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.

IoT-Daten

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 Data Steward ist die wichtigste Person bei der Umsetzung und der Steuerung von IoT-Datenqualitäts­strategien. Er stellt Regeln auf, wie Daten erfasst, behandelt, gepflegt sowie weitergegeben werden und legt die Prozesse fest, die im gesamten Unternehmen die Qualität in den IoT- und betriebswirtschaftlichen Daten sicherstellen sollen. Darüber hinaus sorgt er für die Umsetzung der Richtlinien, übernimmt die laufende Kontrolle sowie Erfassung der Informationsintegrität und passt die Qualitätsverfahren entsprechend den geänderten Anforderungen und Datenquellen an.

3. Die zu bereinigenden Daten priorisieren. Ein Data Steward kennt den geschäftlichen Wert der Daten in seinem Verantwortungsbereich und kann beurteilen, welche Daten wirklich den Aufwand wert sind, sie zu bereinigen. Ein guter Start ist die Erstellung eines Lebenszyklusdiagramms. Grundlage dafür bilden die beim Profiling ermittelten Daten. Zu klären ist: Woher kommen die Daten? Von welchen Applikationen werden sie genutzt? Welche Konsequenzen haben fehlende oder nicht korrekte Daten? Gibt es manuelle Aktivitäten, die sich auf die Integrität der Informationen auswirken? Um hohe Qualitätsziele zu erreichen, müssen Fachabteilungen möglicherweise einzelne Geschäftsprozesse anpassen.

4. Verfahren für fehlerhafte Daten festlegen. Ausgangspunkt bilden die beim Profiling aufgedeckten Datenqualitätsprobleme. Der Data Steward muss daher Prioritäten setzen. Er sollte Herausforderungen und Risiken skizzieren und eine Methodik für deren Bewältigung entwickeln sowie Verfahren und die notwendigen Maßnahmen implementieren. Der Plan muss folgende Fragen beantworten: Welche Fehler liegen innerhalb tolerierbarer Grenzen? Was geschieht mit den problematischen Fällen? Werden die Daten nicht verwendet oder eingehend geprüft? Sollen korrigierbare Fehler manuell behoben werden? Ein effizientes Datenqualitätsmanagement bedeutet nicht, dass alle Daten fehlerfrei sein müssen. Der Aufwand dazu ist zu hoch. Meist genügt es, dass die Daten für einen bestimmten Kontext „gut genug“ sind.

5. Den Reinigungsprozess mit IT-Prozessen starten. Nachdem in den Fachabteilungen, etwa der Produktion, Instandhaltung, Logistik und dem Vertrieb, die problematischen Daten identifiziert wurden, besteht der nächste Schritt darin, zusammen mit der IT-Abteilung die notwendigen Prozesse und Verfahren zur Bereinigung der Daten umzusetzen. Mit leistungsstarken Bereinigungs-Tools kann die IT die erforderlichen Korrekturen an den fehlerhaften Daten effizient durchführen und die Ergebnisse der Maßnahmen fortlaufend überprüfen und bei Bedarf ein Feintuning vornehmen.

„Jede Entscheidung, die Mitarbeiter und Führungskräfte eines Unternehmens treffen, sollte auf einer fundierten Informationsbasis aufsetzen. Daten müssen zuverlässig, vertrauenswürdig und in der Aussage stets plausibel sein, egal, ob sie aus Abläufen in der Produktion, betriebswirtschaftlichen Vorgängen oder dem Einsatz von Produkten und Services bei Kunden stammen“, sagt Nathan Jagoda, Country Manager Germany bei Information Builders. „Gute Datenqualität erstreckt sich über die gesamte Data Value Chain, von der Datenerfassung bis zum Einsatz der Daten in betrieblichen Entscheidungen. Vor allem aber nutzen die besten Strategien zur Steigerung der Datenqualität nichts, wenn sie nicht konsequent umgesetzt, befolgt und überwacht und gegebenenfalls korrigiert werden.“