Passwort vergessen?  |  Anmelden
 |  Passwort vergessen?  |  Anmelden
Suche

Mittwoch, 20. Februar 2019

Big Data

Lasst Maschinendaten sprechen!

Von Chris Löwer | 7. Februar 2019 | Ausgabe 06

Wie kann die Autoindustrie datengetrieben die nächste Welle der digitalen Transformation reiten? Mit ungeborgenen Datenschätzen und Ingenieuren, die die richtigen Fragen stellen, glaubt man beim Big-Data-Spezialisten Splunk.

BU Splunk
Foto: Corbis/Getty Images

Der Datenblutkreislauf gerät in Wallung: Laut den Analysten von IDC waren im Jahr 2015 rund 7,5 Mrd. Geräte mit dem Internet verbunden, zehn Jahre später sollen es zehnmal so viel sein. Wobei sich die Datenmenge bis 2025 verfünfzigfachen soll. Daten, die eine Menge zu erzählen haben. Etwa, wann welche Maschine gewartet werden muss, wann ein Schweißroboter außerplanmäßig ausfallen wird oder wo die Produktion optimiert werden kann.

Automobilhersteller ziehen zunehmend IoT-Daten (IoT = Internet of Things) heran, um das Monitoring sowie die Diagnose von Problemen in den Fabriken zu verbessern und neue Geschäftsideen zu finden – allerdings stehen sie dabei erst am Anfang. Erst zögerlich begreifen sie, welches Potenzial sich dahinter verbirgt, Daten durch Analytics-Software gewissermaßen zum Sprechen zu bringen. „Es gibt heute zwei Arten von Unternehmen: diejenigen, die mit Daten lediglich Ereignisse aufzeichnen, und diejenigen, die mit ihren Daten etwas bewegen“, sagt Doug Merritt, President und CEO von Splunk.

Die auf die Analyse von Maschinendaten spezialisierte Softwarefirma versorgt branchenübergreifend Unternehmen mit entsprechenden Werkzeugen und zählt zunehmend OEMs zu ihren Kunden. Im Kern der Splunk-Plattform stehen künstliche Intelligenz und Machine Learning. Sie sorgen dafür, aus strukturierten und unstrukturierten Daten – unabhängig von deren Format, Zustand oder Speicherort – die richtigen Schlüsse zu ziehen.

Die erst 2003 in San Francisco gegründete Firma gilt in der Branche als Technologieführer und Wegbereiter der Big-Data-Analyse. Selbst Konkurrenten wie die Dickschiffe IBM und HP Enterprise lässt Splunk beim Wachstum und der Marktdurchdringung für Big-Data-Software hinter sich. Gleichwohl kann kein großer Player einen Bogen um das Thema intelligente Datenanalyse für die Industrie machen, wie auch Cisco Connected Analytics zeigt, eine Lösung, mit der Unternehmen Informationen aus Prozessen, Netzwerken und Sensoren herauslesen können. Immer geht es darum, gewissermaßen dem Internet der Dinge das Sprechen beizubringen.

Zumal tatsächlich die vorausschauende Wartung von Maschinen und Autos endlich wahr zu werden scheint. So erprobt VW in Wolfsburg, wie durch smarte Datenanalyse drohende Störungen der Produktionszellen beizeiten detektiert werden und der für das jeweilige Problem richtige Wartungstechniker geschickt wird, sodass es im Idealfall gar nicht erst zu Ausfällen kommt: „So kann man schneller und gezielter instandhalten, was sich in der Praxis rasch bezahlt machen wird“, betont Data-Analyst Sebastian Schmerl vom IT-Dienstleister Computacenter, der an dem VW-Projekt beteiligt ist.

Dabei komme es darauf an, für jedermann verständliche Echtzeitanalysen zu erstellen, betont Merritt. Splunk verspricht Antworten auf das rasante Real-Time-Datenwachstum. Und nicht nur das: Die Plattform soll einen Überblick über sämtliche Prozessabläufe im Unternehmen samt aller Interaktionen mit Kunden liefern. Damit können dann Business-Trends erkannt und fundierte Entscheidungen getroffen werden.

