Big data, scienza dei dati e analisi sono solo termini che permettono di utilizzare le informazioni disponibili per ottenere insight e migliorare il business. I dati possono esistere in un semplice foglio di calcolo Excel o in un lago di dati da 100 tb come Savanna, l'obiettivo è sempre lo stesso: trovare un valore o essere in grado di raccontare una storia avvincente - utilizzando i dati. Pensate alla scienza dei dati come a un processo di utilizzo dei dati per capire cose diverse. Dovete iniziare con una certa quantità di dati su un argomento che vi interessa. Zebra, in genere, vuole sapere cose come il modo in cui vengono utilizzati i dispositivi negli ambienti di lavoro o come i dispositivi si comportano in tali ambienti. Ci sono alcuni passi da compiere:

• Definire il problema o la necessità
• Raccogliere i dati
• Analizzare e interpretare i dati
• Applicare o condividere ciò che si è imparato.

Definire il problema o la necessità:
Per prima cosa bisogna capire di quale necessità o domanda aziendale si sta cercando di risolvere. Si dice che un problema ben chiaro è risolto a metà.
Identifichiamo le aree problematiche e inquadriamo le domande giuste che hanno un impatto sul business dei clienti e dei partner. Valutiamo la fattibilità della soluzione di questi problemi e stabiliamo le priorità in base al valore che possiamo fornire ai nostri clienti e partner.

Raccolta dei dati:
Zebra lo fa ogni giorno in molti modi e da molte fonti diverse. Per i nostri Servizi di Visibilità Zebra, raccogliamo dati da diverse fonti per fornire un punto di vista aggregato semplificato. Attraverso un agente IoT incorporato possiamo raccogliere dati dai nostri computer mobili basati su sistemi operativi e dalle stampanti Link-OS®. Questi dati sono specifici per l'identificazione e le prestazioni del dispositivo.

Lo aumentiamo con i dati dei nostri sistemi interni utilizzati per gestire i contratti di servizio di assistenza dei clienti, i ticket di assistenza tecnica e gli ordini di riparazione. Questi dati sono tipicamente legati al supporto Zebra. Infine, possiamo raccogliere dati da applicazioni di Enterprise Mobility Management (EMM) come SOTI MobiControl, AirWatch, MobileIron o Avalanche. Avere un'applicazione EMM ci permette di raccogliere dati su più di un semplice hardware Zebra, poiché gli EMM sono dispositivi agnostici. Oltre all'identificazione e alle prestazioni del dispositivo, ora abbiamo la possibilità di ottenere dati sull'utilizzo, la connettività, la posizione e le condizioni del dispositivo. Tutti questi dati fluiscono da queste diverse fonti nel nostro database Savanna.

Savanna è il motore di intelligence dei dati che alimenta le soluzioni Zebra e i servizi digitali, trasformando grandi volumi di dati grezzi "edge" in intuizioni che guidano l'azione in tempo reale. I servizi di visibilità di Zebra sono alimentati dalla piattaforma Savanna.

In Zebra, vengono utilizzati questi moduli di dati per fornire ai nostri clienti e ai nostri partner informazioni aggregate e azionabili sulla distribuzione, le prestazioni e l'utilizzo di dispositivi edge intelligenti che guidano i loro processi aziendali critici. Ecco alcuni modi diversi in cui utilizziamo i dati per risolvere problemi o fornire soluzioni.

1. I dati del device che arrivano a Savanna dall'agente IoT di Zebra:

Questi sono i flussi di dati che entrano nel cloud quando l'agente dell'internet degli oggetti è configurato correttamente. Alcuni clienti permettono che i dati arrivino a noi, mentre altri hanno reti chiuse oscelgono di disattivare l'agente. Questi dati grezzi sono considerati anonimi. Sono stati inizialmente progettati per essere utilizzati dall'ingegneria per capire come i dispositivi vengono utilizzati e come si comportano negli ambienti dei clienti in tutto il mondo.

