如何利用hadhoop构建物联网平台

常见的大数据术语表(中英对照简版)：
A
聚合(Aggregation) – 搜索、合并、显示数据的过程
算法(Algorithms) – 可以完成某种数据分析的数学公式
分析法(Analytics) – 用于发现数据的内在涵义
异常检测(Anomaly detection) –
在数据集中搜索与预期模式或行为不匹配的数据项。除了“Anomalies”,用来表示异常的词有以下几种：outliers, exceptions,
surprises, contaminants他们通常可提供关键的可执行信息
匿名化(Anonymization) – 使数据匿名，即移除所有与个人隐私相关的数据
应用(Application) – 实现某种特定功能的计算机软件
人工智能(Artificial Intelligence) –
研发智能机器和智能软件，这些智能设备能够感知周遭的环境，并根据要求作出相应的反应，甚至能自我学习
B
行为分析法(Behavioural Analytics) –
这种分析法是根据用户的行为如“怎么做”，“为什么这么做”，以及“做了什么”来得出结论，而不是仅仅针对人物和时间的一门分析学科，它着眼于数据中的人性化模式
大数据科学家(Big Data Scientist) – 能够设计大数据算法使得大数据变得有用的人
大数据创业公司(Big data startup) – 指研发最新大数据技术的新兴公司
生物测定术(Biometrics) – 根据个人的特征进行身份识别
B字节 (BB: Brontobytes) – 约等于1000 YB(Yottabytes)，相当于未来数字化宇宙的大小。1
B字节包含了27个0!
商业智能(Business Intelligence) – 是一系列理论、方法学和过程，使得数据更容易被理解
C
分类分析(Classification analysis) – 从数据中获得重要的相关性信息的系统化过程; 这类数据也被称为元数据(meta
data),是描述数据的数据
云计算(Cloud computing) – 构建在网络上的分布式计算系统，数据是存储于机房外的(即云端)
聚类分析(Clustering analysis) –
它是将相似的对象聚合在一起，每类相似的对象组合成一个聚类(也叫作簇)的过程。这种分析方法的目的在于分析数据间的差异和相似性
冷数据存储(Cold data storage) – 在低功耗服务器上存储那些几乎不被使用的旧数据。但这些数据检索起来将会很耗时
对比分析(Comparative analysis) – 在非常大的数据集中进行模式匹配时，进行一步步的对比和计算过程得到分析结果
复杂结构的数据(Complex structured data) –
由两个或多个复杂而相互关联部分组成的数据，这类数据不能简单地由结构化查询语言或工具(SQL)解析
计算机产生的数据(Computer generated data) – 如日志文件这类由计算机生成的数据
并发(Concurrency) – 同时执行多个任务或运行多个进程
相关性分析(Correlation analysis) – 是一种数据分析方法，用于分析变量之间是否存在正相关，或者负相关
客户关系管理(CRM: Customer Relationship Management) –
用于管理销售、业务过程的一种技术，大数据将影响公司的客户关系管理的策略
D
仪表板(Dashboard) – 使用算法分析数据，并将结果用图表方式显示于仪表板中
数据聚合工具(Data aggregation tools) – 将分散于众多数据源的数据转化成一个全新数据源的过程
数据分析师(Data analyst) – 从事数据分析、建模、清理、处理的专业人员
数据库(Database) – 一个以某种特定的技术来存储数据集合的仓库
数据库即服务(Database-as-a-Service) – 部署在云端的数据库，即用即付，例如亚马逊云服务(AWS: Amazon Web
Services)
数据库管理系统(DBMS: Database Management System) – 收集、存储数据，并提供数据的访问
数据中心(Data centre) – 一个实体地点，放置了用来存储数据的服务器
数据清洗(Data cleansing) – 对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性
数据管理员(Data custodian) – 负责维护数据存储所需技术环境的专业技术人员
数据道德准则(Data ethical guidelines) – 这些准则有助于组织机构使其数据透明化，保证数据的简洁、安全及隐私
数据订阅(Data feed) – 一种数据流，例如Twitter订阅和RSS
数据集市(Data marketplace) – 进行数据集买卖的在线交易场所
数据挖掘(Data mining) – 从数据集中发掘特定模式或信息的过程
数据建模(Data modelling) – 使用数据建模技术来分析数据对象，以此洞悉数据的内在涵义
