IOT生态战略（一）：如何将数据转化为可持续的商业价值？

       导读

       物联网产生的数据正逐渐成为大数据的主力军，本文旨在探讨大多数创新型企业高管十分关心的一个问题：如何沿着物联网数据链，将数据一步步转化为可持续的商业价值？

“虽然这些数据还没有计入企业的资产负债表，但这只是时间问题。”

       ——大数据时代维克多·梅尔·勋伯格

       有人说数据对社会的作用就像石油，也有人说数据对社会的影响将超越石油。我觉得都没错。数据和石油都是推动社会变革的能源，它们的产生和应用过程相同；然而，数据拥有许多石油无法比拟的特性：它可以重复使用、复制，并且可以高速传输，因此数据对社会的影响将远远超过石油！

       无论如何，将数据比作石油，有助于更好地理解物联网数据链的脉络。我恰好在一家石油公司工作过，对石油的业务流程有所了解。我们不妨将数据比作石油。

       石油在未被开采之前，只是沉积在地壳中的一种成分复杂的碳氢化合物混合物，但一旦从地下喷涌而出，便可作多种用途，成为现代社会的各种必需品，如燃料（汽油、柴油等）、润滑油、化工原料、塑料制品等，其商业价值也逐渐展现得淋漓尽致。

       挖掘数据商业价值的过程，就如同炼制虚拟数字石油。

图1：石油产销流程物联网数据链路

       如图1所示，对于物联网来说，挖掘数据价值也应该从寻找数据矿开始，然后通过不断提升数据收集、通信、存储和分析的能力，进一步将经过筛选和分析的数据转化为能够体现企业优势的商业价值。这个过程形成了一个类似石油产销过程的数据链路：数据采集（石油开采）、数据通信（石油运输）、数据存储与分析（石油储炼）、应用并转化为商业价值，如图2所示。

图2：物联网数据链路示意图

       现实中，在数据应用与转换的过程中，依然会产生新的数据，这些新的数据实时反馈，回到初始阶段，与其他数据一起再次走完整个链条过程，形成不同于石油传统“生产—消费—浪费”线性过程的“采集—应用—反馈—采集”循环过程，这与石油在循环经济下所经历的“生产—消费—循环”的可持续过程颇为相似，这也是可持续商业战略对于物联网生态系统构建至关重要的原因所在。

       下面按照图2所示的步骤，逐步探讨如何沿着物联网数据链，将数据转化为可持续的商业价值。

数据采集​​：寻找大数据目标挖掘区

图3：物联网数据采集示意图

       原油的成分、外观因产地而异，原始数据在形式上包罗万象。文字、图片、声音、符号、信号等所有能被计算机数字化的信息都可以成为原始数据！此外，石油对其产地的地质、地貌、开采技术都有特定的门槛要求，而开采技术总是与时俱进的。同样，物联网数据采集的探讨，也要对应具体的场景，采用不断发展的技术方案进行采集。

       在物联网兴起之前，我们传统的数据一般是指相对静态、结构固定、精准的数据，这些数据来源于企业内部、人工与客户交互或定期读取。如今，物联网将数据采集的范围大大扩展，它包含了来自生产设备、用户和产品随时间变化的实时海量动态数据，比以往更加全面、及时，填补了传统业务流程中的诸多数据空白。

       正是物联网数据趋向于“完整”“全面”“海量”的特性，使得我们不得不用不同的思维方式去看待这些数据。我们不再需要关注有限数据之间严谨的因果关系，而是更加洞察数据所代表的各种事物之间可能存在的关联，从而发现其中的潜在价值，把握未来的趋势。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，而非理解机械运动的精确思维。

       那么，哪些物联网数据能够转化为商业价值呢？从其对业务流程的作用角度，我认为大致可以分为以下四类：

 
       提高设备能源效率和性能的数据：物联网技术可以对设备的能耗进行智能化管理和优化，减少人工参与，节省整个业务流程的能源损耗，这也是人们普遍把物联网技术归类为“节能技术”的原因。根据实际应用场景，我们需要采集的能耗数据包括实时的电量、热量、水量、压力或者计算的煤当量，以及相关的电压、电流、体积等。