2. Servizi di visibilità:

Attualmente abbiamo tre diversi livelli di visibilità che utilizzano i dati per raccontare una storia:

1. Support Visibility
2. Asset Visibility
3. Operational Visibility

Analisi e interpretazione dei dati:
Ora che avete i dati, cosa ne fate? Prima di tutto bisogna capire quali dati si hanno. Ad esempio, se volete capire i comportamenti di carica della batteria, ma non avete i dati di carica della batteria, non sarete in grado di risolvere il problema.
I dati saranno sottoposti a controlli ed effettueremo una prima esplorazione dei dati per capire i diversi tipi di informazioni a cui abbiamo accesso e per cercare modelli o stranezze.

Applicando e condividendo ciò che avete appreso:
Ecco cosa facciamo oggi con i dati: attraverso il nostro portafoglio di servizi di visibilità prendiamo i dati, li associamo a i nostri clienti e partner e creiamo "Business Value Dashboard". Questi cruscotti sono progettati per rispondere a domande come:

• Il deposito di riparazione ha ricevuto il mio dispositivo?
• Il mio dispositivo è stato riparato e rispedito indietro?
• Quando scade il mio contratto di assistenza?
• Quanti device ho nella mia organizzazione?
• Come funzionano le mie batterie?

Come la scienza dei dati può portarci oltre queste soluzioni:
La scienza dei dati è un'arte di usare insieme matematica, scienza e tecnologia per ottenere una visione storica dei dispositivi al fine di poter prendere decisioni operative e di business migliori. La scienza dei dati va oltre la semplice analitica, utilizzando diverse tecniche statistiche e di apprendimento automatico per estrarre intuizioni dai dati che un essere umano non può scoprire da solo, semplicemente osservando i dati. L'apprendimento automatico consiste nell'insegnare ad una macchina (computer) ad imparare dai dati, interpretare i dati e formare osservazioni senza affidarsi a una programmazione basata su regole, proprio come la mente umana.
Raccontare una storia su ciò che si conosce è un elemento dell'uso dei dati. Noi tendiamo a chiamarla Analisi Descrittiva. Sappiamo cosa è successo e possiamo anche dire (in alcuni casi) perché è successo - Analisi Diagnostica. Ma raccontare una storia su ciò che si crede stia per accadere - Analisi Predittiva - o anche prescrivere cose che si dovrebbero fare - Analisi Prescrittiva - richiede la scienza dei dati.

Guardate il diagramma qui sotto, "Capacità di analisi":

In che modo Zebra sta sfruttando al meglio la scienza dei dati?
Zebra è già stata pioniera nella fornitura di servizi di visibilità (Asset Visibility Service (AVS) e Operational Visibility Service (OVS) utilizzando l'analisi descrittiva, diagnostica e in parte predittiva. Ora siamo completamente focalizzati ad avventurarci nel campo dell'analitica predittiva e prescrittiva utilizzando strumenti e tecniche di machine learning. Oltre a sviluppare processi analitici, progettiamo anche robusti sistemi di valutazione della qualità per verificare a fondo i lavori analitici. I risultati vengono poi rappresentati in visualizzazioni di facile comprensione ai nostri partner e clienti attraverso dashboard online. Stiamo anche lavorando per automatizzare il maggior numero possibile di processi. Inoltre, stiamo raggiungendo ai nostri clienti per capire i problemi specifici che si trovano ad affrontare sul campo e utilizzare la Data Science per dare loro soluzioni ottimali.

Questo è il ciclo di vita di una soluzione Data Science:

Le tecniche di apprendimento automatico possono essere ampiamente classificate in due categorie in base al problema da affrontare. In Zebra si utilizzano due diversi tipi di tecniche di Machine Learning:

Apprendimento supervisionato:
Nell'apprendimento supervisionato, ci viene data la storia degli input e dei corrispondenti output. Impariamo quindi la complessa relazione matematica tra gli input e gli output conosciuti, e questa relazione è chiamata "modello". Una volta addestrato il modello, lo usiamo per prevedere gli output dei nuovi dati. La previsione numerica e la classificazione dei dati sono gli obiettivi principali che l'apprendimento supervisionato risolve. Regressione, Reti Neurali, Foreste Casuali sono alcune delle tecniche di machine learning che vengono supervisionate. La qualità delle nostre previsioni dipenderà dalla qualità dei nostri campioni di dati di addestramento. Ci sono diversi metodi di validazione disponibili, e possiamo scegliere la tecnica di apprendimento supervisionato in base all'accuratezza delle previsioni del modello.

