Datos optimizados de IoT para empoderar a los ingenieros

El uso inteligente de la gran cantidad de datos que producen los sistemas de tecnología operativa (OT) es fundamental para los esfuerzos de las organizaciones industriales por mejorar la excelencia operativa. Los datos de OT son la materia prima que permite a las organizaciones desarrollar operaciones más eficientes y resilientes y mejorar la productividad de los empleados y la satisfacción del cliente.

Sin embargo, las organizaciones industriales tienen dificultades para generar valor a partir de sus operaciones cada vez más conectadas: una investigación de IDC muestra que solo una de cada cuatro organizaciones analiza y extrae valor de los datos en un grado significativo.

¿Qué son las operaciones de datos industriales modernas?

IDC define DataOps como una metodología para industrializar la gestión de datos y la cadena de valor de la analítica de datos. Aplica la automatización, los métodos ágiles y las prácticas de DevOps al ciclo de vida de los datos, mejorando el tiempo de obtención de valor, la calidad, la previsibilidad y la escala de la analítica de datos.

Las plataformas DataOps industriales ayudan a los trabajadores de datos a implementar flujos de trabajo automatizados para extraer, ingerir e integrar datos de fuentes de datos industriales, incluidos equipos y tecnología de operaciones heredados. Ofrecen un banco de trabajo para la calidad, transformación y enriquecimiento de datos, además de herramientas inteligentes que aplican conocimientos de la industria, jerarquías e interdependencias para contextualizar y modelar datos. Estos datos contextualizados luego se ponen a disposición a través de servicios de aplicaciones específicos para que los humanos, las máquinas y los sistemas los aprovechen.

Qué tener en cuenta al adoptar DataOps industrial

Las organizaciones con uso intensivo de activos deberían recurrir a DataOps industriales para aprovechar todo el potencial de los datos de ET, OT y TI y transformar su modelo operativo tradicional. Al emprender este camino, las empresas deberían:

1. Piense en la IA como una herramienta fundamental tanto para la toma de decisiones basada en hechos como para la gestión eficiente de los datos que la respaldan. Evitar el manejo de datos "intermedio" por parte de los humanos es
2. crítico.
3. La "liberación de datos" es fundamental para maximizar el valor de DataOps. Maximizar sus capacidades de extracción de datos facilitará la incorporación de DataOps a su TI y OT existentes
4. arquitectura, lo que limita la necesidad de invertir en integración de sistemas adicionales y fuentes de datos OT.
5. Desarrollar un modelo de gobernanza de TI/OT con la gobernanza de datos como eje central. Esto determinará cómo se conectan e integran los nuevos datos en la arquitectura de datos general. También ayudará a brindar servicio a una población creciente de usuarios comerciales de datos y análisis.
6. Priorizar la organización de datos en lugar de la centralización. Comenzar a impulsar la conexión y el mapeo de todas las fuentes de datos relevantes con una lista clara de casos de uso objetivo en mente. Como parte del modelo de gobernanza, todas las nuevas fuentes de datos deben tener un plan de conexión, etiquetado, uso compartido e integración.
7. Tenga en cuenta que no todos los proveedores de plataformas DataOps tienen las mismas capacidades. La experiencia en el dominio y la trayectoria en la industria deben determinar los criterios de selección.

Descargue este informe técnico de Cognite y obtenga más información sobre cómo las empresas pueden usar los datos de manera más eficaz. Suscríbase a whitepapers.online para obtener recursos y documentos técnicos relacionados con TI, IA, big data y más.