《数据思维》

荐 语

互联网也已成熟，物联网正在搭建。

每个人都生产数据，却只是少数人拥有玩转它的能力。

凭借数据，内行率先开启了先知视角，而我们却连北都摸不着！

从广告的精准投放，到预测并影响美国总统大选，数据为何如此神奇？
一、朴素的数据价值观

1数据的价值

a什么是数据

凡是可以被电子化记录的都是数据。

这不局限于数字，还包括语音输入的声音，数码相机拍下的照片，手机录制的视频等被电子化记录的内容。该定义看似狭隘，但是能帮助我们更好的理解数据产业的变迁，培养数据的时代观。

b数据有什么用

数据之于个人的价值，一定关乎自身业务的核心诉求。只有说清楚了数据的商业价值，客户才容易为数据买单，数据企业才容易产生收入，数据产业中才不会有那么多的困惑。那么，数据的价值是什么呢？

我们可以从收入、支出、风险三个方面看待这个问题：

收入。最典型的是百度付费搜索广告，它通过对用户搜索数据的深入分析，进行精准匹配，为广告主带去一大波流量，它所创造的收入增长就是数据的价值。

支出。根据物联网技术采集到的信息，电视生产商发现某一款电视机的用户中，仅1%的用户还在使用老式的VGA视频接口。于是，他们决定取消这一接口设置，该决定为企业每年节省了上亿元成本。这也是数据分析带来的价值。

风险。很多商业银行都有网上申请系统，风险普遍高于线下面签。数据分析可以帮助它们更加准确地区分哪些线上申请者是好人，哪些是坏人。这是以降低商业风险的方式，数据为公司所带来的间接价值。

2什么是数据思维

为了解释清楚本书中最重要的概念“数据思维”，这里不得不引入一个统计学专有名词——回归分析，即确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

古人云：以道驭术，以术驱道。在“道”的层面上，回归分析是一种思维方式，在它的指导下，我们可以把“业务问题”定义成“数据可分析问题”。而在“术”的层面，回归分析又是一种可以运用的数据分析工具，这在本解读最后一章会介绍。

什么样的问题可以被看作数据可分析问题？你需要找到两种变量：

因变量Y：因为别人的改变而改变的变量，这是业务的核心诉求。

自变量X：用来解释因变量Y的相关变量，通俗点说，自变量X的改变，影响了因变量Y的变化。X表现了数据分析者对业务的洞见。

案 例

假设A君向你借一万元钱，你也许会从A君平时的为人开始分析，顺便考虑你俩关系够不够铁、是否签下借条、A君的家境情况等等各种因素，依此衡量A君还钱的可能性。此处A君还钱的可能性就是因变量Y；而为人、关系、借条、家境都是自变量X。

数据思维是把“业务问题”定义成“数据可分析问题”，具体的做法就是在乱成一锅粥的业务问题中，准确定位业务的核心诉求（因变量Y），并找到影响核心诉求的相关因素（自变量X），然后利用各种数据分析工具进一步研究。

