16 Mrz 2017

Big Data Solutions – mit den richtigen IT-Werkzeugen zur „Fabrik 4.0"

Ohne Big Data geht es nicht: Die Auswertung großer Datenmengen ist eine der Schlüsselvoraussetzungen für die "Fabrik 4.0" der Zukunft. Doch wer das Verfahren nutzen will, braucht die richtigen Werkzeuge – und die auszuwählen, ist nicht einfach. Fünf Leitfragen erleichtern den Einstieg.


Stellen Sie sich vor: Die Geschäftsführung hat entschieden, dass ihr Unternehmen künftig Big Data nutzen wird, um Planungs- und Steuerungsabläufe in der Fertigung zu optimieren. Und Sie haben die Aufgabe erhalten, die dafür erforderliche Infrastruktur zu beschaffen. Was jetzt?


Die Auswahl einer Systemumgebung für Big Data ist nie einfach. Selbst dann nicht, wenn die Ziele des Verfahrens grundsätzlich feststehen. Denn die Zahl der am Markt verfügbaren Plattformen ist inzwischen groß – und der Leistungsumfang der Anwendungen in der Regel vergleichbar.


Wer herausfinden will, welche Plattform die beste fürs eigene Unternehmen ist, kommt deshalb nicht darum herum, einige Überlegungen anzustellen. Die nachfolgenden Fragen helfen dabei.

 

Frage eins: „Wie komplex ist unser Unternehmen"?

Industrieunternehmen mit eigener Fertigung brauchen in der Regel mehr als nur gelegentliche Einmal-Analysen. Meist sind vielmehr fortlaufende, die gesamte Wertschöpfungskette erfassende Auswertungen gefragt. Dafür muss die zu wählende Big-Data-Plattform in alle relevanten Geschäftsabläufe integriert werden, sprich: mit allen Geschäftsanwendungen, Maschinen und Anlagen verbunden sein.

Die Prüfung, welche Big-Data-Plattformen eine solche Integration bestmöglich unterstützen, ist deshalb oft ein guter erster Schritt. Nützliche Fragen in diesem Zusammenhang sind beispielsweise: Wie komplex ist unser Unternehmen? Wie verzweigt die Wertschöpfungskette? Wie viele Geräte, Anwendungen und Daten wären zu verarbeiten?

Je nach Unternehmensgröße und -komplexität kommen hier außer den Plattformen etablierter Hersteller wie SAP, T-Systems, IBM oder HP meist nur noch eine Handvoll „schlankere" Anwendungen in Frage, wie sie verschiedentlich Industrieausrüster wie etwa Siemens oder auch Start-Ups bieten.

Frage zwei: „Welche Anforderungen haben wir?"

Um die Vorauswahl weiter einzugrenzen, können Verantwortliche als nächstes die Anforderungen klären, die ihr Unternehmen an eine Big-Data-Plattform stellt.


Steht beispielsweise die Verarbeitung sehr großer Mengen von Daten aus verschiedenen Speichern im Vordergrund? Oder werden eher „Advanced Analytics" benötigt, also Echtzeit-Auswertungen von Daten etwa aus einer Web-Anwendung? Sind die Daten eher strukturiert (liegen also z.B. in Tabellen vor), semistrukturiert (XML) oder unstrukturiert (Fließtexte, Bilder, Video)? Wie schnell müssten Auswertungsresultate erzeugt und bereitgestellt werden? Und: Wer wird damit arbeiten?


Je nachdem, wie die Antworten auf diese Fragen ausfallen, kann die Beschaffung unterschiedlicher Speicher, Datenbanken und Big-Data-Software erforderlich werden.


Unternehmen, die besonders schnelle Auswertungen benötigen, brauchen beispielsweise außer den eigentlichen Big-Data-Anwendungen unter Umständen auch superschnelle, hauptspeicherresidente „In-Memory"-Datenbanken wie SAP HANA, die das Auswerten selbst komplexester Datenbestände in Echtzeit-naher Geschwindigkeit ermöglichen.


Und für Firmen, in denen auch fachfremde Mitarbeiter mit den Auswertungen arbeiten sollen, rechnet sich unter Umständen die Anschaffung zusätzlicher Visualisierungs-Software, die leicht verständliche Übersichten bietet, welche direkt auf bestimmte Arbeitsplätze zugeschnitten sind.

 

Frage drei: Was ist das beste Bereitstellungsmodell?

Auch das zu erwartende Nutzungsmuster der Big-Data-Plattform ist eine Vorüberlegung wert: Wird das Unternehmen künftig nur selten Auswertungen vornehmen, die dann aber sehr viel Ressourcen verbrauchen, dürfte ein „Big-Data-as-a-Service"-Dienst aus der Cloud die bessere, weil wirtschaftlichere, Wahl sein. Werden dagegen eher fortlaufende Big-Data-Analytics-Workloads vorgenommen, bieten lokal („On-Premise") installierte Plattformen meist mehr Leistung. Überdies können sie besser an spezielle Anforderungen angepasst werden. Damit sind sie bisweilen auch die bessere Wahl für Firmen, die sehr spezielle Anwendungen betreiben oder besondere Daten verarbeiten müssen.


