Coffee Break Series - Data Discoveryn ja IoT:n yhteinen maailma
Asioiden välinen internet (IoT) on noussut melkoisesti otsikoihin viime aikoina.Toisaalla käyttäjälähtöinen analytiikka Data Discovery on vallannut melkoisesti markkinoita.
Otetaan kahvi ja pohditaan hieman miten IoT ja Data Discovery kohtaavat.
IoT:n voisi karkeasti yleistää asioiden väliseksi kommunikointi verkostoksi. Asiat varmasti mitä useimmin liittyvät toisiinsa langattoman teknologian kautta. Näin ainakin IoT:n tällä oppimäärällä uskoisin.
Erilaisten asioiden, laitteiden jne. määrä on valtava ja dataa niiden käytöstä syntyy todella paljon. Dataa luodaan reaaliaikaisesti, tunti- tai kuukausitasolla ja sitä siirretään tarvittaessa asioiden välillä. Laite voi luoda hälyttimen (raja-arvon ylitys tai alitus) toiselle laitteelle suorittaakseen asian korjaavia toimenpiteitä. Esimerkiksi tasapainottaa tilanne tai toiminta halutulle tasolle.
Data Discovery teknologiat tarjoavat käyttäjälähtöisen lähestymisen analytiikkaan. Työvälineet ovat helppokäyttöisiä ja tarjoavat sekä ketterän että joustavan tavan tuottaa sovelluksia ja analysoida itselle tärkeää dataa. Hyvä Data Discovery työväline mahdollistaa useiden eri tietojen lataamisen eri lähteistä, niiden yhdistelyn, sekä tarjoaa laajat mahdollisuudet tiedon visualisointiin. Hyvä esimerkki tästä on Qlik teknologian tuotteet QlikView ja QlikSense.
Tiedon syntyminen ja sen hyödyntäminen.
IoT - asioiden ja laitteiden välinen verkosto kommunikoi keskenään ja samalla tuottaa dataa eri prosesseissa. Esimerkkeinä terveydenhuolto, logistiikka ja jakelu, valmistava teollisuus. Älykkäät laitteet mm. sensorit jne. voivat valvoa potilaiden tilaa ja lähettää hälytyksen potilaan tilan muutoksesta. Seuraa- reagoi - kommunikoi.
Retail puolella asiakkaiden ostokäyttäytymisen seuranta mm. liikkuminen, pysäköinti, ilmeet ja eleet (tyytyväisyys) informaatiot ovat varmasti markkinoijalle mieleen. Uudet monitorointi ja valvontakameramekanismit mahdollistavat monia uusia asioita.
Toisaalta mitä uutta tässä on. Varmasti se, että älykkäitä laitteita on enemmän, ne kommunikoivat paremmin keskenään ja monipuolistuvat, tuottavat enemmän dataa kuin 5-10 vuotta sitten ja että idea on nyt puristettu IoT käsitteen alle.
Ok, ensimmäinen taso kurkistettu.
IoT tuottama data ei varmastikaan ole kaikilta osin suoraan syömäkelpoista Data Discovery tuotteille. Dataa voidaan joutua prosessoida tai käsitellä analytiikalle suotuisaan muotoon, mutta uskon, että suurelta osin se on luettavissa tiedon latausmekanismin läpi joko tietovarastoon tai suoraan analytiikka työvälineeseen. Tiedon välitys on kahdensuuntaista kuten yllä kuvassa karkeasti koitan esittää.
Ok, toinen taso - tiedon jalostus ja lataus on tunnistettu
Koneen komponentilla on kaiketi parametrit (id, parametriarvo, status, aikaleimat jne.) Komponentin parametrien arvoja voidaan seurata läpi sen elinkaaren. Esitystapana voi olla, että ilmoitetaan poikkeamat tai muutokset esim. tietyin korostetuin värikoodein taulukossa.
Miten löydän näiden asioiden väliset riippuvuudet?
QlikSensen indeksointi moottori perustuu muistinvaraiseen teknologiaan ja mahdollistaa assosiatiivsen analysoinnin. Se näyttää datan riippuvuudet toisiinsa eri värikoodeilla (vihreä tehty tai tehdyt valinnat, valkoinen kertoo mitkä asiat liittyvät asiaan ja harmaa kertoo mitkä eivät liity suoraan tai lainkaan).
Kuva QlikSensen valinnat ikkunasta.
Kun pohditaan tätä tapaa esittää dataa, niin se mahdollistaa loistavasti jatko kysymysten esittämisen datasta. Jos pohditaan edellä mainittua koneen komponentin parametriarvo esimerkkiä, niin valitsemalla komponentin yksilöivän ID numeron löydät valkoisella värikoodilla esitettynä myös muut kyseisen parametrin tapahtumat ja tiedot jotka liittyvät tähän valintaan.
QlikSensessä tiedon etsiminen suurestakin datamassasta on helppoa ja nopeaa. Syötä esim koneen komponentin id numero hakukentässä ja tee valinta alle olevasta listasta. Data muuttuu valinnan mukaan koko sovelluksessa.
Kuva esimerkki QlikSense haku toiminnallisuudesta
Tiedon visualisointi ja esitystavat QlikSensessä ovat erittäin monipuoliset ja uusia mahdollisuuksia kehitetään koko ajan.
Tässä kuvassa muutama esimerkki eri esitystavoista, joilla esim IoT:n tuottamaa dataa voisi esittää:
Ok, kolmas taso visualisoi tiedon käyttäjälähtöisesti
Laitteiden välinen kommunikaatio muuttuu siis älykkäämmäksi. Eri toiminnan vaiheista syntyy tarkempaa dataa mm. pilvi tai fyysisiin tietovarastoihin. Digitaalisuus ja IoT luovat mahdollisuuksia, hienoa. Samalla tämän strukturoidun ja ei-strukturoidun datan pöyhimiseen syntyy uusia rooleja kuten Data Scientistit.
Yhtälailla kehitetään uusia tapoja, menetelmiä ja laitteita muokkaamaan ja varastoida dataa analysoitavaksi.
Hallittu ja yhtenäinen tietokokonaisuus luovat loppukäyttäjille hyvän analytiikan pohjan. Oma mielenkiintoinen analytiikan osa-alue on ennakoiva analytiikka ja sen mahdollisuudet kertoa datasta vielä enemmän. Kaiken lisäksi Data Discovery tuotteiden self service ominaisuudet luovat joustavan ja monipuolisen informaationhallinnan työväline salkun.
“Technology that learns from experience (data) to predict the future behavior of individuals in order to drive better decisions.” - Eric Siegel
QlikSense vinkit:
Nopea katsaus miten luoda QlikSense sovellus:
Miten esität informaatio tarinasi (Data Storytelling):
Ei kommentteja:
Lähetä kommentti
Huomaa: vain tämän blogin jäsen voi lisätä kommentin.