استراتژی زیست محیطی IOT (I): چگونه داده ها را به ارزش تجاری پایدار تبدیل کنیم؟

       خواندن هدایت شده

       داده های تولید شده توسط اینترنت اشیا به تدریج به نیروی اصلی داده های بزرگ تبدیل می شوند. هدف این مقاله بررسی موضوعی است که اکثر مدیران شرکت های نوآور بسیار نگران آن هستند: چگونه می توان داده ها را گام به گام در طول زنجیره داده اینترنت اشیا به ارزش تجاری پایدار تبدیل کرد؟

اگرچه داده ها در ترازنامه شرکت گنجانده نشده است، اما این فقط یک موضوع زمان است.

       ——عصر داده های بزرگ ویکتور و نقطه میانی؛ مل شوئنبرگ

       برخی می گویند نقش داده ها در جامعه مانند نفت است. برخی دیگر می گویند که تأثیر داده ها بر جامعه از نفت پیشی خواهد گرفت. من فکر می کنم همه چیز درست است. داده ها و نفت هر دو منابع انرژی برای ارتقای تغییرات اجتماعی هستند، و فرآیندهای تولید و کاربرد آنها یکسان است؛ با این حال، داده ها دارای ویژگی های زیادی هستند که با روغن همتا نیست: می توان آنها را مجددا استفاده کرد، کپی کرد و با سرعت بالا منتقل کرد. بنابراین تأثیر داده ها بر جامعه بسیار بیشتر از نفت خواهد بود!

       در هر صورت، مقایسه داده‌ها با نفت به درک بهتر زمینه زنجیره داده‌های اینترنت اشیا کمک می‌کند. اتفاقاً در یک شرکت نفتی کار کرده‌ام و اطلاعاتی درباره فرآیند تجاری نفت داشتم. بیایید داده ها را با روغن مقایسه کنیم.

       قبل از بهره برداری نفت، تنها مخلوطی از هیدروکربن ها با اجزای پیچیده در پوسته زمین بود. با این حال، هنگامی که از زیر زمین پاشیده شد، می‌توان آن را برای مقاصد مختلف مورد استفاده قرار داد و به نیازهای مختلف جامعه مدرن تبدیل شد، مانند سوخت (بنزین، گازوئیل و غیره)، روغن روان‌کننده، مواد خام شیمیایی، محصولات پلاستیکی، و غیره، ارزش تجاری آن نیز به تدریج به وضوح و واضح نشان داده شده است.

       فرآیند استخراج ارزش تجاری داده ها مانند پالایش روغن دیجیتال مجازی است.

شکل 1: فرآیند تولید و بازاریابی نفت پیوند داده های اینترنت اشیا

       همانطور که در شکل 1 نشان داده شده است، برای اینترنت اشیا، ارزش داده کاوی نیز باید از جستجوی داده کاوی شروع شود، و سپس، با بهبود مستمر توانایی جمع آوری، برقراری ارتباط، ذخیره و تجزیه و تحلیل داده ها، تبدیل بیشتر آن داده های فیلتر شده و تجزیه و تحلیل شده به ارزش تجاری که می تواند منعکس کننده مزایای شرکت ها باشد. این فرآیند پیوند داده ای مشابه فرآیند تولید و بازاریابی نفت را تشکیل می دهد: کسب داده ها (استثمار نفت)، ارتباطات داده ها (حمل و نقل نفت)، ذخیره سازی و تجزیه و تحلیل داده ها (ذخیره سازی و پالایش نفت)، کاربرد و تبدیل به ارزش تجاری در شکل 2 نشان داده شده است.

شکل 2:نمودار شماتیک پیوند داده اینترنت اشیا

       در واقع، داده های جدید هنوز در فرآیند کاربرد و تبدیل داده ها تولید می شوند. این داده های جدید در زمان واقعی بازخورد داده می شوند و به مرحله اولیه باز می گردند. همراه با سایر داده‌ها، آنها دوباره کل فرآیند زنجیره را طی می‌کنند و یک فرآیند چرخه «اکتساب بازخورد برنامه کاربردی کسب» را تشکیل می‌دهند که متفاوت از فرآیند خطی سنتی «ضایعات مصرف تولید» نفت است، این کاملاً شبیه فرآیند پایدار «مصرف تولید» است. بازیافت» تجربه شده توسط نفت تحت اقتصاد دایره ای، به همین دلیل است که استراتژی تجاری پایدار برای ساخت اکوسیستم اینترنت اشیا بسیار مهم است.

