Big Data ist ein ungebrochener Hype und berühmte Zitate bezeichnen Daten als das Öl des 21. Jahrhunderts. Das Potential gesammelter Daten ist schier unendlich: Sammeln Sie Daten, dann können Sie auf Basis der gewonnen Informationen neue, disruptive, innovative, digitale Geschäftsmodelle entwickeln, Wettbewerbsvorteile gegenüber der Konkurrenz erzielen und durch die Möglichkeit von präzisen Vorhersagen die richtigen Geschäftsentscheidungen treffen. Wirklich? Nun, leider nicht ganz. Denn dazu braucht es nämlich schon die richtigen Daten. In der richtigen Qualität und der richtigen Granularität. Und Sie müssen vor allem in der Lage sein, die Information, das „Wissen“, aus den Daten zu holen.
Sammeln Sie noch oder nutzen Sie schon?
In der Euphorie laufender Digitalisierungs- und IoT-Projekte werden Maschinen vernetzt, Prozesse digitalisiert und unzählige Daten angehäuft. Aber Daten sammeln nur um des Sammelns Willen ist weder sinnvoll noch zielführend. Schon 2015 waren laut einer Studie von IBM über 80 % aller Daten ungenutzt, bis 2020 soll das auf 93 % steigen. Grundsätzlich ist natürlich nichts dagegen einzuwenden, erst einmal mit dem Datensammeln anzufangen und in einem nächsten Schritt die Daten zusammenzuführen, zu analysieren, auszuwerten und zu nutzen. Doch um einen echten Mehrwert aus den Daten generieren zu können ist es notwendig, sich bereits von Beginn an zu überlegen, welche Informationen und Verbesserungen aus den Daten gewonnen werden sollen.
Ein strukturloses Sammeln ist dabei grundsätzlich immer gut, aber es muss eine nachträgliche Struktur entstehen können. Ansonsten besteht die Gefahr, dass Zusammenhänge zu einem späteren Zeitpunkt nicht hergestellt werden können. Diese sind aber unerlässlich zu Beantwortung analytischer Fragestellungen.
Im Bereich Qualitätssicherung und Produktqualität können mit IoT und BigData Projekten nachhaltig Verbesserungen und Effizienzsteigerungen erreicht werden. Die Qualitätskontrolle kann beispielsweise mit maschineller Bilderkennung verbessert und automatisiert werden, oder durch die Auswertung von Sensordaten können Anomalien im Produkt erkannt werden. Der Einsatz von Predictive Analytics kann zusätzlich die Produktqualität optimieren. Schädliche Produktionsbedingungen werden bereits identifiziert, bevor Ausschuss produziert wird. Umwelt, Maschine, Personal und Material werden gemeinsam evaluiert. Essentiell für den Erfolg solcher Projekte ist wieder eine ganzheitliche Betrachtung der Daten und deren Zusammenhänge über den gesamten Produktionsprozess hinweg.
Im Anwendungsfall „Predictive Maintenance“ können Maschinenwartungen, Fehler oder Anomalien anhand historischer Sensordaten vorhergesagt und damit auch verhindert werden. Das Problem wird behoben, bevor es auftritt: Rechtzeitige Reparaturen reduzieren Produktionsausfälle, notwendige Wartungen können intelligent, je nach Verschleiß, eingeteilt und dieser durch den geplanten Gebrauch vorhergesagt werden.
Allerdings kann nichts vorausgesagt werden, was vorher nicht erfasst wurde. Wird beispielsweise übersehen, dass Fehler oder der Fehlerzeitpunkt aufgezeichnet werden, können diese bei zukünftigen Prognosen nicht berücksichtigt werden. Hier wäre schon hilfreich, wenn Informationen wie Datum, Uhrzeit und der Fehler (Kategorie) selbst gespeichert werden. In einem Excel-File, einem Formular, etwas, das elektronisch lesbar ist oder das später digitalisiert werden kann - somit würde schon ein einfacher Zettel ausreichen. Grundsätzlich ist mit Künstlicher Intelligenz schon vieles möglich, aber keine Fehlerdaten zu haben, bedeutet eine zusätzliche Unschärfe.
Die richtigen Fragen stellen
Am Anfang eines jeden Data Science-Prozesses steht also die Formulierung von konkreten Fragen, die mit Hilfe der Daten beantwortet werden sollen.
Was aber genau machen Data Scientists eigentlich? Data Science ist grundsätzlich ein Teilbereich von Business Intelligence. Allerdings liefern BI-Dashboards oder Reports nicht immer Antworten auf bestimmte Fragen. Will man beispielsweise wissen, warum Maschinenausfälle oder die Ausschussproduktion zu einem bestimmten Zeitpunkt höher als üblich waren, sind weitere Analysen nötig. Die Analyse, Aufbereitung und Interpretation der vorliegenden Daten und vor allem auch deren Zusammenhänge durch einen Data Scientist können die Ursachen aufdecken und unterstützen, Lösungsansätze zur Problembehebung zu finden.
Natürlich liefert Data Science nicht nur im Produktionsumfeld wertvolle Informationen, sondern kann in allen Unternehmensbereichen eingesetzt werden. Letztendlich geht es immer darum, Wettbewerbsvorteile zu erzielen. Dazu müssen Unternehmen in der Lage sein, die richtigen Entscheidungen zu treffen. Und dafür müssen die richtigen Daten zusammengeführt und ausgewertet werden. Erst die detaillierten Einblicke in Ihre Daten liefern die Informationen für präzise Zukunftsprognosen.
Von Big Data zu Smart Data
In unseren bisherigen Projekten standen wir jedoch immer wieder vor der Herausforderung, dass sich die zur Verfügung stehenden Daten nicht oder nur unzureichend zusammenführen ließen. Data Governance spielt also eine entscheidende Rolle. Wo und wie fängt man also am besten an?
Am 7. November wird Ihnen unser Data Scientist Dr. Mario Schnalzenberger bei unserem Event „Innovative Produktion“ genau diese Frage beantworten. Neben diesem spannenden Vortrag über Data Science in der Praxis wird auch Johannes Matiasch, TeamLead Industrie 4.0 bei CAG, die Durchführung und Ergebnisse unseres gemeinsamen Hackathons vorstellen. Ziel des zweitägigen Innovationsworkshops war, nach innovativen Lösungen zu suchen, um die Effizienz der Produktion weiter steigern zu können.
Das ganze Programm und die Anmeldung zum Event finden Sie hier: https://www.acp.at/event/digital
Nutzen Sie die Chancen der Digitalisierung und stellen Sie sicher, dass Sie tatsächlich jene Daten sammeln, die Sie am Ende weiterbringen. Denn das Ziel ist nicht, so viele Daten wie möglich zu sammeln, sondern die richtigen.
Wir freuen uns, Sie am 7. November in Wien begrüßen zu dürfen.
