IoT-Daten für Ihr Unternehmen nutzbar machen

Adam Mayer von Qlik

Es gab eine Zeit, in der Sie sich der Diskussion um das Internet of Everything (IoE) nicht entziehen konnten, die an sich schon symbolisch für die Reise war, die wir mit dem Internet der Dinge (IoT) unweigerlich fortsetzen würden.

Unsere sofortige Reaktion, wenn wir neue Technologien entdecken, ist mehr, mehr, mehr, sagt Adam Mayer, Senior Manager bei Qlik ohne unbedingt sicherzustellen, dass wir das Beste aus dem herausholen, was wir bereits haben. Folglich wurden Unternehmen ermutigt, Sensoren an jedem Licht, jeder Tür und jeder Toilette anzubringen, bevor sie sich rentierten.

Dies ist eine ähnliche Reise, die viele Early Adopters von Big Data unternommen haben; Es brauchte Zeit, um zu verstehen, dass mehr Daten nicht unbedingt zu besseren Ergebnissen führten, wenn keine besseren Möglichkeiten zur Visualisierung und Analyse vorhanden waren. Nach und nach erkennen Unternehmen, dass das größte Potenzial des IoT darin besteht, wie die von diesen Geräten erzeugten Daten untersucht und untersucht werden können, um Erkenntnisse zu liefern und die Ergebnisse zu verbessern.

Ein Beispiel dafür ist das Projekt „Breathe London“, das unser Partner C40 Cities mit der Greater London Authority durchführt. Im Rahmen einer Untersuchung der Luftverschmutzung in London wurde ein Netzwerk von 100 Sensorkapseln an Laternenpfählen und Gebäuden in der ganzen Stadt installiert, während Google Street View-Autos mobile Sensoren verwendeten, um kontinuierlich Luftqualitätsmessungen in ganz London zu übertragen.

Obwohl die Informationen zweifellos interessant sind, liegt der Wert des Projekts nicht in der Sammlung und Darstellung von Daten, sondern in den politischen Entscheidungen, die getroffen werden, um die „Hotspots“ der Verschmutzung zu reduzieren, die diese Sensoren identifizieren.

Hindernisse bei der Analyse von IoT-Daten

Für viele Organisationen ist dies jedoch leichter gesagt als getan. Die Integration von IoT-Daten zur Analyse ist mit erheblichen Herausforderungen verbunden.

Erstens müssen Unternehmen die Integration einer Vielzahl von Daten aus unterschiedlichen Quellen in ihre Datenpipeline überwinden. Qliks Forschung mit IDC hat gezeigt, dass die Integration unterschiedlicher Daten in Standardformate eine der größten Herausforderungen für Unternehmen bei der Umwandlung von Daten in eine Analyseform ist (37%).

Die Einführung des IoT verschärft diese Herausforderung erheblich, da es die Anzahl der Datenquellen, die die Pipeline speisen, schnell vervielfachen kann, oft in unbekannten oder unstrukturierten Formaten, die transformiert werden müssen, bevor sie für die Analyse bereitgestellt werden.

Das Problem wird durch die zweite Herausforderung, die hohen Volumina und die hohe Durchsatzgeschwindigkeit, noch verschärft. Da viele IoT-Geräte kontinuierliche Messungen durchführen, werden Daten in weitaus größeren Mengen produziert als die meisten anderen. Dies stößt dann natürlich auf die letzte Hürde:Selbst wenn die Datenpipeline robust genug ist, um den kontinuierlichen Datenfluss von IoT-Geräten aufzunehmen und zu transformieren, sind viele Visualisierungs- und Analyselösungen nicht in der Lage, Echtzeit-Informationsaktualisierungen bereitzustellen.

Das heißt, egal ob der Engpass bei der Software liegt oder durch die Zeit zwischen der Überprüfung der Ausgabe durch den Benutzer verursacht wird, die Erkenntnisse aus den Daten können nur im Nachhinein implementiert werden – nicht in Echtzeit.

Mit dem Datentempo Schritt halten

Unternehmen, die das IoT nutzen möchten, können diese Herausforderungen meistern, indem sie eine Datenlieferkette aufbauen, die Daten aus einer Vielzahl unterschiedlicher Quellen schnell integrieren und transformieren kann.

Herkömmliche Batch-orientierte Methoden wie Extract, Transform and Load (ETL) – sind zu langsam, ineffizient und störend, um die zeitnahe Analyse von IoT-Daten zu integrieren und zu unterstützen, und erfordern oft umfangreiche Codierung und tiefes Skripting. Da 31 % der globalen Unternehmen den „Mangel an qualifizierten Ressourcen zur Verarbeitung von Daten“ als eine der größten Herausforderungen bei der Bereitstellung von Datenanalysen bezeichnen, ist es für den Erfolg von IoT-Implementierungen entscheidend, dass Unternehmen den erheblichen Zeitaufwand für erfahrene Programmierer reduzieren.

Die Change Data Capture (CDC)-Technologie stellt eine realisierbare intelligente Alternative für diejenigen dar, die ihre IoT-Daten schnell zur Analyse verarbeiten möchten. Anstatt Daten in verschiedene Quellen hochzuladen, ermöglicht CDC eine kontinuierliche inkrementelle Replikation, indem Datenaktualisierungen während der Ausführung identifiziert und kopiert werden. Das Streamen von Daten auf diese Weise erhöht die Geschwindigkeit, mit der Daten aufgenommen und zur Analyse in die Data Warehouses oder Data Lakes übertragen werden können, erheblich.

Wenn die Datenpipeline schließlich Daten nahezu in Echtzeit integrieren kann, ist es wichtig, dass die Analyselösungen nicht nur in der Lage sind, kontinuierlich aktuelle Informationen zu visualisieren, sondern dass auch eine Ebene der Proaktivität eingebaut ist, um die Entscheidungsfindung zu unterstützen Prozess. Echtzeit-Warnungen bieten nicht nur Einblicke, sondern können auch empfohlene Aktionen für Benutzer schnell auslösen. Die Nutzung kognitiver Engines zur Bereitstellung dieser Active Intelligence wird ein Schlüsselmerkmal der nächsten Generation von BI-Tools sein.

Eine Datenpipeline, um das Versprechen des IoT zu erfüllen

Unternehmen müssen sicherstellen, dass sie mit dem IoT nicht in dieselbe Falle tappen, wie es viele in den frühen Tagen von Big Data taten, als das Ziel, mehr Daten zu haben, Vorrang hatte, um die besten Ergebnisse zu erzielen. Betrachtet man die frühen Anwender des IoT, so konzentrieren sich zu viele mehr darauf, Echtzeit-Updates zu erhalten, als die notwendigen Schritte zu unternehmen, um die Ergebnisse zu transformieren und zu analysieren, um eine bessere Entscheidungsfindung zu ermöglichen.

Das Versprechen des IoT ist die Möglichkeit, kontinuierlich zu lernen, zu agieren und zu reagieren. Um sicherzustellen, dass IoT-Implementierungen in Unternehmen die Geschwindigkeit und Flexibilität haben, um erweiterte Analysen zu unterstützen, müssen sie zunächst sicherstellen, dass ihre gesamte Datenpipeline für die Aufgabe bereit ist

Der Autor ist Adam Mayer, Senior Manager bei Qlik.