物联网可以成为这些组织的数据源。但是关键不仅在于确定这些新数据来源，而且还在于实施正确的分析工具以将所有数据转化为可操作的见解。
举个例子：美国邮政总局估计，通过在车辆上安装物联网设备来收集引擎状况等数据，每年可以节省7000万美元。这样，他们就能在问题导致昂贵的故障之前找出它们。
美国邮政总局经营着世界上最大的民用车队，每年大约行驶15亿英里。这意味着这些车辆非常适合收集有关道路状况的信息——不仅是坑洼和裂缝的地方，而且也是邮政车频繁突然刹车的地方，这表明道路有问题。
美国邮政希望与智慧城市共享其部分物联网数据，因为智慧城市可以利用这些数据来扩大其交通预算。一个例子是查明需要增加车道或交通信号灯的道路，或者识别哪些路面出现了坑洼。还有潜在的副作用，例如，更少的交通堵塞意味着更少的污染和更健康的公民——这是大多数智慧城市倡议的两个主要目标。
分析不同来源的物联网数据可以发现更多见解。假设市政当局可以获得车辆物联网数据、公共卫生数据(如哮喘病例)以及来自城市一氧化碳/二氧化碳传感器的数据。有了正确的分析工具，该城市现在就可以准确地了解污染水平如何影响某些社区，甚至可以了解社会成本，如残疾索赔和因呼吸道问题导致儿童缺课的低考试分数。（来源物联之家网）该城市还可以引入非结构化数据，如市民在社交媒体上发布的关于交通、污染、贫困和健康的帖子。
随着内部和外部数据源数量的增加，挖掘这些数据源以找到见解的挑战也随之增加。这就是为什么智慧城市、企业和其他组织越来越多地转向语义技术的原因，这种技术消除了传统的、耗费时间和资源的流程，例如查询多个数据库以寻求答案。
京公网安备 11010502049343号