راهنمای گام‌به‌گام برای موفقیت در فناوری‌های صنعتی اینترنت اشیا

در دنیای IIoT اغلب نظراتی مانند اینها را می‌شنویم: «بیایید دستگاه‌ها یا ابزارهایمان را به هم متصل کنیم و بعداً راهی پیدا کنیم تا ارزش‌آفرینی و کسب درآمد کنیم» یا «ما نیاز به اطلاعات بیشتر و بیشتری داریم تا بتوانیم مشکلات کسب‌وکار را حل کنیم»، اما آیا این رویکرد برای موفقیت اینترنت اشیا صنعتی کفایت می‌کند؟ آیا فرآیند اتصال محصولات و جمع‌آوری داده‌های عظیم ایده خوبی به حساب می‌آید؟ در فضای اینترنت اشیا صنعتی چالش‌های مختلفی پیش روی تیم اینترنت اشیا و تیم داده‌ها است. در این مقاله، به چند درس برای تیم‌های داده و اینترنت اشیا می‌پردازیم. نباید فراموش کنیم که داده‌ها و محصولات متصل دو روی یک سکه هستند.

درس اول: از مشکل شروع کنید و نه راه حل

بسیاری از شرکت‌ها بدون اینکه تجربه کافی در تجزیه و تحلیل مشتریان را داشته باشند، دست به توسعه مدل‌های کسب‌وکار و چالش‌های بالقوه‌، ابزارهای متصل، ماشین‌آلات و زیرساخت‌ها می‌زنند. دلیل اساسی این تصمیم‌گیری گاهی اوقات همان چیزی است که دغدغه رقابت مسببش می‌شود و گاهی نیز به این توجه می‌شود که چه چیزی در آن زمان «جالب» به نظر می‌رسد، به گونه‌ای که بتواند روابط عمومی خوبی ایجاد کند یا تبلیغات بزرگ داشته باشد. اما به نظر نمی‌رسد که این دلایل به اندازه کافی خوب باشند. اگر برایتان جای سؤال نیست که چرا این دلایل کافی نیستند یعنی این احتمال را بدهید که پول، زمان و تلاش‌هایتان به هدر روند بدون این که در کسب‌وکار و سود تأثیری داشته باشد.

• همین نکته برای تحلیلگران داده هم درست است، ممکن است تجزیه و تحلیل داده‌های عظیم صورت گیرد بدون دانستن چیزی که به دنبالش هستید. سؤال بزرگی که قرار است به آن پاسخ داده شود چیست؟ از مشکل آغاز کنید و نه از داده‌ها.

درس دوم: برای موفقیت اینترنت اشیا صنعتی اجرای پروژه‌ها را اولویت‌بندی کنید

در اینترنت اشیا و به ویژه در اینترنت اشیا صنعتی، همه ایده‌های خوبی دارند. این روزها تکنولوژی به اندازه‌ای پیشرفت کرده است که شرکت‌ها این فرصت را دارند تا ایده‌های خود را راحت‌تر عملی کنند. با این حال، با در نظر گرفتن سرعت تغییرات فناوری، مقررات، نیازهای تجاری و مشتریان، اولویت بندی کردن مهم‌ترین مسئله‌ای که قرار است حل شود اهمیت دارد. همچنین باید تصمیم بگیرید که لازم است کدام پروژه اینترنت اشیا را پیاده سازی کنید.برای مثال، انتخاب ارزان‌ترین، ساده‌ترین یا جالب‌ترین پروژه، اغلب بهترین ایده نیست. ابتدا معیارهای خود را تعریف (تاثیرات بلند مدت، صلاحیت‌ها، ادغام با راه‌حل‌های موجود) و سپس اولویت‌بندی کنید.

• این برای تحلیلگران داده هم صدق می‌کند. کدام سوال ارزش پاسخگویی در ابتدا دارد؟ زمان و انرژی را باید به کجا اختصاص داد؟

درس سوم: بزرگ فکر کنید، کوچک آغاز کنید، سریع یاد بگیرید

داشتن نسخه‌های مینیاتوری از ایده‌های بزرگ به ما کمک می‌کند تا سلامت بخش‌های مختلف آن ایده را بسنجیم و سپس به صورت مداوم مورد بازبینی قرار دهیم. اغلب دیده می‌شود که شرکت‌های بزرگ، افکار بلندی دارند اما سال‌ها طول می‌کشد تا آن را طراحی و اولین محصول خود را در سطح وسیع تولید کنند یا نقشه راهی برای اینترنت اشیا به کسب‌وکار خود اضافه نمایند.

