Smart Data Engineering: Erfolgsfaktor für die digitale Transformation

© Fraunhofer ISST und TU Dortmund • Seite 1
Prof. Dr.-Ing. Boris Otto ∙ Schloss Hohenkammer ∙ 30. Mai 2018
SMART DATA ENGINEERING
ERFOLGSFAKTOR FÜR DIE DIGITALE TRANSFORMATION

AGENDA
 Digitale Transformation der Industrie
 Herausforderung Datenmanagement
 Lösungsansatz Smart Data Engineering

Digitalisierung ist ein »Game Changer« für Geschäftsmodelle
Quelle: Carter (2015). NB: Logos von wikipedia oder den Websites der jeweiligen Unternehmen.
Das weltweit größte Taxiunternehmen besitzt keine FahrzeugeUber
Das größte Hotelunternehmen besitzt keine ImmobilieAirBnB
Alibaba Der wertvollste Händler der Welt hat kein eigenes Lager
Facebook Das größte Medienunternehmen produziert keine Inhalte
WhatsApp Der wichtigste Messenger-Dienst der Welt bietet kein SmartPhone an

Disruption und Transformation definieren ein Spekatrum
strategischer Handlungsoptionen in der Digitalisierung
Bildquellen: Logos von den Websites der Unternehmen bzw. wikipedia; adidas miCoach SMART Ball von
apple.com; Audi on Demand von twitter.com/audi_ondemand; Hilti Fleet Management von youtube.com.
Digitaler Service
Klassische
Dienstleistung
Physisches
Produkt
»Digital Native« · Revolutionär · Disruptiv Hybrid · Evolutionär · Transformativ

Bildquelle: Audi (2016).
Legende: FTS – Fahrerloses Transportsystem; VR – Virtual Reality.
Die transformative Strategie führt zur Digitalisierung der
Produktion und in der Logistik – wie das Beispiel Audi zeigt
Autonome FTS für die modulare Montage Mensch-Roboter-Kooperation Autonome Routenzüge
Flugroboter in der Montage VR in der Entwicklung Prädiktive Analyseverfahren in der Logistik

Quelle: Audi (2015); Bildquelle: Audi (2016).
Industrie 4.0 ist dabei das Organisationsprinzip für den
Industriebetrieb der Zukunft
Individualisierung des Leistungsangebots ↑
Zahl an Modellen, Varianten,
Ausstattungsmerkmalen ↑
Lebenszyklen ↓
Globalisierung des Produktionsnetzwerks ↑
Prozess- und Produktkomplexität ↑
Kostenziele ↗
Entscheidungsbedarfe (strategisch,
taktisch, operativ) ↑
»Autonomisierung« der Produktion ↑
Echtzeitverfügbarkeit von Information ↑
Interoperabilität der Produktionssysteme↑
Markt- und Kundenanforderungen
Produktion und Logistik
Implikationen und Handlungsbedarf
Industrie 4.0

Quelle: Schuh et al. (2017). NB: Originalsprache beibehalten.
Der »Industrie 4.0 Maturity Index« macht die digitale
Transformation planbar
Industrie4.0MaturityLevel
BusinessValue
AdaptabilityPredictabilityTransparencyVisibility
What does happen?
»Seeing«
Industrie 4.0
Development Path
Computerisation Connectivity
Industry 3.0 Industry 4.0
Why does it happen?
»Understanding«
What will happen?
»Being prepared«
How can autonomous
reaction take place?
»Self-optimizing«

RIOTANA macht Betriebsmittel und Anlagen Industrie-4.0-fähig und
steigert die Prozessleistung
Legende: RIOTANA – Real-Time IoT Analytics.

