Fin del soporte de AWS IoT Analytics - Guía de migración para pipelines de análisis de datos IoT
AWS IoT Analytics finalizó su soporte el 15 de diciembre de 2025. Explica los destinos oficiales de migración (Kinesis Data Streams / Data Firehose, S3 / Timestream, Glue + Athena) y la arquitectura de 4 componentes de la época en que se ofrecía el servicio.
Fin del soporte y destinos de migración
AWS IoT Analytics llegó al fin del soporte (End of Support) el 15 de diciembre de 2025. Antes de eso, AWS había dejado de aceptar nuevos clientes a partir del 25 de julio de 2024. Actualmente no se puede acceder a la consola ni a los recursos del servicio. La guía oficial de migración de AWS indica los siguientes servicios alternativos para cada función. La recopilación de datos corresponde a Amazon Kinesis Data Streams o Amazon Data Firehose, la transformación y el procesamiento a Amazon Managed Service for Apache Flink o Data Firehose + Lambda. El almacenamiento corresponde a Amazon S3 o Amazon Timestream, y el análisis a AWS Glue y Amazon Athena. Esta página se conserva como material histórico que registra las especificaciones de la época en que se ofrecía el servicio + guía de migración.
Desafíos del análisis de datos IoT y el papel de IoT Analytics
Los dispositivos IoT envían de forma continua grandes volúmenes de datos de telemetría (temperatura, humedad, vibración, información de ubicación, estado de funcionamiento, etc.). Para analizar estos datos se necesita un preprocesamiento como la eliminación de ruido, la imputación de valores faltantes, la conversión de unidades y el filtrado de valores atípicos. Es posible una arquitectura en la que IoT Core recibe los datos, Lambda los preprocesa, se almacenan en DynamoDB o S3 y Athena los consulta, pero es necesario construir y gestionar por cuenta propia la integración entre cada componente. AWS IoT Analytics ofrecía como servicio administrado el pipeline desde la recopilación hasta el análisis de los datos IoT. Estaba compuesto por 4 componentes: canales (recepción de datos), pipelines (preprocesamiento), almacenes de datos (almacenamiento) y conjuntos de datos (resultados de consultas), y podía procesar, acumular y analizar automáticamente los datos procedentes de IoT Core.
Arquitectura de los 4 componentes
El canal es la entrada que recibe datos desde las acciones de reglas de IoT Core o desde la API BatchPutMessage. Los datos sin procesar recibidos se guardan tal cual y también se pueden utilizar para volver a procesarlos. El pipeline obtiene los datos del canal y aplica una serie de actividades (pasos de procesamiento). Como actividades integradas existen la adición y eliminación de atributos, el filtrado (exclusión de los datos que no cumplen las condiciones), las transformaciones matemáticas (conversión de unidades) y la adición de metadatos desde el registro de dispositivos. Con la actividad de Lambda también se puede ejecutar una lógica de preprocesamiento personalizada. El almacén de datos es el almacenamiento que acumula los datos procesados por el pipeline. Utiliza un bucket de S3 como backend y también admite el almacenamiento en formato Parquet. Si se configura un periodo de retención, los datos antiguos se eliminan automáticamente. El conjunto de datos guarda los resultados de una consulta SQL y se puede actualizar periódicamente mediante ejecuciones programadas (cada hora, cada día, etc.).
Análisis y visualización
En las consultas SQL de los conjuntos de datos se ejecutan análisis como agregaciones, filtrados y combinaciones sobre los datos del almacén de datos. Por ejemplo, se pueden definir consultas como «la temperatura media y la temperatura máxima de cada dispositivo en las últimas 24 horas» o «la lista de dispositivos en los que se produjeron valores atípicos (superación del umbral)», y actualizar los resultados periódicamente con ejecuciones programadas. Los resultados de los conjuntos de datos se pueden conectar directamente a Amazon Quick Sight (antes Amazon QuickSight) para crear dashboards. Se visualizan en tiempo real el estado de funcionamiento de los dispositivos, las tendencias de los valores de los sensores, las alertas de detección de anomalías, etc. Con la integración con Jupyter Notebook, se puede acceder directamente a los datos del almacén de datos desde una instancia de notebook de SageMaker y crear y validar modelos de ML. Se puede aprovechar para casos de uso de ML como el mantenimiento predictivo (predicción de averías de los equipos), la detección de anomalías y la previsión de la demanda. También existe una función que ejecuta código de análisis en contenedores como acción del conjunto de datos, con la que se pueden construir pipelines periódicos de inferencia de ML.
Precios y diferenciación con Timestream
Con el fin del soporte, la siguiente estructura de precios ya no existe (registro de la época en que se ofrecía el servicio). Los precios de IoT Analytics eran de 0,20 USD por millón de mensajes para el procesamiento de mensajes (pipeline), 0,03 USD por GB al mes para el almacenamiento de datos y 5,00 USD por TB de datos analizados para las consultas.
Calidad de los datos e importancia del preprocesamiento
Los datos que se recopilan de los dispositivos IoT a menudo contienen valores faltantes, valores atípicos y formatos no uniformes, y no se pueden utilizar tal cual para el análisis. IoT Analytics permitía configurar un pipeline que realizaba un preprocesamiento como incorporar los datos sin procesar y, a continuación, excluir los datos innecesarios, completar los valores faltantes y añadir información externa para darles significado. Así se podían preparar conjuntos de datos ordenados y adecuados para el análisis. Como la precisión del análisis depende en gran medida de la calidad de los datos de entrada, esta etapa de preprocesamiento determina los resultados. Convertir los datos de sensores sin procesar en una base fiable para el análisis es el requisito previo para extraer conocimientos útiles de los datos IoT.
Resumen - Directrices de migración
AWS IoT Analytics era un servicio que hacía posible la recopilación, el preprocesamiento y el análisis de los datos de dispositivos IoT con un pipeline administrado, pero finalizó su soporte el 15 de diciembre de 2025. Si se construye una plataforma de análisis equivalente, tal como indica la guía oficial de migración, la forma básica es una arquitectura que combina los siguientes servicios. La recopilación se realiza con Kinesis Data Streams / Data Firehose, el preprocesamiento con Managed Service for Apache Flink o Data Firehose + Lambda, el almacenamiento con S3 / Timestream y el análisis con Glue + Athena. El principio de diseño de este artículo, garantizar la calidad de los datos mediante el preprocesamiento, sigue siendo válido tal cual en la arquitectura posterior a la migración.
Referencias (recursos oficiales de AWS)
Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.
- AWS IoT Analytics (página oficial)
- AWS IoT Core (página oficial)
- Amazon Quick (página oficial)
- Documentación de AWS (oficial)
Si esta página y la documentación oficial difieren, prevalece la documentación oficial.