Strategia ekologiczna IOT (I): jak przekształcić dane w trwałą wartość biznesową?

       Czytanie z przewodnikiem

       Dane generowane przez Internet rzeczy stopniowo stają się główną siłą big data. Celem tego artykułu jest zbadanie kwestii, która jest bardzo zaniepokojona kadrą kierowniczą większości innowacyjnych przedsiębiorstw: jak krok po kroku przekształcać dane w trwałą wartość biznesową w łańcuchu danych Internetu rzeczy?

„Mimo że dane te nie zostały uwzględnione w bilansie przedsiębiorstwa, jest to tylko kwestia czasu”.

       —— Era wielkich zbiorów danych Victor & middot; Mela Schönberga

       Niektórzy twierdzą, że rola danych w społeczeństwie jest jak ropa naftowa. Inni twierdzą, że wpływ danych na społeczeństwo przewyższy wpływ ropy naftowej. Myślę, że to w porządku. Dane i ropa naftowa są źródłami energii promującymi zmiany społeczne, a ich procesy generowania i stosowania są takie same; Jednak dane mają wiele cech, których nie dorównuje ropa naftowa: można je ponownie wykorzystać, skopiować i przesłać z dużą prędkością, więc wpływ danych na społeczeństwo znacznie przewyższy wpływ ropy naftowej!

       W każdym razie porównanie danych z ropą naftową pomaga lepiej zrozumieć kontekst łańcucha danych Internetu rzeczy. Tak się złożyło, że pracowałem w firmie naftowej i mam pewną wiedzę na temat procesu biznesowego ropy naftowej. Porównajmy dane z ropą naftową.

       Zanim zaczęto eksploatować ropę naftową, była to jedynie mieszanina węglowodorów ze złożonymi składnikami osadzonymi w skorupie ziemskiej. Jednak po wytryśnięciu z ziemi można go było wykorzystać do różnych celów i stać się różnymi artykułami pierwszej potrzeby współczesnego społeczeństwa, takimi jak paliwo (benzyna, olej napędowy itp.), olej smarowy, surowce chemiczne, wyroby z tworzyw sztucznych, itp. Jego wartość komercyjna była również stopniowo ukazana w wyrazisty i żywy sposób.

       Proces wydobywania komercyjnej wartości danych przypomina rafinację wirtualnej cyfrowej ropy.

Rysunek 1: Proces produkcji i marketingu ropy naftowej za pośrednictwem łącza danych Internetu rzeczy

       Jak pokazano na rysunku 1, w przypadku Internetu rzeczy wydobywanie wartości danych powinno również zaczynać się od poszukiwania kopalni danych, a następnie, poprzez ciągłe doskonalenie możliwości gromadzenia, przesyłania, przechowywania i analizowania danych, dalszej konwersji tych przefiltrowanych i przeanalizowanych danych na wartość komercyjną, która może odzwierciedlać zalety przedsiębiorstw. Proces ten tworzy łącze danych podobne do procesu produkcji i marketingu ropy naftowej: pozyskiwanie danych (eksploatacja ropy naftowej), przesyłanie danych (transport ropy naftowej), przechowywanie i analiza danych (przechowywanie i rafinacja ropy naftowej), stosowanie i konwersja na wartość komercyjną są pokazane na rysunku 2.

Rysunek 2:Schemat ideowy łącza danych Internetu rzeczy

       W rzeczywistości w procesie aplikacji i konwersji danych wciąż powstają nowe dane. Te nowe dane są przesyłane zwrotnie w czasie rzeczywistym i powracają do etapu początkowego. Razem z innymi danymi przechodzą one ponownie przez cały proces łańcucha, tworząc proces cyklu „pozyskania informacji zwrotnej od aplikacji” różniący się od tradycyjnego liniowego procesu przetwarzania ropy naftowej w postaci „odpadów produkcyjnych”. Jest to dość podobne do zrównoważonego procesu „zużycia produkcyjnego” recykling” doświadczany przez ropę w ramach gospodarki o obiegu zamkniętym, dlatego zrównoważona strategia biznesowa jest bardzo ważna dla budowy ekosystemu Internetu rzeczy.

