快速革新的数字化时代,消费者在衣食住行等各个方面越来越倾向于选择智能产品和服务,这对传统企业带来了极大的挑战,如果这些企业不能及时、有效地从战略、决策、产品和运营等方面进行数字化转型,在未来数十年,甚至数年内,他们就可能从公众视野中消失。
产品和服务智能化的首要任务是场景和功能设计,需要以目前产品和服务的核心功能为基础,借助于数字化能力和人工智能,挖掘产品功能在优化、增强、创新和升级方面的需求,为下一步真正的数字化实施和转型提供基础。
作为近几年IT行业发展最迅猛的领域之一,物联网(IoT)已深入介入了每个人的工作和生活。据IDC预计,到2025年,全球会有800亿台设备处于“连接”状态!
面临如此广阔的市场,企业应立即考虑如何尽快制定战略、开展行动,思考如何借助IoT来优化产品、促进创新,打造消费者喜闻乐见的智能产品和服务,同时进一步提高运营和生产效率。
我所在的微软数字化转型咨询团队脱胎于微软企业服务部,借助在1000多个客户服务项目中积累的大量经验,总结出了成功实施业务转型的模式和实践。我们将转型方法分为三个阶段:梦想(Dream)、设计(Design)和交付(Deliver),此谓之微软数字化咨询服务(DAS: Digital Advisory Service)三部曲。
为了帮助传统企业利用物联网技术进行数字化转型和产品创新,我们提供了一系列IoT咨询及解决方案支持服务,具体措施包括:
数字化转型规划和IoT成熟度评估:从规划层面,利用企业IoT成熟度模型对客户现状进行分析,并基于成熟度分析结果,从人员、技术和业务方面提出改进建议和策略。
物联网系统解决方案:微软提供完整的咨询服务和解决方案支持,并已协助大量企业应用IoTa技术进行产品优化和创新。企业可结合自身的规模、产品、不同阶段,灵活选择不同解决方案。
考虑到不同企业的具体需求和情况,我们提供了下列三种IoT实施方式:
无需开发,开箱即用:如果企业想尽快应用IoT技术,但技术开发、运维能力和资源有限,可直接选择软件即服务(SaaS)的IoT Central。
利用IoT Central,企业可在数小时内配置(定义产品、数据与接口、监控规则与行动触发、用户与权限管理等)出一个功能完整的IoT系统,在按标准接入设备后,可立即在仪表板上查看可视化数据并进行各种分析。
该方式适合于初创类、产品周期迭代快的企业,但大型企业也可利用它来进行快速原型验证。
少量开发,快速上线:如果需要更多自定义能力和扩展性,可利用物联网套件(IoT Suite)。它提供了设备远程监控、预测性维护、智能工厂等典型场景和功能。
借此企业可在30分钟内根据模板快速创建出具备现代应用程序架构(微服务)的IoT系统,之后根据自身特定要求直接修改IoTSuite在Github上开放的源代码来实现完全的自定义,这样可以在数天内开发出满足企业特定需求且具有可扩展性的IoT系统,为企业产品的数字化转型提供快速有效支持。
自主控制,功能强大:如果需要建立完全可控,支持多样化产品,需要与企业现有系统紧密集成,或具备多租户支持的IoT系统,可利用Azure IoT自底向上搭建完全自有的IoT平台。
Azure IoT提供了建立IoT平台的基础功能和核心服务,包括各种产品和设备SDK、边缘和网关设备的Runtime和扩展模式、能处理亿万级消息的IoT Hub、大量设备的预配(Provision)服务,海量异构数据存储,冷热数据处理服务、数据集成与展示服务、机器学习和人工智能(AI)服务能力以及相关的管理、监控、安全基础能力等。为了方便企业利用这些服务构建IoT系统,微软提供了参考架构,如下图所示:
借此企业能够依据自身需求,建立非常灵活、可扩展、可控的物联网平台,为大规模产品的数字化、后续不断改进完善提供坚实的基础。
物联网硬件:除了软件和解决方案,微软同众多合作伙伴一起提供了经Azure IoT认证的设备目录,企业可快速寻找高质量硬件,满足自己独特的业务需求。
第一步:Things——连接产品
IoT的第一步是安全地将企业产品连接到数字网络中。
在产品和设备接入网络后,用户就可以通过智能设备来随时随地了解产品运行状态,如开机时间、使用时长、使用时段、位置信息或传感器数据,如温度、湿度、亮度、空气质量、水质等,控制产品的功能。企业在保护用户隐私的前提下也可收集设备和用户使用数据,供后续分析使用。
接入过程中要考虑诸多因素,最重要的是安全性,包括设备本身的安全、连接安全、身份与标识安全、隐私保护等,其次要考虑到设备生命周期管理,对于规模和数量较大的产品与设备,要考虑如何高效地预配(Provision)。
第二步:Insights——数据洞察
在收集到源源不断上送的设备数据后,就需要对其进行统计和高级分析来挖掘其中蕴含的巨大商业价值。可以先从基础报表入手,对数据进行初步的汇总和统计,展示产品数量、使用人数、地域、使用情况等现状,之后可以分析利用仪表板和关联分析来寻找各种内在和外在数据之间的潜在关系,以此为基础,建立机器学习模型并不断优化完善,确定更多数据之间更准确、可验证的模式,为后续各种业务预测和自动化处理提供基础。
数据分析时要考虑冷热不同数据的处理方式,冷数据实时性要求不高,主要用于汇总分析和人工,热数据实时性要求高,主要用于实时分析和自动决策。
第三步:Actions——主动行动
有了数据分析结果和机器学习模型之后,企业对内可以改善和提升设计、生产、销售和客户服务,如产品使用数据有助于改进和提升产品质量和设计,销量预测能够有效指导生产、库存和资源投入。
部分数据分析的结果也可以展示给用户,包括使用习惯、偏好等个人数据,同类型人群、地域使用情况比较等群组数据,机器学习模型预测的提醒数据等,来增强产品的个性化和智能化,不断提高客户粘性和忠诚度。
来源:网络
联系客服