物联网被称为下一个万亿元级的超级产业，随着中国制造2050计划的实施，我国制造业数字化、网络化、智能化趋势将更进一步，未来互联网与物的连接模式必然成为物联网商业模式新的竞争方向。
第64期【智造+V课堂】邀请曾任职于全球500强多元工业公司下属子公司英格索兰特灵能源服务公司、台湾最大民营制造业集团子公司台塑网、现任华科智造数据科技有限公司总经理黄逸华先生给大家带来关于物联网时代商业模式竞争的精彩分享。
一、嘉宾
华科智造数据科技有限公司 总经理 黄逸华
1. 个人简介
- 英格索兰特灵能源服务公司总经理
- 台塑集团台塑網公司能源服务处处长
- 曾担任百强县政府工业能源顾问
- 中国科学院科技政策与管理科学研究所博士在读
- 在多个国内外设备行业重要协会担任理事及委员
2. 擅长及成就
- 擅长工业大数据、相关算法开发及智能工厂战略咨询;
- 拥有数项大数据、物联网相关专利;
- 拥有绿色建筑(LEED AP)、能源管理(ISO 50001)、碳管理(ISO 14064)等多项证照。
二、分享主题
《物联网的商业模式竞争时代》
大纲
1. 物联网的前世今生(历史、定义及所见)
2. 进入物联网领域的三个门槛
- 本质关——连什么?
- 技术关——怎么连?
- 商业关——为什么要连?
3. 物联网产业的竞争模式
- 最初的面貌——MES
- 竞争模式发展及范式转移出现
4. 物联网商业模式决定胜负
- 单纯交易模式
- 简单服务模式
- 分享模式
- 协作模式
5. 应用
- 物联网商业模式在生产端、销售端、运营端的应用
6. 物联网发展战略：分清楚发展什么?企业还是产品?
- 核心优势分析
- 客户核心需求分析
- 价值提案
- 物联网生态圈的建立与经营
- 无论如何生存下去
三、原文实录
1. 互联网前世今生
整体而言，我个人认为物联网潮流兴起的时间虽然很短，不过才两三年，但整个产业已经从技术的竞争，进入了发展的第二个阶段，也就是商业模式的竞争。
首先要从物联网的前世今生谈起，我们在谈物联网事实上专指这两三年，我们回顾一下它的历史，事实上还可以追溯到4000年以前。实际上是一个讯息传递的过程，在西元前2000年时，印第安人就已经发明了举烟为号，然后在中国西元前800年左右就有倾国倾城的故事。
就这样一路发展，一直到了18世纪电发明之后，开始有电报、电话、互联网，1837年的电报。1867年的电话，1971年出现第一封电子邮件，到了1982年开始有第一部物联网的自动贩卖机，到了1990年开始有MES，其后，比尔·盖茨跟麻省理工学院，提出了物互联以及万物可联的概念，到了2005年国际电信联盟提出了IOT，到了2015年德国提出了工业4.0。那在中国的发展是怎么样，在2009年时温家宝总理就提出了，希望能够尽快建立感知中国中心，然后到了2015年，李克强总理在两会中提到了中国制造2025。
我们回头看看过去的状况，从印第安人一直到1971年的第一封电子邮件，这边谈的其实都是人与人的对话，前后历经3900多年。从1982年到1990年之间，不管是自动贩卖机或者是MES，这边开始了人与物的对话，接下来是更加入了物与物对话。在这4000年之中，有95%在工业革命以前，最后的200年之间，人类的科技文明发展得极为迅速，这200年之间，我们历经了四次的工业革命，第一次的工业革命从人力兽力大规模的转换为机械力，这牵涉到能源的应用，那时候的代表是蒸汽机。
到了第二次工业革命也就是电力革命，这时候已经来到19世纪70年代，人们用电力来驱动大部分的设备，这也是更有效率的能源使用方式。到第三次工业革命时开始牵涉到信息化，这时候的主要标志是原子、原子能、电子计算机、空间技术及生物工程等等。严格来说，它是一个信息控制技术的革命，最近的是是第四次工业革命，事实上也就是我们在谈的工业4.0。在这个期间中，我们历经的是一个智能化的革命、数据化的革命，这个时候的特征是互联网的产业化、工业智能化、工业一体化为代表，这个时候已经开始牵涉到人工智能、清洁能源、无人控制技术、虚拟现实及生物技术的全新的工业革命。
我们从物联网的定义来看，物联网的核心和基础仍然是互联网，而在这个基础上面继续延伸跟扩展，希望能够在任何物件与物件之间进行信息的交换。各位可以看到这边标出来几个关键字，互联网延伸与扩展，任何物件之间信息交换，中间牵涉到了两个关键字知道与理解，所谓的“知道”指的是，每一个设备或者物件之间都知道其他物件的现况，但与这个现况对自己的意义是什么?过去的做法一直都是用大量的规则来说明。至于“理解”谈的是每一个设备或物件，都理解其他物件的目的，然后判断自己接下来要做什么，这就牵涉到了智能，事实上知道与理解分别代表了现在在世界上对于智能革命或者是对于物联网的两个主要的潮流。
这两个趋势分别是以德国的西门子，他们做的Mind Sphere正在试图连接自己所有的一切，推行PaaS也就是平台即服务，还要进一步将离散生产、连续生产，这些在传统社会上认为完全不一样的流程，全部整合起来，各位可以想像，如果西门子成功了，物连网的标准也必然归于德国之下。
美国的Predix走的是一条完全不一样的路，它是将信息科技跟运营科技结合起来，信息科技是IT，运营技术是OT，在这两者之间，运营技术显然比较重要，Predix自己都曾经说过IT已经过时了，现在是OT接棒的时代。从工厂运营的角度来说，运营技术产生了大量的数据，但是传统的供应厂商既没有能力采集储存如此庞大的数据，更没有办法进行分析。
