IOT-optimierte Daten zur Unterstützung von Ingenieuren

Die intelligente Nutzung der Fülle an Daten, die von OT-Systemen (Operational Technology) erzeugt werden, ist für die Bemühungen industrieller Organisationen zur Verbesserung ihrer operativen Leistungsfähigkeit von zentraler Bedeutung. OT-Daten sind der Rohstoff, der es Organisationen ermöglicht, effizientere und widerstandsfähigere Abläufe aufzubauen sowie die Mitarbeiterproduktivität und Kundenzufriedenheit zu verbessern.

Industrieunternehmen haben allerdings Schwierigkeiten, aus ihren zunehmend vernetzten Betriebsabläufen Mehrwert zu generieren. Untersuchungen von IDC zeigen, dass nur jedes vierte Unternehmen Daten in nennenswertem Umfang analysiert und daraus Mehrwert zieht.

Was sind moderne industrielle Data Ops?

IDC definiert DataOps als Methode zur Industrialisierung des Datenmanagements und der Wertschöpfungskette der Datenanalyse. Dabei werden Automatisierung, agile Methoden und DevOps-Praktiken auf den Datenlebenszyklus angewendet, wodurch die Wertschöpfungszeit, Qualität, Vorhersagbarkeit und Skalierbarkeit der Datenanalyse verbessert werden.

Industrielle DataOps-Plattformen unterstützen Datenarbeiter bei der Bereitstellung automatisierter Workflows zum Extrahieren, Aufnehmen und Integrieren von Daten aus industriellen Datenquellen, einschließlich älterer Betriebsausrüstung und -technologie. Sie bieten eine Workbench für Datenqualität, -transformation und -anreicherung sowie intelligente Tools, die Branchenwissen, Hierarchien und Abhängigkeiten anwenden, um Daten zu kontextualisieren und zu modellieren. Diese kontextualisierten Daten werden dann über spezifische Anwendungsdienste für Menschen, Maschinen und Systeme verfügbar gemacht.

Was bei der Einführung industrieller DataOps zu beachten ist

Assetintensive Organisationen sollten sich auf industrielle DataOps konzentrieren, um das volle Potenzial von ET-, OT- und IT-Daten auszuschöpfen und ihr traditionelles Betriebsmodell umzugestalten. Zu Beginn dieser Reise sollten Unternehmen Folgendes tun:

1. Betrachten Sie KI als ein wichtiges Werkzeug sowohl für faktenbasierte Entscheidungen als auch für die effiziente Verwaltung der sie unterstützenden Daten. Die Umgehung der menschlichen „Midstream“-Datenverarbeitung ist
2. kritisch.
3. „Datenbefreiung“ ist entscheidend, um den Wert von DataOps zu maximieren. Durch die Maximierung Ihrer Datenextraktionsfunktionen können Sie DataOps einfacher in Ihre vorhandene IT und OT integrieren.
4. Architektur, wodurch die Notwendigkeit von Investitionen in zusätzliche Systemintegration und OT-Datenquellen begrenzt wird.
5. Entwickeln Sie ein IT/OT-Governance-Modell, bei dem die Daten-Governance im Mittelpunkt steht. Dies wird bestimmen, wie neue Daten verbunden und in die allgemeine Datenarchitektur integriert werden. Es wird auch dazu beitragen, einer wachsenden Zahl von Geschäftsanwendern im Bereich Daten und Analysen gerecht zu werden.
6. Priorisieren Sie die Datenorganisation gegenüber der Zentralisierung. Beginnen Sie mit der Verbindung und Zuordnung aller relevanten Datenquellen und denken Sie dabei an eine klare Liste der Zielanwendungsfälle. Als Teil des Governance-Modells müssen alle neuen Datenquellen über einen Verbindungs-, Tagging-, Freigabe- und Integrationsplan verfügen.
7. Beachten Sie, dass nicht alle Anbieter von DataOps-Plattformen über dieselben Fähigkeiten verfügen. Fachkompetenz und Branchenerfahrung sollten die Auswahlkriterien sein.

Laden Sie dieses Whitepaper von Cognite herunter und erfahren Sie mehr darüber, wie Unternehmen Daten effektiver nutzen können. Abonnieren Sie whitepapers.online für Ressourcen und Whitepaper zu IT, KI, Big Data und mehr.