Anzeige

Big Data Analytics

Quelle: USU Software AG

Sensoren, Maschinenlogs, SAP-Daten, Remote-Plattformen oder andere Quellen liefern jeden Tag enorme Datenmengen. Sie bleiben häufig ungenutzt. Die Herausforderung ist es, diese Big Data so aufzubereiten, dass man daraus Werte schaffen kann – auf der Kosten-, der Risiko- und vor allem der Wachstumsebene.

Verborgene Schätze

Die Erkenntnis, dass Datenanalysen in allen relevanten Bereichen eines Unternehmens einen Mehrwert bieten können, hat sich inzwischen bei den meisten Organisationen durchgesetzt. Es geht z.B. darum, Fehler frühzeitig zu erkennen, vor Geschäfts- und Marktrisiken zu warnen, das Geschäftsmodell um neue datengetriebene Services zu erweitern oder die Qualität in der Produktion zu verbessern. Doch wie lassen sich die verfügbaren Massendaten transformieren und in strukturierte, intelligente Informationen, so genannte Smart Data, umwandeln? In welchen Prozessen steckt verborgenes Potenzial? Welche Methodik, welcher Anwendungsfall verspricht Erfolg? Welches Know-how und welche Tools werden benötigt? Sind diese im Unternehmen vorhanden oder sollte man die Expertise von spezialisierten Anbietern nutzen?

Daten und Datenanalysen unterstützen viele wichtige Unternehmensentscheidungen. Subjektive Entscheidungsfindungen auf der Grundlage von Erfahrung und Bauchgefühl werden immer häufiger durch objektive, datenbasierte Erkenntnisse ersetzt oder zumindest ergänzt. Es ist in der Praxis jedoch alles andere als trivial, aus Daten einen erkennbaren und planbaren Nutzen zu ziehen. Es kommt dabei auf die Menge der richtigen Daten, die darauf angepasste Analyse und besonders die qualitätsgesicherte Bedeutung an, um den Wert der extrahierten Daten flexibel für individuelle Einsatzszenarien auszuschöpfen.

Haupttreiber für Big Data

Bild: Mit 63% ist das Ziel, operative Prozesse besser steuern zu können, der wichtigste Treiber für Big Data Analytics, (Quelle: Smart-Data Begleitforschung, Big Data Business, November 2015.

Erfolgskritisch hierfür ist mathematisches Know-how, das in Kombination mit Expertenwissen über z.B. Druckmaschinen mittels komplexer Algorithmen bisher unentdeckte Informationen sichtbar macht. Hierbei ergänzen sich die datenbasierte Analyse eines Data Scientisten und das erfahrungsbasierte Know-how des Maschinenexperten, um die Bedeutung neuer Erkenntnisse qualitätsgesichert zu erarbeiten. Ob dies durch externe Unterstützung oder den Aufbau einer neuen Abteilung entsteht, hängt von 3 wesentlichen Faktoren ab: Kapazität, Zeit und Kosten. Nach dem Motto „Think big, start small, gain fast“ wird im Folgenden ein Ansatz skizziert, bei dem es mit externer Unterstützung gelingt, einen ersten Anwendungsfall rasch zu erarbeiten und umzusetzen – mit wenig Aufwand und geringen Kosten. Dies funktioniert in vier einfach zu erklärenden Schritten:

1. Use Case − was soll optimiert werden?

Der externe Data Scientist erarbeitet interaktiv mit dem Maschinen-Experten den ersten Use Case zur individuellen Verbesserung. Dies kann beispielsweise das Detektieren von anomalen zeitlichen Verläufen physikalischer Messgrößen sein. Oder das Auffinden von Korrelationen zwischen Ereignissen in Logdaten. In einem ersten Gespräch wird erörtert, welche Fehler oder Störungen datenbezogen gesichtet werden sollen und wo es Optimierungsbedarf gibt. Die anschließende Untersuchung und Begutachtung der Daten wird von Seiten dieses Teams beispielhaft aufgearbeitet und verfeinert. Das Ergebnis dieses wichtigen Schrittes ist die Business-Value-Definition unseres ersten Anwendungsfalls.

2. Prototyp − funktioniert es?

Nun folgt der Schritt der Datenvorbearbeitung: der Data Scientist bereitet die Daten speziell für den Anwendungsfall auf. Hierbei werden beispielsweise Offsets korrigiert und falsche Sensorwerte (Öltemperatur unter Null in einer beheizten Halle) eliminiert. Dies ist insbesondere wichtig, um ungewünschte Seiteneffekte in der anschließenden Analytics zu vermeiden. Jetzt entwickelt er den individuell angepassten Algorithmus, beispielsweise aus den Bereichen des maschinellen Lernens oder der kognitiven Intelligenz. Muster, Unregelmäßigkeiten und Ausreißer werden somit identifiziert und bislang unbekannte Kausalzusammenhänge aufgezeigt. Die Basis zur Optimierung ist jetzt geschaffen.

