音频文字.

Erik：欢迎来到工业 IoT Spotlight，这是您从工业 IoT 思想领袖那里获得洞察力的第一站，他们正在与您的主持人 Erik Walenza 一起改变当今的业务。

欢迎回到工业物联网聚焦播客。我是您的主持人，IoT ONE 的首席执行官 Erik Walenza。我们今天的嘉宾是 Aginity 的首席执行官 Rick Hall。 Aginity 正在重塑数据分析引擎室，以简化数据的摄取、清理和重用。在本次演讲中，我们讨论了数据分析的民主化，因为非 IT 专业人员可以轻松访问数据分析工具。我们还探讨了与 5G、大数据和打破数据孤岛相关的数据分析的未来趋势。

如果您发现这些对话很有价值，请给我们留下评论和五星级评价。如果您想分享您公司的故事或推荐一位演讲者，请发送电子邮件至 team@IoTone.com。谢谢你。里克，非常感谢你今天加入我们。

里克：埃里克，非常感谢你。我很高兴能与您和您的听众交谈。

Erik：所以，Rick，今天这个话题很关键；这个分析主题确实是围绕物联网系统创造价值的核心。但在我们进入 Aginity 和手头的主题之前，我想了解更多关于你的信息。您在 2001 年成立了第一家公司？

Rick：我在这个行业工作了很长时间，从大学毕业后，我开始从事分析工作，并开始在咨询行业为电信和金融服务构建数据库系统。 2001 年，我创立了一家名为 G4 Analytics 的公司，我们的目标是将我们正在做的事情产品化。当然，我们实际上是从 2001 年 9 月 10 日开始的，所以你可以想象之后发生的事情，那是一段有趣的商业时期。

但我们的重点是广泛地将分析工业化和产品化，并将其引入业务流程。我们最终非常专注于消费品和零售，我们做了很多工作，我们建立了这些模型来帮助预测零售额，并最终在 2012 年将该公司卖给了尼尔森。我继续担任首席技术官的角色在大型零售服务公司工作，然后我成立了一家新公司 Kairn Corporation，并在今天的位置收购了 Aginity。

Erik：然后您也是一家名为 AdvisoryCloud 的公司的顾问，但这也是一家与分析相关的公司，或者因为它围绕寻求业务建议？

里克：我觉得我真的很幸运，我在路上遇到了一些很棒的导师。因此，AdvisoryCloud 实际上只是一个基础广泛的平台，正在寻找专家的人们可以在这里寻找他们。因此，我会尽可能地指导大多数初创公司的人。所以，如果人们需要我的帮助或认为我对他们很有价值，他们会联系我，我会尽可能多地给他们建议。

Erik：让我们看看 Aginity。所以你主页上的第一条是“重塑分析引擎室”。但也许我们可以从价值主张开始。所以我们谈论的是分析，我想每个人都知道什么是分析，但并不是每个人都知道里面有什么。作为一家公司，您在分析领域的差异化在哪里？

Rick：当我说机房时，它是获取数据、获取数据、清理数据、集成数据和创建一些基本计算的整个过程。如果您与从事数据科学、大型模型的人交谈，他们几乎总是从您开始获取数据，然后他们继续谈论建模。但是，获取数据并将其以干净、集成、有凝聚力的方式组合在一起的过程并不容易。

因此，我们有一个应用程序，旨在支持分析工程师、从事分析系统工作的人员和业务分析师以协作的方式构建核心的辛勤工作，将数据整合到分析中。所以我们认为它是获取数据、清洗数据、整合数据、计算数据和提供数据的五个步骤。这一旅程是我们为全职工作的工程师和需要这样做的业务分析师提供的支持，因为他们正在尝试执行分析是关键的其他工作。所以我们有一个免费产品和几个不同级别的付费产品来帮助人们做到这一点。