下一章我们着重解决一个问题，为什么拥有数据思维如此重要？

二、 大数据到底是什么

在不了解数据分析的情况下，我们很容易神话大数据，认为它拥有多么神奇的魔力。实际上，大数据没那么神秘，它与许多人接触过的统计学有着千丝万缕的关系。

1大数据和统计学的关系

本期节目中，王汉生教授提到，大数据和统计学至少有两方面的关系：

a统计学关注的核心，是对数据的分析建模，并通过建模对业务不确定性的刻画，这对大数据的贡献巨大。

b大数据并不能代替抽样，相反，越是大数据抽样越重要。

2大数据的准确度如何

“预测不准是常态，预测准确是变态。”王教授这句话，戳破了许多人对预测抱有的美好期待。

为什么对于准确度那么绝望呢？科学本质使然。统计学研究中包括了大量的相关关系，其中只有极小一部分非常稀有的因果关系，但是因果关系的重要性依旧无法取代。

相关关系：客观现象存在的一种非确定的相互依存关系。例子：公鸡叫，太阳升起来。

因果关系：第一个事件（因）和第二个事件（果）之间的作用关系，其中后一事件被认为是前一事件的结果。例子：按下开机键，电脑亮了。

我们经常会混淆这一对概念，甚至有些时候连相关关系都不算的事件A和事件B，由于它们常相伴发生，我们便迷信地以为两者具有因果关系，闹下不少的笑话。

因此，鉴别相关关系和因果关系这一对概念，不仅是我们了解大数据的金钥匙，也是培养科学素养——对伪科学说不——所要迈出的关键一步！

三、人人应有数据思维

数据思维是一种必备的素养。因为生活在信息时代的我们，或多或少都会和数据扯上点关系，不具备数据思维，我们就会像不懂经济学知识炒股的人一样，容易被征智商税啊！

1提高沟通效率

我们在工作中，经常遇到这样的情况：数据专家说的是技术语言，需求部门说的是业务问题（其中包括数据可分析的和不可分析的），双方的沟通总是难以顺利进行。

要解决这个问题，这不仅需要专业人士摆脱自己知识的诅咒，也需要需求部门克服对于数据的恐惧感，公司内部自上而下都有必要培养数据思维。决策者要认识到哪些事与数据相关，需求部门应该有将核心诉求讲清楚的能力。

对此，樊老师生动地形容道，具备数据思维就是“张口就能点出回锅肉”。

这可以大大提高沟通效率，使数据分析的价值最大化！

2抓住商业机会

另一方面，数据思维对于创业者来说也可能有帮助，尤其在那些与数据有着紧密联系的创业项目中。具备数据思维，能帮助创业者抓住商业机会，但这需要经过以下三个步骤：

a我所在的创业方向，数据是否能帮助我？

b如果数据很重要，将业务中的因变量Y和自变量X梳理清楚。

c在战略层面上，保证Y和X的高质量供给、长时间积累。

3生活中的数据思维

假如一个人既不是创业者，所涉及业务问题又和数据分析八竿子打不着，培养数据思维又有什么用呢？事实上，生活中的大部分小事，数据思维都可以给你启发，关键看你怎么用？

首先，培养数据思维帮你养成一种思考有的放矢的习惯：分析的目的是什么？核心诉求是什么？因变量Y是什么？

其次，搞清楚目的后，你就能将注意力聚焦在相关的自变量X上，就不会陷入“放眼望去都是重点”的迷乱状态中。

最后，你可以尝试最简单的分析，专业的建模暂且不说，至少可以区分一下哪些是相关关系、哪些是因果关系。

四、 各种数据分析方法

读到这里，你是否已经对数据分析产生兴趣了呢？本书中还介绍了几种常见的数据分析工具，感兴趣的话可以研究一下，然后试着用它们解决数据可分析的问题。

1回归分析

在“术”的层面，回归分析就是各种各样的统计学模型。它主要有五种类型：线性回归、0-1回归、定序回归、计数回归以及生存回归。

线性回归，更严格地说是普通线性回归，其主要特征是：因变量Y必须是连续型数据，而对解释性变量X没有太多要求。在数据世界中，线性回归可以应用于股票投资、客户终身价值、医疗健康等领域。

0-1回归就是因变量Y是0-1型数据（只有两个可能取值）的回归分析模型。例如，性别只有“男”或“女”。购买决策只有“买”或“不买”。癌症诊断只有“得癌症”或“不得癌症”。0-1回归可以应用于互联网征信、个性化推荐、社交好友推荐等。

定序回归就是因变量Y为定序数据（关乎顺序的数据）的回归分析模型。举个例子，现在请各位书友为本期作者光临打分，根据喜好程度：1表示非常喜欢，2表示有点喜欢，3表示感觉一般，4表示有点不喜欢，5表示非常不喜欢。这就是一种定序数据。定序回归常见的应用场景有：的打分评级（1~5星）；电商产品的满意度评分（1~5星）等。

计数回归。如果因变量Y是一个计数数据（非负整数），那么对应的回归分析模型就是计数回归。计数回归常被应用于：客户关系管理中的RFM模型，即一定时间内客户到访的次数；二胎政策研究中，一对夫妻选择生育孩子的数量等。

生存回归是生存数据回归的简称，即因变量Y为生存数据（刻画一个现象或个体存续生存了多久）的回归分析模型，例如人的寿命、电子产品使用年限、创业公司存续时间。

2数据可视化

最基础的数据可视化方法就是统计图，而一张好的统计图应该满足四个标准：准确、有效、简洁、美观。常见的统计图有：柱状图、堆积柱状图、饼图、直方图、折线图、散点图、箱线图、茎叶图等。

3机器学习

机器学习代表着一大类优秀的数据模型分析方法，是立志成为数据科学家的书友们的必修课。它主要涉及的方法有：朴素贝叶斯、决策树（含随机森林）、神经网络（含深度学习）、K均值聚类。

4非结构化数据

数据是结构化的还是非结构化的，这是一个相对的、主观的概念。当然，其中也有一些达成了共识，公认的非结构化数据包括中文文本、数据结构、图像等。

案 例

非结构化的文本数据，并不表示我们不能对它进行数据分析。以《倚天屠龙记》为例，张无忌到底最爱谁，是赵敏吗，是周芷若吗，还是殷离或者小昭？本书利用数据分析的方法，得到了答案！

