Ekonomi IoT – Pelajaran untuk penyedia layanan dan perusahaan
Owen Rogers dari 451 Penelitian
Banyak organisasi telah memindahkan infrastruktur mereka ke lingkungan cloud publik, dan sekarang banyak yang menggunakan layanan cloud untuk mengelola Internet of Things.
Faktanya, lebih dari dua pertiga perusahaan menggunakan aset komputasi edge dan near-edge untuk analitik IoT, mesin, dan data IoT lainnya. Untuk mengakomodasi data ini, penyedia cloud hyperscale terkemuka seperti AWS , Google dan Microsoft memiliki penawaran cloud IoT yang tersedia untuk penggunaan perusahaan dengan basis bayar sesuai penggunaan.
Awal tahun ini, analis Ekonomi Digital dan IoT di 451 Research mendeteksi pemotongan harga IoT Azure sekitar 50%. Perubahan substansial ini membuat para analis bertanya, “Apakah ada cara untuk mengetahui platform IoT cloud hyperscaler (AWS, Google, dan Microsoft) mana yang termurah?”
Pada dasarnya, tim ingin memahami parameter biaya mana – seperti ukuran rata-rata pesan, jumlah pesan, dan jumlah pembaruan registri – yang memiliki dampak terbesar pada pilihan penyedia termurah. Tetapi tujuan utama tim adalah untuk memahami penyedia mana, secara keseluruhan, yang paling mungkin menjadi yang termurah.
Setelah mengidentifikasi sembilan parameter penetapan harga yang dapat berdampak paling besar pada biaya, analis menerapkan strategi pembelajaran mesin dan membuat simulasi Python untuk secara otomatis membandingkan model penetapan harga AS untuk AWS, Google, dan Microsoft.
Dengan ukuran sampel 10.000.000 simulasi, 451 analis Riset menemukan Azure dan AWS hemat biaya dalam beberapa keadaan (ditunjukkan dalam diagram pohon keputusan). Microsoft umumnya tampak lebih murah dalam skala, sedangkan AWS lebih murah di sebagian besar kasus penggunaan perusahaan saat ini. Namun, Google tidak ditemukan menjadi yang termurah di semua simulasi yang dilakukan.
Pengalaman mereka dalam mencoba menemukan jawaban atas teka-teki ekonomi IoT ini menghasilkan dua kesimpulan. Pertama, aksesibilitas pembelajaran mesin sebagai layanan memberi mereka kemampuan untuk penemuan yang tidak kami miliki sebelumnya.
Namun, sementara sebagian besar kompleksitas pembelajaran mesin diabstraksikan, pengetahuan yang mendalam masih diperlukan untuk mengungkap kompleksitas model penetapan harga sehingga pembelajaran mesin dapat digunakan. Dengan kata lain, untuk perusahaan, memiliki pakar dalam pembelajaran mesin saja tidak cukup.
Pakar dalam konteks data diperlukan untuk membuat pembelajaran mesin yang layak, yang berarti memberi karyawan landasan dalam teknik ini sehingga para ahli ini dapat memanfaatkan alat, dan pakar pembelajaran mesin. Spesialisasi vertikal memiliki peran besar.
Kesimpulan kedua adalah, bahkan ketika model penetapan harga disederhanakan, nuansa menambah kompleksitas, dan dampaknya seringkali tidak jelas. Saat ini, faktanya adalah bahwa jika suatu perusahaan ingin memahami tagihan cloud-nya dengan percaya diri, seringkali perusahaan harus menghitung biayanya secara manual.
Ini sama sekali tidak praktis, dan sebagian besar konsumen cloud tidak mengerti persis apa yang mereka bayar. Ini bukan cloud utilitas 'seperti listrik' – ini adalah teka-teki kompleks di mana hanya sedikit, jika ada, konsumen cloud yang benar-benar mengatur pengeluaran mereka.
Kedua kesimpulan tersebut memberikan peluang bagi penyedia layanan:untuk mengurangi kerumitan dan perantara di seluruh platform untuk menghemat uang dan sakit kepala pelanggan Anda, dan untuk mengaktifkan dan menyederhanakan akses ke layanan pembelajaran mesin agar non-ahli dapat memanfaatkannya.
Penulis blog ini adalah Owen Rogers, direktur riset – Unit Ekonomi Digital
