Ada saatnya Anda tidak bisa lepas dari diskusi seputar Internet of Everything (IoE), yang dengan sendirinya terasa simbolis dari perjalanan yang pasti akan kami jalani dengan Internet of Things (IoT).
Reaksi langsung kami ketika menemukan teknologi baru lebih, lebih, lebih, kata Adam Mayer, manajer senior di Qlik tanpa harus memastikan bahwa kita mendapatkan hasil maksimal dari apa yang sudah kita miliki. Akibatnya, organisasi didorong untuk memasang sensor di setiap lampu, pintu, dan toilet sebelum mereka mulai melihat laba atas investasi.
Ini adalah perjalanan serupa yang dilakukan oleh banyak pengguna awal Big Data; butuh waktu untuk memahami bahwa memiliki lebih banyak data tidak selalu berarti hasil yang lebih baik tanpa cara yang lebih baik untuk memvisualisasikan dan menganalisisnya. Secara berurutan, organisasi mulai menyadari potensi terbesar IoT adalah bagaimana data yang dihasilkan oleh perangkat ini dapat dieksplorasi dan diselidiki untuk memberikan pembelajaran dan meningkatkan hasil.
The Breathe London Project, yang dijalankan oleh partner kami C40 Cities dengan Greater London Authority, adalah contohnya. Sebagai bagian dari penyelidikan terhadap paparan polusi udara penduduk London, jaringan 100 pod sensor dipasang di tiang lampu dan bangunan di seluruh kota, sementara mobil Google Street View menggunakan sensor seluler, untuk terus mengirimkan pengukuran kualitas udara di seluruh London.
Meskipun informasinya tidak diragukan lagi menarik, nilai proyek ini bukanlah pengumpulan dan representasi data, tetapi dalam keputusan kebijakan yang akan dibuat untuk mengurangi 'titik panas' polusi yang akan diidentifikasi oleh sensor ini.
Hambatan untuk menganalisis data IoT
Namun, bagi banyak organisasi, ini lebih mudah diucapkan daripada dilakukan. Ada tantangan signifikan yang terkait dengan pengintegrasian data IoT untuk analisis.
Pertama, organisasi harus mengatasi mengintegrasikan berbagai data dari sumber yang berbeda ke dalam pipa data mereka. Penelitian Qlik dengan IDC mengungkapkan mengintegrasikan data yang berbeda ke dalam format standar adalah salah satu tantangan terbesar yang dihadapi organisasi dalam mengubah data menjadi bentuk analitik (37%).
Pengenalan IoT secara signifikan memperburuk tantangan ini karena dapat dengan cepat melipatgandakan jumlah sumber data yang mengisi saluran, seringkali dalam format yang tidak dikenal atau tidak terstruktur yang harus diubah sebelum siap untuk dianalisis.
Masalah ini semakin diperparah oleh tantangan kedua, volume tinggi dan kecepatan throughput yang tinggi. Dengan banyak perangkat IoT yang melakukan pembacaan terus menerus, data diproduksi dalam jumlah yang jauh lebih besar daripada kebanyakan. Ini kemudian secara alami menjadi rintangan terakhir, bahwa meskipun saluran data cukup kuat untuk menyerap dan mengubah aliran data berkelanjutan dari perangkat IoT, banyak solusi visualisasi dan analitik tidak dapat memberikan pembaruan informasi secara real-time.
Ini berarti apakah kemacetan ada pada perangkat lunak atau disebabkan oleh selang waktu antara pengguna meninjau outputnya, pembelajaran dari data hanya dapat diimplementasikan secara retrospektif – tidak secara real-time.
Mengikuti kecepatan data
Organisasi yang berharap dapat memanfaatkan IoT dapat mengatasi tantangan ini dengan membangun rantai pasokan data yang dapat dengan cepat mengintegrasikan dan mengubah data dari banyak sumber berbeda.
Metode berorientasi batch tradisional seperti Ekstrak, Transformasi, dan Muat (ETL) – terlalu lambat, tidak efisien, dan mengganggu untuk mengintegrasikan dan mendukung analisis data IoT yang tepat waktu, dan seringkali memerlukan pengkodean yang berat dan skrip yang dalam. Dengan 31% organisasi global menyebut 'kurangnya sumber daya yang terampil untuk memproses data' sebagai salah satu tantangan terbesar dalam menyiapkan analitik data, sangat penting untuk keberhasilan implementasi IoT bahwa organisasi mengurangi pengurasan waktu yang signifikan dari pemrogram terampil.
Teknologi Change Data Capture (CDC) menghadirkan alternatif cerdas yang dapat dicapai bagi mereka yang ingin memproses data IoT mereka dengan cepat untuk dianalisis. Alih-alih mengunggah data ke sumber yang berbeda, CDC memungkinkan replikasi inkremental berkelanjutan dengan mengidentifikasi dan menyalin pembaruan data saat terjadi. Streaming data dengan cara ini secara signifikan meningkatkan kecepatan data yang dapat diserap dan ditransfer ke gudang data atau data lake untuk dianalisis.
Terakhir, ketika saluran data dapat mengintegrasikan data dalam waktu yang hampir real-time, penting bahwa solusi analitik tidak hanya mampu terus-menerus memvisualisasikan informasi terkini, tetapi juga lapisan proaktif yang terintegrasi untuk mendukung pengambilan keputusan. proses. Peringatan real-time tidak hanya memberikan wawasan, tetapi juga dapat merekomendasikan tindakan untuk dipicu oleh pengguna dengan cepat. Memanfaatkan mesin kognitif untuk menghadirkan Kecerdasan Aktif ini akan menjadi fitur utama alat BI generasi berikutnya.
Jalur data untuk memenuhi janji IoT
Organisasi harus memastikan mereka tidak jatuh ke dalam perangkap yang sama dengan IoT seperti yang dilakukan banyak orang di masa-masa awal Big Data, di mana tujuan memiliki lebih banyak data lebih diutamakan daripada menggunakan apa yang mereka miliki untuk mendorong hasil terbaik. Melihat pengadopsi awal IoT, terlalu banyak yang lebih fokus untuk menerima pembaruan waktu nyata daripada mengambil langkah-langkah yang diperlukan untuk mengubah dan menganalisis outputnya untuk memberdayakan pengambilan keputusan yang lebih baik.
Janji IoT adalah kesempatan untuk terus belajar, bertindak, dan bereaksi. Untuk memastikan implementasi IoT dalam organisasi memiliki kecepatan dan fleksibilitas untuk mendukung analitik tingkat lanjut, mereka harus terlebih dahulu memastikan seluruh jalur data mereka siap untuk tugas tersebut
Penulisnya adalah Adam Mayer, manajer senior di Qlik.
