导  读

       物联网产生的数据正在逐步成为大数据的主力军，本文旨在探讨一个多数创新企业高管都十分关注的问题：如何沿着物联网数据链，一步一个脚印地将数据转换为可持续的商业价值？

       “虽然数据还没有被列入企业的资产负债表，但这只是一个时间问题。”

       ——《大数据时代》维克托·迈尔-舍恩伯格

       有人说，数据对社会的作用好比石油，也有人说，数据给社会带来的影响将超越石油，我认为都对。数据和石油都是推动社会变革的能量源泉，其产生和应用流程也如出一辙；然而，数据拥有众多石油所无可比拟的特质：可反复使用、可复制、可极速传输等，因而数据对社会的影响力将远远超越石油！

       不管怎么说，将数据比喻成石油是有助于更好地理解物联网数据链的来龙去脉的。恰好笔者曾在石油公司工作过，对石油的商业流程有所了解，[敏感词]就姑且从数据比作石油说起吧。

       石油在没有被开采之前，只是些沉淀在地壳的成分复杂的以碳氢化合物为主的混合物，然而一旦从地下喷薄而出、重见天日，经过提炼加工，就可以发挥多种用途，成为现代社会的各种必需品，比如，燃料（汽油、柴油等）、润滑油、化工原料、塑料制品等，其商业价值也被逐步展现得淋漓尽致。

       挖掘数据商业价值的过程，就好比提炼虚拟的数字石油。

图1：物联网数据链好比石油产销流程

       如图1所示，对物联网来说，挖掘数据价值也要从寻找数据矿藏开始，然后，通过不断提升采集、通信、存储及分析数据的能力，进一步将那些经过过滤分析的数据转换为能够体现企业优势的商业价值。这个过程便形成了一条类似于石油产销流程的数据链：数据采集（石油开采）、数据通信（石油运输）、数据存储与分析（石油储存与提炼）、应用与为转换为商业价值，如图2所示。

图2：物联网数据链示意图

       现实中，数据在应用和转换过程中还在产生新数据，这些新数据被实时反馈、回到起始阶段，与其它数据一起再次经历整个链条流程，从而形成一个与传统石油“生产-消耗-废弃”线性过程不同的“采集-应用-反馈-采集”的循环过程，这一点与循环经济下的石油所经历的“生产-消耗-回收利用”的可持续流程颇有相似之处，这也是为什么说可持续商业战略对建设物联网生态系统来说至关重要的原因。

       [敏感词]就按图2所示步骤，分步骤探讨如何沿着物联网数据链，将数据转换为可持续的商业价值。

数据采集：寻找大数据目标矿区

图3：物联网数据采集示意图

       原油的成分和外观因产地不同而有所区别，原始数据在形式上更是包罗万象。文字、图片、声音、符号、信号等各式各样可以被计算机进行数字化处理的信息，都可以成为原始数据！另外，石油对其原产地的地质地貌以及开采技术是有特定门槛要求的，而且开采技术总在与时俱进。类似的，讨论物联网数据的采集也必须对应特定场景，利用不断发展的技术方案进行收集。

       物联网兴起之前我们的传统数据一般是指那些来自企业内部、与客户进行人工互动的或定期读取的相对静态、结构固定和精准的数据，而现在物联网把数据采集的范围进行广泛延申，它囊括了来自生产设备、用户、产品使用过程中随时间变化的实时海量动态数据，比以往更加全面、及时，填补了传统商业流程中的众多数据空白。

       正是物联网数据趋向“完整”、“全面”、“海量”的特点，使得我们必须换一种思维方式看待这些数据，再也不必紧盯着有限数据之间严谨的因果关系，而要多洞察数据代表的各种事物之间各种可能存在的关联，从中找出潜在价值、把握未来趋势。换句话说，物联网数据的核心功能是通过“预测”创造更加丰富多彩的未来。这种新的思维方式更接近于理解生命进化的生态思维，而不是理解机械运动的精准思维。

       那么，可转换为商业价值的物联网数据有哪些呢？从它对商业流程的作用角度看，我认为可大致分成以下四类：

 
       用于提高设备能效和性能的数据：物联网技术能够对设备能耗进行智能化管理和节能优化，减少人工参与，从而节省整个商业流程的能量损耗，这就是人们普遍把物联网技术归入“节能技术”的原因。根据实际应用场景，我们需要收集的能耗数据包括实时功率、热量、水量、压力或计算成煤当量以及与此关联的电压、电流、体积等。

       用于设备诊断和预警的数据：比如指定设备位置的温度、设备震动频率、流体的流量、环境噪音，甚至还包括设备接触间隙的压力等等。具体需要采集什么参数，因应用场景而异，从而预防或减少生产过程中可能出现的故障或灾难。