RIOTANA nutzt Standardtechnologien und ist damit ein einfacher
und günstiger Industrie-4.0-Einstieg
NB: Vorgestellt auf der Hannover Messe 2018.
ESP8266 inkl. Sensorik
Beschleunigung
Kompass
Temperatur
Industrial
Data Space
Sensor
Connector
Industrial Data Space Connector
RIOTANA App
Sensordatenanalyse
Datenvisualsierung
MQTT Message
(IDS Protocol, SenML)
MQTT Message (SenML)
MQTT
Broker
Prozess-
analyse
Bosch XDK
Helligkeit
Temperatur

Bildquelle: Audi (2016).
Der »Tower« ist bei Audi Kern eines modernen Datenmanagements
 Konzeptuelles Modell der digitalen Fabrik
 Quelle für die digitalen Abbilder und »Single Source of the
Truth«
 »Data Lake«-Funktionalität
 Sammlung und Analyse von Ereignisdaten aus der Produktion
und der Lieferkette
 Prozessanalysen nahezu in Echtzeit
 Datenbasis für maschinelle Lernverfahren

AGENDA

Legende: ERP - Enterprise Resource Planning; CIM - Computer-Integrated Manufacturing; BPR - Business
Process Re-engineering
Daten haben sich zu einer strategischen Ressource entwickelt
Zeit
Wertbeitrag
Daten als
Prozess-
ergebnis
Daten als
Befähiger
von
Prozessen
Daten als
Befähiger
von
Produkten
Daten als
Produkt
Betriebliche
Datenverarbeitung ·
Fachfunktionale
Datenbanken
ERP · CIM · BPR
»App Economy« ·
Service Engineering
Datenwirtschaft

Legende: Informationsfluss; Materialfluss.
Datenmanagement ist daher eine Schlüsselfähigkeit für den Erfolg
in der Digitalisierung
Öffentliche
Daten
Wertschöpfungs-
netzwerk
Konsumenten-
Services
Industrielle
Services
Losgröße 1
Ende-zu-Ende-
Kundenprozess
Geschäftsökosysteme
Hybride Produkte
Smart Data
Management
Interoperabilität
Mensch-Roboter-
Kooperation
Autonome Systeme
Internet der Dinge
Kunde
Produktions-
netzwerk
Logistik-
netzwerk
Digitale LeistungsangeboteDataDigitale Leistungserstellung

Die Datenlandschaft im Unternehmen allerdings wird immer
komplexer
Bildquellen der Logos: wikipedia sowie Unternehmens-Websites.
Daten außen sind von höherer Unschärfe,
Volumen, Vielfalt, Änderungsfrequenz…
Daten außen sind weniger
kontrollierbar, geschäftskritisch,
eindeutig…
»Nukleus-Daten«
(Kundenstammdaten,
Produktstammdaten
usw.)
»Community-
Daten«
(Geoinformation,
GTIN, Adressen, ISO-
Codes, GS1-Daten
usw.)
Big Data
(Tweets, Social Media
Streams, Sensordaten usw.)
Megabytes
Gigabytes
Terabytes
Petabytes

Das Management selbst der Nukleus-Daten hingegen erfolgt rein
reaktiv – wie das Materialmanagement vor 100 Jahren…
Datenmanagement heute… FIRE-FIGHTING…
 Enorme Kosten für Folgeprobleme, Reaktionsmaßnahmen
 Keine Zielwerte, keine Steuerung
 Budgets und Personal nicht einsetzbar und planbar
 Digitalisierung nicht machbar…
… mit hohen Folgekosten…
 Investitionen in planvolles Datenmanagement zahlen sich
aus, weil sie Komplexitäts- und Qualitätskosten senken
 ANALOGIE zum Qualitätsmanagement für Materialien und
Produkte
Datenqualität
Zeit
Legende: »U-Boote der Datenqualität« (z.B. Migrationen,
Prozessfehler, Unstimmigkeiten im Management-Reporting).
Projekt 1 Projekt 2 …
Quelle: Otto & Österle (2015).
Ist
Gesamtkosten
Kosten
Datenqualität
Folgekosten
schlechter
Daten
Kosten für
CDQM
Soll
Legende: CDQM – Corporate Data Quality
Management.
Einsparungs-
potential

Datenmanagement muss genauso geplant, gesteuert, überwacht
werden wie Produktion und Logistik selbst
Quelle: WOMACK, J. P., JONES, D. T. & ROOS, D. 1991. The Machine That Changed the World: The Story
of Lean Production, New York, Harper Perennial.
»Our findings were eye-opening. The Japanese plant requires
(less effort the American and European plants). At the same
time, the Japanese plant greatly exceeds the quality level of all
plants execpt one in Europe - and this plant requires four times
the effort […]«
»When we visited the high-quality but low productivity
European plant […] we didn‘t have to go far to find the basic
problem […]. At the end of the assembly line was an enormous
rework and rectification area where armies of technicians in
white laboratory jackets labored to bring the finished vehicles
up to the company‘s fabled quality standard.«

