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.
Insieme a Giorgio Dossena, presales manager di Qlik, analizziamo gli importanti aspetti legati al controllo e alla manutenzione di macchinari e impianti produttivi. Con in particolare i potenziali benefici su manutenzione, efficienza e anche sicurezza operativa.
Quali innovazioni può portare IoT nella data analytics?
Il tema IoT può essere analizzato sotto diverse dimensioni. Sicuramente le due più significative sono legate all’acquisizione dei dati e al loro sfruttamento analitico. I dati prodotti dai sistemi IoT possono essere molti e dei più disparati: pensiamo solo alla moltitudine di sensori che ci circondano e fanno parte degli apparati utilizzati tutti i giorni. Dati prodotti in base a rilevazioni continue o semi-continue che ci permettono di seguire diversi fenomeni in tempo reale. La capacità di recepire queste informazioni e integrarle con altre, non necessariamente della stessa natura temporale, permette di costruire una solida base dati per attivare soluzioni di analisi dato estremamente potenti.
Una volta che il dato è analytics ready, quindi pronto per essere sfruttato, è possibile innescare soluzioni in grado di monitorare i principali indicatori, attivare procedure di analisi avanzata, per esempio modelli di previsionali, ma anche attivare, verso sistemi terzi, delle nuove azioni.
Se pensiamo a un possibile flusso, possiamo avere un sistema di sensori che effettua il monitoraggio di un impianto raccogliendo in modo continuo una serie di informazioni. Questi dati possono essere raccolti e armonizzati al fine di avere un sistema di KPI continuo, atto a mantenere sotto controllo il sistema, ma anche per fornire la materia prima ai modelli previsionali utili a prevenire guasti o fornire la migliore scelta da fare oggi per un maggiore ritorno nel futuro. Se propriamente analizzati, i dati IoT possono fornire anche indicazioni per innescare azioni automatiche verso sistemi terzi. Nell’esempio di prima si potrebbe attivare un sistema di riordino di una determinata componente, ormai logora, a fronte di un trend o previsione specifica del modello analitico. Il tutto senza uno specifico intervento umano.
Le aziende italiane hanno la giusta percezione?
La percezione c’è, ma varia molto da mercato a mercato. Esistono mercati e aziende più recettive su questi temi rispetto ad altre. Non è un tema di dimensione, ma proprio di specializzazione e mercato operante. Secondo alcuni studi di settore (Osservatorio IoT Politecnico di Milano) il 69% del fatturato relativo al mondo IoT è distribuito nei soli ambiti Smart asset management, Smart Car, Smart City e Smart Building. Questa fotografia rappresenta bene lo stato dell’arte dell’Italia, dove alcuni mercati trainano queste iniziative e tutto il mercato, nel solo 2021, contava circa 8 miliardi di euro.
Come si può raccogliere, selezionare e analizzare questi dati in ottica di business?
In uno scenario di IoT applicato alla data analytics, l’approccio deve essere di partnership a tre: IT, business e fornitore di servizi. I primi due devono poter lavorare in sinergia per definire, partendo da requisito di business, l’architettura e il processo funzionale al raggiungimento dell’obiettivo finale. La controparte IT deve lavorare in sinergia anche con il fornitore di servizi per dotarsi di una soluzione tecnologica in grado traghettare al meglio il risultato e riducendo al minimo i rischi e le inefficienze.
Questo potrebbe essere un approccio in una direzione. Ne esiste uno altrettanto valido che pone l’IT come attore che propone una soluzione al business per coprire esigenze non ancora completamente note. Fa quindi da precursore e da innovatore nei confronti dei colleghi business. La relazione tra le tre controparti non si modifica; a cambiare è il modo in cui vengono innescate.
Come aggiornare infrastruttura IT e competenze?
Come in ogni progetto in cui il dato è l’elemento al centro, si deve partire dalla conoscenza di come questo possa essere utilizzato. Siamo state tra le prime realtà nel panorama dei dati a promuovere la Data Literacy, ovvero come rendere le organizzazioni e i propri componenti in grado di trarre il massimo dai dati disponibili.
Questo implica avere conoscenze tecniche e di infrastruttura, ma anche di analisi e proposizione di quanto si estrae, in termini di informazioni, dai dati.
Può raccontare alcuni esempi di come possono essere sfruttate le potenzialità IoT in ottica data analytics?
Possiamo vantare diversi esempi di utilizzo della nostra piattaforma di Active Intelligence in ambito IoT presso clienti. A partire da un’importante azienda internazionale che progetta soluzione connesse per l’automotive. Questa integra i dati provenienti dai sistemi di bordo delle auto a noleggio all’interno di applicazioni analitiche a uso dei fleet manager per monitorare costantemente l’utilizzo delle macchine e relativi KPI da parte delle società di leasing e dei propri utilizzatori.
Un altro esempio in Italia è Bticino: con Qlik, vengono monitorati consumi di elettricità e i metri cubi di gas naturale dei diversi impianti produttivi, per poi essere confrontati con il volume di produzione e altri parametri come la temperatura esterna. Questo permette di capire se si siano raggiungi gli obiettivi prefissati e di comprendere se gli interventi effettuati siano stati realmente efficaci.
Oltrepassando i confini nazionali, possiamo pensare ad esperienze fatte con ShopperTrak, dove i sistemi IoT vengono utilizzati per riconoscere e analizzare i modelli comportamentali di acquisto degli utenti presso i supermercati e grandi magazzini.