说到IT跟OT的融合，其中的关键是数据分析，这边牵涉到大量的业务模型，而这也是工业领域最需要解决的地方。掌握了这些业务模型，就先人一步拿到了通关的钥匙，而Predix就打算给厂家提供这样的钥匙，只要你用Predix的平台，只要你把数据放上来，接下来事情他们全部接手。对Predix来说，GE提供的不仅仅是一个Predix的云平台，还提供了Predix Box，这是一个终端的数据采集器，负责采集智能设备的工况数据，实时分析所有的数据，并且传送数据，还负责控制各个智能设备之间的连接与安全，因此一旦采用的Predix的方案，整个数据采集、传送、接收、分析和控制就由Predix接手，在存入的阶段不需要任何费用，但是当你开始使用数据时就需要付费。从这个角度来说，西门子要的是标准，Predix要的是数据，中国在这中间扮演什么样的角色，而中国的工厂又扮演什么角色，中国制造2025会不会最终成为外国人的钱袋子，这是一个值得深思的问题。
在大数据的主题中，大家应该都听过所谓的四个V，Volume容量，Variety是它的变异性，Value是它的价值，Velocity是它的速度。在数据方面已经从过去的TB的级别已经进一步跃升到PB的级别，中间差了一千倍。数据类型也非常繁复，在传统关联式数据库的时代，以结构化数据为主，但是随着现在各类数据的接入，非结构化的数据量越来越多，甚至包含音频、视频、图片、地理位置这些信息，彼此之间的格式完全不一样，这时候这些各式各样的数据，对于数据处理能力就提出了更高的要求。
我们就会看到第三个V是Value价值，价值牵涉到另外一个字是密度，价值的密度的高低跟数据的总量大小成反比，就拿视频来说，一部一个小时的视频，在连续不间断的监控中，真正有用的数据可能就一二秒。我们这边可以举个例子，比如说在停车场中车子被碰到了，隔天早上起来发现有这么一件事情，我们去物业调相关的资料，可能要花几个小时，我们才能看到最关键的那几秒，如何透过强大的计算，更迅速的将这些价值提取出来，这就成为现在大数据背景之下很有价值的应用。
第四个是速度，速度是大数据和传统数据挖掘之间最显着的差异和特征，在大数据之下，我们没有办法去等待设备慢慢处理，我们需要立刻就要知道，但数据量这么庞大，对计算机的要求就越来越高，所以要怎么样在海量的数据中去提炼出我们所要的价值，这个时候就需要速度，也就是说，处理数据的效率，将成为决定企业成败的关键。
在这边先简单介绍一下大数据中的四个V。接下来，我想要跟各位分享的是我们自己在看物联网时，试图归纳出几个特色，和关键字，首先的关键字是Monotone单调的意思，物联网的数据源其实都来自于一个个的传感器，传感器有其特别专注观察的对象，可能是温度，可能是压力，可能是转速，传感器捕捉这些物理现象，传递出单一类型的数据，附带着一定的时间戳记，可能是每秒传出来、每分钟传出来。这样的数据，数据源不变、时间间隔不变、数据特性不变，简单地说，就是单调。
其次一个设备中可能有几十个传感器，那么几十个传感器，分分秒秒中传出来许多数字，这还只是单一的设备，但一个工厂中可能有几百台设备，这些数据累计起来就形成了一个巨大的数字池Enormous，这也是为什么在物联网下必然以大数据的处理技术为基础。
这个部分我们看到的关键字是频率Frequency，传感器在我们设定的固定频率下，稳定地去采集数据，不同的设备因为不同特性或者不同的数据形态要求，而有不同的频率，但到最终进入运算阶段时，必须将这些频率反推回来，成为一个时间序列，各自对应到正确的时间点中，我们才能够从中去看出一些端倪。
设备本质不同、作用不同，操作的形态与需求也各自不同，显然彼此间具有大量的差异(Variety)，用一般人住家来举例，比如说家中有冰箱也有照明，冰箱的传感器随时传出来的温度跟压缩机运转的状况，以及冷媒压力读数，跟电灯的开关明暗又是什么关系呢?各种设备中有各式各样的传感器，各种关注不同内容，就造成了这些数据在本质上有非常大的差异。
接下来我们谈到的是稳定(Stability)，正如刚刚跟各位说明的这些传感器，去采集数据的时间点不管是以毫秒来算，或者是以秒分来算，其实都在固定的状况之下，不眠不休的、非常辛勤地去将这些数据采集出来，并且继续向上传送。在这里有一个很重要的特色就是稳定，没有办法稳定采集数据的传感器，会在我们接下来要处理数据时，造成非常大的困难，因为我们不晓得这个关键点到底要跟哪一些数据来对应，所以当我们在处理整个物联网相关数据时，就必须去注意到这几个关键字，单调、大量、频率、差异跟稳定，在这几个关键点之中去寻找我们接下来处理数据的线索与脉络。
在谈到物联网时，我们可能听过这样一个故事：一个人下班回家，靠近家门时，家中的冷气开始运转，电灯打开，厨房开始烹煮食物，浴缸开始放热水，这其实牵涉到几件事情，第一个空间距离，第二个各个设备的现况，以及在特定场景中采取的行动，然后就跟着几个关键字，计算机、数据库、统计学跟机器学习。
在大数据运转之下，需要一个高效能的计算机，才能在复杂场景中做出判断，各种设备该有什么反应。相对应于这些差异性非常大，同时包括结构性、非结构性的数据，同时放在一个数据库，人们对于这个数据库的要求也跟过去完全不一样。比如说，在过去，我们要搜寻一个关键字或商店，是在电脑上已经建立好的黄页里去慢慢翻找，如果数据库里没有收纳这个关键字，很抱歉，这个关键字等于从未存在过。但是现在我们在网络上，我们敲进去一个关键词，瞬间我们就会看到一些网页，看来简单，但是后台可能调用了几千台，甚至上万台电脑在计算。要同时能够在这么多用户、这么多电脑、这么大的数据量之中找到各自需要的内容，就必须有一个高效能，并且能够进行分布式运算的数据库，这就是最近20年之间最伟大的发展之一。
