Big Data e IoT: le applicazioni nelle aziende

I Big Data sono ormai dovunque, ci circondano costantemente. Parlano di tutti noi perché descrivono il comportamento di chi li produce.

I Big Data sono caratterizzati dalle ben note 5V, non tutte però hanno lo stesso peso nei diversi contesti aziendali. In generale possiamo suddividere infatti i Big Data in 2 gruppi: gli Human Generated Data e i Machine Generated Data.

Cadono nel primo gruppo quei Big Data generati dal comportamento umano, quindi caratterizzati da volumi non eccessivi, ma da una grande varietà di contenuti. È il caso, ad esempio, dei social media in cui miliardi di utenti si connettono quotidianamente, condividono opinioni, gusti, informazioni, caricano foto, video e molto altro.

I Machine Generated Data hanno caratteristiche ben diverse a causa della loro origine; si tratta infatti di tutti quei dati generati in automatico dai macchinari (ad esempio informazioni di log). Sono caratterizzati da una grande uniformità, quindi bassa varietà, ma anche dai grandi volumi prodotti ad alta velocità, proprio perché generati automaticamente.

Tutto questo surplus di informazioni anche se inizialmente era considerato eccessivo e ridondante, oggi è visto come una grande opportunità di business per tutte quelle aziende che si dimostrano in grado di sfruttare i Big Data per migliorare la propria efficienza e superare i competitor.

Ecco qualche esempio di uso dei Big Data all’interno delle aziende di vari settori e mercati.

Perché è importante osservare i Big Data e come usarli per migliorare le attività

Le applicazioni dei Big Data in azienda possono essere molto varie. In primis questa distinzione si basa sulla tipologia (Human Generated Data o Machine Generated Data) di dati prodotti: quelli infatti che vengono generati a seguito di interazioni umane sono principalmente usati in quei settori là dove l’opinione del cliente deve essere una linea guida da tener sempre presente per impostare le strategie più adatte al contesto. Parliamo quindi del settore marketing, ma anche del retail che, anche se in modo indiretto, deve soddisfare i gusti e le necessità dei clienti.

Per quanto riguarda il mondo dei Machine Generated Data i settori e i contesti applicativi sono vari allo stesso modo, certo con un diverso focus. In questo senso ci si ricollega ai temi dell’IoT e dell’IIoT: i dati automatici generati da macchinari e sensori, infatti, hanno la caratteristica di descrivere in modo dettagliato e in real time una certa situazione: può trattarsi dello stato di funzionamento di un macchinario di produzione, oppure delle condizioni ambientali in cui si trova a lavorare un operatore, o ancora i consumi energetici di un locale. In ognuno di questi casi di esempio ciò che emerge è sicuramente la possibilità di usare questi dati per fare analisi in modo trasversale praticamente in ogni settore, solo adattando i dispositivi connessi e selezionando quelli che raccolgono informazioni utili per quel determinato contesto.

Sono considerati Big Data sia i dati storici, quindi raccolti ed archiviati, sia quelli letti in tempo reale. La loro analisi combinata permette di valutare le preferenze dei clienti in evoluzione e su di esse modellare i comportamenti e le attività aziendali nell’ottica di intraprendere un percorso per far diventare l’azienda più reattiva ai desideri e alle esigenze dei clienti, migliorare i processi produttivi andando ad agire sull’ottimizzazione delle attività ed ottimizzare quindi anche dal punto vista economico agendo sull’impatto energetico e sullo spreco di risorse.

Le aziende che utilizzano questi dati detengono un potenziale vantaggio competitivo importante rispetto a quelle che non lo fanno proprio perché, grazie a queste informazioni, sono in grado di prendere decisioni aziendali informate, consapevoli e in modo più rapido.

Ecco qualche esempio di applicazione pratica dei Big Data in diverse realtà aziendali. Emerge con forza che non c’è un settore specifico o una specifica area aziendale che ne trae vantaggio più delle altre: l’uso dei Big Data è una reazione a catena che si riflette in tutta l’azienda per realtà di ogni settore.

