big data

Ein Problem vieler Produktionsfirmen

Vielfältige Daten wollen sich nicht zusammenführen lassen?

Kommt Ihnen diese Geschichte bekann vor?

Die Firma Müller High Quality stellt die besten Geräte auf dem Markt her. Sie hat viel investiert, um die Kosten schlechter Qualität (CopQ) so niedrig wie möglich zu halten: Sie hat 5 verschiede Prüfstationen in ihre Fertigungslinie integriert, die nach jedem Fertigungsschrit eine ganze Reihe an Tests durchführen. So sollen die fehlerhaften Geräte frühzeitig erkannt werden.

Doch Müller High Quality hat ein Problem:

Der Ausschuss ist immer noch viel zu hoch. Herr Müller, Chef des Leiters der Qualitätsabteilung Herrn Huber, fordert detaillierte Auswertungen aller Stationen, und das möglichst schnell. Aber Herr Huber weiß leider überhaupt nicht, wie er das bewerkstelligen soll. Denn:

Zwei der Prüfstationen sind vom gleichen Hersteller und liefern ihre Daten im gleichen Format aus. Es ist sogar ein Auswerteprogramm dabei, das einige Kennzahlen gut ausrechnen kann, aber leider auch nicht alle. Eine Prüfstation ist schon älter, ihre Protokolldateien kommen in einem seltsamen Text-Format und zum Auswerten ist gar nichts dabei. Die vierte Station liefert ihre Daten in einem xml-Format, das Herr Huber noch nie gesehen hat. Die letzte Prüfstation liefert die Daten in ein ganz anderen Format: json. Herr Huber ist ganz verwirrt, so viele Klammern in einem Protokoll, was soll das denn? Es ist zwar ein Auswerteprogramm dabei, aber das läuft auf aktuellen Windows-11-Maschinen nicht mehr.

Der Chef von Herrn Huber, Herr Müller, ist sauer, er will ein einheitliches Dashboard für alle Prüfstationen! Und weil er schon in Fahrt ist, soll das Dashboard auch auf seinem Handy funktionieren. Und die Qualitätsabteilung soll Zugriff haben. Und natürlich auch die Teamleiter der Produktion. Herr Huber ist verzweifelt...

• Unterschiedlichste Datenformate und -strukturen wollen sich nicht vereinheitlichen lassen
• Keine einheitliche Auswertung möglich
• Qualitätsprobleme lassen sich nicht einheitlich analysieren
• Die Costs of poor Quality (CopQ) sind zu hoch

Und jetzt?

Dabei ist die Lösung gar nicht schwer

Business Intelligence macht es vor

• Zum Glück traf Herr Huber einen Bekannten, einen Data Engineer für Business Intelligence

Der erzählt ihm, dass man das Problem längst gelöst hat. Mittels Business Intelligence sammeln Firmen ihre Geschäftsdaten in einem sog. Data Warehouse nur zu einem einzigen Zweck: Zur Auswertung.

• Wie hilft Business Intelligence bei den Qualtitätdaten in einer Produktion:

Da es so weit verbreitet ist, steht eine riesige Zahl an Programmen und Werkzeugen zur Verfügung, mit denen die Daten aus unterschiedlichsten Quellen aufbereitet, validiert und in eine Datenbank importiert werden können, der sog. ETL-Prozess Das gleiche gilt auch für die Benutzeroberfläche zur Bedienung und Darstellung der Ergebnisse: Auch hier gibt es eine große Auswahl an Dashboards und sonstigen Auswertewerkzeugen sowohl aus dem professionellen Open-Source-Bereich als auch kostenpflichtige Versionen.

• Aber die Daten sind doch so unterschiedlich

Es bleibt allerdings noch das Problem der vielfältigen und unterschiedlichsten Datenformate. Um das zu lösen, müssen wir uns bei den Werkzeugen des Big Data bedienen. Big Data heißt nicht nur große, sondern auch verschiedenartigste Daten(mengen). Hilfreich sind hier besonders die sogenannten noSQL-Datenbanken, also solche, die nicht die starren Strukturen einer klassischen SQL-Datenbank aufweisen. Sie bieten den Vorteil, dass die Datenprotokolle in ihrer Struktur so belassen werden können, wie sie sind. Mit nur minimalen Anpassungen werden sie in die noSQL-Datenbank importiert, wo sie mit verschiedensten Datenbankabfragen, den sog. Queries beliebig ausgewertet werden können.

Mehr Infos