Erik：它是纯产品吗？因此，您提供了启用此功能的工具，或者他们还提供了基于此构建的任何服务？

Rick：我们是纯玩软件公司的SaaS结构订阅模式。我们有时会帮助我们的客户。那里有一点服务，但我们的业务是产品。这就是我们收入的真正来源。

Erik：你和谁一起工作？您是否还在 CPG 消费领域，我想这是一个相当横向的产品，它肯定是普通大众？

里克：是的，确实如此。因此，我们拥有非常广泛的客户群。因此，医疗保健、金融服务、保险、零售、消费品，可能还有其他一切。我们在 55 个国家/地区。我们的客户遍及世界各地，使用我们的技术，涉及各行各业。因此，物联网是造成这种数据爆炸的众多事物之一。人们希望在几乎所有类型的组织中使用这些数据来优化他们的业务流程。他们都有我如何获取数据、清理数据、使用数据的基本问题。

Erik：你能分解一下这里的不同步骤吗？但是假设我们从一个传感器开始，然后我们正在处理数据，这些数据已经准备好让某人向高管展示，那里的流程是什么？

里克：是的。所以，你有一个物联网传感器，它正在产生数据，你必须对这些数据做点什么。因此，也许您已将其附加到某个流中，该流会将其拉入流程。现在，您可能正在为某些分析积累数据，或者您正在实时处理。但在任何一种情况下，您都必须弄清楚该数据的结构是什么，并将其摄取到该平台中，以便您可以使用它。

通常，从数据质量的角度来看，您需要解决有关数据的一些问题。某些设备在特定时间也会出现问题，因此您需要解决数据中的偏差，而清理过程是为了确保您拥有的数据代表您试图理解的问题或实际世界。所以我认为在物联网领域，很多情况是，我是否在正确的时间从所有正确的设备获取所有数据？

通常，这些数据本身就很有用。但通常情况下，数据与其他数据的结合有助于您做出决定。所以，也许传感器告诉你可能是温度，显然，数以百万计的不同事物，但也许在业务中发生了一些其他事情，你试图将其与之关联，因此你必须将这些数据整合在一起。

我们的工具所做的是它们使提取数据变得非常简单。因此，我们可以查看各种不同格式的数据，并将其引入任何一个大型分析平台。那里有很多大型供应商。亚马逊有他们的流程和应用数据库，比如 Redshift 和雪花。微软有突触。我们位于所有这些平台之上，我们可以轻松地以任何格式摄取数据。我们有简单的清洁程序来帮助您解决这些问题。

然后在集成步骤中，我们有能力进行映射，因此您可以将其链接在一起。因此，也许它必须在相关的日期和时间链接，或者可能有设备代码，并且您希望将该设备代码绑定到某个产品文件，其中包含有关设备的更深层次的数据是。因此，将这些数据集映射在一起并将它们链接起来的能力就是我们认为的集成步骤。

然后很多时候你的分析需要计算。所以也许，如果你的设备的温度很好，也许你真的对温度变化偏离正常值很感兴趣。所以你需要一些过程来计算范数，以及范数的变化。而那个计算，在很多情况下，是一个简单的 SQL 操作 SQL 是这些数据平台说的语言。

然后你将把它输入到一些分析过程中。因此，也许您正在模拟温度或温度变化与其他事件之间的关系。因此，您已经完成了变异的基本计算，现在您正在尝试对相关性的影响进行建模，并且您将在某些数据科学平台中进行此操作。因此，我们简化了将所有这些整合在一起的过程。而我们所做的，我认为，在这个时间点上很有趣的是，我们让经典的数据工程师和商务人士都变得容易。所以，今天几乎每个人都想做一些分析，并不是每个人都有数据科学学位或工程学位。因此，我们制作了非常自助的工具，供业务团队直接使用。

Erik：我昨天和一家非常大的化学公司谈过话。通常情况下，他们有 30,000 名员工，然后他们有五位数据科学家和一对回到 UI UX 人员，这就是那里的团队。他们基本上是说我们实际上对我们开发机器学习算法等的能力非常满意，也许五个人实际上足以满足他们的内部需求。

