京公网安备 11010802034615号
经营许可证编号:京B2-20210330
物联网落地的最后一公里是大数据_数据分析师
2008年IBM就将物联网的理念引入中国,但迄今为止物联网尚未真正地改变产业,改变人们的生活,这落地的最后一公里缺的是什么?
在IBM中国开发中心科技与战略合作总经理李红焰看来有几个原因:一是很多产业的数据还没有准备好,二是产业互联的技术没有完全解决,第三,也是更重要的是物联网互联互通后的数据分析。
物联网背后是非常深厚的大数据理念,通过连接将数据汇集在一起,再通过分析大数据来了解商业本质、提高效率、优化流程、预测未来。也就是说连接并不是物联网的价值,通过大数据改造传统的行业,才是真正的物联网。
IBM大中华区首席执行总裁钱大群先生说:“IBM的定位不是拥有客户的数据,而是通过我们的数据分析能力,使数据为您所用,使数据变成你的核心竞争力。”
经过多年的积累,IBM在大数据与分析领域在全球积累了大量的经验和经典案例。IBM已在分析领域投入250亿美元。IBM全球共有15000个分析顾问和超过400位数学科学家,每年都会新产生500多个与分析预测相关的专利。
如何将这些能力带到中国来, 与中国产业对接,是一个挑战。“我们需要与中国的合作伙伴一起以比以往更紧密的合作方式进行创新,这种方式实现了IBM全球经验技术和本地合作伙伴优势的互补,才能真正解决最后一公里的落地问题。”李红焰说。
基于这样的想法,IBM从去年开始在中国改变了做法,以一种更开放、更灵活、更创新的模式,与中国本土企业对接,一个行业一个行业地连通最后一公里。
与IBM联合“创业” 促最后一公里落地
云顶科技就是IBM众多本土合作伙伴之一。一年多以前,云顶科技正在寻求转型,他们意识到物联网是一个大方向,但是无从下手。于是在全球范围内搜索合作伙伴,几轮筛选之后,锁定了IBM。LNG基金合伙人、云顶科技联合创始人刘冰认为,IBM的两个优势吸引了云顶科技:一是对物联网的整体认识以及技术储备,二是对传统产业的认识与深刻理解。这两个优势的结合,是很多新兴的物联网企业所不具备的。
双方确定了建立“联合实验室”的合作模式,即双方一起投入人力、物力,一起做前期调研、产品开发,最后还会将研发的智资产双方共享。“IBM深入地参与到云顶的项目里,它不仅仅是卖软件给我们,感觉更像是联合创业。” 刘冰说。这样一支“本土化+国际视野”的团队,通过三个月的闭关开发,迅速将LNG(Liquefied Natural Gas,即液化天然气的英文缩写)行业的物联网平台上线,创造了一个行业速度,并因为这个速度提前抢占了部分市场。
云顶科技与IBM联合打通了LNG行业的最后一公里,在他们的设计方案中可以用“一横一竖”来概括。“横”是产业链的贯穿,“竖”是硬件、物联网、电商的贯穿,“一横一竖”覆盖整个产业。基于这样的一个设计理念,云顶科技开发了三个平台:一是分布式能源的运营管理平台,二是B2B的电商平台,三是B2C的社区平台。“这三个平台看似是独立运转,但在IBM物联网技术下,我们可以利用数据把这三个平台串起来,这些数据能发挥的作用就远不止1+1+1,可能远远大于3。” 云顶科技CIO张航说道。
以前LNG行业都是靠人力抄表,数据误差大,效率低,还存在很多安全隐患。而通过这三个平台,所有数据都会自动采集并传输到云端,节省了人力、物力的同时,还确保了数据的准确性。此外,因为数据是实时传输,又可以通过手机、电脑实时监控运营情况。通过历史数据,可以知道历史消耗量、资金周转率、库存,这些信息与后台的ERP系统对接,就盘活了整个产业链,更科学有效地配给,更合理地调度用车、优化路线,也就不存在燃料的浪费,也不会积压资金。
互联网的做法再好,但不能照搬到传统行业
云顶与IBM的合作虽然进展非常迅速,但面对LNG这个非常庞大而传统的行业,过程中也是困难重重。
让刘冰感触最深的就是数据开放的困难——很多大型企业出于各种原因并不愿意对外开放数据,所以物联网就很难实现真正的连接。“很多大型企业一开始都是观望态度,我们现在主要是从中型的区域型企业切入。大型企业一旦看到效益,就愿意跟进了。”
互联网+虽然是当下最热的话题,但真的拿互联网与传统行业对接时,云顶科技CIO张航发现很难接轨,“你不能完全地去拿互联网的一套办法套到传统行业里去。传统行业有自己的规则,互联网的东西虽然好,但步子不能迈得太大。”张航在实践中,一开始就拿互联网去套,发现落地时会与企业的实际情况发生冲突,玩不转。这就是行业物联网的挑战:互联网思维一定要有,但要不断与传统行业磨合,深入行业需求,设计一些双方都能接受的商业模式。
豪无疑问,物联网和大数据的应用,改变了很多传统的业务流程,也会波及很多传统行业利益既得者,颠覆与改变的阻力也会相当大。在张航与不同客户接触当中发现,客户的态度与做法也有很大的不同。比如南方的一些小企业,原来自己有IT系统,但比较旧,现在就直接上到云顶的平台上,使用上面的各种服务模式,而不是自己再购置软件、硬件重新搭建系统。一些成熟的大企业客户,已经有很成熟、完备的IT系统,就可以与云顶的平台对接,享受云科平台上提供的一些新服务,同时云顶会把企业物联网数据开放给企业,企业根据数据开发、优化自己的系统,双方的利益都实现最大化。
在李红焰看来,物联网、大数据是一场革命,是要创新、改革,但不是一夜之间的颠覆。“这个世界并不是非此即彼,传统行业根深蒂固的系统不能因为新世界的到来而全部抛弃,这种思路是不对的。企业的变革一定根据现有行业现状的变革。 IBM既懂得传统行业,也引领新的技术发展方向,我们的角色是构建起帮助传统企业拥抱新趋势的桥梁。” IBM和云顶合作的实践就是,选择一些局部创新、分步创新或者是区域创新,而不是一下子就把原有的IT系统全部换掉。在传统的IT系统与新的物联网平台之间建立“对话”,数据互通,慢慢融合。
IBM宣布未来四年投资30亿美元打造一个全新物联网(IoT)事业部。在中国,IBM正在以创新的合作方式与本土企业通过诸多云顶科技这样的合作伙伴,与天气、水务、健康等公共大数据关联,用大数据预测商业未来。这或许将是中国互联网+与更多行业跨界创新的最佳路径。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06