物联网经济学——服务提供商和企业的经验教训
451 Research 的 Owen Rogers
许多组织已将其基础架构迁移到公共云环境，现在许多组织正在使用云服务来管理物联网。
事实上，超过三分之二的企业将边缘和近边缘计算资产用于物联网分析、机器和其他物联网数据。为了容纳这些数据，AWS 等领先的超大规模云提供商 , 谷歌 和 微软 在即用即付的基础上提供可供企业使用的云物联网产品。
今年早些时候，451 Research 的数字经济和物联网分析师 检测到 Azure 的物联网定价削减了约 50%。这一重大变化让分析师提出疑问：“有没有办法找出哪个超大规模云物联网平台（AWS、谷歌和微软）最便宜？”
从本质上讲，该团队想了解哪些成本参数（例如消息的平均大小、消息数量和注册表更新数量）对选择最便宜的提供商的影响最大。但该团队的最终目标是了解总体而言哪个供应商最有可能是最便宜的。
在确定了可能对成本影响最大的九个定价参数后，分析师实施了机器学习策略并构建了一个 Python 模拟来自动比较 AWS、谷歌和微软的美国定价模型。
通过 10,000,000 次模拟的样本大小，451 名研究分析师发现 Azure 和 AWS 在某些情况下具有成本效益（如决策树图所示）。微软在规模上通常似乎更便宜，而 AWS 在当今大多数企业用例中更便宜。然而，在进行的任何模拟中，都没有发现谷歌最便宜。
他们试图为这个物联网经济学难题找到答案的经验得出了两个结论。首先，机器学习即服务的可访问性为他们提供了我们以前根本没有的发现能力。
然而，虽然机器学习的大部分复杂性被抽象出来，但仍然需要深入的知识来解开定价模型的复杂性，以便可以使用机器学习。换句话说，对于企业来说，只有机器学习专家是不够的。
需要数据背景下的专家才能使机器学习可行，这意味着为员工提供这些技术的基础，以便这些专家可以利用这些工具和机器学习专家。垂直专业可以发挥重要作用。
第二个结论是，即使定价模型被简化，细微差别也会增加复杂性，而且它们的影响往往不明确。今天的事实是，如果企业想要自信地了解其云账单，往往需要手动计算成本。
这根本不切实际，而且大多数云消费者并不确切了解他们在为什么付费。这不是“就像电力一样”的公用事业云——这是一个复杂的难题，其中很少有云消费者（如果有的话）真正控制他们的支出。
这两个结论都为服务提供商提供了机会：降低复杂性和跨平台代理以节省客户的资金和麻烦，并启用和简化对机器学习服务的访问以允许非专家利用。
此博客的作者是 Owen Rogers，研究总监 - 数字经济部门
物联网技术