曾經有一段時間，你無法逃避圍繞物聯網(IoE)的討論，這本身就是我們不可避免地要繼續物聯網(IoT)之旅的象征。

當我們發現新技術時，我們的即時反應是越來越多，越來越多，Qlik的高級經理Adam Mayer說，但并不一定要確保我們能最大限度地利用現有的技術。因此，政府鼓勵企業在開始看到投資回報之前，在每盞燈、每扇門和每座廁所上安裝傳感器。

許多大數據的早期使用者也經歷了類似的過程;他們花了很長時間才明白，如果沒有更好的可視化和分析方法，擁有更多的數據不一定會轉化為更好的結果。因此，組織逐漸意識到物聯網的最大潛力在于如何探索和探測這些設備產生的數據，以提供經驗教訓和改善結果。

分析物聯網數據的障礙

對于許多組織來說，這說起來容易做起來難。整合物聯網數據進行分析存在重大挑戰。

首先，組織必須克服將來自不同來源的各種數據集成到其數據管道中的困難。Qlik與IDCrevealed的研究將不同的數據集成到標準格式中，這是組織在將數據轉換為分析形式方面面臨的最大挑戰之一(37%)。

物聯網的引入大大加劇了這一挑戰，因為它可以快速增加輸送管道的數據源的數量，這些數據源通常采用不熟悉的或非結構化的格式，在準備進行分析之前必須進行轉換。

第二個挑戰，高容量和高速度的吞吐量，進一步加劇了這個問題。隨著許多物聯網設備不斷讀取數據，產生的數據量遠遠超過大多數設備。這就自然而然地遇到了最后一個障礙，即即使數據管道足夠健壯，能夠接收和轉換來自物聯網設備的連續數據流，許多可視化和分析解決方案也無法提供實時信息更新。

這意味著，無論瓶頸是軟件方面的，還是由用戶查看其輸出之間的時間間隔造成的，從數據中獲得的知識只能追溯實施，而不是實時實施。

跟上數據的步伐

希望利用物聯網的組織可以通過構建數據供應鏈來克服這些挑戰，該供應鏈可以快速集成和轉換來自多種不同來源的數據。

傳統的面向批處理的方法(如提取、轉換和加載(ETL))速度太慢、效率太低、破壞性太大，無法集成和支持對物聯網數據的及時分析，并且通常需要大量的編碼和深度腳本。31%的全球組織將“缺乏處理數據的熟練資源”列為準備好數據分析的最大挑戰之一，因此組織減少熟練程序員的大量時間消耗對于物聯網實施的成功至關重要。

變革數據捕獲(CDC)技術為那些希望快速處理物聯網數據進行分析的人提供了一個可實現的智能替代方案。CDC沒有將數據上傳到不同的源中，而是通過在數據更新發生時識別和復制數據來實現連續的增量復制。以這種方式流式傳輸數據顯著提高了數據被接收和傳輸到數據倉庫或數據湖進行分析的速度。

最后，當數據管道能夠近乎實時地集成數據時，重要的是分析解決方案不僅能夠持續可視化最新信息，而且還內置了一層主動性來支持決策過程。實時警報不僅提供洞察，還可以為用戶提供快速觸發的建議操作。利用認知引擎來提供這種主動智能將是下一代BI工具的關鍵功能。

[[374340]]

提供物聯網承諾的數據管道

組織必須確保他們不會像許多人在大數據早期那樣陷入物聯網的陷阱，在大數據時代，擁有更多數據的目標優先于使用他們所擁有的來驅動最佳結果?？v觀物聯網的早期采用者，太多的人更專注于接收實時更新，而不是采取必要的步驟來轉換和分析其輸出，以增強更好的決策能力。

物聯網的承諾是不斷學習、行動和反應的機會。為了確保組織中的物聯網實施具有支持高級分析的速度和靈活性，他們必須首先確保他們的整個數據管道能夠完成任務