Unternehmen, die „gemischte" Workloads erwarten, können beide Bereitstellungsvarianten selbstverständlich in Kombination nutzen – die meisten Hersteller bieten hybride Varianten ihrer Plattform an, die Big-Data-Hard- und Software im unternehmenseigenen Rechenzentrum mit speziell darauf abgestimmten Cloud-Diensten kombinieren.


 

BTC eBook Big Data

Frage vier: Welche Ressourcen haben Sie bereits?

Die endgültige „Short List" möglicher Big-Data-Plattformen entsteht dann abschließend durch einen Blick auf die bereits vorhandene IT-Landschaft im Unternehmen. Schließlich bestimmt die gegebene Architektur, welche Big-Data-Anwendung besonders einfach und wirtschaftlich implementiert werden kann.


Ein wichtiges Beispiel: Viele Unternehmen verfügen bereits über Data-Warehouses oder sogar Big-Data-Anwendungen außerhalb der Fertigung. In solchen Fällen lohnt es sich fast immer zu prüfen, ob die vorhandene Plattform nicht vergleichsweise einfach und günstig auf die Fertigung ausgeweitet werden kann.


Ähnlich empfehlenswert ist, zu klären, ob und wie auch andere Investitionen geschützt werden können. Kommt vielleicht die Big-Data-Plattform des Industrieausrüsters in Frage, der die meisten Maschinen des Unternehmens geliefert hat? Oder die vom Entwickler der in der Firma eingesetzten Warenwirtschafts-Software?

 

Frage fünf: Wer ist der bessere Partner?

Die letzte Entscheidung für eine ganz bestimmte Big-Data-Plattform sollten die Verantwortlichen dann aber nahezu unabhängig von sachlichen und technischen Erwägungen treffen – und stattdessen genau überlegen, welcher Lösungsanbieter der beste Partner für ihr Unternehmen ist.


Prüfen Sie also genau, welche Beratungsleistungen ein Partner bietet, wie gut er Ihr Geschäft versteht und mit wie viel Engagement er auf Ihr konkretes Vorhaben eingeht. Und versäumen Sie nicht, auch die wirtschaftliche Leistungsfähigkeit des Anbieter-Unternehmens zu prüfen. Schließlich nützt das beste Big-Data-Werkzeug wenig, wenn der „Werkzeugmacher" plötzlich vom Markt verschwindet.


Grundsätzlich gilt: Mit dem richtigen Partner erzielen Sie selbst mit einer nicht optimal geeigneten Big-Data-Plattform bessere Resultate als mit der scheinbar besten Plattform eines Lösungsanbieters, der sich nicht oder kaum in ihr Vorhaben einbringt.

 

Fazit

Die Auswahl einer Big-Data-Plattform ist nicht trivial. Doch die erforderlichen Entscheidungen sind keinesfalls so kompliziert, wie sie zunächst scheinen. Verantwortliche brauchen nämlich nicht von vorneherein Technologien zu verstehen und Features zu vergleichen – für den Anfang genügt es, Geschäftssinn und Sachverstand einzusetzen und die richtigen Fragen zu stellen. Lokalisierung ist vollständig:

Datenschatz führt zu besseren Produkten und neuen Geschäftsmodellen

Wer Industrial Analytics erfolgreich nutzt und die drei genannten Hürden meistert, wird seinen Datenschatz schnell in echten geschäftlichen Mehrwert umwandeln. Zunächst liegt dabei die Aufwertung bestehender Produkte mit zusätzlichen Features nahe, wie etwa Predictive Maintenance oder eine bessere Visualisierung der Daten für den Nutzer.


Eine weitere Option sind neue datenbasierte Geschäftsmodelle rund um existierende Produkte, etwa die Abrechnung nach erbrachter Leistung. Mit Products-as-a-Service nutzt ein Unternehmen seine Erkenntnisse aus der Datenanalyse, um ein Produkt für den Kunden so zu optimieren, dass Ertrag oder Verfügbarkeit steigen.


Wer noch weiter geht, entwickelt ganz neue Geschäftsmodelle aus den Daten. Bisher steht die sogenannte Plattformökonomie im industriellen Umfeld zwar noch ganz am Anfang, doch Think Tanks wie die acatech sehen darin ein großes Potenzial für die produzierende Industrie. Auch deshalb ist Industrial Analytics so bedeutend, denn es geht um nicht weniger als die Zukunftsfähigkeit von fertigenden Unternehmen.

Kommentieren