接下来我想跟各位谈两件事情，一个是所谓的拍脑袋统计学，一个是暗黑界的机器学。在拍脑袋统计学上，当然是一个比较戏谑的说法。在传统中,我们学过的统计学多半是以频率学派为主，事实上在整个统计中分成两个主要的派别，一个是频率学派，一个是贝叶斯学派，它们各自都有非常强大的能力，但是这两个学派彼此间有点处不来，最大的差异点是对于不确定性有不同的看法。
频率学派跟贝叶斯学派，他们在探讨不确定性或者在谈概率这件事情的出发点和立足点是不一样的，频率学派从自然的角度出发，试图为事件本身建立一个模型，也就是说频率学派希望能够了解在对于特定的事件在独立重复实验之中所发生的频率，当研究者观察到这个频率趋近于某个特定的极限时，那么这个极限就是这个事件发生的概率。举例来说，如果想要去计算在抛一枚硬币时正面向上的概率，我们就要不断的抛，当抛掷的次数趋向于无穷时，正面朝上的频率的极限，就是这整个所有事件中正面朝上的概率。
贝叶斯学派并不试图去描述这些事件本身，而是从观察者的角度出发，也就是说贝叶斯学派并不试图去说事件本身是随机的，或者是这个事件的本质有某种随机性。事实上，这套理论根本不谈所谓的事件本体，而只是从“观察者不清楚”的这个出发点开始，所以贝叶斯学派试图去构造一个对于不确定知识做出一个推断的方法。
频率学派中所谈的随机事件，在贝叶斯学派来看，并不是说事件本身具有某一种客观的随机性，而只是观察者不知道这个事件的结果而已，也就是说观察者的知识状态中没有包含这个事件的结果，但是这个状况之下，观察者又试图通过已经看到的一些证据，来推断这个事件的结果，因此它只能靠猜。比如说有一个地方，它在过去30年以来每天都是晴天，没有下雨，那么明天是会下雨还是不下雨呢?在频率学派可能说我们不清楚，要到明天我们才能够去确定。但是贝叶斯学派说，因为过去30年已经没有，明天没有的几率可能是9成9，但是如果明天忽然下雨了，当它要去预测后天时，可能是9成9再减去一点点，就是下雨的几率又高了一些，所以这中间有一些主观猜测的成份，也就是以“有根据地猜”作为一个前测机率。
在事件发生之后，前测几率被固定下来，成为真实，这个真实结果成为后测结果，在连续事件中，可以作为下一次猜测的前测机率来运用。贝叶斯概率谈的，就是者一整套关于猜的过程的框架，而这个框架还最能够服务于理性推断，所以在贝叶斯框架中，同一件事情对于知道的人就是确定的事件，对于不知道的人就是随机事件，而随机性并不取决于这个事件是不是发生，而只是描述观察者对于这个事件的知识状态，说得再通俗一点，贝叶斯统计学谈的就是有的放矢地猜，也就是这个猜测，那频率学派觉得这就是拍脑袋。这跟物联网大数据有很密切的关系，因为我们面对着巨量数据，然后在巨量的数据之后，我们不清楚后面还有多少巨量的数据等待发生，而在这个过程中我们又必须对于现况有一定程度的了解，并且对于未来还要做出一个最好的猜测，贝叶斯统计学最能够实现这个目的，也因此，贝叶斯学派在沉寂200年之后，在最近这十几年来，成为一个非常重要的理论基础，特别是在人工智能的发展中扮演极为重要的角色。
接下来我们要谈一下机器学习，也是这几年发展得非常迅速的一个主题。事实上，现在的发展几乎可以说，每一个星期都有新的技术或者新的应用产生出来，我们要回头去看一下，其实在20世纪40年代，就已经开始有一些相关机器学习的主题出来，我们就拿可能比较多人听过的神经网络来介绍。1940年代开始就心理学家跟逻辑学家在研究人类脑子中神经元的基本特性之后，就提出了神经元的数学模型，这个模型一直到现在都还在沿用，并且直接影响这个领域的研究。
神经网络之中，一般有三个层级，一个叫做输入层，最后则是输出层，那么在输入与输出之间还有一些运算的过程，也就是所谓的隐含层。事实上我们掌握的是输入层跟输出层，输入与输出都是确定的，在中间隐含层，他们到底怎么怎么操作呢?我们根本不晓得中怎么运行，但是隐含层到底有多少节点或多少层呢?层是可以设定的，但是节点无法确定，也就是说整个算法之中有一大块是人们看不见、不清楚的地方，就是一个黑盒子，对于这个黑盒子，我们也只有一个初步描述，但具体怎么运作无从得知，所以我说这是暗黑界。
神经网络是这样运作的，比如说我们观察到设备运行时的温度、压力，或震动，那么到最后我们要机器协助我们判断这台设备正常或不正常，在输入层中，有来自于传感器的数据，中间经过好几层不同的运算，每一个隐含层中将数据逐渐汇总，并且抽象化到最后得到一个正常或不正常这样一个结果，输出的结果就是预判正常或不正常，我们在这个结果之上可以继续做很多事，从数据输入到结果输出，这中间就是神经网络在做的事情。
不管我们是希望将物联网应用到自己的企业，或者是我们为客户提供物联网相关服务，事实上都会有三个门槛要过，第一个门槛是本质观，这个本质是联什么?具体的来说中间牵涉到几件事情，我们就拿在家中的智能家居当成例子来说明。
第一个是具体的场景以及这个场景中所牵涉到的限制以及需求。我们刚刚举过的例子是一个人下班了，距离家里不远，有五分钟就要进门，这个时候，家中的灯开始打开，开始有冷气，浴室热水跟厨房电锅都已经开始运行。光是这么简单的描述就牵涉到四个场景，一个是人距离家中还有一段距离，第二个他进入了家中，进入家中之后，还牵涉到家中有活动以及在家中不活动，(比如说他在睡觉)。随着不同的场景，就会有不同的生活需求和牵涉到的设备，因而也产生出种种不同的功能与限制。
