Datenbasierte Entscheidungen in IoT-Projekten

Unsere Kunden haben sehr unterschiedliche Motivationen, ihre Geräte zu vernetzen. Dazu zählen beispielsweise:

• (Fern-)Überwachung der Geräte
• Manuelle (Fern-)Steuerung
• Intelligentes Management, z.B. Optimierung von Energieverbrauch
• Steigerung des Komforts von Endkunden, insbesondere im Smart Home
• Wechsel zu neuen Geschäftsmodellen, z.B. Product-as-a-Service
• Individualisierung

Geschäftsprozesse verstehen

Ganz zu Beginn haben unsere Kunden ein spezifisches Problem oder Ziel, für das sie mit uns eine Lösung finden möchten. Dieser Punkt kann zu Beginn einer Produktentwicklung stehen oder auch zu einem späteren Zeitpunkt, an dem Daten bereits vorhanden sind. Gemeinsam arbeiten wir daran, alle Aspekte möglichst umfassend zu verstehen. Je besser das Problem beschrieben werden kann, desto besser können wir passende Optionen für die Umsetzung finden. Der Begriff „passend“ hat verschiedene Dimensionen - wesentlich sind vor allem die technische Machbarkeit und die wirtschaftliche Sinnhaftigkeit.

Sobald wir das Problem verstanden haben, fangen wir mit der Planung und Definition der Rahmenbedingungen an. Das Verständnis der Geschäftsprozesse bildet das Fundament, um analytische und technische Herausforderungen zu meistern.

Anwendungsfälle im Internet der Dinge

Ein typischer datenzentrierter Anwendungsfall in unseren IoT-Projekten ist die vorausschauende Wartung (Predictive Maintenance) . Wartungsbedarf wird hier nicht mehr klassisch anhand von festen Maßeinheiten (wie Monate, Nutzungsdauer oder Fahrleistung) definiert. Stattdessen soll der tatsächliche Zustand des Produktes betrachtet werden.

Ziel ist, den Zeitpunkt der Wartung zu optimieren. Die Wartungsintervalle werden maximiert, aber genau so, dass Ausfälle verhindert und Ausfallzeiten minimiert werden. Hier ist es auch wichtig, benötigte Ersatzteile frühzeitig zu bestellen oder Ersatzgeräte einzuplanen.

Datenbasierte Entscheidungen

Um erfolgreich datenbasierte Entscheidungen umzusetzen, müssen alle Rahmenbedingungen betrachtet werden. Beim Beispiel der vorausschauenden Wartung sind folgenden Fragen besonders wichtig:

• Wie lang ist die übliche Produktlebenszeit?
• Was löst einen Wartungsbedarf aktuell aus?
• Welche generelle Vertragssituation gibt es bzgl. Garantie und Wartungen?
• Wer führt die Wartungen durch?
• Wie häufig sind Ausfälle (trotz Wartungsplan)?
• Wie groß sind die Kosten, die Ausfälle verursachen und wer trägt die Kosten?

Um die Entwicklung voranzutreiben, muss ausreichendes Potential für die Verbesserungen des Wartungsmanagements vorhanden ist. Konkret heißt das, es treten unerwünschte Situationen, wie unnötige oder verspätete Wartungen, Ausfälle oder Häufungen von Garantieleistungen, auf.

Oft entstehen aus der Umsetzung eines Anwendungsfalles Szenarien, die auf Basis der erhobenen Daten umsetzbar sind. Möglicherweise möchte der Kunde neue Geschäftsmodell etablieren, deren Basis der ganzheitliche Wartungsprozess ist. Beim Product-as-a-Service (PaaS) oder das im Industrial IoT (IIoT) genutzte Equipment-as-a-Service zahlt der Kunde für die Nutzung. Er besitzt das Produkt nicht, sondern zahlt regelmäßig eine Gebühr.

Technische Umsetzung

Im nächsten Schritt betrachten wir die technische Dimension. Wir wollen analysieren, wie und mit welchem Aufwand der Anwendungsfall umsetzbar ist und setzen diesen in Relation zum wirtschaftlichen Potential. Hierfür besprechen wir z. B. folgende Aspekte:

• Welche Sensoren existiert bereits, was soll zukünftig eingebaut werden?
• Gibt es Schnittstellen in der aktuellen Hardware?
• Welche Daten, sei es aus der Service-Organisation, aus Fehlerspeichern des Geräts oder sonstigen Quellen existieren und wo werden diese aktuell gespeichert?
• Was ist der Einsatzort?

Unternehmen stehen bei der Entwicklung von IoT-Plattformen häufig großen Datenmengen aus verschiedenen Datenquellen gegenüber. Hier unterstützen wir, um eine passende Lösung für die Speicherung dieser “Big Data” zu finden. Für Datenmanagement und Datenhaltung gibt es zahlreiche Optionen, die abhängig von Format, Erhebungshäufigkeit und weiteren Aspekten der Daten sind. Besonders bekannt sind Data Warehouses und Data Lakes.

Eine besondere Herausforderung ist es, Abweichungen vom Normalbetrieb zuverlässig zu erheben. Hier unterstützen Datenpipelines, die eine kontinuierliche Überwachung der Daten von der ersten Datenerfassung bis zum langfristigen Datenspeicher ermöglichen. Diese helfen auch dabei, Ordnung in zumeist unstrukturierte Daten zu bringen.

Falls noch keine relevanten Daten existieren, unterstützen wir bei der Auswahl der Sensorik und der Planung der Datenerhebung. Dies geschieht jederzeit mit Blick auf den Anwendungsfall. Mit synthetischen Daten können wir zudem die Implementierung beschleunigen, indem Szenarien schon frühzeitig simuliert und getestet werden.

Datenanalyse als Einstiegspunkt

Falls bereits Daten existieren, führen wir eine explorative Analyse durch. Die besondere Herausforderung dabei ist, Daten aus unterschiedlichen Quellen zu vereinen. Simpel gesprochen brauchen alle Datensätze einen Schnittpunkt, damit man sie miteinander kombinieren und ganzheitlich betrachten kann.

Nach der Zusammenführung suchen wir nach Korrelationen zu den ungewünschten Situationen. Gefundene Zusammenhänge werden dabei mithilfe von Datenvisualisierungen veranschaulicht und können langfristig mit Dashboards oder automatischem Reporting umgsetzt werden.

Darüber hinaus prüfen wir kontinuierlich die Qualität der Daten. Hier machen wir Vorschläge, wie sich die Datenqualität in Zukunft durch smarte Datenverarbeitung verbessern lässt.

Der Weg zum fertigen Produkt

Generell verfolgen unsere Data Scientists den Ansatz, Daten zu analysieren, um Zusammenhänge zu erkennen und diese algorithmisch auszunutzen. Auf diese Weise wird eine datenbasierte Entscheidungsfindung ermöglicht. Dazu nutzen wir eine Vielzahl an Methoden, Frameworks und Tools.

Je nach Anwendungsfall können bereits simple statistischen Ansätzen zu ersten Erfolgen führen. Diese können durch die Entwicklung von individuellen Algorithmen ergänzt werden. Auch die Entwicklung von Machine Learning Modellen und anderen Ansätzen der Künstlichen Intelligenz gehört zu unserem Portfolio.

grandcentrix bietet als Ende-zu-Ende IoT-Anbieter langjährige Erfahrung, Projekte von einer ersten Testphase bis hin zum Produktiveinsatz zu begleiten. Wir unterstützen dabei, vom Problem zur ersten Datenerfassung zu gelangen und darauf aufbauend wertschöpfende Projekte umzusetzen.