Gewinnen Sie wichtige Informationen aus Ihren Daten

Unser Leistungsportfolio im Umfeld der Datenauswertung ist themenübergreifend und kommt in den Bereichen IoT, Industrie 4.0 sowie im Industrial Internet of Things so richtig zur Geltung.

Ein hoch ausgebildetes Team von Experten unterstützt Sie bei der Auswahl der richtigen Methoden, Werkzeuge und Plattformen. Unser allgemeines Beratungsangebot ist flexibel und überrascht Sie mit individuellen Ideen zur Lösungsfindung in den Feldern Data Intelligence, Digital Experience und Quality Engineering.

Wir geben Ihnen hier einen kleinen Überblick über die Themen, die uns im Bereich der Datenauswertung beschäftigen.

Datenauswertung Grundlagen

IoT und Industrie 4.0 – Alle reden von der Vernetzung der Dinge, von Geräten, die miteinander reden, sich austauschen, Verträge untereinander verhandeln. Spielt da die Datenauswertung überhaupt eine Rolle? Die Antwort: Die Auswertung der Daten haucht dem Internet der Dinge erst Leben ein.

Wir möchten einen Vergleich bemühen: Vergleichen Sie IoT und Industrie 4.0 mit unserem Körper (ja, unserem menschlichen Körper). Sie haben bestimmt schon festgestellt, dass:

  • Sie mit Ihrem Kopf komplexe Gedanken führen, übergreifende Schlüsse ziehen, Transferleistungen vollziehen.
  • Sie Reflexe in ihren Armen, Beinen, Atmungsorganen besitzen.
  • Sie ein Instrument nicht nur mit Ihrem „Kopf“ beherrschen müssen, sondern auch mit Ihren Händen.

Worauf wir hinaus möchten ist: Datenauswertungen müssen an verschiedenen Stellen in IoT Lösungen stattfinden können – Abhängig davon was Sie erreichen möchten (auf die Analogie zu unserem Körper gehen wir nicht ein):

  • Es sollen übergreifende Zusammenhänge hergestellt werden. Selbstverständlich kann dies nur in einer übergeordneten Komponente geschehen, die auf verschiedene Datenquellen Zugriff hat oder die Daten sogar selbst speichert.
  • Daten sollen schnell und unmittelbar lokal ausgewertet werden. Das geschieht am besten in der Nähe der Datenerzeugung. Sprich: in der Nähe der Sensoren.

Wir möchten Sie an dieser Stelle nicht mit technischen Details plagen – Nur Ihren Blick dafür weiten, was alles möglich ist, was wichtig ist, wohin Sie denken könnten um das Beste aus den Optionen herauszuholen, die Sie haben!

Datentransformation

Es erscheint trivial, wird aber oft unterschätzt. An anderen Stellen gibt es sogar Sprichwörter wie „A fool with a tool is still a fool“. Übertragen auf Datentransformation würden wir sagen „Daten im falschen Format können nicht analysiert werden.“ Ist das zu hart? Unsere Erfahrung zeigt, dass es genau die richtige Sicht ist.

Einfachstes Beispiel: Sie wollen in der Liste Ihrer Mitarbeiter einen bestimmten heraussuchen. Ist diese Liste nicht sortiert, tun Sie sich – je nach Unternehmensgröße – sehr schwer. Es gibt weitaus komplexere Beispiele, der Grundtenor ist jedoch immer: Die Daten müssen ihrem (Analyse-)Zweck entsprechen und gut vorbereitet sein, damit der enthaltene Wert extrahiert werden kann.

Datentransformation gibt es auf verschiedenen Ebenen

  • Umwandlung analoger Signale in digitale Signale
  • Transformation digitaler Werte von Sensoren in Datenpakete mit Werten, Zeitstempel und ID des Sensors
  • Transformation von Protokollen
  • Transformation in Vorbereitung zur Anwendung von Algorithmen, Machine Learning Verfahren, Data Analytics Methoden usw.

Für die Transformation der Daten gibt es, je nach zur Verfügung stehender Hardware, unterschiedliche Möglichkeiten. Auf höchster Ebene – beispielsweise in der Cloud – finden Sie Produkte und Frameworks, die Ihnen eine abstrakte, ggf. visuelle Definition der Transformation erlauben. Auf Ebene nahe der Sensoren werden Sie einfachere Möglichkeiten nutzen müssen.

