Olga Mordvinova

Was ist Data Engineering – und was verspricht es für den Mittelstand?

Olga Mordvinova: Unter Data Engineering versteht man vor allem die Speicherung, Aufbereitung und Bereitstellung von Daten. Auch die Auswahl der richtigen Systeme für Datenablage, die Optimierung der Algorithmen für Datenhandhabung, Datenqualität, Datenschutz und Datensicherheit gehören dazu. Ziel ist es, eine nachhaltige Grundlage zu schaffen, um vorhandene Daten mithilfe intelligenter Systeme schnell und zielgerecht nutzbar zu machen. Mit anderen Worten: Data Engineering ist ein Fundament, ohne das weder intelligente Analysen noch darauf basierende Anwendungen und Geschäftsmodelle gebaut werden können.

Auch für den Mittelstand liefert eine gut durchdachte Strategie zur Datenhandhabung einen konkreten Mehrwert und ist einer der wichtigsten Schritte auf dem Weg zur Digitalisierung. Bildet man das Modell des Unternehmens und seine Geschäftsprozesse dabei ab, so kann diese Semantik für weitere intelligente Analysen, einschließlich maschinellen Lernens benutzt werden. So lassen sich Szenarien wie die Überwachung der Produktqualität oder die vorausschauende Wartung einer Produktionsmaschine bereits mit relativ kleinen Mengen von Prozessdaten realisieren, wenn der Prozess der Fertigung semantisch abgebildet ist. Ebenfalls können Massendaten von Sensoren – etwa Informationen über Temperaturabweichungen – durch Prozessdaten richtig zur Geltung kommen und im Kontext der Produktion und Wartung helfen, schnell und effektiv Entscheidungen zu treffen. Gutes Data Engineering ist wertvoll für die Optimierung der Geschäftsprozesse und kann den Weg zu neuen Geschäftsmodellen ebnen.

Welche Anwendungen werden erst durch intelligente Datenanalyse möglich?

Olga Mordvinova: Die Anwendungsbereiche sind vielfältig und reichen von Assistenzsystemen und Kundensegmentierung bis hin zur Infrastruktur-Überwachung und Planungsoptimierung. Wir bei incontext.technology bieten Anwendungen für die Analyse und Früherkennung von Störungen und Defekten in Maschinen, Anlagen sowie in den industriellen Infrastrukturen. Bei der so genannten vorausschauenden Wartung (engl. predictive maintenance) setzen wir maschinelles Lernen ein, um die Effektivität der Anlagen zu optimieren. Indem man ungeplante Ausfallzeiten der Maschine in der Produktion verhindert, können die Anlagennutzung verbessert, die Produktivität gesteigert und die Liefertreue gegenüber dem Kunden garantiert werden. Ein weiteres Beispiel ist die Zustandsüberwachung kritischer Infrastrukturen wie Eisenbahngleise, einschließlich der Erkennung der Normabweichungen und Erstellung von Prognosen in Bezug auf die Nutzungsdauer.

Wie muss ein KMU vorgehen, um Data Engineering erfolgreich zu nutzen?

Olga Mordvinova: Wie bei allen Geschäftsaktivitäten ist es auch hier sinnvoll, klare Ziele und Erwartungen zu definieren. Ohne Zweck gesammelte Daten haben kaum einen Mehrwert und hochgesteckte, nicht erfüllte Hoffnungen können die Digitalisierung und insbesondere die Einführung intelligenter Technologien ausbremsen. Ein weiterer wichtiger Punkt ist Klarheit über hausinterne Kompetenzen und die künftige strategische Ausrichtung des Unternehmens, die am besten im Einklang mit den ersten praktischen Erfahrungen stehen sollte: In welchem Maß ist es sinnvoll, Know-how von außen zu beziehen und welche Kompetenzen sollten im Unternehmen selbst aufgebaut werden? Insbesondere für kleine Unternehmen könnte sich Open Innovation gut eignen. Das kann im Verbund mit ähnlichen Unternehmen stattfinden oder in Partnerschaften mit geeigneten Technologiefirmen.