Orquestrando o valor nos modelos de negócios baseados em plataforma IoT

In business, experts generally recognize two platform types: innovation and transaction.¹

Innovation platforms, such as the developer platforms from Amazon Web Services, Facebook, and Salesforce, enable other companies to create complementary services or products using the resources of the platform. For example, independent software vendors can use the AWS cloud computing infrastructure to build their own applications.

Transaction platforms enable multiple parties to exchange goods, services, software, or data in exchange for money. Such marketplaces as Airbnb, Uber, and the iOS and Android smartphone app stores are classic examples.

To be successful, innovation platforms must provide a broad ecosystem of players with the tools they need to build complementary services or products. Transaction platforms must reduce the transaction costs between two parties. In many cases, companies create a hybrid model that combines both types of platform. Salesforce, for example, offers a combined app development platform and a marketplace for third parties to sell their enterprise apps.

O valor dos dados no B2B é difícil de extrair; As empresas precisam da experiência do domínio para desenvolver novas soluções orientadas a dados e os relacionamentos com o cliente necessários para monetizá-los. Essa complexidade significa que os ecossistemas digitais, como os construídos em torno das plataformas de IoT, são insuficientes para capturar o valor dos dados por conta própria. Novos ecossistemas de dados construídos para o propósito são necessários para organizar os ativos de dados coletivos, recursos e conexões de clientes de um grupo de parceiros de negócios para fornecer novos produtos e serviços-ambos dentro e entre as verticais tradicionais da indústria. Embora os ecossistemas digitais forneçam as plataformas subjacentes, os ecossistemas de dados permitem que as empresas B2B em indústrias pesadas de ativos gerem receitas adicionais e construam vantagens competitivas duradouras com seus dados de IoT. (Consulte a exposição.)


Note


1. A distinction drawn from The Business of Platforms: Strategy in the Age of Digital Competition, Innovation, and Power by Michael Cusumano, Annabelle Gawer, and David Yoffie.

To better understand the likely development of platforms and ecosystems in B2B industrial sectors with different dynamics, we took an in-depth look at five sectors: precision agriculture, commercial buildings, automotive (with a focus on autonomous vehicles), trucking, and manufacturing automation. We explored the range of potential use cases in each and the degree to which they benefit from network effects and data aggregation. The frequency and value of use cases that benefit from both indicate the potential for platforms and ecosystems and whether there will be a consolidation trend. (See Exhibit A1.)

Agricultura de precisão

Condições favorecem a adoção da plataforma IoT na agricultura. Os agricultores têm uma necessidade clara de Melhore a produtividade e o rendimento, e a adoção de sensores de precisão, drones, análises avançadas e equipamentos autônomos conectados a plataformas de agregação de dados já está em ascensão. Os agricultores possuem seus dados e podem escolher várias partes para compartilhar dados com base nas soluções e serviços que essas partes fornecem. Por exemplo, os clientes da Farmers Business Network (FBN), que são apoiados por mais de US $ 200 milhões em capital de risco, compartilham dados anonimizados (como preços de sementes, rendimentos históricos e tratamentos químicos e fertilizantes) com FBN em troca de benchmarks operacionais. Usando esses benchmarks, os agricultores podem comparar os preços de insumos e ver os rendimentos de agricultores semelhantes, ajudando -os a negociar com distribuidores e varejistas de insumos e otimizar suas práticas agrícolas. À medida que mais agricultores compartilham dados, a validade e o escopo dos benchmarks melhoram. Além disso, a FBN construiu um mercado de comércio eletrônico (uma plataforma de transação), onde os agricultores podem comprar sementes, produtos químicos e equipamentos da FBN ou terceiros. À medida que o número de vendedores de terceiros aumenta, os agricultores obtêm uma seleção mais ampla de insumos para escolher, e os vendedores podem atingir um número maior de agricultores. A fragmentação da base de clientes agrícolas aprimora o valor da agregação de dados e o valor de um mercado transacional. (Cerca de 90 fazendas, cada uma com mais de 2.000 acres, trabalham 60% da terra nos EUA, enquanto cerca de 1.900 fazendas pequenas e médias trabalham pelo restante, de acordo com o USDA.)