Datenfilter

Für Sie ist es vielleicht das normalste auf der Welt – Wir stellen jedoch fest, dass es immer wieder gesagt werden muss: Wir profitieren davon, wenn wir die Menge der zu verarbeitenden Daten auf ein sinnvolles Maß einschränken. Sie werden das System, welches Sie bauen oder nutzen, immer damit beschleunigen können, wenn Sie die Menge der zu verarbeitenden Daten nicht ausufern lassen.

Manche Sensoren, z. B. auf Induktion basierende Positionssensoren, generieren 1.000 oder mehr Datensätze pro Sekunde. Müssen all diese Informationen durch alle Ebenen Ihrer Anwendung durch? Sehr wahrscheinlich nicht. Daher werden Sie die Daten an entsprechender Stelle – so früh wie möglich – filtern und ggf. aggregieren.

Datenspeicher

IoT Anwendungen speichern im Allgemeinen Daten auf allen Ebenen. Denn, wie im nächsten Abschnitt dargestellt, werden Analysen der Daten ebenfalls auf allen Ebenen durchgeführt.

Speicherung von Daten auf unterschiedlichen Ebenen.
Quelle: Quelle: © 2018 Industrial Internet Consortium, a program of Object Management Group, Inc. („OMG“), Introduction to Edge Computing in IIOT, https://www.iiconsortium.org/pdf/Introduction_to_Edge_Computing_in_IIoT_2018-06-18.pdf

Die Gründe

  • Datenfilter: Frühzeitiges Filtern von Daten hilft, die Datenflut auf das Nötigste zu beschränken.
  • Security: Es mag sinnvoll sein, nur das Ergebnis einer Analyse in die nächste Ebene weiterzutragen. Einfach nachvollziehbar ist das anhand eines Fingerabdrucksensors – Dieser soll nur die Information weitergeben, ob der Finger erkannt wurde oder nicht. Die Daten des Fingerabdrucks sollen möglichst nicht (!) das Gerät verlassen.
  • Performance und Effizienz: Die verteilte Analyse und schnelle Reaktion auf Information ist oftmals nur dann gegeben, wenn an Ort und Stelle analysiert wird. Hierzu werden häufig historische Daten benötigt.
  • Ausfallsicherheit: Würden Daten ausschließlich an einer Stelle (beispielsweise On-premise) gespeichert und analysiert, so wäre damit ein dramatischer SPOF (Single Point of Failure) geschaffen.

Beim Aufbau von IoT und Industrie 4.0 Lösungen müssen die Strategien zur Speicherung von Daten klar definiert und dokumentiert werden. Dabei spielen, wie dargestellt, verschiedene Kriterien eine Rolle.

Datenanalyse

Ähnlich wie die Datenspeicherung findet die Datenanalyse in IoT Anwendungen auf allen Ebenen statt. Das ist leicht nachvollziehbar, wenn Sie beispielsweise an Ihre Foto-App auf Ihrem Smartphone denken:

  • Das Foto wird von Ihrem Smartphone aufgenommen (Smartphone = Device, Bildsensor = Sensor). Der verbaute Bildsensor hat heute bereits ein ganzes Orchester an Analysewerkzeugen verbaut, z. B. einen Autofokus.
  • Ihre Foto-App bietet Ihnen weitere „Gimmicks“, wie beispielsweise das Verzerren Ihres Gesichts, einblenden einer Brille oder einer Krone, oder oder oder. All das geschieht lokal auf Ihrem Smartphone.
  • Nachdem Sie das Foto aufgenommen haben, wird es in die Cloud hochgeladen. Dort wird ggf. eine Personen- bzw. Gesichtserkennung durchgeführt, um die auf dem Foto vorhandenen Personen zuzuordnen.

Wie Sie sehen, werden im genannten Beispiel Daten auf unterschiedlichen Ebenen gespeichert und analysiert. Die Gründe für die Analysen auf den Ebenen sind vielfältig und reichen von Security über Performance bis hin zur Netzwerkkapazität.

Was ist der Mehrwert, den Ihnen die Datenanalyse bietet?

Ausgehend von einem sehr einfachen Beispiel (Smartphone) und der konkreten Frage, wo Daten analysiert werden, können wir die Datenanalyse von einer ganz anderen Seite aus betrachten.

Data Analytics Level.
Quelle: In Anlehnung an Gartner, https://www.gartner.com/en

Angelehnt an das Data Analytics Maturity Model von Gartner können wir verschiedenen Analysemethoden einen Mehrwert zuordnen. Dieser wird umso größer, je eher wir Aussagen für die Zukunft treffen können. Das ist leicht nachvollziehbar: Wenn wir die Zukunft beeinflussen können (rechts oben, Prescriptive Analytics) ist der zu erwartende Mehrwert größer, als wenn wir lediglich die Vergangenheit verstehen (links unten, Descriptive Analytics).

