01.03.2018Blogi

Visualisoinneilla parempi ymmärrys IoT-dataan

IoT tuottaa valtavan määrän dataa (Big Data), joka itsessään on hyödytöntä, jos sitä ei käännetä helposti ymmärrettävään, analysoitavissa olevaan ja esitettävään muotoon. IoT-laitteiden yhdistäminen ja datan kerääminen ei yksinään enää tänä päivänä ole saavutus, vaan se, miten IoT-dataa osataan hyödyntää liiketoiminnassa. Väitän, että visualisointi voi olla ratkaiseva osa IoT-datan hyödyntämisprosessissa.

Visualisointi mielletään usein vain kokoelmaksi graafeja ja infograafeja. Visualisointi vaatii kuitenkin pohjalle datan analysointia, datan ymmärrystä ja ennen kaikkea tarpeiden ja käyttökohteiden määrittelyä. Aukaisen tässä kirjoituksessa sitä, kuinka IoT-data valjastetaan hyödylliseen muotoon ja kuinka siitä voidaan saada irti liiketoimintaa hyödyntävää tietoa.

Hieman yleistäen sanottuna, kaikki IoT-data on itsessään samantyyppistä dataa riippumatta anturin mittaamasta arvosta. Dataa syntyy tietyin aikavälein. Aikaväli voi olla oikeastaan mitä tahansa aina millisekunneista tunteihin tai jopa vuorokausiin riippuen tarvittavasta mittaus- tai muutosherkkyydestä. Ja aina mitataan tiettyä suuretta, yhtä tai useampaa.

Monitoroinnin avulla saadaan näkyvyys dataan

Anturin data on  intuitiivisesti hyvin helposti visualisoitavissa aikasarjatyyppisesti esimerkiksi perinteisellä viivadiagrammilla. Näille usein yksittäisen anturin tuottaman datan visualisoinneille on paikkansa ja tarpeensa.

Yleisin tarve yksittäisen anturin tuottaman datan visualisoinnille lienee laitteiden tilan, toiminnan tai sijainnin monitorointi ja etenkin projektin alkuvaiheessa ylipäätään datan saaminen näkyväksi.

Teknologioiden suhteen IoT-data asettaa tiettyjä vaatimuksia visualisointityökalulle. Monitorointityyppisissä visualisoinneissa reaaliaikaisuus on ehdoton vaade. Toinen selkeä vaatimus nousee datamäärän kautta; teknologian on mahdollistettava miljoonien datapisteiden visualisointi, aggregointi ja filtteröinti.

Aktiivisesta monitoroinnista passiiviseen seurantaan

Monitoroinnin tarpeisiin luotavat visualisoinnit menettävät optimitilanteessa merkitystään kun projekti etenee ja kypsyy. IoT-datan analysoinnin avulla tai puhtaasti tarpeiden kautta pystytään määrittelemään raja-arvoja ja hälytysrajoja, jolloin seurattavan monitoroinnin sijaan painopiste siirtyy passiiviseen tilaan, jossa datan perusteella pystytään lähettämään kohdistetusti halutulla tavalla herätteitä, kun joitain toimenpiteitä vaaditaan.

Herätteet, hälytykset ja tietyt säännöt kehittävät operatiivista tehokkuutta ja vähentävät manuaaliseen monitorointiin kuluvaa aikaa.

Monitoroinnin ja hälytysten välistä eroa voidaan havainnollistaa esimerkiksi ostosmarkettien  jääkaappien yksinkertaisella esimerkillä. Jääkaappien lämpötilojen pitää pysyä tiettyjen raja-arvojen välillä. Sen sijaan, että lämpötilat käytäisiin manuaalisesti tarkistamassa suoraan laitteista vähintään päivittäin, monitoroinnin avulla lämpötila-arvot voidaan tarkistaa yhdeltä näytöltä määritellyin aikavälein.

