Σήμερα, πλέον, δεν υπάρχει -σχεδόν- πτυχή της καθημερινότητάς μας, των επιμέρους τομέων της επιχειρηματικής ζωής ή του αστικού τοπίου την οποία να μην προσεγγίζει, επηρεάζει ή ακόμη και προσδιορίζει το Internet of Things (IoT).

Το πλήθος των συνδεδεμένων συσκευών που μας περιστοιχίζουν αυξάνονται σε καθημερινή βάση, συμπεριλαμβάνοντας -πλέον- από τα μηχανήματα αυτόματης πώλησης και τα οχήματα με διαρκή παρακολούθηση του συνόλου των παραμέτρων του, μέχρι τις επιμέρους συσκευές “έξυπνου” σπιτιού ακόμη και των κάδων απορριμμάτων που πληροφορούν σχετικά με το πότε πρέπει να αδειάσουν!

Υπό αυτό το πρίσμα, εταιρείες που προέρχονται από ποικίλες περιοχές δραστηριοποίησης επιλέγουν να επενδύσουν στην IoT τεχνολογία προκειμένου να ενισχύσουν το ανταγωνιστικό τους προφίλ, να προσελκύσουν καινούριους πελάτες, να βελτιώσουν την ευφυΐα της λειτουργίας τους, καθώς επίσης και να μειώσουν δραστικά τα λειτουργικά τους κόστη.

Το ΙοΤ προϋποθέτει καθετοποίηση, αλλά και συνέργειες!
Για τους παρόχους υπηρεσιών εξυπηρέτησης των πελατών, μια ξεκάθαρη πτυχή αφορά στην επένδυσή τους σε εφαρμογές και εν γένει λογισμικό διαχείρισης των συσκευών ΙοΤ, καθώς επίσης και υπηρεσιών σε επιλεγμένους καθετοποιημένους βιομηχανικούς τομείς. Εντός των καθετοποιημένων εφαρμογών, η συνολικότερη διαδικασία ανάλυσης των δεδομένων καθίσταται εξαιρετικά κρίσιμη. Πόσο, μάλλον, από τη στιγμή κατά την οποία η γραφική αναπαράσταση και αποτύπωση των δεδομένων και των διαδικασιών αποτελεί πάντοτε τον ευκολότερο τρόπο ώστε να διευκρινιστεί ο κύκλος ζωής, η χρήση και η διαχείριση μιας συγκεκριμένης υπηρεσίας. Εξάλλου, ακόμη και οι πλέον βασικές ΙοΤ εφαρμογές χρησιμοποιούν σήμερα data analytics. Για παράδειγμα, οι ναυτιλιακές εταιρείες χρησιμοποιούν καθετοποιημένες εφαρμογές προκειμένου να ελέγχουν και να παρακολουθούν την τοποθεσία στην οποία βρίσκονται τα κοντέϊνερ τους, οι γερανοί, τα φορτηγά και οι μεταφορικές εταιρείες αναλύουν τον χρόνο της χρήσης των μηχανών, οι επιχειρήσεις ου δραστηριοποιούνται με την άρδευση παρακολουθούν δεδομένα που προέρχονται από τους αισθητήρες προκειμένου να προσαρμόσουν το πότισμα στις ανάγκες των φυτών κ.ο.κ. Τελευταία, έχει κάνει την εμφάνισή της μια τάση για την επίτευξη συνέργειας των δεδομένων που προέρχονται από πολλαπλές καθετοποιημένες πλευρές. Για παράδειγμα, τα δεδομένα που προκύπτουν από τα “έξυπνα” αυτοκίνητα και τις αντίστοιχες κατοικίες, σε ορισμένες περιπτώσεις αναλύονται μαζί για έναν και μόνο λόγο: Ώστε να αποκτήσουν πρόσθετη αξία! Έτσι, λοιπόν, όταν κάποιος χρήστης πλησιάζει σε ένα “έξυπνο” σπίτι ή αυτοκίνητο, αποστέλλει πληροφορίες προκειμένου λ.χ. να ανοίξει τις περσίδες παραθύρων ή να ενεργοποιήσει αυτόματα τη θέρμανση. Η τάση αυτή συνεπάγεται τη δημιουργία νέων προτύπων και αντίστοιχων οργανισμών που θα εστιάζονται στη συλλογή, ανάλυση και ευρύτερη αξιοποίηση δεδομένων.