این رویکرد می‌تواند خطرات متعددی داشته باشد، زیرا روند تغییر تکنولوژی و سلایق سریع‌تر از پیاده‌سازی ایده است و رقابت (به ویژه از سمت استارت‌آپ‌ها) با شدت بیشتری حرکت می‌کند. بنابراین وقوع اختلال از بسیاری از جهات محتمل است. علاوه بر این، اگر کوچک شروع نکنیم، نمی‌توانیم بازخورد ارزشمندی از بازار دریافت کنیم، محصولات خود را تنظیم کنیم و تصمیم بگیریم که در نهایت در چه مقیاسی تولید کنیم. تاکتیک «شروع کوچک» با کمک به برقراری ارتباط با ذی‌نفعان یا سهمداران و بالا نگهداشتن تعهد و تعلق آنها موفقیت اینترنت اشیا صنعتی را برای شما به ارمغان می‌آورد.

• تفسیر با تجزیه و تحلیل داده‌ها: در ابتدا، باید نمونه‌های داده‌ خود را به سرعت، بدون تأثیر بر کل مجموعه داده‌ها، آزمایش کنید. باید شکست بخورید تا سریع‌تر یاد بگیرد، دوباره امتحان کنید، از درس‌های قدیمی بهره بگیرید تا در نهایت بتوانید به سوالات خود پاسخ دهید.

درس چهارم: سیلوهای بخش‌های شرکت و داده‌ها را از بین ببرید

هنگامی که قصد شروع طراحی و سپس اجرای یک پروژه اینترنت اشیا را داریم و به موفقیت اینترنت اشیا صنعتی فکر می‌کنیم، تیم رهبری ارشد به همکاری، حمایت و مشارکت ذی‌نفعان مختلف از بخش‌های متفاوت نیاز دارد تا از تخصص‌های زمینه‌های مختلف بهره ببرد و تعهد تمام بخش‌ها تضمین گردد. در غیر این صورت، ممکن است شاهد نمونه‌ای از یک تیم واحد باشیم که خودش رهبر پروژه است و سایر بخش‌ها با این تصور که مسئولیتی در قبال پروژه ندارند مشارکتی نیز نداشته باشند. این نگرش می‌تواند برای هر پروژه اینترنت اشیا صنعتی، به ویژه در ابعاد بزرگ، فاجعه‌بار باشد. علاوه بر این، سعی کنید به طور منظم در همه مراحل مربوطه با به روز‌رسانی، کارگاه‌ها، تحویل‌های کوچک و موارد دیگر، مشارکت داشته باشید.

• نیاز به روشی مشابه در مورد داده‌ها داریم. هر بخش به طور ایده‌آل به داده‌ها در قالب یکسان احتیاج دارد و باید بتواند آنها را به راحتی و به صورت امن به تحلیلگران ارائه دهد. ادغام داده‌های بخش‌های مختلف، محصولات و خدمات می‌تواند دانشی را ایجاد کند که شرکت تاکنون هیچ ایده‌‌‌‌ای درمورد آن نداشته است. در برخی موارد، این امر می‌‌تواند خود به برگ برنده در رقابت با دیگران بدل گردد.