Esempio: se vogliamo prevedere la salute delle batterie PowerPrecision e PowerPrecision + (capacità residua) nei dispositivi Zebra, dobbiamo:

Apprendimento non supervisionato:
Nell'apprendimento non supervisionato, non abbiamo informazioni sulle risposte etichettate. I metodi di apprendimento non supervisionato sono utilizzati per estrarre intuizioni e modelli dai dati senza alcuna guida per quanto riguarda gli output o le risposte dai dati. Tecniche come il Data Clustering, l'Analisi dei Componenti Principali e l'Outlier/Anomaly Detection aiutano ad ottenere inferenze e intuizioni dai dati nascosti alla vista. La validazione è più complicata in questi metodi perché non c'è un feedback esplicito sulle intuizioni e potrebbe richiedere una visione soggettiva dei risultati per la validazione.
Esempio: Se dobbiamo cercare modelli e valori anomali nel modo in cui i dispositivi Zebra vengono utilizzati, dobbiamo:

• Raccogliere le metriche di utilizzo richieste
• Eseguire il clustering e il rilevamento degli outlier per scoprire diversi gruppi di dispositivi che si comportano in modo simile all'interno del gruppo e in maniera diversa rispetto ad altri gruppi.

Dove sono i miei dispositivi?
I dispositivi sono tipicamente tracciati ad un punto di latitudine/longitudine utilizzando un segnale GPS attraverso una rete WWAN. Tuttavia, quando i dispositivi vengono utilizzati all'interno di una struttura e sono collegati solo al Wi-Fi, stiamo lavorando su tecnologie in grado di sfruttare una mappa del sito e le informazioni sulla potenza del segnale Wi-Fi.

Ho abbastanza dispositivi in ciascuna delle mie sedi e come vengono utilizzati?
Oggi abbiamo la possibilità di tracciare i dispositivi non utilizzati che possono aiutare un cliente a bilanciare il carico. Forniamo un elenco di definizioni che aiutano il cliente o il partner a definire il significato di non essere utilizzato. A titolo di esempio: battito cardiaco senza tasso di scarico della batteria. Ciò equivale a un dispositivo che sta comunicando con lo strumento di registrazione MDM (che indica che è attivo); tuttavia, senza tasso di scarico della batteria, possiamo pensare che il dispositivo sia riposto su un caricabatterie e non venga utilizzato. Qualsiasi ottimizzazione a livello operativo o di processo può essere effettuata anche estrapolando i dati di processo. Ad esempio, la scoperta di punti dolorosi nel processo di riparazione aiuterebbe ad ottimizzare il modo in cui effettuiamo le riparazioni e ad affrontare qualsiasi esigenza di risorse.

Come funzionano le mie batterie e quando dovrei considerare la possibilità di sostituirle?
Per identificare le batterie difettose, esaminiamo diversi parametri dei dati delle batterie, come il conteggio del ciclo di carica, la velocità di carica e scarica e la temperatura della batteria, insieme ad altre informazioni sul dispositivo. Prevediamo la durata delle batterie in base a come sono state utilizzate finora. Possiamo anche identificare le batterie che mostrano sintomi di possibili guasti.

Perché i miei dispositivi sono lenti?
Per determinare il comportamento lento, consideriamo diversi fattori: l'utilizzo della memoria del dispositivo, la potenza del segnale WWAN o Wi-Fi e il tasso di scarico delle batterie. Possiamo anche cercare modelli in grado di prevedere che un dispositivo possa diventare lento in base all'uso corrente. 
Abbiamo accesso a enormi quantità di dati. Possiamo prendere quei dati, imparare da quei dati e creare azioni basate su ciò che abbiamo imparato. Il nostro Data Science Team può studiare i dati che provengono dall'hardware Zebra (computer portatili/stampanti), prendere un problema aziendale e creare storie e azioni che consentano ai nostri clienti/partner di massimizzare il ROI e di ottenere risultati migliori durante l'intero ciclo di vita dei dispositivi intelligenti distribuiti.