       设备诊断预警数据：例如指定设备位置的温度、设备振动频率、流体流量、环境噪声，甚至设备接触间隙的压力。具体需要采集的参数根据应用场景不同而不同，从而防止或减少生产过程中可能出现的故障或灾难。

       使用数据来改善客户服务：脱敏的客户交易数据，例如交易数量、交易额、交易频率、交易地点、产品类型、客户评分，以及客户的使用数据，例如智能家居的各种空间体验数据。这些数据不仅能够为客户提供个性化的参考意见和实时服务，帮助客户做出交易决策，还能帮助企业为新客户以及未来的跨境合作伙伴提供更加个性化的服务。

       用于实现“即服务（XAAS）”授权的数据：物联网时代的“通信设备”包括各种各样的物体，它们的正常运行时间、位移距离、故障时间等决定了用户在什么条件下、何时有权使用什么服务。这些数据在各种“即服务”商业模式的转型中发挥着尤为突出的作用。在授权的基础上，用户还可直接在网上计价、结算、扣款。

随着物联网应用场景趋于多元化，可供采集和分析的数据类型也将不断拓展。以上提到的数据类型或许只是未来物联网数据的一部分，但新的数据基本都离不开“发现关联、预测结果、实现价值”这一核心功能。围绕这一核心，可以预见，物联网数据将以更智能的技术、更生态的思维，引领商业进入一个全新的时代！

数据通信、存储与分析：数据中的寻宝

图4：物联网数据通讯、存储与分析

       由于物联网数据虚拟化、随时间变化、可重复使用等特点，物联网数据的通讯、存储和分析过程相较于石油的输送、储存和炼制，拥有更大的复杂性和灵活的发展空间。这一过程涉及大量新兴的前沿技术或技术集合，如图4所示，包括数据通信领域的各种新型通信技术和协议，局域和广域物联网技术，以及存储和分析领域的公有或私有云存储、云计算、边缘计算、机器学习、人工智能、数据可视化、区块链等。由于这些前瞻性技术不断向商业渗透，这一环节也极易催生颠覆性的新技术、新商业模式，同时也难以避免短暂而白热化的贸易争端和商战硝烟。

       在这些新的技术方案和商业模式中，只有那些能够整合更多元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终赢家，比如占据物联网技术核心领域的智能芯片、5G通信、物联网操作系统，或者连接物联网上下游生态伙伴、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从人员组织到技术架构都在趋向扁平化、开源化，各种传统的技术壁垒正在被打破，商业权限正在被下放，因此，一些传统行业领头羊的垂死挣扎也陆续显露出来。

       如何把握这一关键环节的技术和商业趋势，以以下典型的从云到雾延伸的物联网架构为例。

图5：物联网边缘分析平台架构图

       如图所示，随着智能终端设备以及物联网业务场景的日益多样化，要求数据的传输和反馈速度更加快速，特别是对于智能电网、石油勘探以及大多数具有远程操作的工业制造领域，物联网初期更接近移动互联网的部署思路——省略图中中间的灰色背景，直接将终端设备采集的数据集中到云端——越来越显得无效。当然，对于很多实际的工业物联网应用场景来说，这种架构需要进一步个性化，可能涉及到各类老旧设备的智能化、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位置，正在从云端向更靠近终端设备的雾层转移。这就好比云端总经理将数据处理权限下放给各地的雾区管理人员进行独立处理。这样，雾层分析平台就能更实时地分析数据，做出更及时、更恰当的业务决策。云与雾之间的权力分配，是一门在集中与分割之间的平衡艺术。云应该放权，但不能放得太多。关键在于保持两者之间实时信息流通道的畅通、及时和有效。

       从这个角度来看，物联网架构产生的海量动态数据，就像流动的水，从世界各地的“终端”蒸发成蒸汽、雾、云、雨，最终回归大地。如果说自然界的水循环在地球引力的作用下，借助阳光的能量孕育着不断演进的自然万物，那么物联网的数据流则朝着有利于各个垂直行业诞生、借助人与机器的智慧构建自身商业生态的方向发展演进。

       总的来说，物联网技术框架从云到雾的拓展，顺应了商业发展的生态趋势，它使得商业社会中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，可以说它在整个物联网数据链条中起着承上启下的作用，并且具有立竿见影的效果。数据分析中最受瞩目的领域，或许就是人工智能（AI）。很多人认为AI是一项单一的技术，其实不然，它是与智能数据分析相关的各种技术的集合，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，都是人工智能技术集的一部分。