但他们面临的挑战只是获取干净的数据，因此他们正在寻找一种经济高效的解决方案来实际处理数据。他们在那里寻找人类的解决方案，所以只有一支训练有素的人可以完成这项任务。但是你怎么适应那里？因此，您不是在提供人员，而是在完全自动化这个过程，还是让这个过程更加结构化和标准化，以便人们可以更有效地处理数据或清理数据？

Rick：是的，所以我们正在为这些人制作工具，在这种情况下，他们将进行处理或清洁，并且无需技术工程师即可完成。所以我们经常看到这种情况，和那个客户有点相似。有一些核心团队拥有大量工程和深度数据科学，他们可以处理企业最大的核心问题。但是整个组织中有成百上千的人对这个问题有自己的看法。

当我与首席分析或首席数据官交谈时，他们会说，看，我有 X 名工程师，有时就像我有数千名工程师，而且是一家非常大的公司。但是有 30,000 人试图做这项工作。他们都有一些变化，我不可能为所有这些人做所有的工程，而且他们不是超级技术。因此，我们的工具支持这五个步骤，它使工程师和业务人员可以轻松协作。所以工程师们可以做一些非常困难的事情。他们可以为业务人员设置东西，并且业务人员获得了自助服务工具，可以在此过程中帮助他们。

Erik：你的业务范围在 Aginity 结束的地方是有人会构建一种机器学习算法，该算法将建立在你正在使用的合作伙伴平台上，这是正确的吗？这是正确的，还是也集成到您的核心产品中？

瑞克：曾经是。我认为，在很多情况下，实际的数据科学工作是在这些非常专业的数据科学平台中进行的，并且他们正在使用这些笔记本技术。因此，在某些情况下，我们正在尽一切努力将数据提供给这些平台。所以有一个数据科学家，有一个数据科学平台，他需要干净的、集成的、基本计算好的数据集。他们将在像 Redshift、Snowflake 或其他其中之一这样的大数据平台中做到这一点。我们提供通过该大数据平台管理流程的工具。

所以我们不是数据平台。我们是工程师和分析师的工具，可帮助他们使用平台并在平台之上提供工作流程和界面。不过，现在有趣的是，这些数据平台，如 Snowflake、Redshift 和 Synapse，都开始将数据科学的能力构建到他们的平台中。当他们这样做时，更多的工作将从独立平台转移到大数据存储中，在这种情况下，我们的工具将帮助管理该过程。

但我们特别关注这些超级可扩展的数据平台，这些平台现在真正成为分析的支柱。所以我提到了其中的几个。因此，所有大型云提供商都有它们。因此，亚马逊、微软、谷歌、IBM，当然还有其他公司拥有这些数据平台。在过去的几年里，他们在能力方面取得了巨大进步。我们为最终用户提供工具，帮助他们管理这些平台。

Erik：所以我们有了一种新型的数据集。我的意思是，这些数据已经存在了几十年，但它通常或多或少地被锁定在边缘。从您的角度来看，摄取和处理物联网数据与摄取和处理财务数据有何不同？

里克：是的。那么它的侧面是什么，对吧？因此，物联网数据是大数据，因为这些设备经常在每时每刻、每一秒或微秒内，或者每次在其设备中发生动作时都在生成数据。并且有很多公司的现场安装有很多很多这样的设备。因此，来自物联网世界的数据规模通常很大。

然后第二件事是它通常是实时的或非常接近实时的。因此，设备实时运行，他们希望能够实时处理。所以这也是一个很大的挑战。因此，这两个挑战可能是很多限制并让该设备处于边缘地位的因素。但是现在这些平台具有流处理功能，可以让它们实时处理数据，非常接近实时。他们可以处理的数据规模要大得多。