第一步，把小说的主要人物和他们的称谓提取出来。接下来，要确定分析单位，这里取的是自然段。那么张无忌爱谁这样的问题，到底怎么定义为数据可分析问题呢？本书中从人物出场频次、出场时间、亲密程度等不同角度进行分析，这里简单说一下最重要的亲密程度分析，这是通过她们与张无忌出现在同一自然段的次数（同时出场）刻画的：

所谓日久见真情，从这一个侧面看张无忌与赵敏亲密接触的机会最多，他最有可能爱上的是赵敏。

说明：本案例详情，可从微信公众号狗熊会（ID：CluBear）获得。

结语

这是一本可以提升认知的书籍，没有带给你太多的方法论，也不能让你的生活立即发生改变，甚至你在听书的时候还会感到有些费力。但是，偶尔走出自己的舒适区，尝试理解从前碰都不敢碰的理科问题，然后惊喜地发现“哦！原来是这样啊！”这对于我们来说何尝不是一种进步呢？
作 者 简 介
王汉生

北京大学光华管理学院商务统计与经济计量系教授、博导、系主任，北京大学商务智能研究中心主任，微信公众号“狗熊会”创始人。美国统计学会Fellow（2014），国家杰出青年基金获得者(2016)，美国统计学会会刊《JASA》、美国商业与经济统计学杂志《JBES》、泛华统计学会会刊《SINICA》、《中国科学：数学》等多个国际学术期刊的编委（Associate Editor）。

精 华 解 读

以下内容为《数据思维》一书精华解读，供广大书友们学习参考，欢迎分享，未经允许不可用作商业用途。

目 录

一、朴素的数据价值观

二、大数据到底是什么

三、人人应有数据思维

四、各种数据分析方法

正 文

引擎再强大的车，碰到摸不着北的司机，照样开不到目的地。大数据也一样，如果不具备将业务问题转变为数据可分析问题的数据思维，再怎么神话大数据都无法创造商业价值。

大数据很火，真正懂行的少之又少，王汉生教授是其中一位。在聒噪的新媒体语境下，王教授另辟蹊径，以诚恳、求真的学术气质，帮助我们在工作与生活中养成数据思维。

物联网专业所学的课程有：

基础科目：大学英语、大学物理、高等数学、C语言程序与设计、线性代数、概率统计等。

专业科目：物联网导论、电子电路、传感器技术概论、rfid技术概论、TCP-IP协议、嵌入式系统、物联网软件、标准与中间件技术、M2M概论、JAVA等。

这些专业科目是物联网工程的主流学科，但是不同的学校以此为基础，所修的科目可能与以上所说的有所不同。

物联网（英文：Internet of Things，缩写：IoT）起源于传媒领域，是信息科技产业的第三次革命。物联网是指通过信息传感设备，按约定的协议，将任何物体与网络相连接，物体通过信息传播媒介进行信息交换和通信，以实现智能化识别、定位、跟踪、监管等功能。

物联网产业尚处于初创阶段，虽其应用前景非常广阔，未来将成为我国新型战略产业，但其标准、技术、商业模式以及配套政策等还远远没有成熟。物联网的关键是“大集成”应用，而物联网大集成应用实现的关键是中间件和解决方案。

目前的挑战在于用标准化的数据交换实现这些已存在的和新建的系统之间的互联互通和“管控营一体化”。物联网发展已到产业化、标准化的关键时期，在产业化和核心关键技术方面与发达国家有一定差距，实施以感知为核心的物联网标准化战略迫在眉睫。

要依托现有的国际标准化优势，加快推动形成“共性平台+应用子集”产业结构。在国家层面，应加强统一，重点突破核心技术、规模产业发展路线、商业模式等关键点。

行业主要上市公司：大富科技(300134)、梦网集团(002123)、共进股份(603118)、胜宏科技(300476)、润和软件(300339)、立昂技术(300603)等

本文核心数据：物联网产业规模、竞争格局、发展前景预测等

产业概况

1、定义

所谓“物联网”(Internet of
Things，IOT)，又称传感网，指的是将各种信息传感设备，如射频识别(RFID)装置、红外感应器、全球定位系统、激光扫描器等种种装置与互联网连接起来并形成一个可以实现智能化识别和可管理的网络。

