Daten- vor Cloud-Strategie 22.04.2021, 14:49 Uhr

Wie Daten das produzierende Gewerbe nach vorne bringen

Die Cloud gestattet es, das wertvollste Gut eines Fertigungsbetriebs erfolgreich zu nutzen: die gesammelten Daten. Dabei ist jedoch zu beachten, dass vor der Cloud-Strategie zunächst eine Datenstrategie stehen muss.

Wer ohne Erfahrungen und ohne passende Datenstrategie in die Cloud aufbricht, wird häufig "Schiffbruch erleiden" - diese Erfahrung machen derzeit viele Fertigungsunternehmen. Foto: GettyImages

Wer ohne Erfahrungen und ohne passende Datenstrategie in die Cloud aufbricht, wird häufig "Schiffbruch erleiden" - diese Erfahrung machen derzeit viele Fertigungsunternehmen.

Foto: GettyImages

Durch die vielfältigen Möglichkeiten der Cloud wird der Einsatz der Technologie für viele produzierende Unternehmen immer interessanter. Wer jedoch ohne Datenstrategie in die Cloud aufbricht, stellt häufig nach kurzer Zeit fest: Die Public Cloud bringt nicht die erwarteten Vorteile. Vielleicht ist sie teurer als gedacht, weniger leistungsstark oder es gibt Governance- oder Compliance-Probleme. Doch hat ein Betrieb seine Daten einmal zu einem Public Cloud Provider migriert, ist es schwer, sie wieder zurückzuziehen. Häufig erhalten Kunden lediglich Rohdaten zurück. Ihre bisherigen Data-Mining-Aktivitäten sind dann verloren. Ähnlich wie ein Dirigent und ein Orchester aufeinander abgestimmt sein müssen, verhält es sich auch mit der Cloud und Daten – das eine geht nicht ohne das andere.

Eine gut geplante Datenstrategie erlaubt es Produktionsunternehmen, das Beste aus ihren Daten in der Cloud herauszuholen. Sie macht Daten auffindbar, verfügbar und hilft dabei, Vertrauen und Compliance zu schaffen. Die Datenstrategie sorgt dafür, dass Fachabteilungen und Mitarbeiter schnell auf Relevantes zugreifen und daraus die erforderlichen Erkenntnisse gewinnen können – egal, wo die Daten liegen.

Wie sich eine optimale Datenstrategie gewinnen lässt

Im ersten Schritt geht es darum, zu ermitteln, welche Daten im Unternehmen bereits wo und in welchem Format vorliegen. Anschließend diese bewertet : Welche Kritikalität haben sie und welchen Wert für den Geschäftserfolg? Daraus ergibt sich, wie man die Daten am besten managt. Eng damit verbunden sind Fragen zu Compliance und Datensicherheit. Wer darf auf welche Daten zu welchem Zeitpunkt an welchem Ort zugreifen? Häufig gibt es Nutzergruppen, die nur einen Teil der Daten einer Applikation betrachten dürfen, während ausgewählte Personen vollumfänglichen Zugang benötigen. Hier sind rollenbasierte Berechtigungskonzepte und Zugangskontrollen erforderlich. Zudem gilt es, Daten vor unbefugten Zugriffen durch Cyberkriminelle und generell vor Verlust zu schützen. Dabei spielt die Backup-Strategie eine wichtige Rolle. Sie muss auf die Kritikalität der Daten abgestimmt werden.

Die Datenstrategie sorgt dafür, dass Fachabteilungen und Mitarbeiter schnell auf Relevantes zugreifen und daraus die notwendigen Erkenntnisse gewinnen können – egal, wo die Daten liegen.

Foto: GettyImages

Die Lösung: eine Enterprise Data Cloud

Insbesondere die Integration aller Daten ist eine Herausforderung und erweist sich oft als Dauerbaustelle. Dadurch kommt es zu Inkonsistenzen. Die Fertigungsunternehmen können ihre Daten nicht richtig auswerten. Mangelndes Datenmanagement treibt zudem Speicherkosten in die Höhe und verursacht ineffiziente Verarbeitungsströme. Dabei gibt es am Markt passende Datenplattformen, über die solche Probleme gelöst werden können.

