4 étapes éprouvées pour transformer les données IoT en insights actionnables

Aujourd'hui, les dispositifs IoT quotidiens génèrent plus de données que tous les réseaux sociaux combinés. Chaque dispositif peut transmettre des données multiples fois par seconde, donc une plateforme analytics typique peut devoir traiter des milliards d'événements quotidiens.

Gérer un tel volume est un défi technique substantiel, mais la data brute dispositif — une fois stockée en format pré-traité — n'est pas directement actionnable. Extraire de la valeur requiert une analyse approfondie.

Un objectif analytique clé en IoT est la détection d'anomalies, qui identifie le comportement dispositif déviant fortement des patterns historiques ou normes attendues.

Vos tondeuses autonomes tournent-elles rond ?

Dans l'un de nos pilotes détection d'anomalies, nous avons monitoré une flotte de tondeuses autonomes (ALM). En utilisant Bosch IoT Analytics, nous calculons les anomalies à travers la flotte chaque saison de tonte. Le dataset inclut messages de statut et d'erreur envoyés par les tondeuses à notre backend cloud.

Configuré pour faire émerger le top 10 des anomalies hebdomadaires, le service flag les tondeuses apparaissant répétitivement sur la liste. Le personnel service et managers qualité peuvent alors les revoir manuellement. En agrégeant les patterns d'anomalies, nous pouvons classer les incidents en catégories actionnables.

Par exemple, patterns d'état et d'erreur récurrents peuvent signaler que des mises à jour firmware sont en retard ou que les tondeuses sont mal configurées. En groupant ces patterns, nous pouvons mapper chacun à une solution spécifique — push firmware auto, ou contacter proactivement les clients (avec consentement) pour offrir support technicien — améliorant la satisfaction.

Comment détectons-nous les anomalies dans les données dispositifs ?

L'analyse de données, et la détection d'anomalies en particulier, englobe une famille d'algorithmes et transformations conçus pour découvrir des insights cachés. Les types d'anomalies et domaines de problème varient largement, requérant des approches sur mesure.

Un workflow typique d'analyse de données implique plusieurs étapes distinctes, de l'ingestion de données aux modèles machine-learning sophistiqués et visualisations insightful.

Étape 1 : Ingestion des données dispositifs

Après connexion des dispositifs, les données qu'ils génèrent doivent être transmises sur divers canaux et stockées de façon consistante en base de données avant traitement.

Étape 2 : Data Wrangling & Feature Engineering

Le prétraitement de données — souvent appelé data wrangling — adresse de nombreux défis. Il inclut nettoyage de données, génération de features domaine-spécifiques, et exploration itérative pour activer l'analyse aval.

Étape 3 : Détection d'anomalies

Cette étape se concentre sur la localisation d'anomalies dans les données d'entrée en sélectionnant un algorithme de data-mining approprié et en affinant ses paramètres.

Étape 4 : Visualisation de données

Finalement, les résultats doivent être visualisés pour les utilisateurs finaux. Sélectionner des techniques visuelles qui matchent la tâche et le domaine est essentiel pour une interprétation claire.

Identifier les anomalies est la première étape vers de l'analytics IoT avancée, comme la maintenance prédictive. Une fois dispositifs anormaux flaggués, experts domaine les revoient et classifient, ajoutant détails de remédiation. Fusionner cette connaissance avec la data brute yields un dataset riche pour construire des modèles prédictifs.

Au-delà du flagging d'issues, les insights d'anomalies peuvent révéler de nouvelles opportunités business. Anomalies systémiques à travers dispositifs peuvent pointer vers features manquantes ou défis terrain-spécifiques. Pour les ALM, patterns répétés dans un sous-ensemble de jardins pourraient indiquer le besoin d'un algorithme terrain-adaptatif, packagable comme feature premium.

Notre récent white paper, Anomaly Detection with Event Data in the Internet of Things, outline les défis et best practices pour chaque étape de traitement, s'appuyant sur insights de multiples projets analytics.

Télécharger le white paper