早期的物联网是指依托射频识别技术的物流网络，随着技术和应用的发展，物联网的内涵已经发生了较大的变化。现阶段，物联网是指在物理世界的实体中部署具有一定感知能力、计算能力和执行能力的各种信息传感设备，通过网络设施实现信息传输、协同和处理，从而实现广域或大范围的人与物、物与物之间信息交换需求的互联。物联网依托多种信息获取技术，包括传感器、射频识别(RFID)、二维码、多媒体采集技术等。物联网的几个关键环节可以归纳为“感知、传输、处理”。

2、产业链剖析：共有四大层面

所谓产业链，是以生产相同或相近产品的企业集合所在产业为单位形成的价值链，是承担着不同的价值创造职能的相互联系的产业围绕核心产业，通过对信息流、物流、资金流的控制，在采购原材料、制成中间产品以及最终产品、通过销售网络把产品送到消费者手中的过程中形成的由供应商、制造商、分销商、零售商、最终用户构成的一个功能链结构模式。

从产业链条来看，物联网的产业链条由上而下可以分为感知层、传输层、平台层和应用层四个层级。

自2018年中美贸易摩擦以来，美国加大了对中国高新技术出口的限制，不断扩大实体清单，影响了中国一些科技主导型企业的发展，这从侧面警示了中国在全球供应链中地位的脆弱性。物联网通过传感器把物理世界与数字世界联系起来，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。其中传感器作为数据采集的源头，已经成为各种应用能力所需的数据来源所在。目前中国国内也涌现出了一些传感器芯片重点生产企业，如：高德红外、西人马、士兰微、敏芯微电子、博通、全志科技、大唐微电子、复旦微电子等。

行业发展历程：处于市场验证期

物联网是通过射频识别(RFID)、红外感应器、全球定位系统、激光扫描器等
信息传感设备，按约定的协议，把任何物体与因特网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。物联网发展历史悠久，可分为三个阶段：

行业政策背景：政策大力推进

根据最新发布的《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》，在“十四五”期间，明确新基建，还要让5G用户普及率提高到56%。并且5次提到关于物联网的规划发展，除了划定数字经济的7大重点产业外，其余4次提到的场合均体现出对物联网发展重点的表述。

十四五规划中划定了7大数字经济重点产业，包括云计算、大数据、物联网、工业互联网、区块链、人工智能、虚拟现实和增强现实，这7大产业也将承担起数字经济核心产业增加值占GDP超过10%目标的重任。

产业发展现状

1、中国物联网连接数快速增长

全球物联网仍保持高速增长。物联网领域仍具备巨大的发展空间，根据GSMA发布的《The mobile economy
2020(2020年移动经济)》报告显示，2019年全球物联网总连接数达到120亿，预计到2025年，全球物联网总连接数规模将达到246亿，年复合增长率高达13%。我国物联网连接数全球占比高达30%，2019年我国的物联网连接数363亿。而根据2021年9月世界物联网大会上的数据，2020年末，我国物联网的数量已经达到453亿个，预计2025年能够超过80亿个。

2、应用层与平台层价值最高

从产业链价值分布看，应用层和平台层贡献最大的附加值，分别占到35%左右，传输连接层虽然重要，但产值规模较小;底层的感知层元器件由于种类众多，产业价值也较大，占到20%左右。

3、物联网应用者使用情况调研

微软发布的第三版《IoT Singal(物联网信号)》报告显示，2021年物联网的应用持续保持增长。91%的受访组织是物联网应用者。

物联网项目可分为四个阶段：学习、试验/概念验证、购买和使用。2021年，29%的物联网项目处于学习阶段;处于试验/概念验证阶段的项目比例仍保持不变，2020年和2021年均为25%;处于购买阶段的项目比例增加了1%，从2020年的21%增加到2021年的22%;处于使用阶段的项目在2020年和2021年保持稳定，均为25%。

4、中国物联网市场规模突破25万亿

目前，物联网已较为成熟地运用于安防监控、智能交通、智能电网、智能物流等。近几年来，在各地政府的大力推广扶持下，物联网产业逐步壮大。再加之近几年厂商对物联网这一概念的普及，民众对物联网的认知程度不断提高，使得我国物联网市场规模整体呈快速上升的趋势。2019年我国物联网市场规模约在176万亿元左右，2020年根据赛迪公布的数据，我国物联网市场规模约达到214万亿元左右。初步统计，2021年市场规模为263万亿元。预计未来三年，中国物联网市场规模仍将保持18%以上的增长速度。中国物联网市场投资前景巨大，发展迅速，在各行各业的应用不断深化，将催生大量的新技术、新产品、新应用、新模式。

产业竞争格局

1、区域竞争：北京物联网相关项目最多

工信部共公开2批《物联网关键技术与平台创新类、集成创新与融合应用类项目公示名单》，结合2批的项目名单分析，目前中国物联网关键技术与平台创新类、集成创新与融合应用类项目主要集中在北京、浙江、广东和山东。