       Poniżej znajduje się omówienie krok po kroku sposobu przekształcania danych w zrównoważoną wartość biznesową w łańcuchu danych Internetu rzeczy, zgodnie z krokami pokazanymi na rysunku 2.

Gromadzenie danych: znajdź obszar eksploracji obiektów big data

Rysunek 3:Schematyczny diagram gromadzenia danych w Internecie rzeczy

       Skład i wygląd ropy naftowej różnią się w zależności od miejsca pochodzenia, a oryginalne dane mają formę kompleksową. Słowa, obrazy, dźwięki, symbole, sygnały i inne informacje, które można zdigitalizować za pomocą komputera, mogą stać się oryginalnymi danymi! Ponadto ropa naftowa ma określone wymagania progowe dotyczące geologii, ukształtowania terenu i technologii górniczej miejsca jej pochodzenia, a technologia górnicza zawsze nadąża za duchem czasu. Podobnie dyskusja na temat gromadzenia danych Internetu rzeczy musi również odpowiadać konkretnym scenariuszom i wykorzystywać rozwijające się rozwiązania techniczne do gromadzenia danych.

       Przed powstaniem Internetu rzeczy nasze tradycyjne dane odnosiły się zazwyczaj do stosunkowo statycznych, strukturalnie stałych i dokładnych danych, które pochodziły z przedsiębiorstwa, były ręcznie przetwarzane z klientami lub regularnie odczytywane. Obecnie Internet rzeczy znacznie rozszerza zakres gromadzenia danych. Obejmuje on masywne, dynamiczne dane w czasie rzeczywistym ze sprzętu produkcyjnego, użytkowników i produktów w czasie. Jest bardziej kompleksowy i aktualny niż kiedykolwiek wcześniej, a także wypełnia wiele luk w danych w tradycyjnych procesach biznesowych.

       To właśnie cechy danych Internetu rzeczy, które mają tendencję do bycia „kompletnymi”, „kompleksowymi” i „ogromnymi”, sprawiają, że musimy patrzeć na te dane w inny sposób myślenia. Nie musimy już skupiać się na rygorystycznym związku przyczynowo-skutkowym między ograniczonymi danymi, ale mamy większy wgląd w możliwe relacje między różnymi rzeczami reprezentowanymi przez dane, aby odkryć potencjalną wartość i uchwycić przyszły trend. Pozwólcie, że ujmę to inaczej: Podstawową funkcją danych Internetu rzeczy jest tworzenie bardziej kolorowej przyszłości poprzez „przewidywanie”. Ten nowy sposób myślenia jest bliższy ekologicznemu myśleniu o zrozumieniu ewolucji życia, a nie precyzyjnemu myśleniu o zrozumieniu ruchu mechanicznego.

       Jakie zatem dane IoT można przekonwertować na wartość komercyjną? Z perspektywy wpływu na procesy biznesowe, myślę, że można je podzielić na następujące cztery kategorie:

 
       Dane umożliwiające poprawę efektywności energetycznej i wydajności sprzętu:Technologia Internetu rzeczy może inteligentnie zarządzać zużyciem energii przez sprzęt i optymalizować je, ograniczać ręczny udział i oszczędzać straty energii w całym procesie biznesowym. Z tego powodu ludzie na ogół klasyfikują technologię Internetu rzeczy jako „technologię energooszczędną”.Zgodnie z rzeczywistym scenariuszem zastosowania dane dotyczące zużycia energii, które musimy zebrać, obejmują moc, ciepło, objętość wody, ciśnienie lub obliczony ekwiwalent węgla w czasie rzeczywistym, a także powiązane napięcie, prąd, objętość itp.

       Dane do diagnostyki sprzętu i wczesnego ostrzegania:Na przykład określ temperaturę lokalizacji sprzętu, częstotliwość wibracji sprzętu, przepływ płynu, hałas otoczenia, a nawet ciśnienie szczeliny stykowej sprzętu.Konkretne parametry, które należy zebrać, różnią się w zależności od scenariusza zastosowania, aby zapobiec lub ograniczyć możliwe błędy lub katastrofy w procesie produkcyjnym.