Wie das? „Auf vielfältige Weise“, erklärt Merritt. „Etwa in der Konstruktion, der Produktion und im Kundenfeedback.“ Autos seien heute rollende Datencenter mit etlichen Sensoren und Internetanbindung, umso mehr, wenn es um vernetzte elektrische Fahrzeuge gehe. Merritt: „Durch eine gut visualisierte und einfach zu generierende Datenanalyse kann die Autoindustrie bereits Fehler in der Entwicklung, etwa beim Coden, früh erkennen und beseitigen. Das Gleiche gilt für Probleme in der Produktion sowie bei der IT-Sicherheit.“ Später ließe sich dann datengetrieben viel über das Nutzerverhalten und Kundenwünsche lernen, wobei die Informationen aggregiert und anonymisiert bearbeitet werden. Kunden sollen so die Hoheit über ihre Daten behalten.

So beabsichtigt etwa BMW, sein Carsharing-Angebot effektiver und profitabler zu gestalten, indem durch das Überwachen der Flotte einzelne Autos künftig beizeiten in die Werkstatt beordert werden können, bevor der Kunde Scherereien bekommt. Nach der Wartung werden die Wagen dort abgestellt, wo sie gemäß Datenanalyse des Nutzerverhaltens benötigt werden und Kunden zudem über Anreize wie Freiminuten animiert werden, Leih-BMW aus misslichen Randzonen wegzubewegen.

Klingt gut. Aber: Ist es denn nur die Automobilbranche, die ihre Daten bisher nicht optimal nutzt? „Ich finde, alle müssen noch lernen, Daten besser zu nutzen“, meint Merritt, „Nicht nur die Automobilindustrie. Gerade im Produktionsprozess, Stichwort Industrie 4.0, fallen Unmengen unstrukturierter IoT-Daten an, die noch nicht ansatzweise intelligent genutzt werden, indem sie sinnvoll zusammengeführt und aufbereitet werden.“ Die Frage sei doch: Welchen Informationen aus der mitunter Petabyte großen Masse, die täglich anfällt und ausgewertet werden müsste, sollte man Beachtung schenken? Welche Daten sind relevant? Welche neuen Quellen sollte man anzapfen?

Bei den Anwendern in der Autoindustrie sieht der Splunk-Chef vor allem zwei Problemfelder: „Zum einen gelingt es noch zu wenig, aus dem stetigen Datenfluss die relevanten herauszufischen, zum anderen wurde zu spät erkannt, wie wichtig es ist, alle möglichen Daten zu sammeln.“ Das sei bereits vor Jahren versäumt worden, obwohl sich aus historischen Daten sehr viel für das tägliche Geschäft lernen ließe.

Unternehmen wie Facebook, Google und Yahoo hätten das sehr früh erkannt. „Alle Daten sind potenziell für die Zukunft relevant, wofür inzwischen branchenübergreifend ein Bewusstsein wächst“, stellt Merritt fest. Dann kommt es nur noch auf die richtigen Werkzeuge an, um aus diesem unstrukturierten Datenmeer beliebiger Quellen wertvolle Informationen zu fischen, worauf sich die Kalifornier verstehen.

Auch wenn es angesichts dieser Informationsfülle paradox anmutet: Autoentwickler hätten zwar eine vage Vorstellung davon, wie sie ihre Autos verbessern können, meint Merritt, jedoch: „Im Grunde gelingt es Ingenieuren kaum, spezifische, zielgenaue Fragen zu stellen, um ein Auto zu optimieren.“ Doch darauf komme es an.

Sein Rat: Es gilt, alle verfügbaren Datenquellen anzuzapfen, um überhaupt erst zu den entscheidenden Fragen zu gelangen. Fragen, die man vielleicht gar nicht erwartet hätte, aber auf die dann mithilfe von Data Analytics die Antworten gefunden werden, die einen weiterbringen.