数据集(Data set) – 大量数据的集合
数据虚拟化(Data virtualization) –
数据整合的过程，以此获得更多的数据信息，这个过程通常会引入其他技术，例如数据库，应用程序，文件系统，网页技术，大数据技术等等
去身份识别(De-identification) – 也称为匿名化(anonymization)，确保个人不会通过数据被识别
判别分析(Discriminant analysis) –
将数据分类;按不同的分类方式，可将数据分配到不同的群组，类别或者目录。是一种统计分析法，可以对数据中某些群组或集群的已知信息进行分析，并从中获取分类规则。
分布式文件系统(Distributed File System) – 提供简化的，高可用的方式来存储、分析、处理数据的系统
文件存贮数据库(Document Store Databases) – 又称为文档数据库(document-oriented database),
为存储、管理、恢复文档数据而专门设计的数据库，这类文档数据也称为半结构化数据
E
探索性分析(Exploratory analysis) –
在没有标准的流程或方法的情况下从数据中发掘模式。是一种发掘数据和数据集主要特性的一种方法
E字节(EB: Exabytes) – 约等于1000 PB(petabytes), 约等于1百万 GB。如今全球每天所制造的新信息量大约为1
EB
提取-转换-加载(ETL: Extract, Transform and Load) –
是一种用于数据库或者数据仓库的处理过程。即从各种不同的数据源提取(E)数据，并转换(T)成能满足业务需要的数据，最后将其加载(L)到数据库
F
故障切换(Failover) – 当系统中某个服务器发生故障时，能自动地将运行任务切换到另一个可用服务器或节点上
容错设计(Fault-tolerant design) – 一个支持容错设计的系统应该能够做到当某一部分出现故障也能继续运行
G
游戏化(Gamification) –
在其他非游戏领域中运用游戏的思维和机制，这种方法可以以一种十分友好的方式进行数据的创建和侦测，非常有效。
图形数据库(Graph Databases) –
运用图形结构(例如，一组有限的有序对，或者某种实体)来存储数据，这种图形存储结构包括边缘、属性和节点。它提供了相邻节点间的自由索引功能，也就是说，数据库中每个元素间都与其他相邻元素直接关联。
网格计算(Grid computing) – 将许多分布在不同地点的计算机连接在一起，用以处理某个特定问题，通常是通过云将计算机相连在一起。
H
Hadoop – 一个开源的分布式系统基础框架，可用于开发分布式程序，进行大数据的运算与存储。
Hadoop数据库(HBase) – 一个开源的、非关系型、分布式数据库，与Hadoop框架共同使用
HDFS – Hadoop分布式文件系统(Hadoop Distributed File
System);是一个被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统
高性能计算(HPC: High-Performance-Computing) – 使用超级计算机来解决极其复杂的计算问题
I
内存数据库(IMDB: In-memory) –
一种数据库管理系统，与普通数据库管理系统不同之处在于，它用主存来存储数据，而非硬盘。其特点在于能高速地进行数据的处理和存取。
物联网(Internet of Things) – 在普通的设备中装上传感器，使这些设备能够在任何时间任何地点与网络相连。
J
法律上的数据一致性(Juridical data compliance) –
当你使用的云计算解决方案，将你的数据存储于不同的国家或不同的大陆时，就会与这个概念扯上关系了。你需要留意这些存储在不同国家的数据是否符合当地的法律。
K
键值数据库(KeyValue Databases) –
数据的存储方式是使用一个特定的键，指向一个特定的数据记录，这种方式使得数据的查找更加方便快捷。键值数据库中所存的数据通常为编程语言中基本数据类型的数据。
L
延迟(Latency) – 表示系统时间的延迟
遗留系统(Legacy system) – 是一种旧的应用程序，或是旧的技术，或是旧的计算系统，现在已经不再支持了。
负载均衡(Load balancing) – 将工作量分配到多台电脑或服务器上，以获得最优结果和最大的系统利用率。
位置信息(Location data) – GPS信息，即地理位置信息。
日志文件(Log file) – 由计算机系统自动生成的文件，记录系统的运行过程。
M
M2M数据(Machine2Machine data) – 两台或多台机器间交流与传输的内容
机器数据(Machine data) – 由传感器或算法在机器上产生的数据
机器学习(Machine learning) –
人工智能的一部分，指的是机器能够从它们所完成的任务中进行自我学习，通过长期的累积实现自我改进。
MapReduce – 是处理大规模数据的一种软件框架(Map: 映射，Reduce: 归纳)。