       在人工智能技术的集合中，最突出的子集无疑是“机器学习”，它利用计算机的计算能力从数据中挖掘有价值的信息或规律。相对而言，传统编程是按照程序员给出的算法规则计算出结果，而机器学习中的机器可以充当程序员的角色，将每一次计算结果重新作为数据进行自我修正和不断验证。其中，借助多级人工神经网络（ANN），将海量数据计算分析至最优解的应用，将“机器学习”带入其最重要的子集“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比较

       毫无疑问，“深度学习”在未来很长一段时间内都会是物联网数据分析领域的核心竞争。深度学习的过程相当于用多级神经网络在大数据迷宫中寻找一张寻宝地图，而且是一张有最优路径的寻宝地图。有了这张寻宝地图（算法），我们更有可能在众多复杂的数据中最终找到新的宝贝（商业价值）。

       说到这儿，我不禁感慨：连机器都在努力学习，做出智能的独立判断。我们何不加倍努力，学习形成自己独立的理念呢？这与法国首个在华代表机构主办智能制造工商管理博士（IM-DBA）项目，并提出包容性学习的理念产生了共鸣。我在内部研讨会上大致表达了这样的观点：未来商业决策者应该像“深度学习”的人工智能机器一样，不断学习和思考，将个人的实践（数据）和业绩（成果）提炼成指导行业的思想价值观（商业规律），从而保持竞争优势。既然机器学习是未来值得加大投入的商业方向，那么个人的终身学习也是值得持续投入的人生方向吗？

将数据转化为商业价值

图7：数据转化为商业价值示意图

       例如成品油进入各行各业，成为燃料或生产原料。物联网数据分析的结果必须融入商业服务流程，成为产品或服务，才能体现其商业价值。一般而言，越多能够提升商业生态资源整合能力的数据服务，商业可持续性的价值就越高。

       数据除了作为石油等原材料的价值外，其实际价值等于所有可能用途的总和，可以反复利用，改变业务流程，提高运营效率，创造增值。

       那么，数据究竟能转化为多少商业价值？或者说，如何对数据这种未来新型无形资产进行估值？目前，这方面还没有行业评估标准。不过，就像过去评估各类资产的公司一样，未来市场上必定会出现一些令人耳目一新的数据价值评估公司。

       无论如何，要将数据转化为商业价值，不仅要具备相应的技术能力，更要有数据可以转化为商业价值的战略意识，两者缺一不可。以下三个案例，可以很好地说明这个道理。

       案例一：一家欧洲汽车制造商在收集车辆运行数据并与外部数据分析公司合作后，发现其德国供应商提供的油箱检测传感器存在频繁误报的缺陷。经过慎重考虑，该汽车制造商没有选择直接告知供应商该信息并责令其整改，而是通过改进油箱上的软件和相应部件为该改进申请了专利，随后将该专利出售给供应商，与供应商建立新的合作伙伴关系，以期为其前期投资寻求可持续的商业回报，并乐于提升企业的商业生态合作能力，提升包括竞争对手在内的整个汽车制造业的技术发展水平。

       如果说案例1是一家高科技企业在数据分析过程中偶然遇到的，仅仅因为意识到了它的价值而及时抓住了商业机会，那么案例2则恰恰相反。它是我在近期Smarties x 2019评测活动中接触到的一家南美传统制造企业积极策划的全新营销方案，其独特的思路令人大开眼界。确切地说，这个案例的数据来源于移动互联网而非物联网，但他们将不相关的数据关联成商业价值的思路是一致的，这对于商业决策者也具有借鉴意义。

       案例二：巴西一家生产和销售炖锅的百年老店名为Tramontina。眼看着自己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，该企业组建了由厨师、神经网络专家、乐队指挥等专业人士组成的国际项目团队，与深受年轻人喜爱的全球知名音乐平台Spotify展开强强联手。他们花了半年时间研究如何利用“联觉”算法将音乐听觉与食物味觉关联起来。首先，在Spotify上筛选出能够与烹饪参数对应的音乐特征参数，例如负音对应苦味，多种乐器演奏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，并建立相应的大型数据库。然后，利用人工智能将这些数据转化为千万量级的菜谱，发布在“歌的味道”新网站上。最后，在潜在用户浏览时，及时给出如何选择平底锅，将食谱变成美食的指导，从而吸引越来越多的乐视网年轻用户体验。就这样，老式平底锅结合个性化烹饪，像音乐一样变得流行起来，改变着年轻人的饮食习惯，引导他们走进厨房。

