工業4.0如今仍然是一個不斷演進的過程，其核心是物聯網。工業環境中的數字化轉型仍在持續，并且由于新冠疫情而在加速實施。那么，工業物聯網和高級分析在未來將如何發展?隨著即將進入2022年，企業高管對此應采取哪些優先事項?

根據調研機構麥肯錫公司的估計，2020年全球物聯網市場規模為1.6萬億美元，到2030年B2B市場規模可能會增長到3.4至8.1萬億美元。這項評估表明，未來幾年仍有大量價值機會有待實現。

為了實現這一價值，各行業的企業實施數字戰略需要克服一些障礙并抓住機遇。物聯網硬件的快速發展以及存儲大數據的能力奠定了數據增長的基礎，這些年來這方面的成本都已顯著降低。現在的重點是如何使用這些正在獲取的數據來創造價值。

1. 實現系統互操作性以獲取更好的數據

事實證明，擴展數字化轉型是企業在物聯網領域遇到的最主要的障礙之一。許多項目無法擴大規模，限制了采用率和價值實現。造成這種情況的原因之一是由于使用專有的封閉生態系統，以及傳統系統、不同數據架構和定制物聯網傳感器語言的混合，造成了生態系統的障礙。為了從高級分析中受益，需要在生態系統之間獲取和共享數據，以便可以在整個企業范圍內收集見解。為了實現這一目標，企業需要要求所有未來采購具有互操作性，并計劃解決遺留問題。

2. 為未來的高級分析規劃數據存儲

高級分析、人工智能和機器學習使用原始的非結構化格式的大數據。企業需要改變捕獲、存儲和管理這些數據的方式。對于預測分析而言，時間序列數據至關重要，因此企業應該計劃使用云數據倉庫并采用圖形數據庫，以便充分利用新的高級分析技術。

3. 企業范圍內的高級分析計劃

當企業在運營過程中擴展并開始使用高級分析(如人工智能和機器學習)時，就會實現更多的價值。企業需要規劃在整個企業中使用的高級分析，而不是在小型試點項目采用或限制在內部數據科學團隊內。當企業的員工開始分析數據以幫助他們了解日常工作時，就會出現數據民主化。麥肯錫公司估計，價值創造的最大潛力在于優化制造業的業務運營，可以提高資產和人員的管理效率。

4. 無代碼機器學習和MLOps

自動化高級分析是工業企業的下一個重大機遇。隨著技術的進步，無代碼機器學習(ML)現在正在被世界各地的企業廣泛部署。無代碼機器學習(ML)使專家和運營人員無需任何編碼或編程知識即可快速創建其資產或操作的模型。這些模型是自動部署的，可以從實時和歷史數據中學習，并提供關鍵見解以幫助優化運營。可以看到它被用于預測性維護和實時狀態監控。MLOps是通過自動化應用持續集成測試和持續部署，提供可擴展的最新數據模型，以實現機器學習的工業化。通過機器學習的工業化，模型自動化才得以實現，有助于企業實現高級分析的可擴展性。

5. 實現遠程和自動化操作

向遠程工作和集中操作的轉變推動了遠程監控等創新，并在許多運營環境中提高了自動化程度。這些創新將有助于降低運營成本和人員安全風險，并有助于進一步提高物聯網可以產生的價值。提高預測生產故障或錯誤的遠程監控和接收警報的能力將會提高團隊的效率。高級分析將提供根本原因分析，確保將正確的人員和部件調派到現場，并提供見解使操作員能夠做出明智的決策，例如調整流程或設備以確保不會出現生產力損失。

6. 排放達標和減少排放

各行業的企業都在制定碳排放目標，下一步是確保實現這些目標。物聯網和高級分析可以幫助企業確定目標設置的基準，并可以監控持續使用的情況。可以識別使用大量能源的領域以及潛在改進的機會。AutoML可以用于預測能源使用峰值，以協助儲存能源和實現廢物最小化。

7. 企業的整體分析

整合企業的數據和高級分析為改進預測、報告和合規性提供了機會。其數據可用于推動增長、優化和多元化戰略。所提出的見解可用于改進流程，并有助于不同部門和業務部門之間的知識共享。

物聯網和高級分析的每個用例的價值可能會有很大差異。因此，獲取價值的最終目標是將創新嵌入到整個企業中，這將從企業高管開始，數字化轉型不再局限于IT部門或創新團隊。為了使真正的價值得到認可，它需要融入到企業的使命中。

很多企業面臨的挑戰是擴大規模，以便快速獲取價值。這反過來將有助于改變內部文化、程序和方法。隨著試點項目轉向推廣，并進行改進以減少瓶頸，可以提高決策的準確性，并全面改善企業的業務。