按需网络研讨会：将物联网和分析能力从定制解决方案发展为标准功能。现在看。
工业物联网(IIoT)领域的进步为理解世界创造了丰富的新机会，但也带来了利用大量数据来改善决策的挑战。随着连接设备数量的持续增长，手工数据收集方法很快变得不实用。实施应用分析来产生有意义的见解以改进决策的系统需要大量的时间和精力，但它的好处不能被夸大。工业物联网中的分析可以实现更明智的决策，让公司达到远远超出他们之前意识到的业务绩效水平。
公司应该在实施分析的过程中开始吗？在这篇文章中，我们概述了一个四阶段分析到期模型（改编自http://bluehillresearch.com/iot-analytics-in-practice/（2015））。四个阶段中的每一个都引入了从完全手动导向的数据收集和解释制度转换为智能业务流程的关键能力，以防止出现问题，监控决策的结果，以了解什么是有效的，并不断更新的解释和行动回应不断变化的世界。
第1阶段：收集自动化
自动化数据收集是以显着的方式采用IIOR分析的旅程中的重要步骤。手动集合有限制，包括数据准确性和容量。手动进程还可以限制正在收集的信息类型。有许多环境，其中一个人收集数据是不切实际或不安全的，例如在记录洗碗机的水温时。
自动化减轻了这些限制，提供了一致的测量，并有机会收集以前无法访问的测量类型。先进的无线传感器的使用开启了自动数据收集的潜力，并有助于识别由于采样或平均可能是不可见的重要事件。
在分析到期模型的第1阶段，公司从手动数据收集到自动数据收集
无论分析数据量如何，数据都可能是一个具有挑战性的事业。随着收集自动化启用的数据的数量增加和复杂性，对数据的解释扩展到自动化也很重要。我们使用“模型”一词来参考数据模式之间的关联，并对现实世界中反映的内容进行解释。心理模型是人们如何看待数据并迅速判断它反映的内容（以及应该采取的，如果应该采取的行动），但人们在对数据的解释中令人惊奇地不一致，并且往往无法解释他们为什么这一判断。
在代码中捕获的模型可以移除人类变异性，并且可以比手动解释更进一步缩放数据解释。这些模型可以从主题专家（中小企业）的域名知识中反映真实的专业知识，并应基于历史趋势和观察到的行为，而不是本能或感受。通过将描述性分析模型应用于数据，推断基于数据中的相关模式所发生的实际事件来生成数据的解释。
分析成熟度模型的第二阶段将自动化扩展到数据解释
类似于描述性分析，预测分析应用模型以解释数据中的模式，从实时，历史和上下文数据源中绘制。但是，存在显着差异：通过预测分析，数据的解释是尚未发生的事件。解释预测了什么事件将发生，而不是什么事件做过发生。
预测分析是能够积极决策的到期模型中的第一阶段。这可能对企业的运作方式产生深远的影响，因为它提供了避免特定（负）事件的可能性。假设您的组织经历了许多冰箱故障，故障冰箱在失败之前在除霜事件的时序中经历了类似的波动。通过预测分析可以预测未来的失败，通过监测除霜中的周期性，并推断出未决，通过识别出故障替换这些机器的需要（具有相关产品损失或增加风险）来迫在眉睫，节省时间和努力。销售被宠坏的食物或药品）。
机器学习（ML）是指一组技术可以采用大量数据，并自动检测与标记结果一致的模式。ML通常会改善人们手动定义模型的能力，因为它不会遭受人类易受的许多偏见。它还可以评估一个可能对人们识别的关联可能太小的潜在模式。当分析在一起时，它可以是强烈的预测能力的基础。机器学习在预测模型中特别有用，因为收集了“证据”的时间和“结果”表单之间的时间为人们准确创造了进一步的困难，以准确开发模型并克服认知偏见。
分析成熟度模型的第三阶段支持主动的决策制定
如前所述，预测分析利用数据来预测未来的事件，这使得能够积极决策（采取行动以防止负面事件或最大化正事件发生的机会）。以前的成熟阶段已经超越了许多组织目前正在使用分析的水平的界限，但有更多机会改善业务流程。
规定的分析利用模式匹配和预测的模型，就像描述性和预测分析一样，但通过自动生成对这些数据解释的响应来扩展这一点。回到我们的示例之前，如果系统在冰箱中识别迫在眉睫的故障，因为特定部分可能发生故障，系统可以采取行动并订购替换部分并启动服务呼叫以在发生故障之前更换部分。
自动生成响应动作的一个关键好处是，应用机器学习开发模型的一般方法可以准确地将数据模式与事件关联起来，从而对采取的动作与结果之间的关系进行建模。这意味着系统可以监控它建议的行动，并随着时间的推移积累关于不同环境下不同行动的有效性的统计数据，这些数据构成了学习在特定环境下采取最佳行动的基础。通过不断监测行动和结果，并对扩大的历史案例集进行重新学习，这样的系统能够适应不断变化的世界，在旧的行动不再有效时学习新的最佳行动。
分析成熟度模型的第四阶段提供了在特定情况下学习最佳行动的基础，随着时间的推移学习新的最佳行动
数据收集自动化只是改进业务流程的开始。通过应用描述性分析，公司可以自动解释正在收集的大量数据。预测分析侧重于确定未来将发生的事件，给组织时间来干预已确定的问题，在问题发生之前预防问题。最后，说明性分析不仅应用学习反馈循环，根据传感器证据解释世界上正在发生的事情，而且还识别哪些行动最有可能产生良好的结果，使持续学习不断适应变化的世界。
这允许组织智能地行动，在连续感觉→解释→ACT反馈循环，节省时间和金钱，并接近IIT的潜在价值。
别忘了冲洗并重复！
通过分析到期模型完全进步的公司可以实现连续感觉→解释→ACT反馈环，适应变化的世界
订阅对于我们的博客来说，在食品安全，药房安全和供应链洞察中获得定期的电子邮件更新。