Optimitilanteessa laitteelta saadaan hälytys, kun arvo menee sallitun vaihteluvälin ulkopuolelle.

Hälytys kohdistetaan suoraan sellaisen henkilön päätelaitteelle, jolla on valmius tehdä tarvittavat toimenpiteet hävikin estämiseksi, laitteen kunnon tarkistamiseksi ja tarvittaessa korjauttamikseksi. Joskus varmasti riittää myös, että henkilö käy vain sulkemassa asiakkaan auki jättämän jääkaapin oven.

Visuaalinen analysointi toiminnan kehityksen mahdollistajana

IoT-datan mahdollistamia suuria hyötyjä ei kuitenkaan saavuteta vain IoT-dataa suoraan visualisoimalla tai monitoroimalla. Hyödyt saavutetaan analysoimalla laitteilta ja antureilta saatavaa dataa ja johtamalla IoT-datasta liiketoiminnalle mittareita, joiden avulla toimintaa voidaan ohjata liiketoiminnan, energiankulutuksen tai esimerkiksi ympäristöystävällisyyden kannalta tehokkaampaan suuntaan.

Hyödyt saavutetaan analysoimalla laitteilta ja antureilta saatavaa dataa ja johtamalla IoT-datasta liiketoiminnalle mittareita.

Jos jatkamme ostosmarketin jääkaappiesimerkkiä voimme helposti laskea varianssin jääkaapin lämpötilan vaihtelulle. Mitä pienempi varianssi, sitä vähemmän energiaa laitteen pitäisi kuluttaa. Varianssille voidaan asettaa tavoitearvo ja voimme tutkia myös esimerkiksi laitteiden välisiä varianssieroja.

IoT-data organisaation muun datan rikastajana

Kaikkein suurimmat hyödyt saavutetaan useimmiten yhdistämällä IoT-data ja siitä johdetut mittarit organisaation muuhun tietoon. Pysytään ostosmarketissa, mutta asennetaan osastoille ja marketin sisäänkäyntiin anturit, jotka antavat tiedon kunkin osaston kävijämääristä. Sinänsä jo kävijämäärä mittarina kertoo kuinka paljon kävijöitä on tiettynä ajanhetkenä, minkä vuoksi kauppaan tullaan, mikä on kiinnostavin osasto, kuinka suuri osa kokonaiskävijämäärästä poikkeaa kosmetiikkaosastolla ja niin edelleen. Entä jos yhdistämme kävijämäärätiedon myyntitietoon? Voisimme helposti laskea kuinka suuri osa osastolla käyneistä asiakkaista ostaa jotakin kyseiseltä osastolta ja kuinka suurella summalla. Onko jokin osasto, jolla käydään paljon, mutta ei osteta mitään?

Tietojen yhdistämisellä saamme täysin uutta tietoa liiketoiminnasta ja voimme sitä kautta tehdä tarvittavia parannuksia toimintaamme.

IoT laitteiden yhdistäminen ja datan kerääminen ei yksinään enää tänä päivänä ole saavutus, vaan se, miten IoT-dataa osataan hyödyntää liiketoiminnassa. IoT-datan avulla, ja etenkin kun IoT-data yhdistetään olemassa oleviin tietoihin, voidaan löytää uusia kaavoja ja trendejä liiketoiminnasta. Datan avulla toimintaa voidaan kehittää, kustannuksia optimoida ja jopa luoda uusia palveluita ja rahavirtoja.

Haluatko tietää lisää siitä, mitä IoT-teknologioilla on mahdollista rakentaa? Lataa ilmainen A Quick Guide To Complete IoT solutions -opas.

New call-to-action

Jenni Linna työskentelee Solitalla IoT-dataan erikoistuneessa tiimissä datan visualisoinnin parissa. Hän suhtautuu intohimoisesti datan analysointiin ja ymmärtämiseen, asiakastarpeiden määrittelyyn sekä visuaalisesti miellyttävien, merkityksellisien dashboardien luomiseen.