式智能也在不斷普及，產業即將面臨這一切帶來的革命性的沖擊；同時，在此過程中還會產生大量的數據，其規模將龐大到遠遠超過人類所能處理的范疇。對此，企業是否能足夠迅速地適應并演進自身的業務，以維持在競爭格局中所處的位置？面對我們棲身的環境中植入的這些全新的信息來源和智能設備，人類應當如何掌握它們并從中獲益？
利用不斷演進的技術
組織機構將需要建立起內部數據倉庫，以便能夠利用新的數據源和數據流。智能接入設備亦將在某些情況下取代人的角色，它們將能夠自行決策、執行自我調整，或是根據需要引發對自身的糾正和修復。在另一些情景中，眾多設備的集合將聚集在一起成為完整的系統，這樣的系統可以采用新的方法進行優化；而由系統聚集成的系統，將會彼此共享數據，并成為由數據和設備組成的生態系統。機器學習（指從數據中推導出意義的眾多方法）注定將成為這個生態系統中的一部分；此外，隨著企業著手為物聯網（IoT）做準備，傳統業務和數據分析技術也同樣將被納入到該生態系統之中
物聯網——某些人更愿意稱之為“萬物互聯”（Internet of Everything）——正處于不斷上升的軌道上。一項Gartner研究指出，在2020年IoT單元的數量將達到260億，而IoT產品和服務的市值將達到3000億美元1。另外，GE在工業互聯網（Industrial Internet）——這一概念包含用于監控和優化工業設備（例如噴氣式引擎、鐵路機車、動力渦輪機和制造工藝）性能的機制和應用——領域已經活躍了很長時間。根據GE的估算和預測，在接下來20年中，工業互聯網將幫助全球GDP產值提高10到15萬億美元（沒錯，萬億量級）。
當然，圍繞著已問世的全新技術和正在逐步浮現的技術概念，市場中充斥著大量炒作。例如，Gartner備受爭議的 “成熟度曲線”（注：也有些人使用“炒作周期”這一貶義說法）報告就把IoT擺在了“翹首以望的頂峰”的位置上（而大數據作為之前的熱點，已經進入了“理想幻滅的低谷” 3）。然而，哪怕企業家們為之表現出群情激昂的興奮，或是記者們在筆下展現出了對未來的狂熱展望，在現實中依舊存在著大量的挑戰，組織機構必須克服它們，才能夠真正乘上這次技術演進的東風。
挑戰
組織機構必須聚焦于：
了解產品技術和IT領域中，企業能力的相對成熟度；
了解可以納入哪些類型的IoT功能，以及新能力將會在哪些方面對客戶價值帶來影響；
基于市場變化的迅捷程度和競爭對手的相對敏捷度，重新思考業務模型和價值鏈。
接下來，讓我們對這些挑戰逐一進行更詳細地分析。
理解產品和IT成熟度
可以從產品和IT兩個維度分別進行分析。首先，產品組合的成熟度如何？它是屬于變更較緩慢且逐步演進的傳統類型的產品，還是屬于前進速度更快，同時具有更復雜生態系統的產品？礦產設備在技術上非常復雜。并且，與科學研究儀器相比，它擁有更為漫長的設備生命周期，和相對更緩慢的演進速度。然而，這并不意味著科研儀器的公司，在利用IoT產品進行系統優化方面更具優勢。另一個需要考慮的因素是IT流程的成熟度。各種類型的組織機構都可能會因采用IoT而獲益；然而，要想達成這一目標，它們所需采用的模型卻各不相同。
讓我們進一步分析一下IT成熟度水平這個因素。舉例來說，科學研究儀器供應商或許擁有先進技術，但卻可能缺乏強有力的IT架構、流程和IT治理能力。與之相反，礦業設備制造商或許擁有非常成熟的內部IT流程。對科學研究儀器公司而言，IoT將讓它們能夠對安置在現場的儀器設備進行功能升級；但面對由多種類型設備組成的實驗室信息生態系統庫，公司并不一定愿意嘗試去進行優化。（當然，以IT作為成本中心——例如內部IT管理——方面的成熟度不足，并不等于以IT作為利潤中心——例如IT產品——方面成熟度的缺失；但當開發或拓展IT服務的時候，許多組織機構都選擇在現有的基礎IT能力之上構建。）在去年的哈佛商業評論（Harvard Business Review）中，討論了一個礦業設備領域的例子：Joy Global是一家礦業設備制造商，其專家團隊橫跨與采礦作業相關的多種系統和流程。Joy Global以此為依托，針對來自多家供貨商的一系列設備，提供監控、維護和優化的服務4。
了解IoT能力
