物联⽹服务究竟是如何运转的？包含哪些要素？每个部分起什么作⽤？如何运转？有哪些关键技术或者技能？
从传感器->设备->⽹关->服务器，整个路径能够很好地实现将数据采集到物联⽹平台，但是为什么要对这些数据做分析，如何应⽤这些数据，如何做好数据分析呢？
什么是物联⽹数据
基于我们对于物联⽹服务构建的基础我们可以知道：物联⽹数据数据主要是指传感器和设备发过来的数据。这些数据⼀部分是对现实环境参数的采集值，⼀部分是设备的⼀些常规信息值，⽐如：状态、故障信息、错误代码、运⾏情况等。
物联⽹数据在任何情况下都会产⽣数据，⽆需⼈为参与就不会不断涌现出新的数据，其数据量远远⼤于传统业务系统的业务数据。
1. 物联⽹数据分类
如果单纯的按照数据变化来对物联⽹数据进⾏分类，我们可以分为：静态数据和动态数据。
1）静态数据
指传感器或者设备的⼀些属性性质的数据，不增加新设备的情况下，不伴随时间的变化⽽变化，也不会随着时间的增长⽽增长。
代表性的数据是设备ID、设备地址等，这种数据采⽤结构型、关系型数据库存储。
2）动态数据
指随着时间周期会发⽣变化的数据，每个数据都与时间值有对应关系——数据采⽤时序⽅式进⾏存储，数据量⾮常⼤；并且采集越频繁数据量越⼤，数据不仅仅会随着设备数量增加⽽增加，还会随着时间增加⽽增加。
这样的数据通常情况下，我们会按照⼀定的时间进⾏删除，否则数据量会过⼤。
根据⼀些⾏业的要求，通常情况下保存的年限设置在3~5年。具体的没有明确要求，关键是看⾃⼰所处⾏业的要求进⾏⾃⾏设定。
2. 为什么要做物联⽹数据分析
如果物联⽹只是负责采集⼀堆传感器和设备发过来的数据，那就只不过是⼀堆庞⼤的数据聚集在⼀起，产⽣不了实际的价值意义。
然⽽，在实际实践中我们可以发现：物联⽹数据⾮常有意思。
经过分析，我们可以利⽤传感器或者设备数据，清楚的知道设备的运⾏情况以及现实环境运营的趋势，帮助作出预判和提前作出响应。
⽐如：利⽤物联⽹的数据可以有效预判机械的故障，减少因为设备故障⽽带来的⼯作耽误。
根据设备上传的设备状态信息值的变化，以及特定传感器采集的参数，就可以监测预判发⽣故障的概率，同时提前做出响应。
——这样就能够把⼀个物联⽹服务从⼀个单纯的数据采集，上升到⼀个能够不断创造附加值的服务层⾯。
同时，基于采集的数据的分析的运营，还可以重新构建企业新的运营模式。
具体来说：物联⽹数据分析在新形式下的应⽤将会极⼤助⼒企业转型升级。
3. 物联⽹数据能做哪些⽅⾯的应⽤
物联⽹数据能够帮助我们做哪些⽅⾯的应⽤呢，总结下来可能主要有以下⼏个：
监控：将物联⽹数据直接可视化展⽰，就可以实现设备的状态监控，及时知道什么发⽣了什么。
反控：当监测到异常数据需要⼲预时，可以直接通知对应的管理员，远程操控设备实现反控，提⾼操作效率，避免直接到设备现场。
报表统计：基于物联⽹数据，我们可以根据实际的需求，对相关的历史数据做报表统计分析，按照不同的维度以图表或者图形的形式呈现给不同类型的⽤户，帮助他们快速直观知道设备的运⾏情况。
预测/预判：基于数据分析模型，可以对⼀些事件做预判，提前获取概率性，以便及时作出响应，避免造成更⼤的损失，或者直接获取其他收益。
