Отрасли полагаются на анализ данных датчиков и процессов, чтобы предотвратить неожиданные сбои и оптимизировать процессы. Традиционно компании искали облако для выполнения таких задач анализа данных. Облако рассматривается как центральный агрегатор данных и вычислений. Это требует, чтобы многие компании перемещали конфиденциальные данные в облако и оплачивали высокие вычислительные затраты.

Например, производственное предприятие с несколькими площадками может ежегодно платить до 30 миллионов долларов за облачное хранилище и вычислительные ресурсы. Сюда не входят затраты на высококвалифицированных специалистов DevOps и инженеров-программистов, которые должны работать вместе с учеными по данным, чтобы обеспечить бесперебойную работу конвейера аналитики. Неудивительно, что мы слышим, как руководители жалуются на то, что затраты «астрономические» и что это «буквально убивает нас». .

Однако мы знаем, что расходы, как ожидается, будут только увеличиваться по мере того, как все больше компаний будут развиваться в процессе цифровой трансформации, а их потребности в анализе данных будут расти. Фактически, некоторые компании начинают искать альтернативные решения, такие как граничные вычисления, которые сопряжены со своими проблемами.

Экономический пример реального мира IIoT Analytics

Чтобы представить ситуацию в перспективе, мы представляем реальный пример анализа вибрации для крупной производственной компании. Цифры, представленные здесь, основаны на нашем собственном опыте промышленной аналитики. Аналитической задачей было построить конвейер для обработки данных от 20 000 датчиков вибрации, разбросанных по 50 производственным площадкам.

Во-первых, давайте рассмотрим усилия, затраченные на разработку всего конвейера внутренней командой (внутренней по отношению к компании). Их целью было создание облачного конвейера для мониторинга вибрации и диагностики неисправностей. Вот разбивка компонентов затрат.

  • При стоимости мониторинга 4000 долларов США за установку/месяц только предполагаемые ежегодные затраты на облако составляют 2,4 млн долларов США в год.
  • Для работы конвейера требовалось 8–11 штатных сотрудников (4–6 ИТ-специалистов, 2–3 специалиста по данным и 2 инженера) для поддержки рабочего процесса облачной аналитики стоимостью примерно 2,3 миллиона долларов США. ежегодно в затратах на оплату труда.
  • Общие внутренние расходы составили около 4,7 млн ​​долларов США в год.

Теперь давайте рассмотрим стоимость использования стороннего поставщика облачной аналитики, предлагающего те же услуги.

  • Агрессивная и конкурентоспособная цена варьировалась от 10 000–15 000 долларов США за установку в месяц. Основываясь на нашем прошлом опыте работы с поставщиками облачной аналитики, мы подтвердили, что цена контракта для аналогичного проекта по обработке и анализу данных составляет приблизительно 7,2 млн долларов США в год.
  • С учетом оптовой скидки, амортизации и хороших переговоров контракт на облачную аналитику для 50 сайтов может стоить примерно 4–6 миллионов долларов в год.
  • Однако время для полной интеграции локального сбора данных и миграции в облако заняло где-то от 6 до 8 месяцев, при этом некоторые поставщики настаивали на переносе данных в их облачную учетную запись.

Имейте в виду, что эти цифры относятся только к одному аналитическому приложению, т. е. мониторингу и диагностике неисправностей. На самом деле существует множество таких проектов, в которых компания была бы заинтересована (например, прогнозирование, оптимизация процессов и т. д.), но на которые может просто не хватить бюджета.

Blockalytics: использование децентрализации для снижения затрат на аналитику IIoT

В основе блокчейна лежит децентрализация, которая сразу же приводит к значительному сокращению потребности в рабочей силе. По нашим оценкам, это снижение составит от от 50% до 75%, поскольку специалисты по данным могут сами спроектировать весь рабочий процесс аналитики с помощью нашей автоматизированной децентрализованной вычислительной платформы. Более того, поскольку вычисления теперь децентрализованы на компьютерах/устройствах Edge на уровне сайта, мы оцениваем снижение затрат на облако как минимум на порядок. Использование Blockalytics подразумевает использование облака в основном только для хранения и архивирования. Следовательно, основная часть облачных затрат будет в основном приходиться на хранение и архивирование. В результате Blockalytics имеет стратегическое положение для предоставления тех же облачных аналитических возможностей за небольшую часть затрат, которые компании несут сегодня.

Аналитика IIoT для всех: Blockalytics для МСП и OEM-производителей

Более того, из-за более низкой стоимости владения Blockalytics является привлекательным выбором для самых разных секторов, таких как МСП (малые и средние предприятия) и OEM-производители (производители оригинального оборудования). Многие OEM-производители изо всех сил пытаются предложить своим клиентам аналитическую платформу из-за высокого барьера входа, о котором говорилось выше. На самом деле, исходя из наших обсуждений с клиентами, только 10 % OEM-поставщиков имеют аналитическую платформу, которая предлагает ценность для их клиентов, что приводит к рыночному потенциалу 90 % в области OEM.

Кроме того, благодаря децентрализованному обмену информацией, Blockalytics обеспечивает непревзойденное время оборота, чтобы начать получать здоровую рентабельность инвестиций. В настоящее время требуется от нескольких месяцев до года, чтобы решение для облачной аналитики сэкономило и подтвердило рентабельность инвестиций клиента. Причины такого длительного времени настройки могут варьироваться от разнообразного набора инструментов для сбора данных, используемых на каждом сайте, с уникальными протоколами сбора данных до юридических, организационных и связанных с безопасностью/конфиденциальностью препятствий для передачи данных в облако. Эти проблемы усугубляются, когда в процесс вовлечено несколько (потенциально конкурирующих) компаний, например OEM-производитель и его пул клиентов.

Платформа Blockalytics естественным образом решает многие из этих проблем, снижает стоимость и значительно сокращает время развертывания (и, следовательно, окупаемость инвестиций) с нескольких месяцев до нескольких дней.