Among the 50 precision agriculture use cases in our analysis, few inherently exhibit network effects, but 17 (35%) benefit from data aggregation. For example, customers of Farmers Business Network (FBN), which is backed by more than $200 million in venture capital, share anonymized data (such as seed prices, historic yields, and chemical and fertilizer treatments) with FBN in return for operational benchmarks. Using these benchmarks, farmers can compare input prices and see the yields of similar farmers, helping them negotiate with input distributors and retailers and optimize their farming practices.

FBN has generated network effects throughout its business model. As more farmers share data, the validity and scope of the benchmarks improve. Moreover, FBN has built an e-commerce marketplace (a transaction platform) where farmers can purchase seeds, chemicals, and equipment from FBN or third parties. As the number of third-party sellers increases, farmers get a wider selection of inputs from which to choose, and sellers can reach a larger number of farmers. The fragmentation of the farming customer base enhances both the value of data aggregation and the value of a transactional marketplace. (About 90 farms, each with more than 2,000 acres, work 60% of the land in the US, while about 1,900 small and midsize farms work the rest, according to USDA.)

Na agricultura, existem esforços relativamente maduros para impulsionar a padronização de dados. AG Gateway, um consórcio sem fins lucrativos com mais de 200 empresas membros, incluindo John Deere, Agco e Monsanto, desenvolveu a estrutura do Adapt, que atua como um modelo de dados comum, padrão de API e conjunto de código aberto e de dados proprietários. Com o tempo, à medida que esses padrões amadurecem, esperamos que novos participantes que forneçam soluções de Point Agriculture de precisão entre no mercado e potencialmente se juntam aos ecossistemas que se formam em torno das principais plataformas de agricultura de precisão. John Deere tem um conjunto de APIs para desenvolvedores de terceiros e lançou um mercado de agricultura de precisão, onde os agricultores podem entrar em contato com empresas que vendem software agrícola que aproveita os dados dos equipamentos agrícolas da Deere. A Airbus, fabricante de aeronaves, oferece um conjunto de serviços de API que fornecem análises de culturas com base em imagens de satélite. Esses serviços, entregues por meio de um portal de software de agricultura de precisão, permitem que a Airbus atue como fornecedor de análise para fabricantes de precisão agrícola e fornecedores de software. No futuro, a fusão de dados de satélite e de propriedade de agricultores, agregados em uma plataforma como a FBN, aumentará ainda mais a análise para a otimização das culturas. While FBN could emerge as a dominant platform and ecosystem, it faces competition from the platforms of incumbent players such as John Deere and Monsanto’s Climate Corp.

New types of data are also becoming available—from unexpected sources. Airbus, the aircraft manufacturer, offers a set of API services that provide crop analytics based on satellite images. These services, delivered via a precision farming software portal, enable Airbus to act as an analytics supplier to precision agriculture manufacturers and software vendors. In the future, the fusion of satellite and farmer-owned data, aggregated on a platform such as FBN’s, will further enhance analytics for crop optimization. While FBN could emerge as a dominant platform and ecosystem, it faces competition from the platforms of incumbent players such as John Deere and Monsanto’s Climate Corp.

Going forward, we expect to see a few, complementary precision agriculture platforms remain, with some, such as FBN, focused on specific parts of the value chain (crop procurement and sales, for example), others focused on managing farm equipment, e ainda outros em análise de culturas. Essas plataformas podem coexistir, com os agricultores compartilhando dados com várias plataformas para usos diferentes. Mas os agricultores compartilharão dados de culturas sensíveis apenas com plataformas que não violam sua confiança revelando dados para terceiros que poderiam usar os dados de maneiras que não estão no melhor interesse dos agricultores. Por exemplo, um caso recente dizia respeito ao uso potencial de dados de produtividade agrícola e do solo para aumentar os preços do arrendamento de terras. Os provedores de plataformas enfrentam as questões estratégicas de como envolver os agricultores para compartilhar dados, que usam casos para abordar e como monetizar os dados sem violar a confiança dos agricultores. As respostas moldarão a evolução da paisagem competitiva.