       用于提升客户服务效果的数据：经过脱敏的客户交易数据，比如，交易数量、交易额、交易频率、发生交易的地点、产品种类、客户评分等，以及客户使用数据等，比如，用于智能家居的各种空间体验数据。这些数据既可以给客户提供个性化参考意见和即时服务，帮助客户进行交易决策，也将帮助企业为新客户及和未来跨界合作伙伴提供更多个性化服务提供依据。

       用于实现“即服务（XaaS)”授权的数据：物联网时代的“通信设备”包括各种物件，它们的正常运行时间、位移距离、故障时间等等，决定了用户在什么时候什么条件下有权使用哪些服务。这些数据尤其在各种“即服务”商业模式转型中作用尤为突出。在授权的基础上，还可以直接对用户直接在线进行定价、结算、扣费。

随着物联网应用场景趋向多样化，可供收集和分析的数据类型会被不断扩充，以上提到的数据类型可能只是未来物联网数据中的一部分，但新数据基本上都离不开用来实现“找出关联、预测结果、实现价值”的核心功能。围绕这个核心，可以预见的是物联网数据将引领商业进入一个技术更加智能化、思维更加生态化的新时代！

数据通信、存储与分析：数据里的寻宝游戏

图4：物联网数据通信、存储与分析

       由于物联网数据是虚拟化的、随时间不断变化的、可被反复使用的，因此相对石油的传输、储存和提炼来说，物联网数据的通信、存储和分析过程具有更多复杂性和灵活发展空间。这个过程涉及到大量层出不穷的前沿技术或技术合集，如图4所示，包括在数据通信领域的各种新通信技术和协议、局域和广域物联网组网技术等，以及存储和分析领域的公有云或私有云存储、云计算、边缘计算、机器学习、人工智能、数据可视化、区块链等等。正由于这些极具前瞻性的技术向商业不断渗透，这个环节也极其容易催生出颠覆性的新技术和新商业模式，同时也很难避免地伴随着短暂的、白热化的贸易争端和商业战争的硝烟。

       在这些新技术方案和商业模式中，只有那些能够整合更多样的技术和商业资源的新技术、新平台或新商业模式才是未来技术市场的最后赢家，比如，占领物联网技术核心区域的智能芯片、5G通信、物联网操作系统，或者连接物联网上下游生态伙伴的提供丰富API的物联网数据平台等等。物联网时代的商业业态，无论从人员组织到技术架构，都在趋向扁平化、开源化、各种传统技术壁垒正在被打破、商业权限正在下放，于是，一些传统行业老大的垂死挣扎也纷纷暴露出来。

       如何把握好这个关键环节的技术和商业趋势，就以[敏感词]这个典型的从云到雾扩展的物联网架构为例吧。

图5：物联网边缘分析平台架构图

       如图所示，随着智能终端设备及物联网商用场景的多样化程度不断增加，对数据传输和反馈速度要求更快，尤其对于远程作业的智能电网、石油勘探以及大多数工业制造领域来说，物联网初级阶段的那种更接近于移动互联网的部署思路 ---- 将图中中间灰色背景部分省去，直接将终端设备收集来的数据集中到云端 ----越来越显得应对乏力了。当然，对于很多实际工业物联网应用场景来说，这个架构还需要进一步个性化，可能会涉及到各种老旧设备的智能化、人机界面管理（HMI)等。

       无论如何，物联网尤其是工业物联网的技术方案部署阵地正在从云层向更接近终端设备的雾层移动。这就好比云总经理将数据处理权限下放给各个地方的雾区域经理去独立处理，这样，雾层分析平台就可以更实时地分析数据，做出更及时更合适的商业决策。云和雾之间的权力分配是一种集权与分治之间的平衡艺术，云要放权但不能太放权，关键是保持两者间实时信息流通渠道畅通、及时、有效。

       从这点看，物联网架构产生的海量动态数据就像流动的水，它从世界各地的“终端”处蒸发成水蒸汽，成雾，成云，又成雨，返回大地。如果说，自然界的水循环是借助太阳光的能量在地球引力的作用下，孕育出不断进化的自然万物，那么，物联网的数据流通则借助了人和机器的智慧，朝着有利于催生各个垂直行业建设各自商业生态系统的方向发展、演变。

       总体上物联网技术框架从云到雾的扩展是符合商业发展的生态化趋势的，它使得商业社会的技术分工更加细化，管理更加扁平化。在所有细分技术中，不可否认的是，数据分析技术非常关键，可以说在整条物联网数据链中起到承上启下的作用、产生立竿见影的效果。而在数据分析中最引人注目的领域恐怕就是人工智能（AI)了，不少人以为AI是单一的一门技术，其实不是，它是各种有关智能化数据分析的技术合集，从硬件层面的“视觉传感器”、“Ai芯片”，到应用层面的“人脸识别”、“无人驾驶”、“语音识别”、“楼宇智能管家”、“节能分析”以及其中包含的软件技术、专利、标准、协议、等等，都属于人工智能技术集的组成部分。

