Brugg - Unternehmen, die IoT-Lösungen einsetzen, benötigen eine Datenqualitätsstrategie. Was bei BI und der Analyse sowie Aufbereitung betriebswirtschaftlicher Daten vielfach verbreitet ist, sollten Unternehmen auch bei IoT-Daten etablieren. Information Builders erläutert die wichtigsten Massnahmen für Aufbau und Betrieb eines Programms zur Erreichung einer hohen Datenqualität im IoT-Umfeld.
Viele IoT-Daten bestehen aus metrischen Messwerten, deren Güte und Qualität mit herkömmlichen Methoden des Informationsmanagements beurteilt werden können. Neue Herausforderungen entstehen durch IoT-Geräte, bei denen Kameras Abläufe aufzeichnen oder die Servicetickets einer Maschine der letzten fünf Jahre und die zugehörigen Reparaturberichte ausgewertet werden; dabei müssen unterschiedlich strukturierte Dokumente und Aufzeichnungen analysiert werden. Die entscheidenden handlungsrelevanten Erkenntnisse entstehen dabei nicht durch die Analyse eines einzelnen Geräts, sondern durch intelligent vernetzte Geräte und Sensoren. Gerade die Integration grosser Mengen verschiedenartig strukturierter, zuverlässiger und vertrauenswürdiger Daten ist eine Voraussetzung erfolgreicher IoT-Analytics-Lösungen, die in der Produktion entstehende IoT-Daten mit den Daten aus betriebswirtschaftlichen Applikationen und ERP-Systemen kombinieren. Falsche oder unvollständige Daten verzerren die Einsicht in Fertigungsprozesse. Daraus entstehen technische Fehler, Über- oder Unterproduktion und Produktmängel. Mit einer verbesserten Datenqualität steigern Unternehmen ihre Produktivität und Effizienz. Information Builders zeigt in fünf Schritten auf, wie Unternehmen vorgehen können.
1. Die Herausforderung verstehen
Die Data Value Chain stellt in IoT-Anwendungsszenarien den Orientierungsrahmen bereit, um in der Wertschöpfungskette eines Unternehmens eine höhere Effizienz zu erreichen. Um diese Vorgabe erfüllen zu können, muss Einigkeit darüber hergestellt werden, wo sich fehlerhafte Daten in den IoT-Prozessen befinden und welche Auswirkungen sie haben. Durch Data Profiling lassen sich unterschiedliche Arten von Defiziten aufdecken: einige Daten sind unvollständig, manche sind doppelt vorhanden, andere sind lückenhaft oder fehlen gar gänzlich.
2. Einen Datenverantwortlichen benennen
Der ...