物聯網繼續在許多行業引起轟動并被廣泛應用。圍繞物聯網的討論主要集中在設備上——智能電視、冰箱、汽車、可穿戴設備等精巧的小玩意。但對于企業而言，物聯網的最終價值不僅僅在于設備，還在于他們產生的數據。要真正釋放物聯網的價值，您需要馴服這些數據。 物聯網技術正日益成為許多企業的關鍵任務工具。汽車制造商利用物聯網開發自動駕駛汽車，最終將成為一個數萬億美元的產業。但是這些設備共同產生大量數據，如果管理和監控不當，可能導致物聯網應用崩潰，并導致潛在的致命錯誤。 想象一輛充滿物聯網設備和互聯技術的自動駕駛汽車，如果其中一個設備發生故障（例如雷達傳感器），車輛可能會撞毀，甚至會造成人員傷亡。為了解決這個問題，汽車制造商正在采用一種稱為異常檢測的方法，該異常檢測可實時分析大量物聯網數據，以查找任何異常活動。

當物聯網設備開始表現出異常行為時，這種方法會提醒司機，允許他們在設備故障之前將其帶去修理或更換。這使汽車制造商能夠保證安全并加速自動駕駛汽車的采用。 另一個很好的使用案例來自制造業，在制造業，工業物聯網（IIoT）正受到越來越多的關注。這里，IIoT用于自動化各種流程和機械，這包括您在裝配線上可能會發現的任何東西，比如傳送帶、高架起重機和叉車。在IIOT設置中，這些機器會產生大量傳感器數據，與上面的自動駕駛汽車示例一樣，異常檢測的使用可以確定這些機器中的一臺何時發生故障，從而允許企業快速采取行動來修理或更換它。此外，這些數據可用于執行預測性維護，在這種維護中，企業會檢測某些模式，這些模式顯示機器在實際發生故障之前可能需要修理或更換的時間。 在這兩個例子中，只有當數據被正確捕獲和處理時，物聯網技術才能實現其全部價值。這項技術產生了大量的流數據，有太多企業甚至沒有制定一個計劃來處理他們將產生的大量數據——這需要考慮他們的分析引擎從數據中得出結論的速度，以及快速處理大量數據需要的網絡帶寬，甚至需要考慮存儲數據的方式和位置，以進行后期分析。結果，他們的物聯網部署存在缺陷并且表現不佳。企業可能會遷怒于硬件，但責任在于他們無法正確處理數據。 當然，物聯網數據也不容易收集、存儲和分析，它以高速、大量和不同的格式出現，所有這些變量都會根據設備和用例而變化。

再比如監測病人心跳的設備將不斷產生大量數據，這些數據需要實時處理。此外，用于抓取和分析這些數據的系統非常復雜，這些包括用于收集數據的流存儲，例如Kafka或HBase，以及用于解析數據的處理組件，例如Spark of Flink。存儲組件必須在精巧的編排中有效地與處理組件協調，以使其全部工作。這些系統經常遭受數據分區不當、將傳入數據發送到流存儲的錯誤位置、資源爭用問題，導致瓶頸或配置不匹配，最終導致崩潰和錯誤。 為了找出在這些場景中出了什么問題，唯一的選擇是梳理大量的原始系統和應用程序日志，并嘗試理解它們。這通常需要專家級別的經驗，即便如此，這也是耗時且低效的。要真正理解物聯網數據，您需要一個自動化的大數據應用程序管理軟件，該軟件能夠快速查明物聯網應用程序的哪個部分工作不正常，甚至提供如何修復這些錯誤的建議。 在過去的20年里，每家公司基本上都變成了一家科技公司——如果他們不接收科技，他們就沒有希望在現代經濟中競爭。同樣，如今，每家公司都在成為一家數據公司。允許數據累積而不實際挖掘數據的企業將錯失關鍵洞察力，并危及他們可能投入巨資的各種部署，包括物聯網。