隨著低成本紅外傳感器、無處不在的連接性以及海量數據的興起，“物聯網”必將改變世界。我們都曾聽說，到2050年，數十億美元和數十億的物品將組成此大趨勢，但這并未反映全部的情況。與“物”本身的問題相比，開啟物聯網的真正潛力需要在更大程度上克服數據挑戰。

對這些數據挑戰最貼切的描述是“終點前最后一英里”問題，從通過設備、機器和遠程平臺來提取數據，到詮釋數據，到驅動生產率和展現最佳性能，都是挑戰。無論是互聯的家庭或可穿戴技術或工業規模的解決方案，新數據收集和能深度理解及深層次研究所挖掘的公開信息之間往往存在脫節。換句話說，這些解決方案可以收集數據，但卻不能幫助人們查看和理解自己挖掘的數據。

克服這些障礙、使物聯網跨越終點有三個關鍵點。

1. 通過交互實現更深層次的探索

智能手機并不僅僅是物聯網中的工具，實際上它們為物聯網的障礙之一提供了一個著名的類比。當史蒂夫·喬布斯(Steve Jobs)第一次向世界介紹iPhone的時候，他強調了革命性的新型“巨型屏幕”設計與現有按鍵手機技術之間的反差。這是一個巨大的進步，而他用以支持這項創新的理由非常簡單：每個應用程序都需要自己的屏幕和用戶界面。用他的話說，按鍵的失敗之處“在于按鍵和控件無法改變”。它們無法為每個應用程序改變;如果以后您有另一個很好的想法并希望將其添加到這個產品，它們仍然無法改變?！?/p>

這個理由在分析學領域同樣適用。我們要求數據都有的圖表和可視化視角–這對于構成物聯網基礎的海量傳感器數據尤其如此。不幸的是，多數物聯網應用程序采用了一成不變的視圖，或閉端式儀表板。它們只能回答預先設定的一套問題，用戶無法得到更多幫助。

正因為這樣，您需要通過一款靈活的工具來根據自己不斷發展的需求，從而使用戶可以根據用戶或機構的需求以不同方式進行數據造型和建模。

交互性、可研究性和共享性是使物聯網數據有用而無需龐大數據項目的關鍵。理想情況下，用戶將能夠與他們的數據和其他數據探索進行隨意且深入的對話，使他們能夠發現各種排列，甚至有時發現他們未知的存在著的模式。

例如，您也許可以使用一個觀察故障引擎、燃氣輪機或機車歷史活動數據的IoT應用程序，以預測失效條件及故障發生頻率。但是，如果您想知道故障次數最多的零件或了解是哪個工廠、什么時候生產的這些零件或了解是哪些供應商造成的問題最多，這時，交互性和共享性就起到關鍵作用。

2. 通過數據融合拓寬分析范圍

互連設備以我們在幾年前無法想象的方式改變了日常生活。在它們的數據中深藏著尚未有人講述的故事。要探索這些故事，我們需要將物聯網數據與更多的背景結合。

讓我們從一個消費者案例開始：您想要梳理您的Fitbit數據以確認您的運動養生和睡眠模式之間是否存在可能的聯系。您希望知道：

●白天的體力活動如何影響自己的睡眠模式?

●充足的睡眠是否會提升自己的表現?

Fitbit的本地儀表盤只允許您分析健康數據。但是如果導出數據，您就可以將這些信息與其他信息結合，比如追蹤您身體活動以及食物攝取、身體量測和睡眠模式的數據。導出數據這一方法可能并不理想，但有時這是擴展分析范圍的唯一方法。

目前，事實上人們不再通過整合不同的數據來估測企業級的決定。內嵌在噴氣發動機上的傳感器可幫助我們預測何時需要維修。它能幫助我們預先避免故障從而節省數十億美元…例如，通過將其與產生的信息整合，其有助于我們按產品和地區分別了解較之預算的節約額。

3. 迭代和快速行動

在我們生活的世界，“完美數據”這種說法越來越顯得自相矛盾。不管數據是怎樣編譯的，您都可能無法連接到用于存儲它們的源。數據還可能在某些關鍵方面并不完整，或者數據格式不利于進行深入分析。這些缺點在物聯網應用程序中越來越普遍，因為人們尚未針對用于支持設備互操作性的標準和協議達成一致。

我們不能讓自己的業務因為不良數據或殘缺數據而陷入癱瘓，我們必須利用已有的資源，以迭代的方式尋找正確答案。在迭代過程中，我們學會將“合格”的數據與真正糟糕的數據分開。合格的數據通常足以定向性地回答幾乎所有問題。此外，通過更好地了解數據缺口，我們可以獲得更好的數據。這將有助于解決流程問題，進而改善數據的捕獲和攝取方式，并幫助我們更進一步接近物聯網的終點。

本文轉自d1net（轉載）

總結

以上是生活随笔為你收集整理的开启物联网的真正潜力需要在更大程度上克服数据挑战的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。