Internet de las cosas y analítica predictiva

El internet de las cosas (IOT) está haciendo cambios en todos los sectores. Seguros, finanzas, servicios públicos, automoción, farmacia, retail... Pero, para experimentar sus beneficios, las empresas deben cambiar, no sólo su forma de almacenar los datos sino también la manera de orientar sus estrategias de analítica predictiva.

Los sensores del IOT se pueden colocar en cualquier lugar y en todas partes para crear una red colectiva que conecte dispositivos y genere datos en un flujo continuo. Aquí aparece el primer cambio, ya que, en lugar de que los datos se recojan en un silo al que sólo a unos pocos especialistas puedan acceder, éstos se convierten en parte de un lago de grandes datos, para poder ser analizados en el contexto de otra información.

La analítica predictiva optimiza, al contextualizar de esta forma, el valor del internet de las cosas permitiendo, por ejemplo:

• Aumentar la productividad y la eficacia del mantenimiento predictivo en un entorno de producción, al entender mejor lo que está sucediendo y mantener los equipos en funcionamiento.
• Reducir costes de inventario y optimizar esta función.
• Automatizar decisiones, para minimizar el riesgo y evitar errores.
• Mejorar los niveles de calidad de los productos y servicios, al obtener mayor información sobre su deterioro y formas de uso más extendidas.
• Evitar las pausas y tiempos muertos en la función de transporte gracia a un mejor diseño de rutas ya la capacidad de tomar decisiones en tiempo real que ayuden a solucionar imprevistos.
• Establecer los niveles de coste de un servicio más bajos con el nivel de calidad más elevado, de acuerdo a perfil de cada cliente en los sectores de seguros y energía.

Debido a los avances en grandes volúmenes de datos y análisis, ahora son cada vez más las empresas que pueden permitirse el almacenar y analizar los datos asociados con el internet de las cosas. Sin embargo, estas organizaciones tendrán que reconsiderar la forma en que utilizan big data, para asegurarse de tener las infraestructuras apropiadas para aprovecharlo.

Créditos fotográficos: istock kentoh

Hace falta mucho más que analítica predictiva

Todo se puede conectar con cualquier otra cosa: edificios, vehículos, personas e incluso animales. Cuantos más sensores se disponen, más completa es la hoja de ruta que se obtiene de ellos y más consistente el conocimiento que se extrae de su análisis.

El sector de la automoción es uno de los más beneficiados. La cantidad de datos que pueden obtenerse de la conducción, especialmente cuando se trata de vehículos inteligentes, se dispara. Internet de las cosas ayuda a conectar cada vehículo con otros, a la vez que se crean conexiones con los semáforos y las plazas de aparcamiento, consiguiendo menos atascos, menos retrasos causados por semáforos en rojo y menos accidentes. Todo ello sin necesidad siquiera de conducir el vehículo y garantizando un ahorro en combustible importante.

Cisco estima que los beneficios económicos durante la próxima década en base a mejoras relacionadas con el internet de las cosas y la analítica predictiva será de 19 de billones de dólares. Pero es necesario estar listo para hacer frente a cantidades mucho más grandes de datos, lo que exige la construcción de una infraestructura más escalable y un mayor empleo de la analítica. Esta necesidad de cambio plantea muchas cuestiones en los responsables de los negocios, que no terminan de tener claro:

• ¿Por dónde y cómo empezar?
• ¿Dónde se almacenará toda esta información?
• ¿De qué medios se dispondrán para ponerla en común?
• ¿En qué condiciones se llevará a cabo el análisis?
• ¿Cómo será posible diferenciar qué datos el internet de las cosas son necesarios y cuáles superfluos?
• ¿Qué habilidades se necesitarán?
• ¿Cómo se gestionarán los datos?
• ¿Cómo saber cuál es la elección tecnológica adecuada?
• ¿Cómo superar la resistencia de la organización?

IOT puede ayudar a mejorar los procesos de negocio y crear nuevo valor y, en esta nueva era, la analítica predictiva jugará un papel muy importante en su obtención, a partir de los datos recogidos y siempre que los negocios estén preparados para:

1. Reforzar sus arquitecturas de TI: los desafíos de la recogida y procesamiento de grandes cantidades de datos pueden resolverse al incluir tecnologías de gestión de big data, tales como Hadoop, el motor de procesamiento de Spark y bases de datos NoSQL, además de herramientas analíticas avanzadas que puedan apoyar el aprendizaje automático. Hay que tener en cuenta, además, que en muchos casos, es necesaria una combinación de tecnologías para satisfacer todas las necesidades actuales de análisis de datos.
2. Establecer normas para regular el uso de tecnología asociada al IOT: debe tratar de evitarse el contar con varios dispositivos habilitados para Internet que, por motivos de incompatibilidad de software, no puedan comunicarse entre sí. Los datos deben poder agregarse para ganar la visión que el negocio requiere.
3. Nutrir a la organización de perfiles cualificados para el análisis de datos: científicos o analistas de datos serán los encargados de crear algoritmos y resolver las cuestiones de negocio. Si bien es cierto que la tecnología está avanzando muy rápidamente hacia el autoservicio usuario, hay que tener en cuenta que, a determinados niveles es esencial contar con una base de conocimientos en matemáticas y estadística para poder obtener el valor diferencial que proporcionan los datos e ir más allá en la innovación y el aprovechamiento de oportunidades.

Para muchas empresas, los volúmenes de datos que el internet de las cosas les permite obtener les ha llevado a un nivel de procesamiento y analítica predictiva completamente nuevo del que se benefician desde sus clientes hasta sus empleados y socios comerciales.

Sin embargo, para otras organizaciones que tratan de dar sus primeros pasos en el análisis de datos procedentes del IOT, los retos de la combinación de varias plataformas de grandes volúmenes de datos y la complejidad del uso de determinadas herramientas de análisis, en arquitecturas que difícilmente pueden hacer frente a la avalancha de información, sólo acaban de comenzar. Ambas han aprendido que para profundizar en los modelos estadísticos a partir del Internet de las cosas, antes hace falta estar preparados para ello.

La promesa del IOT está ahí para todos, pero la curva de aprendizaje no es la misma en todas las organizaciones y hay que ser conscientes de que se trata de un proceso que requiere del tiempo y el expertise necesarios.