       در ادامه یک بحث گام به گام در مورد چگونگی تبدیل داده ها به ارزش تجاری پایدار در طول زنجیره داده اینترنت اشیا طبق مراحل نشان داده شده در شکل 2 است.

جمع آوری داده ها: منطقه کاوی هدف کلان داده را پیدا کنید

شکل 3:نمودار شماتیک جمع آوری داده های اینترنت اشیا

       ترکیب و شکل ظاهری نفت خام از محل مبدأ متفاوت است و داده‌های اصلی همه از نظر شکل شامل می‌شوند. کلمات، تصاویر، صداها، نمادها، سیگنال‌ها و سایر اطلاعاتی که می‌توانند توسط رایانه دیجیتالی شوند، می‌توانند به داده‌های اصلی تبدیل شوند. نفت آستانه خاصی برای زمین شناسی، شکل زمین و فناوری معدنی منشاء دارد، و فناوری معدن همیشه همگام با زمان است. به همین ترتیب، بحث در مورد مجموعه داده های اینترنت اشیا نیز باید با سناریوهای خاص مطابقت داشته باشد و استفاده از آنها در حال تکامل باشد. راه حل های فنی برای جمع آوری

       قبل از ظهور اینترنت اشیا، داده‌های سنتی ما عموماً به داده‌های نسبتاً ثابت، ساختاری ثابت و دقیقی اشاره می‌کنند که از داخل سازمان می‌آمدند، با مشتریان به صورت دستی در تعامل بودند یا به طور منظم مطالعه می‌کردند. اکنون اینترنت اشیا دامنه جمع‌آوری داده‌ها را به طور گسترده گسترش می‌دهد. این شامل داده های دینامیکی عظیم در زمان واقعی از تجهیزات تولید، کاربران و محصولات در طول زمان است. جامع تر و به موقع تر از همیشه است و بسیاری از شکاف های داده را در فرآیندهای تجاری سنتی پر می کند.

       این ویژگی‌های داده‌های اینترنت اشیا است که تمایل به «کامل»، «جامع» و «انبوه» دارند، که باعث می‌شود ما به این داده‌ها به شیوه‌ای متفاوت نگاه کنیم. ما دیگر مجبور نیستیم روی رابطه علّی دقیق بین داده‌های محدود تمرکز کنیم، بلکه بینش بیشتری نسبت به روابط احتمالی بین چیزهای مختلف نشان داده شده توسط داده‌ها داریم تا ارزش بالقوه را دریابیم و روند آینده را درک کنیم. اجازه دهید آن را به شکل دیگری بیان کنم. کارکرد اصلی داده های IOT ایجاد آینده ای رنگارنگ تر از طریق "پیش بینی" است. این روش جدید تفکر به جای تفکر دقیق درک حرکت مکانیکی به تفکر اکولوژیکی درک تکامل زندگی نزدیک تر است.

       بنابراین، داده‌های IOT که می‌توانند به ارزش تجاری تبدیل شوند چیست؟ از منظر تأثیر آن بر فرآیندهای تجاری، فکر می‌کنم تقریباً می‌توان آن‌ها را به چهار دسته زیر تقسیم کرد:

 
       داده ها برای بهبود بهره وری انرژی و عملکرد تجهیزات:فناوری اینترنت اشیا می تواند به طور هوشمندانه مصرف انرژی تجهیزات را مدیریت و بهینه کند، مشارکت دستی را کاهش دهد و از اتلاف انرژی کل فرآیند کسب و کار صرفه جویی کند. به همین دلیل است که مردم به طور کلی فناوری اینترنت اشیاء را به عنوان "فناوری صرفه جویی در انرژی" طبقه بندی می کنند.با توجه به سناریوی کاربردی واقعی، داده‌های مصرف انرژی که باید جمع‌آوری کنیم شامل توان بلادرنگ، گرما، حجم آب، فشار یا معادل زغال‌سنگ محاسبه‌شده و همچنین ولتاژ، جریان، حجم و غیره است.

       داده ها برای تشخیص تجهیزات و هشدار اولیه:برای مثال دمای محل تجهیزات، فرکانس ارتعاش تجهیزات، جریان سیال، نویز محیطی و حتی فشار شکاف تماس تجهیزات را مشخص کنید.پارامترهای خاصی که باید جمع آوری شوند با توجه به سناریوی کاربردی متفاوت است تا از خطاها یا بلایای احتمالی در فرآیند تولید جلوگیری یا کاهش یابد.