Αξιοποιώντας ΙοΤ δεδομένα για κάθε σκοπό!
Οι συσκευές και οι πάσης φύσεως εφαρμογές που σχετίζονται με το IoT παράγουν κάθε στιγμή τεράστιο όγκο δεδομένων, τα οποία αφορούν σε μια δεδομένη συμπεριφορά ενός asset ή μιας μηχανής, της τοποθεσίας, των παραμέτρων του συστήματος είτε ακόμη και της κατάστασης του ενσωματωμένου λογισμικού. Αποτέλεσμα; Η πληροφορία βοηθά τις επιχειρήσεις να “κτίσουν” πρόσθετες υπηρεσίες, να ανταποκριθούν στις απαιτήσεις των πελατών, να δομήσουν ακόμη καλύτερα και πιο ανταγωνιστικά προϊόντα, καθώς επίσης και να ενισχύσουν την λειτουργική τους “ευφυΐα”. Μάλιστα, το σύνολο των ΙοΤ δεδομένων μπορούν να αξιοποιηθούν εσωτερικά ή και για εξωτερικούς σκοπούς. Συγκεκριμένα, όταν εφαρμοστεί η πρώτη περίπτωση, τότε τα IoT δεδομένα δύναται να συμβάλουν στην καθιέρωση τρόπων, μεθόδων και πρακτικών που με την σειρά τους μπορούν να μεταβάλλουν άρδην ή να διαφοροποιήσουν υφιστάμενα προϊόντα και λύσεις προκειμένου να έχουν μια πιο ανταγωνιστική μορφή, να διευκολύνουν δραστικά στην διαδικασία της προετοιμασίας των customized προφορών για σημαίνοντες πελάτες, καθώς επίσης και να ανακαλύψουν τυχόν αστοχίες, προβλήματα ή ακόμη και αδυναμίες πριν καν αυτές εμφανιστούν, περιορίζοντας στο έπακρο λάθη κατά την παραγωγική διαδικασία είτε την διαδικασία της αλυσίδας προμηθειών. Εάν κοιτάξετε με πιο “καθαρή” ματιά, θα διαπιστώσετε πως τα ανωτέρω απευθύνονται και ικανοποιούν τα “θέλω” των product managers, των στελεχών mar¬keting, αλλά και του εν γένει τομέα των λειτουργιών. Αλλιώς, από το Α έως το Ω της παραγωγικής διαδικασίας.

Όσο για τα εξωτερικά IoT δεδομένα, βοηθούν τις ίδιες τις επιχειρήσεις και τους οργανισμούς να πληροφορηθούν τρόπους με τους οποίους οι πελάτες τους θα αποκομίσουν περισσότερα κέρδη, επιλέγοντας τα τμήματα των υπηρεσιών που ανταποκρίνονται καλύτερα στις ιδιαίτερες ανάγκες τους. Σε επίπεδο μεμονωμένων τελικών χρηστών και πελατών, αυτό μπορεί και μεταφράζεται στην παροχή “έξυπνων” οικιακών συναγερμών, ενημερωτικών ειδοποιήσεων αναφορικά με την θέρμανση και την φυσική ασφάλεια του χώρου κ.ο.κ. Σχετικά με τους εταιρικούς πελάτες, μια εταιρεία ταξί μπορεί να επωφεληθεί από την αυτοματοποιημένη ανάπτυξη του στόλου της, μια εταιρεία logistics θα μπορούσε να βελτιστοποιήσει τις διαδρομές που ακολουθεί και τους χρόνους παράδοσης, μια μεταφορική θα μπορούσε να παρακολουθεί και να προστατεύει ταυτόχρονα εύθραυστα αντικείμενα, ενώ το σύνολο των οργανισμών έχουν την ευκαιρία να αξιολογήσουν και να εντοπίσουν το ποιοι υπάλληλοι θέτουν σε κίνδυνο την παροχή υψηλής ποιότητας υπηρεσιών προς τους πελάτες τους εν γένει!


