導  讀

       物聯網產生的數據正在逐步成為大數據的主力軍，本文旨在探討一個多數創新企業高管都十分關注的問題：如何沿著物聯網數據鏈，一步一個腳印地將數據轉換為可持續的商業價值？

       “雖然數據還沒有被列入企業的資產負債表，但這只是一個時間問題。”

       ——《大數據時代》維克托·邁爾-舍恩伯格

       有人說，數據對社會的作用好比石油，也有人說，數據給社會帶來的影響將超越石油，我認為都對。數據和石油都是推動社會變革的能量源泉，其產生和應用流程也如出一轍；然而，數據擁有眾多石油所無可比擬的特質：可反復使用、可復制、可極速傳輸等，因而數據對社會的影響力將遠遠超越石油！

       不管怎么說，將數據比喻成石油是有助于更好地理解物聯網數據鏈的來龍去脈的。恰好筆者曾在石油公司工作過，對石油的商業流程有所了解，[敏感詞]就姑且從數據比作石油說起吧。

       石油在沒有被開采之前，只是些沉淀在地殼的成分復雜的以碳氫化合物為主的混合物，然而一旦從地下噴薄而出、重見天日，經過提煉加工，就可以發揮多種用途，成為現代社會的各種必需品，比如，燃料（汽油、柴油等）、潤滑油、化工原料、塑料制品等，其商業價值也被逐步展現得淋漓盡致。

       挖掘數據商業價值的過程，就好比提煉虛擬的數字石油。

圖1：物聯網數據鏈好比石油產銷流程

       如圖1所示，對物聯網來說，挖掘數據價值也要從尋找數據礦藏開始，然后，通過不斷提升采集、通信、存儲及分析數據的能力，進一步將那些經過過濾分析的數據轉換為能夠體現企業優勢的商業價值。這個過程便形成了一條類似于石油產銷流程的數據鏈：數據采集（石油開采）、數據通信（石油運輸）、數據存儲與分析（石油儲存與提煉）、應用與為轉換為商業價值，如圖2所示。

圖2：物聯網數據鏈示意圖

       現實中，數據在應用和轉換過程中還在產生新數據，這些新數據被實時反饋、回到起始階段，與其它數據一起再次經歷整個鏈條流程，從而形成一個與傳統石油“生產-消耗-廢棄”線性過程不同的“采集-應用-反饋-采集”的循環過程，這一點與循環經濟下的石油所經歷的“生產-消耗-回收利用”的可持續流程頗有相似之處，這也是為什么說可持續商業戰略對建設物聯網生態系統來說至關重要的原因。

       [敏感詞]就按圖2所示步驟，分步驟探討如何沿著物聯網數據鏈，將數據轉換為可持續的商業價值。

數據采集：尋找大數據目標礦區

圖3：物聯網數據采集示意圖

       原油的成分和外觀因產地不同而有所區別，原始數據在形式上更是包羅萬象。文字、圖片、聲音、符號、信號等各式各樣可以被計算機進行數字化處理的信息，都可以成為原始數據！另外，石油對其原產地的地質地貌以及開采技術是有特定門檻要求的，而且開采技術總在與時俱進。類似的，討論物聯網數據的采集也必須對應特定場景，利用不斷發展的技術方案進行收集。

       物聯網興起之前我們的傳統數據一般是指那些來自企業內部、與客戶進行人工互動的或定期讀取的相對靜態、結構固定和精準的數據，而現在物聯網把數據采集的范圍進行廣泛延申，它囊括了來自生產設備、用戶、產品使用過程中隨時間變化的實時海量動態數據，比以往更加全面、及時，填補了傳統商業流程中的眾多數據空白。

       正是物聯網數據趨向“完整”、“全面”、“海量”的特點，使得我們必須換一種思維方式看待這些數據，再也不必緊盯著有限數據之間嚴謹的因果關系，而要多洞察數據代表的各種事物之間各種可能存在的關聯，從中找出潛在價值、把握未來趨勢。換句話說，物聯網數據的核心功能是通過“預測”創造更加豐富多彩的未來。這種新的思維方式更接近于理解生命進化的生態思維，而不是理解機械運動的精準思維。

