如果数据是新石油，谁是你的炼油厂？

对于企业团队而言，数据似乎无处不在，等待被解锁以推动您的业务目标向前发展。最近，我们与诺基亚的两个领先的物联网权威——物联网市场开发总监 Marc Jadoul 和分析战略主管 Denny Lee 坐下来讨论了贵公司的数据如何成为推动其前进的石油。

读写： 所以这句话——“数据是新的石油”——是我在会议上听到并提出过几次的说法。但问题是，石油可以是燃料，也可以是润滑剂，在您看来，对于您的客户来说，这意味着什么？

马克·贾杜尔： 我看待它的方式是从价值的角度来看的。一桶原油的价格和一桶航油的价格对比，还是有很大区别的。数据和石油一样，可以而且必须经过类似的改进过程。

它被提炼得越多，它可以提供的价值就越大，因为就像燃料一样，它将支持更复杂的应用。另一种思考方式就像一个金字塔——如果你从金字塔的底部开始，你基本上是在传感器级别收集原始数据。在下一阶段，您开始监视这些数据并开始发现其中包含的内容。您可能会发现一些异常情况或趋势，并且根据您的分析，您可能会发现有助于您为公司创造价值的关键信息，从而推动更好的决策，即所谓的数据驱动决策 (DDDM)。

然后，如果你在一种基于认知分析的学习阶段做出决策，你不仅会帮助做出决策，还会预测行为。一旦您可以预测行为，那么您就已经获得了最精炼的数据，其中数据足够纯净，可以转化为知识，以帮助您的机器和应用程序做出自主决策。

我所描述的是一个价值链，其中数据提供洞察力和知识，帮助公司做出更好的决策，并最终实现一些流程和决策的自动化。我与石油行业相提并论，而不是作为润滑剂功能的隐喻（笑 )，但与细化过程相比。你提炼得越多，它就越有用，你获得的价值也就越多。

丹尼·李： 当人们使用新的石油术语时，我总是回想起 1970 年代——当你控制石油时，你就控制了经济。我认为当有人说“数据是新的石油”时，它植根于这种相似性。数据是新的石油，这也意味着如果您能够掌握这种控制权，您就可以更好地掌控经济和行业。

当我听到这个词时，它也回到了“数据就是货币”的想法。数据的形式非常原始，人们经常很松散地使用这个术语。有些人可能认为数据、洞察力和情报都是指同一件事。但实际上，我们实际上对这些做了很大的区分。最终，我们主张数据是原始成分，我们希望处理能够产生洞察力的数据。洞察力和情报是业务所需要的。我相信我们稍后会讨论如何将这种情报用于可行的商业目的。

读写： 因此，当您与客户坐下来讨论如何让他们在组织内设想数据驱动的创新时，他们首先需要知道什么，他们应该问的第一件事是什么？

MJ： 我认为他们需要做的第一件事是了解自己的业务以及他们想要解决的挑战和问题。而不是相反，试图为他们的解决方案找到一个问题。引用 Simon Sinek 的话，应该从“为什么？”开始。而不是“如何？”或“什么？”问题。

深度学习： 业务成果绝对是一回事，但在此之前，您必须问您在组织中与谁交谈的问题。每个人都有不同的组织边界或职责范围，这将引发一系列不同的问题。

例如，如果您正在与一位 CEO 交谈，他或她的沙箱是巨大的。另一方面，您可能正在与组织的一个孤立部分交谈，在那里他们自己的世界非常明确。然后你需要了解他们的业务背景和他们最终想要的业务结果，然后你倒着说“好吧，你真正拥有什么样的数据？”；并且您尝试将问题与解决方案联系起来。显然，当我们谈论分析上下文时，它是关于将数据处理到可以推动其业务成果的程度。

然后最终我们应该谈论跨越组织边界。这是我们不应错过的非常重要的一点。有时，只有打破组织之间的壁垒，才能获得智慧。

读写： 你在 CEO 的角度说你有一个更大的沙箱可以工作，但是当我与其他试图围绕物联网实施某种数据驱动解决方案的人交谈时，谁是其中的拥护者的想法一个组织通常处于核心地位，谁真正知道挑战存在于组织内部，关于典型的组织冠军会是什么样子以及如何在整个组织中定位这些目标，您有什么要说的吗？

