Big Data

In-Memory-Computing für Analyseprojekte in Unternehmen

| Autor / Redakteur: Mathias Golombek * / Nico Litzel

Big-Data-Projekte kostengünstig umsetzen

Selbst bei knappem Budget lassen sich mithilfe von flexibel skalierbaren Software-as-a-Service- oder Cloud-Lösungen Big-Data-Projekte erfolgreich und kostengünstig umsetzen. So können auch mittelständische Unternehmen leistungsfähige Lösungen einsetzen, da für die Implementierung nur wenig Know-how im eigenen Haus aufgebaut werden muss und initiale Investitionen sowie die Verantwortung für die gesamte Hard- und Software entfallen. Auch Projektdauer und -komplexität können hierdurch reduziert werden. Zudem bieten flexible Laufzeiten und Skalierungsmöglichkeiten im SaaS-Bereich mehr Agilität und weniger Risiko.

Technik und Budget alleine genügen jedoch nicht, um die verborgenen Big-Data-Schätze zu heben. Auch eine fundierte Technologie-Expertise im Unternehmen ist eine essentielle Entscheidungsgrundlage für die Einführung von In-Memory-Datenbanken. Big Data sollte deshalb fester Bestandteil der Unternehmensstrategie sein, und nicht nur eine rein technische IT-Diskussion.

Auch deshalb gibt es in immer mehr Firmen einen Chief Data Officer. Eine enge Verzahnung zwischen analytischer Expertise, Know-how der eigenen Fachbereiche sowie der IT-Landschaft sind hier der Schlüssel zum Erfolg. Dem aktuellen Trend folgend bilden sich hier immer öfter hochspezialisierte Data Science Teams heraus, die es verstehen, die unterschiedlichen optimalen Datenmanagement-Technologien zu einem funktionierenden Ökosystem zu kombinieren.

Mit Big-Data-Analyse zur smarten Fabrik der Zukunft

Im „Rohstoff“ Daten verbergen sich vielfältige Quellen zur Optimierung betrieblicher Prozesse, von Arbeitsabläufen sowie der Qualität. Dieses Potenzial erkennen deutsche Industrieunternehmen bereits: Eine aktuelle Erhebung von Capgemini zeigt, dass unter 1.000 Entscheidern ganze 61 Prozent in Big Data bereits jetzt eine eigenständige Umsatzquelle sehen, die für Unternehmen genauso wertvoll wird, wie Produkte und Dienstleistungen. 43 Prozent der Befragten gaben an, sich zu reorganisieren, um neue Geschäftschancen durch Big Data zu nutzen.

Traceability in der Elektronikfertigung: Produktions- und Qualitätskennzahlen der verkauften Leistungshalbleiterkomponenten lassen sich bei Semikron innerhalb der vorgeschriebenen Aufbewahrungsfristen zurückverfolgen.
Traceability in der Elektronikfertigung: Produktions- und Qualitätskennzahlen der verkauften Leistungshalbleiterkomponenten lassen sich bei Semikron innerhalb der vorgeschriebenen Aufbewahrungsfristen zurückverfolgen. (Bild: Tilman Weishart/Semikron)

Von den Vorteilen des Einsatzes einer Big-Data-Analysesoftware im Produktionsumfeld profitiert das Unternehmen Semikron Elektronik: Der Hersteller für Leistungselektronik setzt seit einigen Jahren für sein Spezialgebiet Messdatenarchivierung eine flexible In-Memory-Datenbank-Managementlösung ein. Bis dahin wurden Messergebnisse in auftragsspezifischen Dateien auf einen Fileserver kopiert und mit einem einfachen Index (Auftragsnummer, Anlage, Datum) in einer SQL-Tabelle versehen, um vertragliche Vereinbarungen zur Aufbewahrung dieser Daten zu erfüllen.

Für das monatliche Berichtswesen wurden relevante Qualitätskennzahlen manuell in Excel kopiert und zusammengestellt, um anschließend Diagramme für den Vormonat zu generieren. Der monatliche Zeitaufwand betrug je nach Bedarf 5 bis 10 Personen-Wochen.

Echtzeit-Auswertungen der Produktion waren aufgrund des hohen manuellen Aufwands unmöglich, ebenso wenig ein Zuordnen der einzelnen Messergebnisse aus vorgehenden oder nachfolgenden Prozessen aus der internationalen Wertschöpfungskette.

Die Datenbanklösung sollte nicht nur vielschichtige Ad-hoc-Analysen ermöglichen, sondern vor allem einen schnellen Zugriff auf alle Messdaten garantieren. Ziel war, die Daten in eine relationale Datenbank einzugeben und daraus – je nach Bedarf – verschiedene Export-Formate wie qs-STAT (Q-DAS), MiniTab und CSV bereitzustellen.

Eine Praxisherausforderung an das Berichtswesen war es beispielsweise, für bestimmte Produktgruppen und ausgewählte Merkmale einen Boxplot zur Ermittlung der Wertverteilung aller Aufträge des vergangenen Monats zu erstellen. Für eine einzige Produktgruppe betrug der ursprüngliche Aufwand eine Woche pro Monat. Dieses Pensum konnte durch die neue Datenbank auf eine Minute pro Monat reduziert werden.

Inhalt des Artikels:

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 43877565 / Infrastruktur)