Edifícios comerciais

Na indústria de construção comercial, há potencial para soluções de construção conectada para fornecer proposições de valor convincentes a desenvolvedores, proprietários, construtores, inquilinos e outros. Os sistemas conectados de HVAC e iluminação podem reduzir os custos de energia, o que pode representar 40% dos custos operacionais totais de um edifício. No entanto, existem menos casos de uso que se beneficiam dos efeitos da rede e da agregação de dados do que em outras verticais. Dos 65 casos de uso em nossa análise, apenas sete - entre eles estacionamento inteligente, alocação de espaço de trabalho flexível, gerenciamento de identidade e sinalização preditiva - efeitos de rede de rede. Todo edifício conectado é preenchido com equipamentos e sistemas de vários OEMs; Um fornece a iluminação, outro o sistema HVAC e outros o elevador, o controle de acesso e os sistemas de segurança. Cada sistema, se conectado, transmite dados em diferentes formatos. O software de gerenciamento de construção existente não pode integrar facilmente dados em diferentes tipos de equipamentos, sem um esforço significativo de integração do sistema. As plataformas de inovação com APIs abertas ainda não estão disponíveis em edifícios comerciais, porque não há modelo de dados comum nos domínios e fornecedores de equipamentos do setor. Os OEMs de software identificam oportunidades para promover a padronização de dados. Por exemplo, a Siemens está apoiando o Project Haystack, um consórcio sem fins lucrativos que criou uma estrutura comum para marcar dados de construção. A Johnson Controls, fornecedora de equipamentos de HVAC e segurança contra incêndio, está apoiando o esquema Bricks, outro esforço de código aberto para construir um modelo de dados comum para a indústria de construção. Haystack e tijolos estão trabalhando com órgãos da indústria estabelecidos para integrar seus modelos de dados em novas especificações de construção. À medida que os esforços de padronização progridem, esperamos ver os principais controles de construção OEMs oferecem plataformas com suítes semelhantes de aplicações de construção, formando essencialmente um oligopólio competitivo com pouco espaço para novos participantes. O rápido aumento de veículos conectados e a inundação de dados resultantes nos OEMs apontam para uma oportunidade madura de agregação de dados em conjuntos altamente fragmentados de consumidores e fabricantes de carros. Dos 49 casos de uso que analisamos, 31 demonstram efeitos de agregação de rede ou dados. Nós nos concentramos especificamente no desenvolvimento de veículos autônomos (AV) como uma tendência tecnológica subjacente com implicações significativas. (Consulte Anexo A2.)

The data standards in commercial buildings are less mature than those in the precision agriculture sector. Every connected building is filled with equipment and systems from multiple OEMs; one supplies the lighting, another the HVAC system, and others the elevator, access control, and security systems. Each system, if connected, transmits data in different formats. Existing building management software cannot easily integrate data across different equipment types without a significant system integration effort. Innovation platforms with open APIs are not yet available in commercial buildings because there is no common data model across the sector’s domains and equipment suppliers.

The fragmented commercial building customer base—in New York City, for example, the top five building owners own only about 2% of the commercial square footage—and the lack of standards and APIs make it difficult to implement industrywide solutions.

This may be changing as equipment and building management software OEMs identify opportunities to promote data standardization. For example, Siemens is supporting Project Haystack, a nonprofit consortium that has built a common framework for tagging building data. Johnson Controls, a provider of HVAC and fire safety equipment, is supporting the Bricks Schema, another open-source effort to build a common data model for the building industry. Haystack and Bricks are both working with established industry bodies to integrate their data models into new building specifications. As standardization efforts progress, we expect to see major building controls OEMs offer platforms with similar suites of building applications, essentially forming a competitive oligopoly with little room for new entrants.