       Dane wykorzystywane w celu poprawy obsługi klienta:Odczulone dane dotyczące transakcji klientów, takie jak ilość transakcji, wolumen transakcji, częstotliwość transakcji, lokalizacja transakcji, rodzaj produktu, ocena klienta, a także dane dotyczące użytkowania przez klientów, takie jak różne dane dotyczące wrażeń przestrzennych dla inteligentnego domu.Dane te mogą nie tylko zapewnić klientom spersonalizowane opinie referencyjne i usługi w czasie rzeczywistym, które pomogą im podejmować decyzje dotyczące transakcji, ale także pomóc przedsiębiorstwom w świadczeniu bardziej spersonalizowanych usług nowym klientom i przyszłym partnerom transgranicznym.

       Dane wykorzystywane do realizacji autoryzacji „jako usługa (xaas)”.:„Sprzęt komunikacyjny” w dobie Internetu rzeczy obejmuje różne przedmioty. Ich normalny czas pracy, odległość przemieszczenia, czas awarii itd. określają, z jakich usług użytkownicy mają prawo korzystać, w jakich warunkach i kiedy.Dane te odgrywają szczególnie znaczącą rolę w transformacji różnych modeli biznesowych typu „as a service”.Na podstawie autoryzacji użytkownicy mogą być również bezpośrednio wyceniani, rozliczani i odliczani online.

wraz ze Scenariuszami zastosowań Internetu rzeczy są zazwyczaj zróżnicowane, a typy danych dostępnych do gromadzenia i analizy będą stale rozszerzane. Wymienione powyżej typy danych mogą być tylko częścią przyszłych danych Internetu rzeczy, ale nowe dane są zasadniczo nierozerwalnie związane z podstawową funkcją „znajdowania trafności, przewidywania wyników i realizacji wartości”. Wokół tego rdzenia można przewidzieć, że dane Internetu rzeczy poprowadzą biznes w nową erę z bardziej inteligentną technologią i bardziej ekologicznym myśleniem!

Przesyłanie, przechowywanie i analiza danych: poszukiwanie skarbów w danych

Rysunek 4:Przesyłanie, przechowywanie i analiza danych w Internecie rzeczy

       Ponieważ dane IoT są wirtualizowane, zmieniają się w czasie i nadają się do ponownego wykorzystania, proces komunikacji, przechowywania i analizy danych IoT ma większą złożoność i elastyczną przestrzeń rozwojową niż przesył, przechowywanie i rafinacja ropy naftowej. Proces ten obejmuje dużą liczbę pojawiających się najnowocześniejszych technologii lub zbiorów technologii, jak pokazano na rysunku 4, w tym różne nowe technologie komunikacyjne i protokoły w dziedzinie komunikacji danych, lokalnych i rozległych technologii sieciowych Internetu rzeczy, a także publiczne lub prywatne przechowywanie w chmurze, przetwarzanie w chmurze, przetwarzanie brzegowe, uczenie maszynowe, sztuczna inteligencja, wizualizacja danych, blockchain itp. w dziedzinie przechowywania i analizy. Ponieważ te przyszłościowe technologie nadal przenikają do biznesu, to połączenie jest również niezwykle łatwe do zrodzenia wywrotowych nowych technologii i nowych modeli biznesowych. Jednocześnie trudno jest uniknąć dymu krótkoterminowych i gorących sporów handlowych i wojen handlowych.