深度学习： 那么，在物联网环境中，组织通常可以分为两个领域。运营技术 (OT) 端和信息技术 (IT) 端。在 OT 方面，您的解决方案可以针对控制其公司基础架构的人员。根据您在该组中与之交谈的人，他们会有不同的需求。

我们以专注于预测性维护的客户为例。在这种情况下，他或她可能只有预算来专注于维护并使用大数据和机器学习来支持维护周期并最大限度地减少机器停机。这是一个具有特定目标的非常狭窄的用例。但是，如果您与他们的经理交谈，他们试图解决的问题的范围和背景要广泛得多，并且可能会跨越组织边界

MJ： 我真的想通过对组织的不同部分的观察来补充这个观点。除了需要分析来做出正确决策的领导者之外，我还看到了许多组织中出现的数据分析师角色的重要性。这些专家知道如何处理数据——或者使用我们之前使用的比喻：控制细化过程。我们在这里谈论的是一套不同于传统 IT 人员所拥有的技能。我的教育背景是计算机科学，20 年前，计算机科学教育的基础是数学。 5 到 10 年后，当我查看课程时，重点已经转移到算法和编程语言上。今天，我儿子正在攻读 AI 博士学位，相信我，这些学生肯定又对数学和统计学有了非常扎实的了解。而且我们不要忘记——因为数据科学家需要支持企业的业务决策——他们还必须具备良好的领域知识和商业敏锐度。

读写： 所以它又回到了原点？

MJ： 对于大多数复杂的问题，您不能只使用原始计算机数据和数字运算来处理数据。你真的需要领域知识来知道什么是有意义的，什么是没有意义的。正如丹尼所描述的，这些人正在组织中实现这一目标，因为他们对内部决策者起到了支持作用。

读写： 我们看到很多 IoT 解决方案都围绕您拥有或可以分析的海量数据展开。所以从某种意义上说，如果您在内部拥有非常棒的数据知识，但如果您没有，是否存在让客户不知所措并提供太多数据选项的风险，他们是否真的需要内部人才？

MJ： 当然，这取决于您想要构建的解决方案类型。并且您可以对某些数据进行过滤和设置阈值，例如，如果您在制冷装置上有一个温度传感器，您真正想要掌握的唯一数据是异常或异常，因为如果那里一切正常无需被大量的正常数据淹没。因此，重要的是您进行智能数据收集并尝试过滤掉，并尽早对数字进行预分析和处理。尽可能靠近生成数据的设备开始细化过程。

深度学习： 让我与您分享我们的想法。这也适用于物联网。简而言之，我们看待数据智能的方式类似于人脑。我们实际上正在推动智能堆栈的概念。如果你从你自己的大脑的角度考虑，有些东西的响应时间更快，自主性更强。在这一层，您正在处理环境数据，但范围很窄。现在让我们画出与物联网的相似之处。事情是自行发生的，当它需要一些反馈调整时，它会做出自主的本地决策。

在下一层，可能会有一个适度的响应时间动作，它在某种程度上是自主的。然后是我们称之为增强智能的上层。它有助于帮助人类；因为在最顶层，它仍然是人类管理员 - 人类执行官进行更长期的政策更改。而这个增强层是软件的顶层，它揭示了人类隐藏的洞察力，以便做出更好、不同和更长期的调整。

因此，如果您将这些不同的层视为堆栈的一部分，即使您是在物联网环境中考虑的，在工厂级别说：您越接近底部，我们谈论的就是机器人技术，其中事物是自动的.越往上走，越人性化；软件在发现洞察力方面发挥着更大的作用，以便人类做出更好的判断。

MJ： 有趣的是，这也体现在基础设施层面。您可能听说过边缘云或多访问边缘计算或 MEC，您实际上将在其中尽可能靠近源进行部分数据处理。它有两个原因：首先，您希望减少网络中的延迟，并减少决策的周转时间。其次，您不希望通过云的核心处理所有这些海量数据。你只希望你的用户和决策者处理真正有用的东西。当我不得不解释边缘计算时，我有时会将其描述为反向 CDN（内容交付网络）。

看看多年前当视频点播和直播流行时我们做了什么。我们突然面临这样一个问题：我们可能没有足够的带宽来为每个用户提供单独的流服务，并且可能存在延迟。因此，我们将缓存服务器放在更靠近最终用户的位置，我们将在其上放置最流行的内容，并且可以进行一些本地内容导航和处理，例如快进和快退以及内容自适应。所以这是下游存储和计算资源优化。今天，我们在互联网上有很多玩家，例如 Akamai，他们通过此类缓存和优化服务赚取了丰厚的利润。

