物联网（IoT）举措从根本上说旨在解决问题并改善业务成果。这些目标是通过利用联网设备的数据来分析“物联网”的行为，并从中提炼出可付诸行动的商业智能来实现的。预期成果取决于各组织的独特需求，例如提高车队司机的行车安全、对工厂设备实施预防性维护，或者更准确地追踪运输途中捐赠器官的实时位置。 通过物联网传感器和其他设备收集的数据至少能提供运营指标，但经过分析并与其他数据源结合后，可为关键业务决策提供有价值的洞察。在扩展物联网解决方案之前，组织必须制定一套关于如何使用这些数据的正式策略，这一点至关重要。
界定业务问题
为了从物联网项目中获得预期成果，在项目伊始就明确需要解决的业务问题至关重要。这不仅将推动前端“物联网解决方案”的实施（包括设备选择、网络选择、应用程序或云平台选择），还将指导其背后的分析策略。 以车队追踪与优化用例为例——在此场景中，从车队车辆收集的数据范围广泛，既包括简单的定位追踪，也涵盖发动机启停时间等指标，甚至包括驾驶员的工作时长。下游数据分析不仅能生成车辆能效指标，确保驾驶员薪酬计算准确，还能自动生成报告以符合政府强制性政策要求。 提前明确预期的分析需求，将有助于您选择能够收集所需数据点的设备，同时指导将物联网数据集与合适的非物联网数据集进行整合，从而实现预期结果。 以车队为例，可将发动机点火时间与车型及车辆重量相结合，计算出最佳的启动和停止时间，从而提高燃油效率并降低燃油成本。需要注意的是，每个预期结果都应以财务指标来衡量。
定义数据集
物联网设备收集的“传感器数据”点类型将决定物联网解决方案所能提供的数据分析类型。基于此，下一步是确定需要收集哪些数据点，同时要明白，传感器数据会因所选设备而存在很大差异。 回到车队管理这个例子：有些基础设备仅能提供位置数据（纬度、经度），而有些更先进的设备则能提供发动机、制动和加速数据。接下来要考虑的数据集则来自贵组织内部或外部来源，这些数据集与传感器数据相结合，才能产生正确的分析结果。 例如，将位置数据与交通信息相结合，并对其进行一段时间的分析，可使车队公司制定自动路线规划规则，从而显著节省燃油成本。将所需的传感器数据集与其他内部或外部数据集相结合，能够增强分析能力，并提高对业务绩效的洞察力。
另一种可能有用的数据——尤其是在物联网解决方案扩展到数千台部署设备时——是元数据。 元数据通常来自连接网络，可用于识别数据采集过程中的异常情况，这对确保解决方案的安全性大有裨益。例如——假设一家全国性的救护车管理公司的物联网网络遭到入侵。通过分析网络层面的数据模式，可以及早发现“异常”的数据流量，从而采取适当措施切断该解决方案的连接，或主动解决问题。
制定分析策略
物联网解决方案通常需要执行多层分析，而成功实现这一目标的关键在于确保数据干净。因此，第一步是确保来自传感器的数据干净且不含噪声，这通常在数据流式传输过程中即可实现。 流式处理算法不仅能清理数据，还能在数据流入时同步执行部分计算。以车队管理为例，来自联网设备的数据会提供经纬度坐标。基于这些数据，可以计算地理位置、行驶时间和驾驶员工时。结合地理围栏信息，还可以实时生成相关警报，而所有这些操作均通过流式分析完成。 接下来，数据会被存储在数据湖中，并与其他内部或外部数据集相结合，以构建旨在实现预期业务成果的分析解决方案。典型的分析解决方案通常会结合聚类、分类或回归等技术来构建算法。另一个需要考虑的因素是，这些技术中哪些还需要历史数据和训练数据模型。明确定义分析解决方案，才能真正释放所收集数据的潜力，并带来更丰富的成果。
总而言之，应采用一种简单的框架：首先明确业务目标，其次确定数据采集方案，最后制定分析策略，从而构建一套有效的分析解决方案，利用您的物联网数据来最大化物联网投资回报。