大规模并行处理(MPP: Massively Parallel Processing) –
同时使用多个处理器(或多台计算机)处理同一个计算任务。
元数据(Metadata) – 被称为描述数据的数据，即描述数据数据属性(数据是什么)的信息。
MongoDB – 一种开源的非关系型数据库(NoSQL database)
多维数据库(Multi-Dimensional Databases) – 用于优化数据联机分析处理(OLAP)程序，优化数据仓库的一种数据库。
多值数据库(MultiValue Databases) – 是一种非关系型数据库(NoSQL),
一种特殊的多维数据库：能处理3个维度的数据。主要针对非常长的字符串，能够完美地处理HTML和XML中的字串。
N
自然语言处理(Natural Language Processing) –
是计算机科学的一个分支领域，它研究如何实现计算机与人类语言之间的交互。
网络分析(Network analysis) – 分析网络或图论中节点间的关系，即分析网络中节点间的连接和强度关系。
NewSQL – 一个优雅的、定义良好的数据库系统，比SQL更易学习和使用，比NoSQL更晚提出的新型数据库
NoSQL –
顾名思义，就是“不使用SQL”的数据库。这类数据库泛指传统关系型数据库以外的其他类型的数据库。这类数据库有更强的一致性，能处理超大规模和高并发的数据。
O
对象数据库(Object Databases) –
(也称为面象对象数据库)以对象的形式存储数据，用于面向对象编程。它不同于关系型数据库和图形数据库，大部分对象数据库都提供一种查询语言，允许使用声明式编程(declarative
programming)访问对象
基于对象图像分析(Object-based Image Analysis) –
数字图像分析方法是对每一个像素的数据进行分析，而基于对象的图像分析方法则只分析相关像素的数据，这些相关像素被称为对象或图像对象。
*** 作型数据库(Operational Databases) –
这类数据库可以完成一个组织机构的常规 *** 作，对商业运营非常重要，一般使用在线事务处理，允许用户访问 、收集、检索公司内部的具体信息。
优化分析(Optimization analysis) –
在产品设计周期依靠算法来实现的优化过程，在这一过程中，公司可以设计各种各样的产品并测试这些产品是否满足预设值。
本体论(Ontology) – 表示知识本体，用于定义一个领域中的概念集及概念之间的关系的一种哲学思想。(译者注:
数据被提高到哲学的高度，被赋予了世界本体的意义，成为一个独立的客观数据世界)
异常值检测(Outlier detection) –
异常值是指严重偏离一个数据集或一个数据组合总平均值的对象，该对象与数据集中的其他它相去甚远，因此，异常值的出现意味着系统发生问题，需要对此另加分析。
P
模式识别(Pattern Recognition) – 通过算法来识别数据中的模式，并对同一数据源中的新数据作出预测
P字节(PB: Petabytes) – 约等于1000 TB(terabytes), 约等于1百万 GB
(gigabytes)。欧洲核子研究中心(CERN)大型强子对撞机每秒产生的粒子个数就约为1 PB
平台即服务(PaaS: Platform-as-a-Service) – 为云计算解决方案提供所有必需的基础平台的一种服务
预测分析(Predictive analysis) –
大数据分析方法中最有价值的一种分析方法，这种方法有助于预测个人未来(近期)的行为，例如某人很可能会买某些商品，可能会访问某些网站，做某些事情或者产生某种行为。通过使用各种不同的数据集，例如历史数据，事务数据，社交数据，或者客户的个人信息数据，来识别风险和机遇
隐私(Privacy) – 把具有可识别出个人信息的数据与其他数据分离开，以确保用户隐私。
公共数据(Public data) – 由公共基金创建的公共信息或公共数据集。
Q
数字化自我(Quantified Self) – 使用应用程序跟踪用户一天的一举一动，从而更好地理解其相关的行为
查询(Query) – 查找某个问题答案的相关信息
R
再识别(Re-identification) – 将多个数据集合并在一起，从匿名化的数据中识别出个人信息
回归分析(Regression analysis) –
确定两个变量间的依赖关系。这种方法假设两个变量之间存在单向的因果关系(译者注：自变量，因变量，二者不可互换)
RFID – 射频识别; 这种识别技术使用一种无线非接触式射频电磁场传感器来传输数据
实时数据(Real-time data) – 指在几毫秒内被创建、处理、存储、分析并显示的数据
推荐引擎(Recommendation engine) – 推荐引擎算法根据用户之前的购买行为或其他购买行为向用户推荐某种产品
路径分析(Routing analysis) –
针对某种运输方法通过使用多种不同的变量分析从而找到一条最优路径，以达到降低燃料费用，提高效率的目的
S
半结构化数据(Semi-structured data) –
半结构化数据并不具有结构化数据严格的存储结构，但它可以使用标签或其他形式的标记方式以保证数据的层次结构
