Ein erster Schritt zum effizienten Arbeiten mit Big Data ist deshalb das Schaffen einer strukturierten Datenbasis, wofür die vorhandenen Daten systematisch zusammengeführt werden müssen. Moderne Anlagen unterstützen entsprechende Datenstrukturen bereits. Bei älteren Systemen sind folgende Schritte auszuführen:
- Ein Datenbanksystem fasst die vielen Einzeldaten aus der parallelen Datenhaltung zusammen.
Datenbankanwendungen lösen Excel und Papierdokumente ab. - Verschiedene Automatismen verbinden speicherprogrammierbare Steuerungen (SPS) mit der Datenbank. Gleichzeitig wird die Integration anderer Systeme vorangetrieben.
Nun liegen die Daten erstmals in einer einheitlichen Struktur und mit einer hohen Verfügbarkeit sowie Aktualität vor. Aus den losen Daten sind Informationen geworden, die nun als Basis für eine erste Ist-Analyse der Fertigung dienen – je nach Aktualität bis hin zur Echtzeit. Diese Informationen ermöglichen etwa die transparente Darstellung der kompletten Prozesskette und erlauben das sofortige Eingreifen in den Fertigungsprozess, sobald abweichende Parameter ein Problem signalisieren. So erhöht sich die Anzahl der fehlerfrei produzierten Teile, da Mitarbeiter fehlerhafte Teile schneller identifizieren und sofort aussortieren können. Die Produktqualität steigt. Ein weiterer Vorteil ist, dass im Falle von zu spät bemerkten Qualitätsfehlern keine kompletten Chargen, sondern anhand der Datenanalyse nur gezielt ausgewählte Teile zurückgerufen werden müssen.
Schaffen von neuem Wissen
Das finale Ziel im Umgang mit Big Data ist jedoch nicht das ausschließliche Nutzen von Informationen, sondern das Schaffen von neuem Wissen aus den Informationen. Denn erst hiermit können moderne Anwendungen, wie Predictive Maintenance, realisiert werden. Stark vereinfach ist die Basis für neues Wissen immer das sinnvolle Verknüpfen von Informationen, um daraus Zusammenhänge ableiten zu können. In der Praxis erfordert die Wissensgenerierung das Transformieren der Informationsdaten in eine Analysedatenbank. Hier werden die Informationen je nach Zielsetzung verarbeitet.
Mit Online Analytical Processing (OLAP) zum Beispiel wird das Datenmaterial in einem mehrdimensionalen Datenwürfel aufbereitet. Mit ihm lassen sich Hypothesen bestätigen oder widerlegen: Sind Ausfallzeiten durch Jahreszeiten bedingt? Führt der Benutzer Bedienbefehle stets in der gleichen Reihenfolge durch, sodass sich eine Automatisierung mit nur einem Befehl lohnt? Hängt ein Kaufverhalten von regionalen Einflüssen ab? Da die Hypothesen den Aufbau des Datenwürfels bestimmen, muss Expertenwissen hinsichtlich der gewünschten Zielsetzung existieren und berücksichtigt werden. Kein Vorwissen über die gewünschte Zielsetzung ist hingegen beim klassischen Data Mining nötig.
Data Mining ist das bereits beschriebene Suchen von bisher unbekannten Relationen. Mögliche Algorithmen sind Korrelationsanalysen für verschiedene Merkmale, Streudiagramme und Clusterbildungen beziehungsweise Klassifikationen für das Identifizieren von zwei- oder mehrdimensionalen Zusammenhängen. Durch die Kombination von OLAP und Data Mining können nun anhand von aktuellen Messwerten aus der Produktion und automatisiert erkannter Abhängigkeiten Vorhersagen zu zukünftigen Werten und Ereignissen getroffen werden – etwa vorausschauende Wartungsintervalle.
Möglichkeiten der Cloud-Technologie
Bislang kommen solche Analysen nur für einzelne Bereiche innerhalb von Unternehmen zum Tragen, maximal aber bereichsübergreifend mit Anbindung an ERP-Systeme. Tatsächlich bietet gerade die Cloud-Technologie auch die Möglichkeit für das Gedankenspiel, dass sich Unternehmen innerhalb der Produktlieferkette untereinander verknüpfen und auf gemeinsame Informationen und Wissen zugreifen. Meldet etwa ein Zulieferer automatisiert eine erwartete, niedrigere Produktion von Zulieferbauteilen infolge von Wartungsarbeiten, so kann die Auslastung der eigenen Fertigung entsprechend angepasst werden.