比如说在夏天时，人们希望回到家里就可以处于非常舒适的环境中，这但到底什么是舒适呢?温度是几度到几度是合适，对于不同的家庭成员所需要的温度是怎么样呢?可能晚上大部分的人都在客厅，那么客厅的热量比较高，需要比较强大的冷气，那个时候厨房人很少，可能只有一个人，所以这个时候所需要的电力需求可能又不太一样，甚至是随着人在不同的房间中移动时，系统能不能根据他的可能对移动的方向，去动态地去调整这些事情，让它的舒适度达到最高，这都牵涉到场景限制与行动。
接下来是联结的深度与广度，我们在谈联结的深度与广度时，事实上是谈到物联网到底要管多少事情。比如说灯，透过传感器，我们可以知道照明亮度、开关状况，我想追问一个问题，需不需要知道灯的温度?因为从空调角度来说，灯照明本身产生的温度也会造成空调的负担，当用的是白炽灯或是LED灯，发热的程度又不一样，所以物联网看起来只是三个字，但需要从本质出发去思考这些细节。
接下来是广度的问题，就是当冰箱在运行时，灯是不是要随着开启或者要不要关掉，多久关掉，用什么因素决定，设计者对于这些相关因素的思考可以非常简单粗暴也可以非常细腻深刻，其中牵涉到的，就是联结的深度与广度。
接下来我们要谈的是，在数据连接的过程中，有起点、过程与终点之分，就拿灯的例子来说，灯会开关，这个决策的起点是来自于感知到人即将进到房间，那么当使用者进到家门之后，可能马上要进入到其他的房间，这个时候灯的感知器或者是灯决定下一个动作该是什么，是开关还是亮?起点是某个场景被触发，经过某些程序或算法，最后要决定要不要采取某个具体动作，这个动作是开与关或者明与暗，也就是说物联网要从方方面面的数据来决定到底要提供什么服务。
这些都是本质，家中和工厂都一样，要从本质出发，那我们现在可以想象一下，在工业的场景中，我们要面对那么多的设备，设备彼此之间紧密联动，我们要怎么样做才能够让这些设备在最好的效率之下运行，或者是它可以实现最高的产能或者是最低的成本。因为设备本身以及场景的限制，不同的需求，需要不同的方式或者对应的规则来处理，才能达到我们所想要实现的目标。
这就引入了第二关，物联网领域三门槛中的第二关是技术关。问的核心问题是“怎么联”。就继续以智能家居做例子，我们要再追问几个问题，数据在哪里?如何采集?如何传递?接下来是数据如何加工?我们在刚刚的说明中，大概已经把这些涵盖进来，我们再来稍微深入一下，在刚刚的这个例子中，人靠近家门，那么人跟家门之间的距离是怎么采集到的?是车子上的GPS吗?还是利用手机，还是因为门口有一个压力感知器，所以人们进来时，系统可以知道?
数据在哪里?怎么拿到?最后又如何传递?是通过wifi的方式，还是通过连线的方式把这些数据全部串联在一起?我们刚才谈到起点、过程与终点，如果能够顺利采集，它送到哪里去处理?这牵涉到加工，处理的过程中，我们能不能跟过去的历史数据相比对，或者是使用者的反应可以成为反馈的数据源，这些事情就牵涉到数据如何加工，而加工的目的是为了提取出价值。
针对不同的数据源，有对应的传感器，通过采集器与线路，数据一路往上传，直到系统。这个过程中，我们要第一个先确定的是传感器、采集器的问题，传感器虽然是一个被动元件，它在财运行的过程中，也会有寿命，所以随着时间的经过，精度准度越来越下降时，能不能调整，如何去调整，这都是问题。此外，数据采集的过程中，会不会因为外在的一些影响而使得数据丢失，这都是一系列要被处理的问题。
工业环境更复杂，在工业环境中，我们可能会看到控压，看到空调，我们会看到数控机床，看到马达，看到各式各样的设备，每一种工业设备都有它不同的数据类型，有它数据不同的数据格式，也有内部的运行逻辑。这涉及到对工业设备本身专业知识，同时要去掌握这些不同设备的运行逻辑，并且采取出一个让它优化、高效率、低成本、大产能等等，这些状况事实上是相对复杂的。
所以，几个世界大厂要进入这一个部分时，在这里会碰到第一个难关，因为数据加工本身是一个转换的系统工程，而且是一个本质性的转换过程，就好像是说我们如果要将面粉变成面包，中间不是只有牵涉到烤箱，还牵涉到食谱，还牵涉到烘焙师自己对于时间以及美味的主观的判断，这中间牵涉到各式各样的专业知识，这其实也是我们不管是服务客户或者我们在企业内要导入物联网时，需要同时考虑的问题。
接下来我们进入到了物联网领域三个门槛中的第三关。
这里我们谈的是商业关。第一关是本质，第二关是技术，第三关是商业，因为毕竟经营企业讲求的是将本求利，在这个过程中，最后我们都会要问到一个问题，为什么要连?以刚刚智能家居的例子，有各式各样的场景，毫无疑问，我们一定有足够的技术能力，将各个场景做到高度自动化、智能化，但是我们会被问到的问题是为什么要做?当我进门只要一抬手，就可以打开电灯，这个开关了不起几十块钱，为什么客人要花几千上万块去买一个自动感知器来做同一件事?
亚马逊在去年出了一款智能音箱叫做Echo，引发人们对于未来智能家居的一些想象，大家觉得未来是一片荣景，兴奋得不得了，微信不停转发。这个音箱在市场上售价是199块美元，将近是1300块人民币左右，在整个设计上面，用得非常高档的技术以及装备，所以能够去识别整个房间中各个位置的声音，而且甚至是在听音乐时，还能够识别你说的话，这里唯一的问题是我们为什么要一边听音乐一边关电灯还要一边打电话?我知道技术都不是问题，但为什么需要用到这些技术?
