L’index Cisco Visual Networking estime qu’en 2014, un module M2M génère en moyenne 0,5 gigabit de données par mois. Certaines machines en génèrent beaucoup plus. La question est : qu’en fait-on ? Comment peut-on les exploiter pour qu’elles ne restent pas un gisement d’octets inutiles mais contribuent activement à la croissance de votre entreprise ?
exploiter les données M2M
Les données M2M sont issues d’un vaste ensemble généré par des milliards d’appareils connectés utilisant des capteurs : données de diagnostic, de localisation ou de maintenance, données de consultation sur le web, informations relatives au niveau ou à l’état des stocks…
Une partie de ces données M2M est générée par des appareils grand public tels que les balances Fitbit ou Withings. D’importants volumes sont également issus de sources industrielles : équipements des usines connectées, serveurs, systèmes agricoles intelligents, réseaux et compteurs électriques, étiquettes RFID, équipements industriels... Elles peuvent provenir d’un distributeur automatique qui génère une demande de maintenance, de la circulation des bagages dans un aéroport ou encore d’un réseau électrique qui bascule vers d’autres sources d’énergie pour pallier les pics de demande.
Les données M2M contiennent des indications de localisation, de date, d’heure, et éventuellement de température. Elles peuvent être évolutives en fonction d’événements extérieurs (mouvements de population, variations de trafic, orage électrique…), bien que cette évolution nécessite la plupart du temps une analyse comparative pour être formalisée.
Ces données s’accumulent à un rythme rapide. Les capteurs à bord d’un Boeing 787 de Virgin Atlantic génèrent 0,5 To au cours d’un seul vol. Boeing stocke ces informations dans le cloud et développe en même temps, avec des fournisseurs de données, des outils qui vont permettre d’analyser ces données de façon pertinente.
David Bulman, directeur informatique de Virgin Atlantic, affirme que « la plongée dans le Big Data permet de commencer à distinguer des tendances et à prévoir des événements qui ne se sont pas encore passés : analyser le comportement d’un avion et intervenir avant l’apparition d’un problème par exemple, ou identifier un mode de pilotage qui sera plus économique en carburant ».
quelques exemples bien concrets :
UPS utilise les données générées par sa flotte de véhicules pour réaliser des gains de productivité : performance des moteurs, des conducteurs, des itinéraires, économies de carburant, données saisies par les conducteurs... Grâce à l’exploitation de ces données, l’expéditeur mondial :
- a économisé près de 150 millions de litres de carburant depuis 2001,
- a offert de nouveaux services à ses clients tels que MyChoice qui leur permet de définir l’heure et le lieu de livraison via leur smartphone.
La clé de l’exploitation des données M2M est de combiner des ensembles de données hétérogènes et volumineux. La police de Los Angeles a par exemple réutilisé un modèle mathématique initialement prévu pour prédire les répliques sismiques consécutives aux tremblements de terre, en l’alimentant avec 80 ans de données recueillies sur la délinquance. Elle a ainsi pu prédire les zones à risque potentielles en fonction de la localisation des délits les plus récents. Les patrouilles ont été renforcées sur la base de ces informations, pour une baisse des atteintes aux biens de 12 % et de 26 % pour les cambriolages.
Autre exemple de combinaison de données : le distributeur britannique Tesco croise 100 To de données M2M (ventes, programmes de fidélité) avec des sources tierces telles que les bulletins météo. Il peut ainsi planifier les stocks dans ses magasins et économiser 6 millions de £ sur les invendus.
Tout l’intérêt du M2M réside dans une meilleure compréhension par l’entreprise de l’environnement décisionnel, afin déclencher une opération au bon endroit au bon moment (actualiser les stocks ou suggérer une révision chez le garagiste, par exemple). La puissance du Big Data M2M se révèlera lorsque les entreprises pourront mieux exploiter ce type d’informations et identifier des modèles à partir de la masse apparemment informe des données négligées ou jugées peu pertinentes.
Stewart
crédit photo : Donnée - © Julien Eichinger
Journaliste depuis prés de 20 ans et diplomé en Sciences et Philosophie, j'ai créé en 2002, l'agence Futurity Media avec Anthony Plewes. L'objectif de notre agence est d'accompagner les entreprises à identifier des sujets émergents dans le domaine des nouvelles technologies.