2、企业竞争：各个行业的企业在相关领域有所布局，以龙头企业间的竞争为主

物联网技术的应用是传统行业转型升级的根本，传统行业转型升级的方向以“数字化”和“智慧化”为主。根据物联网的应用领域来看，企业在各自行业的“数字化”和“智慧化”有所布局。

互联网周刊发布了2021物联网企业100强，榜单显示华为排名第一、海尔智家、海康威视位居第二和第三，小米集团、中兴通讯、大华股份、阿里云、联通数科物联网、科大讯飞、神州控股进入前十，依次排名第4-10名。

产业发展前景：物联网将继续保持高速增长

1、发展前景：市场规模不断扩大，产业物联网占比逐渐上升

物联网是中国新一代信息技术自主创新突破的重点方向，蕴含着巨大的创新空间，在芯片、传感器、近距离传输、海量数据处理以及综合集成、应用等领域，创新活动日趋活跃，创新要素不断积聚。物联网在各行各业的应用不断深化，将催生大量的新技术、新产品、新应用、新模式。中国以加快转变经济发展方式为主线，更加注重经济质量和人民生活水平的提高，采用包括物联网在内的新一代信息技术改造升级传统产业，提升传统产业的发展质量和效益，提高社会管理、公共服务和家居生活智能化水平。未来巨大的市场需求将为物联网带来难得的发展机遇和广阔的发展空间。综合多方面的情况分析，前瞻认为未来6年中国物联网的发展将保持高速增长，到2027年市场规模超过7万亿元。

根据信通院于2020年12月发布的《2020中国物联网白皮书》，2019年中国物联网连接数中产业物联网和消费者市场各占一半，预计到2025年，物联网连接数的大部分增长来自于产业市场，产业物联网的连接数将占到总体的61%。由此来看，未来产业物联网的市场发展潜力大于消费物联网。

2、发展趋势：重点城市带动周边城市发展，分工协作格局将进一步显现

国内物联网产业已初步形成环渤海、长三角、珠三角，以及中西部地区等四大区域集聚发展的总体产业空间格局。其中，长三角地区产业规模位列四大区域的首位。未来中国物联网产业空间演变将呈现出三大趋势：

更多本行业研究分析详见前瞻产业研究院《中国物联网行业细分市场需求与投资机会分析报告》。

物联网就是通过信息传感设备，按照约定的协议，把任何物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。
通俗地讲，物联网就是“物物相连的互联网”，它包含两层含义：
第一，物联网是互联网的延伸和扩展，其核心和基础仍然是互联网；
第二，物联网的用户端不仅包括人，还包括物品，物联网实现了人与物品及物品之间信息的交换和通信。
物联网作为新一代信息技术的高度集成和综合运用，具有渗透性强、带动作用大、综合效益好的特点，是继计算机、互联网、移动通信网之后信息产业发展的又一推动者。

工业互联网是全球工业系统与高级计算、分析、感应技术以及互联网连接融合的结果。“工业互联网”（Industrial Internet）——开放、全球化的网络，将人、数据和机器连接起来，属于泛互联网的目录分类。  它是全球工业系统与高级计算、分析、传感技术及互联网的高度融合。

工业互联网通过智能机器间的连接并最终将人机连接，结合软件和大数据分析，重构全球工业、激发生产力，让世界更美好、更快速、更安全、更清洁且更经济。中国工业互联网标识解析国家顶级节点落户在北京、上海、广州、武汉、重庆五大城市

工业互联网将整合两大革命性转变之优势：其一是工业革命，伴随着工业革命，出现了无数台机器、设备、机组和工作站；其二则是更为强大的网络革命，在其影响之下，计算、信息与通讯系统应运而生并不断发展。事实上，工业互联网的概念国内一直都有，而非仅仅是舶来品。

伴随着这样的发展，三种元素逐渐融合，充分体现出工业互联网之精髓：

智能机器：以崭新的方法将现实世界中的机器、设备、团队和网络通过先进的传感器、控制器和软件应用程序连接起来。

高级分析：使用基于物理的分析法、预测算法、自动化和材料科学，电气工程及其他关键学科的深厚专业知识来理解机器与大型系统的运作方式。

工作人员：建立员工之间的实时连接，连接各种工作场所的人员，以支持更为智能的设计、 *** 作、维护以及高质量的服务与安全保障。

将这些元素融合起来，将为企业与经济体提供新的机遇。例如，传统的统计方法采用历史数据收集技术，这种方式通常将数据、分析和决策分隔开来。伴随着先进的系统监控和信息技术成本的下降，工作能力大大提高，实时数据处理的规模得以大大提升，高频率的实时数据为系统 *** 作提供全新视野。机器分析则为分析流程开辟新维度，各种物理方式之结合、行业特定领域的专业知识、信息流的自动化与预测能力相互结合可与现有的整套“大数据”工具联手合作。最终，工业互联网将涵盖传统方式与新的混合方式，通过先进的特定行业分析，充分利用历史与实时数据。