       داده های مورد استفاده برای بهبود خدمات مشتری:داده‌های تراکنش غیرحساس‌تر مشتری، مانند مقدار تراکنش، حجم تراکنش، فرکانس تراکنش، مکان تراکنش، نوع محصول، امتیاز مشتری، و همچنین داده‌های استفاده مشتری، مانند داده‌های مختلف تجربه فضایی برای خانه هوشمند.این داده‌ها نه‌تنها می‌توانند نظرات مرجع شخصی و خدمات بی‌درنگ را برای کمک به مشتریان در تصمیم‌گیری معاملات ارائه کنند، بلکه به شرکت‌ها کمک می‌کنند تا خدمات شخصی‌تر را برای مشتریان جدید و شرکای بین‌مرزی آینده ارائه کنند.

       داده های مورد استفاده برای اجرای مجوز "به عنوان یک سرویس (xaas)".:«تجهیزات ارتباطی» در عصر اینترنت اشیا شامل اشیاء مختلفی می شود. زمان عملیات عادی، فاصله جابجایی، زمان خرابی و غیره تعیین می کند که کاربران در چه شرایطی و در چه زمانی حق استفاده از چه خدماتی را دارند.این داده‌ها نقش برجسته‌ای در تبدیل مدل‌های مختلف کسب‌وکار «به‌عنوان خدمات» دارند.بر اساس مجوز، کاربران همچنین می توانند مستقیماً قیمت گذاری، تسویه و کسر آنلاین شوند.

در کنار سناریوهای کاربردی اینترنت اشیاء، متنوع می‌شوند و انواع داده‌های موجود برای جمع‌آوری و تجزیه و تحلیل به طور مداوم گسترش می‌یابند. انواع داده‌های ذکر شده در بالا ممکن است تنها بخشی از داده‌های آینده اینترنت اشیا باشند، اما داده‌های جدید اساساً از عملکرد اصلی «پیدا کردن ارتباط، پیش‌بینی نتایج و تحقق ارزش» جدا نیستند. که داده های اینترنت اشیا، کسب و کار را به عصر جدیدی با فناوری هوشمندتر و تفکر زیست محیطی تر هدایت می کند!

ارتباطات، ذخیره سازی و تجزیه و تحلیل داده ها: گنج یابی در داده ها

شکل 4:ارتباطات، ذخیره سازی و تجزیه و تحلیل داده های اینترنت اشیا

       از آنجایی که داده های IOT مجازی سازی می شوند، در طول زمان تغییر می کنند و قابل استفاده مجدد هستند، فرآیند ارتباط، ذخیره سازی و تجزیه و تحلیل داده های IOT از پیچیدگی و فضای توسعه انعطاف پذیرتری نسبت به انتقال، ذخیره سازی و پالایش نفت برخوردار است. فن‌آوری‌ها یا مجموعه‌های فناوری، همانطور که در شکل 4 نشان داده شده است، شامل فن‌آوری‌ها و پروتکل‌های جدید ارتباطی مختلف در زمینه ارتباطات داده، فناوری‌های شبکه محلی و گسترده اینترنت اشیا، و همچنین ذخیره‌سازی ابری عمومی یا خصوصی، رایانش ابری، محاسبات لبه، یادگیری ماشینی، هوش مصنوعی، تجسم داده‌ها، بلاک چین و غیره در زمینه ذخیره‌سازی و تجزیه و تحلیل. از آنجایی که این فناوری‌های آینده‌نگر همچنان در کسب‌وکار نفوذ می‌کنند، این پیوند همچنین بسیار آسان است که فناوری‌های جدید خرابکارانه و مدل‌های تجاری جدید را به وجود آورد. . در عین حال، اجتناب از دود اختلافات تجاری کوتاه مدت و داغ و جنگ های تجاری دشوار است.

