Derrière les Objets Connectés, des données qu’il faut savoir maîtriser

Derrière les objets connectés se cache un univers encore plus large : celui des données. Et s’il y a indéniablement des défis à relever dans la conception de matériel connecté, c’est dans les données que réside le véritable potentiel de l’IoT.

Nos appareils quotidiens évoluent vers toujours plus de connectivité, leurs bases de données explosent en volume et les différents capteurs sur lesquels ils reposent voient leur prix baisser :  nul doute, l’Internet des Objets (IoT) est en train de changer nos vies. On connaît déjà les estimations, chiffrées en milliards de dollars, du devenir de ce nouveau marché sur les 30 prochaines années

Derrière les objets connectés se cache toutefois un univers encore plus large : celui des données. Et s’il y a indéniablement des défis à relever dans la conception de matériel connecté, c’est dans les données que réside le véritable potentiel comme les plus grandes difficultés de l’IoT. 

Cela va de l'extraction des données à partir des terminaux, des machines et des plateformes distantes à l'interprétation des données afin de stimuler la productivité et d'accroître les performances. Que ce soit pour une maison connectée, un terminal portatif ou une solution industrielle, il existe souvent un décalage entre la collecte des nouvelles données et la présentation des informations analysées de manière à ce qu'elles puissent être comprises et explorées dans les moindres détails.

Il existe trois critères clés essentiels au bon développement de l'IoT :

1. Une plateforme interactive

En matière d’analyse de données, chaque question que nous nous posons par rapport aux données nécessite son propre graphique et sa propre perspective visuelle. Cela est particulièrement vrai pour l'explosion de données provenant des capteurs qui constituent la base de l'IoT. Malheureusement, la plupart des applications de l'IoT sont fournies avec des vues « uniformisées ». Elles répondent à un ensemble de questions prédéterminées, jugées dignes d'obtenir une réponse par un petit groupe « d'experts », que ce soient les spécialistes de la santé à l'origine de FitBit ou les ingénieurs qui ont créé la plate-forme Predix de GE.

Pour exploiter pleinement le potentiel de l'IoT, les outils doivent être bien plus souples et doivent permettre aux utilisateurs de façonner et d'adapter les données de différentes façons, en fonction de leurs besoins ou de ceux de leur organisation. L'interactivité, l'exploration en détail et le partage sont fondamentaux pour rendre les données de l'IoT utiles, sans que cela nécessite un énorme projet autour de ces données. Idéalement, les utilisateurs seront en mesure d'avoir des conversations informelles et approfondies avec leurs données, tout en explorant d'autres données afin de découvrir toutes sortes de changement. Ils pourront parfois même dévoiler des tendances jusqu'alors inconnues.

Par exemple, vous disposez peut-être d'une application IoT qui analyse les données historiques de l'activité d'un moteur, d'une turbine à gaz ou d'une locomotive en panne, et qui détermine les conditions qui provoquent les dysfonctionnements ainsi que la fréquence à laquelle ils sont susceptibles de se produire. Mais comment savoir quelles pièces sont les plus fragiles ? Quelles usines les ont fabriquées ? Et quelle est la date de fabrication ? Ou encore quels fournisseurs ont causé le plus de problèmes ? L'interactivité et la possibilité de partager des informations sont fondamentales pour trouver les réponses à ces questions.

2. Des systèmes intégrés

Pour obtenir des réponses, les analyses de données interactives ne suffisent pas : il faut également associer les données IoT à un contexte supplémentaire.

Commençons par un exemple concret : vous souhaitez combiner vos données Fitbit pour éventuellement trouver un lien entre votre programme d'exercices et vos cycles de sommeil. Vous vous posez les questions suivantes : 

●   Dans quelle mesure mon activité physique de la journée influence-t-elle mes cycles de sommeil ?

●    Mes performances sont-elles meilleures lorsque je dors beaucoup ?

Les tableaux de bord natifs de Fitbit vous permettent seulement d'analyser les données d'exercices de façon isolée. Cependant, si vous exportez les données, vous pouvez associer ces informations à d'autres informations, telles que le suivi de vos activités physiques et de vos apports alimentaires, vos mensurations et vos cycles de sommeil. L'exportation des données n'est pas forcément la méthode idéale, mais c'est parfois le seul moyen d'élargir la portée de l'analyse. 

Imaginez maintenant que vous fusionnez des données disparates pour obtenir des informations exploitables pour votre entreprise. Les capteurs intégrés aux réacteurs d'avion peuvent aider à déterminer le moment où une opération de maintenance est nécessaire. Cela permettrait d'anticiper les éventuelles défaillances et d'économiser des milliards de dollars. De plus, l'intégration des données de ces capteurs dans d'autres informations peut également révéler les économies réalisées par rapport aux budgets prévus par produit et par région, par exemple.

3. La capacité d’itération

L'exportation de données (sachant que ce n'est pas la méthode idéale), nous amène à un dernier point important : nous vivons dans un monde où il est de plus en plus utopique d'avoir des « données parfaites ». Vos données, aussi organisées soient-elles, sont susceptibles d'être stockées dans une source à laquelle vous n'avez pas accès. Elles peuvent également ne pas inclure certains éléments clés qui sont nécessaires pour répondre à vos questions, ou être formatées de telle sorte que leur analyse approfondie devient complexe. Les applications IoT souffrent des mêmes inconvénients, surtout lorsqu'il n'existe aucun consensus sur les normes et les protocoles pour la prise en charge de l'interopérabilité des appareils.

Toutefois, plutôt que de laisser des données incomplètes ou de mauvaise qualité paralyser notre entreprise, nous devons utiliser ce dont nous disposons et procéder par itération jusqu'à trouver les bonnes solutions. Au fur et à mesure des itérations, vous apprenez à distinguer les données « acceptables » de celles dont la qualité est mauvaise. Les données acceptables suffisent en général à répondre à la plupart des questions, sinon toutes. De plus, comprendre les lacunes de certaines données permet d'améliorer le processus pour les collecter et les traiter. Cela vous aidera à résoudre les problèmes liés aux processus de collecte et d’intégration de vos données. Au final, cela nous aidera tous à apprivoiser l'IoT plus rapidement.

Intégration / Plates formes

Annonces Google