Il est temps de se poser la question : les entreprises pourront-elles longtemps supporter la charge de la production et de la collecte des données de l’IoT ?
Sans aucun doute l’IoT, l’Internet des Objets, est porteur de valeur. Mais que constate-t-on sur le terrain ? La multiplication des capteurs et des objets connectés entraine, par un phénomène purement mécanique, la multiplication à un rythme exponentiel des données créées, collectées et en circulation.
Mais à gratter un peu dans les pratiques des entreprises qui ont adopté l’IoT, un constat s’impose, ces données existent majoritairement pour rien… Soit elles ne servent à rien, soit trop de données sont produites, soit l’entreprise ne dispose pas des outils pour les analyser !
Ce n’est pas le potentiel de l’IoT qui est à remettre en cause, mais la production de données dans un cadre opérationnel. Un gouffre se creuse entre les données et l’analyse, entre les ‘insight’ et l’action, entre l’accumulation de données et leur usage stratégique dans le prise de décision.
La latence de décision
C’est là probablement que repose la principale interrogation sur l’efficacité de l’IoT : la latence de décision, autrement dit le temps nécessaire pour traiter les données et prendre des mesures. La latence de décision – qui se mesure en seconde (ou moins), minute, jour, semaine, etc. - est essentielle car c’est elle qui détermine l’utilisation opérationnelle de l’IoT et va définir l’emplacement optimal et le rythme de collecte de l’information des capteurs.
Trois niveaux d’IoT peuvent être définis :
- Edge analytics : l’analyse en temps réel des équipements, de leur performance, des anomalies, et l’optimisation des performances. Exécution et prise de décision reposent sur un modèle réactif de proximité.
- Core analytics : les capteurs sont distribués, mais l’analyse est centralisée, et la prise de décision et l’optimisation des performances sont localisées.
- Cloud analytics : l’analyse cloud repose sur des modèles d’analyse prédictive et prescriptive dont les processus intègrent des sources de données externes et s’exécutent dans le cloud.
Le schéma ci-dessus montre l'exemple de cas d'utilisation (et les sources de données typiques) à chacun des niveaux d'analyse mis en correspondance avec le temps d'attente des décisions nécessaires pour soutenir ces cas d'utilisation. La combinaison de cas d’utilisation doit permettre de déterminer la latence des sources de données et de définir de quelles sources vous aurez besoin.
La feuille de route de la monétisation
A partir de ces éléments, le couplage des sources de données IoT et des analyses avancées doit permettre de créer une feuille de route de la monétisation des données IoT sur le modèle de maturité du Big Data Business Model Maturity Index.
La création d’une feuille de route de la monétisation de l’IoT devrait être une priorité à tout projet d’Internet des Objets. Car il ne peut y avoir de valeur dans la production et la collecte de données sans disposer d’un plan pour monétiser les données…
Si cette question est prise en charge, et mieux si elle est réglée, l’IoT pourrait atteindre le potentiel d’impact économique que certains lui prédisent, comme Wikibon qui l’estime entre 4 et 11 trillions (!) de dollars en 2025 :
Source : Wikibon et Bill Schmarzo, CTO de Dell Services EMC
Image d’entête 629407442 @ iStock Shai-Halud