事实上不止亚马逊，亚马逊之外的谷歌、微软、阿里、百度、小米都在做，只要有一点企图心的厂商都试图做类似的事情，生产出类似的产品，但是我们要追问的是，我们都已经知道在技术上没有任何问题，但到底为什么要联呢?我们付出了这些代价，到底得到什么样的好处?事实上，这不是我吹毛求疵，而是当我们在工业场合中面对客户时，所有的企业主都在问这件事情，那么身为物联网企业的我们，就一定得好好想清楚怎么去回答好这个问题，这个问题会随着不同的场景、不同客户的需求与限制，会有不同的答案，但是无论如何我唯一知道的事情是，不是灯泡拧上去还能用手机开关就有资格叫做智能物联网。
事实上这才是今天真正的主题。我们在过去的企业中，其实我们已经很清楚地知道，技术基本上大部分都已经成熟了，即便是在机器学习或者人工智能这一段，虽然日新月异，现有基础也能够提供我们非常好的服务。那么这些产业在物联网产业中，它的竞争模式到底是怎么样，这是我们接下来要谈的事情。
2. 物联网产业的竞争模式
首先，我们在工厂中经常看到的一个系统叫做MES(制造执行系统)，最早出现时是在1990年代，这个时候我想先提一个背景，1990年代时，微软公司推出了windows3.0。在谈MES之前，我们还要再去谈一下企业中很重要的系统ERP，我们讲ERP讲的是企业资源规划，它是在物料需求计划MRP，跟制造资源规划MRPII的基础上发展出来的管理工具，所谓的MES是制造执行系统，是美国管理界在1990年代所提出的一个概念，定义是能够透过信息传递，对于从定单下达一直到产品完成的整个生产过程进行优化管理，也就是说当车间发生实时事件时，MES能够对此及时提出反应、报告，并且去进行处理。
从这个定义来看，MES其实是对ERP计划的一个监控跟反馈，其实是ERP的业务管理系统，在生产现场的一个细化，所以ERP是一个业务管理级的系统，而MES是一个现场作业级别的系统，所以很多的MES管理工具都会跟工业设备，比如像透过工控技术来进行数据采集，上传到ERP系统去进行业务相关的回报以及相关的指令的处理.因为在现场去采集数据、传输数据，送到一个系统去处理，处理之外有个结果，又回归到现场，这样一个周而复始的过程，提起来跟物联网是不是很接近呢?确实如此，从1990年代发展到现在，MES确实已经具备了物联网的雏形，从设备到仪表或者到系统，已经建立这样一个物的联系的关系，但还不是一个完整的人机的闭环。
从1990年代到现在已经经过了25年，Windows也从3.0直到现在已经是Win10 ，对于现在的年轻人谈起Windows3.0时，他们可能会用嘲笑的眼光来看着我们，“看看这个老头子说些什么呢?”也别伤心，这是世代交替、典范转移的自然历程。同样的，我们在工业系统中谈MES时，是不是也出现了典范转移的过程呢?在这20年之间，有没有哪一些在工业或者是在产业界有什么比较明显的典范转移的过程可以拿出来谈谈?
确实有，就举两个例子，一个是苹果手机，一个是搜寻引擎。在苹果手机第出现之前，我们对于手机其实就是一个拨电话、收发短信的一个工具，在人对人之间的联系，发挥一个非常强大的便利的作用。那时候我们知道还有一家非常强大的企业叫诺基亚，苹果手机出来之后改变了所有的事情，在苹果手机出来了之后，我们在手机上玩的花样可多了，不仅仅只是这些语音的传递或者是信息的传递而已，手机变成是我们随身的一个智能系统，透过手机以及连线，我们可以接触到各式各样的数据库，可以带着我们在网络的世界中遨游，而原先曾经是手机存着唯一目的的拨电话、发短信，现在几乎很少被提到，这就是典范转移的一个例子。
另外一个例子是搜寻引擎，在2000年以前雅虎是一个非常强大的企业，因为它改变了过去人们搜寻数据的方式，雅虎最强大的地方是将所有的数据整理起来，整理成为一个很大的电话本，我们在电话本上只要知道类别，我们几乎可以很快地搜寻到我们要的东西，马云也是在那个时候开始起来的，我们还看到过马云向官员介绍自己要建立一个中国的黄页，从中国黄页到现在的阿里巴巴帝国，中间经历过非常大的转变。
那么，谷歌又是如何成为现在搜寻引擎之王呢?谷歌并没有跟着雅虎走一样的路，将所有的数据用人重新编辑起来再放上去，而是用了爬虫技术，并且利用专利的网站排序技术，将所有的网页进行评价，评价过程中还将这些网页相关的数据储存起来，所以当我们人在搜寻引擎上面输入我们要的关键字时，它有一套索引系统以及非常大型的分布式运算的系统，可以在几万台甚至几百万台的电脑中，去搜寻到我们要的数据，并且在短短的可能不到一秒的时间之内送到我们眼前。
在过去，我们必须先知道我们目标所专属的类别，一层一层往下翻，只要数据在，花个几分钟还是能找到，但现在是只要知道关键字，就可以瞬间得到结果。这两件事情所带来的便利性是完全不同等级的，所以我们也看到搜寻引擎之王从雅虎变成了谷歌。我们在20年之间，看到一个非常明显的典范转移。那么在物联网的领域中，是不是也是这样，很开心也很遗憾地说，“是的”，从1990开始一直到现在，典范转移存在，而且事实上也在快速转变，其原因是物联网的技术正在快速累积，还有各种技术包含高效率的计算机，处理大型数据的数据库，包括统计学习、机器学习等等，这些相关技术正在快速累积并快速传播到各个领域之中。
另外，包含这些联网的能力跟可以联网的规模，网络相关的知识的资源以及机器学习的相关的专业技术，也正在快速累积，而这个累积很快就可以投入应用，所以造成了整个工业物联网的快速转变。在这个过程中，我们看到了连接能力、计算能力以及运行能力都在快速累积，这意味着什么?意味着今天开发出来的技术，可能还没有成熟就已经过时了，同时也代表着现在整个技术面正朝着资本集中、知识集中、规模集中的方向在发展，那也就使得传统形式的科技公司，很难应付这种局面。
快速累积、技术投入本身是需要资本的，而如果它很快就过时，这也意味着这些我们所发展出来这些知识，它没有办法在第一时间发挥一个比较好的资本累积的效果，而是可能一开始就进入竞争的红海。对于科技公司来说，非常重要的事情是知识的累积，知识没有办法一个人拍着脑袋，说自己对所有事情都了解透彻，并且有能力去完成实现，所以我们不但需要这些应用基础技术，也需要很多人在一起投入，这些人力成本也非常昂贵，它会形成一个刚刚所提到的资本集中、知识集中跟规模集中这样一个状况，所以我们在谈到这个竞争模式时，必然逃不过典范转移。
