在網上查了查，關于互聯(lián)網數(shù)據(jù)、業(yè)務數(shù)據(jù)分析的文章比較多，但是關于物聯(lián)網數(shù)據(jù)分析的文章幾乎找不到，于是萌發(fā)了寫一篇專門講解物聯(lián)網數(shù)據(jù)分析的文章，作為自己工作經驗及方法論的復盤，同時也期望能夠對各位童鞋有所啟發(fā)。

物聯(lián)網服務究竟是如何運轉的？包含哪些要素？每個部分起什么作用？如何運轉？有哪些關鍵技術或者技能？

從傳感器->設備->網關->服務器，整個路徑能夠很好地實現(xiàn)將數(shù)據(jù)采集到物聯(lián)網平臺，但是為什么要對這些數(shù)據(jù)做分析，如何應用這些數(shù)據(jù)，如何做好數(shù)據(jù)分析呢？

一、什么是物聯(lián)網數(shù)據(jù)

基于我們對于物聯(lián)網服務構建的基礎我們可以知道：物聯(lián)網數(shù)據(jù)數(shù)據(jù)主要是指傳感器和設備發(fā)過來的數(shù)據(jù)。這些數(shù)據(jù)一部分是對現(xiàn)實環(huán)境參數(shù)的采集值，一部分是設備的一些常規(guī)信息值，比如：狀態(tài)、故障信息、錯誤代碼、運行情況等。

物聯(lián)網數(shù)據(jù)在任何情況下都會產生數(shù)據(jù)，無需人為參與就不會不斷涌現(xiàn)出新的數(shù)據(jù)，其數(shù)據(jù)量遠遠大于傳統(tǒng)業(yè)務系統(tǒng)的業(yè)務數(shù)據(jù)。

1. 物聯(lián)網數(shù)據(jù)分類

如果單純的按照數(shù)據(jù)變化來對物聯(lián)網數(shù)據(jù)進行分類，我們可以分為：靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)。

1）靜態(tài)數(shù)據(jù)

指傳感器或者設備的一些屬性性質的數(shù)據(jù)，不增加新設備的情況下，不伴隨時間的變化而變化，也不會隨著時間的增長而增長。

代表性的數(shù)據(jù)是設備ID、設備地址等，這種數(shù)據(jù)采用結構型、關系型數(shù)據(jù)庫存儲。

2）動態(tài)數(shù)據(jù)

指隨著時間周期會發(fā)生變化的數(shù)據(jù)，每個數(shù)據(jù)都與時間值有對應關系——數(shù)據(jù)采用時序方式進行存儲，數(shù)據(jù)量非常大；并且采集越頻繁數(shù)據(jù)量越大，數(shù)據(jù)不僅僅會隨著設備數(shù)量增加而增加，還會隨著時間增加而增加。

這樣的數(shù)據(jù)通常情況下，我們會按照一定的時間進行刪除，否則數(shù)據(jù)量會過大。

根據(jù)一些行業(yè)的要求，通常情況下保存的年限設置在3~5年。具體的沒有明確要求，關鍵是看自己所處行業(yè)的要求進行自行設定。

2. 為什么要做物聯(lián)網數(shù)據(jù)分析

如果物聯(lián)網只是負責采集一堆傳感器和設備發(fā)過來的數(shù)據(jù)，那就只不過是一堆龐大的數(shù)據(jù)聚集在一起，產生不了實際的價值意義。

