Het Internet of Things (IoT) maakt eindeloos veel informatie beschikbaar die voorheen niet voorhanden was. Met IoT leggen we immers continue gegevens van diverse sensoren vast. De echte waarde van het IoT zit in de inzichten die analyse van die data oplevert: ontdekte patronen, afgeleide betekenis, indicatoren voor beslissingen en het vermogen om met grotere intelligentie te reageren.
Hoe sneller je gegevens van het IoT analyseert, hoe sneller de resultaten en hoe groter de voorspellende waarde van data. De combinatie van IoT-oplossingen met Artificial Intelligence (AI) maakt realtime reacties mogelijk, bijvoorbeeld via een videocamera die kentekenplaten leest of gezichten analyseert. Daarnaast zorgt AI echter ook voor verwerking van gegevens naderhand, zoals het zoeken naar patronen in gegevens en het uitvoeren van voorspellende analyses (ook wel predictive analytics).
Een van de meest bekende voorbeelden van deze voorspellende analyses met AI is voorspellend onderhoud. Productielijnen moeten optimaal beschikbaar blijven, tegen de laagste kosten. Dit betekent dat stilstand voorkomen moet worden. Meestal zet men in op periodiek onderhoud, maar onderhoud is op dat moment wellicht helemaal niet nodig, waardoor er teveel onderhoudskosten worden gemaakt.
Wanneer we stilstanden beter kunnen voorspellen, dan kunnen we onderhoud plegen op het juiste moment. Dus net voor het moment dat er een stilstand ontstaat. Doordat we middels het IoT continue meetwaarden van diverse sensoren vastleggen en deze met AI analyseren, kunnen we trends herkennen, zoals een oplopende temperatuur. Deze trends kunnen we in dit geval omzetten naar voorspellend onderhoud.
ProRail (via MT) doet er bijvoorbeeld alles aan om storingen en vertragingen zoveel mogelijk te voorkomen. Data-analyse wordt daarbij steeds belangrijker. Op basis van historische data en actuele gegevens uit IoT-sensoren kan ProRail middels predictive analytics voorspellen waar storingen en slijtage op zullen treden. Daardoor wordt onderhoud steeds meer preventief in plaats van reactief.
In een artikel van Computable lezen we echter dat ondanks de grote potentie van voorspellende analyses de praktijk toch weerbarstig blijkt, mede door factoren die toch niet voorzien konden worden. En daar komt voorschrijvend analyse (ook wel prescriptive analytics) om de hoek kijken!
Er zijn verschillende analyses denkbaar, waaronder descriptive analytics: beschrijvende analyses waarbij je, door middel van data, nagaat wat er in het verleden is gebeurd. Je krijgt bij deze groep analyses antwoord op de vraag: “What happened?”. Nadat je weet wat er gebeurd is in het verleden is de volgende stap na te gaan waarom dit gebeurd is. Je krijgt met discovery analytics antwoord op de vraag: “Why did it happen?”. Nu je weet wat er gebeurd is in het verleden en wat dit veroorzaakt heeft, kun je je gaan richten op de volgende stap, namelijk het nagaan wat er in de toekomst gaat gebeuren. De vraag die je zodoende beantwoordt met predictive analytics is: “What will happen?” Op basis van de inzichten die je verkregen hebt door middel van discovery analytics kun je what-if scenario’s creëren voor de toekomst. Nog een stap verder dan het, met een bepaalde zekerheid, voorspellen wat er in de toekomst gaat gebeuren, is het bepalen wat je concreet moet gaan doen. Door middel van prescriptive analytics kun je de volgende vraag beantwoorden: “How can we make it happen?” Deze analyses gaan dus verder dan alleen voorspellen; het gaat (ook) om het voorschrijven van acties.
We vatten bovenstaande samen in onderstaande infographic.
Tekst gaat verder onder de afbeelding.
Van ‘beschrijvend’ naar ‘verklarend’ naar ‘voorspellend’ naar ‘voorschrijvend’. Voorgeschreven analyse gebruikt data om een actie of strategie voor te stellen. Middels voorschrijvende analyses kunnen we de waarschijnlijkheid van verschillende uitkomsten simuleren en de waarschijnlijkheid van elk resultaat laten zien, zodat organisaties het risico en de onzekerheid waarmee ze worden geconfronteerd beter kunnen begrijpen. Aangezien een voorgeschreven model in staat is om de mogelijke gevolgen op basis van een andere actie te voorspellen, kan het ook de beste manier van handelen aanbevelen voor een vooraf gespecificeerde uitkomst.
De zelfrijdende auto is een voorbeeld (via Online Masters) van voorgeschreven analyses. De auto maakt miljoenen berekeningen tijdens elke rit die de auto helpen beslissen wanneer en waar hij moet afslaan, of hij wil vertragen of versnellen en wanneer hij van rijstrook wil veranderen – dezelfde beslissingen die een menselijke bestuurder achter het stuur neemt. Of neem de energiesector. Nutsbedrijven gebruiken prescriptive analytics om factoren te identificeren die de prijs van olie en gas beïnvloeden om risico’s af te dekken.
Voorspellende en prescriptieve analyses zijn dus van elkaar afhankelijke disciplines die (business) intelligence naar ongekende niveaus kunnen brengen. Met de inzet van beide vormen van analyses krijgen we namelijk zowel inzicht als een vooruitziende blik.
Meer lezen over dit onderwerp?
Misschien vind je deze artikelen ook interessant:
14 praktijkvoorbeelden van IoT-implementaties
Wat is het Industrial Internet of Things (IIoT) en hoe is het onstaan?
Big Data-analyse met Artificial Intelligence (AI)