Dafür gilt es jedoch, die entsprechenden Daten zu akquirieren und das jeweilige System damit zu füttern. Um den bestmöglichen Nutzen zu erzielen, hilft es jedoch nicht, wahllos Daten zu sammeln und zu speichern. Oft genug stellt sich bei der Analyse und Anwendung heraus, dass relevante Informationen nicht oder nicht mit der nötigen Qualität gespeichert wurden – z.B. ohne passenden Zeitstempel oder in der falschen Granularität. Die Erfahrung zeigt: Das interdisziplinäre Zusammenspiel zwischen Prozess-Knowhow und Datenwissen ist absolut wesentlich. Es ist meist zielführender, Daten mit Blick auf konkrete Fragenstellungen zu sammeln, anstatt unkoordiniert mit Sensorik alle Maschinendaten zu speichern: So kommen am Ende auch die richtigen Daten an der richtigen Stelle an.
Vertrauen in Algorithmen und Daten schaffen
Ein ganz wichtiger Punkt bei der Diskussion über Mehrwerte ist eine klare Kennzahlendefinition. Wenn beispielsweise Durchlaufzeiten in der Produktion optimiert werden, muss für alle Beteiligten klar sein, welcher Parameter gemessen und optimiert wird. Sobald das Rohprodukt in die Fabrik kommt oder wenn es in die Maschine eingelegt wird? Wird der Mittelwert oder der Median gemessen? Oft erweist sich schon eine trivial klingende Kennzahl daher als gar nicht so simpel und teilweise hat jedes Unternehmen oder sogar jede Abteilung eine eigene Definition. Nur mit klaren Definitionen wächst das Vertrauen in die Ergebnisse. Senior Data Scientist bei der Cosmo Consult Gruppe
Nach dem Pay-per-Use-Prinzip wird nur für die tatsächlich benötigte Performance gezahlt – also bei Streaming-Analytics zum Beispiel, wie viele Daten pro Minute verschoben werden. Damit entfällt die Bereitstellung überdimensionierter Infrastruktur, wie sie etwa für Trainingsphasen von KI-Algorithmen nötig wäre.