UdZPraxis 1-2016

8 UdZ Praxis Der Maschinen- und Anlagenbau befindet sich hingegen noch am Anfang der Transformationsphase. Dem hohen Nutzungsgrad von systemisch erstellten Daten (z. B. Log- oder Sensordaten) zur inter- nen Prozessoptimierung steht ein großes Defizit im Bereich fort- schriftlicher Datenanalyseverfahren und geplanten, aber nicht umgesetzten Maßnahmen gegenüber. 3 Derzeit werden primär In- formationen aus Daten extrahiert, um die Produktionsplanung und die Analyse von finanziellen Kennzahlen zu unterstützen, jedoch weniger, um Maschinen zu überwachen oder den technischen Service „intelligent“ zu gestalten. Um Mehrwert aus Daten generieren zu können, sollte sich ein Unternehmen in einem ersten Schritt Gewissheit darüber ver- schaffen, welche Datenquellen generell zur Verfügung stehen. Die verschiedenen Datenquellen erzeugen unterschiedliche Daten mit voneinander abweichender Formate, Umfänge und Geschwindigkeiten. Diese stammen aus dem Un- ternehmen selbst, von Sensoren in Maschinen oder Fahrzeugen, dem Social-Media-Bereich, Kunden- schnittstellen oder externen Quellen wie Kon- junktur-, Verkehrs- oder Wetterdaten. Um diese Daten aus einer Vielzahl von Quellen nutzbar machen zu können, empfiehlt der Verband BITKOM vier wesentliche Merkmale zur Strukturierung des Dateninputs : • Datenvolumen, z. B. Bytes (8-Byte) bis hin zu Yottabytes ( 10 24 ), • Datenvielfalt, z. B. strukturierte Daten (Transaktionsdaten) oder unstrukturierte Daten (Social Media), • Datenherkunft, z. B. interne Quellen (Stamm- und Maschinendaten) und externe Quellen (Konjunktur, Wetter), • Datenverarbeitungsgeschwindigkeit, z. B. Echtzeitverarbeitung oder Batchverarbeitung in Intervallen. 1 Die Relevanz unterschiedlicher Datenarten ist dabei für Unternehmen in hohem Maße individuell. Konstant sind jedoch die vier wesentlichen Arten der Datenanalysen . In einer ersten Stufe werden mithilfe deskriptiver Analysen durch simple Methodik (bspw. einfache Excelauswertungen) Informationen generiert, während die genauen Zusammenhänge in Stufe zwei, der Diagnose, mithilfe von Mustererkennung untersucht werden. Stufe drei beinhaltet mit prädiktiven Ana- lyseverfahren die Prognose. Die Königsdisziplin stellt Stufe vier dar, in welcher präskriptive Analysen genutzt werden, um automatisiert konkrete Vorschläge zur Entscheidungsunterstützung abzuleiten. Der Weg führt also über die Informations- verarbeitung, deren Analyse und Prognose bis hin zur vorausschauenden Optimierung dieser. Um die fortgeschrittenen Analysestufen durchlaufen zu können, müssen oftmals neue Technologien, wie beispielsweise In-Memory-Datenspeicher, eingebunden werden, um eine hohe Verarbeitungsgeschwindigkeit mit Echtzeitdaten sicherzustellen. Stufen der Datenanalyse (i. A. a. Schuh 2015)