Während Big Data für die Gewinnung und Auswertung von großen Datenmengen zur Optimierung von verschiedenen Prozessen steht, schließt Smart Data die bisher nicht berücksichtigten Herausforderungen hinsichtlich der Vermeidung von unnötigem Datenvolumen mit ein. Zudem ermöglicht Smart Data eine effizientere Auswertung der anfallenden Daten mithilfe von qualitativ hochwertigeren Algorithmen. Ziel von Smart Data ist es, Big Data von der Größe “Big“ zu entkoppeln, indem die relevanten Daten gezielt in einen, der Wirtschaft und Umwelt dienenden, analytischen Zusammenhang gestellt werden.

Smart Data Kriterien

Smart Data baut sinngemäß auf Big Data auf und hat sich im Zuge von Industrie 4.0, die für die Vernetzung von Industrie mit Informations- und Kommunikationstechnik steht, von der Quantität zur Qualität der Daten entwickelt. Das Internet der Dinge, das eine selbstständige Kommunikation zwischen einzelnen Maschinen und dem Menschen ermöglicht, hat dabei neue Anforderungen und Möglichkeiten für die Industrie geschaffen.

Smart Data basiert auf drei Kriterien, der sogenannten “3-V-Definition“:

• Volume (Volumen) – Verarbeitung sehr großer Datenmengen
• Velocity (Geschwindigkeit) – die Daten werden unter engen zeitlichen Rahmenbedingungen ausgewertet
• Variety (Vielfalt) – es werden unterschiedliche Datentypen ausgewertet, zum Teil unstrukturierte Daten

Ein viertes Alternativ-Kriterium “Veracity“ (Richtigkeit) kommt in einigen Fällen für den Umgang mit unzuverlässigen oder ungenauen Daten hinzu. Das wird beispielsweise als Folge von “Variety“ notwendig, wenn aus unstrukturierten Daten, strukturierte erfasst werden. Da dieser Vorgang anfällig für fehlerhafte Folgerungen ist, nimmt sich Veracity der richtigen Einordnung und Bewertung der entsprechenden Daten an.

Smart-Data-Konferenz 2015

Zahlen und Fakten

In seinem Technologieprogramm „Smart Data – Innovationen aus Daten“ fördert das Bundesministerium für Wirtschaft und Energie (BMWi) 13 ausgewählte Leuchtturmprojekte, die sich mit Smart-Data-Konzepten beschäftigen. Das BMWi fördert das Programm mit einer Investitionssumme von 30 Millionen Euro, weitere 25 Millionen kommen von beteiligten Unternehmen und Organisationen selbst hinzu. Die Schwerpunkte des Technologieprogramms liegen auf den Gebieten Industrie, Mobilität, Energie und Gesundheit. Solche Fördermaßnahmen sind notwendig, da Smart Data für eine energieschonende, effiziente und wirtschaftsfördernde Zukunft der Unternehmen unabdingbar ist. Die zunehmende Datenflut erfordert eine konsequente Auswertung um im globalen Wettbewerb standhalten zu können.

Laut dem Digitalverband Bitcom machen aktuell gut ein Drittel der Deutschen Unternehmen von Big-Data-Analysen Gebrauch, 80 Prozent davon geben an, auf Basis dieser Daten geschäftsrelevante Entscheidungen zu treffen. Wie aus den jüngsten Untersuchungen von Bitcom, deren Ergebnisse auf der Pressekonferenz im Juni 2016 in Berlin vorgestellt wurden, hervorgeht liegen die beiden Branchen “Medien“ und “Automobilindustrie“ bei der Nutzung fortgeschrittener Datenanalysen vorn. Die Transport- und Logistikbranche bildet dabei das Schlusslicht.

Abgrenzung von Smart Data zu Big Data in der Intralogistik

Big Data ist Datensammlung aus Systemen und Anlagen und deren Auswertung. Die Begrifflichkeit ist nach wie vor Bestandteil der aktuellen Debatten unterschiedlicher Branchen. In der Industrie ist Big Data beispielsweise eng mit der Smart Factory, einer sogenannten intelligenten Fabrik verknüpft. Es gibt viele weitere Anwendungsfälle für Big Data. Auf Basis von cyber-physischen Systemen, die über die Schnittstelle “Internet“ selbstständig miteinander kommunizieren und untereinander Daten austauschen, werden alle anfallenden Daten gesammelt, mithilfe von Algorithmen in Zusammenhang gestellt und ausgewertet.

Big Data dient in der Intralogistik:

• der Auswertung von großen Datenpaketen mithilfe von statistischen Methoden und Algorithmen (Data Mining). Das erfordert immense Rechenleistung und Speicherkapazitäten. Im Zuge der Industrie 4.0-Bewegung ergeben sich sowohl neue Anforderungen als auch neue Möglichkeiten der Datenanalyse für eine effizientere und flexiblere Prozessgestaltung
• der Störungsanalyse von Anlagen und der entsprechenden Prävention

Vorsprung durch Smart Data mit:

• gezielter Verwendung von Small Data, d.h. präventiven Maßnahmen zur Vermeidung von unnötigem Datenvolumen, das später einer punktgenauen Auswertung dient; bspw. durch Verzicht überflüssiger Informationen in Barcodes von Produktartikeln, die der Materialflussrechner für seine Prozessschritte nicht benötigt (Barcodes sollten immer auf die spezifischen Begebenheiten und den Informationsbedarf vor Ort abgestimmt werden).
• Berücksichtigung der Zeitabhängigkeit bspw. von fertigungstechnischen Prozessen; bisher wurden Daten häufig ohne Rücksicht auf zeitlich wechselnde Prozesszustände ausgewertet
• Erweiterung von Data Mining um physikalische Zusammenhänge; bestimmte Wirkungsabhängigkeiten unterliegen keiner dynamischen Veränderung und sind von vornherein als fixe Zahlen in einen kalkulierbaren Zusammenhang zu stellen. Die Berücksichtigung der physikalischen Zusammenhänge, bspw. der Materialbeschaffenheit der Anlagen, reduziert zum gegebenen Zeitpunkt unnötige Rechenleistung.
• Ergänzung von Data Mining um die Möglichkeit zur Berücksichtigung von hybriden Systemen sprich Misch-Systemen, die sowohl zeitkontinuierliche als auch zeitspezifische Daten liefern
• Datenauswertung unter Berücksichtigung multimodaler Interaktionen, d.h. der Mensch-Computer-Interaktion mit den entsprechenden automatisierten und manuellen Arbeitsprozessschritten
• Datenanalyse in Echtzeit, um Zustände der technischen Maschinen in den richtigen Zusammenhang stellen zu können

Smart Data: Ausblick

Laut Studien der International Data Corporation (IDC) wird das digitale Datenvolumen bis 2020 um das Vierzig- bis Fünfzigfache gewachsen sein. Das entspricht einer Datenmenge von 40 Zettabyte, einer Vier mit 21 Nullen. Um aus diesen Daten den größten Nutzen ziehen zu können, erfordert es an intelligenten Algorithmen innerhalb von Systemen (bspw. innerhalb des Materialflussrechners), die smart abstrahieren und die richtigen Schlüsse für die innerbetrieblichen Prozesse ziehen. Um auch in Zukunft auf die Bedürfnisse des Marktes (bspw. der schnellen Produktbereitstellung) flexibel reagieren zu können, ist Smart Data für die Sicherstellung der Effizienz und Wirtschaftlichkeit in der Intralogistik unumgehbar.

 

Bildrechte Teaser: pixabay (Lizenz: CC0 Public Domain)