所以我认为典型的物联网记录的大小并不是一个复杂的大数据。而且它来得很快。直到过去在云中发生的事情，当前这一代技术就像在很多情况下都无法处理。现在，我们可以处理这些数据，而您可以在云端很好地处理它。我认为这是处理大数据的最佳场所，因为您可以非常快速地扩展，并且如果您不使用它，您可以将规模放回原处。

因此，也许您有一组在一天中的特定时间运行的设备，当它们的设备安静时，确实会大大 [18:34 听不清] 将其缩小。因此，这种弹性是他们拥有的这些大数据世界的一大好处。因此，来自这些设备的更多数据。我们已经看到，当您实际上可以查看流程中发生的情况时，几乎每个流程都可以优化。

物联网已经在我们真正看到过程中发生的事情的能力上创造了一场革命。所以你可以看到发生的一切。你当然不能这样做并处理所有这些数据。现在我们可以，随着这些平台的规模越来越大，现在我们可以开始对其应用分析。您可以开始考虑优化和使用智能来管理这些设备支持的流程。

Erik：然后我们在物联网中围绕云计算的作用和边缘计算的作用进行了持续的讨论。然后对于 5G，这一论点是 5G 将使更多数据能够进入云，因为它是额外的带宽和更大的延迟等等。因此，实际上更容易从云中进行实时操作。

另一方面，有些公司正在构建连接到某个地方的 5G 集线器或 5G 基站的边缘服务器，这样你就可以拥有一个相当强大的边缘计算中心，连接到可能为工厂或工厂提供服务的本地 5G 基站。一个城市的邻居或类似的东西。所以你有这两种不同的动力。我的意思是，感觉共识基本上是这两个都非常重要。但是从 Aginity 的角度来看，您是否主要专注于将数据移动到云端并在那里进行修复？您是否也涉足这个边缘计算世界？

里克：是的。我们在边缘计算领域没有大脚。我们确实与一些非常小的数据平台合作，您可以将它们放在设备上。但我们的大部分工作实际上是在大数据平台本身上工作，这些平台更多地位于云中。坦率地说，随着时间的推移，也许随着这些平台开始拥有良好的边缘数据计算平台，我们会支持它。

我认为两者都非常重要。边缘计算在你可以做到的地方非常重要。所以，我想说有一个一般原则，如果你不必移动数据，那是一件好事。但权衡是您必须为这些数据带来什么才能使其在边缘有价值？所以那里没有一个答案，我认为这就是你所说的那种是云还是边缘？两者都可能是肯定的。

Erik：关于 5G 的话题，我的意思是，围绕它有很多炒作。所以我问我交谈过的每个人，你认为对你有什么实际影响？这仅仅是数据量的下一步变化吗？一旦 5G 得到广泛部署，您预计未来三年内是否会有更根本性或戏剧性的变化？您如何看待这种对您业务的影响？

Rick：我认为它让位置变得越来越不重要。因为如果有可用的带宽，无论你是在偏远的地方，还是在外面走动，或者你在一个物理地点，有了 5G，世界就会以更高的带宽与你更紧密地联系在一起。所以我认为从广义上讲，它使位置在处理数据时变得不那么重要。它使您无法移动数据，或者您可以将您的流程带到数据中，并且您拥有更多的灵活性。

我认为这意味着我们不必担心我们无法获得的远程数据，因为带宽将使我们能够获得 [音频不清晰 22:55] 的怀疑。在物联网世界中，这是巨大的，因为它使从这些事物中获取数据变得更加容易，这些事物不像坐在农场外的某个商业中心或森林中的某个地方，5G 让他们感觉更接近。

Erik：让我们多讨论一下数据民主化这个角色，因为我认为这对于物联网来说真的非常重要。因为你基本上，很多这些公司有成千上万的机械、电气工程师，所以有一定技术能力的人，他们有真正具体的问题要解决，而且越来越多的这些问题可以在某种程度上得到解决某种类型的分析工具，但他们当然没有接受过深度培训。

