Daten aufbereiten
Die Menge an Sensordaten und ihre Heterogenität verursachen einen beträchtlichen Aufwand wenn es darum geht, die Ursachen von Fehlermustern, Anomalien oder Ausfällen zu finden. Immer häufiger ersetzen Advanced-Analytics- und KI-Techniken die traditionelle Business Intelligence (BI) – nicht zuletzt wegen der großen Datenmengen aus unterschiedlichsten Quellen. Diese sollten vorher idealerweise in eine für die Analysen geeignete Form transformiert und gegebenenfalls vorverarbeitet sowie bereinigt werden. Je nach Umfang oder der benötigten Antwortzeit empfiehlt es sich, die Daten nicht nur in der zentralen Unternehmens-IT auszuwerten, sondern bereits in einem Edge Device bzw. Gateway an der Maschine.
Unternehmensübergreifend
Neben der Steigerung der Anlagenverfügbarkeit, der Qualität oder des Durchsatzes ist die unternehmensübergreifende Zusammenarbeit ein weiterer Trend, bei dem die Auswertung von Daten hilfreich ist. Hersteller können so beispielsweise erfahren, wie ihre Produkte eingesetzt werden und sie daraufhin optimieren. Der Kosmetikhersteller L’Oreal ist dafür ein Beispiel: Um die Produktqualität sicherzustellen, nutzt das Unternehmen integrierte IoT-Sensoren in seinen Fertigungslinien. Mit Hilfe der Design-Thinking-Methode wurden dabei Schwachstellen wie etwa die Umrüstzeiten identifiziert und eine Architektur entwickelt, die diese adressiert.
Daten sichtbar machen
Für eine erfolgreiche Umsetzung von Analyseprojekten ist eine agile und iterative Herangehensweise empfehlenswert sowie der kontinuierliche Austausch zwischen Fachbereich und Analysten und eine sukzessive Erhöhung der analytischen Komplexität. Zunächst gilt es, die Daten zu visualisieren – z.B. auch auf mobilen Endgeräten. Aufbauend darauf lassen sich in weiteren Phasen komplexe Zusammenhänge, Vorhersagen, Optimierungen und Handlungsempfehlungen entwickeln. Mit vortrainierten KI-Lösungen können gängige IoT-Fragestellungen abgedeckt und Projekte im eigenen Unternehmen beschleunigt werden. Dazu zählen beispielsweise die vorausschauende Wartung oder die Produktionsoptimierung. Ein Werkzeug, dass Data Scientists bei der Analyse vielfältiger Daten unterstützen kann, ist beispielsweise Watson Studio. Basierend auf Open-Source-Standards können damit große Datenmengen ausgewertet werden.
