Data Analytics

Wenn Daten intelligent analysiert und genutzt werden, ermöglichen sie nicht nur beschleunigte und präzisere Entscheidungsprozesse, sondern auch eine vorausschauende Planung und Wartung (Advanced Analytics, Predictive Planning und Predictive
Maintenance).

Dies unterstützt sowohl bei der Entwicklung und Steuerung von Strategien als auch bei der kontinuierlichen Optimierung operativer Prozesse – etwa durch die Reduktion von Betriebs- und Qualitätskosten.Datenanalysen bieten auch die Basis dafür, dass Kundenanforderungen und -entscheidungen besser und früher verstanden werden, was in einer höheren Reaktionsfähigkeit, besseren Datenqualität und Wettbewerbsvorteilen mündet.

Durch die Kombination von Datenanalysen mit lernenden Systemen können Prozesse umfassend automatisiert werden. Besondere Potenziale bietet dabei der Aufbau von digitalen Zwillingen (Digital Twins) von Produkten und Prozessen.

Darüber hinaus kann dabei mittels Advanced-Analytics-Tools eine enorme Anzahl an potenziellen Korrelationen getestet und analysiert werden, was ein wesentlich tieferes und genaueres Verständnis der Kernprozesse ermöglicht.

Durch Erweiterung mit Sensorik und Software lassen sich intelligente Produkte und Dienste (Smart Products & Services) aufbauen und im Rahmen neuer Geschäftsmodelle zusätzliche Erlöse generieren. Auch das Retrofitting von Anlagen und Prozessen wird zunehmend wirtschaftlicher, je besser die Daten genutzt werden.

Entscheidend ist dabei, dass umfassende Analysen verschiedener Prozesse, Komponenten und Fertigungssysteme so nah wie möglich an der Datenquelle erfolgt. Dadurch werden Steuerungs- und Interventionsprozesse beschleunigt und gleichzeitig das globale IT- und Prozessnetzwerk durch dezentrale Analyse- und Überwachungskreise entlastet. Dabei kommen sowohl Embedded Analytics zum Einsatz, bei denen Aktionen automatisiert von den IoT-Systemen ausgeführt werden, als auch Big Data Analytics, bei denen Eingriffe zugelassen werden und durch Veränderungen von Algorithmen unterschiedliche Sichtweisen analysiert werden können.

Der richtige Umgang mit Big Data leitet sich aus der Unternehmensstrategie, heutigen und möglichen Geschäftsmodellen sowie den gewünschten Use Cases ab:

• Welche übergeordnete Zielstellung soll erreicht werden?

• Welchen Beitrag kann Big Data zur Unternehmensstrategie leisten?

• Welchen Beitrag kann Big Data für die Prozessoptimierung leisten?

• Sind neue Geschäftsmodelle dadurch möglich?

• Welche Use-Cases bringen einen sofortigen Benefit?

Typische Use Cases sind hierbei:

• Unterstützung von Produktstrategien

• Erhöhung der Auslastung einzelner Standorte/Anlagen

• Reduktion Teiletourismus

• Gesamtoptimum aus Produktions- und Supply-Chain-Kosten

• Verbesserung der Lieferzeit und -geschwindigkeit

• Verbesserung der Produktionsverfügbarkeit durch Predictive Maintenance

• Verbesserung in der globalen Zusammenarbeit (Engineering, Produktion, Logistik)

• Grundlagen für Smart Products ermitteln

• Entscheidungsplattform für neue Geschäftsmodelle schaffen

In einer zweiten Phase wird die erforderliche Architektur für die Umsetzung der Big Data Use Cases erstellt. Je nach Use Case sind in unterschiedlichem Maß auch prozessuale und organisatorische Veränderungen vorzunehmen, die ebenso zu planen sind wie die technologische Architektur. Im Fokus stehen u.a. folgende architektonische Fragestellungen:

• Wo besteht das Erfordernis zum Aufbau eines Digital Twin?
• Welche Rolle spielen Cloud Services? Welche Operationen sind in Edge Devices durchzuführen?
• Welches Maß an Analytikkompetenz ist inhouse erforderlich?
• Müssen Anlagen digital nachgerüstet werden (Retrofit)?
• Welche (Cyber)Security Anforderungen sind zu berücksichtigen?
• Wie müssen die Prozesse entsprechend den Use Cases ausgestaltet werden?
• Wie müssen IT- und Managementsysteme verändert werden?
• Ist die Aufbauorganisation anzupassen?

