Mythe n°4 de l'O&M solaire : plus de données, c'est toujours mieux

À l'ère technologique dans laquelle nous vivons, le mantra semble être que plus de données, c'est toujours mieux. Dans cette optique, nous demandons à nos équipes et à notre technologie de fournir le plus de données possible dans les délais les plus brefs. Plus de données - plus vite - est souvent considéré comme le meilleur moyen de résoudre les problèmes de l'entreprise.

Et si la solution ne résidait pas simplement dans l'augmentation du nombre de données, mais dans la conservation minutieuse des informations dont nous disposons déjà ? Prenez le temps de vous demander si vous avez vraiment besoin de plus de données ou si vous avez plutôt besoin d 'une meilleure façon de traiter les données dont vous disposez déjà. Acquérir plus d'informations pour le plaisir de le faire passe à côté de l'objectif de l'acquisition de données.

QUE FAITES-VOUS AVEC LES DONNÉES DONT VOUS DISPOSEZ ACTUELLEMENT ?

Parfois, nous nous laissons tellement distraire par la recherche d'informations plus nombreuses et de meilleure qualité que nous ignorons les informations dont nous disposons déjà. Nous sacrifions la qualité au profit d'une quantité écrasante. Nous appliquons aveuglément la dernière solution technologique au problème, en pensant que cela nous permettra de récupérer les revenus perdus.

La prochaine fois que vous serez tenté d'ajouter des données au problème, réfléchissez : Avez-vous fait le difficile travail de nettoyage et d'organisation des données dont vous disposez déjà ?

Et si le manque de données n'était pas le problème ? À notre époque, l'acquisition de données pourrait bien être la partie la plus facile. C'est ce que vous faites une fois que vous avez les données qui est essentiel à la réussite de votre entreprise. À chaque étape, vous devez vous demander si vous traitez et utilisez efficacement les données dont vous disposez déjà. Si vous ne vous engagez pas dans cette étape cruciale, votre problème n'est pas la quantité de données.

La prochaine fois que vous serez tenté d'ajouter des données au problème, réfléchissez : Avez-vous fait le difficile travail de nettoyage et d'organisation des données dont vous disposez déjà ? Préparer des données de processus en temps réel pour qu'elles soient réellement utiles est un travail difficile, mais nécessaire.

La transformation des données brutes en informations et connaissances utiles suit une progression logique. Cela commence par l'acquisition des données, mais ce n'est que le début. Malheureusement, il n'y a pas de vol direct vers la connaissance - il faut d'abord faire une escale substantielle dans la curation des données.

CURATION DES DONNÉES

Cela fait plus de 35 ans que j'utilise des données d'exploitation pour résoudre des problèmes de performance des actifs. J'ai appris qu'avant d'appliquer plus de données, je dois d'abord les préparer avant d'essayer de les utiliser. Chez Power Factors, nous utilisons l'acronyme CAST pour décrire la phase fastidieuse mais importante de préparation des données. CAST signifie :

NETTETÉ

Une fois que les données sont collectées à partir des différents flux de données et stockées dans une base de données de séries temporelles, elles doivent être qualifiées avant d'être consommées par l'utilisateur. L'acte de validation, d'estimation et de mise à jour des données brutes et leur stockage dans un état propre s'appelle la curation des données.

AGGREGATE

L'agrégation est le processus qui consiste à prendre des données conservées et à les stocker à l'endroit et dans le format dont les consommateurs de données ont besoin. Une plateforme de données devrait inclure une variété de magasins de données, y compris des séries chronologiques, des magasins de données structurées et non structurées.

STRUCTURE

Les données de séries temporelles non structurées sont utiles pour les tâches de collecte massive de données et la détection d'événements simples. Ensuite, l'ajout d'un cadre contextuel aux données de séries temporelles les rend plus faciles à trouver, à comparer et à utiliser. Par exemple, avec des données non structurées uniquement, si un onduleur subit une panne forcée, on ne sait pas grand-chose - juste la date et l'heure auxquelles l'onduleur a cessé de fonctionner. Cependant, si l'on dispose d'informations contextuelles telles que la marque, le modèle et le numéro de série de l'onduleur, ainsi que le type et la fréquence des pannes historiques pour cette classe d'onduleurs, les utilisateurs disposent d'un ensemble de données beaucoup plus riche pour résoudre le problème récurrent.

TRANSFORMER

La transformation des données qualifiées peut prendre de nombreuses formes. Par exemple, un événement opérationnel ou commercial peut être déclenché sur la base de seuils prédéterminés, ou les données peuvent être utilisées dans un algorithme d'apprentissage automatique ou un composant d'une analyse avancée.

RÉSUMÉ

Bien sûr, je veux plus de données, et plus de données peuvent être utiles. Mais pas avant d'avoir compris comment gérer et transformer efficacement les données dont je dispose déjà. La prochaine fois que quelqu'un vous dira : "Plus de données, c'est toujours mieux", répondez-lui : "... bien sûr, une fois que vous aurez pris soin des données que vous possédez déjà".

Steve Hanawalt est fondateur et vice-président exécutif de Power Factors.