La crescente importanza dei dati nella gestione di processi complessi e con tempi di esecuzione ridotti ha spostato gli strumenti di analisi verso il centro delle infrastrutture IT. Il passaggio della analisi consuntive a quelle predittive aumenta inoltre l’esigenza di contare su grandi quantità di dati e sulla loro qualità. Un’esigenza alla quale IoT offre una risposta perfetta. A volte, anche troppo. L’enorme mole di informazioni prodotta da Internet of Things rischia di essere dispersa senza adeguati strumenti di raccolta e selezione prima di usarli. Le opportunità sono tante, quanto però le difficoltà di coglierle. È utile allora ascoltare direttamente dai protagonisti del settore, quale sia lo stato dell’arte della data analytics , quale sia l’apporto di IoT e soprattutto come sfruttare questa opportunità.
In particolare, come sottolinea Roberto Carrozzo, head of intelligence & data di Minsait in Italia, è importante guardare IoT come integrazione dei dati esistenti e non un mondo a parte. Così come accelerare i tempi per passare dalla sperimentazioni alla fase operativa vera e propria.
Quali innovazioni può portare IoT nella data analytics?
IoT aggiunge nuove aree informative alle tradizionali, per di più alimentabili in tempo reale. Se ben utilizzate, possono portare un valore aggiunto in ambito data analytics, aggiungendo use case nuovi o migliorando gli esistenti. Per raggiungere questi risultati è spesso necessario non usare i dati IoT a sé stanti, ma unirli con altri già a disposizione dell’azienda.
Le aziende italiane hanno la giusta percezione?
Per quella che è la nostra esperienza, da alcuni anni le aziende iniziano ad avere la percezione dell’importanza dell’uso degli IoT Analytics. Tuttavia, non vediamo ancora tantissime iniziative reali. Ci sono semmai molte Proof of Concept. Probabilmente è solo questione di tempo, sia perché le aziende si stanno rendendo conto del valore di business degli use case legati all’IoT Analytics sia perché alcune non hanno ancora effettuato il passaggio verso le tecnologie abilitanti, basate su Big Data, per potere realizzare questi use case.
Come si può raccogliere, selezionare e analizzare questi dati in ottica di business?
L’approccio è sempre quello di partire da use case che possano dare un vantaggio in termini di business, per cui scegliere una combinazione di dati IoT e non messi insieme in modo da portare un valore aggiunto. I dati IoT richiedono prima di tutto di essere raccolti in database dedicati dove raccogliere il dato di partenza grezzo. Serve poi un lavoro successivo di normalizzazione e selezione per potere scegliere solo ciò che serva e nel giusto formato, per poi incrociarlo con gli altri dati e ottenere da questo mix il beneficio atteso.
Come aggiornare infrastruttura IT e competenze?
Sfruttare al meglio i dati provenienti da fonti IoT richiede prima di tutto un aggiornamento infrastrutturale, con l’introduzione di sistemi Big Data che permettano di gestire un grande volume di dati spesso non strutturati o semi-strutturati in streaming. A questo si aggiungono i componenti infrastrutturali per potere poi processare questi dati e creare analitiche avanzate per estrarci valore. Questo richiede un aggiornamento delle competenze verso l’ambito dei Big data e del calcolo parallelo e anche una conoscenza di algoritmi di Machine Learning e Deep Learning per applicare funzioni avanzate a dati strutturati e non. A conoscenze importanti in ambito tecnologico sono da affiancare sempre conoscenze di dominio, fondamentali nella realizzazione di use case di valore.
Può raccontare alcuni esempi di come possano essere sfruttate le potenzialità IoT in ottica data analytics?
L’ambito IoT porta tanti scenari potenzialmente interessati. Tra i più significativi mi viene in mente prima di tutto l’ambito industriale, dove sfruttamento del dato IoT proveniente dai macchinari permette di controllare al meglio le fasi di produzione dell’impianto
Oppure, in ambito assicurativo, sfruttare i dati delle smart box degli autoveicoli per diversi use case, come l’analisi comportamentale del guidatore oppure il riconoscimento automatico di un sinistro e invio automatico di un carro attrezzi
Anche in ambito logistico ci sono potenzialità. Per esempio, sfruttare i dati dei veicoli circolanti di una flotta per monitorare il servizio in real-time e verificare eventuali criticità
Infine, anche se un po’ avveniristico, in ambito medico, sfruttare i dati provenienti da wearable device, come per esempio il monitoraggio continuo del battito cardiaco, per individuare in anticipo potenziali problemi di salute.
