民主化分析是为SMB带来联网成功的关键
技术通常被称为中小型企业的出色均衡器，使他们能够比过去更有效地与行业巨人竞争。物联网是公司正在吸引的最新技术推动者，它有望改变工作场所，尤其是随着企业部署的设备数量不断增长。
肿胀的物联网热情是可以理解的。企业正在为业务运营的各个方面使用设备，并传感器变得更加负担得起，公司可以更好地利用它们记录从人类互动到机器活动的所有内容。这使企业可以访问前所未有的原始数据，可以将其馈入他们的分析中以推动整个公司的改进。
物联网是否使制造商能够优化工厂操作或帮助零售商改善客户体验，物联网炒作是由于一些早期采用者的狂热成功所吸引的。此外，最近提高了新闻头条的高级物联网概念正在进一步推动兴奋 - 有关特斯拉，Uber和传统汽车公司（例如福特）建造依赖物联网或像亚马逊这样的动作的自动驾驶汽车等故事扩展Alexa到新产品和设备。
但是，大多数炒作是由行业巨人的投资（Google，Amazon，Fords和Ebays of World的投资）所驱动的。那较小的企业呢？热情可能很高，但是您通常不会读到许多中型或中型企业，充分利用了他们可用的广泛数据来促进物联网项目。如果您可以在小型企业看到的IoT成功中投入数字，那么事实可能与热情不符。
物联网难题：SMB面临数据劣势
许多企业完全利用物联网面临的最大挑战是，他们的数据和分析策略的定义首先是模棱两可的。一些企业会说他们有报告和分析策略，当他们实际拥有的只是数据可视化解决方案时Tableau- 更糟糕的是，他们的策略构成了某种基本的电子表格报告。在这些情况下，他们的IoT计划从一开始就注定要失败。
即使企业确实有适当的策略，大多数人都缺乏合适的人员 -数据科学家- 成功管理该过程。数据科学家在数据和分析策略中起着至关重要的作用，他们可以指导，解释和验证产出。新的工具和技术可以帮助企业处理数据，但是人员是幕后的大脑，不容易被替换。这就是为什么一些数据科学家每年指挥薪水和25万美元以上的收益。
这个问题只能通过以下事实更加复杂，即制定和执行综合数据和分析策略是一个真正的挑战。你需要能够有效地管理数据，从收集到清洁和准备。然后，您必须能够确定哪种分析模型将产生最佳的预测，这需要数据科学家的专业知识来训练，测试，评估和评分模型。设置了数据和模型后，您需要弄清楚如何操作分析并将其用于生产。最后，面对不断变化的业务条件，该过程本身必须始终在审查中。
归根结底，成功的物联网部署的所有这些不同要素都花费了金钱和资源，这就是为什么迄今为止物联网的真正承诺仅限于行业泰坦。
物联网的新方法
当设计一个将最大化物联网价值的数据和分析策略时，每个业务都面临着自己的独特挑战。但是，那资源问题在大多数SMB中持续存在，答案并不像雇用大量数据科学家团队那样简单 - 这是不可行的。尽管分析作为服务可以为大多数组织也无需提供支持文本范围的自用用例，例如文本之间的用例，“外包”整个过程。即使是使数据科学家更有效的新工具的涌入也不会对小型企业的分析民主化产生太大影响。
一个可能的答案是自动化。现在，您可能在想“那不是现有工具已经在做什么吗？”为了认真地在这一领域取得进步，必须使分析过程能够自我学习，而不仅仅是将学习应用于分析的输出。这种下一代方法将将元学习原则应用于机器学习，其中从一台机器或实体学习自动应用于其他机器或实体。
元学习将通过以元数据的形式从先前的机器学习实验中捕获学习实验的成本，然后将这些学习应用于将来的实验。这是至关重要的，原因有几个：
- 您可以大大提高分析模型的准确性，这将直接影响您的业务成果。
- 您可以取得更快的成果，这使您的业务更加敏捷。分析只有在企业在相关性的情况下获得它们的情况才能有用，并且改善的敏捷性帮助企业更快地实现并采取信息行动。
- 您可以更好地控制基础架构，并控制运行的成本机器学习算法。这一点尤其重要，因为随着物联网设备的扩散，企业可用的数据量正在成倍增长。
鉴于分析技能短缺 - 除了数据技能的短缺 - 许多企业并没有充分利用物联网的承诺。但是，如果该行业可以使分析民主化，那么更多的企业可能会更好地利用资本化。这种下一代方法实质上是自动化数据科学生命周期，从而大大减少了对大多数组织无法获得的高成本和高需求资源的需求。
所有的物联网议程网络贡献者都负责其帖子的内容和准确性。意见是作家的，不一定会传达物联网议程的思想。