       در میان این راه‌حل‌های فناوری جدید و مدل‌های کسب‌وکار، تنها آن دسته از فناوری‌های جدید، پلتفرم‌های جدید یا مدل‌های تجاری جدید که می‌توانند فناوری‌ها و منابع تجاری متنوع‌تری را ادغام کنند، برندگان نهایی بازار فناوری آینده هستند، مانند تراشه‌های هوشمند، ارتباطات 5g و اینترنت اشیا. سیستم‌عامل‌هایی که حوزه اصلی فناوری اینترنت اشیاء را اشغال می‌کنند، یا شرکای زیست‌محیطی بالادستی و پایین‌دستی اینترنت اشیا را به هم متصل می‌کنند، بستر داده اینترنت اشیا را با APIهای غنی و غیره ارائه می‌کنند. قالب‌های تجاری در اینترنت اشیا. عصر، از سازمان پرسنل گرفته تا معماری فنی، تمایل به مسطح بودن و منبع باز بودن دارند، موانع فنی سنتی مختلف شکسته می شوند و اختیارات تجاری در حال واگذاری است. بنابراین، مبارزات جان باختن برخی از رهبران صنایع سنتی نیز یکی پس از دیگری برملا شده است.

       چگونه می توان فناوری و روند تجاری این پیوند کلیدی را درک کرد، معماری معمولی اینترنت اشیاء زیر را به عنوان مثال در نظر بگیرید که از ابر تا مه گسترش می یابد.

شکل 5:نمودار معماری پلت فرم تحلیل لبه اینترنت اشیا

       همانطور که در شکل نشان داده شده است، با افزایش تنوع تجهیزات ترمینال هوشمند و سناریوهای کسب و کار اینترنتی اشیا، نیاز است که سرعت انتقال داده و بازخورد سریعتر باشد، به ویژه برای شبکه هوشمند، اکتشاف نفت و بیشتر میادین تولید صنعتی با عملیات از راه دور. ایده استقرار نزدیک‌تر به اینترنت موبایل در مرحله اولیه اینترنت اشیا - حذف پس‌زمینه خاکستری در وسط شکل و متمرکز کردن مستقیم داده‌های جمع‌آوری‌شده توسط دستگاه‌های پایانه در فضای ابری - روز به روز ناکارآمدتر می‌شود. البته، برای بسیاری از سناریوهای کاربردی اینترنت اشیا صنعتی واقعی، این معماری نیاز به شخصی سازی بیشتری دارد، که ممکن است شامل هوشمندسازی تجهیزات قدیمی مختلف، مدیریت رابط انسان و ماشین (HMI) و غیره باشد.

       در هر صورت، موقعیت استقرار راه حل فنی اینترنت اشیاء، به ویژه اینترنت اشیاء صنعتی، از ابر به لایه مه نزدیک تر به تجهیزات پایانه می رود. این مانند این است که مدیر کل ابر، اختیار پردازش داده را به آنها تفویض کند. مدیران منطقه مه در مکان های مختلف برای پردازش مستقل. به این ترتیب، پلت فرم تجزیه و تحلیل لایه مه می تواند داده ها را در زمان واقعی تری تجزیه و تحلیل کند و تصمیمات تجاری به موقع و مناسب تری اتخاذ کند. توزیع نیرو بین ابر و مه، هنر تعادلی بین تمرکز و پارتیشن است. ابر باید قدرت را تفویض کند، اما نه بیش از حد. نکته کلیدی این است که کانال های جریان اطلاعات در زمان واقعی بین این دو کانال صاف، به موقع و موثر حفظ شود.

       از این منظر، داده‌های دینامیکی عظیم تولید شده توسط معماری اینترنت اشیا مانند آب جاری است. از «پایانه‌های» در سراسر جهان به بخار، مه، ابر، باران تبخیر می‌شود و به زمین بازمی‌گردد. اگر بگوییم چرخه آب در طبیعت، به کمک انرژی نور خورشید تحت تأثیر زمین، چیزهای طبیعی در حال تکامل را ایجاد می‌کند. گرانش، جریان داده‌های اینترنت اشیا در جهتی توسعه می‌یابد که منجر به تولد هر صنعت عمودی و ساخت اکوسیستم تجاری خود با کمک خرد افراد و ماشین‌ها شود.

