Fast Data Analytics für eine fundierte Entscheidungsunterstützung in Echtzeit

Die Anforderungen der Unternehmen an Daten und die daraus abgeleiteten Entscheidungsgrundlagen und Vorhersagen steigen stetig und beeinflussen den Geschäftserfolg maßgeblich. Wir sind heute in der Lage, nahezu alle Daten in ihren vielfältigen Formaten zu integrieren, zu analysieren und zu interpretieren. Doch nur wer in der Lage ist, dies auch in Echtzeit zu tun, kann rechtzeitig fundierte Geschäftsentscheidungen treffen, zeitkritische Services anbieten und echte Mehrwerte für sein Business generieren.

Gerade im IoT-Umfeld, in dem enorm viele Echtzeitdaten produziert und idealerweise direkt aktiv ausgewertet werden, ist der Einsatz von Fast Data Analytics-Plattformen unumgänglich. Durch individuelle Use Cases profitieren heute zahlreiche Branchen von Realtime-Streaming. So muss beispielsweise für die aktive Steuerung und Überwachung von Maschinen auf Basis von Sensordaten eine Realtime-Datenintegration sichergestellt werden. In der Finanz- und Versicherungsbranche hingegen können wiederum Bonitäts- und Plausibilitätsprüfungen bei Online-Anträgen durch ein Realtime-Scoring realisiert werden. Mit Hilfe von Streaming Analytics und Echtzeit-Dashboards werden so weitere konkrete Mehrwerte für das Business geschaffen. Gleichzeitig dürfen natürlich die Ansprüche an Security und Data-Governance nicht unter der Echtzeitverarbeitung leiden.

Dies kann so weit gehen, dass die Speicherung von eigenständig produzierter Energie an Bedeutung gewinnt. Kann oder muss Energie verkauft werden, erscheint es sinnvoll dies zu einem Zeitpunkt zu tun, an dem der Ertrag durch den Verkaufspreis den meisten Gewinn ermöglicht. Um solch eine Entscheidung treffen zu können, muss der aktuelle Marktpreis so schnell wie möglich zur Verfügung stehen. Durch die zusätzliche Integration von Wetterdaten und Stromverkaufspreisen (in Realtime) besteht die Möglichkeit, dank unserer flexiblen Architektur, diese Information für zeitnahe Empfehlungen aktiv zu nutzen. Dabei spielen auch Umwelteinflüsse und weitere Nebenbedingungen wie die noch verfügbare Speicherkapazität sowie die Energieprognose der nächsten Stunden eine wichtige Rolle.

Durch eine einfache Anbindung von Sensordaten, wie Wassertemperatur, Füllstände, Pumpleistung, Drehgeschwindigkeit oder auch Durchlaufgeschwindigkeiten lassen sich in passenden zugehörigen Echtzeit-Dashboards die wichtigsten Messwerte anzeigen und abrufen.

Abbildung 1 – Realtime Energiemanagement / Analytics: Ein Echtzeit-Dashboard hilft dabei, ein intelligentes Energiemanagement zu etablieren und ermöglicht dem Nutzer einen grafischen Echtzeiteinblick. Die umfangreichen Daten, Analysen und gewonnenen Erkenntnisse können dem Endnutzer so komprimiert bereitgestellt werden und unterstützen somit den kompletten Energiezyklus.

Mithilfe der Anbindung von Echtzeitdaten der IoT Geräte ergeben sich neue Anwendungsfälle aus dem Bereich der Predictive Maintenance, welche mit den optimierten Energieprognosen zusammen die Autarkie weiter steigern. So können unerwartete Ausfälle von Verbrauchern verringert werden und die Energieerzeugung bzw. Energieprognosen der nächsten Stunden wird noch präziser. Dadurch lassen sich mit Hilfe der Fast Data Analytics Energiedefizite bzw. „Energieüberflüsse“ stetig optimieren.

