Bij IoT-initiatieven draait het in wezen om het oplossen van problemen en het verbeteren van bedrijfsresultaten. Dit zijn doelstellingen die worden bereikt door gebruik te maken van gegevens van verbonden apparaten om het gedrag van ‘dingen’ te analyseren en daaruit bruikbare bedrijfsinformatie af te leiden. Het gewenste resultaat hangt af van de specifieke behoeften van de organisatie; voorbeelden hiervan zijn het verbeteren van de veiligheid van chauffeurs van wagenparken, het invoeren van preventief onderhoud voor fabrieksapparatuur of het nauwkeuriger volgen van de realtime locatie van gedoneerde organen tijdens het transport. De gegevens die via IoT-sensoren en andere apparaten worden verzameld, leveren op zijn minst operationele statistieken op, maar wanneer ze worden geanalyseerd en gekoppeld aan andere gegevensbronnen, kunnen ze waardevolle inzichten opleveren voor cruciale bedrijfsbeslissingen. Het is van cruciaal belang dat organisaties een geformaliseerde strategie hebben voor het gebruik van deze gegevens voordat ze hun IoT-oplossingen opschalen.
Het bedrijfsprobleem definiëren
Om de gewenste resultaten uit IoT-initiatieven te halen, is het belangrijk om aan het begin van een project het bedrijfsprobleem te definiëren dat je wilt oplossen. Dit bepaalt niet alleen de „IoT-oplossing“ aan de voorkant (keuze van apparaat, netwerk, applicatie of cloudplatform), maar ook de analysestrategie die daarachter schuilgaat. Denk bijvoorbeeld aan een use case voor het volgen en optimaliseren van een wagenpark – in dit scenario kunnen de gegevens die worden verzameld uit voertuigen in het wagenpark variëren van eenvoudige locatietracking tot statistieken over het starten en stoppen van de motor, tot de diensturen van chauffeurs. De daaropvolgende data-analyse kan leiden tot statistieken over de efficiëntie van voertuigen, nauwkeurige betalingen aan chauffeurs en geautomatiseerde rapportage om te voldoen aan door de overheid opgelegde voorschriften. Door vooraf de beoogde analysebehoeften in kaart te brengen, kunt u een apparaat selecteren dat in staat is om de door u gewenste gegevenspunten te verzamelen, terwijl dit tegelijkertijd als leidraad dient voor de strategie om IoT-gegevenssets te integreren met de juiste set niet-IoT-gegevenssets om het gewenste resultaat te bereiken. In het voorbeeld van het wagenpark zou men de motorstarttijden combineren met het voertuigmodel en het gewicht om de optimale start- en stoptijden te berekenen, wat leidt tot een lager brandstofverbruik en lagere brandstofkosten. Het is belangrijk om op te merken dat elk verwacht resultaat in financiële termen moet worden uitgedrukt.
De datasets definiëren
Het soort „sensorgegevens“ dat IoT-apparaten verzamelen, bepaalt welke soorten data-analyses een IoT-oplossing zal opleveren. Met dat in gedachten is de volgende stap om te bepalen welke gegevenspunten worden verzameld, waarbij je je moet realiseren dat sensorgegevens sterk kunnen variëren, afhankelijk van het apparaat dat je kiest. Terugkomend op het voorbeeld van het wagenpark: er zijn basisapparaten die alleen positiegegevens (breedtegraad, lengtegraad) kunnen leveren, en er zijn ook geavanceerdere apparaten die gegevens over de motor, het remmen en de acceleratie kunnen leveren. De volgende datasets zijn afkomstig van binnen uw organisatie of uit externe bronnen, en deze datasets worden gecombineerd met de sensorgegevens om het juiste resultaat te leveren. Door bijvoorbeeld positiegegevens te combineren met verkeersinformatie en deze over een bepaalde periode te analyseren, kan een wagenparkbedrijf geautomatiseerde routebepalingsregels opstellen, wat op zijn beurt kan leiden tot aanzienlijke brandstofbesparingen. Het combineren van de door u gewenste sensorgegevenssets met andere interne of externe gegevenssets zorgt voor betere analysemogelijkheden en meer inzicht in de bedrijfsprestaties.
Een ander soort gegevens dat nuttig kan zijn – vooral wanneer een IoT-oplossing uitgroeit tot duizenden geïmplementeerde apparaten – zijn metagegevens. Metadata worden doorgaans verkregen uit het connectiviteitsnetwerk en kunnen leiden tot het opsporen van afwijkingen in de gegevensverzameling, wat enorm bijdraagt aan het waarborgen van de beveiliging van uw oplossing. Stel bijvoorbeeld voor dat het IoT-netwerk van een nationale ambulancedienst wordt gehackt. Door datapatronen op netwerkniveau te analyseren, kan ‘afwijkend’ dataverkeer vroegtijdig worden gedetecteerd, zodat passende maatregelen kunnen worden genomen om de oplossing los te koppelen of het probleem proactief op te lossen.
Het vaststellen van de analysestrategie
Een IoT-oplossing omvat doorgaans meerdere analyselagen, en de sleutel tot succes is ervoor te zorgen dat je gegevens schoon zijn. De eerste stap is dan ook om te garanderen dat de gegevens die binnenkomen via de sensoren schoon en vrij van ruis zijn, wat meestal wordt bereikt terwijl de gegevens worden gestreamd. Streamingalgoritmen zuiveren niet alleen de gegevens, maar kunnen ook een deel van de berekeningen uitvoeren terwijl de gegevens binnenkomen. Om hetzelfde voorbeeld van wagenparkbeheer te nemen: de gegevens die binnenkomen via verbonden apparaten geven de positie weer in termen van breedtegraad en lengtegraad. Dit kan vervolgens worden gebruikt om de geolocatie, rijtijden en rijuren van chauffeurs te berekenen. Door dit te combineren met informatie over geofences, kunnen ook realtime waarschuwingen hieromtrent worden gegenereerd, en dit alles gebeurt als streamanalyse. Vervolgens worden de gegevens opgeslagen in een data lake en gecombineerd met andere interne of externe datasets om de analytische oplossing te creëren die leidt tot de verwachte bedrijfsresultaten. Een typische analytische oplossing maakt gebruik van een combinatie van clustering-, classificatie- of regressietechnieken om een algoritme te vormen. Een ander aandachtspunt is welke van deze technieken ook historische gegevens en trainingsdatamodellen nodig hebben. Door de analytische oplossing goed te definiëren, wordt de kracht van de verzamelde gegevens ten volle benut en zijn rijkere resultaten mogelijk.
Kortom, men zou een eenvoudige aanpak moeten hanteren waarbij eerst de bedrijfsresultaten worden vastgesteld, vervolgens de gegevensverzameling wordt gedefinieerd en ten slotte de analysestrategie wordt bepaald, om zo een effectieve analyseoplossing te creëren die uw IoT-gegevens gebruikt om het rendement op IoT-investeringen te maximaliseren.