那么，我们今天在哪里允许这些人能够处理？我知道，这不是你的核心竞争力，而是在算法开发方面也能够真正开发和部署这些算法，而不需要排队或研发，然后等待六个月？

Rick：首先，我认为这是一个非常重要的趋势。所以我认为我们正处于分析第三阶段的早期阶段，我们称之为民主化分析。如果第一阶段是早期计算和分析与其他任何事情没有什么不同，那么第二阶段你可以称之为集中式数据仓库和分析作为中央团队的这个功能，它是工程师的神职人员，分析和大量价值是由那些大型集中式系统提供的，但它们是在公司的大流程中。

所以你的财务和计费处理器，你的供应链，他们在每个工程师遇到的每一个小问题，因为他负责 100 台设备。而且他或她过去可能被 IT 部门排除在外，然后自己离开，试图操纵某个本地系统中的数据，而且不是很容易。

所以我想现在，有几件事会发生。一个是数据爆炸更重要，因为我们想要解决那个工程师。在第二阶段，让大型流程使用分析对企业来说是一个巨大的胜利。而且我们真的并没有试图专注于其他每一个小过程。现在我们是。所以我们想支持所有这些人。有更多由物联网和许多其他事物驱动的数据。

所以他们很重要，但他们不是软件工程师。在物联网世界中，他们可能是电气工程师。但在商业世界中，甚至可能处理大量物联网数据，他们甚至根本不是工程师：他们试图真正支持物联网设备正在解决的问题。所以首先，分析平台可以处理更多的数据。他们不需要这些具有一定规模的预定义架构。它们可以非常轻松地扩展和缩减，因此您可以更灵活地支持不同的问题。

因此，为工程师或非软件工程师提供一个工具来解决他们的旅程，让他们更容易执行分析和所有步骤，包括分析模型本身，你有像我们这样的人正在概括这个过程。所以，我阐述的五个过程，它只是清理、整合、计算、提供或分析。事实证明，每个分析问题都有这五个步骤。

所以，我们已经能够做的，我认为数据科学算法本身也在发生的事情是说，看，好吧，我可以理解这个问题，现在我可以构建一个简单的界面，允许非技术人员使用实际摄取数据。所以像我们这样的工具，我们给你一个小向导来指向数据并找出格式，指示是否要更改数据类型等。没有这些工具，你必须编写一些程序来做它。如果你回到集中式数据仓库，你的例子，你等待它做几个月。

在很多情况下，你站在队列中是因为有成千上万的其他人像你一样也在队列中，而分析部门有 100 人在那里，你不能等待足够长的时间。因此，简化这五个步骤中的每一个，将它们概括，并以非常向导驱动的方法制作解决用例的工具，这就是我们正在做的事情，并使这些易于与软件编程的东西集成，所以你不必这样做。有些事情要完成向导，有些事情仍然要编程。两者都会。我们正在把这些东西联系在一起。

所以，我认为分析民主化是我们所处的阶段。我认为，当你和我回顾 20 年后的世界时，我认为随着分析无处不在，我们都会变得更好；它以一种授权的方式存在。所以我认为我们不会看到分析接管。我们不担心机器人革命 我们看到无处不在的分析正在赋予人们权力，这将使决策者更容易或更好地做某事或获取数据，而不是花所有时间试图找到[听不清 29:13] 在缺少日期格式或其他格式的数据中。我们使这一切变得非常容易，因此您可以在流程中使用数据。

我认为分析将进入我们所做的一切。我认为我们几乎可以看到我们可以通过分析使流程变得更好。处理大量数据的能力一直是个问题。我们现在有能力做到这一点。但不是每个人都是工程师，他们永远不会成为工程师，所以我们需要制造让非工程师更容易的工具，这就是我们所说的。