情感分析(Sentiment Analysis) – 通过算法分析出人们是如何看待某些话题
信号分析(Signal analysis) – 指通过度量随时间或空间变化的物理量来分析产品的性能。特别是使用传感器数据。
相似性搜索(Similarity searches) – 在数据库中查询最相似的对象，这里所说的数据对象可以是任意类型的数据
仿真分析(Simulation analysis) –
仿真是指模拟真实环境中进程或系统的 *** 作。仿真分析可以在仿真时考虑多种不同的变量，确保产品性能达到最优
智能网格(Smart grid) – 是指在能源网中使用传感器实时监控其运行状态，有助于提高效率
软件即服务(SaaS: Software-as-a-Service) – 基于Web的通过浏览器使用的一种应用软件
空间分析(Spatial analysis) – 空间分析法分析地理信息或拓扑信息这类空间数据，从中得出分布在地理空间中的数据的模式和规律
SQL – 在关系型数据库中，用于检索数据的一种编程语言
结构化数据(Structured data)
-可以组织成行列结构，可识别的数据。这类数据通常是一条记录，或者一个文件，或者是被正确标记过的数据中的某一个字段，并且可以被精确地定位到。
T
T字节(TB: Terabytes) – 约等于1000 GB(gigabytes)。1 TB容量可以存储约300小时的高清视频。
时序分析(Time series analysis) –
分析在重复测量时间里获得的定义良好的数据。分析的数据必须是良好定义的，并且要取自相同时间间隔的连续时间点。
拓扑数据分析(Topological Data Analysis) –
拓扑数据分析主要关注三点：复合数据模型、集群的识别、以及数据的统计学意义。
交易数据(Transactional data) – 随时间变化的动态数据
透明性(Transparency) – 消费者想要知道他们的数据有什么作用、被作何处理，而组织机构则把这些信息都透明化了。
U
非结构化数据(Un-structured data) – 非结构化数据一般被认为是大量纯文本数据，其中还可能包含日期，数字和实例。
V
价值(Value) – (译者注：大数据4V特点之一)
所有可用的数据，能为组织机构、社会、消费者创造出巨大的价值。这意味着各大企业及整个产业都将从大数据中获益。
可变性(Variability) – 也就是说，数据的含义总是在(快速)变化的。例如，一个词在相同的推文中可以有完全不同的意思。
多样(Variety) – (译者注：大数据4V特点之一)
数据总是以各种不同的形式呈现，如结构化数据，半结构化数据，非结构化数据，甚至还有复杂结构化数据
高速(Velocity) – (译者注：大数据4V特点之一) 在大数据时代，数据的创建、存储、分析、虚拟化都要求被高速处理。
真实性(Veracity) – 组织机构需要确保数据的真实性，才能保证数据分析的正确性。因此，真实性(Veracity)是指数据的正确性。
可视化(Visualization) –
只有正确的可视化，原始数据才可被投入使用。这里的“可视化”并非普通的图型或饼图，可视化指是的复杂的图表，图表中包含大量的数据信息，但可以被很容易地理解和阅读。
大量(Volume) – (译者注：大数据4V特点之一) 指数据量，范围从Megabytes至Brontobytes
W
天气数据(Weather data) – 是一种重要的开放公共数据来源，如果与其他数据来源合成在一起，可以为相关组织机构提供深入分析的依据
X
XML数据库(XML Databases) –
XML数据库是一种以XML格式存储数据的数据库。XML数据库通常与面向文档型数据库相关联，开发人员可以对XML数据库的数据进行查询，导出以及按指定的格式序列化
Y
Y字节 (Yottabytes) – 约等于1000 ZB (Zettabytes),
约等于250万亿张DVD的数据容量。现今，整个数字化宇宙的数据量为1 YB, 并且将每18年翻一番。
Z
Z字节 (ZB: Zettabytes) – 约等于1000 EB (Exabytes), 约等于1百万
TB。据预测，到2016年全球范围内每天网络上通过的信息大约能达到1 ZB。
附：存储容量单位换算表：
1 Bit(比特) = Binary Digit
8 Bits = 1 Byte(字节)
1,000 Bytes = 1 Kilobyte
1,000 Kilobytes = 1 Megabyte
1,000 Megabytes = 1 Gigabyte
1,000 Gigabytes = 1 Terabyte
1,000 Terabytes = 1 Petabyte
1,000 Petabytes = 1 Exabyte
1,000 Exabytes = 1 Zettabyte
1,000 Zettabytes = 1 Yottabyte
1,000 Yottabytes = 1 Brontobyte
1,000 Brontobytes = 1 Geopbyte

