IoT 분석은 디지털 전환의 중요한 축입니다.  

연결된 머신 데이터의 속도와 세분성은 인텔리전트 자동화의 기초는 물론, 프로세스를 혁신하고, 

운영 의사 결정을 개선하고, 보다 심층적인 통찰력을 얻을 수 있는 전례 없는 기회를 기업에 제공합니다. 

분석 기법 및 알고리즘이 확산됨에 따라 다음과 같은 산업 IoT 프로젝트에 필요한 통찰력을 기반으로 

다양한 유형의 분석을 몇 가지 기본 범주로 구성하는 것이 유용할 수 있습니다. 

- 현재 상황 파악을 위한 기술 분석 

- 현재 상황이 왜 발생하는지 이해하기 위한 진단 분석

- 부정적인 사건이 발생하기 전에 이를 파악하기 위한 예측 분석 및 예측 분석 

- 주어진 이벤트 또는 조건을 기반으로 한 차선책을 제안하는 처방적 분석 

이전 유형의 분석은 종종 분석 성숙도 모델로 간주되는데, 

이 모델은 더 복잡한 모델의 다음 단계로 진행함으로써 더 큰 가치를 창출할 수 있습니다. 

이 업계 표준 성숙도 모델 뷰의 광범위한 전제에 진실의 핵심은 분명하지만, 

디지털 변환에 대한 잘못된 접근으로 이어질 수 있습니다. 

이제는 분석 성숙도 모델을 떠나보내고 대신 새로운 패러다임을 채택해야 할 때입니다. 

만기곡선의 오류

당연히 많은 사람들은 대부분의 중대한 결정에 '최고급' 분석이 필요하다고 생각합니다. 

경험상 이 본능이 항상 사실이 아니기에 반드시 검토되어야 합니다. 

각 분석 유형은 서로 다른 용도로 사용되며, 각 유형은 가치가 있을 수 있습니다. 

분석은 목적을 위한 수단일 뿐입니다. 예를 들어 "예측"은 사용 사례가 아니라 공정 능력입니다. 

그 단계로 진행하기 위한 지나친 정도가 잘못된 것일 수 있습니다.

비즈니스 목표에 따라 필요한 통찰력이 결정되어야 하며, 

사용 가능한 연결 데이터 및 기록 데이터의 제약 조건이 충족되면 분석 유형을 결정해야 합니다. 

Crawl-walk-run은 여전히 현명한 조언이지만, 기존의 분석 성숙도 곡선과는

거의 공통점이 없는 다양한 채택 패턴으로 나타날 수 있습니다. 

다양한 유형의 분석을 살펴볼 때 중요한 것은 분석 기술의 정교함이 아니라 데이터로부터 필요한 것입니다. 

어떤 유형의 분석을 개발할 것인지 결정할 때 고려해야 할 첫 번째 사항은,

개선하고자 하는 구체적인 의사 결정 지점입니다. 

인간이나 시스템 중 어느 쪽이 결정하는 것이 더 적절할까요?

중요한 요인은 시간, 상황 및 책임/감사 가능성입니다. 

인간은 생각할 시간이 필요하고 한 번에 고려할 수 있는 수가 제한적이지만 

알고리즘은 그 반대입니다.

즉, 번개가 빠르고 매우 미묘하거나 복잡한 패턴으로 

엄청난 양의 데이터 포인트를 처리할 수 있지만 문맥을 파악할 능력은 없습니다.  

인간도 책임감을 이해해야합니다.

비즈니스에 중요한 의사 결정에는 종종 인간의 통찰력과 책임감이 필요합니다.

알고리즘이 제공하는 데 도움이 될 수 있는 경우, 판단 요청을 가장 잘 알리기 위해 

인간 의사결정자에게 모든 상황 정보를 제시할 필요가 있을 수 있습니다. 

복잡하거나 미묘한 패턴에 따라 다양한 워크플로우를 트리거하는

대량 반복 가능한 결정은 예측 및 규범 알고리즘에 이상적입니다. 

- 기술 및 진단 분석은 모두 정보 수집에 초점을 맞추고 알고리즘을 사용하여 

인간의 의사 결정자가 해석할 수 있는 통찰력을 제공할 수 있습니다. 

- 영향력이 크고 본질적으로 체계적/전략적인 비즈니스 결정은 인간 해석의 상황 인식과 책임에 더 적합합니다. 

- 예측 및 규범 알고리즘이 복잡하고 미묘한 패턴을 기반으로 서로 다른 

워크플로우를 트리거하는 대량, 시간 민감 및 반복 가능한 결정에 더 적합하다는 자동 분석 

- 성공에 대한 명확하고 측정 가능한 정의가 있는 프로세스는 예측 및 규범 알고리즘의 자체 수정 특성을 활용할 수 있습니다. 

이러한 패러다임을 염두에 두고 각 IoT 분석 유형에 대해 자세히 살펴보겠습니다.