Realtime Sensordashboard

Abbildung 2 – Realtime Sensordashboard: Nicht nur die Analyse der etlichen Sensordaten einer Anlage stiftet Nutzen im Sinne eines optimierten Energiemanagements, sondern auch die Echtzeitüberwachung einzelner Maschinen oder Anlagen über ein Realtime-Dashboard im Rahmen von „Predictive Maintenance“. Dadurch können die wichtigsten Sensorinformationen in einer Art Kommandozentrale zusammengeführt werden und dem Endbenutzer einen Echtzeiteinblick geben.

Die Grundlage für solch ein überwachtes IoT System bildet unsere Fast Data Analytics Platform . Diese speichert und historisiert nicht nur IoT-Daten, sondern erlaubt auch die Integration und Nutzung von Stamm- und weiteren Bewegungsdaten – immer mit dem Ziel einen möglichst vollständigen Blick aus der Vergangenheit bis zur Zukunftsempfehlung (Prediction/ Prognosen) bereit zu stellen. Daher sollten alle Daten „rechtzeitig“ für den passenden Anwendungszweck zur Verfügung stehen, um einen hohen Nutzen aus verschiedenen Informationen ziehen zu können.

Dabei sind die Anforderungen an eine Fast Data Analytics Plattform vielfältig und haben unterschiedliche Ansprüche, die im Folgenden in fachliche und technische Aspekte gegliedert sind.

Buchen Sie hier Ihre kostenlose Expert Hour

60 Minuten kostenlose Beratung zu Ihren individuellen Fragen rund um das Thema Fast Data Analytics für die Wasserwirtschaft

Fachliche Anforderungen:

  • Die Daten müssen in Realtime („rechtzeitig“) integriert und verarbeitet werden können
  • Im Dashboard sollen die Daten in Realtime dargestellt werden
  • Die Echtzeitdaten müssen mit Stammdaten angereichert werden
  • „Industrialisierte“ Data Science-Modelle müssen in Echtzeit auf die gestreamten Daten angewendet werden (z.B. für Prognosen)

Da die Security und Gesamtsicherheit der Datenwelt im Bereich der öffentlichen Datenspeicherung und Nutzung eine sehr wichtige Rolle spielen, muss diesem Thema ausreichend Genüge getan werden. Nur wer in der Lage ist, moderne Architekturen einfach, flexibel und sicher zu portieren, kann diesem Anspruch auch gerecht werden.

Diese Anforderungen helfen bei der Beantwortung technischer Fragen wie:

  • Soll die Plattform in der Cloud oder On-Premise entstehen?
  • Bereitstellung der Plattform: Infrastructure as a Service (IaaS), Platform as a Service (PaaS) oder Software as a Service (Saas)
  • Welche Datenmengen müssen integriert werden?
  • Welches Datenwachstum ist zu erwarten?
  • Wie stark und wie schnell muss die Plattform skalieren können?
  • Wer soll alles Zugriff auf die Plattform bekommen?
  • Wie flexibel muss die Plattform sein, um beispielweise weitere Use Cases leicht umsetzen zu können, die heute noch nicht bekannt sind?

Hierbei handelt es sich um ein Gemeinschaftsprojekt zusammen mit unseren Partnern:

ACOPA Logo
Sonarlock

Profitieren Sie von unserer Expertise im Bereich Fast Data Analytics für Ihr optimiertes Energiemanagement

Damit Ihre Einführung und der Aufbau einer Fast Data Analytics Plattform gelingt, haben wir aus unserer Erfahrung, speziell definierten Use Cases, umfangreichen Kundenanforderungen und praktischen Evaluierungen von Herausforderungen heraus, ein möglichst vollständiges Bild erhalten, wie eine flexible und portierbare (On-Premise/ Cloud) Enterprise Lösung unter Berücksichtigung vieler Aspekte aussehen kann.

