Erfasste Daten analysieren und interpretieren

Unter Daten-Analyse versteht sich das neu Strukturieren, Ordnen und Darstellen von Daten, damit diese genutzt werden können, um Erkenntnisse abzuleiten und informierte Entscheidungen zu treffen.

Die Daten-Analyse kann dabei in drei Schritten erfolgen:

1. Daten konsolidieren
2. Daten visualisieren
3. Daten interpretieren

Die erfassten Daten stammen oft aus verschiedenen Quellen wie Sensoren, Software, Open-Date und viele mehr. Damit Du das volle Potential der verschiedenen Daten – besonders auch im Zusammenspiel miteinander – nutzen kannst, müssen die Daten zunächst konsolidiert werden. Unter Datenkonsolidierung kannst Du den Prozess verstehen, Daten in ein einheitliches Format umzuwandeln, damit sie einer Datenbank oder einem Datenverarbeitungssystem einheitlich genutzt werden können.

Dieser Prozess ist häufig mit Aufwand verbunden, der jedes Mal, wenn eine neue Datenquelle hinzukommt, einmalig durchzuführen ist. Dabei gibt es verschiedene Möglichkeiten dies zu erreichen:

• Nutzung eines Dienstleistungsunternehmens: Ein Dienstleistungsunternehmen kann individuelle Adapter bereitstellen, damit die Daten in ein gewünschtes Format umgewandelt und einem System bereitgestellt werden.
• Nutzung von Gateway-Boxen oder Middlewares: Gateway-Boxen (Hardware) und Middleware-Anwendungen (Software) bieten von Haus aus die Möglichkeit verschiedene Datenquellen anzubinden und die erfassten Daten zu konsolidieren.
• Eigene Verarbeitung: Es existieren auch eine Reihe offener Softwaretools, wie beispielsweise Node-Red, die es ermöglichen, Daten umzuwandeln und zu konsolidieren. Hierfür sind in den meisten Fällen keine Programmierkenntnisse notwendig, aber ein technisches Verständnis wird vorausgesetzt.

Die Datenkonsolidierung ist ein notwendiger Schritt, der je nach Datenquellen eine Hürde darstellen kann. Hierbei handelt es sich aber um einen Einmalaufwand (pro Datenquelle).

Ein Chart sagt mehr als 1.000 Zeilen – darum ist der erste wichtige Schritt zur Nutzung digitaler Daten die visuelle Darstellung der erfassten Datenpunkte.

Grundsätzlich kannst Du zwischen vier Anwendungsfällen bei der Arbeit mit digitalen Daten unterscheiden bzw. zwischen vier Fragestellungen, die Du mit digitalen Daten beantworten kannst.

Am Anfang bietet es sich besonders an, Daten visuell darzustellen und etwas mit der Darstellung, beziehungsweise der Auswahl des Charttyps, zu experimentieren. Dadurch baust Du selbst Erfahrung und Wissen auf, wie mit digitalen Daten gearbeitet werden kann.

Besonders im Bereich Industrie 4.0 oder IIoT zeigen digitale Daten häufig einen Verlauf, der verschiedene Prozesse oder Abläufe darstellt, bzw. erkennen lässt. Hier liegt auch einer der größten Mehrwerte. Anhand der Mustererkennung möchte man beispielsweise unnormale Verläufe detektieren bzw. abweichende Verläufe identifizieren.

Die Beziehungen zwischen Daten(quellen) zu veranschaulichen erlaubt beispielsweise, Abhängigkeiten zu identifizieren. Fragestellungen wie: „Existiert ein Zusammenhang zwischen der Außentemperatur und dem Energieverbrauch meiner Produktionshalle“ lassen sich durch die digitalen Daten bestimmen.

Durch die zunehmende Quantität an Daten sind natürlich auch Trends ein wichtiger Faktor bei der Analyse. Die frühzeitige Erkennung, ob eine Maschine bereits am Rande der Verschleißgrenze ist oder sich ein Fehler in einer Anlage ergeben könnte, bietet einen enormen Vorteil um Ausfallzeiten zu minimieren.

Besonders durch die zunehmende Digitalisierung ist die Analyse über den aktuellen Zustand digital durchführbar. Anstatt manuell durch eine Produktionshalle zu gehen und die einzelnen Anlagen und Maschinen zu kontrollieren, ist es durch die Analyse digitaler Daten möglich, diese Aufgabe digital und zentral durchzuführen.

Im Bild oben sind Stromverbrauchsdaten von einem Dienstleistungsunternehmen (Bürokomplex) dargestellt. Es handelt sich dabei um Stunden-Werte von 2 Wochen. Die einzelnen Tageskurven sind übereinandergelegt, damit ein typisches Tagesmuster entsteht (graue Linien sind die einzelnen Tage, die blaue Linie ist der Durchschnitt). Es ist zu erkennen, dass morgens gegen 7 Uhr eine Lastspitze entsteht, zu der viel Energie benötigt wird. Fragt man jetzt die Mitarbeitenden, wie denn Ihre Routinen und Abläufe aussehen, wird man sehr schnell hören, dass morgens zuerst der Kaffeevollautomat eingeschaltet wird oder der Wasserkocher. Dies führt zu dem erhöhten Energieverbrauch. Dieses triviale Beispiel zeigt den starken Zusammenhang von digitalen Daten, Abläufen und Prozessen. Stellt man sich beispielsweise ein produzierendes Unternehmen vor, sind die Prozesse und Abläufe häufig sehr komplex und lassen sich nicht so einfach erklären wie bei dem genannten Beispiel. Es soll aber verdeutlichen, wie wichtig das implizite Kontextwissen ist, welches bei der Dateninterpretation benötigt wird, um die richtigen Schlussfolgerungen zu ziehen.

Die Dateninterpretation ist der wichtigste Teil in der Datenanalyse. Dabei werden die Daten in den richtigen Kontext gesetzt, damit die Verläufe und Aussagen der visuellen Darstellung in die physische Welt übertragen werden können.

Externe Datenanalysten haben oft das Problem, dass sie die Daten zwar auf Anomalien untersuchen können, aber wenn es um die Interpretation geht, fehlt ihnen häufig das Kontextwissen. Daher ist es wichtig, dass Mitarbeitende in Unternehmen sich selbst mit den Daten beschäftigen, da sie die Prozesse und Abläufe in Unternehmen kennen und somit die Daten in den richtigen Kontext einordnen können.