4가지 분석 유형 탐색

기술 분석

기술 분석은 과거에 일어났던 일 또는 현재 일어난 일을 설명합니다. 

대부분의 비즈니스 인텔리전스 분석은 이 범주에 속합니다. 

운영에서 측정 및 모니터링에 중요한 것은 바로,

개수, KPI, 벤치마크, 추세, 그리고 쿼리는 모두 사용자 또는 의사결정자에게 과거 데이터를 제공하는 기술 분석입니다.

이러한 디지털 개체에 대한 정의는 기본 운영 및 관리 결정을 지원하기 위해 생성됩니다.

기술 분석에는 통계적 프로세스 제어도 포함됩니다.

값에 시간 단위를 추가하면 단일 측정에서 얻을 수 있는 광범위한 추가 통찰력을 얻을 수 있습니다. 

매초마다 데이터를 롤링하고 플롯을 표시하면 롤링 평균,

시간에 따른 편차 등을 도출하여 '정상'의 기준을 설정하고

경고를 받고자 하는 신속하고 예기치 않은 변화를 모니터링할 수 있습니다.

로테이션 근무 또는 생산 실행과 같은 관련 시간에 대한 통계도 요약할 수 있습니다.

기술 분석은 과거 데이터 자산을 구축하면서 단기적으로 의사 결정자에게 통찰력을 제공할 수 있는 기본 요소입니다.

진단 분석

진단 분석은 특정 관심 영역에 대한 심층적인 분석입니다. 

기본적인 성능 지표 및 프로세스 분산을 추적하기 위한 다양한 조치와 달리 

사건의 숨겨진 패턴이나 근본 원인을 밝혀내려고 합니다. 

어떤 요인과 사건이 관심의 결과에 기여했는지 판단하여 

'어떤' 일이 일어났는지가 아닌 '왜' 일어났는지를 확인하는 데 사용됩니다. 

진단 분석에서는 변수 간의 상관 관계를 사용하여 

예를 들어 기술 분석으로는 현장에서 특정 시스템의 평균 다운타임이 

이번 달 평균보다 높은 이유를 파악할 수 없는, 보다 심층적인 통찰력을 제공합니다.

어떤 면에서 진단 분석은 분석가들이 패턴을 찾는 데이터 세트를 

쿼리, 드릴다운 및 "슬라이스 앤 주사위"하는 데이터 검색 작업을 수행할 때 

종종 수동으로 수행하려고 하는 작업을 자동화합니다.

이 접근 방식을 사용하려면 대량의 과거 데이터를 분석해야 합니다. 

이 작업은 시간이 많이 걸릴 수 있으며 프로세스 매개 변수, 

정책 또는 모범 사례를 개선하기 위한 조사, 문제 해결 및 기회를 식별하는 데 적합합니다.

제조 과정에서 진단 분석을 사용하여 다운타임을 처리하고, 

자산 유지보수를 지원하고, 생산 주기의 효율성을 보장하며, 

재고 부족과 출하 지연을 방지할 수 있습니다. 

진단 분석은 지속적인 개선과 린 제조의 핵심입니다. 

진단 분석은 자체적으로 많은 가치를 제공하지만, 

예측 및 규범적 분석을 위한 기반 역할도 합니다.

예측 분석

예측 분석은 머신 러닝을 사용하여 과거 데이터와 

현재 데이터를 분석하여 향후 사건에 대한 평가를 제공합니다. 

이미 많은 조직에서 처리해야 할 데이터가 많기 때문에 

예측 분석부터 바로 시작할 수 있는 경우가 있습니다.

조직에는 IoT 센서의 데이터가 많이 있습니다. 

대부분의 경우 통찰력을 얻기 위해 IoT 센서를 어떻게 활용하느냐가 가장 큰 과제입니다. 

문제는 실시간 운영 데이터를 기록 데이터와 연결하는 것입니다. 

많은 조직이 기계와 운영을 감지하고 있으며, 

경보를 트리거할 수 있는 간단한 규칙을 작성하기도 하지만, 

이러한 데이터를 일반적으로 레거시 시스템에 있는 관심 결과와 연결하려는 어려움이 많습니다.

일반적으로 예측 분석은 프로세스를 개선하기 위해 다른 방법을 이미 소진하고 

수익 감소의 벽에 부딪힌 경우 프로세스를 더욱 개선하는 데 유용합니다.

예측은 만료일이 있는 확률적인 진술입니다. 실현되거나 실현되지 않습니다.

그리고 정확한 예측의 본질은 예측 자체가 자기 충족적 예언이 될 수도 있고 

자기 패배적 예언이 될 수도 있다는 것입니다. 

즉, 예측 자체가 우리가 행동하는 방식을 바꾸고 결과에 영향을 미칠 것이라는 뜻입니다. 

완벽한 예는 고장 예측입니다. 

예측 경보가 화면을 가로질러 깜박이고 운영자가 피드를 느리게 하여 실패를 성공적으로 피한다면, 우리는 스스로 패배하는 예언을 합니다.

