Datos de series temporales: el nuevo activo tecnológico más valioso

Veintisiete mil millones.

Esta es la cantidad de dispositivos conectados a IoT que se espera para 2025, y cada uno de estos dispositivos creará su propio flujo de datos. En este nuevo panorama, no es difícil ver por qué los datos de series temporales se están convirtiendo en uno de los productos más valiosos de la tecnología.

En el nivel más básico, los datos de series temporales son todos los datos organizados y secuenciados por marcas de tiempo. Las fuentes de estos datos varían; en el mundo físico lo generan dispositivos como medidores de temperatura, sensores o baterías y, en el mundo virtual, proviene de software, sistemas, microservicios o máquinas virtuales.

A medida que somos testigos de la “sensorización” del mundo, desde la maquinaria en la fábrica hasta los automóviles autónomos y los paneles solares en el techo, los datos producidos por estos dispositivos se convierten en el ingrediente clave de las transformaciones digitales. Para aprovechar y analizar estos datos de manera eficaz, las organizaciones utilizan bases de datos de series temporales, que tienen la capacidad de gestionar las cargas de trabajo únicas que requieren los datos de series temporales. Por ejemplo, una base de datos de series temporales puede manejar lecturas y escrituras de datos a alta velocidad y volúmenes más altos que otros tipos de bases de datos.

Aquí veremos más de cerca qué son los datos de series temporales, qué pueden hacer y cómo las empresas y organizaciones de todos los tipos y tamaños los usan para cambiar el mundo tal como lo conocemos.

Datos de series de tiempo: una introducción

Una secuencia de puntos de datos indexados en el tiempo es la esencia de los datos de series temporales. Una serie, por lo tanto, consta de lecturas o mediciones sucesivas de la misma fuente durante un período de tiempo para realizar un seguimiento de los cambios a lo largo del tiempo.

Hay dos tipos de datos de series temporales: “Métricas” o mediciones recopiladas en intervalos de tiempo regulares o “eventos”, mediciones recopiladas en intervalos de tiempo más irregulares. Las métricas de series temporales son excelentes para realizar pronósticos porque los datos históricos son un indicador sólido de lo que podría suceder en el futuro. Por otro lado, encontramos eventos de series temporales en cosas como registros de eventos, que pueden proporcionar información útil sobre el tráfico de la red, el uso y mucho más.

Los datos de series de tiempo se ordenan, lo que los hace únicos en el espacio de datos porque a menudo muestran “dependencia en serie”, que ocurre cuando el valor de un punto de datos depende estadísticamente de otro punto de datos de otro momento.

Qué puede hacer

Los datos de la serie temporal proporcionan el contexto del tiempo. Este contexto es crítico y valioso porque todo sucede en un momento dado; si sabe cuándo sucede algo, puede tomar decisiones informadas al respecto, como cuándo actuar o cuándo no hacerlo. Los datos también se pueden utilizar en el análisis de series de tiempo para una amplia variedad de casos, incluidos (entre otros) el control del precio de las acciones, la previsión de datos de ventas o el control de la atención médica.

Hay dos razones principales detrás del aumento de este tipo de datos, la primera es el rápido aumento de los dispositivos IoT conectados. Un solo sensor bombea una gran cantidad de datos de series temporales. Ahora, imagina un dispositivo con 50 sensores. Además, imagina una empresa que venda millones de estos dispositivos. Con casi 30 mil millones de dispositivos conectados esperados dentro de unos pocos años, es fácil ver qué tan rápido aumentará el volumen y la escala de datos de series temporales en el espacio de IoT.

La otra razón es la forma en que las organizaciones usan los datos. A medida que las empresas mueven porciones significativas de sus datos a la nube, los sistemas, contenedores y procesos involucrados crean datos de series temporales. Esto, a su vez, permite a las organizaciones reutilizar sus datos en redes en constante expansión.

Qué hacen los datos de series temporales en la práctica

En nuestra trayectoria actual, todo lo que se pueda instrumentar se instrumentará, lo que hará que sea más fácil que nunca obtener información sobre el estado del mundo físico. Tal como están las cosas, ya tenemos la capacidad de aprovechar estos flujos de datos con inteligencia artificial y aprendizaje automático (ML) para crear conocimientos que nos permitan actuar rápidamente. El estado actual de los automóviles autónomos, la navegación del tráfico y los edificios y electrodomésticos “inteligentes” brindan una idea de cómo será el futuro no muy lejano.

Ciertamente, la creación de datos no se limita al mundo físico. Parece que con el auge de los microservicios, los contenedores y las arquitecturas de TI sin servidor, la instrumentación en el mundo virtual está creciendo tan rápido, si no más rápido, que en el mundo físico.

Sin duda, los casos de uso de estos datos seguirán creciendo, pero muchas empresas ya los están utilizando para hacer del mundo un lugar mejor y más verde. Tres ejemplos incluyen:

• La empresa de servicios de energía sostenible Bboxx utiliza una base de datos de series temporales para construir su sistema operativo patentado, que monitorea miles de paneles solares y baterías en todo el mundo en desarrollo, particularmente en África. Ahora, más de 2 millones de personas tienen acceso a energía limpia de hogares alimentados por Bboxx, gracias en gran parte al uso innovador de datos de series temporales de la empresa.

• En Bélgica, el pionero de la energía eólica VLEEMO (abreviatura de “Vlaamse Ecologie Energie Milieu Onderneming) utiliza datos de series temporales para monitorear el parpadeo de las sombras causadas por las turbinas eólicas cuando giran sus aspas. Se sabe que este tipo de sombras en movimiento causa estrés y dolores de cabeza. y el país limita la cantidad de sombras parpadeantes permitidas a 30 minutos por día. VLEEMO también usa estos datos para monitorear la acumulación de hielo en las palas de las turbinas, lo que puede ser potencialmente peligroso para las personas y los edificios vecinos. La recopilación de todos estos datos ayuda a la empresa a maximizar la producción de energía de sus turbinas.

• La empresa finlandesa EnerKey captura y combina datos sin procesar para analizar y predecir el consumo de energía en tiempo real. En un ejemplo básico, la empresa correlaciona datos meteorológicos (que también son datos de series temporales) con datos de uso de energía para predecir las necesidades energéticas de edificios individuales. Este proceso puede ayudar a las empresas de energía a ahorrar cientos de dólares al mes por edificio, lo que se traduce en grandes ahorros si se consideran los cientos o incluso miles de edificios atendidos por la empresa.

Omnipresente, pero sigue creciendo

A medida que los datos de series temporales se generalicen, espere que el proceso de monitoreo manual de los tableros físicos desaparezca. AI y ML pueden (y en algunos casos ya lo hacen) monitorear tendencias basadas en datos y reaccionar automáticamente según reglas predefinidas. En última instancia, esto libera a los equipos del trabajo relativamente mundano y les permite seguir innovando.

Los datos de series temporales ya son ubicuos, ya que se encuentran en todas las partes de los negocios digitales actuales, pero aún tienen que alcanzar su máximo potencial en la mayoría de las organizaciones. Sin embargo, a medida que la cantidad de datos generados continúa creciendo, aquellos que se vuelven expertos en aprovecharlos, analizarlos y usarlos para tomar decisiones críticas tienen la mejor oportunidad de crear una ventaja competitiva.

Evan Kaplan es el director ejecutivo de InfluxData