图 8：tramontina|flavor of songs 的屏幕截图

       从这两个案例可以看出，有意或无意收集的数据都具有潜在的商业价值。未来企业需要投入更多精力对收集到的数据进行挖掘、整理、筛选、分析或重新组织，并选择适合自身企业实际情况的转化路径，就像案例1中的汽车制造商一样，将数据转化为具有知识产权属性的新业务；也可以像案例2中的厨具制造商一样，利用数据建立新的营销渠道。

       当然，有些企业，尤其是那些能够将挖掘数据价值上升到企业战略高度的企业，可以走得更远。他们往往以数据为契机，改变整个业务流程，重塑商业模式。我在之前关于“物联网生态系统”和“PAAS（产品即服务）商业模式”的文章中，介绍了很多案例，并给出了相关的分析。刚才看到吕建中博士的文章《制造业向数字智能转型的可持续发展路径》中提到的另一个案例，讲解得非常清晰易懂，也很有代表性。摘录如下：

       案例三：在《数字化转型》（Digital Transformation，David Rogers）一书中，有这样一个真实而有趣的故事：一家主营天气预报服务的公司TWC，以收集、处理和发送天气预报，然后在发布平台上发布广告作为其主要商业模式。然而，TWC很快意识到数据的潜在价值远远超过了广告带来的收益。于是，他们成立了一个由Sofia领导的数据科学家团队。这个团队的任务是将数据工具转化为战略资产，以创造更高的附加值。研究团队发现，天气的变化对美国三分之一的经济活动的波动有影响。于是，他们与沃尔玛组成了一个联合工作组，建立了一个将气象数据与销售品类和销售量联系起来的经济分析模型，并利用该模型推测消费者在什么样的天气条件下对哪些产品会有更高的购买需求和意愿，从而针对受天气影响的热门产品品类制定广告策略，以获得最大的销售收益，提高广告投入产出的回报率。研究团队还与保险公司合作，开发了一款名为“hailzone”的小程序，提醒车主在冰雹或暴风雪来临前将爱车移入车库。这款小程序大大降低了车损率，减轻了车主的不便和烦恼，也减少了保险公司的理赔金额和成本，受到了消费者、保险公司、社区等相关利益者的一致好评。一时间，注册“hailzone”的人越来越多。一些气象爱好者还自带气象观测工具，随时将自己所在地监测到的气象变化数据发送分享到“hailzone”平台上。这样，hailzone平台就能每隔3秒整合来自四面八方的大量数据，通过特殊算法给出更实时、更精准的预报，进入质量提升、价值创造的正向循环。

       案例3中，企业有意识地将数据与外部环境进行链接，积极发展外部生态伙伴，与零售商、保险公司、消费者、社区等机构和个人建立实时交互网络，将原来相对静态的天气预报数据库改造成有人员和设备参与的实时数据更新与交互平台，为利益相关方提供更加及时的高附加值服务，获得能够自我成长的持续性商业生态效应。

       相关数据转化为可持续商业价值的方式简单概括包括以下三类，或者这三类的组合：

       将自身产品或服务的使用权出租，形成能与用户交互、支付结算的数据平台（如案例1、3），比如一些门槛较高的工业产品租赁、IP、咨询、信息服务等；

       为产品合作方和用户建立便捷的数据服务门户，然后将这些门户权限出售或者建立新的营销渠道（如案例2、3），例如提供智能物流服务、产品使用和支付服务门户权限等。

       帮助客户在指定的数据集中添加外部数据并提供增值服务（如案例3），例如提供远程心率监测服务和检测报告的解读与诊断，以及环境数据与经济活动之间的增值关系。

       总之，将数据转化为可持续的商业价值的关键是围绕数据链构建自己的生态系统，而它的成功很大程度上取决于如何制定并实施可持续的经营战略。

       本文转自物联网智库公众号，如有侵权请后台留言删除。