MES正在朝物联网的方向在前进，整体而言MES的云端化跟智能化，就构成了我们现在所做的IOT，那归根结底还是牵涉到我们刚刚在谈的，牵涉到本质性的问题，就是场景限制与需求，然后连接的深度与广度，还有数据本身的起点\过程以及终点。
3. 物联网商业模式决定胜负
谈到技术关时，我们观察到一个趋势，就是技术集中、资本集中、规模集中、知识集中等等这样的状况，这意味着什么?意味着专注在技术的物联网技术企业，可能会出现一个规模经济，并且利益会集中在少数有能力、瞬间集合成千上百个专家投入的大型企业，但这是不是意味着小型的公司都应该洗洗睡了，这倒未必。而且我个人认为在知识经济中，规模不是一切。
以下跟各位分享一下，我们在为客户服务过程中所看到一些事情以及我们形成的观点。大家常常花了大量时间研究马云是怎么成功的，谷歌是怎么成功的，百度是怎么成功的或者是微信是怎么成功的。要跟各位泼个冷水，这些例子在统计学上很可能完全不合逻辑，或者说没有统计学意义。简单地说，因为我们只看到成功者、胜利者，当回顾他们成功的过程时，总是要归纳出某些成功因素，但这中间有一个在思考上的误谬，就是所谓的生存者偏差，我们看到他们成功，以为这样就是对的，但是实际上也有可能很多消失的企业，它们遵循着一模一样的路，但是他们也许在某些转弯，在某些关口上面没有得到充分的资源，所以失败了消失了。
在人们的推论中，无非是三个主要的观点，一个是规模决定论，就是规模很大可以应付各式各样的事情，如果有大的规模就可以成功。另外一种是技术决定论，因为掌握了某一种特定的技术，那么这个技术又是别人在短时间之内没有办法抄袭，甚至有专利保护等等，所以掌握这个技术就可以成功。另外也有一些企业在思考市场决定论，这个市场中只有我，也不容易进来，我可以在这个市场中去掌握所有事情，所以掌握这个市场就掌握一切，那不管是规模决定论、技术决定论、还是市场决定论，我们其实唯一知道的事情是事实难料，要随着不同阶段有不同的看法。
为什么要有商业模式，原因很简单，因为不管是规模、技术、市场，都不是永远的决胜因素，碰到典范转移就可能在瞬间灰飞烟灭，当我们没有办法单纯地从规模、技术或者市场中去决定成败时，这个时候其实是靠商业模式来决定胜负。在我们观察之后，整理出来四个交易模式，分别简单介绍，先是单纯的交易模式，在这个模式中的关键词是“成本为王”，，我们到餐厅吃饭就是最简单的例子，在直觉上面人们倾向于直接买卖，直接付钱跟交付。这个模式的要求是即时交付，在科技行业中这是经常有的状况。
但是当我们谈到物联网，特别是中间谈到很多知识要累积，牵涉到机器学习的过程时，机器学习很难满足这种单纯交易模式，因为我不是一个投入机器学习就直接完成的事情，没办法直接交付直接得到结果。结局需要时间，就拿阿尔法狗当例子，比如说AlphaGo可以打败围棋高手，让我们惊叹于它的运算能力的强大，事实上在前面开发阶段时，花了两年的时间学习了几万个历史名局，自己也左右互搏打了几百万局，再从这些难以计数的赛局中，归结出来的某些规则，所以在每次下棋时，事实上是过去几百万局精华的再现，有了这些经验累积下来才下得出来，这需要时间。
在传统的交互状况底下，客户付钱希望马上能够看到效果，但是对于物联网产品就没这么简单，为什么?因为我们交付的不是一个单纯的一个螺丝或者是一支笔，或者是一瓶果汁，我们交付的是，一个完整的架构与服务，而且还是需要时间来完成积累沉淀的架构，这个时候，买家似乎有比较大的谈判优势。
我们刚才谈单纯交易模式，我付多少钱马上拿到多少东西，它有一个变形是像自助餐，这是我付的一笔钱，在一个特定的时间能吃多少，就尽可能吃也不限制，但实际上这件事情，不管是对供应者或者需求者来说，都不见得是一个最好的选择。因为所有企业都是将本求利，企业在计算在整个服务过程中可以获得多少利润，为了降低成本，企业将某些重要或高阶的部分作为宣传品，也就有了一定的数量限制，换句话说，某些消费者可以享受到物超所值，但这是另外一些消费者当了冤大头的结果。从需求者立场来说，因为需求者觉得自己付了一个相对高的价钱，我一定要吃够本，宁可吃不下倒掉，也不能少吃，所以在这个过程中，也就必然会产生一些浪费的状况，实际上在过去的这么多年中，传统商业中就一直有这样的困境，因为当每一个人都要为自己的利益着想时，中间必然产生一个冲突。
单纯的以成本为主的交易模式之后，人们看到有些不方便、不公平的地方，就衍生出来一个服务模式。我们刚刚用餐厅说明单纯交易模式，要说明单纯服务模式，我们可以用剪头发当例子。剪头发这件事情，服务跟结果是脱钩的，服务本身要收费，但是对于结果这件事情并不保障。我们去设计公司，请理发设计师帮我们服务，不管付多少钱，十块或者是一千块，剪完时，不管我们满不满意，我们都得付这个钱。在这中间唯一得到保障的是设计师或者是理发店，因为进来一个人，就可以收多少钱。反过来，被服务的业主并不放心，这也不利于产业快速发展，为什么?因为当结果没有保障时，企业主会产生一种自然的担忧，因为我不知道付出去的钱，能不能对等于最后得到的结果，如果我对结果不满意时，钱还是付了，但是对企业可能没有带来好处，反而带来很多坏处，为了避免这种状况，那么在这中间就会牵涉到大量的交易成本，人们到最后只能依赖其他人的评价，也就是我们常说的口碑。
在单纯服务模式时，我们会看到很多明星设计师、首席设计总监，我们知道要付比较高的代价，但是至少让他剪，心中比较不那么担心，觉得好像对结果比较有保障，但是我们可能要追问一个问题，这个等级的设计总监，人数必然相对少，却有那么多人都希望让他服务，第一个问题是，他忙得过来吗?第二个问题是，如果当这个设计师希望将所有的业务都抓在自己手中时，也就是说他对每个客户的关注以及所能付出的时间也相对缩短时，那么各个业主还是付出高价，但所得到的服务结果的质量还会有保障吗?