درس پنجم: اطلاعات را داستان‌وار توضیح دهید

جمع‌آوری داده‌ها از حسگرها و یا سیستم‌های داخلی و بعد تلفیق تمام این مجموعه‌ها به تنهایی کفایت نمی‌کند. داده‌ها باید تجزیه و تحلیل شوند و پس از آن به سادگی، در چارچوب مناسب و یک فرمت جذاب به مشتریان داخلی یا خارجی ارائه شوند. بهترین راه برای رسیدن به موفقیت اینترنت اشیا صنعتی به عنوان یک هدف مهم، استفاده از روش کارآمد داستان‌گویی همراه با گرافیک مناسب است. منظور ما داشبورد و قابلیت‌های پلت‌فرم تجزیه و تحلیل اینترنت اشیا صنعتی نیست بلکه تأکید بر اهمیت منابع انسانی (تحلیلگران، کاربران پلتفرم و غیره) در خواندن و توصیف نتایج داده‌های تجزیه و تحلیل شده مورد نظر است. با استفاده از روش داستان‌گویی، اکثر کارکنان، تصمیم گیرندگان و مشتریان قادر به درک و استفاده از نتایج خواهند بود.

• تفسیر با تجزیه و تحلیل داده‌ها: تیم داده بزرگ (یا تیم‌هایی با نام‌های مشابه) باید قادر به تبدیل داده‌ها به اطلاعات و سپس به دانش عملی برای بقیه کسب‌وکارها (یا مشتریان) باشند. دانش به دست آمده بیش از یک خلاصه صرف است، این الگوهای مخفی در داده‌ها هستند که به آسانی قابلیت مشاهده ندارند، اما یک تحلیلگر خوب داده می‌تواند آنها را پیدا کند و به طور مؤثر به صورت داستان‌وار و با گرافیک صحیح به نمایش درآورد.

درس ششم: توانمند‌سازی، آموزش و ارائه مسأله‌های هیجان‌انگیز به کارمندان برتر اینترنت اشیا صنعتی

اینترنت اشیا عرصه کاملاً بدیعی است، بنابراین احتمال دارد برای شرکت‌های صنعتی که استراتژی‌های اینترنت اشیا و داده‌های بزرگ را دنبال می‌کنند یافتن و استخدام استعدادهای مناسب که از درک جامع در مورد داده‌ها، سیستم‌های مخابرات، نرم‌افزار، تبلیغات، استراتژی و غیره برخوردار هستند دشوار باشد. به ویژه اگر رقابت برای جذب این استعدادها را با غول‌های فناوری مانند گوگل، آی‌بی‌ام، CISCO، Vodafone و غیره در نظر بگیریم. از این رو مهم است که یک شرکت به طور مداوم در آموزش به کارمندان خود، به ویژه در زمینه‌ داده‌ها، کسب و کار و فناوری سرمایه‌گذاری کند، به طوری که آنها بتوانند درک گسترده‌ای از برنامه‌های کاربردی اینترنت اشیا و پیاده‌سازی آنها داشته باشند. در غیر این صورت، نه تنها شرکت همچنان کارمندانی را استخدام می‌کند که از مهارت‌های مدرن بی‌بهره‌اند بلکه بهترین استعدادهای خود را نیز از دست می‌دهند. هر دو نتیجه برای یک شرکت کافی است تا آینده‌ای را با پتانسیل محدود برای موفقیت پیش‌بینی کند.

• تخصص تجزیه و تحلیل کردن داده‌ها تخصص گسترده‌ای نیست و انتظار می‌رود با گسترش اینترنت اشیا نادرتر نیز گردد. امروزه برای بسیاری از شرکت‌ها در بخش اینترنت اشیا صنعتی، موارد کلیدی استخدام مربوط به متخصصین داده یا معمار اطلاعات می‌شود ، اما در بیشتر موارد این چالش برانگیزترین بخش کار ظاهر می‌شود. بنابراین، توانمندسازی‌، آموزش و مشارکت با مسائل هیجان‌انگیز اما دشوار می‌تواند کارگشای موفقیت اینترنت اشیا صنعتی باشد.

درس هفتم: به طور مداوم تمام درس‌های بالا را اعمال کنید

از آنجا که پروژه‌های اینترنت اشیا صنعتی طولانی هستند و به تدریج تکامل می‌یابند درس‌های فوق باید برای طولانی مدت در نظر گرفته شوند،. اگر در ابتدا این تاکتیک‌ها را اعمال کنیم اما بعد از شش یا هجده ماه این درس‌ها را فراموش کنیم، ریسک زیادی وجود دارد که اشتباهات بزرگی مرتکب شویم یا فرصت های خوبی را در دنیای جذاب و مهم اینترنت اشیا از دست دهیم.