Η αυτοματοποίηση μπορεί να έχει (και) ανθρώπινη διάσταση
Αποτελεί κοινό τόπο πως τα IoT δεδομένα μπορούν να συγκεντρωθούν από κάθε πιθανή (και μη) πτυχή που ενσωματώνεται και απορρέει από το ανάλογο οικοσύστημα, συμπεριλαμβανομένων -μεταξύ άλλων- των στοιχείων της συνδεσιμότητας, των συσκευών, των εφαρμογών, αλλά και των εξωτερικών συστημάτων. Τα συγκεκριμένα δεδομένα συγκεντρώνονται και επεξεργάζονται σε πραγματικό χρόνο με την αξιοποίηση εργαλείων επιχειρηματικής ευφυΐας, συνεπικουρούμενα και από πρόσθετες πληροφορίες που προέρχονται από εξωτερικά συστήματα δεδομένων. Τα actionable εργαλεία analytics σε πραγματικό χρόνο επιτυγχάνουν να μετατρέπουν την κλασική διαδικασία data mining σε ενεργής φύσεως συστήματα, καθώς εισάγουν λειτουργικές δράσεις και ευρύτερες κινήσεις σε συσκευές (μεμονωμένες ή ακόμη και σε ομάδες) που ενεργοποιούνται από προκαθορισμένες παραμέτρους. Τέτοιου είδους συστήματα δύναται να αξιοποιηθούν σε μια σειρά από διαδικασίες, όπως λ.χ. την αυτοματοποιημένη διαδικασία απενεργοποίησης μιας συσκευής σε περίπτωση που παρατηρηθούν κάποιου είδους μοντέλων ή εν γένει μορφών κίνησης, να δεσμεύσουν οικονομικά και περιουσιακά στοιχεία και δεδομένα σε περίπτωση που ανιχνευθεί κάποιας μορφής απάτη, να περιορίσουν τις δαπάνες εάν τα κόστη ξεπεράσουν ένα συγκεκριμένο όριο κ.ο.κ.

Ωστόσο, δεν θα πρέπει να αμελεί κάποιος την παράμετρο πως όσο εξελιγμένες κι εάν είναι οι εφαρμογές λογισμικού, είναι -σχεδόν- αδύνατον να επεξεργαστούν και “ερμηνεύσουν” σωστά τα αδόμητα όσο και ακατέργαστα δεδομένα, δίχως την εμπλοκή του ανθρώπινου παράγοντα. Κι αυτό, καθώς η τελευταία είναι απαραίτητη προκειμένου να υπάρξει η πλήρης αξιοποίηση και ωφέλεια από την επιχειρηματική αξία τα οποία μπορούν και διασφαλίζουν τα data analytics. Για παράδειγμα, τι αξία θα λάβει μια εταιρεία logistics από μια σειρά δεδομένων που αφορούν στην ταχύτητα με την οποία κινούνται τα φορτηγά της, εάν δεν συσχετιστούν με χάρτες καταγραφής διαδρομών, την ακριβή τοποθεσία τους, διαδρομές και εν γένει στοιχεία; Η ερμηνεία των δεδομένων βοηθά έναν οργανισμό να αντιμετωπίσει την κατάλληλη επιχειρησιακή περίπτωση να βρει και να προσδιορίσει όσες τιμές, αριθμούς ή στατιστικά στοιχεία κρίνονται ως αρκούντως σημαντικά για τον πελάτη.