       Spośród tych nowych rozwiązań technologicznych i modeli biznesowych, tylko te nowe technologie, nowe platformy lub nowe modele biznesowe, które mogą integrować bardziej zróżnicowane technologie i zasoby biznesowe, są ostatecznymi zwycięzcami na rynku przyszłych technologii, takimi jak inteligentne układy scalone, komunikacja 5G i systemy operacyjne Internetu rzeczy, które zajmują główny obszar technologii Internetu rzeczy, lub łączą ekologicznych partnerów Internetu rzeczy w górę i w dół, zapewniają platformę danych Internetu rzeczy z bogatymi interfejsami API itd. Formaty komercyjne w erze Internetu rzeczy, od organizacji personelu po architekturę techniczną, mają tendencję do bycia płaskimi i open-source, różne tradycyjne bariery techniczne są przełamywane, a uprawnienia komercyjne są delegowane. Dlatego też umierająca walka niektórych liderów w tradycyjnych branżach również została ujawniona jeden po drugim.

       Aby zrozumieć trend technologiczny i biznesowy tego kluczowego ogniwa, weźmy jako przykład następującą typową architekturę Internetu rzeczy, rozciągającą się od chmury po mgłę.

Rysunek 5:Schemat architektury platformy analizy brzegowej Internetu rzeczy

       Jak pokazano na rysunku, wraz ze wzrastającą dywersyfikacją inteligentnych urządzeń końcowych i scenariuszy biznesowych Internetu rzeczy, wymagane jest, aby transmisja danych i prędkość sprzężenia zwrotnego były szybsze, zwłaszcza w przypadku inteligentnych sieci, poszukiwań ropy naftowej i większości dziedzin produkcji przemysłowej ze zdalną obsługą. Pomysł wdrożenia bliższy mobilnemu Internetowi w początkowej fazie Internetu rzeczy — pominięcie szarego tła na środku rysunku i bezpośrednia centralizacja danych zbieranych przez urządzenia końcowe w chmurze — staje się coraz bardziej nieskuteczny. Oczywiście w przypadku wielu rzeczywistych scenariuszy zastosowań przemysłowego Internetu rzeczy architektura ta musi być dalej personalizowana, co może wiązać się z intelektualizacją różnego starego sprzętu, zarządzaniem interfejsem człowiek-maszyna (HMI) itp.

       W każdym razie pozycja wdrażania rozwiązań technicznych Internetu rzeczy, zwłaszcza przemysłowego Internetu rzeczy, przesuwa się z chmury do warstwy mgły bliżej urządzeń końcowych. Jest to tak, jakby dyrektor generalny chmury delegował uprawnienia do przetwarzania danych menedżerom obszaru mgły w różnych miejscach w celu niezależnego przetwarzania. W ten sposób platforma analizy warstwy mgły może analizować dane w czasie rzeczywistym i podejmować bardziej terminowe i właściwe decyzje biznesowe. Dystrybucja mocy między chmurą a mgłą to sztuka równowagi między centralizacją a partycjonowaniem. Chmura powinna delegować moc, ale nie za dużo. Kluczem jest utrzymanie kanałów przepływu informacji w czasie rzeczywistym między nimi płynnymi, terminowymi i skutecznymi.

       Z tego punktu widzenia ogromne dynamiczne dane generowane przez architekturę Internetu rzeczy są jak płynąca woda. Wyparowuje z „terminali” na całym świecie w parę, mgłę, chmury, deszcz i wraca na ziemię. Jeśli powiemy, że cykl wodny w naturze hoduje ewoluujące rzeczy naturalne za pomocą energii światła słonecznego pod wpływem grawitacji Ziemi, przepływ danych Internetu rzeczy rozwija się i ewoluuje w kierunku sprzyjającym narodzinom każdej pionowej branży i budowie własnego ekosystemu biznesowego za pomocą mądrości ludzi i maszyn.