       به طور کلی، گسترش چارچوب فناوری اینترنت اشیاء از ابر به مه مطابق با روند اکولوژیکی توسعه تجارت است. این امر تقسیم فنی کار در جامعه تجاری را با جزئیات بیشتر و مدیریت را مسطح تر می کند. در میان تمام فناوری های زیربخش، این غیرقابل انکار است که فناوری تجزیه و تحلیل داده ها بسیار کلیدی است. می توان گفت که نقش ارتباطی در کل زنجیره داده اینترنت اشیاء ایفا می کند و تأثیر فوری دارد. چشم نوازترین زمینه در تجزیه و تحلیل داده ها احتمالاً هوش مصنوعی (AI) است. بسیاری از مردم فکر می کنند که هوش مصنوعی یک فناوری واحد است. در واقع اینطور نیست. مجموعه‌ای از فناوری‌های مختلف مرتبط با تحلیل داده‌های هوشمند، از «حسگر بصری» و «تراشه هوش مصنوعی» در سطح سخت‌افزار گرفته تا «تشخیص چهره»، «رانندگی بدون سرنشین» و «تشخیص گفتار» در سطح برنامه «ساختن خانه‌دار هوشمند» "، "تجزیه و تحلیل صرفه جویی در انرژی" و فناوری نرم افزار، پتنت ها، استانداردها، پروتکل ها و غیره موجود در آنها، همه بخشی از مجموعه فناوری هوش مصنوعی هستند.

       در مجموعه فناوری هوش مصنوعی، بدون شک برجسته ترین زیرمجموعه «یادگیری ماشینی» است که از توان محاسباتی رایانه برای استخراج اطلاعات ارزشمند یا قوانین از داده ها استفاده می کند. به طور نسبی، برنامه نویسی سنتی نتایج را بر اساس قوانین الگوریتم ارائه شده توسط برنامه نویس محاسبه می کند. و ماشین در یادگیری ماشین می تواند به عنوان برنامه نویس عمل کند و از هر نتیجه محاسباتی به عنوان داده ای برای تصحیح خود و تأیید مداوم استفاده کند. از جمله آنها، با کمک شبکه های عصبی مصنوعی چند سطحی (ANN)، استفاده از محاسبه و تجزیه و تحلیل داده های عظیم تا راه حل بهینه، «یادگیری ماشینی» را به مهم ترین زیر مجموعه آن «یادگیری عمیق» می آورد. تفاوت بین آنها در شکل 6 نشان داده شده است:

شکل 6:مقایسه بین برنامه نویسی سنتی و یادگیری ماشین

       شکی نیست که «یادگیری عمیق» رقابت اصلی در زمینه تحلیل داده های اینترنت اشیا برای مدت طولانی در آینده خواهد بود. فرآیند یادگیری عمیق معادل استفاده از شبکه عصبی چند سطحی برای یافتن نقشه گنج در پیچ و خم داده های بزرگ است و این یک نقشه گنج یابی با مسیر بهینه است. با استفاده از این نقشه (الگوریتم) گنج یابی، احتمال بیشتری وجود دارد که در نهایت در بسیاری از داده های پیچیده، نوزادان جدید (ارزش تجاری) پیدا کنیم.

       وقتی در این مورد صحبت می‌کنم، نمی‌توانم احساس کنم: حتی ماشین‌ها هم سعی می‌کنند یاد بگیرند و قضاوت مستقل هوشمندانه‌ای داشته باشند. چرا ما تلاش خود را برای یادگیری و شکل‌دهی ایده‌های مستقل خود مضاعف نمی‌کنیم؟ این موضوع با اولین سازمان نمایندگی فرانسوی در چین که میزبان پروژه دکترای مدیریت بازرگانی (im-dba) در تولید هوشمند بود و یادگیری فراگیر را پیشنهاد کرد، طنین‌انداز شد. من تقریباً این دیدگاه را در سمینار داخلی بیان کردم: در آینده، تصمیم گیرندگان کسب و کار باید به یادگیری و فکر کردن مانند ماشین هوش مصنوعی "یادگیری عمیق" ادامه دهند، تمرین شخصی (داده ها) و عملکرد (نتایج) را برای هدایت ارزش های ایدئولوژیک (کسب و کار) اصلاح کنند. قوانین) برای صنعت خود، به طوری که مزیت رقابتی خود را حفظ کنند. از آنجایی که یادگیری ماشین یک جهت تجاری است که ارزش افزایش سرمایه گذاری در آینده را دارد، یادگیری مادام العمر شخصی نیز یک مسیر زندگی است که ارزش سرمایه گذاری مستمر را دارد؟

تبدیل داده ها به ارزش تجاری

شکل 7:نمودار شماتیک تبدیل داده ها به ارزش تجاری

       به عنوان مثال، روغن تصفیه شده برای تبدیل شدن به سوخت یا مواد خام تولیدی وارد تمام جنبه های زندگی می شود. نتایج تجزیه و تحلیل داده های اینترنت اشیا باید در فرآیندهای خدمات تجاری ادغام شوند و به محصولات یا خدمات تبدیل شوند تا ارزش تجاری آن را منعکس کنند. به طور کلی، هر چه خدمات داده ای بیشتر که بتواند توانایی یکپارچه سازی منابع اکولوژیکی تجاری را بهبود بخشد، ارزش بالاتری دارد. پایداری تجاری

       علاوه بر ارزش به عنوان یک ماده خام مانند نفت، ارزش واقعی داده ها برابر است با مجموع تمام استفاده های ممکن. می توان به طور مکرر از آن برای تغییر فرآیندهای تجاری، بهبود کارایی عملیاتی و ایجاد ارزش افزوده استفاده کرد.