Πώς διαμορφώνεται ένα επενδυτικό πλαίσιο για την ανάλυση δεδομένων;
Υπάρχουν τρεις βασικές ερωτήσεις που προκύπτουν και ζητούν απάντηση κατά την διαδικασία δημιουργίας ενός επενδυτικού πλαισίου για τον τομέα της ανάλυσης δεδομένων. Κατ’ αρχήν, τι είδους δεδομένα χρειάζεται μια επιχείρηση τη δεδομένη στιγμή. Για παράδειγμα, μπορεί να χρειάζονται δεδομένα διασυνδεσιμότητας προκειμένου να ελέγχονται οι διαθέσιμες υπηρεσίες, την κίνησή τους, την χρηστικότητά τους, την απόδοση, καθώς επίσης και τον βαθμό επίδρασής τους στις προϊοντικές αλλαγές. Εν συνεχεία, ποιες είναι οι εσωτερικές και εξωτερικές χρήσεις τους; Επίσης, με ποιο τρόπο τα analytics θα προσθέσουν αξία στα διαθέσιμα δεδομένα. Ενδέχεται μια επιχείρηση να θέλει να προσθέσει νέα εργαλεία και εφαρμογές προκειμένου να προσδιορίσουν τοποθεσίες, τα υψηλά ή χαμηλά μοτίβα κίνησης, τα στοιχεία analytics για τις κλασικές κινήσεις κ.ά.

Αυτά τα παραδείγματα δείχνουν ότι τα δεδομένα μπορούν να μετατραπούν σε χρήματα και αξία, να χρησιμοποιηθούν για τη δημιουργία πρόσθετων υπηρεσιών και να πωληθούν στους πελάτες ώστε με την σειρά τους οι τελευταίοι να αποκτήσουν αξία. Ένας πάροχος υπηρεσιών διαθέτει ένα τεράστιο αριθμό ροών δεδομένων, συχνά χαρακτηριζόμενων ως περιττά ή μη-αξιοποιήσιμα, σχετικά με τις καταστάσεις, τη χρήση, τις τεχνικές πληροφορίες, την κίνηση και τις διαμορφώσεις.

Το πρόβλημα είναι πώς αξιοποιούνται αυτά τα δεδομένα έτσι ώστε μια επιχείρηση σε μια συγκεκριμένη κάθετη αγορά να μπορεί να αυξήσει τα έσοδα, να μειώσει το κόστος και να είναι πιο αποτελεσματική στις καθημερινές εργασίες και δραστηριότητές της. Αυτός είναι ο λόγος για τον οποίο η δημιουργία εσόδων από τα δεδομένα του IoT επικεντρώνεται έντονα στις κάθετες περιπτώσεις χρήσης των πελατών των επιχειρήσεων. Η χρήση δεδομένων ποικίλλει μεταξύ των κατακόρυφων σημείων, ανταποκρινόμενη στις διαφορετικές ανάγκες, για παράδειγμα στον τομέα λιανικής, αυτοκινήτων και ενέργειας.


Κάθε αγορά έχει τις δικές της ανάγκες
Αναλογιστείτε τους κατασκευαστές εξαρτημάτων των συστημάτων κλιματισμού, οι οποίοι μπορούν να χρησιμοποιούν στοιχεία και χαρακτηριστικά predictive analytics για τις γραμμές παραγωγής τους, προκειμένου να βελτιστοποιούν το κόστος και να αντιδρούν όταν εμφανίζεται η παραμικρή παρατυπία στην συνολική αλυσίδα εφοδιασμού. Κατ’ αυτό τον τρόπο η παραγωγική διαδικασία είναι βραχύτερη και η εταιρεία είναι έτοιμη για οποιαδήποτε αύξηση της ζήτησης για συγκεκριμένα προϊόντα. Υπό αυτό το πρίσμα:

  • Μια εταιρεία που πωλεί γεωργικά μηχανήματα μπορεί να χρησιμοποιήσει τα δεδομένα που συλλέγονται από αισθητήρες εγκατεστημένους στους ελκυστήρες τους για απομακρυσμένη διάγνωση και παρακολούθηση του στόλου, προκειμένου να βελτιστοποιηθεί η συνολικότερη διαδικασία συγκομιδής.
  • Μια εταιρεία “έξυπνης” στάθμευσης είναι σε θέση να χρησιμοποιήσει analytics σε πραγματικό χρόνο για να βοηθήσει τους οδηγούς να βρουν δωρεάν θέσεις στάθμευσης, καθώς επίσης να προβάλλουν και να χρησιμοποιούν δεδομένα κίνησης για να κάνουν σχετικές αλλαγές στις θέσεις στάθμευσης. Αποτέλεσμα; Περισσότερα αυτοκίνητα μπορούν να χρησιμοποιήσουν τους χώρους στάθμευσης και τα έσοδα μπορούν να αυξηθούν.
  • Μια επιχείρηση που δραστηριοποιείται στον ευρύτερο τομέα των logistics βλέπει πώς κινούνται τα οχήματα και αν υπερβαίνουν το όριο ταχύτητας, κυρίως για σκοπούς προληπτικής συντήρησης, προκειμένου να προβλέψουν πότε θα πρέπει να αντικατασταθεί το όχημα και να κρατήσει το λειτουργικό κόστος υπό έλεγχο.
  • Μια ασφαλιστική εταιρεία μπορεί να αξιοποιήσει δεδομένα που προέρχονται από αισθητήρες αυτοκινήτων προκειμένου να τα “παντρεύει” με την προσφορά ασφάλισης σε συγκεκριμένο τύπου οδηγικής συμπεριφοράς και τύπους πελατών, να προτείνει ασφάλιση βάσει χρήσης και να αλλάζει εγκαίρως τις προσφορές. Στοιχεία που τις βοηθούν να ανταγωνίζονται άμεσα και με επιτυχία με άλλες εταιρείες.

Τα analytics ως υπηρεσία
Αποτελεί περίπου κοινό τόπο πως στα προαναφερθέντα παραδείγματα, τα analytics μπορούν να διατεθούν και ως ένα μοντέλο υπηρεσιών στην λογική των “Analytics as a Service” (AaaS), που προσομοιάζει στην λογική των πάσης φύσεως IaaS, PaaS, SaaS κ.ο.κ. Συνδετικό στοιχείο τους; Η χρήση ως υπηρεσία. Πόσο μάλλον, από τα στιγμή κατά την οποία ολοένα και περισσότερες υπηρεσίες πωλούνται κατ’ αυτό τον τρόπο. Δείτε για παράδειγμα τα ηλεκτρονικά αρχεία υγείας ή τις λύσεις “έξυπνης” παρακολούθησης. Κάθε πάροχος υπηρεσιών βρίσκεται σε πλεονεκτική θέση σε ότι αφορά την IoT πραγματικότητα, καθώς διαθέτει την απαιτούμενη τεχνολογία, την πρόσβαση στα δεδομένα, το λογισμικό και το εν γένει ΙΤ hardware, αλλά και την αναγκαία εμπειρία και το γνωστικό αντικείμενο για την παροχή εξειδικευμένων όσο και καινοτόμων λύσεων. Επιπροσθέτως, οι πάροχοι υπηρεσιών εξυπηρέτησης πελατών διαθέτουν την απαιτούμενη προοπτική ανάπτυξης και περαιτέρω επέκτασης, καθώς επίσης και σε ορισμένες περιπτώσεις είναι ιδανικά προσδιορισμένο ώστε να συνεργαστεί αρμονικά με καθετοποιημένες επιχειρήσεις και οργανισμούς που με την σειρά τους διακρίνονται από έλλειψη αντίστοιχων χαρακτηριστικών.

Ένα άλλο χαρακτηριστικό παράδειγμα περιλαμβάνει έναν πάροχο τηλεπικοινωνιακών υπηρεσιών που με την σειρά του διαθέτει πρόσβαση σε δεδομένα που σχετίζονται με την συνδεσιμότητα και τις εφαρμογές και με την σειρά της δύναται να παρέχει Analytics as a Service σε μια εταιρεία διαχείρισης και λειτουργίας “έξυπνων” ταξί. Απλά, αναλογιστείτε μια τέτοια εταιρεία η οποία θα επιθυμούσε να αναλύσει τα:

  • Τωρινά και τα προηγούμενα (αρχείου) δεδομένα σχετικά με το πότε ακριβώς τα ταξί συνήθως ξεκινούν τις διαδρομές τους, καθώς επίσης τις πλέον πιθανές διαδρομές τους, με βάση την διανυόμενη απόσταση λ.χ. μακριά, σύντομη ή κοντινή. Εν συνεχεία, αυτές οι πληροφορίες μεταφέρονται στα οχήματα (και τους οδηγούς τους), προκειμένου να βρίσκονται στην κατάλληλη τοποθεσία ώστε να περιοριστούν στο μέγιστο βαθμό τα κόστη που προκύπτουν με βάση την μη-χρήση τους.
  • Δεδομένα που αφορούν την λειτουργία του οχήματος, την χιλιομετρική απόσταση της διαδρομής, την ακολουθούμενη ταχύτητα και τις τυχόν επιταχύνσεις, επιτρέποντας στην εταιρεία διαχείρισης του στόλου των ταξί να προβλέψει και προκρίνει πότε ένα συγκεκριμένο αυτοκίνητο θα πρέπει να σταλεί για εργασίες συντήρησης και εν γένει σέρβις, αποτρέποντας κατ’ αυτό τον τρόπο την εμφάνιση μηχανικών προβλημάτων, επιτυγχάνοντας πρόσθετη εξοικονόμηση κόστους.
  • Στοιχεία και δεδομένα αναφορικά με την οδηγική συμπεριφορά του ταξιτζή και τις διαδρομές που επέλεξε να ακολουθήσει, με αποτέλεσμα να υπολογίζονται τα απαιτούμενα έξοδα, καθώς επίσης και να προσδιοριστούν οι απαιτήσεις σε επίπεδο ασφαλιστικής κάλυψης των ίδιων των οχημάτων. Μάλιστα, τα εν λόγω δεδομένα δύναται να… γεννήσουν πρόσθετο όγκο εργασιών για τις επιχειρήσεις παροχής “έξυπνων” ασφαλειών.
  • Δεδομένα που αφορούν την τοποθεσία, έτσι ώστε οι επιχειρήσεις να λαμβάνουν άμεση γνώση στην περίπτωση κατά την οποία ένα όχημά τους αναγκαστεί να κινηθεί εκτός των ορίων της πόλης ή ακόμη και της χώρας είτε εάν βρίσκεται εντός του χώρου που συνήθως βρίσκεται και κινείται. Σε αυτές τις περιπτώσεις οι διαδικασίες πρόσθετου ελέγχου και παρακολούθησης, μπορούν να συμβάλλουν στη διατήρηση της ασφάλειας του οδηγού ταξί.

Δεδομένα ίσον ευρώ!
Εξυπακούεται πως οι περιπτώσεις της μετατροπής και εν συνεχεία της αξιοποίησης των ακατέργαστων δεδομένων συνεπάγονται και “μεταφράζονται” σε αξία και κέρδη. Άμεσα χρηματικά, αλλά και επιχειρηματικά. Μάλιστα, οι σχετικές περιπτώσεις μπορούν να διαχωριστούν σε ομάδες με βάση τα επιχειρηματικά προβλήματα που καλούνται να επιλύσουν. Υπό αυτό το πρίσμα, υπάρχει η διαδικασία της ανάλυσης των δεδομένων με απώτερο σκοπό την βελτίωση της λειτουργικής αποτελεσματικότητας, η οποία και συμπεριλαμβάνει την παρακολούθηση της ποιότητας των παρεχόμενων υπηρεσιών (Quality of Service – QoS), της λειτουργικής χρήσης, καθώς επίσης και τα analytics που σχετίζονται με την εν γένει απόδοση. Για παράδειγμα, η παρακολούθηση ποιοτικών δεδομένων κρίνεται ως αρκούντως σημαντική σε μια σειρά από τομείς, όπως π.χ. την υγεία, όπου η εμφάνιση μιας βλάβης σε μια ιατρική συσκευή ενδέχεται να θέσει σε κίνδυνο την ίδια την ζωή του ασθενούς. Εξίσου σημαντική είναι η χρήση των analytics επί της απόδοσης στον κατασκευαστικό κλάδο, καθώς μπορεί να βοηθήσει σημαντικά στην επίλυση προβλημάτων που σχετίζεται με την ευφυή λειτουργία και αποτελεσματικότητα.