不管是在单纯交易模式中一手交钱一手交货，或者是在单纯服务模式中，付钱购买服务，但对于结果又没有把握。在供需双方之间、都还是有些难以满足的地方，所以又引申出来第三种形式，第三种形式我们称之为利益分享的模式，这个利益分享的模式，是在考虑过单纯交易跟单纯服务的缺点之后形成的概念，也就是说服务的过程跟结果的质量都非常重要，当我得到了这个服务，它为我带来一定的利益，而这样的利益是会回馈到当初提供服务的这个企业身上。在概念上面，理解起来当然非常合理，因为供需双方都有一定的权利跟义务，但实际上它牵涉到几个非常根本的问题，也就是量化的方法及分享的模式。
利益分享的模式的前提，首先必须是的确存在利益，而这个利益还能够让双方去进行分配，所以碰到的第一个问题是谁来分配。第二个利益到底有多大，他的计算基础是什么?节能服务业事实上就碰到了这样的一个困境，节能服务公司希望去为客户节能，客户所省下的费用可以回馈一部分给我们。
说起来容易，操作起来问题重重。第一个问题就是到底有没有节能?由于涉及自然环境的变化，事实上节能效果很不稳定，有时候就算电费确实下降了，但客户不认为是你的贡献。举个例子来说，比如说去年的超过35度的日子有50天，所以我付出了某个金额的电费，但今年超过35度的日期可能只剩下25天，电费确实也必然会下降，但是在中间有一个说不清楚的地方，到底节能改造的贡献大，还是天气凉爽的贡献大?节能公司当然说都是我的贡献，业主当然说跟你完全无关。节能服务业中，因为很多关键因素一开始就没有数字化，也可能是因为数字化的成本太高，双方都不愿意负担，因此，在服务提供者跟被服务的人之间，从一开始在关键数字上就没有达成共识，最后当然扯不清楚，造成现在节能服务业所面临的困境。
单纯交易模式让卖方不开心，单纯服务模式让买房不愉快，利益共享方式算不清楚，没打架不错了，哪有分享机会，这样说起来还有什么选择?事实上除了这三种之外，还有另外一种方式是所谓的共生协作模型，不管是单纯交易、单纯服务，或者是利益分享，其实中间一直都只有买卖双方，然而，思维事实上可以更宽广，因为在共生协作模式底下不是只有买卖双方而已，买卖双方都是一条漫长价值链的一小部分。以华科公司来说，现在的两个核心服务都在共生协助模式之下发展，第一个核心服务是企业内部的厂务管理，我们重视的是服务过程，并且确认为客户带来附加价值。另外一个是企业外的客户服务平台，这个服务则是重视结果，协助客户再去对他的客户提供附加价值，甚至可以提高收费或者是创造更新的收入。关键在哪里?这个关键是我们所提供的服务，不是在客户这个环节就被消耗掉，而是跟客户的直接利益相结合，让客户有机会去争取更大的利益，我们再从客户新增加的利益之中去定义出自己的价值。因为我们的客户在我们的服务之上继续实现经济利益，我们也从这个经济利益中，分享到一小部分，客户就愿意付这样的钱。简单地说，我们就是要让客户乐于把我们卖掉，而且我们还愿意帮客户数钱。
4. 应用
我们刚刚在谈到，在整个服务的过程中，像Predix希望能够将信息科技跟运营技术能够相结合，这个核心就是数据分析，需要大量的业务模型，而这些模型的组合跟实体化就是应用。我们刚才谈过，在技术上面会出现一个资本集中、规模集中跟知识集中的状况，那小型企业怎么办?小型企业的突破点就在于业务模型转换成应用的过程。
在整个应用的这些企业的流程中，我们大概可以把它分成四个部分，就是生产、销售、服务、运营四个重要环节中，其中各自有很多应用，我这边举出几个简单的例子。在生产中，希望将生产过程和结果能够数字化、精细化，这边有个概念叫做信息物理系统CPS，李杰教授也提出一个类似的概念叫做，Digital Twins数字双胞胎、数字孪生子，这个概念是将实体工厂复制到数字空间中，并且创造出一个一模一样的模型，在这个模型中我们可以进行操作或者设计，让所有事情可以先在数字世界中形成，确认效果之后，我们再搬到实际世界中来，风险、成本大幅降低。其次，在设计阶段，数字化、物联网也可以有很大的应用空间，在物联网所构成的数字空间中，我们可以预先知道成品未来会长成什么样子，可以发挥什么效果，比如说像Autocad的使用，在很久以前，我们可能需要大量的图纸，但近十五年来，我们在电脑中设计CAD模型，我们在电脑上看到具体的形状和设计，不管是模具的生产或在产品的设计中，在数字空间中都已经可以预先确认，解决大部分的问题。再者，生产效能的提升也是重头戏，这也是我们华科公司所提供的服务之一。我们的基本概念是，在工厂中有大量设备，这些设备本身组成系统，系统与系统之间构成一个生产线，而在这个生产线上，必须同时为几个目的而服务，希望又是高效率，又是大产能，又要低成本。在这几个不同的目的之间，有个排序或者是权重的关系，我们把这个组合构成一个目标函数或者是奖励函数，随着不同的目标函数，各个设备之间彼此会有一些互动的过程，而且这个互动的结果服从于原先设定的目标函数，然后透过这种方式来达到生产效能的提升。
在销售的部分，透过数据了解客户的运行行为或者在采购上的偏好，如果客户购买了这个产品时，是不是还会再去购买其他产品呢?透过关联分析，企业可以做到到精准行销跟交叉销售。简单举一个例子，沃尔玛过去统计了客户的销售行为，原先认为购买婴儿尿布可能是母亲的任务，因此将尿布放在女性相关用品区域，但是当沃尔玛深入分析时发现，采购尿布的顾客以男性为主，男性在采购时，通常先采购自己要的啤酒，才走过大半个卖场去拿婴儿尿布，后来沃尔玛根据这个结果重新安排货架，将婴儿尿布跟啤酒放在一起。在沃尔玛的例子里，他们将婴儿尿布与啤酒放在同一个地方，所以这些爱家男性接受太太指令来买婴儿尿布时，也可以顺便犒劳一下自己，顺手再带个啤酒走，就因为沃尔玛发现消费者在采购这件事情有这样的特性，所以不管是婴儿尿布或者是啤酒，整个营业额都上升了。