       那么，可轉換為商業價值的物聯網數據有哪些呢？從它對商業流程的作用角度看，我認為可大致分成以下四類：

 
       用于提高設備能效和性能的數據：物聯網技術能夠對設備能耗進行智能化管理和節能優化，減少人工參與，從而節省整個商業流程的能量損耗，這就是人們普遍把物聯網技術歸入“節能技術”的原因。根據實際應用場景，我們需要收集的能耗數據包括實時功率、熱量、水量、壓力或計算成煤當量以及與此關聯的電壓、電流、體積等。

       用于設備診斷和預警的數據：比如指定設備位置的溫度、設備震動頻率、流體的流量、環境噪音，甚至還包括設備接觸間隙的壓力等等。具體需要采集什么參數，因應用場景而異，從而預防或減少生產過程中可能出現的故障或災難。

       用于提升客戶服務效果的數據：經過脫敏的客戶交易數據，比如，交易數量、交易額、交易頻率、發生交易的地點、產品種類、客戶評分等，以及客戶使用數據等，比如，用于智能家居的各種空間體驗數據。這些數據既可以給客戶提供個性化參考意見和即時服務，幫助客戶進行交易決策，也將幫助企業為新客戶及和未來跨界合作伙伴提供更多個性化服務提供依據。

       用于實現“即服務（XaaS)”授權的數據：物聯網時代的“通信設備”包括各種物件，它們的正常運行時間、位移距離、故障時間等等，決定了用戶在什么時候什么條件下有權使用哪些服務。這些數據尤其在各種“即服務”商業模式轉型中作用尤為突出。在授權的基礎上，還可以直接對用戶直接在線進行定價、結算、扣費。

隨著物聯網應用場景趨向多樣化，可供收集和分析的數據類型會被不斷擴充，以上提到的數據類型可能只是未來物聯網數據中的一部分，但新數據基本上都離不開用來實現“找出關聯、預測結果、實現價值”的核心功能。圍繞這個核心，可以預見的是物聯網數據將引領商業進入一個技術更加智能化、思維更加生態化的新時代！

數據通信、存儲與分析：數據里的尋寶游戲

圖4：物聯網數據通信、存儲與分析

       由于物聯網數據是虛擬化的、隨時間不斷變化的、可被反復使用的，因此相對石油的傳輸、儲存和提煉來說，物聯網數據的通信、存儲和分析過程具有更多復雜性和靈活發展空間。這個過程涉及到大量層出不窮的前沿技術或技術合集，如圖4所示，包括在數據通信領域的各種新通信技術和協議、局域和廣域物聯網組網技術等，以及存儲和分析領域的公有云或私有云存儲、云計算、邊緣計算、機器學習、人工智能、數據可視化、區塊鏈等等。正由于這些極具前瞻性的技術向商業不斷滲透，這個環節也極其容易催生出顛覆性的新技術和新商業模式，同時也很難避免地伴隨著短暫的、白熱化的貿易爭端和商業戰爭的硝煙。

       在這些新技術方案和商業模式中，只有那些能夠整合更多樣的技術和商業資源的新技術、新平臺或新商業模式才是未來技術市場的最后贏家，比如，占領物聯網技術核心區域的智能芯片、5G通信、物聯網操作系統，或者連接物聯網上下游生態伙伴的提供豐富API的物聯網數據平臺等等。物聯網時代的商業業態，無論從人員組織到技術架構，都在趨向扁平化、開源化、各種傳統技術壁壘正在被打破、商業權限正在下放，于是，一些傳統行業老大的垂死掙扎也紛紛暴露出來。