现在，如果您看一下物联网，问题不在于视频中的下游数据量，而在于数据源的数量和上游数据量。因为你有大量的物联网设备产生大量的数据记录，你实际上要做的是放入某种靠近源的上游缓存服务来收集数据，做一些低级别的分析和确保您只将有意义的信息发送到云端以进行进一步处理和进一步细化，再次使用石油行业的比喻。因此，我通常将边缘计算称为一种“反向 CDN”，因为它提供相同类型的功能，但使用不同的架构并在不同方向上操作流。

读写： 好的，所以我们有人想要投资任何类型的项目，我猜通常有人会节省成本或新的收入来源，但我认为更多时候不是，这似乎是一个通过/不通过的决定最常见的驱动因素是降低成本或提高效率——这在大多数组织中始终具有吸引力。你们能否举一个数据驱动流程的例子，它不仅可以节省成本，还可以解开决策路径，就像每个例子一样？

MJ： 我可以从我们正在使用我们的视频分析解决方案做的事情开始。这是一个应用程序的示例，该应用程序使用通过例如流式传输的大量数据。闭路视频监控摄像头。

在城市中，您拥有成百上千的此类摄像机，它们正在创建大量实时视频流。通常，没有足够的员工来同时查看所有屏幕，因为让人们 24/7 全天候观看所有这些视频流非常昂贵且效率低下。因此，诺基亚的解决方案所做的就是分析这些视频并寻找异常情况。有很多用例示例，例如汽车朝错误的方向行驶、机场中的混乱、某些人或物体做出不寻常的运动。我们实际上正在做的是收集这些视频数据并将其放入细化链，通过多种识别特定情况并检测异常的算法进行处理。为其添加 AI 功能，该系统可以自我学习，并且可以识别、警告和预测任何不寻常的“发生”。这有助于决策，但同时也可以节省大量成本，因为城市和安全公司只需要一小部分人。分析技术实际上使此类视频监控解决方案成为可能且价格合理。

读写： 是的，人眼的可伸缩性不是很强。

MJ： 是的，人眼的可伸缩性不是很强，可能有 99.99% 的央视视频内容不需要关注。因此，您需要学会过滤尽可能接近来源的数据，并且只继续处理相关的数据。

深度学习： 所以特雷弗，我也会给你举几组例子。第一组是用于更快地加速解决方案的：例如预测性维护、“下一个最佳行动”，在预测性护理领域下，用于向护理代理推荐工作流操作，以及自动根本原因分析。这些示例用例以前是手动完成的。你等待一些故障发生，然后你调查它。具有自动化和预测功能；相反，一些机器学习解决方案可以提前预测潜在的故障发生，并且您可以最大限度地减少用于事后解决问题的昂贵维护措施。

另一组示例属于使用人工智能的以客户为中心的类别。许多客户对这个话题感兴趣，因为在一天结束时，他们认识到他们的竞争对手也在尽可能地安抚他们的最终客户。谁做得最好，谁就赢了。因此，欣赏和理解客户体验并能够预测并响应他们的需求将是大数据分析解决方案的一个重要方面。例如，在网络解决方案提供商和运营商的背景下，提前知道拥塞将发生并对其做出反应是很重要的。也许在某些情况下，拥有管理良好但性能下降的性能比根本没有任何服务要好。因此，以客户为中心提前解决问题也是人工智能应用的一种形式——了解他们的经验，然后采取相应的行动。第三个，我想说的是增强现实用例，它吸引了物联网企业运营商的高层管理人员和政策所有者。

另一类问题属于“优化”类别。如果您查看一组业务成果，您可以将问题设置为优化问题：这些是我的沙箱，这是我的原始数据和我的 KPI，这是我想要优化的目标。然后可以设置系统以对其进行优化。这与人们有机会打破组织孤岛并优化某些以前在组织孤岛时无法发现的结果有关。此类情报对组织的高管和政策负责人更具吸引力。

本文与诺基亚合作制作。这是诺基亚团队将提供专家建议并进一步深入研究数据分析、安全和物联网平台的系列文章的一部分。