IBM 几年前在美国进行了这项研究，他们说，好的，美国有 200 万个数据科学家工作，他们预测到 2000 年。他们说，好的，但我们只培训了 50,000 名工程师美国每年。我们需要训练更多他们，这就是他们的答案。不，这不是答案，因为我们不会在美国培训 200 万人成为工程师。我们必须制作工具，以便非工程师可以解决问题。

Erik：嗯，我们有 300 万卡车司机，一旦我们有了自动驾驶，就把他们变成软件工程师。

Rick：让我们为他们制作工具，这样他们就不必上学就可以成为程序员了。

Erik：现在，我认为还有一个相关的问题。因此，我们看到了公司内部职能部门之间数据孤岛的这种分解，这样您就可以开始聚合数据并进行更有趣的分析，然后分析流程的民主化，这样一切都不必经过 IT 或研发瓶颈。

但是你也有这种动态，这对于合作伙伴之间的物联网共享数据可能特别重要。所以，你有一家工厂，他们从供应商那里获取库存，他们想知道他们供应商的生产线上发生了什么。因此，他们可以预测是否存在质量问题，或者是否存在质量问题，他们可以说，嘿，看起来我们的供应商发生了可能影响材料的流程变化。现在我们有了这种洞察力，因此我们可以更好地确定我们遇到的这个质量问题的根本原因。这是一个巨大的挑战，因为它不仅仅是一个技术挑战，而是一个法律或数据所有权的挑战。您是否完全参与了这个问题，那么我们如何共享数据并确保权利是正确的？

里克：是的，这是一个非常有趣的问题。在法律框架之外，我们不直接涉及法律框架。有这样的，我有我的数据平台，你有你的数据平台，两者互不相见。现在发生的情况是这些数据平台允许与其他类似平台共享数据，甚至是看起来不存在的平台，因此您可以看到这些数据，就好像它是您的数据一样。

因为我们的合作伙伴之一是亚马逊，Redshift 是他们的大型分析数据库，他们刚刚引入了一些新功能，允许 Redshift 查看外部 Redshift 系统中没有的数据。它们可能是合作伙伴数据，因此它们具有一些新的数据共享功能。 Snowflake 有这种东西，他们有这种联合的能力，并对数据附加权利。

我们实际上将他们的数据共享功能构建到了我们的应用程序中。所以有人可以看到它可以与我们的应用程序一起工作，他们可以看到 Redshift 数据，他们可以通过我们的应用程序看到合作伙伴平台中的数据，因为 Redshift 已经启用了这一点。所以我认为数据平台将使在其他地方查看数据变得更容易，他们正在这样做。数据平台正在开发联合基础设施，以使其数据可用并对其附加权限。

我们不直接进行联合或权利附加，但我们确保我们的应用程序将在平台支持时点亮这些功能。这是一个非常重要的问题，有点全面，当然对于物联网也是如此。

Erik：因此，如果您可以引导我们给出一个公司的端到端视角，该公司在开始时没有足够的数据处理流程，然后他们将如何部署系统，我们也可以在某种程度上进行讨论对公司运营的影响？

里克：我不会给你一个公司的名字，但我会给你一个例子。因此，让我们以保险业为例。所以我们有很多保险客户。如果你想想保险是如何运作的，他们的每一位客户都在向他们提供关于他们自己的数据，无论是我们个人还是为公司投保的大公司。并且该数据的结构通常是不同的。当然，如果是个人保险公司，你必须按照他们要求的方式向他们提供数据，但是对于公司而言，数据以各种格式存在。

所以，从历史上看，你遇到过这样的瓶颈，好吧，每家公司都有他们提供给我们的数据；数据并不完全相同，我们必须尝试强制他们如何为我们提供数据的通用性，这会产生很多麻烦的东西。我们所看到的情况是，保险公司一直是这些大数据平台的主要采用者。当他们采用这些数据平台时，他们试图让必须与每个客户打交道的业务团队能够获取额外的数据，并在他们的运营中使用这些数据。