Der erste Schritt vor dem Rollout ist der Proof of Concept eines oder mehrerer ausgewählter Use Cases. Eine erste Verifikation der entsprechenden Analysemodelle wird in der Regel mittels eines Digitalen Zwillings durchgeführt. Mit dieser Methode können entkoppelt vom produktiven Betrieb bereits verbindliche Ergebnisse auf Basis von Produktivdaten erzielt und erforderliche Anpassungen vorgenommen werden. Nach Sichtung der Ergebnisse wird eine Entscheidung über den produktiven Einsatz getroffen. Alle erforderlichen Datenschnittstellen und IT-Services sind im Digitalen Zwilling erprobt und erlauben eine problemlose Integration in den produktiven Betrieb.

Nach erfolgreichem Proof of Concept der Use Cases wird das Big Data Cluster aufgebaut und von der PoC-Architektur in eine Produktivarchitektur überführt. Diese Phase beinhaltet sowohl die Erstellung der ETL-/ELT-Prozesse, die Implementierung der Algorithmik sowie die Einrichtung der Visualisierungen und des Frontends für die Endnutzer:innen.

Ist der Data Cluster produktiv, besteht der nächste Schritt darin, auf Grundlage eines Betriebsmodells den Betrieb an einen Service-Provider zu übergeben sowie smarte Devices anzubinden und in den Data Lake zu integrieren. Endergebnis ist eine Data-as-a-Service (DaaS), bzw. Analytics-as-a-Service (AaaS)-Lösung, die IT-Services konsequent bedarfsorientiert zur Verfügung stellt.

Die Weiterentwicklung und Entwicklung zusätzlicher Services erfolgt in einer Collaborative Cloud, die intern wie auch externen Entwickler:innen die Möglichkeit gibt, ihre Entwicklungsdienstleistungen app-basiert einzubringen und weitere Services zur Verfügung zu stellen.

Zu Beginn des Projekts wird das Verständnis für die zugrundeliegenden Prozesse und vorhandenen Datenstrukturen geschaffen, um sowohl das Mengengerüst an Datenquellen, -typen und -volumina zu verstehen, als auch deren Bedeutung in den Geschäftsprozessen.

Sofern die erforderlichen Daten bereits in ausreichender Qualität vorliegen und zugänglich sind, wird ein erster Proof-of-Concept vorgenommen – entweder mit offline-Daten oder in einer Testumgebung. Erste Hypothesen werden erstellt, und in einem zweiten Schritt durch Analyse vorhandener Daten überprüft.

Falls keine Muster in den vorhandenen Daten zu erkennen sind, ist entweder der Scope zu erweitern oder ein Retrofit durchzuführen, um zusätzliche Daten aus den vorhandenen Prozessen zu gewinnen. Im Anschluss wird das Prädiktionsmodell mit relevanten Features erstellt und die Prognosegüte mittels historischer Daten validiert.

Bei ausreichender Prognosegüte wird der Proof-of-Concept in eine Produktivumgebung übertragen. Die erforderlichen ETL-/ELT-Prozesse zur automatisierten Bereitstellung und Aufbereitung der Daten werden aufgesetzt und in die vorhandene IT-Landschaft integriert.

Im Anschluss werden Frontend und Reportprozesse für Endnutzer:innen angelegt bevor der Go-Live des Systems erfolgt und eine Validierung im realen Umfeld durchgeführt wird. Das Projekt endet mit Übergabe der Dokumentation und Schulung der Nutzer:innen und Expert:innen.