       如何把握好這個關鍵環節的技術和商業趨勢，就以[敏感詞]這個典型的從云到霧擴展的物聯網架構為例吧。

圖5：物聯網邊緣分析平臺架構圖

       如圖所示，隨著智能終端設備及物聯網商用場景的多樣化程度不斷增加，對數據傳輸和反饋速度要求更快，尤其對于遠程作業的智能電網、石油勘探以及大多數工業制造領域來說，物聯網初級階段的那種更接近于移動互聯網的部署思路 ---- 將圖中中間灰色背景部分省去，直接將終端設備收集來的數據集中到云端 ----越來越顯得應對乏力了。當然，對于很多實際工業物聯網應用場景來說，這個架構還需要進一步個性化，可能會涉及到各種老舊設備的智能化、人機界面管理（HMI)等。

       無論如何，物聯網尤其是工業物聯網的技術方案部署陣地正在從云層向更接近終端設備的霧層移動。這就好比云總經理將數據處理權限下放給各個地方的霧區域經理去獨立處理，這樣，霧層分析平臺就可以更實時地分析數據，做出更及時更合適的商業決策。云和霧之間的權力分配是一種集權與分治之間的平衡藝術，云要放權但不能太放權，關鍵是保持兩者間實時信息流通渠道暢通、及時、有效。

       從這點看，物聯網架構產生的海量動態數據就像流動的水，它從世界各地的“終端”處蒸發成水蒸汽，成霧，成云，又成雨，返回大地。如果說，自然界的水循環是借助太陽光的能量在地球引力的作用下，孕育出不斷進化的自然萬物，那么，物聯網的數據流通則借助了人和機器的智慧，朝著有利于催生各個垂直行業建設各自商業生態系統的方向發展、演變。

       總體上物聯網技術框架從云到霧的擴展是符合商業發展的生態化趨勢的，它使得商業社會的技術分工更加細化，管理更加扁平化。在所有細分技術中，不可否認的是，數據分析技術非常關鍵，可以說在整條物聯網數據鏈中起到承上啟下的作用、產生立竿見影的效果。而在數據分析中最引人注目的領域恐怕就是人工智能（AI)了，不少人以為AI是單一的一門技術，其實不是，它是各種有關智能化數據分析的技術合集，從硬件層面的“視覺傳感器”、“Ai芯片”，到應用層面的“人臉識別”、“無人駕駛”、“語音識別”、“樓宇智能管家”、“節能分析”以及其中包含的軟件技術、專利、標準、協議、等等，都屬于人工智能技術集的組成部分。

       在人工智能技術合集里最突出的子集無疑當屬“機器學習”，它利用計算機算力從數據中挖掘出有價值的信息或規律。相對而言，傳統編程是根據程序員給定的算法規則計算結果，而機器學習中的機器能夠充當程序員的角色將每個計算結果重新作為數據進行自我修正、不斷驗證。其中，借助多層級的人工神經網絡（ANN，Artificial Neural Networks )，對海量數據進行計算分析給最優解的應用則將“機器學習”帶入它的最重要子集“深度學習”。它們之間的區別如圖6所示：

圖6：傳統編程與機器學習的對比圖

       毫無疑問，“深度學習”在未來很長一段時間內將是物聯網數據分析領域的核心競爭地，深度學習的過程相當于在大數據迷宮中利用多層級神經網絡尋找尋寶圖，而且是具有最優化路徑的尋寶圖，有了這張尋寶圖（算法），我們才更有可能最終在眾多錯綜復雜的數據里發現新寶貝（商業價值）。

       說到這里，難免感慨一下：連機器都在努力學習并作出智能的獨立判斷，我們有什么理由不加倍努力學習形成自己的獨立思想呢？這一點與我近期接觸的國內[敏感詞]主辦智能制造方向工商管理博士（IM-DBA）項目并提出全融式學習的法方代表機構產生共鳴，在內部討論會上我大概表達了這樣的觀點：未來商業決策者更應該象“深度學習”的人工智能機器那樣，不斷學習思考，把個人實踐（數據）和業績（結果）提煉成對所在產業有指導意義的思想價值（商業規律），才能保持自身的競爭優勢。既然機器學習是未來值得加大投資的商業方向，個人的終生學習何嘗不也是一個持續值得投入的人生方向呢？

