
从大数据养牛看物联网创业思维
“目前,人们对于大部分牲畜的健康、营养管理都是通过每天肉眼观察和经验来判断的。这是一种十分低效率的方法,因为当发现问题的时候纠正难度很大,并且代价高昂。”沃西说。
生死畜牧公司的做法是让牛吞下一个集成了各种传感器、芯片、通讯系统的长约4.5英寸的“电子药片”(ePill),“电子药片”进入牛的“瘤胃”(反刍动物4个胃中的第一个,也是最大的一个,主要作用是暂存饲料和微生物发酵)后停留下来,并由此开始不间断追踪牛的各种生命信息,包括心跳频率、体温、反刍时间、胃酸浓度、激素分泌等。
这些生命信息通过微波传送到附近的信息接收器,并发送到云端平台进行数据分析、处理。依据一定的标准,人们可以随时随地通过终端设备查看牛的体征动态,任何一头被追踪的牛出现异常系统就会报警。在大数据分析的基础上,人们甚至可以对牛的行为方式做出预测,饲养者也因此可以改善喂养、预防疾病和改进管理。
生死畜牧公司目前正在研发的首款产品面向乳制品生产商,通过对于奶牛的追踪,最终帮助生产商提升牛奶品质和产量。“我们预计今年下半年完成最后阶段的测试,并在年底前投入商业化运营,明年我们在乳制品行业的业务将全面铺开,”沃西透露说,自2012年4月公司成立以来,生死畜牧累积获得约130万美元天使投资,“此前我们对数千家乳制品生产商的调查显示,九成以上的调查者对我们的服务非常感兴趣。”
如果商业发展如沃西的期望,生死畜牧公司将步入一个前景广阔的大市场。据美国农业部的报告统计显示,美国每年有将近四百万的动物在乳肉生产过程中死亡,同时有更多数量的动物患病。这意味着美国乳肉制品生产商每年遭受数十亿美元的经济损失,包括收入损失、极高的治疗成本和喂养成本——这数十亿美元的损失恰恰就是生死畜牧公司的发展空间。
“我们将是全球首家真正开始对牛进行大规模数据监测的软件服务公司,与以往尝试这一领域的研究机构不同,我们可以把成本做得很低,甚至达到以往的1/20,”沃西说,“对于乳制品生产商来说,他们只要按年给每头被追踪的奶牛交纳几十美元的服务订阅费即可。”
沃西颇具开拓性的商业故事不仅给包括我在内的听众带来了很多乐趣,而且也引发了我对物联网创业的几点思考。
其一,物联网时代可能给创业者提供了创造前所未有的产品创新的可能,这些产品基本特征是结合了传感器和芯片。毫无疑问,生死畜牧公司的核心——“电子药片”是开创性的产品。这项技术的发明者是沃西的合作伙伴,曾经为美国军方所用,此后因为缺乏投入项目被剥离出来,因此成就了生死畜牧公司。
“未来每一件物体都可能被集成芯片,不管是家用电器,还是大型挖掘机,甚至灯泡,”PTC全球传播副总裁斯诺(Eric Snow)说,“这一变化会彻底改变产品设计、创新的理念和方式,因而给新进入者带来很多机会。”
其二,物联网创业不再是独立的行为,与传统领域的创业相比,它需要联合、利用更多生态资源、采纳更多开放式创新。以生死畜牧公司为例,集成了传感技术、通讯技术的“电子药片”是其核心专利,而要让大数据养牛真正能够帮助乳制品生产商,仅仅依靠“电子药片”显然是不够的——这将是一个庞大的工程,包括软件、通讯、云平台以及数据分析。
“我们最擅长的是‘电子药片’,对于创业公司来说,我们很灵活、快速,但我们缺乏资源,所以必须聚焦,不可能兼顾所有。对于商业的其他方面,我们采取了合作和借用现有平台的方式。”沃西解释说。正因为如此,已经创立2年多生死畜牧公司目前仍然是一个“轻公司”,除了两位创始团队成员外,其他10多位成员为根据项目推进需求组建的临时外聘专家团队,跨越软件、通讯、畜牧等领域。
云平台是生死畜牧商业模式的重要构成,而沃西选择了提供物联网应用软件服务的PTC旗下ThingWorx平台,一站式解决了信息采集后,传播、分析和分发的过程。“ThingWorx帮助我们以最高的效率、最合适的预算完成了商业架构。”沃西说。
其三,在商业模式上,服务将是提供物联网应用和解决方案的主要方式。对于生死畜牧公司来说,他们将不再满足于将一套硬件(“电子药片”及信息收发设备)叠加系统销售给乳制品或肉类生产商,而是抓住物联网时代商业变革的机会,提供持续的服务——通过服务获取源源不断的稳定收入。
从商业发展的角度来看,订阅服务将是未来商业模式发展的大趋势,因为它对于服务提供者和使用者是共赢的:既可以给用户带来更贴近需求的满足,也可以让服务提供商的商业更加稳健、可持续。由此看来,物联网商业的开启将是服务型模式推进的一个重大契机。
在中国,从2010年上海世博会开始,物联网热便悄然升温,但目前大多数应用仍然停留在概念阶段,并没有形成真正的商业。发展迟缓的原因是多重的,但缺乏有效的生态链条或许是阻碍有创新理念的创业公司发展的关键原因之一。ThingWorx目前正准备进入中国开拓业务,相信这将为完善中国物联网发展的生态链起到一定的推动作用。
对于中国的机会,沃西表示美国市场目前仍然会是生死畜牧公司专注的市场,但他已经注意到中国乳制品行业的广阔市场空间。“到技术和商业都成熟的时候,我们完全可以在全球各地复制我们的模式。”沃西说。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29