近3年，伴随着传感器精度的提高,大数据、机器视觉、机器学习等领域的高速发展,智慧农业商业化的时间点已经来临,行业龙头和VC都在积极投资。根据中金公司智慧农业行业研究报告分析,预计到2020年,智慧农业的可及市场空间将超过800亿美元。其中以农业物联网应用的“精准农业”发展最为迅速。
“精准农业”主要是指:将传感器等硬件收集到的实时农作物、土壤、牲畜数据与天气、温度，湿度等环境数据相结合,利用分析软件对数据进行处理后,向农业用户提供更好的决策建议,达到节省资源、提高产量、降低风险等一系列目的。具体应用包括精准种植、精准灌溉、精准施肥、精准农药喷洒等。该部分在智慧农业中市场规模最大、商业化最成熟,根据MarketsAndMarkets预计，到2022年精准农业可及市场空间将超过200亿美元。
可根据个人或企业的种植园区或种植基地的实际情况，选择适合园区或基地本身的农业物联网解决方案，如果只是针对生产过程，可选农业远程智能监控房方案；如果针对农产品，可选择农产品溯源，如果需要综合考虑，可选择智慧农业云平台等方案，智慧农业解决方案提供商也会到实地进行考察，给出相关的建议。

亿邦动力讯如何把实体零售做到万物互联？有人说，关键在于人人在线和物物在线。人人在线，讲的是顾客在线、员工在线、合作伙伴在线；物物在线讲的是门店的所有设备在线、管理在线、事事在线、运营端所有工作任务在线。在万物在线的基础上，才能实现线上线下一体化。

要实现这俩“在线”，离不开物联网的普及。伴随着新零售终端的兴起，相关供应链服务的完善，意味着无人店、智能新终端正演变成未来实体商业最具前景、最有潜力的业务板块之一。

