Para el año 2020 se estima habrá 20,8 mil millones de dispositivos conectados ya directamente a Internet de las Cosas. Esta variedad de dispositivos conectados está generando una diversidad de nuevos datos provenientes de los sensores allí contenidos. “Traducir en valor de negocio esta información masiva es lo que hoy se ha comenzado a llamar IoT Analytics”, explica el Dr. Jaime Navón, Director Magíster en Tecnologías de Información y Gestión (MTIG) de la Escuela de Ingeniería de la Pontificia Universidad Católica de Chile.
Agrega que es “similar a Analytics tradicional en cuanto a algoritmos y técnicas de visualización, pero distinta en cuanto a que se trata de manejar Big Data muchas veces en tiempo real (streaming)”. En tanto, Patricio Cofré, CEO Metric Arts, explica que este aprovechamiento de esos datos se logra utilizando técnicas provenientes principalmente de la robótica, como por ejemplo el Machine Learning.
¿Se trata de un concepto nuevo? Los expertos indican que no lo es tanto. Lo cierto es que involucra a la Internet de las Cosas (IoT) y Advanced Analytics. De acuerdo a Christian Sfeir, Cloud & Enterprise BG Lead de Microsoft Chile, debemos partir por entender qué es Big Data, y luego el desafío es qué hacer con esta información. “Acá es donde Advanced Analytics toma protagonismo”, agrega.
¿Está madura esta tecnología?
Si bien los sensores han estado presentes generando información hace muchos años, el profesional de Microsoft señala que no fue hasta la llegada de las tecnologías cloud que IoT se convirtió en algo accesible para la mayoría de las empresas. “Por su parte, la Analítica Avanzada y Machine Learning tampoco es algo nuevo, ya en los años 90 se usaban estas tecnologías para identificar que e-mail era spam”, comenta.
Para el ejecutivo de Metric Arts, si lo descomponemos en sus partes: IoT y Analytics, la primera está menos madura que la segunda. Según el último Hype Cycle de Gartner para tecnologías emergentes, las tecnologías de IoT apenas alcanzan el llamado peak de expectativas, e indica que llegarán a ser tecnologías productivas maduras en un plazo de 5 a 10 años.
Por otra parte, añade, “Analytics sí parece ser una tecnología madura, pues aprovecha los mismos algoritmos y herramientas utilizados en Inteligencia de Negocios y Analítica Avanzada, dos mercados maduros ampliamente estudiados por Gartner en los llamados cuadrantes mágicos, metodología reservada para tecnologías maduras. En función de esto IoT analytics es aún una tecnología emergente, con grandes avances logrados en el último año, pero ciertamente con un importante recorrido de madurez por delante”.
Jaime Navón, UNIVERSIDAD CATÓLICA. Patricio Cofré, METRIC ARTS. Christian Sfeir, MICROSOFT.
Experiencias concretas
Según relatan los expertos, hay varios casos tempranos en que se usaron los tradicionales sistemas de telemetría largamente existentes en equipos y sensores, integrándoseles la capacidad de comunicación a Internet, y obteniendo así los primeros casos de Analytics, basados principalmente en visualización y alertas en función de umbrales.
“Ahora, en cuanto al concepto de IoT Analytics propiamente tal, es decir sensores ya preparados para la comunicación con Internet, y Analytics Avanzado aplicado a los flujos (streams) de datos provenientes de cientos o miles de sensores conectados e integrados en un hub, existen ya los primeros casos en Chile en la minería (maquinaria), transporte (containers), salud (equipos médicos), gobierno (emisiones) y seguros (vehículos motorizados), entre otros”, detalla Patricio Cofré.
Las empresas en Chile ya están usando IoT y Advanced Analytics para empoderar sus negocios. Así lo asegura Christian Sfeir, según quien podemos verlo en diversas industrias y para múltiples escenarios donde, usando Internet de las Cosas y Analítica Avanzada, pueden tomar acciones inteligentes.
Por ejemplo, detalla, la Asociación Chilena de Seguridad que requiere procesar y clasificar 20.000 incidentes, pasó del proceso manual con un equipo de codificadores (funcionarios que procesaban a lo más 80 casos al día) a generar un sistema que clasifica de manera inteligente los casos, a través de Machine Learning, que aprende de la historia pasada para comprender cada uno de los casos que se genera. Hoy, la ACHS procesa más de un 75% de los casos en tiempo y de manera automática, aumentando de 800 casos a la semana a 80.000, y siendo capaz, en solo 3 semanas, de cubrir todos los casos que tenía pendientes desde 2015.
Otro caso desarrollado en Chile es el del Centro de Investigación Avanzada en Educación (CIAE) de la Universidad de Chile, que observó que la calidad de la educación en una escuela no solo se relaciona a lo que sucede dentro de las salas de clases, sino que está también directamente asociada a los factores socioeconómicos y demográficos fuera de esta. El CIAE deseaba utilizar Big Data para detectar las relaciones antes ocultas entre los factores socioeconómicos, como planeación urbana, transporte, delincuencia y otros, que podrían influir en la calidad de la educación. Quería saber, por ejemplo, dónde sería necesario construir la próxima escuela, cómo mejorar el transporte en zonas remotas, por estudiantes que pasan gran parte de su jornada desplazándose desde sus hogares hasta sus centros de estudio y, de esta forma, saber cómo se podría invertir o qué políticas públicas se podrían desarrollar, para mejorar el acceso a la educación y evitar la deserción escolar. Y se construyeron modelos explicativos y predictivos para ver qué podían aprender de los datos. Es así como después de analizar la geografía de los niños en edad escolar y la ubicación de las escuelas urbanas, por ejemplo, encontraron que el 32% de los estudiantes no contaba con una escuela a 10 minutos caminando de sus casas.