工业互联网是指全球工业系统与高级计算、分析、感应技术以及互联网连接融合的结果。它通过智能机器 间的连接并最终将人机连接，结合软件和大数据分析，重构全球工业、激发生产力，让世界更美好、更快速、更安全、更清洁且更经济

数据分析、机器学习与物联网
我们当前所处的世界，联网程度不断上升，低成本传感器和分布式智能也在不断普及，产业即将面临这一切带来的革命性的冲击；同时，在此过程中还会产生大量的数据，其规模将庞大到远远超过人类所能处理的范畴。对此，企业是否能足够迅速地适应并演进自身的业务，以维持在竞争格局中所处的位置？面对我们栖身的环境中植入的这些全新的信息来源和智能设备，人类应当如何掌握它们并从中获益？利用不断演进的技术组织机构将需要建立起内部数据仓库，以便能够利用新的数据源和数据流。智能接入设备亦将在某些情况下取代人的角色，它们将能够自行决策、执行自我调整，或是根据需要引发对自身的纠正和修复。在另一些情景中，众多设备的集合将聚集在一起成为完整的系统，这样的系统可以采用新的方法进行优化；而由系统聚集成的系统，将会彼此共享数据，并成为由数据和设备组成的生态系统。机器学习（指从数据中推导出意义的众多方法）注定将成为这个生态系统中的一部分；此外，随着企业着手为物联网（IoT）做准备，传统业务和数据分析技术也同样将被纳入到该生态系统之中物联网——某些人更愿意称之为“万物互联”（Internet of Everything）——正处于不断上升的轨道上。一项Gartner研究指出，在2020年IoT单元的数量将达到260亿，而IoT产品和服务的市值将达到3000亿美元1。另外，GE在工业互联网（Industrial Internet）——这一概念包含用于监控和优化工业设备（例如喷气式引擎、铁路机车、动力涡轮机和制造工艺）性能的机制和应用——领域已经活跃了很长时间。根据GE的估算和预测，在接下来20年中，工业互联网将帮助全球GDP产值提高10到15万亿美元（没错，万亿量级）。当然，围绕着已问世的全新技术和正在逐步浮现的技术概念，市场中充斥着大量炒作。例如，Gartner备受争议的 “成熟度曲线”（注：也有些人使用“炒作周期”这一贬义说法）报告就把IoT摆在了“翘首以望的顶峰”的位置上（而大数据作为之前的热点，已经进入了“理想幻灭的低谷” 3）。然而，哪怕企业家们为之表现出群情激昂的兴奋，或是记者们在笔下展现出了对未来的狂热展望，在现实中依旧存在着大量的挑战，组织机构必须克服它们，才能够真正乘上这次技术演进的东风。挑战组织机构必须聚焦于：了解产品技术和IT领域中，企业能力的相对成熟度；了解可以纳入哪些类型的IoT功能，以及新能力将会在哪些方面对客户价值带来影响；了解机器学习和预测分析模型的角色；基于市场变化的迅捷程度和竞争对手的相对敏捷度，重新思考业务模型和价值链。接下来，让我们对这些挑战逐一进行更详细地分析。理解产品和IT成熟度可以从产品和IT两个维度分别进行分析。首先，产品组合的成熟度如何？它是属于变更较缓慢且逐步演进的传统类型的产品，还是属于前进速度更快，同时具有更复杂生态系统的产品？矿产设备在技术上非常复杂。并且，与科学研究仪器相比，它拥有更为漫长的设备生命周期，和相对更缓慢的演进速度。然而，这并不意味着科研仪器的公司，在利用IoT产品进行系统优化方面更具优势。另一个需要考虑的因素是IT流程的成熟度。各种类型的组织机构都可能会因采用IoT而获益；然而，要想达成这一目标，它们所需采用的模型却各不相同。让我们进一步分析一下IT成熟度水平这个因素。举例来说，科学研究仪器供应商或许拥有先进技术，但却可能缺乏强有力的IT架构、流程和IT治理能力。与之相反，矿业设备制造商或许拥有非常成熟的内部IT流程。对科学研究仪器公司而言，IoT将让它们能够对安置在现场的仪器设备进行功能升级；但面对由多种类型设备组成的实验室信息生态系统库，公司并不一定愿意尝试去进行优化。（当然，以IT作为成本中心——例如内部IT管理——方面的成熟度不足，并不等于以IT作为利润中心——例如IT产品——方面成熟度的缺失；但当开发或拓展IT服务的时候，许多组织机构都选择在现有的基础IT能力之上构建。）