Vier Bewezen Stappen om IoT Data om te Zetten in Actionable Inzichten

Vandaag genereren alledaagse IoT-apparaten meer data dan alle sociale netwerken samen. Elk apparaat kan data meerdere keren per seconde transmitteren, dus een typisch analytics-platform moet misschien miljarden events per dag verwerken.

Zulk volume aan is een substantiële technische uitdaging, maar ruwe device-data – eenmaal opgeslagen in een pre-processed formaat – is niet direct actionable. Waarde extraheren vereist grondige analyse.

Een kernanalytisch doel in IoT is anomaliedetectie, wat device-gedrag identificeert dat scherp afwijkt van historische patronen of verwachte normen.

Lopen Jouw Autonome Grasmaaiers Soepel?

In een van onze anomaliedetectie-pilots, monitoren we een vloot autonome grasmaaiers (ALMs). Met Bosch IoT Analytics berekenen we anomalieën over de vloot elk maai-seizoen. De dataset omvat status- en foutmeldingen die de maaiers naar onze cloud-backend sturen.

Geconfigureerd om de top tien anomalieën per week te tonen, vlagt de service maaiers die herhaaldelijk op de lijst verschijnen. Servicepersoneel en kwaliteitsmanagers kunnen ze dan handmatig reviewen. Door anomaliepatronen te aggregeren, kunnen we incidenten classificeren in actionable categorieën.

Bijvoorbeeld, herhalende state- en foutpatronen kunnen signaleren dat firmware-updates achterlopen of dat maaiers misgeconfigureerd waren. Door deze patronen te groeperen, kunnen we elk aan een specifieke oplossing koppelen – automatisch firmware pushen, of proactief klanten benaderen (met toestemming) om technicus-ondersteuning aan te bieden – wat tevredenheid verbetert.

Hoe Detecteren We Anomalieën in Device-data?

Data-analyse, en anomaliedetectie in het bijzonder, omvat een familie van algoritmes en transformaties ontworpen om verborgen inzichten te onthullen. De typen anomalieën en probleemdomeinen variëren wijd, wat afgestemde benaderingen vereist.

Een typische data-analyse workflow omvat verschillende distincte fasen, van data-ingestie tot geavanceerde machine-learning modellen en inzichtelijke visualisaties.

Stap 1: Device-data Ingestie

Na het verbinden van apparaten, moet de data die ze genereren over diverse kanalen worden getransporteerd en consistent opgeslagen in een database voordat het verwerkt kan worden.

Stap 2: Data Wrangling & Feature Engineering

Datapreprocessing – vaak data wrangling genoemd – adressert veel uitdagingen. Het omvat data cleansing, generatie van domein-specifieke features, en iteratieve exploratie om downstream analyse mogelijk te maken.

Stap 3: Anomaliedetectie

Deze fase focust op het lokaliseren van anomalieën in de inputdata door een geschikt data-mining algoritme te selecteren en de parameters fijn af te stellen.

Stap 4: Datavisualisatie

Ten slotte moeten resultaten gevisualiseerd worden voor eindgebruikers. Visuele technieken selecteren die matchen met de taak en het domein is essentieel voor duidelijke interpretatie.

Anomalieën identificeren is de eerste stap naar geavanceerde IoT-analytics, zoals voorspellend onderhoud. Eenmaal afwijkende apparaten gevlagd zijn, reviewen en classificeren domeinexperts ze, met remediëringdetails. Deze kennis samenvoegen met ruwe data levert een rijke dataset voor het bouwen van voorspellende modellen.

Naast het vlaggen van issues, kunnen anomalie-inzichten nieuwe zakelijke kansen onthullen. Systematische anomalieën over apparaten kunnen wijzen op ontbrekende features of terrein-specifieke uitdagingen. Voor ALMs kunnen herhaalde patronen in een subset van tuinen duiden op de behoefte aan een terrein-adaptief algoritme, wat als premium feature verpakt kan worden.

Ons recente white paper, Anomaly Detection with Event Data in the Internet of Things, schetst de uitdagingen en best practices voor elke verwerkingsstap, gebaseerd op inzichten uit meerdere analytics-projecten.

Download white paper