L’analyse des big data qui sent comme quelque chose qui n’est pas encore familier dans le domaine de la technologie avancée, mais il commence progressivement à être utilisé. Ici, nous présenterons des exemples d’utilisation de l’analyse des big data et ses mérites, et nous présenterons des exemples d’IoT et de domaines industriels en particulier.
L’œil de l’utilisation du Big Data
L’objectif de l’analyse des big data est de trouver une certaine loi et une corrélation à partir de données apparemment désordonnées et non conformes. À partir de là, nous essayons d’augmenter les ventes et d’améliorer l’efficacité opérationnelle en tirant de nouvelles connaissances.
La prise de décision basée sur l’expérience humaine et l’intuition est très incertaine et frappe quand elle frappe, mais elle retombe souvent. En outre, il faut beaucoup de temps pour acquérir l’intuition nécessaire à la prise de décisions. En outre, comme les besoins des clients se diversifient et que le rythme de l’évolution du marché est de plus en plus rapide, il est très probable que l’expérience et l’intuition cultivées pendant de nombreuses années ne pourront pas être transmises dans un court laps de temps. Dans cette situation, il est nécessaire de fournir rapidement de nouvelles connaissances en analysant de grandes quantités de données sans intervention humaine.
En outre, l’analyse des big data est considérée comme utile pour saisir des lois et certaines tendances basées sur les préférences et les sensibilités humaines qui étaient auparavant difficiles à quantifier. Cela signifie que de nouvelles connaissances peuvent être découvertes à partir de données qui étaient auparavant exclues de la difficulté de répondre.
Exemples d’utilisation de l’analyse familière des big data
Examinons des cas concrets d’utilisation du big data.
Présentation des produits dans les distributeurs automatiques
Les affichages de produits sont souvent utilisés comme un bon exemple de création de lois à partir de l’analyse des big data. Chez un fabricant de boissons, nous avons modifié l’affichage des produits d’un distributeur automatique en “Z” qui disposait les produits les plus vendus par le haut, ce qui était courant jusque-là, afin que les produits sur lesquels nous nous concentrions soient placés en dessous. Il s’agit de l’intuition dérivée de l’installation d’une caméra oculométrique (eye tracking camera) qui lit la ligne de vue dans un distributeur automatique et de l’analyse des big data appelées “ligne de vue de l’acheteur”. En conséquence, l’entreprise a obtenu une augmentation des ventes de plusieurs pour cent.
De nombreux distributeurs automatiques présentent des échantillons de produits plus haut que les acheteurs. En effet, il est souvent fixé sur un piédestal en béton pour éviter les chutes lors des tremblements de terre. Certes, il semble naturel de dire qu’il est plus facile de voir dans cette position à une hauteur légèrement inférieure à celle de ses yeux. Cependant, les idées qui bouleversent la coutume déjà considérée comme du bon sens, comme l’affichage de la “forme en Z”, sont difficiles à concevoir pour les seuls humains.
comprendre les fluctuations de la demande et les utiliser pour les achats et le développement des produits
L’une des applications représentatives de l’analyse des big data est la prévision de la demande. Dans une chaîne de sushis sur tapis roulant, des étiquettes électroniques sont fixées sur les assiettes pour savoir quels plats ont été vendus et en quelle quantité. Lorsque le commis tient le lecteur au-dessus de l’assiette au moment de la comptabilisation, les données peuvent être acquises instantanément. Ces données représentent plusieurs centaines de millions d’unités par an. L’analyse de ce type de données nous permet de saisir les ventes et les fluctuations saisonnières de la demande, et de les utiliser pour ajuster le volume des achats et le développement des produits.
Analyser les tendances de la clientèle pour les décisions de gestion
Dans certains cas, il est utilisé pour l’analyse des ventes et la gestion des stocks dans les magasins de proximité. Un dépanneur a constaté que 60 % des ventes d’un produit particulier étaient soutenues par seulement 10 % des gros utilisateurs. C’est la connaissance obtenue en analysant les informations du big data sur le règlement de la monnaie électronique. Ce dépanneur continue de vendre certains produits parce qu’il a déterminé qu’ils avaient un grand amateur.
Une source importante de revenus pour les magasins de proximité est le “next to buy” acheté en même temps que le produit souhaité. Même s’il s’agit d’un produit qui, à première vue, semble devoir mettre fin aux ventes en raison de la croissance des ventes, vous pouvez trouver une nouvelle valeur en tant que produit important qui permet d’attirer les clients en sachant que vous avez des fans enthousiastes.