在去年的哈佛商业评论（Harvard Business Review）中，讨论了一个矿业设备领域的例子：Joy Global是一家矿业设备制造商，其专家团队横跨与采矿作业相关的多种系统和流程。Joy Global以此为依托，针对来自多家供货商的一系列设备，提供监控、维护和优化的服务4。了解IoT能力接下来，应该考虑一下使用智能联网设备中的哪些能力。刚刚提到的哈佛商业评论刊登的文章4指出，IoT包含四种类型的能力：监视——传感器提供关于运行环境、产品使用和性能方面的数据；控制——可以控制并定制个性化产品功能；优化——来自监视与控制的反馈回路，能够提供更高的效率、更好的性能、预防性维护，以及诊断和修复；自治——监视、控制和优化将支持独立运行、不同系统间的协作、与环境交互、个性化、补给，以及自我诊断和修复。这四个层级的能力，将为重新定义供应链并重新配置价值链提供支持。我们不应该抱有产品的功能应固定不变的观点；相反，我们应该认为它们将更具灵活性和适应性。那些智能联网设备和产品将具有可变特性，并能够随着用户需求的变化而改变。在数年以前，软件制造商就已经认识到了这一点。而现在，物理对象也正在逐渐转变为软件驱动功能的载体或容器。上述这些层级的能力要求越来越精密的数据分析方法——从收集和应用数据，到支持算法自身运用数据并在同时进行学习。第一个层级的能力——监视——将成为一套实时的机制，我们可以运用它更好地了解现场情况和用户需求，并提供新的能力。这意味着组织机构的传统产品和服务将不再泾渭分明，而且二者的边界将彼此渗透。在过去，现场设备的维护由某个现场服务承包公司承担，设备制造商的业务并不涉及此环节。而在智能设备与监视能力结合后，设备可以在故障发生前将所需的服务提前告知制造商。同时，设备制造商也可以将常规维护纳入自己的服务范畴。不过，如果利润和物流对组织机构而言是个问题的话，那么复杂的维修工作将依旧由专业承包商完成。这一“去中介化”(disintermediation)的模式也可以运用到分发链中。设备可以自动发起补充供应的请求，从而降低甚至消除供应链中的物流和库存压力。控制是建立在监视之上的更复杂的应用。我们可以监视设备运行情况，并通过控制设备的多个部分或多个系统，来扩展人工干预的边界。想象一下，在 *** 作大部分功能都是自动化执行的系统或机器时，人类所扮演的角色：人类指导机器运转，并寻找系统设计的时候没有预料到（或是基于经济划算的角度未设计应对预设）的边界条件、异常和例外。接下来，人类使用自己的判断做出变更、纠正或调整。我们并不需要（在空间上）与设备在一起，或许我们也无需实时监视它们（这取决于流程）。我们通过监视层面采集数据并进行处理（某些数据处理必须在特定时刻完成），并通过控制层面将这些数据实时（或准实时）地运用到设备或装置的运行上。需要组织机构做出的战略决策是，是否以及何时在产品中提供更多的控制能力，以及是将其作为一种服务向客户开放，还是让客户拥有这些功能。第三个层级的能力——优化——可以拓展到某个单体对象、一系列对象，或是一套由来自多家制造商、使用不同技术的对象组成的生态系统的表现方面。是否将提供的服务拓展到这一领域，取决于围绕着价值链和流程边界的知识和经验的水平。前面提到的矿业的例子，反映出Joy Global与供应商相比的优势，主要在于拥有在流程生态系统中更加聚焦的视角。以卡车制造商为例，它无法很好地优化复杂的矿业设备，但却会凭借对自己的一系列卡车（以及潜在的一系列其他制造商生产的卡车）进行优化而获益——如果行业动态确实具有商业意义的话。要将优化的范围延伸到独立运行，还需要对这三个层级的能力进行一些拓展，以支持与环境及其他系统进行受限程度更低的交互。自治要求围绕着算法提供更多的智能，以便应对计划外的情况——程序员和系统工程师未能明确设计这些情况下的方案。自主运行需要整合具有适应性的机器学习方法，以应对新出现的情况，并将之纳入到用于监视、控制和优化的核心算法中。了解分析和机器学习2014年11月，施乐公司帕洛阿尔托研究中心的Mike Kuniavsky在IDTechEx上进行了一场名为“IoT领域中预测分析方面的用户体验”的演讲。