數據轉換為商業價值

圖7：數據轉換為商業價值示意圖

       好比提煉好的石油進入各行各業成為燃料或生產原料，物聯網數據分析的結果必須能夠整合進商業服務流程、成為產品或服務，才能體現出它的商業價值。通常來說，越能提升商業生態資源整合能力的數據服務，商業可持續的價值越高。

       除了和石油一樣作為原料的價值以外，數據的實際價值等于所有可能用途的總和，它可以被反反復復地用來改變商業流程、提升運營效率和產生增值等。

       那么，數據到底能轉換為多大的商業價值呢？也就是說，如何為數據這種未來的新型的無形資產估值？目前還沒發現這方面的行業評估標準。但是，就像過去評估各種資產的公司一樣，未來市場上必定也會出現一些讓人耳目一新的數據價值評估公司。

       無論如何，要想把數據轉換為商業價值，除了必須擁有相應可采用的技術能力以外，還要有數據可轉為為商業價值的戰略意識，兩者缺一不可。[敏感詞]三個案例都可以很好地說明這個道理。

       案例1：歐洲一家汽車制造商通過收集汽車運行數據并與外聘數據分析公司合作后發現，其德國供貨商提供的油箱檢測傳感器出現頻繁錯誤報警的缺陷。經過仔細考慮后，汽車制造商沒有選擇直接把這個信息告訴供應商責令其整改，而是通過改進軟件和油箱上對應的零件并將這次改進申請了專利，然后把這項專利賣給供貨商，與供貨商建立一種新的合作伙伴關系，這么做既為自己的前期投入找到可持續的商業回報，提升企業商業生態合作能力，同時也提高了包括競爭對手在內的整個汽車制造行業的技術發展水平，皆大歡喜。

       如果說案例1是一家高科技企業在數據分析過程中無意中碰到的，只因為他們能夠意識到其中的價值才及時抓住了商機，那么，案例2剛好相反。它是我近期參加的Smarties X 2019評審活動接觸到的一家南美傳統制造企業主動策劃出來的新型營銷方案，其構思之別出心裁讓人大開眼界。確切來說這個案例的數據來自移動互聯網而不是物聯網，但它們將本不相關的數據關聯起來轉換為商業價值的思路是一致的，同樣對商業決策者具有參考意義。

       案例2：巴西一家生產銷售平底鍋的百年老店叫Tramontina（查蒙蒂納），眼看著親自做飯的年輕人越來越少，產品銷售前景堪憂。為了改變這種現狀，這家企業組建了一個由廚師、神經網絡專家和樂隊指揮家等專業人士組成的國際項目團隊，與備受年輕人喜愛的世界知名音樂網Spotify展開一項共贏合作。他們花了半年時間研究如何利用“共感覺（Synesthesia）”的算法將音樂聽覺與食物味覺關聯起來。首先，在Spotify上篩選出可以和烹飪參數對應的樂曲特征參數，比如，消極的音調對應苦澀的口味、由多種樂器奏出的協奏曲對應重口味、樂曲時長對應食材數量、音符跳躍對應烹飪溫度等等，并建立一個對應的大型數據庫。然后，利用人工智能將數據轉換成一個千萬數量級的食譜，發布在“Flavor of Songs(樂曲的味道)”新網站上。最后，在潛在用戶瀏覽時適時地給出如何選用平底鍋將食譜變成食物的指南，吸引越來越多的音樂網年輕用戶前來體驗。就這樣，與個性烹飪結合的老牌平底鍋成了和音樂一樣受歡迎的商品，改變年輕人的飲食習慣，引導他們走向廚房。

圖8：TRAMONTINA| Flavor of Songs 截屏

       從這兩個案例可以看出無論是有意還是無意中收集的數據都具有潛在的商業價值，未來企業需要花更多精力挖掘、整理、篩選、分析或重組已收集的數據，選擇適合自身企業實際情況的轉換路徑，既可以象案例1的汽車制造商一樣，將數據轉換為一項帶有知識產權屬性的新業務；也可以象案例2的廚具制造商一樣，利用數據建立新的營銷通道。

