
关于物联网,你别被这5个大数据忽悠了
但它的概念非常模糊。在一些谈话中,不同的参与者用“大数据”所表示的意思可能有以下三种:1.大量的数据;2.超出传统数据库功能的数据集;3.使用软件工具来分析前两个意义的数据集。
物联网最显著的效益就是它能极大地扩展我们监控和测量真实世界中发生的事情的能力。车间经理知道如果发动机发出呜呜声就说明出现了问题。一个有经验的房主知道烘干机的通风系统可能会被线头塞住,从而导致安全隐患。数据系统最终给予了我们精确理解这些问题的能力。
然而,挑战在于使这些让信息更有价值的系统和商业模型不断发展。想一下智能恒温器在峰值功率很紧张的情况下,公用事业单位和第三方能源服务企业想要每分钟准确更新能源消耗情况:通过精确调整能源并最大化节省能源,使得夏季普通的一天和节约用电的一天能够有明显的区别。但如果把时间缩短到午夜至凌晨四点间,对信息的需求就不是那么急迫了:数据主要在确定长期趋势时才能有价值。
现在从消费者的角度思考。15分钟的数据更新间隔都有可能导致超负荷。这不仅仅没有价值,还可能会造成贬低它价值的麻烦事。相反,消费者所需要的不过是一份能够指明一些趋势的月度总结表。
我经常跟人们讨论关于“数据价值”的挑战。下面的列表总结了数据的一般类别以及制造商和服务提供商所追求的机会。
五种大数据类型
状态数据
冷库中的空气压缩机是否正常运作?它们中是否有一个已经罢工了?不用担心,状态数据可以提供供应商和消费者关于物联网的实时动态数据。
状态数据是物联网数据中最普遍、最基础的一种。事实上所有事都会产生类似的数据,并把它作为基础。在许多市场中,状态数据更多地被用作进行更复杂分析的原材料,但它也具有它自身的重要价值。
看看Streetline是怎样找到停车位的——它创造了能够提醒订阅者空余车位的系统。当然,长期的数据能帮到城市规划者,但对于消费者来说,实时状态数据才是最重要的。
定位数据
我的货物到哪儿了?它到达目的地了吗?定位服务是GPS应用的必然趋势。GPS非常强大,但在室内、人潮拥挤的地方以及快速变化的环境中的效果并不明显。那些试图追踪托盘以及机械叉车的人可能会需要实时信息。
作为早期的物联网市场,农业领域也需要充分利用位置数据,因为农场主通常需要在很大的地理面积上定位自己的设备。我们已经看到了一些能够帮助人们定位钥匙的消费品的出现,这意味着在为商业和工业用户提供服务的领域存在着更大的市场,尤其是在时间紧迫时,这些领域有大量的资产需要追踪的情况下。Foursquare针对油漆仓库的发展就是抓住了这样一个巨大的机遇。
个性化数据
不要用个人数据来拒绝个性化数据。个性化数据指的是关于个人偏好的匿名数据。消费者自然会对自动化产生怀疑。因为一些住宅管理系统比起你的舒适更关心节省的成本,所以往往你不想困在一个昏暗的办公室或者冰冷的酒店客房。自动化技术同样也存在安全隐患。
尽管如此,自动化也是不可避免的。没有人会为了节省4.75美元而不停地用手指来试恒温器的温度。同样,那些依靠人工交互的照明系统也失败了(一些智能照明生产者希望用他们的传感器数据告诉商店的管理者何时应该打开结账通道)。挑战将围绕开发应用程序和产品规则而展开。
可供行为参考数据
把这个看作是有后续计划的状态数据。建筑物消耗了整个国家电力的73%,并且其中一大部分(根据EPA显示,最高达到30%)被浪费了。为什么呢?因为对于大多数建筑物的所有者来说:能源是次要的问题。他们虽也想解决这一问题,但担心成本、精力以及一些棘手的局面所产生的损失会超出收益。
对于这一问题相应地产生了两种方法:1.能够改变系统实时状态的自动化技术;2.能够使人们改变行为习惯或者做长线投资的说服力。Opower开创了关于说服力的解决方案,也就是提供用户及其邻里之间使用能源的对比数据。根据他们自己的研究,这些具有说服力的数据能使能耗降低2到3个百分点。
反馈数据
你了解你的顾客的真实想法吗?你也许认为你了解,但是你可能错了。在不远的将来,生产者还能分析从已销售的产品中获取的数据,从而更好地了解产品在现实世界中的使用情况。现在大部分公司并不太了解他们产品的使用状况。这些产品从分销商处装运,从零售商处销售,最后进入了千家万户。而使用者和生产者可能永远都不会有交集。
物联网创造了一个从消费者到生产者的反馈回路,在这里产品生产者可以通过适度水平的隐私、安全以及匿名性来检验产品的实际表现,并鼓励持续的产品改进和创新。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13