Als PDF, PPTX herunterladen
![© Fraunhofer ISST und TU Dortmund • Seite 16
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.«](https://image.slidesharecdn.com/20180530sdeiotforumv02-180601080956/75/Smart-Data-Engineering-Erfolgsfaktor-fur-die-digitale-Transformation-16-2048.jpg)
Hochgeladen vonBoris Otto
Smart Data Engineering: Erfolgsfaktor für die digitale Transformation
Das Dokument analysiert die Rolle von Smart Data Engineering als entscheidenden Faktor für die digitale Transformation der Industrie. Es hebt die Herausforderungen im Datenmanagement hervor und präsentiert Ansätze zur Verbesserung der Datenqualität und -verwendung in einer zunehmend komplexen Datenlandschaft. Die Implementierung effektiver Datenstrategien und Governance-Modelle wird als notwendig erachtet, um den Wert von Daten als strategische Ressource zu maximieren.
Weitere ähnliche Inhalte
Ähnlich wie Smart Data Engineering: Erfolgsfaktor für die digitale Transformation
Smart Data Engineering: Erfolgsfaktor für die digitale Transformation
- 1. © Fraunhofer ISSTund TU Dortmund • Seite 1 Prof. Dr.-Ing. Boris Otto ∙ Schloss Hohenkammer ∙ 30. Mai 2018 SMART DATA ENGINEERING ERFOLGSFAKTOR FÜR DIE DIGITALE TRANSFORMATION
- 2. © Fraunhofer ISSTund TU Dortmund • Seite 2 AGENDA Digitale Transformation der Industrie Herausforderung Datenmanagement Lösungsansatz Smart Data Engineering
- 3. © Fraunhofer ISSTund TU Dortmund • Seite 3 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
- 4. © Fraunhofer ISSTund TU Dortmund • Seite 4 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
- 5. © Fraunhofer ISSTund TU Dortmund • Seite 5 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
- 6. © Fraunhofer ISSTund TU Dortmund • Seite 6 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
- 7. © Fraunhofer ISSTund TU Dortmund • Seite 7 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«
- 8. © Fraunhofer ISSTund TU Dortmund • Seite 8 RIOTANA macht Betriebsmittel und Anlagen Industrie-4.0-fähig und steigert die Prozessleistung Legende: RIOTANA – Real-Time IoT Analytics.
- 9. © Fraunhofer ISSTund TU Dortmund • Seite 9 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
- 10. © Fraunhofer ISSTund TU Dortmund • Seite 10 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
- 11. © Fraunhofer ISSTund TU Dortmund • Seite 11 AGENDA Digitale Transformation der Industrie Herausforderung Datenmanagement Lösungsansatz Smart Data Engineering
- 12. © Fraunhofer ISSTund TU Dortmund • Seite 12 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
- 13. © Fraunhofer ISSTund TU Dortmund • Seite 13 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
- 14. © Fraunhofer ISSTund TU Dortmund • Seite 14 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
- 15. © Fraunhofer ISSTund TU Dortmund • Seite 15 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
- 16. © Fraunhofer ISSTund TU Dortmund • Seite 16 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.«
- 17. © Fraunhofer ISSTund TU Dortmund • Seite 17 AGENDA Digitale Transformation der Industrie Herausforderung Datenmanagement Lösungsansatz Smart Data Engineering
- 18. © Fraunhofer ISSTund TU Dortmund • Seite 18 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« …
- 19. © Fraunhofer ISSTund TU Dortmund • Seite 19 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
- 20. © Fraunhofer ISSTund TU Dortmund • Seite 20 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.
- 21. © Fraunhofer ISSTund TU Dortmund • Seite 21 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!