Μια άλλη κατηγορία δομείται με βάση τις λειτουργίες που εστιάζονται στην εξυπηρέτηση των εν γένει αναγκών των πελατών, όπως λ.χ. την διαδικασία του product man¬agement ή της δημιουργίας προσφορών marketing. Αυτού του είδους τα δεδομένα συναντώνται σε -σχεδόν- κάθε καθετοποιημένη αγορά, όπου κάθε οργανισμός ή επιχείρηση επιθυμεί να αξιοποιήσει το marketing προκειμένου να απευθυνθεί με τον πρέποντα (όσο και πλέον αποτελεσματικό) τρόπο προς τους πελάτες της. Υφιστάμενους, αλλά και δυνητικούς…

Όσο για την επόμενη κατηγορία, είναι αρκούντως ενδιαφέρουσα καθώς περιλαμβάνει νέα επιχειρηματικά μοντέλα, τα οποία μπορεί από μόνα τους να μην προσδιορίζονται με ακρίβεια ή να θεωρούνται ως ξεκάθαρες επιχειρηματικές περιπτώσεις, ωστόσο διακρίνονται από την διασυνδεσιμότητά τους με πολλαπλές αγορές, με ουκ ολίγους καθετοποιημένους τομείς και με συγκεκριμένες διαδικασίες που δεν έχουν ακόμη ανακαλυφθεί ή είναι άγνωστοι και στους οποίους το ΙοΤ ενδέχεται να είναι σε θέση να αναπτυχθεί περαιτέρω.

Ένα παράδειγμα χρήσης σε αυτήν την ομάδα μπορεί να είναι ο έλεγχος της κίνησης των συσκευών, διαδικασία στην οποία ένας πάροχος υπηρεσιών μπορεί να δημιουργήσει έσοδα από την αξιοποίηση των δεδομένων με την διάθεση εξειδικευμένων υπηρεσιών προστιθέμενης αξίας προς εταιρείες που δραστηριοποιούνται, λ.χ. στα logistics. Έτσι, λοιπόν, τα κεντρικά γραφεία μιας τέτοιας εταιρείας θα μπορούσε να ωφεληθεί τα μέγιστα όταν ενημερώνεται εγκαίρως σχετικά με το γεγονός ότι λ.χ. ένα φορτηγό επιστρέφει στην βάση του, καθώς θα μπορούσε να προετοιμαστεί η διαδικασία για την ταχύτερη εκφόρτωση και φόρτωση. Όπως λένε και στον κόσμο των επιχειρήσεων, ο χρόνος είναι χρήμα…

Πώς τα δεδομένα “γεννούν” κέρδη;
Αβίαστα, το ερώτημα που προκύπτει είναι με ποιο τρόπο οι επιχειρήσεις θα είναι σε θέση να ξεκινήσουν να αξιοποιούν σε απτό βαθμό τα ΙοΤ δεδομένα τους, προκειμένου να προσπορίζονται τα παραγόμενα κέρδη;

Αρχικά, χρήσιμο θα ήταν το εργαλείο actionable analytics μιας επιχείρησης σε πραγματικό χρόνο να μην περιορίζεται προς χρήση και αξιοποίηση από τους εσωτερικούς χρήστες, αλλά να… βάλετε στο παιχνίδι και τους συνεργάτες, τους μεταπωλητές, ακόμη και τους πελάτες σας! Μάλιστα, έχει αποδειχτεί σε πολλαπλές περιπτώσεις πως η επίδειξη εξωστρέφειας αυξάνει δραστικά τις ευκαιρίες για την ωφέλεια πρόσθετων εσόδων. Την ίδια στιγμή, ένα τέτοιο εργαλείο θα πρέπει να παράσχει ειδοποιήσεις και ενημερώσεις για τυχόν ύπαρξη αστοχιών, λαθών ή εν γένει ανωμαλιών στην εύρυθμη λειτουργία σε πραγματικό χρόνο.

Επιπροσθέτως, οφείλει να προβαίνει στην ανίχνευση περιστατικών ή φαινομένων απάτης, καθώς επίσης και να λαμβάνουν χώρα ενέργειες που σχετίζονται με το κύκλο ζωής των συσκευών, αλλά και την διαχείριση των ποσοστώσεων κ.ο.κ.