Les sens humains également décryptés sous forme de big data
Sur un site de vente de sous-vêtements, nous avons réussi à quantifier les variations de taille légèrement différentes des fabricants de sous-vêtements en analysant les sous-vêtements retournés et les informations sur les clients avec le big data. Cela a conduit à un système dans lequel, lorsqu’un acheteur saisit sa taille, seuls les produits du fabricant correspondant à cette taille sont affichés.
On peut dire que cela a permis d’analyser les données sur l’ajustement et le confort des sous-vêtements chez différentes personnes et de présenter les meilleurs produits à chaque client. Étant donné que l’ajustement et le confort des sous-vêtements relèvent des sens et de la sensibilité de l’homme, ils ont été considérés comme difficiles à quantifier en général, mais ces informations peuvent également être analysées en tant que big data en fonction de l’ingéniosité.
Exemples d’utilisation de l’analyse des big data dans les domaines industriels et de l’IdO.
Examinons des exemples d’utilisation dans les domaines de l’industrie et de l’IdO.
Saisir et prévoir les conditions routières en temps réel
Il existe un cas où les informations sur le trafic sont analysées en donnant la fonction de communication à la voiture. En recueillant des informations sur la conduite à l’aide d’une voiture dotée de fonctions de communication, une voiture dite connectée, et en les analysant avec le big data, il est possible d’obtenir des informations sur les embouteillages et les accidents. Ces données peuvent être utilisées pour éviter les embouteillages et prévenir les accidents.
En tant que mécanisme, il est déterminé qu’il n’y a pas d’embouteillage si la vitesse de rotation augmente ou est constante en détectant combien de tours le pneu a fait par seconde. En d’autres termes, la situation routière est évaluée à partir de la variation de la vitesse du véhicule. En outre, en installant un récepteur GPS dans la voiture, en détectant les informations de position et en effectuant une analyse des données massives en conjonction avec la variation de la vitesse du véhicule, il est possible de déterminer l’ampleur des embouteillages qui se produisent ou sont susceptibles de se produire dans une région donnée. Dans ce cas, comme les informations provenant de l’automobile changent d’un moment à l’autre en temps réel, un traitement en temps réel est nécessaire pour l’analyse des big data.
Une exploitation efficace du navire
De même, dans certains cas, l’exploitation des navires a été rationalisée grâce à l’analyse des big data obtenues par détection. Une compagnie de navigation marchande fixe des capteurs sur les navires pour recueillir le régime du moteur, la vitesse de marche et la vitesse du courant océanique. Nous avons réussi à analyser ces données en tant que big data et à créer un plan de vol optimal. Lorsque nous avons effectivement opéré en utilisant ce plan, nous avons obtenu une réduction de 10 % de la consommation de carburant. Du point de vue du grand public, il semble qu’une réduction de 10 % ne soit pas un gros problème, mais les compagnies de navigation marchande exploitent un grand nombre de navires, et il arrive souvent que le voyage soit long à la fois. On peut dire que 10 % de ces résultats sont l’effet de réductions de coûts importantes.
Contribution à l’optimisation de l’exploitation minière
Dans certains cas, elle contribue au fonctionnement efficace des engins de chantier tels que les voitures-pelles et les bulldozers. Les engins de chantier d’un fabricant d’équipements de construction disposent de capteurs compatibles avec l’IdO. En utilisant ce capteur pour surveiller les informations de localisation et l’état de fonctionnement et effectuer une analyse des big data en temps réel, il est possible d’améliorer l’efficacité du fonctionnement et de prévoir les défaillances. Cela est principalement utile lors de l’exploitation de mines à l’étranger. Les mines d’outre-mer ont souvent un champ d’exploitation très large, et il est nécessaire de choisir la distance la plus courte possible et de transporter des charges vides moins fréquemment. Par conséquent, l’optimisation de l’exploitation minière est réalisée en détectant le temps de démarrage du moteur, la distance parcourue, la direction du déplacement, etc. et en analysant ces données volumineuses.
L’analyse des big data sera davantage axée sur le temps réel
Ci-dessus, nous avons vu des exemples d’utilisation de l’analyse des big data. Comme vous pouvez le constater à partir de ces exemples, le besoin d’effectuer des analyses de big data en temps réel va augmenter de plus en plus. Edge computing est susceptible d’être très compatible en termes de vitesse, notamment pour les applications qui exigent de la rapidité dans le domaine de la production. Si vous envisagez l’analyse de big data dans ce domaine de la production, l’introduction de edge computing est également une option.