Automotive

With the advent of new mobility models enabled by rideshare platforms and vehicle autonomy, change in the automotive industry is accelerating dramatically. The rapid rise of connected vehicles and the resulting flood of data across OEMs point to a ripe opportunity for data aggregation across highly fragmented sets of consumers and car manufacturers. Of the 49 use cases we analyzed, 31 demonstrate either network or data aggregation effects. We focus specifically on autonomous vehicle (AV) development as an underlying technology trend with significant implications.

Multiple platform scenarios are possible in the AV technology stack, depending on which layer is under consideration: the AV software stack running in the car, the high-definition mapping layer, or the fleet management level. (See Exhibit A2.)

CAPATIVOS DE CONDUTA AUTOMENTO DO SOBTILIDADE AUTOMENTO. Eles podem implantar veículos autônomos em escala e buscar modelos de negócios baseados em plataforma, como licenciar seu software para vários OEMs ou para empresas de compartilhamento de viagens para aplicação em robotaxis ou casos de uso de entrega de última milha. Por exemplo, se a Waymo (o empreendimento de direção autônomo do Alphabet) puder desenvolver essa vantagem no desempenho e na confiabilidade do software, ele tem o potencial de se tornar o sistema operacional digital para a indústria automotiva autônoma. (O cruzeiro da GM, outra empresa de direção autônoma, poderia muito bem ter algo a dizer sobre isso.) The AV software companies with first-mover advantage can collect large driving data sets to develop more reliable software by covering more “edge cases.” They can then deploy autonomous vehicles at scale and pursue platform-based business models, such as licensing their software to multiple OEMs or to rideshare companies for application in robotaxis or last-mile delivery use cases. For example, if Waymo (Alphabet’s autonomous driving venture) can develop such an advantage in software performance and reliability, it has the potential to become the digital operating system for the autonomous automotive industry. (GM’s Cruise, another autonomous driving enterprise, could well have something to say about that.)

Mapeamento de alta definição. Nesse cenário, vários fabricantes de veículos autônomos licenciariam mapas HD de um único fornecedor, análogo ao provedor de software de mapeamento aqui, que pertence a um consórcio da Mercedes, Audi e BMW e compete com o Google Maps. Inúmeros outros provedores de mapeamento especializados e consórcios se formaram. Por exemplo, Toyota, Aisin e Denso reuniram um grupo em que os OEMs podem participar. Eles compartilham seus dados de câmera bruta e, em troca, podem acessar os mapas HD criados a partir do consórcio. HD mapping may become a winner-take-most data aggregation platform because there are clear economies of scale in map creation and maintenance. In this scenario, multiple makers of autonomous vehicles would license HD maps from a sole provider, analogous to mapping software provider HERE, which is owned by a consortium of Mercedes, Audi, and BMW and competes with Google Maps. Numerous other specialized mapping providers and consortia have formed. For example, Toyota, Aisin, and Denso have put together a group that OEMs can join. They share their raw camera data and, in return, can access the HD maps created from the consortium.