我们在工业客户中，其实也可以这样操作，例如我们发现设备在运行时，必然用到某些辅料，尽管不是直接相关，这些间接相关辅料的数据分析结果，可可以看到某种特定的消费倾向，我们也找到中间的关联性。这是我们在过去单纯用Excel或者是简单报表形式掌握不到的趋势，但是透过大数据工具中，我们看到了关联性，也协助我们可以更有效地做出决策。
至于服务，我想提一下国家在推进中国制造2025时，有一个非常重要的主题，称为“服务性制造”，其中的概念，就是希望制造业，从传统的生产的提供者，能够进一步跨界加入服务业的精神，可以往更好服务品质的方向来迈进，简单地说。就是要把服务业的灵魂接在制造业的线路上面，我们关注的不再是这个设备我们要卖多少台，要在多少时间收多少钱，我们更关心的事情是我们卖出去之后，售后服务如何推进?这些事情有多重要?我想举一个例子来跟各位分享，国内制造业最关注的事情是设备的销售，销售出去之后，基于各种原因，不再跟进售后服务，导致一般制造业企业，设备销售占全部营业额中的八成、九成，售后服务这块也许只有1成、1成5，甚至更低，但在这么小的比例中，不管毛利多好，售后服务实际上没有利润。
反过来，国外的设备制造业对于售后服务就非常重视，重视的原因不是因为企业讲究高大上还是面子问题，实际上还是将本图利，因为售后服务的利润非常之高，甚至可以这样说,单纯设备销售利润，大概只有售后服务的1/3或1/4，也就是说如果如果设备销售1亿元，那么售后服务只要2500万，就可以得到同样的利润。物联网在这中间扮演什么关系呢?这就是华科公司提供的服务，在设备销售出去之后，我们去观察设备使用者的操作行为、设备状况，并且借以建立设备独有的运行模型。从这个运行模型中，再去预测这个设备未来的实际需求，所以我们可以在客户需求实际发生之前，就可以先掌握，我们可以在客户相关需求发生之前，就可以提前让服务与零件供应到现场，这个时候客户的满意度提升，他更愿意跟我们有所往来。
运营的过程中，物联网其实也可以发挥很多的效果，这些相关的应用包含仓储、物流、资产安全也就是点检的部分，或者是在设备运行的过程中，中间种种的运用，都是物联网应用的一些简单例子而已。不管是在生产、销售、服务或者运营中，事实上都有大量的应用空间，因为太专业、太琐碎，因此大型企业反而没有办法涵盖，就算大型企业能够动员成千上百个人来解决一个问题，对于个别问题当然非常强大，但是企业大，意味着要去面临的问题更多，要投入的事情的深度与广度远远超出这些成千上百的人可以处理的部分，反过来，像我们这样一个小型的物联网企业，这些就是我们可以突破的点。
5. 物联网发展战略
最终，其实我们还是要问一件事情，也就是禅宗说的，“从何处来，往何处去”。我们必须知道，数据往何处来，价值往何处去。我们想要跟客户、跟合作伙伴之间形成一个共生协作关系，就必须要先思考清楚这个问题。
刚刚谈到在几个商业模式中，我们认为，小型的企业想寻求突破，掌握企业共生协作模型的思维会是一个非常重要的关键，而且这还突破了过去买卖双方对立的一个局面。我们必须先认清楚买卖双方，事实上是在一条漫长价值链中的两个环节而已，也就是说我们必须去协助我们的客户，能够做出附加价值，协助客户赚更多钱，我们才能够去得到我们应有的一份。但在实际操作上，会是什么样一个状况呢?
最重要的其实还是我们真正能够掌握的一些专精的领域本质到底在哪，从本质出发，面对自己核心优势进行分析，就知道对客户可以带来哪些价值。在此同时，我们也必须对于客户的核心需求进行分析，因为当我们的专精领域确实能够对客户的需求有所回应，解决他们痛点时，中间买卖双方才会有一个连接的机会，那么客户的痛点是什么?就是他在对客户提供服务时，没有办法提高售价，没有办法提高价值，没有办法争取更高利润。所以我们要做的事情就很清晰了，以我们的专业能力补足客户的不足。那这件事情谈到最后，其实就是要对客户提出一个价值提案，最后一两页跟各位介绍一下我们接下来的发展是什么?
作为一个小型而且正在快速发展中的物联网企业，我们认为在共生协作模型中的关键词叫生态圈，生态圈不仅仅是一个词，实际上也是三个字的组合，在共生协作的模式中，我们思维可以更宽广，不是只有买卖双方，而是一个漫长价值链的一小部分，这个是我反复强调的事情。生态圈这三个字，第一个是“赖以为生”的“生”，谈的是我们自己的专精领域是什么，在整个价值链上我的上下左右前后各是谁，怎么大家能够结合在一起活下去。
“千姿百态”的“态”字谈的是业态，这牵涉到专精领域中，怎么解决客户的痛点，如何透过协作方式让客户乃至于整个价值链可以前后贯穿。这边还可以延伸出一个主题，就是客户怎么看待我们，以及我们怎么看待和我们合作的人：
不管企业多大，都没有办法掌握所有资源，有很多事情没有办法自己完成，需要协作。这个时候我们要问自己一个问题，我们寻找的是下包商还是伙伴，如果是下包商，我们要的是价格、成本跟交付，业务的切分范围是交付，这就碰到一个问题，因为所有人都不想吃亏，必然选择对于自己最有利的方式，最好是保固期限一到，设备马上故障，还没法修，非要逼着客户回头买，嘿嘿!我赚了，但是嘿嘿两字的代价是信任。
我们花了这么多的力气比较，事实上这些都是交易成本的一部分，不信任带来巨大的交易成本，而且因为有时间差，我们还可能看不到真正的问题。反过来，如果我们寻找的是伙伴时，我们期待有人和我们分摊风险、我们当然要分享利润，就这样构成一个个有着坚强向心力的小圈子:不同形态，不同专业、不同分工，在价值链上下左右结合在一起，对外战力互补，对内坚信不移，以长期信任为基础，对于小公司来说尤其重要，我现在也正在积极建构生态圈。
有了规模、技术与市场，也掌握了物联网的本质，而且我们还在协作模式之下形成了生态圈，接下来唯一的关键是什么?我们好不容易走到这里，无论如何一定要努力、勇敢地生存下去，只有走到终点才有资格笑出声音。
