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.
Se agli inizio il discorso poteva sembrare per pochi, soprattutto in ambito manifatturiero, oggi lo sviluppo delle tecnologie e l’abbassamento dei costi allargano progressivamente il raggio d’azione. Fabio Pascali, regional director Italy di Cloudera spiega come e con quali opportunità.
Quali innovazioni può portare IoT nella data analytics?
Le soluzioni IoT sono sempre più diffuse e trasversali ai vari mercati. Principalmente nate e diffuse nel mondo del manufacturing hanno permeato il mercato dell’energia e delle utility, quello della Pubblica Amministrazione in senso ampio, del retail, delle telecomunicazioni, del settore assicurativo e bancario. Pertanto, vedo sicuramente un’innovazione indotta dal mondo IoT sui data analytics. La grande quantità di dati generata ha messo in moto un circolo virtuoso per trasformare quei dati in valore.
I dati di varie tipologie e quantità vengono sempre più spesso generati dai singoli oggetti intelligenti grazie alla riduzione dei costi dei sensori e alla possibilità di creare sistemi di gestione verticale degli apparati. Se a questo mondo si associano strumenti in grado di raccogliere tali informazioni, il beneficio apportato dalla data analytics diventa enorme. Si tratta di associare al dato elementare generato all’edge un valore che in parte può ricadere sul sistema generante. Pensiamo alla manutenzione predittiva di un apparato, ma in senso più ampio può contribuire alla creazione di insight di carattere molto diverso collegando i dati provenienti dall’edge con dati aziendali di altra tipologia e provenienza.
Le aziende italiane hanno la giusta percezione?
Il panorama è quanto mai variegato, ci sono realtà che da diverso tempo hanno colto questa sfida ottenendo un vantaggio competitivo rispetto ad altri che si muovono negli stessi ambiti. Questo vantaggio può derivare dalla creazione di una linea di business aggiuntiva, arrivando a vendere gli insight generati a società terze. A volte invece troviamo realtà che realizzano il minimo indispensabile, creando piccole isole di dati e perdendo di vista il potenziale latente.
Come si può raccogliere, selezionare e analizzare questi dati in ottica di business?
I fattori abilitanti, oltre alla continua crescita delle quantità di dati disponibili, sono due. La capacità di raccogliere i dati IoT in tempo reale a basso costo e con strumenti il più omogenei possibili e la capacità di data analytics in un ciclo di vita completo e a costi sempre accettabili per il beneficio indotto. Senza entrare nello specifico, ci sono soluzioni no-code/low-code in grado di creare rapidamente queste connessioni. Una volta raccolto il dato, è possibile attivare analytics in real time, se si individuano use case interessanti, oppure confluire direttamente il dato in repository quali un moderno Open Lakehouse, sul quale attivare analisi di BI avanzata o algoritmi di ML/AI.
Come aggiornare infrastruttura IT e competenze?
Elemento principale è la creazione di una piattaforma in grado di gestire il ciclo di vita del dato dalla sua creazione, quindi dall’edge, fino alla sua trasformazione, arricchimento, consolidamento e messa a disposizione dei team di data engineering e data scientist per la creazione di valore utilizzando BI evolute, ML e AI a seconda degli obiettivi. Altro aspetto importante è quello della trasformazione cloud che spesso si unisce temporalmente alla creazione di una sata Platform. Il suggerimento è quello di valutare soluzioni in grado di astrarsi dal livello di infrastruttura sia on premise che nel cloud, in modo da consentire la portabilità del mondo applicativo sviluppato da un cloud ad un altro, da on premise al cloud o viceversa.
Per essere efficienti, sicure e flessibili, tali architetture dovrebbero avere tre componenti: una data fabric, in grado di gestire sicurezza, governance e replica multi cloud del dato. Un open data lakehouse, per gestire modelli dati sia per un approccio data warehouse che data lake, e un approccio data mesh, che consenta ai clienti di lavorare per domini di dati posseduti da team indipendenti, che hanno al loro interno strutture di data engineering e data product. Allo tempo stesso tali dati vengano ospitati, preparati e serviti da un’unica piattaforma dati, coniugando efficienza, sicurezza e controllo, con l’indipendenza dei team funzionali, possessori dei dati stessi.
Le competenze vanno di conseguenza: capacità di data engineering, data scientist, cloud architect sono importanti in un progetto di ampio respiro e sicuramente la comunità di system integrator globali e locali, partner e consulenti possono aiutare anche le realtà più complesse a intraprendere iniziative di questa natura per valorizzare tali dati.
Può indicare alcuni esempi di come possano essere sfruttate le potenzialità IoT in ottica data analytics?
Come detto, molti nostri clienti in ambito manufacturing utilizzano i dati provenienti dai sensori IoT degli apparati per generare data analytics in grado di ridurre i costi della manutenzione e massimizzare la disponibilità dell’apparato stesso, programmandone al meglio le interruzioni necessarie. Ma gli stessi clienti utilizzano questi dati, trasformati e arricchiti con dati di diversa provenienza per produrre report sull’indice di sostenibilità dell’azienda, giusto per riportare un elemento lontano da quelli più immediati.
Possiamo anche citare i data analytics in real time o near real time, per prendere decisioni in tempi stretti, come possono essere i dati legati alle auto a guida autonoma o alla riduzione delle frodi nel campo assicurativo. In ambito pubblico, possiamo pensare a tutte le applicazioni Smart Cities, che partendo da grandi quantità di dati elementari e geolocalizzati, consentono l’attivazione di analitiche in grado di pianificare future scelte strategiche. Oppure nel campo del soccorso, consentono di produrre suggerimenti sul miglior intervento possibile in quel determinato momento, sulla base delle indicazioni relative all’accaduto, allo scenario e alle persone coinvolte.