Big data e IOT – ambiti applicativi

Settore energetico

Ad esempio nel settore energetico, i big data aiutano le compagnie ad identificare i migliori luoghi di trivellazione e tenere monitorate le operazioni degli oleodotti, così come le aziende utility usano queste informazioni per tracciare, gestire e monitorare le reti elettriche. Inoltre il monitoraggio real time dei Big Data provenienti dai dispositivi, sensori e contatori intelligenti, permette di avviare progetti di Smart Metering per monitorare i consumi in ottica green per la sostenibilità e il risparmio energetico: monitorare e gestire da remoto i consumi permette di attuare strategie di efficienza energetica. Ciò risulta molto utile sia per gli utenti finali per aumentare la consapevolezza dei propri consumi e, di conseguenza, ottimizzare le spese, sia per le aziende che distribuiscono energia e gas che, grazie alle attività di monitoraggio costante e in tempo reale, potranno tempestivamente individuare ed andare a riparare eventuali perdite o malfunzionamenti.

Smart city

Altri usi dei Big Data includono la risposta alle emergenze e le cosiddette Smart City, le città intelligenti, con l’obiettivo di migliorare la qualità della vita dei cittadini e ridurre le emissioni inquinanti nelle metropoli. Il miglioramento delle infrastrutture e dei servizi di trasporto, l’ottimizzazione dei consumi e l’incremento della sicurezza pubblica sono solo alcuni degli obiettivi raggiungibili con un monitoraggio costante della città e della popolazione (sempre nel pieno rispetto delle normative legate alla privacy).

Settore produttivo

Il settore produttivo poi è uno di quelli in cui i Big Data, ed in particolare i Machine Generated Data, possono esprimere al meglio il loro potenziale. È in casi come questo che i Big Data incontrano il mondo dell’IoT: i dati prodotti dai macchinari e dai sensori IoT posizionati nell’ambiente e sulle macchine stesse producono, infatti, un volume di dati enorme ad una velocità altrettanto importante, caratteristiche che rendono questi dati a tutti gli effetti dei Big Data. Possiamo dire quindi che una fetta importante di questi dati viene generata dagli oggetti connessi, infatti l’IoT rappresenta uno dei più grandi fornitori per i sistemi Big Data. Oggi sono sempre di più i dispositivi connessi e con livelli di sofisticazione altissimi grazie anche all’utilizzo dell’intelligenza artificiale.  In questo contesto parliamo soprattutto di monitoring della filiera produttiva, di Industrial IoT, ma anche di un tema più vicino alle Big Data Analytics, ovvero la manutenzione predittiva. In modo del tutto analogo anche le aziende di trasporto si affidano ai Big Data e alle Big Data Analytics per gestire le proprie catene di approvvigionamento e ottimizzare i percorsi di consegna, ma anche per migliorare la gestione dei magazzini.

Qual è il punto di incontro tra dati provenienti dai dispositivi IoT e le analisi tipiche del mondo Big Data?

In questo contesto giocano un ruolo fondamentale le soluzioni IIoT che raccolgono i dati provenienti dal mondo reale grazie ai sensori distribuiti sugli oggetti fisici (ad esempio il rilevamento di una temperatura). Tendenzialmente a questo punto le piattaforme IoT possono o rilasciare direttamente degli output attraverso dashboard, sistemi di alert e notifiche near real time o real time; o possono andare ad alimentare architetture big data dove i dati IoT vengono storicizzati su data hub e vengono integrati con dati (strutturati e non) provenienti da altre fonti. I dati storicizzati vengono poi interrogati da tool di analisi allo scopo di rilasciare conoscenze inattese, o addirittura fare analisi predittive. Tutto questo permette alle aziende un forte sviluppo in ottica data driven.

Keplero è la soluzione IoT in grado di interfacciarsi ad entrambi questi scenari. All’interno di Keplero è infatti presente una sezione dedicata alla creazione di report e grafici per osservare sia i dati storici, sia i dati in ingresso in real time (monitoring). Keplero inoltre è in grado di storicizzare i dati in ingresso in diverse tipologie di strutture di memorizzazione, in questo modo i dati saranno a disposizione di applicativi analitici esterni, ma soprattutto sarà possibile già all’interno di Keplero sfruttare l’integrazione con meccanismi analitici che permettono di analizzare i dati raccolti e mostrarne i risultati nelle stesse dashboard per il monitoring.