卡特彼勒是重型机械的代名词，在90多年的历史中，其产品一直在帮助用户建立更美好的世界。过去20年，卡特彼勒一直在推动行业领先的连接解决方案，1999年推出第一款远程信息处理设备，现在正在通过先进的数据科学和物联网解决方案来支持数字战略。
借助车载计算机、传感器和摄像头，大约一百万个资产正在将数据传输到公司，以实现大规模的高级物联网分析，这些数据包括时间序列数据，机器运行状况报警，燃油使用量，GPS定位和操作员的使用情况。
卡特彼勒的物联网分析技术借助数据，可以以更低的总成本、更高的生产率和安全性，更低的维护成本为用户创造价值。使用分析可以了解何时需要维修和更换机器以及设备部件，如何高效的操作以提高产量，降低运营成本，如何延长设备使用寿命等等。
那么，物联网分析的未来是什么?先看看物联网领域的趋势和挑战。
趋势：数据量不断增加。
挑战：可用数据的质量。
工业物联网是用于分析的数据生成引擎：一台大型现代化卡车拥有100多个传感器，每个传感器以每秒一次或更快的频率产生数据并处理。分析人员在处理如此大量的数据时，可能遇到质量问题，如缺少批次信息、缺少通道、传感器故障，错误的提取信息，数据抽取传输装在过程中的故障等问题。这些问题导致数据科学家将更多的时间浪费在数据质量控制而非花在数据分析上。
行动：投资于数据质量监控和改进。这将带来长期的收益，随着数据量的不断增加，以后解决数据质量的问题将越来越困难。
趋势：“监督”分析模型将成为主流。
挑战：缺乏质量的基本准则。
监督模型可以更直接的使用，并带有准确的估计值，因此作为首选模型。但是，在决绝包括真是数据质量在内的数据质量问题之间，受监督模型很难实现高精度。
行动：专注于”无监督“模型，但要建立与监督模型兼容的基础架构，并继续提高数据质量。随着建立基础设施以自动标记数据，向监督模型过渡可能而逐渐发生。
趋势：自动化分析。
挑战：由于人工参与，缺乏算法透明性，限制了可伸缩性。
物联网数据分析的最终目标是完全自动化执行任务，使人类专家可以将精力集中在最复杂的问题上。这是最有效和最具有成本效益的方法。但是，大多数机器学习算法都是黑盒算法，做出的决策通常很难解释和新人。
行动：投资于人员培训，教育和建立对所有模型的信任。另外投资可为人类用户解释模型的解决方案。模型的响应越透明，就越可能实现分析自动化。
趋势：迁移到云。
挑战：数据连接问题，分析决策延迟和基础架构成本。
行动：在多数情况下，数据、分析和其他服务迁移到云是很有意义的，云提供了可伸缩性、和按需付费的方法，减少了费用支出。同时也带来了数据延迟问题，因而某些情况下依靠云的实时物联网数据分析是不可能的。
行动：规划灵活、集成且可靠的端到端分析解决方案，覆盖从边缘分析到云分析。这种解决方案兼顾连接性、延迟、成本。
趋势：从数据批处理向流式传输和实时分析的转变。
挑战：更改现有基础架构的复杂性
分析的总体趋势是从批处理数据转化为实时处理，这种转变成本很高。
行动：为未来计划，这种转变是未来趋势，所以必须尽早过渡。客户需求、技术进步和竞争压力最终将支持更多的流式应用。
趋势：物联网数据无处不在。
挑战：数据IP，所有权、安全性和治理。
将所有物联网数据集中在一个地方，并为所有团队提供数据的访问权限，可能式加快产品和技术开发，降低成本，创新并改善协作的最佳途径。但是，将出现新的数据问题：谁拥有哪些数据，谁可以访问哪些数据，是否有权使用数据，如何处理高度机密的数据。这些需要法律法规、行业标准的不断完善，才能支持物联网数据的使用。
行动：建立强大的数据治理和安全流程，尽可能多的利用根云服务商提供的服务。