⼈⼯智能：当数据及经验积累到⼀定程度，系统可以⾃动针对事件数据分析后，作出正确的响应，⽆需⼈⼯⼲预。
数据分析⽅法
基于数据应⽤的⽤途考虑，我们将数据分析⽅法姑且分为统计分析法和机器学习法。
其中统计分析法主要是依靠分析师⼿⼯进⾏分析，基于⼀定的⽬的提取数据，并进以各种形式进⾏展⽰。
机器学习法呢，就是说的⽐较多的⼈⼯智能，主要依据对以往数据的学习，来推断未知的数据或者状态。
1. 统计分析法
统计分析其实还真没太多的需要说的，就是基于统计结果做呈现，⽤各种形式表⽰出来，达到直观呈现的⽬的。
如果按照步骤来讲，那么主要是以下⼏个步骤：
Step1：决定你的信息
根据你⼿⾥⾯的数据，明确你想要的表达的具体信息是什么；
Step2：确定相对关系
你确定的信息在⼀定程度上讲主要包括5种基本类别中的⼀种，成分、项⽬、时间顺序、频率分析及相关性；
Step3：选择图表形式
每⼀种相对关系都可以引导出相对应的图表形式，常见的图表形式包含：饼图、条形图、柱形图、折线图、散点图，当然不是特别完整哈，我们只是列举。
下⾯我们来举⼀个例⼦，说明⼀下具体的使⽤：
⽐如家⾥⾯的智能燃⽓表采集了⽤⽓的数据，那么我们就可以⽤图形表⽰⼀定时间内⽤⽓量的变化，从⽽直观的掌握⽤⽓数据的变化趋势。
⽓数据的变化趋势。
2. 机器学习法
机器学习主要是指：基于⼤量数据来学习数据的倾向，从⽽做出某些判断并执⾏对应的“动作”。
怎么做数据分析机器学习和数据挖掘是同根同⽣，⼆者都是基于数据进⾏某些推测和判断。统计分析法是是对采集数据进⾏呈现，数据被视为⽆机的数值，属于表层的数据分析。
机器学习分析法主要是从数据中提取更复杂的倾向、规则、结构等信息，采⽤数学公式和规律模型来表现倾向。
说机器学习法之前，我们⾸先来说⼀下数据学习的类型，我们分为“规则学习”和“⾮规则学习”两个类别。
规则学习主要是指数据的答案是明确的，机器只需要将新的数据与正确答案进⾏⽐较即可做出判断；⾮规则学习则没有既定的正确的答案，需要根据数据的整体倾向然后出异常值。
举个例⼦：我们将某⼀设备的故障值范围设定为12~28，直接基于这个范围就叫规则学习。⽽如果没有范围，那么就需要采⽤⼀定的算法让机器区分数据倾向，并且正确调出异常值了。
下⾯我们直接举⼏个例⼦，透过例⼦来理解应该来讲是更加直接的：
命题⼀：通过传感器采集到的数据，判断机器故障的原因
对于这类问题，需要先定义清楚数据时⾮故障机器的还是故障机器的，然后再通过对⽐数据差异化出因果关系最后形成判断依据，让机器具备判断能⼒。
命题⼆：通过各种因素因素来预测交通量
说到预测分析，那么对于交通量的预测⽆疑是⽐较有意思的，通过传感器在⼀定的持续时间范围内对某条道路的交通量进⾏采集。
然后，再通过星期数、天⽓、时间段等因素的综合分析计算，那么就可以形成⼀套计算⽅法，并且在某⼀段时间内运⽤计算值与实际值进⾏对⽐，不断修正算法，就能够较为精准的预算某⼀天的交流通量，⽐如：交通量=a*星期数+b*天⽓情况+c+……
分析是基础，对于数据的应⽤的才是关键。具体对数据咋个应⽤，需要对⾏业和客户有较为深刻的理解，那么就需要我们产品经理户或者数据分析师对⾏业及业务⾮常的了解，然后再根据物联⽹数据特性制定相关⽅案，解决实际的问题。
发布评论