Les initiatives IoT visent avant tout à résoudre des problèmes et à améliorer les résultats commerciaux. Ces objectifs sont atteints en exploitant les données issues des appareils connectés afin d’analyser le comportement des « objets » et d’en tirer des informations commerciales exploitables. Le résultat escompté dépend des besoins spécifiques de chaque organisation ; il peut s’agir, par exemple, d’améliorer la sécurité des conducteurs de flottes, de mettre en place une maintenance préventive pour les équipements d’usine ou de suivre avec plus de précision, en temps réel, la localisation des organes donnés pendant leur transport. Au minimum, les données collectées via des capteurs IoT et d’autres appareils fournissent des indicateurs opérationnels ; toutefois, lorsqu’elles sont analysées et associées à d’autres sources de données, elles peuvent apporter des informations précieuses pour la prise de décisions stratégiques. Il est essentiel que les organisations disposent d’une stratégie formalisée définissant comment ces données seront utilisées avant de déployer à grande échelle leurs solutions IoT.
Définition du problème métier
Pour obtenir les résultats escomptés des initiatives liées à l'IoT, il est important de définir dès le début du projet le problème métier que vous cherchez à résoudre. Cela déterminera non seulement la « solution IoT » en amont (choix de l'appareil, du réseau, de l'application ou de la plateforme cloud), mais aussi la stratégie d'analyse qui la sous-tend. Prenons l’exemple d’un cas d’utilisation lié au suivi et à l’optimisation d’une flotte : dans ce scénario, les données collectées sur les véhicules de la flotte peuvent aller du simple suivi de localisation aux indicateurs relatifs aux heures de démarrage et d’arrêt du moteur, en passant par les heures de service des conducteurs. L’analyse de ces données en aval permet d’obtenir des indicateurs d’efficacité des véhicules, de calculer avec précision la rémunération des conducteurs, ainsi que de générer automatiquement des rapports pour se conformer aux réglementations gouvernementales. Identifier dès le départ les besoins analytiques visés vous permettra de choisir un appareil capable de collecter les points de données souhaités, tout en orientant la stratégie d’intégration des ensembles de données IoT avec les ensembles de données non IoT appropriés afin d’obtenir le résultat souhaité. Dans l’exemple de la flotte, on combinerait les heures de démarrage du moteur avec le modèle et le poids du véhicule pour calculer les heures optimales de démarrage et d’arrêt, ce qui permettrait d’améliorer le rendement énergétique et de réduire les coûts de carburant. Il est important de noter que chaque résultat attendu doit être exprimé en termes financiers.
Définition des ensembles de données
Les types de « données de capteurs » collectées par les appareils IoT détermineront les types d’analyses de données qu’une solution IoT sera en mesure de fournir. Dans cette optique, l’étape suivante consiste à définir quelles données seront collectées, en sachant que les données de capteurs peuvent varier considérablement en fonction de l’appareil choisi. Pour revenir à l’exemple de la flotte, il existe des appareils basiques qui ne sont capables de fournir que des données de position (latitude, longitude), mais aussi des appareils plus avancés qui peuvent fournir des données sur le moteur, le freinage et l’accélération. Les ensembles de données suivants proviennent de votre organisation ou de sources externes, et ces ensembles de données se combinent avec les données des capteurs pour fournir le résultat souhaité. Par exemple, en combinant les données de position avec les informations sur le trafic et en les analysant sur une certaine période, une entreprise de gestion de flotte peut créer des règles d’itinéraires automatisées, ce qui peut se traduire par d’importantes économies de carburant. La combinaison des ensembles de données de capteurs souhaités avec d’autres ensembles de données internes ou externes offre des capacités d’analyse accrues et une meilleure visibilité sur les performances de l’entreprise.
Les métadonnées constituent un autre type de données pouvant s’avérer utiles, en particulier lorsque la solution IoT s’étend à des milliers d’appareils déployés. Les métadonnées proviennent généralement du réseau de connectivité et permettent de détecter des anomalies dans la collecte des données, ce qui contribue grandement à garantir la sécurité de votre solution. Imaginons, par exemple, que le réseau IoT d’une société nationale de gestion des ambulances soit compromis. L’analyse des tendances des données au niveau du réseau permet de détecter rapidement un trafic de données « anormal », afin de prendre les mesures appropriées pour déconnecter la solution ou résoudre le problème de manière proactive.
Définition de la stratégie d'analyse
Une solution IoT comporte généralement plusieurs niveaux d’analyse à effectuer, et la clé du succès réside dans la qualité de vos données. La première étape consiste donc à s’assurer que les données provenant des capteurs sont propres et exemptes de bruit, ce qui est généralement réalisé pendant leur transmission en continu. Les algorithmes de traitement en flux continu permettent non seulement de nettoyer les données, mais aussi d’effectuer certains calculs au fur et à mesure de leur réception. Pour reprendre l’exemple de la gestion de flotte, les données provenant des appareils connectés fournissent la position en termes de latitude et de longitude. Celles-ci peuvent ensuite être utilisées pour calculer la géolocalisation, les temps de trajet et les heures de conduite. En combinant ces informations avec des données de géorepérage, il est également possible de générer des alertes en temps réel, le tout dans le cadre de l’analyse en flux continu. Les données sont ensuite stockées dans un lac de données et combinées à d’autres ensembles de données internes ou externes afin de créer la solution analytique permettant d’atteindre les résultats commerciaux escomptés. Une solution analytique type utilisera une combinaison de techniques de regroupement, de classification ou de régression pour former un algorithme. Il convient également de déterminer lesquelles de ces techniques nécessiteront des modèles de données historiques et d’apprentissage. Une solution analytique bien définie permettra de libérer pleinement le potentiel des données collectées et d’obtenir des résultats plus riches.
En conclusion, il convient d'adopter une approche simple consistant à définir dès le départ les résultats commerciaux attendus, à définir la collecte des données et à définir la stratégie d'analyse, afin de créer une solution d'analyse efficace qui exploite vos données IoT pour optimiser le retour sur investissement dans l'IoT.