IoT-gegevens laten werken voor uw bedrijf

Er was een tijd dat je niet kon ontsnappen aan de discussie rond het Internet of Everything (IoE), wat op zichzelf al symbolisch aanvoelde voor de reis die we onvermijdelijk zouden maken met het Internet of Things (IoT).

Onze onmiddellijke reactie bij het ontdekken van nieuwe technologie is meer, meer, meer, zegt Adam Mayer, senior manager bij Qlik zonder er noodzakelijkerwijs voor te zorgen dat we het meeste halen uit wat we al hebben. Daarom werden organisaties aangemoedigd om sensoren op elk licht, elke deur en elk toilet te plaatsen voordat ze het rendement op de investering begonnen te zien.

Dit is een vergelijkbare reis die veel early adopters van Big Data hebben doorgemaakt; het kostte tijd om te begrijpen dat het hebben van meer gegevens zich niet noodzakelijkerwijs vertaalde in verbeterde resultaten zonder betere manieren om het te visualiseren en te analyseren. Achtereenvolgens realiseren organisaties zich dat het grootste potentieel voor het IoT ligt in de manier waarop de gegevens die door deze apparaten worden geproduceerd, kunnen worden verkend en onderzocht om lering te trekken en de resultaten te verbeteren.

Het Breathe London Project, dat onze partner C40 Cities samen met de Greater London Authority uitvoert, is hier een voorbeeld van. Als onderdeel van een onderzoek naar de blootstelling van Londenaren aan luchtvervuiling, werd een netwerk van 100 sensorpods geïnstalleerd op lantaarnpalen en gebouwen in de stad, terwijl Google Street View-auto's mobiele sensoren gebruikten om continu luchtkwaliteitsmetingen door heel Londen te verzenden.

Hoewel de informatie ongetwijfeld interessant is, ligt de waarde van het project niet in het verzamelen en weergeven van gegevens, maar in de beleidsbeslissingen die zullen worden genomen om de 'hotspots' van vervuiling te verminderen die deze sensoren zullen identificeren.

Barrières voor het analyseren van IoT-gegevens

Voor veel organisaties is dit echter makkelijker gezegd dan gedaan. Er zijn aanzienlijke uitdagingen verbonden aan het integreren van IoT-gegevens voor analyse.

Ten eerste moeten organisaties het hoofd bieden aan de integratie van een verscheidenheid aan gegevens uit verschillende bronnen in hun gegevenspijplijn. Qlik's onderzoek met IDC onthulde dat het integreren van ongelijksoortige gegevens in standaardindelingen een van de grootste uitdagingen is waarmee organisaties worden geconfronteerd bij het omzetten van gegevens in een analysevorm (37%).

De introductie van het IoT verergert deze uitdaging aanzienlijk omdat het het aantal gegevensbronnen dat de pijplijn voedt snel kan vermenigvuldigen, vaak in onbekende of ongestructureerde formaten die moeten worden getransformeerd voordat ze klaar zijn voor analyse.

Het probleem wordt nog verergerd door de tweede uitdaging, de hoge volumes en de hoge doorvoersnelheid. Omdat veel IoT-apparaten continu metingen uitvoeren, worden gegevens in veel grotere hoeveelheden geproduceerd dan de meeste. Dit komt dan natuurlijk op de laatste hindernis, dat zelfs als de datapijplijn robuust genoeg is om de continue datastroom van IoT-apparaten op te nemen en te transformeren, veel visualisatie- en analyseoplossingen niet in staat zijn om realtime informatie-updates te bieden.

Dit betekent dat of het knelpunt nu bij de software ligt of wordt veroorzaakt door de tijd die is verstreken tussen het beoordelen van de uitvoer door de gebruiker, de lessen uit de gegevens kunnen alleen achteraf worden geïmplementeerd - niet in realtime.

Het tempo van gegevens bijhouden

Organisaties die willen profiteren van het IoT, kunnen deze uitdagingen het hoofd bieden door een dataleveringsketen op te bouwen die snel data uit de veelheid aan verschillende bronnen kan integreren en transformeren.

Traditionele batch-georiënteerde methoden zoals Extract, Transform and Load (ETL) – zijn te traag, inefficiënt en storend om de tijdige analyse van IoT-gegevens te integreren en te ondersteunen, en vereisen vaak zware codering en diepgaande scripting. Aangezien 31% van de wereldwijde organisaties 'een gebrek aan bekwame middelen om gegevens te verwerken' als een van de grootste uitdagingen noemt bij het gereedmaken van gegevensanalyse, is het van cruciaal belang voor het succes van IoT-implementaties dat organisaties de aanzienlijke tijdsverspilling van bekwame programmeurs verminderen.

Change Data Capture (CDC)-technologie biedt een haalbaar slim alternatief voor diegenen die hun IoT-gegevens snel willen verwerken voor analyse. In plaats van gegevens naar verschillende bronnen te uploaden, maakt CDC continue incrementele replicatie mogelijk door gegevensupdates te identificeren en te kopiëren wanneer ze plaatsvinden. Het op deze manier streamen van gegevens verhoogt aanzienlijk de snelheid waarmee gegevens kunnen worden opgenomen en voor analyse naar de datawarehouses of datameren kunnen worden overgebracht.

Ten slotte, wanneer de datapijplijn gegevens in bijna realtime kan integreren, is het belangrijk dat de analyseoplossingen niet alleen in staat zijn om continu up-to-date informatie te visualiseren, maar dat er een laag van proactiviteit is ingebouwd om de besluitvorming te ondersteunen werkwijze. Realtime waarschuwingen bieden niet alleen inzichten, maar kunnen ook aanbevolen acties voor gebruikers snel activeren. Het gebruik van cognitieve motoren om deze Active Intelligence te leveren, zal een belangrijk kenmerk zijn van de volgende generatie BI-tools.

Een datapijplijn om de belofte van het IoT waar te maken

Organisaties moeten ervoor zorgen dat ze niet in dezelfde val lopen met het IoT zoals velen deden in de begindagen van Big Data, waar het doel om meer gegevens te hebben voorrang had op het gebruik van wat ze hadden om de beste resultaten te behalen. Als we kijken naar early adopters van het IoT, zijn te veel mensen meer gefocust op het ontvangen van realtime updates dan op het nemen van de nodige stappen om de output te transformeren en te analyseren om betere besluitvorming mogelijk te maken.

De belofte van het IoT is de mogelijkheid om continu te leren, te handelen en te reageren. Om ervoor te zorgen dat IoT-implementaties in organisaties de snelheid en flexibiliteit hebben om geavanceerde analyses te ondersteunen, moeten ze er eerst voor zorgen dat hun hele datapijplijn klaar is voor de taak

De auteur is Adam Mayer, senior manager bij Qlik.