新零售、无人零售，这些概念，其本质都是：实现智能化从而导致数字化，其最核心的技术依赖于物联网技术。

作为京东方集团旗下专注于产业数字化解决方案的 科技 公司，京东方数字 科技 有限公司（简称“京东方数科”）正在让每一件线下实体商品“实时在线”，旨在成为国内新零售、智慧物流领域的领导者。

目前京东方数科已为全球超过250家知名零售商提供零售物联网解决方案，国内先后服务了阿里、京东、阿迪、安踏、屈臣氏、华润、沃尔玛、苏宁等50余家国内知名品牌，提供零售物联网的软硬融合解决方案；国际上与亚马逊、沃尔玛、家乐福、Monoprix、Casino、Ikea、Euronics等知名零售商合作，大幅提升了零售商的运营效率。

受访公司： 京东方数字 科技 有限公司；

受访者及Title： 白峰，京东方 科技 集团有限公司副总裁，京东方数字 科技 有限公司CEO；

所属行业： 物联网行业；

亿邦产业： 您认为本行业数字化处于什么水平，发展趋势如何，能否从定性和定量两个维度做判断？

白峰： 目前中国实体零售进入了前所未有的寒冬期，受社区团购、线上电商等多重打压，客流量持续下滑，绝大部分商超出现大幅亏损。同时，当下实体零售企业的数字化水平整体还是很低的，有些甚至只是一种表层的数字化，认为开发一款线上电商APP或者打通到家业务就是实现了数字化，这种理解还是比较肤浅。痛定思痛，进行深层次的数字化变革，借助数字化手段提升效率，回归到零售本质目前看是解决实体零售问题的重要手段。数字化提供了一种方法论和思维方式，真正实现以消费者为中心，使场与商品匹配，使商品与消费者匹配，彻底回归零售本质。

亿邦产业： 您的企业在产业数字化方面的价值主要表现在哪些方面，具体有哪些产品和服务？

白峰： 零售业的数字化转型，重点在客户行为的数字化和产品信息的数字化两个领域。客户行为的数字化，主要以保证良好用户体验为前提，将客户在线下选买全过程进行数字化捕捉与录入；产品信息的数字化，主要在于产品信息的录入、展示与动态管理，具有广泛的市场前景。核心数据的采集需要以电子价签及智能显示系统为核心硬件构建的软硬融合整体解决方案来实现，零售业智能化升级市场潜力巨大。目前我们已为全球超过250家知名零售商提供零售物联网解决方案，先后服务了阿里、京东、阿迪、安踏、屈臣氏、华润、沃尔玛、苏宁、家乐福等知名品牌，并为超过30000余家门店提供了基于数字化平台的智能变价系统、货架管理系统、信息发布系统、辅助拣货系统等解决方案，大幅提升了零售商的运营效率。

亿邦产业： 你们对工厂或者其他产业链合作伙伴的数字化改造/赋能切入点是什么？越具体越好，为什么要做这些改造，合作伙伴为什么愿意接受你们的数字化改造？能否结合一个或者几个案例谈谈。

白峰： 京东方数科利用人工智能、大数据等技术，依托电子价签，智能商业显示终端等打造业务服务运营平台，为线下零售企业提供“硬件产品+软件平台+场景应用”的整体数字化解决方案，提升线下零售企业的运营效率。具体包括如下几种解决方案：

智能变价系统：这套系统依托电子价签和Jeegy信发系统可以实现数万个价签的自动变价。目前越来越多的线下零售业利用价格进行促销，特别是生鲜类产品，一天内需要进行几次价格的调整。然而，传统的纸质价签更换不仅时效差，而且又会造成大量的纸张浪费，甚至还会有展示价格和系统价格不符的“价签门”风险。使用京东方数科的智能变价系统后完全解决了以上问题，目前这套系统还可以利用大数据，譬如根据客流、天气、时段等实现最优定价并通过价签进行展示，大大提升门店定价效率。

