Con el aumento de los sensores de bajo costo, la conectividad omnipresente y los enormes volúmenes de datos, el Internet de las Cosas promete cambiar el mundo.
Todos hemos escuchado predicciones sobre los miles de millones de dólares y de la enorme cantidad de cosas que conformarán esta megatendencia para el año 2050… pero esa es solo una parte de la historia.
Para liberar el verdadero potencial del Internet de las Cosas (IoT) será necesario superar desafíos relacionados con los datos antes que pensar en los problemas alrededor de las ‘cosas’ mismas.
Podemos describir estos desafíos relacionados con los datos como un problema del ‘último kilómetro’. Van desde los retos de extracción de datos de dispositivos, máquinas y plataformas remotas, hasta su interpretación para impulsar la productividad y lograr el máximo rendimiento.
Ya sea que hablemos de hogares conectados, un aparato de tecnología vestible o una solución a escala industrial, suele haber una desconexión entre la recolección de datos nuevos y la exposición real de la información que se extrajo, de tal forma que se pueda entender y explorar en profundidad.
Aquí presentamos tres conceptos clave para superar estos obstáculos y lograr que el IoT llegue a la meta:
1. Interactividad
Los smartphones no solamente desempeñan un papel decisivo en el Internet de las Cosas, sino que en realidad ofrecen una analogía interesante sobre uno de sus obstáculos.
Recordemos cuando Steve Jobs presentó el iPhone al mundo: contrastó la nueva y revolucionaria ‘pantalla gigante’ con los botones estándar de los teléfonos. Su argumento para la innovación fue que cada aplicación necesitaba su propia pantalla e interfaz de usuario. En sus palabras: ‘Los botones y controles no pueden cambiar. No pueden cambiar para cada aplicación, y no pueden cambiar en el futuro si se les ocurre otra gran idea para agregar a este producto’.
Un problema similar se aplica a los análisis. Cada pregunta que hacemos a los datos necesita su propio gráfico y su propia perspectiva visual, y esto es particularmente cierto cuando se trata de las enormes cantidades de datos de sensores que forman las bases del IoT.
Por desgracia, la mayoría de las aplicaciones del IoT tienen visualizaciones ‘aptas para todos’, que tal vez deberían llamarse ‘tableros cerrados’. Responden un grupo predeterminado de preguntas, cuyas respuestas son valiosas para un pequeño grupo de ‘expertos’, ya sean los técnicos especializados en salud responsables de FitBit o los ingenieros que trabajan en la plataforma Predix de GE, por citar algunos ejemplos.
Para aprovechar todo el potencial del Internet de las Cosas, las herramientas deben ser mucho más flexibles, de modo que permitan a los usuarios esculpir y moldear los datos de diferentes formas, según sus necesidades o las de la organización.
La interactividad, la capacidad de extraer datos y de compartir son cruciales para lograr que los datos del IoT sean útiles sin necesidad de un gran proyecto de datos. Idealmente, los usuarios podrán tener conversaciones superficiales y profundas con sus datos y con otras exploraciones de datos, de tal forma que puedan descubrir todo tipo de cambios y, a veces, incluso revelar patrones que no sabían que existían.
Por ejemplo, se puede utilizar una aplicación del IoT que busque el historial de datos de las actividades de un motor, una turbina de gas o una locomotora averiados para predecir qué condiciones generan fallas y con qué frecuencia es probable que sucedan. Pero, ¿qué pasa si se quiere buscar las piezas con más fallas? ¿Y entender qué fábricas produjeron esas piezas? ¿Y saber cuándo? ¿Y descubrir qué proveedores causaron la mayor cantidad de problemas? Ahí es donde la interactividad y la capacidad de compartir son escenciales.
2. Integración
Estas preguntas en profundidad están muy relacionadas con la segunda clave del éxito del IoT: la integración. Las respuestas no vendrán solamente de los análisis de datos interactivos, sino también de la combinación de los datos del IoT con un contexto adicional.
Comencemos con el ejemplo de un consumidor: Se examinan los datos de FitBit para establecer una posible relación entre su régimen de ejercicio y los patrones de sueño, para determinar, por ejemplo: ¿Cómo afecta la actividad física durante el día a sus patrones de sueño? ¿Su rendimiento es mejor cuando durmió mucho?
Los tableros nativos de FitBit solamente permiten analizar datos de forma física aislados. Pero si se exportan los datos, se puede combinar esa información con otra, como datos de seguimiento de sus actividades físicas, consumo de alimentos, mediciones corporales y patrones de sueño. Es posible que exportar los datos no sea lo ideal, pero a veces es la única forma de ampliar el alcance de los análisis.
Ahora imaginemos las posibilidades de descubrir informaciones pertinentes para toda la empresa a través de la combinación de datos diferentes. Los sensores incorporados en un reactor pueden ayudarnos a predecir cuándo podría necesitar mantenimiento. Podría auxiliarnos también a prevenir fallas y ahorrar miles de millones de dólares y, al integrar esto con otra información, podría ayudarnos a saber cuánto nos ahorramos con respecto al presupuesto proyectado por producto y región, por ejemplo.
3. Iteración
El concepto de exportar datos (y el hecho de que no es lo ideal) nos lleva a un punto final importante: vivimos en un mundo donde el concepto de ‘datos perfectos’ se está convirtiendo cada vez más en una contradicción. Aunque los datos estén perfectamente integrados, es muy probable que estén almacenados en una fuente a la que no pueda conectarse.
A los datos pueden faltarles algunos elementos clave que son cruciales para responder a nuestras preguntas, o probablemente su formato no permita que se realicen análisis profundos. Estos inconvenientes también se presentan en las aplicaciones del IoT, sobre todo cuando no hay un consenso sobre los estándares y protocolos para respaldar la interoperabilidad de los dispositivos.
En lugar de permitir que los datos malos o incompletos paralicen nuestro negocio, debemos trabajar con lo que tenemos de forma iterativa, repitiendo los procesos para llegar a las respuestas correctas. Al hacerlo, se aprende a separar los datos ‘suficientemente buenos’ de los verdaderamente malos. Los datos ‘suficientemente buenos’ suelen bastar para responder la mayoría o hasta todas las preguntas a discreción.
Además, una mejor comprensión de las brechas de los datos conduce a mejores datos. Esto nos ayudará a resolver problemas de procesos que mejorarán la forma de capturar y digerir datos, y nos permitirá acercarnos más a la meta del IoT.
Por: Miguel Nhuch, Vicepresidente para Latinoamérica de Tableau