Mit Hilfe solcher Plattformen, wie der „Cloudera Data Platform“, können Unternehmen eine eigene Enterprise Data Cloud aufbauen, die die zentralen Herausforderungen einer Datenstrategie adressiert. Der Lösungsanbieter Cloudera befähigt Unternehmen, komplexe Daten zu verstehen und klare Erkenntnisse und Handlungen abzuleiten. Die angebotene Plattform verarbeitet alle Daten unabhängig vom Ablageort – vom Edge bis hin zu KI-Anwendungen. Angetrieben von der unermüdlichen Innovation der Open-Source-Community, beschleunigt die Lösung die digitale Transformation für die größten Unternehmen der Welt. Cloudera und verbundene Marken sind Marken oder eingetragene Marken von Cloudera, Inc. – weitere Informationen gibt es dazu unter Cloudera.de.

Was die Datenplattform leisten kann

Die Idee hinter der Data Platform ist, für Unternehmen einen einfach zugänglichen, zentralisierten Datendrehpunkt bereitzustellen. In der Praxis gestaltet sich dies wie folgt: Daten in verschiedenen Formaten von verschiedenen Systemen im ganzen Betrieb werden bereits am Entstehungsort aufgenommen und im großen Stil in einem Big Data Cluster gespeichert, um sie für die Weiterverarbeitung vorzubereiten und schnell zugänglich zu machen. Eine Enterprise Data Cloud stellt Anwendern Analysefunktionen im Self Service zur Verfügung. Außerdem bietet sie ein konsistentes Datenmanagement sowohl für On-Premises-Systeme wie Private Clouds aber auch Public Clouds. So können Unternehmen frei wählen, wo sie ihre Daten hosten möchten, und diese problemlos zwischen verschiedenen Umgebungen verschieben. Gleichzeitig unterstützt das konsistente Datenmanagement Sicherheit und Compliance, da sich Richtlinien einheitlich umsetzen lassen.

Der Daten-Lebenszyklus vom Edge bis zur KI

Eine Enterprise Data Cloud deckt den gesamten Daten-Lebenszyklus vom Edge bis zur KI (Künstlichen Intelligenz) ab. Dieser besteht aus fünf Phasen:

  • Collect: Zunächst werden die Daten über einen Gateway dort gesammelt, wo sie entstehen. In IoT (Internet of Things)-Projekten sind das meist Sensor-Daten in der Netzwerkperipherie, also an der Edge. In vernetzen Produktionsumgebungen sind es Mess- und Zustandsdaten der Maschinen. Anschließend müssen sie zum Speicherort, zum Beispiel einem Data Lake, transportiert werden. In vielen Szenarien ist es nötig, die Daten bereits während der Entstehung in Echtzeit zu analysieren, um basierend auf den Erkenntnissen Aktionen anzustoßen.
  • Enrich: Sind die Daten im Data Lake angekommen, müssen sie vorverarbeitet und angereichert werden. Häufig ergeben die Rohdaten zum Beispiel nur dann Sinn, wenn sie im Kontext mit Daten aus dem CRM (Customer-Relationship-Management)- oder ERP-(Enterprise-Resource-Planning )-System betrachtet werden. Außerdem müssen sie in ein geeignetes technisches Format gebracht werden, damit sie sich anschließend mit dem ausgewählten Analyseverfahren weiterverarbeiten lassen.
  • Report: Jetzt folgt die eigentliche Analyse. In den meisten Fällen kommen dabei SQL (Structured Query Language)-Abfragen und das OLAP (Online Analytical Processing)-Cube-Modell im Data Warehouse zum Einsatz, mit dessen Hilfe Daten aus verschiedenen Perspektiven betrachtet werden können. Die Ergebnisse der Analysen werden visualisiert, sodass sich daraus leichter Erkenntnisse ziehen lassen.
  • Serve: Anschließend geht es darum, die Daten unternehmensweit oder auch für Geschäftspartner nutzbar zu machen. Für die Bereitstellung der Daten sind passende technische Schnittstellen erforderlich. Über APIs (Application Programming Interface) können Partner auf die Daten zugreifen. Solche Schnittstellen erlauben es auch, Daten gegen eine Gebühr für Interessenten zur Verfügung stellen.
  • Predict: Im letzten Schritt folgen fortgeschrittene Analysen mit Technologien wie Machine Learning, Deep Learning und KI. Mit ihrer Hilfe lassen sich weitere Erkenntnisse aus den Daten gewinnen, etwa um Vorhersagen zu machen und Handlungsempfehlungen abzuleiten.

Eine eigene "Enterprise Data Cloud" beschleunigt die digitale Transformation auch in bisher traditionell arbeitenden Fertigungsbetrieben.