       بنابراین، داده‌ها را می‌توان به چه مقدار ارزش تجاری تبدیل کرد؟ به عبارت دیگر، چگونه می‌توان داده‌ها، نوع جدیدی از دارایی نامشهود را در آینده ارزش‌گذاری کرد؟ در حال حاضر، هیچ استاندارد ارزیابی صنعت در این زمینه وجود ندارد. با این حال، درست مانند شرکت‌ها که در گذشته دارایی‌های مختلف را ارزیابی کرده‌اند، برخی از شرکت‌های ارزیابی ارزش داده‌های تازه‌کننده مطمئناً در آینده در بازار ظاهر خواهند شد.

       در هر صورت، برای تبدیل داده ها به ارزش تجاری، نه تنها باید قابلیت های فنی موجود مربوطه را داشته باشیم، بلکه باید آگاهی راهبردی مبنی بر تبدیل داده ها به ارزش تجاری را نیز داشته باشیم. هر دو ضروری هستند. سه مورد زیر می تواند این حقیقت را به خوبی نشان دهد.

       مورد 1: پس از جمع‌آوری داده‌های عملکرد خودرو و همکاری با یک شرکت تحلیل داده‌های خارجی، یک خودروساز اروپایی متوجه شد که سنسور تشخیص مخزن سوخت ارائه‌شده توسط تامین‌کننده آلمانی‌اش دارای نقص هشدار نادرست مکرر است. پس از بررسی دقیق، سازنده خودرو تصمیم نگرفت مستقیماً اطلاعات را به تأمین‌کننده بگوید و دستور اصلاح آن را بدهد. درعوض، با بهبود نرم‌افزار و قطعات مربوطه روی مخزن سوخت، درخواست ثبت اختراع برای بهبود کرد و سپس پتنت را به تأمین‌کننده فروخت تا با تأمین‌کننده شراکت جدیدی ایجاد کند تا بازده تجاری پایداری برای خود پیدا کند. سرمایه گذاری اولیه، ما خوشحالیم که توانایی همکاری اکولوژیکی تجاری شرکت ها را افزایش می دهیم و سطح توسعه فنی کل صنعت خودروسازی از جمله رقبا را بهبود می بخشیم.

       اگر مورد 1 به طور تصادفی توسط یک شرکت با فناوری پیشرفته در فرآیند تجزیه و تحلیل داده ها مواجه شد و آنها فرصت تجاری را فقط به این دلیل که از ارزش آن آگاه بودند به موقع استفاده کردند، در این صورت مورد 2 دقیقاً برعکس است. این یک طرح بازاریابی جدید است. به طور فعال توسط یک شرکت تولیدی سنتی آمریکای جنوبی که در فعالیت بررسی اخیر Smarties x 2019 با آن تماس گرفتم، برنامه ریزی شده است. ایده منحصر به فرد آن یک چشم باز کننده است. به طور دقیق، داده های این مورد از اینترنت تلفن همراه به جای اینترنت اشیا می آید، اما ایده های آنها در ارتباط دادن داده های نامربوط به ارزش تجاری سازگار است، که همچنین دارای اهمیت مرجع برای تصمیم گیری تجاری است. -سازندگان

