Serverless Architectures for Industrial IoT Analytics and Business Intelligence: A Microsoft Azure Case Study Architetture Serverless per l’Analisi IoT Industriale e la Business Intelligence: un caso di Studio su Microsoft Azure

La crescente diffusione dell’Internet of Things (IoT) in ambito industriale ha determinato una produzione massiva e continua di dati di telemetria provenienti da macchinari, sensori e sistemi di controllo. Questa evoluzione ha reso necessario lo sviluppo di soluzioni scalabili, flessibili e facilmente gestibili per la raccolta, l’elaborazione e l’analisi dei dati. In tale contesto, il paradigma del serverless computing rappresenta un approccio innovativo, in grado di ridurre la complessità operativa e i costi di infrastruttura, grazie a caratteristiche come l’allocazione dinamica delle risorse, l’esecuzione basata su eventi e il modello pay-per-use. La presente tesi si propone di analizzare e sviluppare un’architettura serverless per l’elaborazione di dati di telemetria in ambito industriale. L’obiettivo è duplice: da un lato discutere i principi generali di progettazione di pipeline serverless per scenari Industrial IoT (IIoT), dall’altro verificarne l’applicabilità attraverso un caso di studio concreto realizzato con la piattaforma Microsoft Azure. In una prima fase, viene introdotto il modello concettuale di un’architettura serverless generica, che prevede la sequenza di fasi di acquisizione dei dati, processamento in tempo reale, trasformazione, archiviazione e successiva analisi in ottica di business intelligence. Successivamente, la trattazione si focalizza sul caso di studio implementato in ambiente Azure. L’architettura realizzata integra diversi servizi nativi: IoT Hub per l’ingestione sicura dei dati dai dispositivi, Event Hub come streaming backbone, Azure Functions per l’elaborazione stateless e dinamicamente scalabile, e Data Lake Storage e Azure Cosmos DB per la persistenza dei dati a lungo termine. L’infrastruttura è progettata in modo modulare e riutilizzabile, con l’obiettivo di ridurre al minimo la complessità di gestione e garantire l’adattabilità a diversi scenari produttivi. A valle del flusso, i dati vengono resi disponibili a strumenti di analisi, in particolare Power BI, utilizzato per costruire dashboard interattive volte alla visualizzazione dei dati elaborati e all’estrazione di indicatori utili per il decision making. Il caso di studio sfrutta dati provenienti da una linea di produzione dimostrativa di laboratorio, che consente di simulare scenari reali di funzionamento di macchine industriali. Tale approccio ha permesso di validare l’architettura dal punto di vista della scalabilità, della latenza end-to-end e della sostenibilità economica in condizioni di carico variabile. L’analisi dei risultati evidenzia la capacità del paradigma serverless di supportare scenari di real-time analytics per l’IIoT, abilitando processi di monitoraggio avanzato e migliorando la reattività dei sistemi di produzione. Infine, la tesi discute i principali vantaggi emersi dall’adozione di architetture serverless in ambito industriale, tra cui la riduzione dell’onere di gestione e la possibilità di integrare facilmente componenti eterogenee. Vengono inoltre considerati limiti e sfide aperte, quali la dipendenza dal vendor lock-in, le implicazioni in termini di sicurezza e governance dei dati e la necessità di disegnare correttamente i workflow per garantire affidabilità. L’elaborato fornisce quindi non solo un’analisi critica del caso Azure, ma anche linee guida generali e replicabili per la realizzazione di architetture serverless orientate all’Industrial IoT e alla business intelligence.

The rapid spread of the Industrial Internet of Things (IIoT) has led to a continuous and large-scale generation of telemetry data from machines, sensors, and control systems. This evolution has created the need for scalable, flexible, and easily manageable solutions for data collection, processing, and analysis. In this context, serverless computing emerges as an innovative paradigm that reduces operational complexity and infrastructure costs through features such as dynamic resource allocation, event-driven execution, and a pay-per-use model. This thesis investigates the design and implementation of a serverless architecture for processing industrial live telemetry data. The research has two main goals: first, to provide a general framework for the design of serverless pipelines in IIoT scenarios, and second, to validate its applicability through a practical case study conducted on Microsoft Azure. In its initial part, the thesis outlines a conceptual model of a generic serverless architecture, which includes stages such as data ingestion, processing, transformation, storage, and subsequent analysis for business intelligence purposes. The second part focuses on the case study deployed in Azure. The implemented architecture combines several native services: IoT Hub for secure device-to-cloud ingestion, Event Hub as the streaming backbone, Azure Functions for dynamically scalable stateless processing, and Data Lake Storage and Azure Cosmos DB for long-term persistence. The infrastructure is modular and reusable, designed to minimize management overhead and to ensure adaptability to various industrial contexts. At the downstream stage, data is made available to analytics tools, in particular Power BI, which enables the creation of interactive dashboards for visualization and for extracting insights relevant to decision-making. The case study leverages telemetry collected from a laboratory demonstration production line, allowing the simulation of real industrial scenarios. This setup provided the basis for evaluating the architecture in terms of scalability, end-to-end latency, and cost-effectiveness under variable workloads. The findings highlight the ability of the serverless paradigm to support Data Engineering for IIoT, enabling advanced monitoring processes and enhancing the responsiveness of production systems. Finally, the thesis discusses the main benefits of adopting serverless architectures in industrial contexts, such as reduced management complexity and seamless integration of heterogeneous components. At the same time, it addresses challenges and open issues, including vendor lock-in risks, data governance and security considerations, and the need for carefully designed workflows to ensure reliability. The work therefore provides not only a critical evaluation of the Azure case but also general, reusable guidelines for designing serverless architectures oriented toward Industrial IoT and business intelligence.