       Ogólnie rzecz biorąc, ekspansja technologii Internetu rzeczy z chmury do mgły jest zgodna z ekologicznym trendem rozwoju biznesu. Sprawia, że ​​techniczny podział pracy w społeczeństwie komercyjnym jest bardziej szczegółowy, a zarządzanie bardziej płaskie. Spośród wszystkich technologii podziału niezaprzeczalnie kluczowa jest technologia analizy danych. Można powiedzieć, że odgrywa ona rolę łączącą w całym łańcuchu danych Internetu rzeczy i ma natychmiastowy efekt. Najbardziej rzucającym się w oczy obszarem analizy danych jest prawdopodobnie sztuczna inteligencja (AI). Wiele osób uważa, że ​​AI jest pojedynczą technologią. W rzeczywistości tak nie jest. Jest to zbiór różnych technologii związanych z inteligentną analizą danych, od „czujnika wizualnego” i „chipu AI” na poziomie sprzętowym po „rozpoznawanie twarzy”, „bezzałogową jazdę” i „rozpoznawanie mowy” na poziomie aplikacji „Budowanie inteligentnej gospodyni”, „analiza oszczędzania energii” oraz technologia oprogramowania, patenty, standardy, protokoły itp. w nich zawarte są częścią zestawu technologii sztucznej inteligencji.

       W zbiorze technologii sztucznej inteligencji najbardziej prominentnym podzbiorem jest niewątpliwie „uczenie maszynowe”, które wykorzystuje moc obliczeniową komputera do wydobywania cennych informacji lub praw z danych. Relatywnie rzecz biorąc, tradycyjne programowanie oblicza wyniki zgodnie z regułami algorytmu podanymi przez programistę, a maszyna w uczeniu maszynowym może działać jako programista i ponownie wykorzystywać każdy wynik obliczenia jako dane do samodzielnej korekty i ciągłej weryfikacji. Wśród nich, za pomocą wielopoziomowych sztucznych sieci neuronowych (ANN), zastosowanie obliczania i analizowania ogromnych danych w celu uzyskania optymalnego rozwiązania wprowadza „uczenie maszynowe” do jego najważniejszego podzbioru „głębokiego uczenia”. Różnicę między nimi pokazano na rysunku 6:

Rysunek 6:Porównanie tradycyjnego programowania i uczenia maszynowego

       Nie ma wątpliwości, że „głębokie uczenie się” przez długi czas będzie główną konkurencją w dziedzinie analizy danych Internetu rzeczy. Proces głębokiego uczenia się jest równoważny wykorzystaniu wielopoziomowej sieci neuronowej do znalezienia mapy poszukiwania skarbów w labiryncie dużych zbiorów danych i jest to mapa poszukiwania skarbów z optymalną ścieżką. Dzięki tej mapie poszukiwania skarbów (algorytmowi) mamy większe prawdopodobieństwo, że w końcu znajdziemy nowe dzieci (wartość komercyjna) w wielu złożonych danych.

       Mówiąc o tym, nie mogę oprzeć się wrażeniu: Nawet maszyny próbują się uczyć i podejmować inteligentne, niezależne osądy. Dlaczego nie podwoimy wysiłków, aby się uczyć i tworzyć własne, niezależne pomysły? To znalazło oddźwięk u pierwszej francuskiej organizacji przedstawicielskiej w Chinach, która gościła projekt doktora administracji biznesowej (im-dba) w zakresie inteligentnej produkcji i zaproponowała inkluzywne uczenie się. W przybliżeniu wyraziłem ten pogląd na wewnętrznym seminarium: W przyszłości decydenci biznesowi powinni nadal uczyć się i myśleć jak maszyna sztucznej inteligencji „głębokiego uczenia się”, udoskonalać osobiste praktyki (dane) i wydajność (wyniki) w celu kierowania wartościami ideologicznymi (przepisy biznesowe) dla swojej branży, aby utrzymać przewagę konkurencyjną. Ponieważ uczenie maszynowe jest kierunkiem biznesowym wartym zwiększenia inwestycji w przyszłości, osobiste uczenie się przez całe życie jest również kierunkiem życiowym wartym ciągłych inwestycji?

Konwersja danych na wartość biznesową

Rysunek 7:Schematyczny diagram konwersji danych na wartość biznesową

       Na przykład rafinowana ropa naftowa trafia do wszystkich dziedzin życia, aby stać się paliwem lub surowcami produkcyjnymi. Wyniki analizy danych Internetu rzeczy muszą zostać zintegrowane z procesami usług komercyjnych i stać się produktami lub usługami, aby odzwierciedlić ich wartość komercyjną. Mówiąc ogólnie, im więcej usług danych może poprawić zdolność integracyjną komercyjnych zasobów ekologicznych, tym wyższa wartość komercyjnej zrównoważoności.