A criação de mapas HD é complicada porque não há padrões de dados comuns e cada modelo de carro produz seus próprios dados de mapeamento com base em sua configuração específica de sensor (que envolve câmera, lidar ou radar e diferentes locais de sensores). A fusão de dados das pilhas de sensores de veículos diferentes para criar um mapa agregado é tecnicamente desafiador, e inúmeras empresas de veículos autônomos e mapeamento estão com redundantemente mapeando os mesmos territórios. Os governos, como o Reino Unido, estão incentivando a formação de padrões de mapeamento e conjuntos de dados comuns para mitigar essas ineficiências. Uma startup do Vale do Silício, Deepmap, desenvolveu software de mapeamento em HD que pode processar dados de uma variedade de configurações de sensor. À medida que o sensor subjacente e a pilha de hardware para veículos autônomos continua a evoluir, poder gerar mapas HD e, para vários tipos de veículos autônomos, será uma vantagem competitiva para o DeepMap se a empresa realmente resolver o desafio de fusão de dados. Se os dados de mapeamento puderem ser fundidos, os efeitos da rede também entrarão em jogo, pois vários OEMs podem contribuir com seus dados, tornando os conjuntos de dados mais precisos ao mesmo tempo. Se os desafios técnicos puderem ser superados, o mapeamento de HD poderá ser uma plataforma vencedora para todos. Empresas como o Rideos já desenvolveram conjuntos de APIs específicos para montar para permitir que terceiros, incluindo fabricantes e cidades autônomos, para implementar suas próprias plataformas de prisão. Como os motoristas e os ciclistas podem usar e alternar facilmente entre várias plataformas de alavanca, eles exibem efeitos de rede localizados mais fracos, e várias plataformas de gerenciamento de frotas de veículos autônomas podem coexistir. A combinação de padrões de dados do setor, como J1939, e a fragmentação das frotas de caminhões estimularam a inovação rápida na indústria. As placas de carga fornecem postagens em tempo real de caminhões e remessas de carga disponíveis, permitindo que as operadoras encontrem cargas para transportar (um exemplo de efeitos indiretos da rede). Usando algoritmos de aprendizado de máquina e dados agregados, os corretores digitais de frete (que levantaram mais de US $ 600 milhões em financiamento de capital de risco nos últimos cinco anos) buscam desintermediar o modelo tradicional de corretores por meio da automação. Para fazer isso, eles precisarão superar a fragmentação e a heterogeneidade das frotas de caminhões e as necessidades de remetente. As operadoras, por exemplo, geralmente operam em faixas específicas em uma determinada geografia, e os remetentes freqüentemente têm requisitos específicos, como classificações de segurança ou tipos de equipamentos (caminhões de mesa ou refrigerado, por exemplo). Por exemplo, o geotab agrega dados da economia de combustível entre os tipos de caminhões e permite que as operadoras comparem o desempenho da economia de combustível com o de veículos semelhantes e benchmarks da indústria. Além de substituir o motorista, os caminhões autônomos reduzem a necessidade de despachantes humanos. As empresas de caminhões autônomas podem desenvolver APIs que se integram aos corretores de frete digital. Os remetentes poderão reservar automaticamente a capacidade de um caminhão via APIs em vez de corretores humanos. A escala necessária e o investimento em caminhões autônomos e plataformas de frete digital podem impulsionar a consolidação na indústria de transportadores e a convergência ou interoperabilidade entre corretores de carga digital, plataformas de gerenciamento de frotas e caminhões autônomos. À medida que os caminhões autônomos menores custo total de propriedade e geram mais receita (eles podem operar 24 horas por dia, 7 dias por semana), as maiores transportadoras ganharão economias substanciais de escala sobre concorrentes menores que ainda dependem de motoristas humanos e podem obter rapidamente participação de mercado. Esperamos que, com o tempo, consolidação significativa de plataformas de caminhões ou interoperabilidade em diferentes plataformas maximizem os efeitos da rede.

AV Fleet Management. The fleet management layer of the AV technology stack may become a transaction platform, operating much like the consumer ride hailing platforms Uber and Lyft, to connect drivers and riders. Companies such as RideOS have already developed sets of APIs that are specific to ride hailing to enable third parties, including autonomous car manufacturers and cities, to implement their own ride hailing platforms. Because drivers and riders can use and easily switch between multiple ride hailing platforms, they exhibit weaker localized network effects, and multiple autonomous vehicle fleet management platforms can coexist.

Trucking

Of the 41 telematics use cases we analyzed from the trucking industry, roughly 40% exhibit network effects or benefit from data aggregation. The combination of industry data standards, such as J1939, and the fragmentation of trucking fleets has spurred rapid innovation in the industry.