       مورد 2: مغازه ای با قدمت یک قرن در برزیل که قابلمه تولید و می فروشد، ترامانتینا نامیده می شود. با دیدن کمتر و کمتر جوانانی که خودشان آشپزی می کنند، چشم انداز فروش محصول نگران کننده است. به منظور تغییر این وضعیت، این شرکت یک تیم پروژه بین‌المللی متشکل از سرآشپزها، کارشناسان شبکه عصبی، رهبران گروه و دیگر متخصصان ایجاد کرده است تا با اسپاتیفای، یک شبکه موسیقی مشهور جهانی که مورد علاقه جوانان است، یک همکاری برد-برد انجام دهد. آنها نیمی از سال را صرف مطالعه نحوه استفاده از الگوریتم "سینستزیا" برای ارتباط شنیدن موسیقی با طعم غذا کردند. در مرحله اول، پارامترهای مشخصه موسیقی که می توانند با پارامترهای پخت مطابقت داشته باشند، در اسپاتیفای نمایش داده می شوند، مانند تن منفی مربوط به طعم تلخ، کنسرتو نواخته شده توسط چندین ساز مربوط به طعم سنگین، مدت زمان موسیقی مربوط به تعداد مواد تشکیل دهنده، پرش نت مربوط به پخت و پز. دما، و غیره، و یک پایگاه داده بزرگ مربوطه ایجاد می شود. سپس با استفاده از هوش مصنوعی، داده ها را به دستور العملی ده ها میلیون مرتبه تبدیل کرده و در وب سایت جدید «طعم آهنگ ها» منتشر کنید. در نهایت، هنگامی که کاربران بالقوه مرور می کنند، به موقع راهنمایی در مورد نحوه انتخاب یک ماهی تابه برای تبدیل دستور العمل ها به غذا ارائه می دهند تا کاربران جوان شبکه موسیقی را بیشتر و بیشتر به تجربه جذب کنند. به این ترتیب، تابه قدیمی همراه با آشپزی شخصی به اندازه موسیقی محبوب شده است و عادات غذایی جوانان را تغییر داده و آنها را به آشپزخانه راهنمایی می کند.

شکل 8: تصویربرداری از صفحه نمایش ترامانتینا|طعم آهنگ ها

       از این دو مورد می توان دریافت که داده های جمع آوری شده عمدی یا غیرعمدی دارای ارزش تجاری بالقوه هستند. در آینده، شرکت‌ها باید انرژی بیشتری را صرف استخراج، مرتب‌سازی، غربال‌گری، تجزیه و تحلیل یا سازمان‌دهی مجدد داده‌های جمع‌آوری‌شده کنند، و مسیر تبدیل مناسب با وضعیت واقعی شرکت خود را انتخاب کنند، درست مانند تولیدکننده خودرو در مورد 1، تبدیل داده‌ها به کسب و کار جدید با ویژگی های مالکیت معنوی؛ همچنین می توانید از داده ها برای ایجاد یک کانال بازاریابی جدید مانند تولید کننده ظروف آشپزخانه در مورد 2 استفاده کنید.

       البته، برخی از شرکت‌ها، به‌ویژه آن‌هایی که می‌توانند ارزش داده‌های استخراج را تا اوج استراتژی سازمانی بالا ببرند، می‌توانند از این هم فراتر بروند. آنها اغلب از داده ها به عنوان فرصتی برای تغییر کل فرآیند کسب و کار و تغییر شکل مدل کسب و کار استفاده می کنند. در مقاله های قبلی خود در مورد "اکوسیستم اینترنت اشیاء" و "مدل تجاری PAAS (محصول به عنوان خدمات)، موارد زیادی را معرفی کردم و موارد مرتبط را ارائه دادم. تجزیه و تحلیل من به تازگی مورد دیگری را دیدم که در مقاله دکتر LV Jianzhong "مسیر توسعه پایدار تحول صنعت تولید به هوش دیجیتال" ذکر شده است، که بسیار واضح و قابل درک است، همچنین بسیار نماینده است. گزیده هایی به شرح زیر است:

       مورد 3: "در کتاب" تحول هوشمند "(تحول دیجیتال، دیوید راجرز) چنین داستان واقعی و جالبی وجود دارد: TWC، شرکتی که عمدتاً در خدمات پیش بینی آب و هوا فعالیت دارد، جمع آوری، پردازش و ارسال پیش بینی های آب و هوا را انجام می دهد و سپس منتشر می کند. با این حال، TWC به زودی متوجه شد که ارزش بالقوه داده ها به مراتب بیشتر از درآمد حاصل از تبلیغات است این گروه تحقیقاتی دریافتند که تغییر آب و هوا بر نوسانات یک سوم فعالیت‌های اقتصادی در ایالات متحده تأثیر داشته است برای ایجاد یک مدل تحلیل اقتصادی که داده‌های هواشناسی و دسته‌های فروش و حجم فروش را به هم مرتبط می‌کند، و از این مدل برای حدس‌زنی در مورد محصولاتی که مصرف‌کنندگان تحت چه شرایط آب‌وهوایی تقاضای خرید و تمایل بیشتری خواهند داشت، استفاده می‌کنند تا استراتژی‌های تبلیغاتی برای دسته‌های محصولات پرطرفدار که تحت‌تاثیر قرار گرفته‌اند، تدوین کنند. آب و هوا، به منظور به دست آوردن حداکثر درآمد فروش و بهبود نرخ بازگشت ورودی-خروجی تبلیغات. این تیم تحقیقاتی همچنین با شرکت های بیمه همکاری کردند تا اپلیکیشن کوچکی به نام hailzone را توسعه دهند تا به صاحبان خودرو یادآوری کند که خودروهای خود را قبل از تگرگ یا طوفان برف به گاراژ منتقل کنند. این اپلیکیشن کوچک میزان خسارت خودرو را تا حد زیادی کاهش داده، ناراحتی و مزاحمت مالکان خودرو را کاهش داده و همچنین مطالبات و هزینه های شرکت های بیمه را کاهش داده است که مورد تحسین مصرف کنندگان، شرکت های بیمه، جوامع و سایر ذینفعان قرار گرفته است. ناگهان بسیاری از مردم با Hailzone ثبت نام کردند. برخی از علاقه مندان به هواشناسی نیز ابزارهای رصد هواشناسی خود را برای ارسال و به اشتراک گذاشتن داده های تغییرات هواشناسی که در محل خود نظارت می کنند به سکوی تگرگ در هر زمان آورده اند. به این ترتیب پلت فرم Hailzone می تواند در هر 1.5 ثانیه حجم زیادی از داده ها را از همه جهات ادغام کند، از طریق الگوریتم های ویژه پیش بینی واقعی و دقیق تری ارائه دهد و وارد چرخه مثبت بهبود کیفیت و ایجاد ارزش شود. "

       در مورد 3، شرکت آگاهانه داده ها را با محیط خارجی مرتبط کرد، به طور فعال شرکای زیست محیطی خارجی را توسعه داد، یک شبکه تعاملی در زمان واقعی با خرده فروشان، شرکت های بیمه، مصرف کنندگان، جوامع و سایر موسسات و افراد ایجاد کرد و آب و هوای نسبتاً ثابت اولیه را تغییر داد. پیش بینی پایگاه داده به یک به روز رسانی داده ها در زمان واقعی و پلت فرم تعاملی با مشارکت افراد و تجهیزات، ارائه خدمات با ارزش افزوده بالا به موقع برای سهامداران، و به دست آوردن اثرات زیست محیطی تجاری پایدار که می تواند خود به خود رشد کند.

       خلاصه‌ای از روش‌های تبدیل داده‌های مرتبط به ارزش تجاری پایدار شامل سه دسته زیر یا ترکیبی از این سه دسته است:

       حقوق استفاده از محصولات یا خدمات خود را برای تشکیل یک پلت فرم داده ای که می تواند با کاربران تعامل، پرداخت و تسویه حساب کند (مانند موارد 1 و 3)، مانند برخی از لیزینگ محصولات صنعتی با آستانه بالا، IP، مشاوره، خدمات اطلاعاتی و غیره را اجاره کنند. ;

       پورتال‌های سرویس داده مناسب را برای شرکای محصول و کاربران ایجاد کنید و سپس مجوزهای این پورتال را بفروشید یا کانال‌های بازاریابی جدید (مانند موارد ۲ و ۳) ایجاد کنید، مانند ارائه خدمات لجستیکی هوشمند، استفاده از محصول و مجوزهای پورتال خدمات پرداخت و غیره.

       به مشتریان کمک کنید تا داده های خارجی را به مجموعه داده های مشخص شده اضافه کنند و خدمات ارزش افزوده (مانند مورد 3) ارائه دهند، مانند ارائه خدمات پایش ضربان قلب از راه دور و تفسیر و تشخیص گزارش های تشخیص، و رابطه ارزش افزوده بین داده های محیطی و اقتصادی. فعالیت ها

       در یک کلام، کلید تبدیل داده‌ها به ارزش تجاری پایدار، ساختن اکوسیستم خود در اطراف زنجیره داده است و موفقیت آن تا حد زیادی به نحوه فرمول‌بندی بستگی دارد.و استراتژی های تجاری پایدار را اجرا کنید.

       این مقاله از حساب رسمی اتاق فکر اینترنت اشیا منتقل شده است. در صورت وجود تخلف، لطفاً پیام پس زمینه را حذف کنید.