       在人工智能技术合集里最突出的子集无疑当属“机器学习”，它利用计算机算力从数据中挖掘出有价值的信息或规律。相对而言，传统编程是根据程序员给定的算法规则计算结果，而机器学习中的机器能够充当程序员的角色将每个计算结果重新作为数据进行自我修正、不断验证。其中，借助多层级的人工神经网络（ANN，Artificial Neural Networks )，对海量数据进行计算分析给最优解的应用则将“机器学习”带入它的最重要子集“深度学习”。它们之间的区别如图6所示：

图6：传统编程与机器学习的对比图

       毫无疑问，“深度学习”在未来很长一段时间内将是物联网数据分析领域的核心竞争地，深度学习的过程相当于在大数据迷宫中利用多层级神经网络寻找寻宝图，而且是具有最优化路径的寻宝图，有了这张寻宝图（算法），我们才更有可能最终在众多错综复杂的数据里发现新宝贝（商业价值）。

       说到这里，难免感慨一下：连机器都在努力学习并作出智能的独立判断，我们有什么理由不加倍努力学习形成自己的独立思想呢？这一点与我近期接触的国内[敏感词]主办智能制造方向工商管理博士（IM-DBA）项目并提出全融式学习的法方代表机构产生共鸣，在内部讨论会上我大概表达了这样的观点：未来商业决策者更应该象“深度学习”的人工智能机器那样，不断学习思考，把个人实践（数据）和业绩（结果）提炼成对所在产业有指导意义的思想价值（商业规律），才能保持自身的竞争优势。既然机器学习是未来值得加大投资的商业方向，个人的终生学习何尝不也是一个持续值得投入的人生方向呢？

数据转换为商业价值

图7：数据转换为商业价值示意图

       好比提炼好的石油进入各行各业成为燃料或生产原料，物联网数据分析的结果必须能够整合进商业服务流程、成为产品或服务，才能体现出它的商业价值。通常来说，越能提升商业生态资源整合能力的数据服务，商业可持续的价值越高。

       除了和石油一样作为原料的价值以外，数据的实际价值等于所有可能用途的总和，它可以被反反复复地用来改变商业流程、提升运营效率和产生增值等。

       那么，数据到底能转换为多大的商业价值呢？也就是说，如何为数据这种未来的新型的无形资产估值？目前还没发现这方面的行业评估标准。但是，就像过去评估各种资产的公司一样，未来市场上必定也会出现一些让人耳目一新的数据价值评估公司。

       无论如何，要想把数据转换为商业价值，除了必须拥有相应可采用的技术能力以外，还要有数据可转为为商业价值的战略意识，两者缺一不可。[敏感词]三个案例都可以很好地说明这个道理。

       案例1：欧洲一家汽车制造商通过收集汽车运行数据并与外聘数据分析公司合作后发现，其德国供货商提供的油箱检测传感器出现频繁错误报警的缺陷。经过仔细考虑后，汽车制造商没有选择直接把这个信息告诉供应商责令其整改，而是通过改进软件和油箱上对应的零件并将这次改进申请了专利，然后把这项专利卖给供货商，与供货商建立一种新的合作伙伴关系，这么做既为自己的前期投入找到可持续的商业回报，提升企业商业生态合作能力，同时也提高了包括竞争对手在内的整个汽车制造行业的技术发展水平，皆大欢喜。

       如果说案例1是一家高科技企业在数据分析过程中无意中碰到的，只因为他们能够意识到其中的价值才及时抓住了商机，那么，案例2刚好相反。它是我近期参加的Smarties X 2019评审活动接触到的一家南美传统制造企业主动策划出来的新型营销方案，其构思之别出心裁让人大开眼界。确切来说这个案例的数据来自移动互联网而不是物联网，但它们将本不相关的数据关联起来转换为商业价值的思路是一致的，同样对商业决策者具有参考意义。