       當然，還有的企業，尤其是那些能夠將挖掘數據價值提到到企業戰略高度的企業，還可以走得更遠，他們往往以數據為契機，改變整個商務流程，重塑商業模式。這部分內容在我之前發表的有關“物聯網生態系統”和“PaaS（產品即服務）商業模式”文章里介紹了不少案例也給出相關的分析，恰好最近看到呂建中博士發表的文章《制造業向數字化智能化轉型的可持續發展路徑》中提到的另一個案例，寫得非常清晰易懂，也很有代表性。現摘錄如下：

       案例3：“在《智慧轉型》這本書中（Digital Transformation，David Rogers）有這樣一個真實而有趣的故事：有個主營天氣預報服務的公司TWC，以收集、處理、發送天氣預報進而在發布平臺上刊登廣告為主要經營模式。但是，TWC很快意識到，數據的潛在價值遠遠超過獲得廣告的收入。于是，他們成立了一個由索菲亞領導的數據科學家小組，這個小組的任務，是把數據這一工具轉化為創造更高附加值的戰略資產。科研小組發現，天氣的變化對[敏感詞]1/3的經濟活動的波動產生影響。于是他們和沃爾瑪組成了聯合工作小組，建立了一個鏈接氣象數據和銷售品類及銷售量的經濟分析模型，并利用這個模型來推測，消費者會在什么樣的天氣情況下對哪些產品有更高的購買需求和意愿，制定出針對受天氣影響的暢銷產品品類的廣告投放策略，從而獲得最大銷售收入，提升廣告投入-產出的回報率。 研究小組還和保險公司合作，開發一個叫做Hailzone的小App，在冰雹或暴風雪來臨之前， 及時提醒擁有汽車的車主們，把車子移進車庫。這個小小的App大幅度降低了車子損壞率，減輕了車主們的不便和煩惱，而且也降低了保險公司的理賠訴求和成本，受到了消費者、保險公司、社區等利益相關方的贊許。一下子，很多人注冊到Hailzone上來，一些氣象愛好者還自備了氣象觀測工具，隨時向Hailzone平臺發送和分享他們自己所在的地方監測到的氣象變化數據。這樣一來，Hailzone平臺可以在每1.5秒時間間隔里，整合大量來自四面八方的數據，通過特殊的算法，給出更加實時、精準的預報，進入了一個良性的質量提升和價值創造正向循環。”

       在案例3中，企業有意識地將數據與外部環境聯系起來，積極發展外部生態合作伙伴，建立起一個與零售商、保險公司、消費者、社區等機構和個人實時互動的網絡，將原來相對靜態的天氣預報數據庫轉變為人與設備多方參與的實時數據更新和互動平臺，為利益相關方提供更及時的高附加值服務，同時獲得可自我增長的可持續商業生態效應。

       簡單總結下有關數據轉換為可持續的商業價值所經歷的途徑，大致包括[敏感詞]三類或這三類的組合：

       出租自身產品或服務的使用權限，形成一個能夠與用戶保持互動、支付、結算的數據平臺（如案例1和3），比如一些高門檻的工業產品租賃、IP、咨詢、信息服務等；

       為產品合作方及用戶建立便捷的數據服務入口然后出售這些入口權限或建立新的營銷通道（如案例2和3），比如提供智能物流服務、產品使用和支付服務入口權限等。

       幫助客戶將外部數據添加到指定數據集并提供增值服務（如案例3），比如提供遠程心率監控服務及檢測報告的解讀、診斷，環境數據與經濟活動的關聯增值等。

       總而言之，數據轉換為可持續商業價值的關鍵就是要圍繞數據鏈構建自己的生態圈，其成功與否在很大程度上取決于如何制定和實施可持續的商業戰略。

       本文轉自“物聯網智庫”公眾號，如有侵權請后臺留言刪除