Three types of platforms address different use cases in commercial trucking: load boards, digital freight brokers, and fleet management application marketplaces. Load boards provide real-time postings of available trucks and cargo shipments, enabling carriers to find loads to transport (an example of indirect network effects). Using machine learning algorithms and aggregated data, digital freight brokers (which have raised more than $600 million in venture capital funding over the past five years) seek to disintermediate the traditional broker model through automation. To do so, they will need to overcome the fragmentation and heterogeneity of carrier truck fleets and shipper needs. Carriers, for example, often operate on specific lanes in a given geography, and shippers frequently have specific requirements, such as safety ratings or equipment types (flatbed or refrigerated trucks, for example).

Fleet management applications have existed for years, but by aggregating data from trucks across fleets, management companies such as Geotab have created platforms and app marketplaces that enable innovation in the industry. For example, Geotab aggregates fuel economy data across truck types and enables carriers to compare their fuel economy performance with that of similar vehicles and industry benchmarks.

The advent of autonomous trucks combined with digital freight platforms may accelerate consolidation of platforms by altering how carriers and shippers transact. In addition to replacing the driver, autonomous trucks reduce the need for human dispatchers. Autonomous trucking companies can develop APIs that integrate with digital freight brokers. Shippers will be able to automatically book the capacity of a truck via APIs instead of human brokers. The necessary scale and investment in both autonomous trucks and digital freight platforms could drive consolidation in the carrier industry and convergence or interoperability among digital freight brokers, fleet management platforms, and autonomous trucks. As autonomous trucks lower total cost of ownership and generate more revenue (they can operate 24/7), the largest carriers will gain substantial economies of scale over smaller competitors that still rely on human drivers and could rapidly gain market share. We expect that, over time, significant consolidation of trucking platforms or interoperability across different platforms will maximize network effects.

Automação de fabricação

Os fabricantes adotaram soluções de IoT para aprimorar suas operações. A maioria das empresas com um software industrial e controla o patrimônio, como Siemens, Emerson Electric, Schneider, ABB, Honeywell, Bosch e Rockwell Automation, lançou ou retirou estacas de capital em plataformas de IoT que melhoram as operações e os processos de seus clientes. Por exemplo, a compra automatizada de peças de reposição e gerenciamento de inventário mostram efeitos de rede. Os casos de uso de agregação de dados incluem benchmarking operacional; Os clientes podem comparar seu tempo médio médio para reparar (MTTR) de equipamentos com colegas com base em dados anonimizados do cliente. Outros casos de uso na fabricação sugerem um forte potencial para

In our analysis of 51 use cases in manufacturing, however, less than 5% exhibit network effects, while 20% exhibit potential for data aggregation. For example, automated spare parts procurement and inventory management show network effects. Data aggregation use cases include operational benchmarking; customers can compare their average mean time to repair (MTTR) of equipment with peers based on anonymized customer data. Other use cases in manufacturing suggest strong potential for  Compartilhamento de dados entre empresas. Na troca elétrica de Schneider, por exemplo, os usuários podem compartilhar informações por meio de perguntas e respostas, os desenvolvedores podem acessar kits de desenvolvimento de software e os clientes podem acessar fornecedores em potencial, incluindo fornecedores de software independentes de terceiros. No entanto, embora esses esforços apóiem ​​o desenvolvimento de novas soluções acessíveis em plataforma, elas não abordam o desafio fundamental de escalar soluções de IoT dentro de um cliente. Mas a última coisa que um fabricante deseja são várias plataformas de IoT industriais que oferecem recursos de conectividade nativa e modelagem de dados para o equipamento do provedor, mas apenas integração limitada com equipamentos de terceiros. Várias plataformas caras enfraquecem o caso de negócios para uso da IoT. (Uma pesquisa patrocinada pela Microsoft de 2019 indicou que aproximadamente um quinto das provas da IoT de conceito falham porque existem “muitas plataformas para testar”.)

To make it easier to implement use cases and access third-party solutions, providers such as Schneider have built both transaction and innovation platforms. On Schneider’s Electric Exchange, for example, users can share information via Q&A forums, developers can access software development kits, and customers can access potential suppliers, including third-party independent software vendors. However, while these efforts support the development of new platform-accessible solutions, they do not address the fundamental challenge of scaling IoT solutions within a customer.