然而，在實際實踐中我們可以發(fā)現(xiàn)：物聯(lián)網數(shù)據(jù)非常有意思。

經過分析，我們可以利用傳感器或者設備數(shù)據(jù)，清楚的知道設備的運行情況以及現(xiàn)實環(huán)境運營的趨勢，幫助作出預判和提前作出響應。

比如：利用物聯(lián)網的數(shù)據(jù)可以有效預判機械的故障，減少因為設備故障而帶來的工作耽誤。

根據(jù)設備上傳的設備狀態(tài)信息值的變化，以及特定傳感器采集的參數(shù)，就可以監(jiān)測預判發(fā)生故障的概率，同時提前做出響應。

——這樣就能夠把一個物聯(lián)網服務從一個單純的數(shù)據(jù)采集，上升到一個能夠不斷創(chuàng)造附加值的服務層面。

同時，基于采集的數(shù)據(jù)的分析的運營，還可以重新構建企業(yè)新的運營模式。

整體來說：物聯(lián)網數(shù)據(jù)分析在新形式下的應用將會極大助力企業(yè)轉型升級。

3. 物聯(lián)網數(shù)據(jù)能做哪些方面的應用

物聯(lián)網數(shù)據(jù)能夠幫助我們做哪些方面的應用呢，總結下來可能主要有以下幾個：

監(jiān)控：將物聯(lián)網數(shù)據(jù)直接可視化展示，就可以實現(xiàn)設備的狀態(tài)監(jiān)控，及時知道什么發(fā)生了什么。

反控：當監(jiān)測到異常數(shù)據(jù)需要干預時，可以直接通知對應的管理員，遠程操控設備實現(xiàn)反控，提高操作效率，避免直接到設備現(xiàn)場。

報表統(tǒng)計：基于物聯(lián)網數(shù)據(jù)，我們可以根據(jù)實際的需求，對相關的歷史數(shù)據(jù)做報表統(tǒng)計分析，按照不同的維度以圖表或者圖形的形式呈現(xiàn)給不同類型的用戶，幫助他們快速直觀知道設備的運行情況。

預測/預判：基于數(shù)據(jù)分析模型，可以對一些事件做預判，提前獲取概率性，以便及時作出響應，避免造成更大的損失，或者直接獲取其他收益。

人工智能：當數(shù)據(jù)及經驗積累到一定程度，系統(tǒng)可以自動針對事件數(shù)據(jù)分析后，作出正確的響應，無需人工干預。

基于此呢，我們基本上算是給大家說了一個基礎的鋪墊了。那么接下來，我們就要本次分享的重點了，我們來看：如何進行物聯(lián)網數(shù)據(jù)分析，有哪些方法論，具體怎么實操呢？

二、數(shù)據(jù)分析準備工作

如果把數(shù)據(jù)分析比作炒菜，那么我們首先得準備一些原材料；那么對于數(shù)據(jù)分析，我們應該做哪些準備工作呢？

1. 數(shù)據(jù)采集

數(shù)據(jù)采集顧名思義就是采集我們需要用來做分析的數(shù)據(jù)，同時將這些數(shù)據(jù)以特定格式保存下來。

通常情況下，數(shù)據(jù)分析會基于歷史累計下來的數(shù)據(jù)，如果數(shù)量大，可以使用一些大數(shù)據(jù)工具進行處理——比如常用的Hadoop等。

數(shù)據(jù)采集的方式及過程，我們就不多說了，直接參照之前的文章，基本上就可以知道數(shù)據(jù)采集的流程及處理的過程。

2. 數(shù)據(jù)積累

數(shù)據(jù)積累就是將有用的數(shù)據(jù)保存下來，方便管理和提取。

數(shù)據(jù)積累會用到數(shù)據(jù)庫，這個在我們很多文章中都有提及；不僅僅是結構化數(shù)據(jù)的關系型數(shù)據(jù)庫，還有鍵值存儲數(shù)據(jù)庫等。

3. 數(shù)據(jù)預處理

數(shù)據(jù)預處理就是對數(shù)據(jù)進行加工，剔除沒有用的或者異常的數(shù)據(jù)，提取有用的部分的信息，對數(shù)值進行處理等等。對數(shù)據(jù)進行必要的處理，形成匯集分析用的數(shù)據(jù)集，就是數(shù)據(jù)預處理的目的。

