京公网安备 11010802034615号
经营许可证编号:京B2-20210330
物联网:通过平台、数据分析和可视化实现商业价值
在过去几年中,我沉浸在物联网(IoT)中,发现客户试图解决的问题非常具体,例如获得能源效益,早期故障检测或远程设备诊断及维修。决策由削减运营成本(OPEX)和节省资本开支(CAPEX)所驱动。
有了全部物联网设备生成的数据,强大的分析和可视化能力有助于做出准确决策并采取及时行动,从而实现这些重要的业务目标。当然,尽管这听起来很吸引人,却没那么简单。为了通过降低运营成本和/或资本开支实现有意义的价值,我们需要有效处理数据收集、分析、可视化和控制。没有这些基本的要素,我们无法利用物联网的力量。
下面是对这些关键要素和利用它们充分实施成功物联网解决方案的概述。
物联网数据之旅——从数据收集&分析到可视化&控制
数据是流动的,它的原生形式往往容易带来误解。物联网的真正挑战是,你有太多水龙头同时流出各种不同液体。在收集阶段,处理数据复杂性和变化性至关重要。没有在早期处理好这种复杂性,之后不可能实现最终业务成果。
例如,让我们考虑一个典型的商业建筑和该环境中的数据旅程。你可能会遇到来自不同生产商的不同子系统,例如暖通空调、电梯、安全、电力。第一步是尝试通过一个通用数据模型规范化来自所有这些子系统的数据,然后关注那些与试图解决的问题相关的数据。

在有效的物联网平台中,规范化后的数据被送入分析引擎,以添加解释数据的理解力。分析引擎由基于特定领域专业知识的规则搭建,为操作必需信息的可视化仪表板提供原料。然而缺少了行动的可视化不太有用。因此,修复是整体解决方案中重要的一部分。
在通常的物联网使用中,警报会指出需要采取的行动。但是有人需要在某个地方按下按钮而让行动发生。最佳物联网平台被设计的目的在于关闭这一循环。它们不仅允许手动操作,也有助于警报生成时自动化(或者半自动化)尽可能接近实时地修复问题。
物联网分析和可视化广泛应用的障碍
虽然分析/可视化的价值对物联网来说是巨大的,仍然有几个障碍存在,在开发解决方案时需要了解并克服它们。
数据采集是昂贵的
可以被采集的数据非常大量,而其中很多是无关的。在一栋楼中有非常多全然相异的专业设备。从这些系统中获取数据繁琐复杂,而且有时需要几种不同的工具。这可能变得昂贵。即使你能够收集数据,一些行业正在争论如何以一种通用方式命名和标识数据,使得分析应用可以轻松使用这些数据。
领域专业知识
为了从物联网中得到最多,组织必须有领域专家作为团队成员,致力于解决问题和实现具体的物联网目标。“能源官员”是许多公司中一个相对新的头衔,这样一个人确保有人关注物联网解决方案中的能源节约。
投资回报率(ROI)并不总是立竿见影
真实的投资回报率实现很慢。在与物联网客户合作时,这样的情况我看到过一次又一次。在建筑中,有些客户只看到当他们的物联网解决方案扩展到多个站点时的明显收益。投资回报率取决于业务,而且是应该准备好耐心等待的。
物联网市场上太多正在进行
由于物联网势头正劲,初创和老牌的公司都带着新平台、分析和可视化技术进入该领域。虽然有更多产品和服务的选择可能不错,但是也会令人困惑,难以选择构建强大物联网分析可视化解决方案所需的适当技术。
选择和开发一个鲁棒的物联网分析&可视化解决方案
下面是一些设计物联网解决方案需要注意的技巧。有可能还有几个其他的注意是想,但是在这篇文章中,我将概述这些在过去几年中见到的:
找出问题并设置目标
理解和辨别你确实希望用物联网解决方案解决什么是至关重要的。例如目标是每年节省哪里的运营成本和节省多少。这个目标对你的业务是独一无二的,并且是一个非常关键的开始。这也意味着你需要有领域专业知识以帮助解决问题。
确保智能数据收集
这是一个难点,需要多次迭代才能变好。尝试找出你需要的数据并保证数据收集的准确性。此外,数据需要可靠性和高性能。大多数情况下,数据需要收集自多个已经安装的系统。
选择合适的物联网平台
如果你知道目标,并且知道需要什么数据,选择合适的数据收集管理基础技术非常重要。下面是一些寻找物联网平台时的关键原则:
开放技术:由此你可以规范化来自成熟的专用设备和时新的边缘设备,构建应用程序并在需要的时候和第三方系统整合,无需更换平台或基础设施。API在这里发挥了关键的作用——为开发人员查找已发布的开放API。
鲁棒的生态系统:你可能想要通过自行构建所有应用征服世界,但是有了安卓和iOS,我们都了解应用生态系统的力量。你想要能够去选择。选择有围绕技术的开发者社区的平台。
可扩展的:虽然这取决于你的业务需求,我仍然建议选择一个可以扩展的平台。在多个平台上学习、管理和开发应用程序是困难的,而且成本过高。如果你的业务服务一个大型复杂的物联网基础设施,你应该为未来几年数以百万计的设备连接到web中做好计划。
准备实时和历史分析
根据业务,你可能需要为关键决定和任务准备实时数据或者只是用历史数据运行定期报告。传统分析方法并不适合利用物联网的巨大力量。在边缘(设备级)使用实时分析,并结合历史趋势分析非常重要。在下面的视频中,我谈到了什么使数据爆炸成为了物联网的好机会。
可行动的可视化
灵活性和与分析的集成对物联网数据可视化解决方案非常重要。可选范围从成熟的企业级商业智能(BI)可视化工具,能够处理复杂数据,到为非结构化数据复杂和简单可视化的新的云工具。我喜欢自助服务的可视化功能,这样我不需要永远等待别人创建报告。还要考虑移动用户需要什么——简单性是一大驱动力。可视化是关于如何以一种方式呈现数据,从而可以及时采取适当行动的一切。
一旦选定,安装和运行后,你将需要不断评估分析和可视化解决方案,并按需求做出改变。
结论
做那些最适合你的事情。没有固定的公式,每个企业都不同。找出你希望解决的具体问题,围绕它构建解决方案。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12