Multiple equipment providers offer IoT platforms. But the last thing a manufacturer wants is multiple industrial IoT platforms that all offer native connectivity and data modeling capabilities for the provider’s equipment but only limited integration with third-party equipment. Multiple costly platforms weaken the business case for IoT use. (A 2019 Microsoft-sponsored survey indicated that roughly one-fifth of IoT proofs of concept fail because there are “too many platforms to test.”)

Os clientes não têm talento interno para construir e integrar soluções IoT de ponta a ponta de vários fornecedores. Para superar esse problema, os provedores de plataforma e os OEMs de equipamentos estão em parceria para reduzir os custos de integração e agregar casos de uso em aplicativos corporativos mais amplos que abordam uma proposta de valor maior.

Os clientes podem seguir alguns caminhos na implementação de soluções de IoT. (Consulte Anexo A3.) Um é adotar uma plataforma de IoT única e ter os custos de integração e complexidade de conectar seus equipamentos e plantas e modelar suas operações. Nesta abordagem, os clientes podem aproveitar apenas seus próprios dados para análise, limitando o valor potencial da plataforma. tipos de equipamentos. Se as soluções de pontos forem fornecidas pelo OEM do equipamento e o OEM estiver agregado dados em toda a base instalada de seus clientes, o OEM deverá poder acessar um conjunto de dados muito maior e fornecer melhores soluções baseadas em análises. Nesta situação, o cliente se beneficia de conhecimentos e dados do OEM, mas as soluções não são integradas para otimizar os processos de ponta a ponta. Os casos de uso que requerem dados da máquina de vários OEMs - como otimização do processo de produção que melhora a taxa de transferência, reduz a sucata e aprimora a qualidade - pode ser desbloqueado com mais facilidade. Um cliente pode usar uma plataforma IoT para acessar vários fluxos e soluções de dados de equipamentos OEM e criar modelos de processo de ponta a ponta. Isso deve reduzir significativamente o custo e a complexidade da implementação de casos de uso. Assim como vimos soluções de software corporativo evoluir de código personalizado específico da empresa para aplicativos corporativos, como ERP, MRP, SCM e CRM, agora vemos seis novas categorias de aplicações de IoT emergentes: otimização de ativos, otimização de processos, produtividade do trabalhador industrial, gerenciamento de energia, realidade aumentada e cibersegurança industrial. (Consulte Anexo A4.) O benefício dessas novas classes de aplicativos é que elas empacotam soluções de pontos individuais em categorias de valor mais amplas que geram um retorno mais atraente do investimento, fornecem uma funcionalidade mais madura e reduzem o custo da implementação.

A second option is to adopt multiple point solutions, each with native connectivity and data modeling capabilities covering particular types of equipment but limited integration across platforms and equipment types. If the point solutions are provided by the equipment OEM and the OEM is aggregating data across its customers’ installed base, then the OEM should be able to access a much larger data set and provide better analytics-based solutions. In this situation, the customer benefits from OEM knowledge and data, but the solutions are not integrated to optimize end-to-end processes.

To address this tradeoff, industrial IoT platform providers can strike partnerships with equipment OEMs, which enables solutions that access all equipment data from each OEM across the customer’s manufacturing plant network and integrates data for the customer at the cloud level. Use cases requiring machine data from multiple OEMs—such as production process optimization that improves throughput, reduces scrap, and enhances quality—can be unlocked more easily. A customer can use one IoT platform to access multiple OEM equipment data streams and solutions and build end-to-end process models. This should significantly reduce the cost and complexity of implementing use cases.

In addition to reducing the integration cost involved in accessing shopfloor equipment data, platform providers can aggregate use cases into new enterprise applications. Just as we have seen enterprise software solutions evolve from customized company-specific code to enterprise applications such as ERP, MRP, SCM, and CRM, we now see six new categories of IoT applications emerging: asset optimization, process optimization, industrial worker productivity, energy management, augmented reality, and industrial cybersecurity. (See Exhibit A4.) The benefit of these new application classes is that they package individual point solutions into broader value categories that generate a more attractive return on investment, provide more mature functionality, and reduce the cost of implementation.