Μια από τις εργασίες που θα πρέπει να εκτελεί είναι και η συγκέντρωση δεδομένων από κάθε πτυχή και interface του οικοσυστήματος, με την ταυτόχρονη αποθήκευση των πληροφοριών που διακινούνται σε τεράστιους όγκους.

Δευτερευόντως, ο πάροχος υπηρεσιών οφείλει να αντιληφθεί και να προσδιορίσει με ποιο τρόπο ένα τέτοιο σύστημα analytics εξασφαλίζει επιχειρηματική αξία σε ένα συγκεκριμένο καθετοποιημένο τομέα, τμήμα, αγορά, περίπτωση χρήσης ή business απαίτηση. Έτσι, λοιπόν, για παράδειγμα, μια φαρμακευτική εταιρεία που μεταφέρει φάρμακα και εν γένει ιατροφαρμακευτικό εξοπλισμό, “ευαίσθητα” προϊόντα από την φύση τους, ενδέχεται να επιθυμεί να ελέγχει ανά τακτά χρονικά διαστήματα την θερμοκρασία των μεταφερόμενων προϊόντων, ενώ την ίδια στιγμή δεν δείχνει να ενδιαφέρεται ιδιαίτερα για ζητήματα όπως είναι λ.χ. η κατανάλωση των καυσίμων, η ταχύτητα των παραδόσεων κ.ά. Από την άλλη πλευρά, μια εταιρεία που δίνει βαρύτητα και υλοποιεί με συνέπεια και ζήλο την αναζήτηση, επεξεργασία και αξιοποίηση δεδομένων θα επωφελούνταν τα μέγιστα από τα δεδομένα που θα προέκυπταν στην περίπτωση της φαρμακευτικής εταιρείας, καθώς θα ενημερωνόταν για μια σειρά από σημαντικά στοιχεία, όπως λ.χ. τον χρόνο που απαιτήθηκε συνολικά για την παράδοση όλων των φαρμάκων, πόση εργασία σε επίπεδο αναζήτησης και ανάδειξης δεδομένων απαιτείται, τα δεδομένα που σχετίζονται με την τοποθεσία κ.ο.κ. Αυτά, σε αντίθεση με πληροφορίες που σχετίζονται με τα δεδομένα και την χρήση SMS, οι οποίες δύσκολα μπορούν να φανούν χρηστικές. Κατ’ αυτό τον τρόπο, ένας ολόκληρος καθετοποιημένος τομέας μπορεί να κερδίσει πολλά από μια απλοϊκή όσο και αποτελεσματική λύση.

Ένα ακόμη σημείο που αφορά τους παρόχους υπηρεσιών, είναι η αναγκαιότητα να είναι ανοικτοί σε ότι έχει να κάνει με ζητήματα που άπτονται της αρχιτεκτονικής και της λειτουργικότητας, έτσι ώστε τα APIs να μπορούν να αποκτούν πρόσβαση σε δεδομένα, οι ροές εξωτερικών δεδομένων να δύναται να εισαχθούν, συγκριθούν και εν τέλει συναρμολογηθούν ώστε τα δεδομένα που απορρέουν να είναι έτοιμα προς εξωτερική χρήση!

Εν κατακλείδι, η πραγματική αξία μπορεί να αναδειχθεί κυρίως από την εφαρμογή του μοντέλου που προσδιορίζεται ως Analytics as a Service (AaaS). Μάλιστα, αυτό που χρειάζεται σε πρώτο βαθμό μια καθετοποιημένη εταιρεία ή οργανισμός είναι ο συνεργαζόμενος πάροχος υπηρεσιών να τους στηρίζει εμπράκτως ώστε να κατανοούν την αξία και τον πλούτο των δεδομένων που παράγουν, να δημιουργούν καλύτερα, αποδοτικότερα όσο και πιο ποιοτικά προϊόντα, να επιλύουν προβλήματα, αστοχίες και επιχειρηματικά ζητήματα, καθώς επίσης και εν γένει ζητήματα λειτουργικής υφής, αναπτυσσόμενοι και ανταγωνιζόμενοι με επιτυχία σε έναν πολυεπίπεδο όσο και τεχνολογικά προηγμένο ΙοΤ κόσμο.