이러한 이유로 예측 모델은 최신 상태로 유지하기 위한 주의와 조정이 필요합니다.

환경의 다른 것들도 역시 변합니다. 시간이 지남에 따라 모든 모델을 새로 고쳐야 합니다.

고급 분석은 끝이 없는 지속적인 프로세스임을 이해하는 것이 중요합니다. 

도메인 전문가는 데이터 및 모델과 상호 작용하여 데이터를 신선하게 유지하고 

비즈니스 및 운영 목표에 맞춰 조정해야 합니다.

완전한 효과를 얻으려면 조직 변경 관리의 관점 변화가 있어야 합니다. 

인간과 기계 협업을 통해 계산 능력과 알고리즘을 통해 더욱 많은 통찰력을 얻고 근로자가 더 나은 결정을 내릴 수 있도록 합니다.

궁극적으로, 그 지능의 생성과 관리는 매우 인간적인 연습입니다. 

이러한 알고리즘이 관련성을 유지하고, 올바른 데이터를 통해 학습하고, 그에 따라 업데이트되도록 해야 합니다.

공장 및 산업 조직은 기존 워크플로우에 통합된 IoT 센서 데이터를 통해 큰 혜택을 누릴 수 있습니다. 

일반적으로, 다운타임은 공장에 막대한 비용이 듭니다. 

예를 들어 기계 고장으로 인해 작업자에게 위험할 수도 있습니다.

다행히 기계에 부착된 IoT 센서는 온도부터 진동까지 모든 것을 추적해, 데이터 분석 플랫폼으로 전달할 수 있습니다. 

예측 분석을 사용하여 이 데이터를 사용하여 특정 장비가 다음에 언제 유지보수가 필요한지 예측할 수 있으므로 

공장 관리자가 기기 고장 전에 대응하고 불필요한 다운타임을 방지할 수 있습니다. 

보다 정교한 설정에서 공장 제어 시스템은 데이터 분석 플랫폼의 정보를 사용하여 

고장 전에 기계를 종료하여 위험한 상황을 방지할 수 있습니다. 

예측 분석을 사용하여 리소스를 관리하고 인벤토리를 예측할 수 있으므로 

조직이 운영을 개선하고, 기능을 보다 효율적으로 수행할 수 있습니다.

규범적 분석

처방적 분석은 주어진 매개 변수 세트를 기반으로 서로 다른 선택 항목 중에서 

최적의 솔루션 또는 결과를 결정하는 데 초점을 맞춥니다. 

규범적 분석은 각 의사 결정 옵션에 미치는 영향을 강조할 수 있으므로, 

향후 리스크를 완화하는 방법 또는 미래의 기회를 평가하는 방법을 이해하는 데 사용될 수 있습니다. 

일단 적절히 설정되면, 처방적 분석을 사용하여 새로운 데이터를 지속적으로 자동 처리하고, 

수백만 개의 변수와 제약 조건을 분석하여 예측의 정확도를 높이고 더 나은 의사 결정 옵션을 제공할 수 있습니다.

규범적 분석은 과거 데이터 및 트랜잭션 데이터에서 실시간 데이터 피드 및 빅데이터에 이르기까지 

다양한 데이터 세트를 입력하는 프로세스 집약적인 작업입니다. 

컴퓨팅 속도의 발전과 게임 이론, 의사 결정 분석 방법 및 최적화를 기반으로 한 

데이터 세트에 적용되는 복잡한 수학적 알고리즘의 개발을 통해 가능해졌습니다.

규범적 분석은 특히 전략적 계획 및 운영 활동을 위한 산업 조직에 효과적입니다. 

하나 이상의 가능한 행동 방침에 대한 권고안을 제공하기 위한 미래 결정의 효과를 정량화함으로써, 

조직은 자신의 행동에 기초하여 다양한 가능한 결과를 평가할 수 있습니다.

예를 들어, 공장에서는 규범적 분석을 사용하여 관련 상황별 데이터를 사용하여 

후속 통찰력을 통해 조치를 취함으로써 불량 제품의 생산을 방지할 수 있습니다. 

산업 조직들은 이미 규범적 분석을 사용하여 공급망의 생산, 스케줄링 및 인벤토리를 최적화하고 있습니다.

비즈니스 통찰력 확보

앞에서 살펴본 바와 같이, 각 유형의 IoT 분석은 제조 산업에서 중요한 역할을 합니다. 

한 유형의 분석이 다음 유형의 분석으로 이어지는 기존의 성숙도 모델을 따라야 하는 대신 

특정 요구사항에 맞는 적절한 유형의 분석을 살펴볼 수 있습니다. 

궁극적으로 IoT 센서 데이터에서 무엇을 수집해야 하는지 결정하면

적용할 IoT 분석 유형을 결정하는 데 도움이 될 수 있습니다. 

비즈니스에서 중요한 의사 결정부토 지능형 자동화에 이르기까지 다양한 정보를 얻을 수 있습니다.