       Oprócz wartości jako surowca jakim jest ropa naftowa, rzeczywista wartość danych jest równa sumie wszystkich możliwych zastosowań. Można go wielokrotnie wykorzystywać do zmiany procesów biznesowych, poprawy efektywności operacyjnej i generowania wartości dodanej.

       Jaką wartość biznesową można zatem uzyskać z danych? Innymi słowy, jak wycenić dane, nowy rodzaj niematerialnego zasobu w przyszłości? Obecnie nie ma branżowego standardu oceny w tym zakresie. Jednak podobnie jak firmy, które w przeszłości wyceniały różne aktywa, w przyszłości na rynku z pewnością pojawią się nowe firmy zajmujące się wyceną wartości danych.

       W każdym razie, aby przekształcić dane w wartość komercyjną, musimy nie tylko mieć odpowiednie dostępne możliwości techniczne, ale także mieć strategiczną świadomość, że dane mogą zostać przekształcone w wartość komercyjną. Oba są niezbędne. Następujące trzy przypadki mogą dobrze zilustrować tę prawdę.

       Przypadek 1: Po zebraniu danych dotyczących eksploatacji pojazdu i współpracy z zewnętrzną firmą zajmującą się analizą danych, europejski producent samochodów odkrył, że czujnik wykrywania zbiornika paliwa dostarczony przez jego niemieckiego dostawcę ma wadę częstego fałszywego alarmu. Po dokładnym rozważeniu producent samochodów nie zdecydował się bezpośrednio przekazać dostawcy informacji i nakazać mu dokonania korekty. Zamiast tego złożył wniosek o patent na ulepszenie poprzez ulepszenie oprogramowania i odpowiadających mu części zbiornika paliwa, a następnie sprzedał patent dostawcy, aby nawiązać nowe partnerstwo z dostawcą, tak aby znaleźć zrównoważony zwrot komercyjny z jego wczesnej inwestycji. Z przyjemnością zwiększymy zdolność przedsiębiorstw do ekologicznej współpracy biznesowej i podniesiemy poziom rozwoju technicznego całego przemysłu samochodowego, w tym konkurentów.

       Jeśli przypadek 1 został przypadkowo napotkany przez przedsiębiorstwo high-tech w procesie analizy danych i wykorzystało okazję biznesową na czas tylko dlatego, że było świadome jej wartości, to przypadek 2 jest dokładnie odwrotny. Jest to nowy schemat marketingowy aktywnie zaplanowany przez tradycyjne przedsiębiorstwo produkcyjne z Ameryki Południowej, z którym zetknąłem się podczas niedawnej aktywności przeglądu smarties x 2019. Jego unikalny pomysł otwiera oczy. Mówiąc dokładnie, dane w tym przypadku pochodzą z mobilnego Internetu, a nie z Internetu rzeczy, ale ich pomysły na powiązanie nieistotnych danych z wartością biznesową są spójne, co ma również znaczenie referencyjne dla decydentów biznesowych.

