La dependencia de los profesionales de IoT respecto al software BI tradicional es “preocupante”

Muchos de los profesionales de internet de las cosas (IoT) dependen a día de hoy de software de Business Intelligence (BI) tradicional.

Así lo revela una encuesta de GlobalData, según la cual el 40 % de esos profesionales valora más las plataformas de BI que el resto de medios para el análisis de datos. Y eso que tales plataformas “ya han dado paso a numerosas maneras más pequeñas y más discretas de derivar el valor de los datos empresariales”, indica GlobalData. “Esta renuencia a seguir el mercado más amplio, más allá de las plataformas de BI, dentro de IoT es preocupante”.

Los responsables del informe advierten de que el software BI “es conservador y estático”. Obligaría a depender de ciertos mecanismos para la generación de informes que se basan en consultas laboriosas y acaban siendo costosos de mantener.

Precisamente el precio de implementación y mantenimiento se sitúa como “la principal razón por la que las implementaciones de IoT fallan o se abandonan antes del despliegue”, ahonda Brad Shimmin, director de Global IT Technology & Software en GlobalData. “Se hace evidente, por lo tanto, que los profesionales de IoT deben enfatizar los beneficios tácticos sobre los conocimientos analíticos estratégicos al menos al comienzo de un proyecto como medio de probar el ROI y asegurar futuras inversiones de la empresa”.

Para GlobalData, respecto la visión del Big Data, gana en importancia la inteligencia artificial, que aparte de informar tendría potencial para optimizar el propio negocio. Por un lado sería capaz de detectar anomalías y, por otra parte, de predecir resultados deseados. Pero GlobalData explica que hay que dejar de pensar en la centralización.

“La centralización es parte integrante del análisis y la presentación de informes tradicionales de BI y de ideas tradicionales”, indica. “Donde la IA es más adecuada, sin embargo, es en el edge. Los despliegues de IoT necesitan emplear herramientas como ML” o aprendizaje automático “no centralmente, sino en el extremo, cerca del propio dispositivo”. Y el análisis tendría que ser breve y para desafíos específicos.