AGENDA

Smart Data Engineering basiert auf modernen Entwurfsprinzipien
für den Erfolg bei der digitalen Transformation
Wirkebene Entwurfsprinzip Beispielhafte Umsetzung
Strategie
1 »Produktisierung« von Daten
Stücklisten für Datengüter,
Leistungsvereinbarungen für Datendienste …
2 Ökonomische Bewirtschaftung von Datengütern
Bewertung und Bepreisung von Daten,
Lebenszyklusmanagement für Datengüter …
3 Gemeinsame Datenpflege und »Data sharing«
Community-Ansätze zur Datenpflege,
datenzentrierte Geschäftsökosysteme …
Organisation
4 Partizipative Data-Governance-Modelle
Transparente Verantwortlichkeiten,
Datensouveränität, »Data ownership« …
5 Supply-Chain- und Lebenszyklus-Management für Daten
Datenerfassung, -vorverarbeitung, -verarbeitung
und -analyse, -verteilung, -nutzung …
6 Datenqualität als stochastische Größe Volatile Datengüter unklarer Quellen ….
Systeme und
Technologien
7 Verteilte und föderierte Architekturkonzepte »Federated Digital Twins«, Linked Data …
8 Dezentrale Konzepte für Datenschutz und Datensouveränität »Sticky policies«, Block-chain-Technologien …
9
Gemeinsame Nutzung von Datenverarbeitungs- und
Datenspeicherungsressourcen
Cloud-Plattformen, »Smart Devices«, »Edge
Computing« …

Quelle: CDQ AG; Corporate Data League (2018). NB: Originalsprache beibehalten;
siehe auchhttps://www.corporate-data-league.ch/.
Die »Corporate Data League« ist ein »Sharing Economy«-Ansatz für
Geschäftspartnerdaten

Smart Data Governance ist Grundvoraussetzung für jedes planvolle
Datenmanagement
DATA OPERATIONS
DATA ROLES
DATA STRATEGYDATA QUALITY
DIGITAL ENTERPRISE
ARCHITECTURE
Qualitätsstandards für Daten ermöglichen eine
kontinuierliche Überwachung und
Verbesserung der Datenqualität, um den Wert
der vorhandenen Datenbestände zu steigern.
Die Umsetzung von Standards,
Richtlinien und Prozessen fördert die
Interoperabilität, Wiederverwendung
und Rückverfolgbarkeit der Daten.
Die Architektur identifiziert relevante Geschäfts-
prozesse und Datenobjekte, führende Systeme und
Datenströme auf der konzeptionellen Ebene.
Die Definition von Rollen und
Verantwortlichkeiten einschließlich der
notwendigen Interaktion zwischen diesen
Rollen schafft das grundlegende Element für
datengetriebene Organisationsstrukturen.
Eine Datenstrategie legt die Grundsätze
zur Identifizierung und Verwaltung von
Daten als Unternehmensressource fest.

Prof. Dr.-Ing. Boris Otto
Fraunhofer ISST · Geschäftsführender Institutsleiter
TU Dortmund · Inhaber der Audi-Stiftungsprofessur
Boris.Otto@isst.fraunhofer.de · Boris.Otto@tu-dortmund.de
https://de.linkedin.com/pub/boris-otto/1/1b5/570
https://twitter.com/drborisotto
https://www.xing.com/profile/Boris_Otto
http://www.researchgate.net/profile/Boris_Otto
http://de.slideshare.net/borisotto
Vielen Dank!

Smart Data Engineering: Erfolgsfaktor für die digitale Transformation

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Ähnlich wie Smart Data Engineering: Erfolgsfaktor für die digitale Transformation

Ähnlich wie Smart Data Engineering: Erfolgsfaktor für die digitale Transformation (20)

Mehr von Boris Otto

Mehr von Boris Otto (17)

Smart Data Engineering: Erfolgsfaktor für die digitale Transformation