       Przypadek 2: Stuletni sklep w Brazylii, który produkuje i sprzedaje garnki, nazywa się tramontina. Widząc coraz mniej młodych ludzi gotujących samodzielnie, perspektywy sprzedaży produktu są niepokojące. Aby zmienić tę sytuację, przedsiębiorstwo utworzyło międzynarodowy zespół projektowy złożony z szefów kuchni, ekspertów od sieci neuronowych, dyrygentów orkiestry i innych profesjonalistów, aby przeprowadzić współpracę typu win-win ze Spotify, światowej sławy siecią muzyczną uwielbianą przez młodych ludzi. Przez pół roku studiowali, jak używać algorytmu „synestezji”, aby skojarzyć słyszenie muzyki ze smakiem jedzenia. Najpierw na Spotify są wyświetlane parametry charakterystyczne dla muzyki, które mogą odpowiadać parametrom gotowania, takie jak negatywny ton odpowiadający gorzkiemu smakowi, koncert grany przez wiele instrumentów odpowiadający ciężkiemu smakowi, czas trwania muzyki odpowiadający liczbie składników, skok nuty odpowiadający temperaturze gotowania itp., a następnie tworzona jest odpowiednia duża baza danych. Następnie za pomocą sztucznej inteligencji dane są konwertowane na przepis o dziesiątkach milionów rzędów wielkości i publikowane na nowej stronie internetowej „smak piosenek”. Na koniec, gdy potencjalni użytkownicy przeglądają, w odpowiednim momencie udzielają wskazówek, jak wybrać patelnię, aby zamienić przepisy w jedzenie, tak aby przyciągnąć coraz więcej młodych użytkowników sieci muzycznej do doświadczenia. W ten sposób staromodna patelnia połączona z gotowaniem spersonalizowanym stała się tak popularna jak muzyka, zmieniając nawyki żywieniowe młodych ludzi i prowadząc ich do kuchni.

Rysunek 8: zrzut ekranu przedstawiający smak piosenek tramontina|

       Z tych dwóch przypadków widać, że dane zebrane celowo lub nieumyślnie mają potencjalną wartość komercyjną. W przyszłości przedsiębiorstwa muszą poświęcić więcej energii na wydobywanie, sortowanie, przesiewanie, analizowanie lub reorganizację zebranych danych i wybrać ścieżkę konwersji odpowiednią dla rzeczywistej sytuacji ich własnego przedsiębiorstwa, tak jak producent samochodów w przypadku 1, Konwertuj dane na nowy biznes z atrybutami własności intelektualnej; Możesz również użyć danych do ustanowienia nowego kanału marketingowego, jak producent naczyń kuchennych w przypadku 2.

       Oczywiście, niektóre przedsiębiorstwa, zwłaszcza te, które mogą podnieść wartość danych wydobywczych do poziomu strategii przedsiębiorstwa, mogą pójść dalej. Często traktują dane jako okazję do zmiany całego procesu biznesowego i przekształcenia modelu biznesowego. W moich poprzednich artykułach na temat „ekosystemu Internetu rzeczy” i „modelu biznesowego PAAS (produkt jako usługa)” przedstawiłem wiele przypadków i przedstawiłem odpowiednią analizę. Właśnie zobaczyłem inny przypadek wymieniony w artykule dr. LV Jianzhonga „ścieżka zrównoważonego rozwoju transformacji przemysłu wytwórczego w kierunku inteligencji cyfrowej”, który jest bardzo jasny i łatwy do zrozumienia. Jest również bardzo reprezentatywny. Fragmenty są następujące:

