Der UNS soll Datensilos auflösen und auf Werksebene eine effiziente Skalierung von Systemen und Anwendungen ermöglichen. Doch wie bei jeder bahnbrechenden Technologie gibt es auch hier Herausforderungen und Weiterentwicklungen, die es zu meistern gilt. Doch kann der #Shared-UnifiedNamespace, kurz #SharedUNS, die Hürden überwinden und Unternehmen dabei helfen, ihre Fertigungsprozesse zu optimieren und die Effizienz zu steigern? Der Blick auf die Effekte und Herausforderungen des Konzeptes verschafft Klarheit.
Die Leistungsversprechen
ß Datenintegration – Der UNS soll die nahtlose Integration von Daten aus verschiedenen Quellen ermöglichen, wodurch Datensilos aufgelöst werden.
ß Interoperabilität – Unterschiedliche Geräte und Systeme von verschiedenen Herstellern können über eine gemeinsame Datenplattform kommunizieren.
ß Skalierbarkeit – Die einheitliche Struktur des UNS hilft, Systeme und Anwendungen zu skalieren.
ß Single Source of Truth – Abteilungen und Systeme greifen auf dieselben Daten zu, was Inkonsistenzen und Redundanzen vermeidet.
ß Offene Architektur – Der UNS basiert auf einer offenen Architektur, die die Integration neuer Technologien und die Erweiterbarkeit erleichtert.
Die Herausforderungen des UNS
ß Komplexität der Implementierung – Die Einführung eines UNS kann komplex und zeitaufwendig sein, insbesondere wenn viele unterschiedliche Systeme integriert werden müssen.
ß Abhängigkeit von Standards – Die Effektivität des UNS hängt stark von der Einhaltung und Implementierung von Standards ab.
ß Kein durchgängiges Datenmodell – Bei der Implementierung des UNS kann es zu Brüchen im Datenmodell kommen, weil es allen Anforderungen auf einmal gerecht werden muss.
ß Cybersecurity – Da die Daten zentralisiert sind, kann ein UNS anfälliger für Sicherheitsbedrohungen sein.
Weiterentwicklung zum #SharedUNS
Um diese Herausforderungen zu überwinden, wurde das Konzept des UNS zu einem #SharedUnifiedNamespace weiterentwickelt. Mit dem #SharedUNS können Unternehmen entscheiden, welche Daten in Echtzeit verarbeitet werden, welche für spätere Analysen im Data Lakehouse gespeichert werden und welche Daten für KPI-Berechnungen direkt in der Datenbank landen. Die Fertigung und das Management benötigen dabei KPIs, die auf relationalen Daten basieren. Gleichzeitig wollen die Fertigung und die Qualitätssicherung den Fertigungsprozess kontinuierlich überwachen, wofür Streaming-Daten erforderlich sind. Der Datenanalyst wiederum benötigt für seine Vorhersagemodelle große Datenmengen, die in einem Data Lakehouse gespeichert werden.