辅助拣货系统：目前越来越多的门店对接了到家业务，如何快速、准确的进行店内拣货是门店面临的一个很头疼的问题。之前的方案是店员按照订单要求走到货架后进行寻找并反复对比以免拿错货物，时效性很差。我们做过测试，一般来说一个订单的拣货速度在30分钟左右。京东方的这套辅助拣货系统，利用信息发布系统和电子价签上的智能LED显示系统，当店员收到客户订单后，相应产品所在货架上的价签就会按照一定规则进行闪烁，店员只需看哪里闪灯就在哪里进行拣货就行，既避免了取错货物又提升了拣货效率，拣货速度从之前的30分钟缩减到15分钟左右。

货架管理系统：这套系统以电子价签，智能摄像头，商显大屏等为核心硬件，同时利用京东方自研的图像识别系统，可以实现货架管理缺货的预提醒。这套系统的核心是京东方具有核心专利的Captana系统，将价签上的LED进行闪烁编码，输出一串二进制代码进行商品标识，类似于给每个SKU标识一个身份z。这样通过识别这套身份z可以实现产品的快速识别，再结合摄像头和图像识别系统可以提前进行缺货或少货提醒，减少门店的货架空置率。这套系统也获得了CCFA年度供应链大奖。

亿邦产业： 您如何理解数据、算法及AI在本行业产业数字化中的应用？在贵企业有哪些具体的应用和效益？

白峰： 数据是数字化的基础，算法和AI是数字化的手段。从上面举例的这些系统解决方案来看全部都会运用到这些核心技术，同时收益也是非常显著的。

亿邦产业： 能否描述一下贵公司用数字化系统连接的产业生态，都有哪些角色，如何驱动生态伙伴之间的合作？

白峰： 京东方数科智慧零售数字化系统IaaS层基于AIoT智能硬件以及云计算和加密系统；PaaS层聚焦在客户精准画像、多维可视化看板以及全流程监控运维等；SaaS层则聚焦场景应用，提供包括智能变价系统、辅助拣货系统、会员营销系统、货架/库存管理系统等。

亿邦产业： 能否用一两句话描述贵公司的定位，描述贵公司的产业数字化价值，描述企业资本市场想像空间？

白峰： 京东方数科是京东方集团旗下提供零售物联网解决方案的 科技 公司，致力于 科技 赋能零售。其核心业务是利用人工智能、大数据等技术，依托电子价签，智能商业显示终端等打造业务服务运营平台，为线下零售企业提供“硬件产品+软件平台+场景应用”的整体数字化解决方案，帮助线下零售企业提升运营效率。

亿邦产业： 在其中承担什么角色？

白峰： 数字化是帮助线下零售企业摆脱当前困境，涅槃重生的重要手段。我相信线下实体店一定会长期存在，但确实到需要做大手术，大变革的时候了。数字化就是变革的一个重要手段，前面也说到了，低层次的数字化救不了零售企业，现在需要的以客户体验和运营效率为核心的深度数字化变革，回归到零售业本质的数字化变革。运用数字化手段对原有企业的运营流程进行简化、优化、一体化，把智能选址、订货系统、库存管理、商品管理、会员管理、员工管理整个运营体系通过数字化打通形成一个整体，我相信线下实体零售的生命力很快会回来。京东方目前是全球最大的智慧零售实体店解决方案提供商，依托自研的物联网核心器件，结合AI及大数据处理能力为线下实体店提供基于场景的软硬融合系统，包括智能变价系统、辅助拣货系统、会员营销系统、货架/库存管理系统等。目前已为全球250多家品牌，超过3万家门店提供了服务，包括沃尔玛、亚马逊、京东、阿迪达斯、屈臣氏、安踏、华润、小米等国际国内知名企业。

物联网从提出到发展到进来也已经有了十多年，另外从零星的设备接入，到现在的万物互联，涉及的领域非常广泛。

一、智慧物流

1、仓库储存：通常采用基于LORA、NB-LOT等传输网络的物联网仓库管理信息系统，完成收货入库、盘点调拨、拣货出库以及整个系统的数据查询、备份、统计、报表生产及报表管理等任务。