       Przypadek 3: „W książce „inteligentna transformacja” (transformacja cyfrowa, David Rogers) Jest taka prawdziwa i ciekawa historia: TWC, firma zajmująca się głównie usługami prognozowania pogody, zajmuje się zbieraniem, przetwarzaniem i wysyłaniem prognoz pogody, a następnie publikowaniem reklam na platformie wydawniczej jako swoim głównym modelem biznesowym. Jednak TWC szybko zdało sobie sprawę, że potencjalna wartość danych znacznie przewyższa przychody z reklam. Dlatego utworzyli grupę naukowców zajmujących się danymi pod przewodnictwem Sofii. Zadaniem tej grupy jest przekształcenie narzędzia danych w strategiczny zasób w celu stworzenia wyższej wartości dodanej. Zespół badawczy odkrył, że zmiana pogody miała wpływ na wahania jednej trzeciej działalności gospodarczej w Stanach Zjednoczonych. Dlatego utworzyli wspólną grupę roboczą z Wal Mart w celu opracowania modelu analizy ekonomicznej łączącego dane meteorologiczne, kategorie sprzedaży i wolumen sprzedaży oraz wykorzystania tego modelu do spekulacji na temat tego, które produkty konsumenci będą mieli większy popyt i chęć zakupu w jakich warunkach pogodowych, aby sformułować strategie reklamowe dla popularnych kategorii produktów, na które ma wpływ pogoda, aby uzyskać maksymalne przychody ze sprzedaży i poprawić stopę zwrotu z nakładów reklamowych. Zespół badawczy współpracował również z firmami ubezpieczeniowymi, aby opracować małą aplikację o nazwie hailzone, która przypomina właścicielom samochodów o konieczności umieszczenia samochodów w garażu przed gradem lub śnieżycą. Ta mała aplikacja znacznie zmniejszyła wskaźnik uszkodzeń samochodów, złagodziła niedogodności i irytację właścicieli samochodów, a także zmniejszyła liczbę roszczeń i koszty firm ubezpieczeniowych, co zostało pochwalone przez konsumentów, firmy ubezpieczeniowe, społeczności i inne zainteresowane strony. Nagle wiele osób zarejestrowało się w hailzone. Niektórzy entuzjaści meteorologii przynieśli również własne narzędzia do obserwacji meteorologicznych, aby wysyłać i udostępniać dane o zmianach meteorologicznych monitorowane w ich własnym miejscu na platformie hailzone w dowolnym momencie. W ten sposób platforma hailzone może integrować dużą ilość danych ze wszystkich kierunków co 1.5 sekundy, dawać bardziej aktualne i dokładne prognozy za pomocą specjalnych algorytmów i wejść w pozytywny cykl poprawy jakości i tworzenia wartości.

       W przypadku 3 przedsiębiorstwo świadomie powiązało dane ze środowiskiem zewnętrznym, aktywnie rozwijało zewnętrznych partnerów ekologicznych, utworzyło interaktywną sieć w czasie rzeczywistym ze sprzedawcami detalicznymi, firmami ubezpieczeniowymi, konsumentami, społecznościami oraz innymi instytucjami i osobami oraz przekształciło pierwotną stosunkowo statyczną pogodę prognozowaną bazę danych w aktualizację danych w czasie rzeczywistym i interaktywną platformę z udziałem ludzi i sprzętu, Zapewnij interesariuszom bardziej terminowe usługi o wysokiej wartości dodanej i uzyskaj zrównoważone efekty ekologiczne biznesu, które mogą same rosnąć.

       Krótkie podsumowanie sposobów przekształcania odpowiednich danych w trwałą wartość biznesową obejmuje następujące trzy kategorie lub kombinację tych trzech kategorii:

       Wydzierżawiają prawa do użytkowania własnych produktów lub usług w celu utworzenia platformy danych, która może wchodzić w interakcje, płacić i rozliczać się z użytkownikami (jak w przypadku 1 i 3), na przykład w przypadku niektórych wysokoprogowych leasingów produktów przemysłowych, własności intelektualnej, konsultingu, usług informacyjnych itp. ;

       Utworzenie wygodnych portali usług danych dla partnerów produktowych i użytkowników, a następnie sprzedaż tych uprawnień do portali lub utworzenie nowych kanałów marketingowych (takich jak przypadki 2 i 3), takich jak świadczenie inteligentnych usług logistycznych, korzystanie z produktów i pozwolenia na portal usług płatniczych itp.

       Pomóż klientom dodawać dane zewnętrzne do określonego zbioru danych i świadczyć usługi o wartości dodanej (takie jak przypadek 3), takie jak świadczenie usług zdalnego monitorowania tętna oraz interpretacji i diagnozowania raportów o wykryciu, a także związek wartości dodanej między danymi środowiskowymi a ekonomicznymi zajęcia.

       Jednym słowem kluczem do przekształcenia danych w trwałą wartość biznesową jest zbudowanie własnego ekosystemu wokół łańcucha danych, a jego powodzenie w dużej mierze zależy od tego jak sformułowaćI wdrażaj zrównoważone strategie biznesowe.

       Ten artykuł został przeniesiony z oficjalnego konta think tanku Internet of Things. Jeśli doszło do naruszenia, usuń wiadomość w tle.