工业4.0如今仍然是一个不断演进的过程，其核心是物联网。工业环境中的数字化转型仍在持续，并且由于新冠疫情而在加速实施。那么，工业物联网和高级分析在未来将如何发展?随着即将进入2022年，企业高管对此应采取哪些优先事项?
根据调研机构麦肯锡公司的估计，2020年全球物联网市场规模为1.6万亿美元，到2030年B2B市场规模可能会增长到3.4至8.1万亿美元。这项评估表明，未来几年仍有大量价值机会有待实现。
为了实现这一价值，各行业的企业实施数字战略需要克服一些障碍并抓住机遇。物联网硬件的快速发展以及存储大数据的能力奠定了数据增长的基础，这些年来这方面的成本都已显著降低。现在的重点是如何使用这些正在获取的数据来创造价值。
1. 实现系统互操作性以获取更好的数据
事实证明，扩展数字化转型是企业在物联网领域遇到的最主要的障碍之一。许多项目无法扩大规模，限制了采用率和价值实现。造成这种情况的原因之一是由于使用专有的封闭生态系统，以及传统系统、不同数据架构和定制物联网传感器语言的混合，造成了生态系统的障碍。为了从高级分析中受益，需要在生态系统之间获取和共享数据，以便可以在整个企业范围内收集见解。为了实现这一目标，企业需要要求所有未来采购具有互操作性，并计划解决遗留问题。
2. 为未来的高级分析规划数据存储
高级分析、人工智能和机器学习使用原始的非结构化格式的大数据。企业需要改变捕获、存储和管理这些数据的方式。对于预测分析而言，时间序列数据至关重要，因此企业应该计划使用云数据仓库并采用图形数据库，以便充分利用新的高级分析技术。
3. 企业范围内的高级分析计划
当企业在运营过程中扩展并开始使用高级分析(如人工智能和机器学习)时，就会实现更多的价值。企业需要规划在整个企业中使用的高级分析，而不是在小型试点项目采用或限制在内部数据科学团队内。当企业的员工开始分析数据以帮助他们了解日常工作时，就会出现数据民主化。麦肯锡公司估计，价值创造的最大潜力在于优化制造业的业务运营，可以提高资产和人员的管理效率。
4. 无代码机器学习和MLOps
自动化高级分析是工业企业的下一个重大机遇。随着技术的进步，无代码机器学习(ML)现在正在被世界各地的企业广泛部署。无代码机器学习(ML)使专家和运营人员无需任何编码或编程知识即可快速创建其资产或操作的模型。这些模型是自动部署的，可以从实时和历史数据中学习，并提供关键见解以帮助优化运营。可以看到它被用于预测性维护和实时状态监控。MLOps是通过自动化应用持续集成测试和持续部署，提供可扩展的最新数据模型，以实现机器学习的工业化。通过机器学习的工业化，模型自动化才得以实现，有助于企业实现高级分析的可扩展性。
5. 实现远程和自动化操作
向远程工作和集中操作的转变推动了远程监控等创新，并在许多运营环境中提高了自动化程度。这些创新将有助于降低运营成本和人员安全风险，并有助于进一步提高物联网可以产生的价值。提高预测生产故障或错误的远程监控和接收警报的能力将会提高团队的效率。高级分析将提供根本原因分析，确保将正确的人员和部件调派到现场，并提供见解使操作员能够做出明智的决策，例如调整流程或设备以确保不会出现生产力损失。
6. 排放达标和减少排放
各行业的企业都在制定碳排放目标，下一步是确保实现这些目标。物联网和高级分析可以帮助企业确定目标设置的基准，并可以监控持续使用的情况。可以识别使用大量能源的领域以及潜在改进的机会。AutoML可以用于预测能源使用峰值，以协助储存能源和实现废物最小化。
7. 企业的整体分析
整合企业的数据和高级分析为改进预测、报告和合规性提供了机会。其数据可用于推动增长、优化和多元化战略。所提出的见解可用于改进流程，并有助于不同部门和业务部门之间的知识共享。
物联网和高级分析的每个用例的价值可能会有很大差异。因此，获取价值的最终目标是将创新嵌入到整个企业中，这将从企业高管开始，数字化转型不再局限于IT部门或创新团队。为了使真正的价值得到认可，它需要融入到企业的使命中。
很多企业面临的挑战是扩大规模，以便快速获取价值。这反过来将有助于改变内部文化、程序和方法。随着试点项目转向推广，并进行改进以减少瓶颈，可以提高决策的准确性，并全面改善企业的业务。
