Daten- & Informationsverarbeitung: Fortgeschrittene

Je nachdem, welches Ziel Sie mit der Datenanalyse verfolgen, müssen Sie zunächst passende Datensätze identifizieren bzw. auswählen und verfügbar machen. Um Daten zentral verfügbar zu machen, eignen sich z. B. Data Warehouses oder Data Lakes. Für die eigentliche Auswertung der Daten kommen verschiedene Methoden und Ansätze in Frage. Übergeordnet sind häufig die Ansätze Big Data und Data Mining anzutreffen. Beide Ansätze sind für die Verarbeitung und Analyse großer Datenmengen und heterogener Datensätze geeignet, unterscheiden sich jedoch im Detailgrad der Analyseergebnisse. Big-Data-Anwendungen sind auf die Verarbeitung großer Datenmenge ausgerichtet und dienen vor allem dazu, übergeordnete Zusammenhänge zwischen allen aufkommenden Datensätzen zu analysieren und darzustellen. Daher eignen sich Big-Data-Anwendungen eher dazu, übergeordnete Übersichten aus Daten zu extrahieren, wie z. B. Dashboards über den gesamten Produktionsablauf.* Priya Pedamkar: Big Data vs Data Mining (online). www.educa.com, (abgerufen am: 15.09.2022). * geeksforgeeks.org: Difference Between Big Data and Data Mining (online). geeksforgeeks.org, (abgerufen am: 15.09.2022).

Data Mining kann zwar auch mit größeren Datenmengen umgehen, ist aber stärker auf die tiefgehende Erkennung von Mustern und Zusammenhängen zwischen einzelnen Datensätzen oder innerhalb einzelner Datensätze ausgelegt. Data Mining ist daher dafür geeignet, Daten auf sehr spezifische Fragestellungen hin zu analysieren und Erkenntnisse zur Entscheidungsunterstützung zu generieren.* Bissantz, N. und Hagedorn, J. (2009): Data Mining (Datenmustererkennung). In: WIRTSCHAFTSINFORMATIK, 51(1), 139-144. ISSN 0937-6429. doi:10.1007/s11576-008-0108-z

Data Warehouse und Data Lake

Data Warehouses sind Datenbanksysteme, die dazu dienen, heterogene Daten aus unterschiedlichen Quellen in ein einheitliches Datenmodell zu überführen und somit einen einheitlichen Zugriff auf diese Daten zu ermöglichen. Die Daten, die in Data Warehouses gespeichert werden, sind überwiegend strukturiert (z. B. aus Datenbanken). Es können aber auch unstrukturierte Daten (z. B. Web-Videos) integriert werden. In jüngerer Vergangenheit kam das Konzept des Data Lakes zusätzlich auf, welches grundsätzlich dem des Data Warehouses ähnelt. Eine Spezialität des Data Lakes im Vergleich zum klassischen Data Warehouse liegt darin, dass erstere die Verarbeitungsgeschwindigkeit von Daten fokussiert und darauf ausgerichtet ist, große Menge an Daten schnell verfügbar zu machen. Dagegen ist die Aufbereitung der Daten, wie z. B. die Überführung in ein einheitliches Datenmodell, beim Data-Lake-Ansatz eher nachrangig. Daten werden teilweise in ihrer ursprünglichen Struktur eingespeichert, so dass sie später „unverfälscht“ weiterverarbeitet werden können* Oracle Coporation: Difference between Data Lake and Data Warehouse (online). Oracle Coporation, (abgerufen am: 26.10.2022). . Daher sind Data Lakes tendenziell besser dafür geeignet, um Anwendungen mit Daten zu versorgen, die eigene, spezialisierte Vorverarbeitungsprozesse haben und mit zeitkritischen Daten arbeiten, wie z. B. KI-gestützte Echtzeitanalysen.

Big Data

Die Transformation hin zur Industrie 4.0 geht mit einem enormen Zuwachs an Daten einher. Dabei nimmt nicht nur die bloße Menge der Daten zu, sondern auch deren Quellen, Strukturen und Typen. Um diese immer größere Menge an heterogenen Daten sinnvoll verwalten und nutzen zu können, hat sich der Big-Data-Ansatz zum Umgang mit Massendaten entwickelt. Unter diesem Begriff wird „die wirtschaftlich sinnvolle Sammlung und Anwendung entscheidungsrelevanter Erkenntnisse aus qualitativ vielfältigen und unterschiedlich strukturierten Informationen“ verstanden* VDI Zentrum Ressourceneffizienz GmbH (2017): Ressourceneffizienz durch Industrie 4.0 - Potenziale für KMU des verarbeitenden Ge-werbes. VDI Zentrum Ressourceneffizienz GmbH, Berlin. . Im Bereich der Produktion, wo steigende Qualitätsanforderungen, eine erhöhte Komplexität und ein hoher Kostendruck konkurrieren, spielen die Erfassung und Auswertung von Daten eine immer größere Rolle. Im Fokus steht hier die Auswertung von Daten zu Produkten, Prozessen, Qualitätsmerkmalen und Beschäftigten sowie deren Umfeld, mit dem Ziel einer Prozess- und Qualitätsverbesserung. Der Einsatz von Big Data und Advanced-Analytics-Methoden kann hierbei zu einer signifikanten Erhöhung des Produktionsvolumens führen und gleichzeitig Stillstandzeiten reduzieren. Dadurch können wiederum die Stand-by-Verluste minimiert und Energie eingespart werden.* VDI Zentrum Ressourceneffizienz GmbH (2017): Ressourceneffizienz durch Industrie 4.0 - Potenziale für KMU des verarbeitenden Gewerbes. VDI Zentrum Ressourceneffizienz GmbH, Berlin.