物聯(lián)網的相關機會豐富起來，一般而言，這些機會已經可以用于實踐了。

懷著同樣的心情，我們?yōu)?017年分享五種物聯(lián)網解決方案，這是讓你的企業(yè)步入物聯(lián)網成功道路的起點。

1．捕獲新的數(shù)據源

每天，公司從與客戶和供應商的互動中捕獲數(shù)據，還能獲得基于經濟、天氣、社交媒體等的第三方數(shù)據。下面講述如何獲取這些數(shù)據：

找到一條全新的數(shù)據流

為你的企業(yè)設置相關計劃，找到一個新的數(shù)據源。比如，一些工業(yè)設備可能已經有能力輸出信息，但是現(xiàn)在信息可能還沒有被捕獲到?；蛘呖捎玫墓矓?shù)據可以容易地集成并與當前信息相關聯(lián)。

結構化現(xiàn)有的數(shù)據流

你可能有一個現(xiàn)存的非結構化數(shù)據源，但當前的形式不是特別好用。那么充分結構化當前的這份數(shù)據以使它易被企業(yè)其他人訪問，從而帶來新的視野。

容易的機會

觀察流行的消息隊列，諸如Apache Kafka，從而為消息流建立交通樞紐。

通過查看哪些信息可從現(xiàn)有工業(yè)設備中捕獲，來深入鉆研工業(yè)物聯(lián)網。

2．審視一項新應用

頭腦風暴出一項新應用，能交付出新的客戶利益或者操作效率。選擇包括：

一項新的移動應用。

一項用戶體驗推進，通過投遞更加精準和相關的信息實現(xiàn)。

針對客戶和互聯(lián)網商業(yè)的省時工具。

當開展計劃并實施時，問問你自己：

什么樣的數(shù)據源組合能提供最大價值？

這項應用能受益于實時數(shù)據嗎？

我可以移動到一個推模型，而不是一個拉模型的應用程序交互性？

3．建立一個物聯(lián)網分析應用

基于對現(xiàn)有或新數(shù)據的最新觀察的分析幫助業(yè)務向前推動?？紤]將現(xiàn)有的機器學習模型應用到現(xiàn)存工作流上，或者將模型應用于新的即將到來的物聯(lián)網生成的數(shù)據流上。

比如，許多機器學習模型或者在較早的談話統(tǒng)計模型中，可以用預測模型標記語言或PMML來輸出。

具體來說，諸如SAS導出模型到PMML的工具可以直接集成到實時管道中。像Apache Spark這樣的現(xiàn)代轉換層和像MemSQL這樣的分布式數(shù)據庫可以本地托管這些模型，從而可以實時記錄傳入的數(shù)據。

架構師可以擴展當前流行的函數(shù)庫（例如MLlib和TensorFlow），以使用這些工具創(chuàng)建預測分析應用程序。

4．確保正確的基礎數(shù)據架構

成功的IoT部署需要從邊緣數(shù)據收集一直到數(shù)據中心。像OSI Software提供了一款收集工具，可以幫助你將數(shù)據輸入你的管道。

一旦進入數(shù)據中心，一個共同的架構涉及到集成以下層。

消息隊列

在消息層，Apache Kafka和AWS Kinesis是聚集數(shù)據流的常用選項，連接信息的產生者和消費者。

轉化

大多數(shù)數(shù)據管道需要將數(shù)據從捕獲時的狀態(tài)修改為其長期持久性狀態(tài)。轉換分片模式，以便數(shù)據可以在轉換層進行正確分類。

數(shù)據持久性

最準確的預測分析模型涉及實時和歷史數(shù)據，因此能夠持久保留數(shù)據，包括隨時的記錄，設置適當?shù)纳舷挛摹?/p>

實時儀表盤

對于快速可視化當前數(shù)據沒有什么比實時儀表板更能讓人驚喜的了。受歡迎的商業(yè)智能儀表板（如Tableau、Zoomdata或Looker）以及使用D3．js等框架的自定義儀表板，均能允許公司提供對新數(shù)據的廣泛訪問。

5．為企業(yè)設置物聯(lián)網成功的模型

毫無疑問，數(shù)據在當今的商業(yè)環(huán)境中扮演著更重要的角色，每個人都在爭相“轉型”。新的CxO角色，如首席數(shù)據官和首席分析官，使得這一切變得更加明顯。

去年年底，Gartner估測25％的大型跨國企業(yè)已經雇傭了一個首席數(shù)據官。到2019年，Gartner預期此數(shù)據會達到90％。

此外，Gartner看到了高級分析的興起：

到2018年，Gartner預測，超過一半的大型組織將使用先進的分析和專有算法進行競爭，破壞整個行業(yè)。這反過來又受到激增的設備、連接的“事物”、連接性和計算能力所驅使，所有這些都創(chuàng)造了更多的機會來收集數(shù)據，分析數(shù)據，并可能實現(xiàn)貨幣化。

從來沒有比現(xiàn)在更好的時機來開啟你的物聯(lián)網架構規(guī)劃。