Mas as plataformas de IoT que lançam os titulares industriais não têm monopólio no mercado; Ambos parceiros e potencialmente competem com "hiperescaladores", como AWS e Microsoft Azure. Quase todas as plataformas IoT industriais aproveitam a infraestrutura como serviço (IAAs) na nuvem pública. Honeywell, Schneider, ABB e Emerson se posicionam como provedores de soluções da IoT, com base em suas décadas de experiência em domínio em seus principais verticais, mas todos incorporam as capacidades da plataforma como serviço (PaaS) do Microsoft Azure em suas plataformas específicas da indústria. A Siemens e a PTC enfatizam suas próprias plataformas de IoT e estão recrutando desenvolvedores para criar aplicativos de IoT para suas plataformas proprietárias. Por exemplo, o PTC oferece “blocos de construção” de solução de IoT (como lógica de negócios específicos de domínio e elementos comuns de interface do usuário), bem como um conjunto de conectores com sistemas corporativos para acelerar e simplificar o desenvolvimento de aplicativos da IoT para seus clientes e parceiros. A Bosch seguiu um caminho diferente, aproveitando uma plataforma de IoT de código aberto, Eclipse, para construir sua oferta-tendo para seguir o modelo de empresas como Red Hat na indústria de tecnologia, aprimorando o software de código aberto com serviços de suporte e manutenção. Os hiperescaladores estão investindo em novos recursos de IoT. Por exemplo, o serviço IoT da AWS permite a comunicação com os controles industriais através do protocolo OPC-UA específico da fabricação e vem pré-embalado com a capacidade de painel para, entre outras coisas, monitorar a eficácia geral do equipamento. Como os hiperescaladores coCreate IoT Solutions com os clientes, eles podem começar a oferecer seus próprios aplicativos corporativos baseados em IoT. Um executivo da AWS observou em uma recente conferência de desenvolvedores que uma “longa lista de idéias de produtos” veio da parceria conjunta da AWS-Volkswagen Industrial Cloud. Se os provedores de plataforma IoT industrial específicos verticais prevalecem é uma questão em aberto com base no grau em que os hiperscalers optam por competir com alguns de seus maiores clientes industriais. Tazia Middleton, Moira Scanlon, Natnael Kassaw, Bernhard Siegert e Parth Tripti para pesquisa e análise que apoiam esta publicação. Eles também agradecem a David Duffy por sua ajuda por escrever este relatório e Katherine Andrews, Kim Friedman, Abby Garland, Adam Giordano, Frank Müller-Pierstorff, Shannon Nardi e Ron Welter por sua assistência na edição, design e produção.

With substantial R&D budgets and a history of rapid innovation (Microsoft launched more than 100 new IoT services on Azure in 2019), platforms continue to evolve. The hyperscalers are investing in new IoT capabilities. For example, AWS’s IoT SiteWise service enables communication with industrial controls via the manufacturing-specific OPC-UA protocol and comes prepackaged with dashboarding capability to, among other things, monitor overall equipment effectiveness. As hyperscalers cocreate IoT solutions with customers, they may start offering their own IoT-based enterprise applications. An AWS executive observed at a recent developer conference that a “long list of product ideas” came from the joint AWS-Volkswagen Industrial Cloud partnership. Whether the hyperscalers or the vertical-specific industrial IoT platform providers ultimately prevail is an open question based on the degree to which the hyperscalers choose to compete with some of their largest industrial customers.

The authors are grateful to Patrick Su, Claire Wu, Tazia Middleton, Moira Scanlon, Natnael Kassaw, Bernhard Siegert, and Parth Tripti for research and analysis supporting this publication. They also thank David Duffy for his help in writing this report and Katherine Andrews, Kim Friedman, Abby Garland, Adam Giordano, Frank Müller-Pierstorff, Shannon Nardi, and Ron Welter for their assistance in editing, design, and production.