Aus Daten Nutzen ziehen mittels Endress+Hauser-Lösungen

Ein hohes Potential verspricht die Vernetzung unterschiedlichster Datenquellen. Diese Kontextdaten können beispielsweise auch in der Logistik eingesetzt werden.

Es ist ein Beruf im Aufwind: Bis 2026 soll die Nachfrage nach Data Scientists einer Studie von Glassdoor and Forbes zufolge um 28 Prozent steigen. Die Chief Information Officers von 3000 Unternehmen versprachen sich in einer Umfrage des Marktforschers Gartner von Analyse- und Business Intelligence die größten Wettbewerbsvorteile für ihre Unternehmen. Datenwissenschaft ist heute unbestritten ein Träger und Treiber des digitalen Wandels.

Datenwissenschaftler bei Endress+Hauser gewinnen aus einer Fülle verschiedener Daten neue Erkenntnisse, mit denen Anlagenbetreiber Prozesse optimieren und bessere Entscheidungen treffen können.

Daten interpretierbar & trainierbar machen

Denn es liegt in den Händen der Data Scientists, Datenberge in kluge digitale Lösungen zu transformieren. Während Informatiker sich um Hardware und Softwareprogrammierung kümmern, arbeiten Datenwissenschaftler strukturierte und unstrukturierte Daten so auf, dass sie interpretierbar werden. Zudem entwickeln sie die mathematisch-statistischen und auch hybriden Modelle für die Mustererkennung und trainieren die Algorithmen, die schließlich im Hintergrund einer digitalen Anwendung arbeiten.

Dabei entstehen die guten digitalen Kundenlösungen nur an der Schnittstelle von Data Science und Branchen- sowie Anwendungswissen, wie der Messgerätehersteller Endress+Hauser beobachtet: „Kunden wollen Funktionalitäten, keine Datenberge“, sagt Ervin Binkert, Leiter Digitale Lösungen bei Endress+Hauser Flow. Nur wer genau verstehe, welchen Use-Case ein Kunde habe, könne eine schlüssige datengetriebene Anwendung schaffen. „So wie keiner etwas davon hat, alle Fernsehprogramme dieser Welt zu empfangen, so hat das Versprechen von Daten allein auch keinen Wert“, erläutert er. „Es geht nicht um Big Data, sondern um ‚Useful‘ Data.“

Blick nach vorn: Probleme können dank selbstdiagnostizierenden Sensoren der Heartbeat Technology oder cloudbasierten Anwendungen bereits vor Entstehung vermieden werden.

Datenanwendung & -Wissenschaft verknüpfen

Die Data Scientists von Endress+Hauser arbeiten daher eng mit den beauftragenden Kunden zusammen. „Wir stehen mit einem Bein beim Anwender, mit dem anderen in der Wissenschaft“, bekräftigt Dr. Rebecca Page, Expert Data Scientist im Unternehmen. Neben dem Use-Case gelte es auch die Datenbasis des Kunden genau zu erfassen. „Nicht hinter jeder Zahlenauffälligkeit steckt ein Fehler“, macht Page ein Beispiel. „Ein Sprung im Batch-Prozess kann auch dem Einrichten einer Maschine geschuldet sein.“ A und O ist deshalb das genaue Verständnis des Anwendungsfalls und der entsprechenden Datengrundlage.

Auf dem Weg zur digitalen Lösung arbeiten Data Scientists insgesamt fünf wesentliche Schritte durch: beginnend mit dem Business- und Prozess-Understanding (‚Ausgangsfrage‘), gefolgt von der Datensammlung, über die Datenaufbereitung und -analyse und die Datenmodellierung bis hin zur Evaluation bezüglich der Ausgangsfrage. Nachdem die Ausgangsfrage und der Kundennutzen definiert worden sind, gilt es die Datenqualität, -struktur und -eignung zu überprüfen. Fragen sind beispielweise, ob die vorliegenden Daten bereits bearbeitet sind, ob die Einheiten übereinstimmen und ob die Daten wirklich mit der Fragestellung zusammenhängen.

Außerdem gilt es Dubletten und Datenlücken zu identifizieren und, ganz elementar, zu bestimmen, ob die Daten auch wirklich von den Quellen stammen, die man braucht. Nicht zuletzt stellt sich die Frage, ob und unter welchen Bedingungen sie im Rahmen der Compliance genutzt werden dürfen.

Die Anwendung der analysierten Daten bestimmen

Sobald all diese Fragen geklärt sind, werden die Daten in ein einheitliches Format gebracht. Hier kommen Datenintegrationstechnologien wie ETL-Tools (Extrahieren, Transformieren, Laden) zum Einsatz. In der anschließenden vorläufigen Analyse entwickeln die Experten ein erstes Verständnis der Datenbasis, um passende Datenmodelle zu bestimmen. Erst dann kommt es zur Datenmodellierung, in der mit statistischen Analysen, prädiktiven Analysen, Regressionen, Algorithmen für maschinelles Lernen und Deep Learning-Methoden Erkenntnisse aus den aufbereiteten Daten gewonnen werden sollen. Welche Modelle man auf die Datensammlung anwenden kann, hängt dabei auch vom Speicherort ab: Edge-Devices halten Betriebsdaten zwar gerätenah, haben aber eine geringere Rechenleistung als eine Cloudlösung. Je höher die Rechenleistung, desto ausgefeilter sind jedoch die Analysemöglichkeiten.

Hohes Potenzial durch Vernetzung von Datenquellen

Dabei verspricht man sich gerade aus der Vernetzung unterschiedlichster Datenquellen, insbesondere auch mit Kontextdaten, transformatives Potenzial. „Kontextdaten sind Zeitreihen wie Kalendereinträge, aber auch Wetter- oder Verkehrsdaten“, erläutert Dr. Page. Der Messgerätehersteller Endress+Hauser nutzt solche Datenvernetzung selbst, etwa in der Logistik. Ein Algorithmus bestimmt aufgrund historischer und aktueller Daten jeweils den besten Logistik-Dienstleister in Europa oder Nordamerika, was die Lieferzuverlässigkeit erhöht. Auch analysiert das Unternehmen sämtliche Servicefälle weltweit, um gegebenenfalls einen proaktiven Service auszulösen. Algorithmen erkennen dabei in Zukunft auch, ob es um relevante oder irrelevante Fälle geht. So kann ein Service-Anstieg auch auf Fehlinstallationen bei einem großen Kunden zurückgehen.

„Datenwissenschaften lenken den Blick nach vorn“, sagt Binkert. „Wo wir einst Probleme lösten, nachdem sie entstanden waren, können wir sie heute mit diagnostischen und prädiktiven Analysen von Anfang an vermeiden.“ Mit sich selbstdiagnostizierenden Sensoren der Heartbeat Technology, mit Anomalie-Detektionen etwa für Trinkwassernetze oder weiteren cloudbasierten Anwendungen im Rahmen des IIoT-Ökosystems Netilion hat Endress+Hauser hier bereits Lösungen für Kunden geschaffen.