Unter anderem sind dabei folgende Aspekte zu berücksichtigen:

  • Zentrales Sicherheitskonzept über alle Services und Interaktionen hinweg
  • Eingebettete Governance & Compliance (Audit, Data Lineage, Data Catalog, etc.)
  • Flexible Bereitstellung in der Cloud oder im eigenen Rechenzentrum (On-Premise)
  • Volle Integration aller Services unter Berücksichtigung der Security
  • Individualisierbarkeit z.B. der Datenintegration oder Datenanalyse
  • Flexible Schnittstellen (Quellen und Ziele / Abnehmer)
  • Historisierung von Data-Streams auf Basis von Zeitstempeln
  • Einfache Bereitstellung einzelner Disziplinen (Data Engineering, Data Warehouse, Data Science und Visualisierung)
  • Komplexe Data Science / KI unterstützte Use Cases umsetzbar (Predictive Maintenance, Energieoptimierung, etc.)
  • Individualisierbare Realtime – und historische Dashboards

Aus den Aspekten resultierte nachfolgender Überblick über die Plattform:

Optimierte Wasserwirtschaft

Auf Basis dieses Konzepts bieten wir eine Lösung an, mit welcher eine Fast Data Analytics Plattform automatisiert in der Public Cloud oder On-Premise bereitgestellt werden kann. Bei der initialen Bereitstellung der Fast Data Analytics Plattform wird automatisiert ein „Meta Data Lake Cluster“ erstellt. Dieses Cluster, auch Basis-Cluster genannt, ist der zentrale Speicher von Nutz- und Metadaten sowie Sicherheitsrichtlinien für alle verwendeten Services innerhalb der Plattform. Weitere Compute-Cluster (Data Hubs) können nachträglich mit dem Basis-Cluster verknüpft werden und erben so alle dort hinterlegten Richtlinien und Metainformationen. Durch die Entkopplung von Daten und Berechnung kann die Plattform in der Zukunft so ohne großen Mehraufwand flexibel auf Änderungen reagieren. Beispielsweise kann ein Data Hub im Kontext „Data Science“ dank vordefinierter Templates auf Knopfdruck erstellt werden, um schnell neue Use Case Ideen evaluieren zu können, ohne das bestehende Cluster zu beeinflussen. Gleiches gilt für die horizontale und vertikale Skalierung des Clusters. Vordefinierte Templates und die zentrale Verwaltung ermöglichen es, das Cluster jederzeit zu skalieren.

Auf Basis der angesprochenen Aspekte gilt es unter anderem im Rahmen einer Fast Data Analytics Plattform nachfolgende Disziplinen bei der Schaffung einer Datenbasis zu bewältigen:

  • Generische Integration von Quellen (MTGen)
  • Entgegennehmen von Echtzeitdaten (Streaming Hub)
  • Verarbeiten und Anreichern von Echtzeitdaten (Processing Hub)
  • Echtzeitvorhersagen im Kontext Data Science (Analytics Hub)
  • Bereitstellen von Echtzeitdaten (Serving Hub)
  • Echtzeit-Dashboards / Realtime Frontend
  • Einfacher Zugriff auf Datenbasis
  • Fördern der Kollaboration
  • Schaffen von Schnittstellen

Ihre Vorteile im Bereich Energiemanagement

Der Aufbau und die schnelle Bereitstellung einer passenden Fast Data Analytics Plattform bilden die Grundlage für eine Integration sowie Nutzung von Realtime Daten. Durch den ganzheitlichen Ansatz, im Sinne einer optimal nutzbaren Datenplattform, ist auch die Integration von Stammdaten oder anderen Zusatzdaten (intern/extern) gewährleistet.

Dadurch ergeben sich folgende Vorteile für Ihre Nutzung:

  • Nutzung und Erkenntnisgewinn auf Basis zeitkritischer Daten
  • Echtzeit-Monitoring von Daten-Streams
  • Aufbau und Nutzung von Realtime-Predictions und Realtime-Analytics
  • Integration von Stammdaten und anderen Quellen für umfassende Analysen
  • Flexible und schnelle Integration neuer Datenquellen (z.B. Sensoren)
  • Historisierung von Data-Streams auf Basis von Zeitstempeln
  • Generischer Aufbau der Plattform auf Basis von Generatoren und Metadaten
  • Schaffen einer zentralen Enterprise Lösung für das ganze Unternehmen

Ansprechpartner

Ralf Böhme

Ralf Böhme

Bereichsleiter Analytics

Philipp Wittenhorst

Lead Consultant