2、运输监测：实时监测货物运输中的车辆行驶情况以及货物运输情况，包括货物位置、状态环境以及车辆的油耗、油量、车速及刹车次数等驾驶行为。

3、智能快递柜：将云计算和物联网等技术结合，实现快件存取和后台中心数据处理，通过RFID或摄像头实时采集、监测货物收发等数据。

二、智能交通

1、智能公交车：结合公交车辆的运行特点， 建设公交智能调度系统， 对线路、车辆进行规划调度， 实现智能排班。

2、共享单车：运用带有GPS 或NB-IoT 模块的智能锁， 通过APP 相连， 实现精准定位、实时掌控车辆状态等。

3、汽车联网：利用先进的传感器及控制技术等实现自动驾驶或智能驾驶， 实时监控车辆运行状态， 降低交通事故发生率。

4、智慧停车：通过安装地磁感应， 连接进入停车场的智能手机， 实现停车自动导航、在线查询车位等功能。

5、智能红绿灯：依据车流量， 行人及天气等情况， 动态调控灯信号， 来控制车流， 提高道路承载力。

6、汽车电子标识：采用RFID技术， 实现对车辆身份的精准识别、车辆信息的动态采集等功能。

7、充电桩：通过物联网设备， 实现充电桩定位、充放电控制、状态监测及统一管理等功能。

8、高速无感收费：通过摄像头识别车牌信息， 根据路径信息进行收费， 提高通行效率、缩短车辆等候时间等。

三、智能安防

1、门禁系统：主要以感应卡式，指纹，虹膜以及面 部识别等为主，有安全、便捷和高效 的特点，能联动视频抓拍、远程开门、手机位置探测及轨迹分析等。

2、报警系统：主要通过报警主机进行报警，同时，部分研发厂商会将语音模块以及网络控制模块置于报警主机中，缩短报警反映时间。

3、监控系统：主要以视频为主，分为警用和民用市场 。通过视频实时监控，使用摄像头进行抓拍 记录，将视频和进行数据存储和分析， 实时监测、确保安全。

四、智慧能源

1、智能水表：可利用先进的NB-loT技术，远程采集用水量， 以及提供用水提醒等服务。

2、智能电表：自动化信息化的新型电表， 具有远程监测用电情况， 并及时反馈等功能。

3、智能燃气表：通过网络技术， 将用气量传输到燃气集团，无需入户抄表，且能显示燃气用量及用气时间等数据。

4、智慧路灯：通过搭载传感器等设备， 实现远程照明控制以及故障自动报警等功能。

五、智能医疗

1、医疗可穿戴：通过传感器采集人体及周边环境的参数， 经传输网络，传到云端，数据处理后，反馈给用户。

2、数字化医院：将传统的医疗设备进行数字化改造，实现了数字化设备远程管理、远程监控以及电子病历查阅等功能。

六、智慧建筑

物联网应用于建筑领域，主要体现在用电照明、消防监测以及楼宇控制等。

七、智能制造

主要体现在数字化以及智能化的工厂改造上，包括工厂机械设备监控和工厂的环境监控。

八、智能家居

1、单品连接：这个阶段是将各个产品通过传输网络，如WiFi、蓝牙、ZigBee等进行连接，对每个单品单独控制。

2、物物联动：目前，各个智能家居企业将自家的所有产品进行联网、系统集成，使得各产品间能联动控制，但不同的企业单品还不能联动。

3、平台集成：这是智能家居发展的最终阶段，根据统一的标准，使各企业单品能相互兼容，目前还没有发展到这个阶段。

九、智能零售

1、自动售货机：自动售货机也叫无人售货机，分为单品售货机和多品售货机，通过物联网卡平台进行数据传输，客户验证，购物车提交，到扣款回执。

2、无人便利店：采用RFID技术，用户仅需扫码开门，便可进行商品选购，关门之后系统会自动识别所选商品，并自动完成扣款结算。

十、智慧农业

智慧农业指的是利用物联网、人工智能、大数据等现代信息技术与农业进行深度融合，实现农业生产全过程的信息感知、精准管理和智 能控制的一种全新的农业生产方式，可实现农业可视化诊断、远程控制以及灾害预警等功能。

来源：物联网在现实生活中的应用场景

---