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.
Buona parte dei vantaggi riconducibili all’applicazione dei principi di data analytics a IoT è conseguenza della capacità di chiudere il divario tra disponibilità dei dati e capacità di agire. Lanfranco Brasca, technology director cloud engineering di Oracle aiuta anche a capire come si sia raggiunto questo risultato e quali le implicazioni.
Quali innovazioni può portare IoT nella data analytics?
Gli analytics permettono di guardare oltre i dati per iniziare a capire, correlando le variabili, perché si verifichino eventi indesiderati. Un cliente che abbandona un servizio di telefonia mobile, un macchinario di produzione in un impianto che si rompe. Il vero passo avanti è stato fatto applicando i modelli di machine learning, che possono correlare centinaia di variabili in miliardi di differenti scenari. Qui le aziende hanno maturato la consapevolezza che – a partire dal verificarsi di determinate condizioni – era possibile arrivare ad azioni prescrittive, capaci di prevenire gli eventi indesiderati. Per esempio, un’azione di retention sul cliente prima che cambi gestore, o pianificare un intervento di manutenzione preventiva.
IoT integrato con la data analytics permette di realizzare questo tipo di analisi in modo continuo, mentre in passato i dati potevano esser analizzati in modo asincrono, predisponendo dopo un’azione di filtraggio enormi basi di dati (che oggi chiameremmo Data Lake House) su cui sviluppare e addestrare gli algoritmi di machine learning da usare per estrarre indicazioni per il business.
Semplificando, l’IoT chiude questo gap temporale tra quando un evento accade e quando i sistemi sono in grado di dare indicazioni al business e permette di applicare strategie molto evolute su una base di dati dinamica – i cosiddetti “data in motion”, ovvero in movimento e processati in near-real time.
Le aziende italiane hanno la giusta percezione?
Pur con le specifiche legate alla differente presenza di aziende più o meno grandi, l’Italia segue un trend mondiale nel quale vediamo particolarmente attivi con investimenti IoT e data analytics il settore manifatturiero, utilities e risorse naturali, automotive industriale e rivolto al consumo, trasporti in generale. Una spinta è stata data dai programmi di industria 4.0, ma la percezione è che siamo ancora all’inizio di un lungo percorso. La vera sfida nei prossimi anni sarà portare a bordo tutte le aziende italiane che ne possano trarre benefici, a colmare il gap tecnologico che a oggi consente di lavorare su dati fermi e storicizzati nel tempo, abilitandole all’utilizzo dei dati in motion.
Può indicare qualche esempio di come possano essere sfruttate le potenzialità IoT in ottica data analytics?
Un esempio diffuso riguarda l’applicazione in progetti Industria 4.0 nel mondo manifatturiero, ma ci sono anche casi d’uso nel settore bancario, che usa queste capacità per migliorare la prevenzione delle frodi, e nel settore assicurativo che oggi è in grado di proporre, per esempio, piani di assicurazione auto personalizzati in funzione dello stile di guida più o meno sicuro delle persone.
Un settore affascinante che sta sfruttando con enorme vantaggio queste potenzialità è quello sportivo, in particolare dove conta l’alta velocità. Abbiamo esperienza diretta nella Formula 1, con la partnership tecnologica nel team Oracle Red Bull Racing, e nel mondo velistico con le competizioni del Sail GP. In questi settori, oltre alle caratteristiche meccaniche e alla progettazione, la tecnologia che elabora miliardi di dati in tempo reale fa la differenza nelle strategie di gara, prima e durante la corsa.
Per esempio, Oracle Red Bull Racing aumenta del 25% il numero delle simulazioni che è in grado di compiere prima e durante ogni corsa, a una velocità di computing dieci volte maggiore che in precedenza. Applica poi AI e machine learning a questi dati e ne ottiene indicazioni chiave per ingegneri e piloti. La capacità di simulazione è molto rilevante nella nuova Formula 1, che ha imposto un tetto sui costi dei team e quindi una serie di limitazioni sui test reali.