接下來，應該考慮一下使用智能聯網設備中的哪些能力。剛剛提到的哈佛商業評論刊登的文章4指出，IoT包含四種類型的能力：
監視——傳感器提供關于運行環境、產品使用和性能方面的數據；
控制——可以控制并定制個性化產品功能；
優化——來自監視與控制的反饋回路，能夠提供更高的效率、更好的性能、預防性維護，以及診斷和修復；
自治——監視、控制和優化將支持獨立運行、不同系統間的協作、與環境交互、個性化、補給，以及自我診斷和修復。
這四個層級的能力，將為重新定義供應鏈并重新配置價值鏈提供支持。我們不應該抱有產品的功能應固定不變的觀點；相反，我們應該認為它們將更具靈活性和適應性。那些智能聯網設備和產品將具有可變特性，并能夠隨著用戶需求的變化而改變。在數年以前，軟件制造商就已經認識到了這一點。而現在，物理對象也正在逐漸轉變為軟件驅動功能的載體或容器。上述這些層級的能力要求越來越精密的數據分析方法——從收集和應用數據，到支持算法自身運用數據并在同時進行學習。
第一個層級的能力——監視——將成為一套實時的機制，我們可以運用它更好地了解現場情況和用戶需求，并提供新的能力。這意味著組織機構的傳統產品和服務將不再涇渭分明，而且二者的邊界將彼此滲透。在過去，現場設備的維護由某個現場服務承包公司承擔，設備制造商的業務并不涉及此環節。而在智能設備與監視能力結合后，設備可以在故障發生前將所需的服務提前告知制造商。同時，設備制造商也可以將常規維護納入自己的服務范疇。不過，如果利潤和物流對組織機構而言是個問題的話，那么復雜的維修工作將依舊由專業承包商完成。這一“去中介化”(disintermediation)的模式也可以運用到分發鏈中。設備可以自動發起補充供應的請求，從而降低甚至消除供應鏈中的物流和庫存壓力。
控制是建立在監視之上的更復雜的應用。我們可以監視設備運行情況，并通過控制設備的多個部分或多個系統，來擴展人工干預的邊界。想象一下，在操作大部分功能都是自動化執行的系統或機器時，人類所扮演的角色：人類指導機器運轉，并尋找系統設計的時候沒有預料到（或是基于經濟劃算的角度未設計應對預設）的邊界條件、異常和例外。接下來，人類使用自己的判斷做出變更、糾正或調整。我們并不需要（在空間上）與設備在一起，或許我們也無需實時監視它們（這取決于流程）。我們通過監視層面采集數據并進行處理（某些數據處理必須在特定時刻完成），并通過控制層面將這些數據實時（或準實時）地運用到設備或裝置的運行上。需要組織機構做出的戰略決策是，是否以及何時在產品中提供更多的控制能力，以及是將其作為一種服務向客戶開放，還是讓客戶擁有這些功能。
第三個層級的能力——優化——可以拓展到某個單體對象、一系列對象，或是一套由來自多家制造商、使用不同技術的對象組成的生態系統的表現方面。是否將提供的服務拓展到這一領域，取決于圍繞著價值鏈和流程邊界的知識和經驗的水平。前面提到的礦業的例子，反映出Joy Global與供應商相比的優勢，主要在于擁有在流程生態系統中更加聚焦的視角。以卡車制造商為例，它無法很好地優化復雜的礦業設備，但卻會憑借對自己的一系列卡車（以及潛在的一系列其他制造商生產的卡車）進行優化而獲益——如果行業動態確實具有商業意義的話。
要將優化的范圍延伸到獨立運行，還需要對這三個層級的能力進行一些拓展，以支持與環境及其他系統進行受限程度更低的交互。自治要求圍繞著算法提供更多的智能，以便應對計劃外的情況——程序員和系統工程師未能明確設計這些情況下的方案。自主運行需要整合具有適應性的機器學習方法，以應對新出現的情況，并將之納入到用于監視、控制和優化的核心算法中。
2014年11月，施樂公司帕洛阿爾托研究中心的Mike Kuniavsky在IDTechEx上進行了一場名為“IoT領域中預測分析方面的用戶體驗”的演講。在演講中他表示，我們應該將幾乎所有功能都存放（或是在不久的將來存放）在云上。數據和功能可以從任何位置、通過任何設備訪問。而專業設備則提供用戶訪問數據的環境。
