Data Collection –
Viel hilft nicht viel!

Dass Daten heute einen enorm hohen Wert für Unternehmen haben, ist längst kein Geheimnis mehr. Um das zu unterstreichen, werden immer wieder ähnliche Metaphern bemüht. Daten sind dann zum Beispiel das Öl oder das Gold der Zukunft. Was bei diesen Bildern allerdings ziemlich schief ist: Anders als Öl oder Gold sind Daten kein bisschen knapp. Sie sind vielmehr wie Sand am Meer – sie sind ein Strand, der rasend schnell immer weiter wächst. Daten sind also wertvoll und sie kommen in ungeheuren Mengen vor. Für Unternehmen besteht eine wesentliche Herausforderung der digitalen Transformation deshalb darin, genau jene Daten einzusammeln, aus denen sie einen Nutzen für sich ziehen können. Data Collection ist eine strategische Aufgabe.

Vom Use Case aus denken

Und die beginnt ganz am Ende, nämlich bei dem, was mit den Daten erreicht werden soll. Sollen die Vorlieben und die Verhaltensweisen der Kunden analysiert werden, um sie mit individuellen Botschaften zum Kauf zu bewegen? Soll der Zustand sämtlicher Maschinen und Anlagen zu jeder Zeit bekannt sein, um mögliche Ausfälle treffsicher prognostizieren zu können? Oder sollen die Entwicklungen in den Märkten vorhergesagt werden, um Investitionsentscheidungen auf einer soliden Basis zu treffen? Der Datenbedarf ergibt sich also aus der Business- und Prozessperspektive. Und davon hängt wiederum ab, welche Datenquellen angezapft werden müssen. Dazu werden immer wieder bestimmte Variationen von Use Cases diskutiert, die verschiedene Schwerpunkte setzen – je nachdem, welcher Wert bei der Datennutzung im Wesentlichen entsteht.

Bei einem typischen IoT-Szenario wird zum Beispiel eine mehr oder weniger große Menge an Endgeräten betrachtet, die in der Lage sind, operative Daten aller Art zu senden. Der vernetzte Getränkeautomat übermittelt Verbrauchsmengen, Zeitreihen zur Nutzung, technische Betriebsdaten und ähnliche Informationen. Der Nutzen dieser Daten ist unmittelbar ersichtlich: Der Automat kann optimal mit Getränken bestückt werden, technische Probleme werden direkt erkannt und mithilfe von Regressionsanalysen der Verbrauchsdaten lassen sich vielleicht mittelfristig Verbrauchsprognosen ableiten. Eventuell werden noch ein paar Wetterdaten dazugekauft und wird eine statistisch verwertbare Standortbeschreibung ergänzt.

Infrastruktur lässt sich ableiten

Die Anforderungen an die technische Infrastruktur ergeben sich in diesem Beispiel – wie auch in allen anderen Szenarien – aus dem Standort der Datenquelle und dem Datenbedarf für den Use Case. So ließen sich die Getränkeautomaten über das Mobilfunknetz (GSM) vernetzen, die Verbrauchsdaten könnten zwei Mal am Tag abgefragt werden. Außerdem könnte der Automat von sich aus bestimmte Störungen melden. Natürlich sollte es auch einen Weg geben, um den Automaten mit Daten zu versorgen – die beispielsweise auf Displays angezeigt werden können oder die Betriebsparameter betreffen. Der Data-Collection-Prozess insgesamt wird bestimmt durch die Zahl der Endgeräte sowie die Frequenz und das Volumen der Abfragen. Das Beispiel macht deutlich: Ist klar, was erreicht werden soll, lassen sich die Anforderungen an die Infrastruktur relativ einfach ableiten. Ist der Use Case unklar, wird es schwierig.Zu hören ist immer wieder der Rat, erst einmal sämtliche Daten zu sammeln, die man bekommen kann. Nicht nur jene Daten, die in jedem Unternehmen ohnehin entstehen, sondern auch solche, die bislang nicht gesammelt wurden – weil sie nicht gebraucht oder sinnvoll genutzt werden konnten. Die Strategie basiert auf einer oft geäußerten Big-Data-Verheißung: Mit fast schon magischen Verfahren lassen sich aus scheinbar unzusammenhängenden und wertlosen Daten unendlich wertvolle Erkenntnisse generieren. Daten-Stroh wird also quasi zu Daten-Gold gesponnen. Das ist – man muss es so deutlich sagen – ein Märchen. Zwar bringen Maschinelles Lernen, Künstliche Intelligenz oder Analytics ein erhebliches Potenzial mit sich. Aber auch diese Technologien haben ihre Grenzen – und jeder tut gut daran, sich darüber klar zu werden und die Möglichkeiten nüchtern einzuschätzen. Wie kann eine Technologie dabei helfen, die bestehenden Prozesse zu optimieren oder neue Use Cases umzusetzen? Das muss die Leitfrage sein. Wer die beim Aufbau von Data-Collection-Strukturen stellt, geht sicher, nicht in Sandburgen zu investieren.

Hans Rauwolf
Leitung Branchenmanagement Prozessindustrie
itelligence AG

Webinare & Präsenationen

Die Zukunft ist „smart“: Menschen, Alltagsgegenstände, Maschinen, Computer, etc. Alles wird miteinander vernetzt sein. Scheinbar unbegrenzte Datenströme werden mit digitalen Prozessen verschmelzen und das „Internet of Things“ wird zum „Internet of Everything“. Wir geben die Antworten, wie Sie und Ihre IT-Landschaft mit dieser gewaltigen Veränderung mithalten können.

Sie möchten mehr erfahren?

Dann fordern Sie kostenlos und unverbindliche unsere Webinar-Aufzeichnungen  an.

Aufzeichnungen anfordern

Zurück zur Startseite

Weitere Fachbeiträge ansehen

 

 

Ansprechpartner

Hans Rauwolf
Leitung Geschäftsfeld Industrie 4.0 / IoT

Telefon:
+49 800 480800-7


Kontaktformular

Sie interessieren sich für eins unserer Themen und möchten gerne weitere Informationen erhalten?

  • Einen Online oder Vor-Ort-Termin
  • IoT Assessment
  • Design Thinking Workshop
  • IoT Prototyping

Jetzt Workshop Angebote entdecken

Wollen Sie ein klares und tiefergehendes Verständnis von IoT Begriffen?

  • Was ist eigentlich der Unterschied zwischen Internet of Things und Industrie 4.0?
  • Was ist ein digitaler Zwilling?
  • Welches Ziel verfolgt die Design Thinking Methode?

Das IoT-Wörterbuch bietet Ihnen Orientierung in der IoT Welt und vermittelt ein tiefgehendes Verständnis der neuen digitalen Unternehmenswelt

Jetzt kostenlos herunterladen