3. Umsetzung − ab in die Praxis!

Es folgt die Transformation auf die Big Data-Plattform. Dazu migriert der Data Engineer den prototypisch entwickelten Algorithmus, so dass dieser performant und zuverlässig auch auf große Datenmengen angewandt werden kann. Durch die abschließende Integration in die Wertschöpfungskette wird das in Schritt eins festgelegte Ziel erreicht. Neue Geschäftsmodelle entstehen sehr oft dadurch, dass Daten, die ohnehin in Massen verfügbar sind, in einen neuen Kontext gestellt und auf neuartige Weise verknüpft werden. So kann man beispielsweise durch Peer-Group- Vergleiche erkennen, wo der Wertstromprozess verbessert werden kann. Dabei ist es notwendig, die Topentscheider einzubinden, denn die Strategie muss sich nach den Firmenzielen richten – und diese werden von der obersten Ebene ausgegeben.

4. Anwendung − Gewinn einholen!

Die Wertschöpfung wird erst dann realisiert, wenn die Zielgruppe den gewählten Anwendungsfall als erfolgreich annimmt. Und genau so entstehen gewinnbringende Smart Services: Beispielsweise ist der Servicebereich durch Predictive Maintenance jetzt in der Lage, frühzeitig Fehler zu erkennen und dadurch eine proaktive Handlungsempfehlung auszusprechen. Diese führt unmittelbar zur Steigerung der Produktivität und Risikominimierung. Oder mittels Peer-Group-Vergleich konnte die Basis geschaffen werden, einen Beratungsansatz zur Performance-Steigerung anzubieten, mit dem Ziel der Effizienzsteigerung des Wertstromprozesses und Qualitätsverbesserung in der Produktion. Hierbei sind aus der Erfahrung heraus durchaus Steigerungen von 40% OEE (Overall Equipment Effectiveness) erreichbar. Um das Gesamtziel zu erreichen, erarbeitet das Team auf diese Weise sukzessive Use Case für Use Case. Und durch Know-how-Transfer entsteht – quasi als Nebeneffekt – die neue interne Abteilung für Big Data Analytics.

Lessons Learned

Neue Smart Services müssen implementiert werden und sich etablieren. Wichtig bei der Integration in die Wertschöpfungskette ist es, das Unternehmen auf den neuen Anwendungsfall vorzubereiten. Dabei kommt es sowohl darauf an, den Menschen mitzunehmen, dessen Arbeitsumfeld sich verändert, als auch, die Strukturen und Strategien in Vertrieb und Marketing anzugleichen.

Keyfacts über Big Data Analytics

  • Neue Marktgesetze: „schnell gegen langsam“ ersetzt „groß gegen klein“
  • Alleine oder durch externe Unterstützung hängt ab von: Kapazität, Zeit und Kosten
  • Agiles Vorgehen durch Erarbeitung und Umsetzung von klar definierten Use Cases
  • Auf dem Markt schnell mit wenig Aufwand erste Erfolge zeigen und testen
  • Erfolg entsteht durch Technik, Mensch und Wandel innerhalb des Unternehmens
  • Jetzt beginnen

Christine KraseChristine Krase ist Business Unit Managerin bei der USU Software AG in Möglingen und verantwortet den Vertrieb im Geschäftsfeld Katana.

 

 

 


Newsletter Anmeldung

Smarte News aus der IT-Welt

Sie möchten wöchentlich über die aktuellen Fachartikel auf it-daily.net informiert werden? Dann abonnieren Sie jetzt den Newsletter!

Newsletter eBook

Exklusiv für Sie

Als Newsletter-Abonnent erhalten Sie das Booklet „Social Engineering: High Noon“ mit zahlreichen Illustrationen exklusiv und kostenlos als PDF!

 

Weitere Artikel

Digitale Spuren

Datenspuren im Netz

Wer im Internet surft hinterlässt Spuren. Von der eigenen IP-Adresse über Suchanfragen bis hin zu Posts in den sozialen Medien.
Data Analytics

Tech verändert die Finanzindustrie: "Daten-Banken" der Zukunft

Nur wenige Branchen müssen sich derzeit so intensiv neu erfinden wie Banken und Finanzdienstleister. Einerseits ist starke Kundennähe durch ein Filialnetz notwendig, andererseits auch rasche technologische Innovationen. Auswirkungen der Corona-Pandemie auf…
2021

Datenstrategie: Drei Trends für 2021

2020 stellte viele Unternehmen unverhofft vor neue Herausforderungen: Wie passe ich meine IT-Infrastruktur dem Wandel hin zu Remote-Working an? Wie versorge ich Mitarbeiter mit allen notwendigen Informationen? Wie optimiere ich den Datenfluss, um in…

Anzeige

Newsletter Anmeldung

Smarte News aus der IT-Welt

Sie möchten wöchentlich über die aktuellen Fachartikel auf it-daily.net informiert werden? Dann abonnieren Sie jetzt den Newsletter!

Newsletter eBook

Exklusiv für Sie

Als Newsletter-Abonnent erhalten Sie das Booklet „Social Engineering: High Noon“ mit zahlreichen Illustrationen exklusiv und kostenlos als PDF!