IoT Anwendungen und Industrie 4.0 Szenarien profitieren von allen Analysen. Je weiter wir in die Zukunft gehen – und je mehr wir diese beeinflussen wollen – desto häufiger treffen wir auf komplexe Analysemodelle. Naturgemäß wird der größte Wert in den höheren Ebenen (beispielsweise auf Anwendungsebene und nicht auf Sensorebene) geschaffen.

Die Gründe

  • die Datenmenge und die Breite der Daten nimmt zu
  • die zur Verfügung stehende Rechenleistung nimmt zu
  • die Einflussmöglichkeiten auf das Gesamtszenario nehmen zu

Mit Machine Learning Daten auswerten

Um aufkommende Daten zu  analysieren, Vorhersagen zu treffen, Anomalien zu erkennen, Themen zu klassifizieren, aber auch Entscheidungen zu treffen, werden unterschiedliche auf Machine Learning basierende, statistische Methoden genutzt. Dazu zählen z. B. unterschiedliche Verfahren der Clusteranalyse oder Klassifikation. Bei letzterem kommen für Datensätze, welche eine hohe Klassifikationsgüte erfordern, vor allem neuronale Netze zum Einsatz. Auch wenn Machine Learning oft als komplexe Methode wahrgenommen wird, so finden wir Machine Learning Methoden zunehmend auch auf niederen Ebenen – ganz nahe an den Sensoren und Aktoren. Gerade dort kann Machine Learning seine Stärken ausspielen und sehr effizient abstrakte Daten interpretieren. Zudem können Machine Learning Modelle gut an sich ändernde Gegebenheiten angepasst werden oder sich selbst anpassen.

Weitere Aspekte der Datenanalyse

  • Wie wird das Fehlen von Daten interpretiert?
  • An welcher Stelle werden Plausibilitätsprüfungen eingeführt? Wofür?
  • Wie werden Fehler in Daten festgestellt? Auch hier kann sich Machine Learning eignen, den „Korridor normaler Daten“ zu definieren.
  • Welche Korrelationen können wichtige Informationen bieten?
  • Wie können Kunden bestmöglich unterstützt werden?

Daten Streaming und statische Analysen

Sie werden feststellen, dass Daten rückwirkend oder ad-hoc (Streaming) ausgewertet werden können. Früher war hauptsächlich die rückwirkende Datenauswertung vorzufinden: Einmal monatlich gab es einen Report, also eine Auswertung. Diese wurde als Batch-Verarbeitung durchgeführt. Teilweise beschäftigen uns diese Prozesse zur Auswertung noch heute.

Aktuell treffen wir vermehrt auf Echtzeit-Analysen oder Stream-Processing: denn wir wollen sofort reagieren, wenn die Aktie fällt und nicht erst Stunden später. Wir wollen sofort die Produktion erhöhen, wenn der Bedarf steigt und nicht erst nächsten Monat. Die rechenintensiveren (vergangenheitsbezogene) Analysen fallen aber nicht weg, sondern werden zusätzlich ausgeführt.

Wundern Sie sich nicht, wenn die Datenanalyse einen großen Teil Ihres IoT und Industrie 4.0 Projekts einnimmt.

Gesammelte Daten richtig nutzen

Manche behaupten, dass Daten das neue Öl sind. In Zeiten der Energiewende sind wir uns da nicht so sicher. Fest steht aber, dass Daten in Kombination mit Analysemöglichkeiten eine große Kraft entfalten können. Das geht so weit, dass wir die Zukunft beeinflussen können. Nicht umsonst sind die größten Datensammler auch gleichzeitig die wertvollsten Unternehmen: Google und Facebook sind zwei davon.

Sammeln Sie Daten und nutzen Sie diese, um

  • Ihre Kunden besser kennenzulernen und besser zu unterstützen.
  • Ihre Produktion noch effizienter zu gestalten.
  • Die Qualität Ihrer Produkte noch mehr in den Vordergrund zu stellen.

Worauf warten Sie noch?

Ihr Ansprechpartner

Novatec_Jonas-Grundler

Jonas Grundler

Head of IoT & Digital Innovation
Inhaltsverzeichnis
Ihr Ansprechpartner Jonas Grundler Head of IoT & Digital Innovation
Novatec_Jonas-Grundler