三、數(shù)據(jù)分析方法

基于數(shù)據(jù)應用的用途考慮，我們將數(shù)據(jù)分析方法姑且分為統(tǒng)計分析法和機器學習法。

其中統(tǒng)計分析法主要是依靠分析師手工進行分析，基于一定的目的提取數(shù)據(jù)，并進以各種形式進行展示。

機器學習法呢，就是說的比較多的人工智能，主要依據(jù)對以往數(shù)據(jù)的學習，來推斷未知的數(shù)據(jù)或者狀態(tài)。

1. 統(tǒng)計分析法

統(tǒng)計分析其實還真沒太多的需要說的，就是基于統(tǒng)計結果做呈現(xiàn)，用各種形式表示出來，達到直觀呈現(xiàn)的目的。

如果按照步驟來講，那么主要是以下幾個步驟：

Step1：決定你的信息

根據(jù)你手里面的數(shù)據(jù)，明確你想要的表達的具體信息是什么；

Step2：確定相對關系

你確定的信息在一定程度上講主要包括5種基本類別中的一種，成分、項目、時間順序、頻率分析及相關性；

Step3：選擇圖表形式

每一種相對關系都可以引導出相對應的圖表形式，常見的圖表形式包含：餅圖、條形圖、柱形圖、折線圖、散點圖，當然不是特別完整哈，我們只是列舉。

下面我們來舉一個例子，說明一下具體的使用：

比如家里面的智能燃氣表采集了用氣的數(shù)據(jù)，那么我們就可以用圖形表示一定時間內用氣量的變化，從而直觀的掌握用氣數(shù)據(jù)的變化趨勢。

2. 機器學習法

機器學習主要是指：基于大量數(shù)據(jù)來學習數(shù)據(jù)的傾向，從而做出某些判斷并執(zhí)行對應的“動作”。

機器學習和數(shù)據(jù)挖掘是同根同生，二者都是基于數(shù)據(jù)進行某些推測和判斷。統(tǒng)計分析法是是對采集數(shù)據(jù)進行呈現(xiàn)，數(shù)據(jù)被視為無機的數(shù)值，屬于表層的數(shù)據(jù)分析。

機器學習分析法主要是從數(shù)據(jù)中提取更復雜的傾向、規(guī)則、結構等信息，采用數(shù)學公式和規(guī)律模型來表現(xiàn)傾向。

說機器學習法之前，我們首先來說一下數(shù)據(jù)學習的類型，我們分為“規(guī)則學習”和“非規(guī)則學習”兩個類別。

規(guī)則學習主要是指數(shù)據(jù)的答案是明確的，機器只需要將新的數(shù)據(jù)與正確答案進行比較即可做出判斷；非規(guī)則學習則沒有既定的正確的答案，需要根據(jù)數(shù)據(jù)的整體傾向然后找出異常值。

舉個例子：我們將某一設備的故障值范圍設定為12~28，直接基于這個范圍就叫規(guī)則學習。而如果沒有范圍，那么就需要采用一定的算法讓機器區(qū)分數(shù)據(jù)傾向，并且正確調出異常值了。

下面我們直接舉幾個例子，透過例子來理解應該來講是更加直接的：

命題一：通過傳感器采集到的數(shù)據(jù)，判斷機器故障的原因

對于這類問題，需要先定義清楚數(shù)據(jù)時非故障機器的還是故障機器的，然后再通過對比數(shù)據(jù)差異化找出因果關系最后形成判斷依據(jù)，讓機器具備判斷能力。

命題二：通過各種因素因素來預測交通量

說到預測分析，那么對于交通量的預測無疑是比較有意思的，通過傳感器在一定的持續(xù)時間范圍內對某條道路的交通量進行采集。

然后，再通過星期數(shù)、天氣、時間段等因素的綜合分析計算，那么就可以形成一套計算方法，并且在某一段時間內運用計算值與實際值進行對比，不斷修正算法，就能夠較為精準的預算某一天的交流通量，比如：交通量=a*星期數(shù)+b*天氣情況+c+……

四、總結

關于物聯(lián)網數(shù)據(jù)分析，其實是與互聯(lián)網數(shù)據(jù)分析有些相似的基礎知識的，所以我們沒講那么多。

分析是基礎，對于數(shù)據(jù)的應用的才是關鍵。具體對數(shù)據(jù)咋個應用，需要對行業(yè)和客戶有較為深刻的理解，那么就需要我們產品經理戶或者數(shù)據(jù)分析師對行業(yè)及業(yè)務非常的了解，然后再根據(jù)物聯(lián)網數(shù)據(jù)特性制定相關方案，解決實際的問題。