所以，如果你能想到一家大型保险公司处理企业，企业对企业的保险，他们有成千上万的客户，他们有成千上万的人处理所有这些客户以及我们正在做的这一代事情，他们' d 都必须以某种标准格式获取数据，给客户带来负担，花费大量时间。他们必须有一个中央组织来处理所有这些数据。他们必须先进行处理，然后才能返回给客户。

但是变化的是，这些大数据平台也在变化，现在，嘿，我们可以拥有一个支持所有不同类型数据的数据平台，这是一个很大的变化。我们可以有一个像 Aginity 的工具这样的工具，它允许所有这些不同的客户团队从他们的客户那里获取数据，无论是什么格式。因此，他们不会强迫客户端将每个数据集转换为与其他所有数据集一样，然后等待完成并检查错误。

他们可以使用 Aginity 的工具及其向导来获取该数据。然后他们可以是自助服务的，他们有能力获取这些数据并简单地将其添加到他们正在做的任何计算中，这可能是风险计算，或者其他什么，并且以更多的自助服务方式进行.因此，我们采用了过去非常集中和规范的流程，需要客户对数据进行大量预处理，使其更加民主化。

所以我们在保险领域有客户，从字面上看，他们有数千个席位来购买我们的许可证产品，因为有成千上万的人在做这个功能，而在上一代人中，他们都会排着队等待 IT，并且与客户的流程对于他们将如何获取数据是一个负担。这种架构使他们能够解放这些客户团队，让他们自己处理客户的数据，减少 IT 负担，减少预处理，让客户更容易，更快地获得答案。只有成千上万的客户团队被授权，它才会发生。我们在保险领域有客户，他们正是这样做的。他们看到了这样做的巨大好处。

Erik：这很有趣，因为它不仅是内部运营改进，而且对客户来说确实是一个不同的价值主张。

里克：是的，如果你仔细想想，我们都会经历。就像我们打交道的公司一样，他们给我们施加的关于我们如何与他们互动的负担越多，我们就越不满意。他们越能适应我们，我们就越愿意和他们一起工作，而这种事情就可以做到这一点。

Erik：我觉得这是我保险公司的策略，他们不鼓励我去看医生，因为我必须将数据实际报告给他们才能获得报销。

里克：是的，你想想那是多么的麻烦。但这有点变得容易了。由于数据架构的灵活性，这显然更容易。当然，我有一百万人给你打电话，[听不清 39:07] 是谁说的，你知道，与保险公司打交道很容易，因为很难。但他们在这方面做得越来越好，我们只占了一小部分。

就在上周，我正在与美国最大的保险公司之一通电话。他们非常高兴，因为这些 [听不清 39:27] 可以做他们以前无法做到的所有这些事情，然后真的很令人满意。你可以帮助某人做一些他们以前做不到的事情，而且更容易。这对他们的客户更好，对他们更好，每个人都赢了。

Erik：嗯，Rick，我想我们今天已经讨论了很多内容。有什么我们还没有触及的重要的东西吗？

里克：我认为我们已经涵盖了很多空间。是的。所以我认为我们很好。我只想说，我认为你正在做的事情非常酷。我的意思是，物联网是我们世界的重要组成部分。设备将无处不在，它们正在提供数据。我们希望成为让非工程师更容易使用这些数据的一小部分，以使他们的工作成为他们的工作，最终让我们所有人的生活变得更美好。

Eirk：嗯，这是一项有价值的任务，Rick。因此，感谢您抽出宝贵的时间。我今天真的很感激。

里克：是的，埃里克，谢谢你邀请我。我真的很感激，你有一个很棒的播客。

Erik：感谢您收看另一个版本的工业物联网聚光灯。不要忘记在 IotoneHQ 的 Twitter 上关注我们，并查看我们在 IoTONE.com 上的案例研究数据库。如果您有独特的见解或项目部署故事要分享，我们很乐意在未来的版本中介绍您。写信给我们 erik.walenza@IoTone.com。