Để hiểu được ý nghĩa của việc tái sử dụng dữ liệu đối với giá trị
cuối cùng của nó, hãy lấy ví dụ các xe hơi chạy điện. Khả năng
để chúng thành công và trở thành một phương thức vận tải phụ
thuộc vào một vô số các yếu tố hậu cần, mà tất cả đều liên quan
tới hoạt động của bình điện. Người lái phải nạp được bình điện
cho xe của họ một cách nhanh chóng và thuận tiện, và các công
ty năng lượng cần đảm bảo rằng năng lượng dùng bởi những
chiếc xe này không làm mất ổn định lưới điện. Ngày nay, chúng
ta có mạng phân phối khá hiệu quả các trạm xăng, nhưng chúng
ta chưa hiểu được nhu cầu nạp điện và vị trí của các trạm cho xe
hơi điện là như thế nào.
Điều đáng lưu tâm là vấn đề này không phải thiên về cơ sở hạ
tầng mà thiên về thông tin. Và dữ liệu lớn là một phần quan
trọng của giải pháp. Trong một thử nghiệm vào năm 2012, IBM
đã làm việc với Công ty điện lực và khí Thái Bình Dương ở
California và nhà sản xuất xe hơi Honda để thu thập một lượng
lớn thông tin nhằm trả lời các câu hỏi cơ bản về thời gian và địa
điểm xe điện sẽ nạp điện, và điều này có nghĩa gì đối với việc
cung cấp năng lượng. IBM đã phát triển một mô hình dự đoán
được xây dựng dựa trên rất nhiều yếu tố: lượng điện trong bình,
vị trí của xe, thời gian trong ngày, và các chỗ đỗ có sẵn tại các
trạm nạp điện gần đó. Nó kết hợp dữ liệu với mức tiêu thụ hiện
tại từ lưới điện cũng như mô hình sử dụng năng lượng trong
quá khứ. Việc phân tích các dòng lớn dữ liệu theo thời gian hiện
tại và quá khứ từ nhiều nguồn cho phép IBM xác định những
thời gian và địa điểm tối ưu cho người lái nạp bình điện xe của
họ. Nó cũng tiết lộ nơi tốt nhất để xây dựng các trạm nạp. Cuối
cùng, hệ thống sẽ phải tính đến chênh lệch giá tại các trạm nạp
gần đó. Ngay cả dự báo thời tiết cũng được xem là một yếu tố:
chẳng hạn trường hợp trời nắng và một trạm năng lượng mặt
trời gần đó đầy ắp điện, nhưng dự báo thời tiết cho biết sắp có
một tuần mưa nên các tấm pin mặt trời sẽ không vận hành.
