Vier bewährte Schritte, um IoT-Daten in actionable Insights zu verwandeln

Heute generieren alltägliche IoT-Geräte mehr Daten als alle sozialen Netzwerke zusammen. Jedes Gerät kann Daten mehrfach pro Sekunde senden, sodass eine typische Analytics-Plattform Milliarden Events täglich verarbeiten muss.

Ein solches Volumen zu bewältigen, ist eine substanzielle technische Herausforderung, doch rohe Gerätedaten – einmal in vorverarbeitetem Format gespeichert – sind nicht direkt actionable. Wertschöpfung erfordert gründliche Analyse.

Ein zentrales analytisches Ziel im IoT ist Anomalieerkennung, die Geräteverhalten identifiziert, das stark von historischen Mustern oder erwarteten Normen abweicht.

Laufen Ihre autonomen Rasenmäher rund?

In einem unserer Anomalieerkennungs-Piloten überwachten wir eine Flotte autonomer Rasenmäher (ALMs). Mit Bosch IoT Analytics berechnen wir wöchentlich Anomalien über die Flotte pro Mähsaison. Der Datensatz umfasst Status- und Fehlermeldungen, die die Mäher an unser Cloud-Backend senden.

Konfiguriert, um die Top-10-Anomalien wöchentlich anzuzeigen, flaggt der Service Mäher, die wiederholt auf der Liste auftauchen. Servicepersonal und Qualitätsmanager können diese dann manuell prüfen. Durch Aggregation von Anomalie-Mustern können wir Vorfälle in actionable Kategorien klassifizieren.

Beispielsweise können wiederkehrende Zustands- und Fehlermuster signalisieren, dass Firmware-Updates überfällig sind oder Mäher fehlerhaft konfiguriert wurden. Durch Gruppierung dieser Muster können wir jedem eine spezifische Lösung zuordnen – automatisches Pushen von Firmware oder proaktives Kontaktieren von Kunden (mit Einverständnis) zur Technikerunterstützung – was Zufriedenheit steigert.

Wie erkennen wir Anomalien in Gerätedaten?

Datenanalyse, insbesondere Anomalieerkennung, umfasst eine Familie von Algorithmen und Transformationen, die verborgene Insights aufdecken. Anomalietypen und Problemdomeinen variieren stark und erfordern maßgeschneiderte Ansätze.

Ein typischer Data-Analysis-Workflow involviert mehrere distincte Stufen, von Data Ingestion bis zu sophistizierten Machine-Learning-Modellen und aufschlussreichen Visualisierungen.

Schritt 1: Gerätedaten einlesen

Nach dem Verbinden der Geräte müssen die von ihnen generierten Daten über diverse Kanäle übertragen und konsistent in einer Datenbank gespeichert werden, bevor sie verarbeitet werden können.

Schritt 2: Data Wrangling & Feature Engineering

Datenvorverarbeitung – oft Data Wrangling genannt – adressiert viele Herausforderungen. Sie umfasst Datenbereinigung, Generierung domänenspezifischer Features und iterative Exploration für nachgelagerte Analyse.

Schritt 3: Anomalieerkennung

Diese Stufe fokussiert auf das Auffinden von Anomalien in den Inputdaten durch Auswahl eines geeigneten Data-Mining-Algorithmus und Feintuning seiner Parameter.

Schritt 4: Datenvisualisierung

Schließlich müssen Ergebnisse für Endnutzer visualisiert werden. Die Auswahl visueller Techniken, die zur Aufgabe und Domäne passen, ist essenziell für klare Interpretation.

Anomalien zu identifizieren ist der erste Schritt zu fortgeschrittener IoT-Analytik wie Predictive Maintenance. Sobald anomale Geräte geflaggt sind, prüfen und klassifizieren Domänenexperten sie und fügen Remediation-Details hinzu. Das Verschmelzen dieses Wissens mit Rohdaten liefert einen reichen Datensatz für den Aufbau prädiktiver Modelle.

Über das Flaggen von Problemen hinaus können Anomalie-Insights neue Geschäftschancen aufdecken. Systematische Anomalien über Geräte hinweg können auf fehlende Features oder geländespezifische Herausforderungen hinweisen. Bei ALMs könnten wiederholte Muster in einer Teilmenge von Gärten auf den Bedarf an einem geländeadaptiven Algorithmus hindeuten, der als Premium-Feature verpackt werden könnte.

Unser aktuelles Whitepaper Anomalieerkennung mit Event-Daten im Internet of Things skizziert Herausforderungen und Best Practices für jeden Verarbeitungsschritt, basierend auf Einblicken aus mehreren Analytics-Projekten.

Whitepaper herunterladen