在演讲中他表示，我们应该将几乎所有功能都存放（或是在不久的将来存放）在云上。数据和功能可以从任何位置、通过任何设备访问。而专业设备则提供用户访问数据的环境。健康手环可以通过iPhone或笔记本电脑，在特定的锻炼环境中访问用户的身体健康数据。在这种情况下，健康手环扮演了IoT传感器的角色，同时也提供了访问和使用数据的一种途径，而且它还通过软件功能包含了其他一些设备（例如计步器）的能力。设备上产生的数据可以为厂家提供额外的洞见，帮助其了解消费者的使用情况和喜好，并藉此升级功能或开发新特性。如果汇聚来自用户群的数据并结合其他数据集，那么新的洞见可以阐明流行病方面的数据、人群活动水平、生活方式和人口统计数据。对市场人员、健康服务提供者、保险公司和政府机构来说，这些信息具有宝贵的价值。（当然，我们必须认真对待隐私和数据使用许可方面的责任。）我们可以使用机器学习算法，基于这些数据模式作出预测。例如，在一份来自Mayo Clinic的研究中，发掘出了活动数据与心脏病人恢复速度的相关性5。同样的机器学习和预测算法也是许多联网智能消费设备的基础。例如，Nest恒温器是一套能够使用数据模式的设备，它预测消费者对于某个特定房间、在一天中的某个特定时刻的温度要求。（另一个控制和优化的例子体现在聚居区的层面。在获得了业主许可的情况下，电力设施可以通过远程调节的方式，控制成百上千的Nest设备，将室温调高或调低几度，从而完成高峰期的用能负载调度）。这类消费设备涵盖了从声音模式（例如亚马逊的个人助理输入设备Echo6）到更复杂的行为和活动模式（例如捷豹的路虎监视系统，它依赖于一套复杂的软件系统，该系统让汽车能够学习、预测和检查，并提醒车上的乘客帮助驾驶员自动委派次要任务，以便驾驶员将更多的注意力集中在驾驶上7）进行学习的范围。优化算法通过使用机器学习机制，来利用从动态环境下交互的传感器和智能设备传回的数据。算法不能基于特定的参数，精确地预测这些多变的情况，而是需要不断地感知、响应并适应。例如，随着汽车从驾驶员身上分担了更多的责任，它们需要与周边环境中更多的数据来源进行交互（传感器、灯光、其他车辆等等）。在工业自动化、物流和交通运输、电力网络与能源系统、交通管理、安全系统以及其他“系统的系统”等领域中的各类应用，都将让机器直接与其他机器进行交流。此外，这些应用还将基于能够演进和自适应的算法，帮助机器翻译数据流，从而使机器能够依据给定的运行参数达到要求的最终状态。反思业务模型和价值链智能联网设备要求组织机构重新检视，它们处在市场中的什么位置、以什么方式创造价值，以及这些价值将如何随着竞争环境和信息生态系统的演进而增加或减少。分析将帮助验证某些决策（例如，在对特性进行变更或是增加服务和功能后，获得实时使用数据）；不过，市场新进入者和新的价值链结构或许会对业务模式带来巨大的转变，而基于公司传统业务模式做出的分析将不再具有相关性。因此，产品或服务的基础，或许会转变为来自传统产品的数据流，而不是来自产品本身的收入。新的业务模式将得以延展，甚至有可能远远超出产品本身的范畴，覆盖上游供应商或下游消费者。最重要的是，所有这些可能性，都会要求组织机构拥有围绕着其内部数据健康度和用于分析的基础设施的基础能力：数据“打捞”（curation）、所有制和质量标准、具有一致性的企业架构、干净整洁地集成在一起的系统、自动化的数据载入流程，以及成熟的分析专家。如果欠缺或未能有效管理这些基础条件，组织机构将很难进行快速反应，并演化出新的分析和数据管理功能与能力。IoT将基于数据流和复杂的方法，从信息中获取洞见，并通过与企业知识整合，将之运用到价值创造方面。而不具备这些能力的组织机构将在市场上落后，或是降级到低价值、低利润的层次。数据被称为“新的石油”——我们可以拓展这一比喻，这意味着通过分析能力中的知识提炼环节，数据将被精炼为高价值产品。组织机构现在就需要在构建此类基础设施的方面投入资源，以便为接下来数年中应对供应链和价值创造环节的转型、扰动和颠覆做好准备。信息敏捷性将成为必备的核心能力。

---