IoT-ratkaisuihin liittyy oleellisena, arvoa luovana elementtinä datan käsittely ja tulkinta. Mitä tarkoittaa kuvaileva analytiikka, entä diagnostinen analytiikka tai ennakoiva analytiikka? Tässä blogipostauksessa käymme termit tiiviisti läpi.
IoT-ratkaisujen valjastaminen liiketoiminnan tueksi perustuu laitteista ja järjestelmistä kerättävän datan hyödyntämiseen. Dataa saadaan esimerkiksi erilaisilta mittalaitteilta, kuten antureilta ja sensoreilta, ja se säilötään keskitettyyn pilvisovellukseen. Seuraava vaihe, eli datan hyödyntäminen liiketoiminnassa, tapahtuu askeleittain. Oikoteitä ei ole, sillä edellinen askel tulee olla tehtynä ennen seuraavan askeleen tavoittelua. Seuraavissa kappaleissa kuvataan lyhyesti askeleet analytiikan hyödyntämisessä.
Kuvaileva analytiikka
Ensimmäinen askel IoT-dataa hyödyntävän liiketoiminnan rakentamisessa on tiedon keräämisen ja jakamisen mahdollistaminen. Kerätyn datan pohjalta voidaan tuottaa kuvailevaa analytiikkaa, jossa laitteilta kerätty tieto visualisoidaan havainnolliseksi kuvaksi tämän hetkeen tilanteesta. Kuvaileva analytiikka kertoo tietoa siis siitä, mitä on jo tapahtunut.
Kuvailevan analytiikan avulla voidaan käytännössä havainnoida etänä erilaisten laitteiden, kuten työkoneiden, toimintaa, ja seurata esimerkiksi käyttötuntien määrää.
Diagnostinen analytiikka
Toinen askel analytiikan hyödyntämisessä on diagnostinen analytiikka. Se tarkoittaa sitä, että pyritään ymmärtämään paremmin erilaisia datalähteisiin (esimerkiksi koneisiin ja laitteisiin) liittyviä ilmiöitä:
- etsimällä datasta trendejä,
- yhdistelemällä useampia muuttujia samaan näkymään,
- luomalla datavirrasta profiileja sekä
- nostamalla esiin poikkeamia.
Tavoitteena ei ole ainoastaan tietää, miksi jokin asia on tapahtunut, vaan halutaan ymmärtää siihen johtaneet syyt.
Diagnostisen analytiikan keinoin on siis mahdollista ymmärtää, miksi jokin asia tapahtui. IoT-sovellusten suurten datamassojen tilastollinen ja matemaattinen tulkinta voi paljastaa kokonaan uusia, piileviä ilmiöitä, jotka aiheutuvat useista yhtäaikaisista osatekijöistä.
Mekaanisten koneiden kohdalla tämä voisi tarkoittaa esimerkiksi sitä, että havaitaan samanaikaisesti sähkömoottorin jännitteen kasvaminen ja lämpötilan nousu. Näin voitaisiin päätellä mahdollinen tulossa oleva laakerivika. Äkillisen konerikon kohdalla voidaan tutkia kyseisen laitteen datahistoriaa ja löytää tieto, josta on pääteltävissä, että jokin ulkoinen törmäys on aiheuttanut piilevän ja pikkuhiljaa etenevän vaurion.
Lue lisää: Kunnonvalvonta, IoT ja ennakoivan analytiikan uudet mahdollisuudet
Ennakoiva analytiikka
Kun näitä ilmiöitä opitaan ymmärtämään ja mallintamaan, voidaan ottaa seuraava askel eteenpäin kohti ennakoivaa analytiikkaa.
Algoritmien ja koneoppimisen avulla voidaan tuottaa dataan pohjautuvia indikaattoreita ja ennusteita tulevista tapahtumista. Liiketoiminnan hyötyjä ovat silloin aiempaa tehokkaampi operatiivinen ohjaus sekä tarpeettomien kulujen välttäminen. Pisimmälle vietynä dataohjautuva liiketoiminta tarkoittaa sitä, että ilmiöiden ja tapahtumien datapohjaiseen ennustamiseen liitetään sovelluksissa automatisoitua toimintaa.
Esimerkkejä tästä ovat ennakoivan huollon toimintaa ohjaavat järjestelmät. Niissä IoT-ratkaisu pystyy paitsi kertomaan optimoidun ajankohdan varaosan vaihtamiseen, myös
- automaattisesti tarkistamaan varaosan saatavuuden,
- toimittamaan oikea-aikaisen varaosatilauksen toimittajalle sekä
- tuottamaan huoltotyöhön liittyvän työmääräyksen tai tiketin suoraan vastuuhenkilöiden kalenteriin.
