IoTデータを行動可能なインサイトに変える4つの実証済みステップ

今日、日常のIoTデバイスはすべてのソーシャル・ネットワークを合わせたより多くのデータを生成します。各デバイスが1秒間に複数回データを送信するため、典型的な分析プラットフォームは毎日数十億のイベントを処理する必要があります。

このような量の処理は実質的な技術的課題ですが、事前処理形式で保存された生デバイス・データは直接実行可能ではありません。価値を抽出するには徹底的な分析が必要です。

IoTにおける主要な分析目標の一つは異常検知です。これは、履歴パターンや期待される基準から大きく逸脱したデバイス行動を特定します。

自律芝刈り機はスムーズに稼働していますか？

異常検知パイロットの一つで、自律芝刈り機（ALM）のフリートを監視しました。Bosch IoT Analyticsを使用し、各刈り取りシーズンごとにフリート全体の異常を計算。データセットには、芝刈り機がクラウド・バックエンドに送信するステータスとエラー・メッセージが含まれます。

週ごとのトップ10異常を浮き彫りにするよう設定され、繰り返しリストに現れる芝刈り機をフラグします。サービス担当者と品質管理者がそれらを手動でレビューできます。異常パターンを集約することで、インシデントを実行可能なカテゴリに分類できます。

例えば、繰り返されるステータスとエラー・パターンは、ファームウェア・アップデートが遅れているか、芝刈り機が誤設定されていることを示唆する可能性があります。これらのパターンをグループ化することで、それぞれを特定のソリューション（ファームウェアの自動プッシュ、または顧客同意のもとで技術者サポートを積極的に提案）にマッピングし、満足度を向上させます。

デバイス・データで異常をどう検出するか？

データ分析、特に異常検知は、隠れたインサイトを発見するために設計されたアルゴリズムと変換のファミリーを包含します。異常のタイプと問題ドメインは広く変化し、カスタマイズされたアプローチを必要とします。

典型的なデータ分析ワークフローは、データ取り込みから洗練された機械学習モデルと洞察に富む可視化まで、いくつかの明確な段階を含みます。

ステップ1：デバイス・データの取り込み

デバイスを接続した後、それらが生成するデータは様々なチャネルで送信され、処理前にデータベースに一貫して保存される必要があります。

ステップ2：データ・ラングリングと特徴量エンジニアリング

データ前処理（データ・ラングリングと呼ばれることが多い）は多くの課題に対処します。データ・クリーニング、ドメイン固有の特徴量生成、下流分析を可能にする反復的探索が含まれます。

ステップ3：異常検知

この段階では、適切なデータ・マイニング・アルゴリズムを選択し、そのパラメータを調整することで、入力データ内の異常を特定することに焦点を当てます。

ステップ4：データ可視化

最後に、結果をエンド・ユーザー向けに可視化する必要があります。タスクとドメインに合った視覚技術の選択が、明確な解釈に不可欠です。

異常の特定は、予知保全のような高度なIoT分析への第一段階です。異常デバイスがフラグされると、ドメイン・エキスパートがそれらをレビューし分類し、修復詳細を追加します。この知識を生データと統合すると、予測モデル構築のための豊富なデータセットが得られます。

問題のフラグ付けを超えて、異常インサイトは新たなビジネス機会を明らかにできます。デバイス間の系統的な異常は、欠落機能や地形固有の課題を示唆する可能性があります。ALMでは、一部の庭園での繰り返しパターンが地形適応アルゴリズムの必要性を示し、プレミアム機能としてパッケージ化できるかもしれません。

最近のホワイト・ペーパー『モノのインターネットにおけるイベント・データを用いた異常検知』は、複数の分析プロジェクトからの洞察を基に、各処理ステップの課題とベスト・プラクティスを概説しています。

ホワイト・ペーパーをダウンロード