健康手環可以通過iPhone或筆記本電腦，在特定的鍛煉環境中訪問用戶的身體健康數據。在這種情況下，健康手環扮演了IoT傳感器的角色，同時也提供了訪問和使用數據的一種途徑，而且它還通過軟件功能包含了其他一些設備（例如計步器）的能力。設備上產生的數據可以為廠家提供額外的洞見，幫助其了解消費者的使用情況和喜好，并藉此升級功能或開發新特性。如果匯聚來自用戶群的數據并結合其他數據集，那么新的洞見可以闡明流行病方面的數據、人群活動水平、生活方式和人口統計數據。對市場人員、健康服務提供者、保險公司和政府機構來說，這些信息具有寶貴的價值。（當然，我們必須認真對待隱私和數據使用許可方面的責任。）
我們可以使用機器學習算法，基于這些數據模式作出預測。例如，在一份來自Mayo Clinic的研究中，發掘出了活動數據與心臟病人恢復速度的相關性5。
同樣的機器學習和預測算法也是許多聯網智能消費設備的基礎。例如，Nest恒溫器是一套能夠使用數據模式的設備，它預測消費者對于某個特定房間、在一天中的某個特定時刻的溫度要求。（另一個控制和優化的例子體現在聚居區的層面。在獲得了業主許可的情況下，電力設施可以通過遠程調節的方式，控制成百上千的Nest設備，將室溫調高或調低幾度，從而完成高峰期的用能負載調度）。這類消費設備涵蓋了從聲音模式（例如亞馬遜的個人助理輸入設備Echo6）到更復雜的行為和活動模式（例如捷豹的路虎監視系統，它依賴于一套復雜的軟件系統，該系統讓汽車能夠學習、預測和檢查，并提醒車上的乘客幫助駕駛員自動委派次要任務，以便駕駛員將更多的注意力集中在駕駛上7）進行學習的范圍。
優化算法通過使用機器學習機制，來利用從動態環境下交互的傳感器和智能設備傳回的數據。算法不能基于特定的參數，精確地預測這些多變的情況，而是需要不斷地感知、響應并適應。例如，隨著汽車從駕駛員身上分擔了更多的責任，它們需要與周邊環境中更多的數據來源進行交互（傳感器、燈光、其他車輛等等）。在工業自動化、物流和交通運輸、電力網絡與能源系統、交通管理、安全系統以及其他“系統的系統”等領域中的各類應用，都將讓機器直接與其他機器進行交流。此外，這些應用還將基于能夠演進和自適應的算法，幫助機器翻譯數據流，從而使機器能夠依據給定的運行參數達到要求的最終狀態。
智能聯網設備要求組織機構重新檢視，它們處在市場中的什么位置、以什么方式創造價值，以及這些價值將如何隨著競爭環境和信息生態系統的演進而增加或減少。分析將幫助驗證某些決策（例如，在對特性進行變更或是增加服務和功能后，獲得實時使用數據）；不過，市場新進入者和新的價值鏈結構或許會對業務模式帶來巨大的轉變，而基于公司傳統業務模式做出的分析將不再具有相關性。因此，產品或服務的基礎，或許會轉變為來自傳統產品的數據流，而不是來自產品本身的收入。新的業務模式將得以延展，甚至有可能遠遠超出產品本身的范疇，覆蓋上游供應商或下游消費者。
最重要的是，所有這些可能性，都會要求組織機構擁有圍繞著其內部數據健康度和用于分析的基礎設施的基礎能力：數據“打撈”（curation）、所有制和質量標準、具有一致性的企業架構、干凈整潔地集成在一起的系統、自動化的數據載入流程，以及成熟的分析專家。如果欠缺或未能有效管理這些基礎條件，組織機構將很難進行快速反應，并演化出新的分析和數據管理功能與能力。
IoT將基于數據流和復雜的方法，從信息中獲取洞見，并通過與企業知識整合，將之運用到價值創造方面。而不具備這些能力的組織機構將在市場上落后，或是降級到低價值、低利潤的層次。數據被稱為“新的石油”——我們可以拓展這一比喻，這意味著通過分析能力中的知識提煉環節，數據將被精煉為高價值產品。組織機構現在就需要在構建此類基礎設施的方面投入資源，以便為接下來數年中應對供應鏈和價值創造環節的轉型、擾動和顛覆做好準備。信息敏捷性將成為必備的核心能力。
CDA數據分析師考試相關入口一覽（建議收藏）：
? 想報名CDA認證考試，點擊>>>
“CDA報名”
了解CDA考試詳情；
? 想學習CDA考試教材，點擊>>> “CDA教材” 了解CDA考試詳情；
? 想加入CDA考試題庫，點擊>>> “CDA題庫” 了解CDA考試詳情；
? 想了解CDA考試含金量，點擊>>> “CDA含金量” 了解CDA考試詳情；
京公網安備 11010802034615號
經營許可證編號：京B2-20210330