Principales sectores
Los ejemplos anteriores auspician resultados altamente atractivos con el uso de esta tecnología. Serán, a juicio del Director de Magíster de la UC, probablemente sectores como la industria automotriz, de maquinaria pesada o de productos durables (refrigeradores, máquinas de lavar, etc.), donde será más rápido el desarrollo. “También hay grandes oportunidades en la minería y en el sector eléctrico (detección y reacción automática de fallas, ajustes dinámicos, etc.)”, añade. Estos sectores, junto con transporte, tienen al menos 736 millones de dispositivos y sensores conectados.
También se espera que lleven la delantera mercados como transporte y salud al ser industrias altamente sensorizadas y modernizar sus plataformas actuales, hacia soluciones cloud de mayores prestaciones e inteligencia, explica el ejecutivo de Metric Arts. Las industrias donde veremos un rápido desarrollo de estas tecnologías son muy variadas. En general, donde existan procesos repetitivos e información histórica que se genere de diversos dispositivos y sistemas, se sacara mayor valor a estas tendencias tecnológicas, detalla Christian Sfeir.
¿Cómo comenzar?
Tales proyecciones plantean la interrogante de qué se requiere para implementar IoT Analytics. En esto, primero hay que aclarar que si bien esta tecnología puede llegar a ser costosa, se trata de un costo elástico y escalable a la medida que crece la cobertura, y decrece en la medida que sensores son desactivados. “En este sentido, el costo de IoT Analytics se relaciona más bien con conceptos de Opex que Capex, con lo que es posible crear interesantes casos de negocios que aceleren su incorporación en la industria”, explica Patricio Cofré.
Gracias a tecnologías de nube, agrega el ejecutivo de Microsoft, la implementación de esos proyectos no necesariamente es algo costoso. Se pueden obtener ahorros considerables en hardware como también en almacenamiento y, gracias a las capacidades de pago por uso, los costos iniciales son menores. Para Jaime Navón, en tanto, los sensores son cada vez más baratos por lo que, a menos que se requiera desplegar miles o millones de ellos, debería ser manejable. “Lo que puede resultar más caro es asegurar que la data que viene de todos lados se pueda recolectar en forma confiable. Finalmente el trabajo con Big Data incluido Analytics no debería ser caro aunque requiere personal altamente capacitado”, señala.
No obstante, más allá del costo, hay retos que superar concuerdan los expertos, por ejemplo, antes de comenzar con sensores hay que instalar capacidad de procesamiento y análisis e integrarla adecuadamente a la organización al más alto nivel, y es que IoT Analytics descansa sobre una estrategia de Big Data, de manera que “si la organización es inmadura en términos de entender la data como un recurso importante y tener funciones, procesos y gobernancia sobre los datos, cualquier proyecto de IoT no tiene sentido”, detalla el profesional de la UC .
El ejecutivo de Metric Arts agrega que “será el gobierno analítico de estos datos, que usualmente han sido un dominio de las gerencias operativas, y casa vez se irá acercando a las gerencias de negocio, lo que puede generar en primera instancia un choque de culturas, que las empresas deberán enfrentar.
Otro desafío organizacional será el desarrollo de capacidades analíticas al interior de la empresa y, como en todo proyecto TI, será clave no caer en la tentación de ser extremadamente ambicioso, lo cual lleva a enfrentarse con proyectos costosos y complejos, que muchas veces terminan no siendo aceptados por los directorios.
Proyectos acotados
Los expertos coinciden en la relevancia de comenzar con proyectos pequeños con potencial de generar un claro valor al negocio: rápido desarrollo, bajo costo y alto impacto, evitando el riesgo de que la alta dirección pase a ver estos proyectos como otro gasto del área TI.
“Luego de la ejecución de ese primer proyecto, buscar el siguiente y así ir avanzando con iteraciones exitosas. Lo anterior no solo ayudará a controlar los costos, sino también facilitará la adopción de estas nuevas tendencias”, señala Christian Sfeir.
Respecto al reto de desarrollar capacidades analíticas al interior de la empresa, Jaime Navón recalca que es necesario armar un equipo de excelencia con un líder que tenga una formación muy fuerte en minería de datos, aprendizaje de máquina, Big Data y visualización, e incorporar al equipo a alguien que entienda en profundidad el negocio.
Según Christian Sfeir, Gartner menciona que “para 2017, la mayor parte de los usuarios de negocio y analistas de nuestras organizaciones tendrán acceso a herramientas de auto ayuda para preparar sus datos y realizar análisis. Por su parte, el World Economic Forum ya habla de la llegada de la Cuarta Revolución Industrial”, una revolución donde los datos son clave y que trae consigo las ilimitadas posibilidades que pueden surgir a partir de IoT