Foto: GettyImages

Datengetrieben zum Geschäftserfolg – Beispiel Flugzeuge und Schienenfahrzeuge

Eine gut ausgearbeitete Datenstrategie und eine Enterprise Data Cloud bilden die Grundlage, um neue, datengetriebene Geschäftsmodelle zu entwickeln. Ein Beispiel für eine erfolgreiche Umsetzung liefert der Turbinenhersteller Rolls Royce, der Flugzeit als Service bietet. Kauft eine Fluggesellschaft beispielsweise einen „Airbus A350“, sind die Triebwerke nicht im Preis enthalten. Die Airline bezieht sie stattdessen als Dienstleistung bei Rolls Royce und bezahlt für die Flugzeit. Rolls Royce errechnet diese anhand von Telemetriedaten. Gleichzeitig gewinnt der Hersteller Informationen über den Zustand der Turbinen und kann so frühzeitig erkennen, wann eine Wartung nötig ist.

Komplett den Fokus auf Predictive Maintenance legt eine große Schweizerische Eisenbahngesellschaft. Sensoren messen nun unter anderem die Vibrationen an den Waggonachsen und die Radbewegungen. Anhand dieser Informationen lässt sich ableiten, wann ein Waggon gewartet werden muss. So können Probleme schon im Vorfeld vermieden und der Waggon zielgerichtet ausgekoppelt werden, ohne dass es zu Störungen im Fahrbetrieb kommt. Oder der Waggon lässt sich länger betreiben, denn solange keine Probleme auftreten, kann das Wartungsintervall ausgedehnt werden.

Mit klarem Datenkurs in die Cloud

Die Cloud ist ein wichtiger Bestandteil der digitalen Transformation. Dennoch sollten Fertigungsunternehmen nicht übereilt „in die Cloud stürmen“. Sie müssen sich zuvor Gedanken über ihre Daten machen und festlegen, wobei genau ihnen die Cloud helfen kann. Denn andernfalls verlieren sie die Kontrolle über ihr wichtigstes Asset. Das wäre dann ein bisschen so, als würde man in ein Flugzeug steigen und erst in der Luft feststellen, dass einerseits gar kein Pilot an Bord ist und zum anderen das Ziel der Reise noch nicht feststeht. Mit eine Enterprise Data Cloud lässt sich hingegen „klar Kurs halten“, da sie die zentralen Fragen einer Datenstrategie adressiert und den kompletten Datenlebenszyklus vom Edge bis zur KI abdeckt.

Das könnte Sie auch interessieren:

Der „Corona-Effekt“ verschafft der Cloud den nötigen Schub

Umsetzungsstrategie bei Digitalisierungsprojekten: Zug um Zug in die Zukunft

Welcher Kommunikationsstandard für künftige Industrie 4.0-Fabriken?

Von Daniel Metzger

Daniel Metzger ist Regional Vice President Central & Eastern Europe bei Cloudera in München.
Bild: Autor

Top Stellenangebote

HTW Berlin-Firmenlogo
HTW Berlin Stiftungsprofessur (W2) Fachgebiet Industrielle Sensorik und Predictive Maintenance 4.0 Berlin
Duale Hochschule Baden-Württemberg Mosbach-Firmenlogo
Duale Hochschule Baden-Württemberg Mosbach Lehrbeauftragter (m/w/d) Mosbach
Duale Hochschule Baden-Württemberg Mosbach-Firmenlogo
Duale Hochschule Baden-Württemberg Mosbach Professur für Mechatronik (m/w/d) Mosbach
THD - Technische Hochschule Deggendorf-Firmenlogo
THD - Technische Hochschule Deggendorf Professur (W2) Network Communication Cham
THD - Technische Hochschule Deggendorf-Firmenlogo
THD - Technische Hochschule Deggendorf Professur (W2) Technologien und Prozesse in der Additiven Fertigung Cham
THD - Technische Hochschule Deggendorf-Firmenlogo
THD - Technische Hochschule Deggendorf Professur (W2) Energieinformatik Deggendorf
Technische Hochschule Nürnberg Georg Simon Ohm-Firmenlogo
Technische Hochschule Nürnberg Georg Simon Ohm Professur (W2) Produktionstechnik - Produktionssysteme Nürnberg
Technische Hochschule Deggendorf-Firmenlogo
Technische Hochschule Deggendorf Professor (d/m/w) Network Communication Deggendorf
Technische Hochschule Deggendorf-Firmenlogo
Technische Hochschule Deggendorf Professor (d/m/w) Technologien und Prozesse in der Additiven Fertigung Deggendorf
Hochschule München-Firmenlogo
Hochschule München W2-Professur für Mathematische Methoden und Grundlagen (m/w/d) München
Zur Jobbörse