       案例2：巴西一家生产销售平底锅的百年老店叫Tramontina（查蒙蒂纳），眼看着亲自做饭的年轻人越来越少，产品销售前景堪忧。为了改变这种现状，这家企业组建了一个由厨师、神经网络专家和乐队指挥家等专业人士组成的国际项目团队，与备受年轻人喜爱的世界知名音乐网Spotify展开一项共赢合作。他们花了半年时间研究如何利用“共感觉（Synesthesia）”的算法将音乐听觉与食物味觉关联起来。首先，在Spotify上筛选出可以和烹饪参数对应的乐曲特征参数，比如，消极的音调对应苦涩的口味、由多种乐器奏出的协奏曲对应重口味、乐曲时长对应食材数量、音符跳跃对应烹饪温度等等，并建立一个对应的大型数据库。然后，利用人工智能将数据转换成一个千万数量级的食谱，发布在“Flavor of Songs(乐曲的味道)”新网站上。最后，在潜在用户浏览时适时地给出如何选用平底锅将食谱变成食物的指南，吸引越来越多的音乐网年轻用户前来体验。就这样，与个性烹饪结合的老牌平底锅成了和音乐一样受欢迎的商品，改变年轻人的饮食习惯，引导他们走向厨房。

图8：TRAMONTINA| Flavor of Songs 截屏

       从这两个案例可以看出无论是有意还是无意中收集的数据都具有潜在的商业价值，未来企业需要花更多精力挖掘、整理、筛选、分析或重组已收集的数据，选择适合自身企业实际情况的转换路径，既可以象案例1的汽车制造商一样，将数据转换为一项带有知识产权属性的新业务；也可以象案例2的厨具制造商一样，利用数据建立新的营销通道。

       当然，还有的企业，尤其是那些能够将挖掘数据价值提到到企业战略高度的企业，还可以走得更远，他们往往以数据为契机，改变整个商务流程，重塑商业模式。这部分内容在我之前发表的有关“物联网生态系统”和“PaaS（产品即服务）商业模式”文章里介绍了不少案例也给出相关的分析，恰好最近看到吕建中博士发表的文章《制造业向数字化智能化转型的可持续发展路径》中提到的另一个案例，写得非常清晰易懂，也很有代表性。现摘录如下：

       案例3：“在《智慧转型》这本书中（Digital Transformation，David Rogers）有这样一个真实而有趣的故事：有个主营天气预报服务的公司TWC，以收集、处理、发送天气预报进而在发布平台上刊登广告为主要经营模式。但是，TWC很快意识到，数据的潜在价值远远超过获得广告的收入。于是，他们成立了一个由索菲亚领导的数据科学家小组，这个小组的任务，是把数据这一工具转化为创造更高附加值的战略资产。科研小组发现，天气的变化对美国1/3的经济活动的波动产生影响。于是他们和沃尔玛组成了联合工作小组，建立了一个链接气象数据和销售品类及销售量的经济分析模型，并利用这个模型来推测，消费者会在什么样的天气情况下对哪些产品有更高的购买需求和意愿，制定出针对受天气影响的畅销产品品类的广告投放策略，从而获得最大销售收入，提升广告投入-产出的回报率。 研究小组还和保险公司合作，开发一个叫做Hailzone的小App，在冰雹或暴风雪来临之前， 及时提醒拥有汽车的车主们，把车子移进车库。这个小小的App大幅度降低了车子损坏率，减轻了车主们的不便和烦恼，而且也降低了保险公司的理赔诉求和成本，受到了消费者、保险公司、社区等利益相关方的赞许。一下子，很多人注册到Hailzone上来，一些气象爱好者还自备了气象观测工具，随时向Hailzone平台发送和分享他们自己所在的地方监测到的气象变化数据。这样一来，Hailzone平台可以在每1.5秒时间间隔里，整合大量来自四面八方的数据，通过特殊的算法，给出更加实时、精准的预报，进入了一个良性的质量提升和价值创造正向循环。”

       在案例3中，企业有意识地将数据与外部环境联系起来，积极发展外部生态合作伙伴，建立起一个与零售商、保险公司、消费者、社区等机构和个人实时互动的网络，将原来相对静态的天气预报数据库转变为人与设备多方参与的实时数据更新和互动平台，为利益相关方提供更及时的高附加值服务，同时获得可自我增长的可持续商业生态效应。

       简单总结下有关数据转换为可持续的商业价值所经历的途径，大致包括[敏感词]三类或这三类的组合：

       出租自身产品或服务的使用权限，形成一个能够与用户保持互动、支付、结算的数据平台（如案例1和3），比如一些高门槛的工业产品租赁、IP、咨询、信息服务等；

       为产品合作方及用户建立便捷的数据服务入口然后出售这些入口权限或建立新的营销通道（如案例2和3），比如提供智能物流服务、产品使用和支付服务入口权限等。

       帮助客户将外部数据添加到指定数据集并提供增值服务（如案例3），比如提供远程心率监控服务及检测报告的解读、诊断，环境数据与经济活动的关联增值等。

       总而言之，数据转换为可持续商业价值的关键就是要围绕数据链构建自己的生态圈，其成功与否在很大程度上取决于如何制定和实施可持续的商业战略。

       本文转自“物联网智库”公众号，如有侵权请后台留言删除