Alle Beiträge von Dirk Möller

Produktdatenmanagement: Von Kinderspielzeug und hochkomplexen Autos

Datensilos, historisch gewachsene Systeme und heterogene Produktdaten stellen Hersteller vor eine zentrale Herausforderung: Wie lässt sich eine ganzheitliche Betrachtung entlang der Wertschöpfungskette realisieren? Herkömmliche Produktdatenmanagement-Systeme (PDM-Systeme) können die verschiedenen Produkt- und Prozessdaten nur speichern. Um aber die abteilungsübergreifenden Zusammenhänge zu erfassen – vom Design über Materialbeschaffung und Produktion bis zum Vertrieb und After-Sales-Management – eignen sie sich nur begrenzt. Andere Datenbanktypen sind deutlich besser geeignet, um vernetzte Daten abzufragen, Workflows zu vereinfachen und einen echten Mehrwert zu erzeugen.

Informationen im Kontext durch Graphtechnologie

Graphdatenbanken ermöglichen es, Datensätze und ihre Beziehungen untereinander in Echtzeit abzufragen. Ein Graph besteht dabei aus Knoten (z. B. Produkt, Materialkomponente, Lieferant) und Kanten (z. B. „enthält“, „geliefert“, „erfüllt Norm“). Beiden kann eine beliebige Anzahl qualitativer und quantitativer Eigenschaften zugewiesen werden, z. B. Spezifikationen und Liefermenge.

Überträgt man dieses Datenmodell auf PDM-Systeme entsteht ein reichhaltiger Kontext an Informationen, der den Datenverbindungen einen besonderen Stellenwert einräumt. Anwender können in Echtzeit Informationen wie Stücklisten, CAD-Daten, 2D- und 3D-Daten und Fertigungsanweisungen von einem bestimmten Produkt abrufen. Ein weiterer Vorteil dieser Technologie ist die Skalierbarkeit des Systems und die Möglichkeit Daten jederzeit zu ergänzen. Informationen zu neuen Materialien, Lieferanten, gesetzlichen Vorgaben oder Vertriebspartnern lassen sich daher schnell und einfach aktualisieren.

Mit vordefinierten Zugriffsrechten können Zugangsberechtigungen an Partner und Lieferanten vergeben werden. Auch intern lässt sich so sicherstellen, dass Mitarbeiter nur auf die für ihre Aufgaben nötigen Daten Zugriff erhalten. Unterm Strich können Hersteller so Zeit in der Entwicklung und Produktion sparen, ihre Time-to-Market verkürzen und folglich Kosten reduzieren. Gleichzeitig unterstützen graphbasierte PDM-Systeme die Hersteller dabei, alle Anforderungen in Bezug auf Qualität, Norm und Rückverfolgbarkeit einzuhalten – von der Spielfigur bis zum Auto.

Graph-Produktdaten

Quelle: Neo4j

Heterogene Daten bei Spielwarenherstellern

Der Spielzeughersteller Schleich nutzt für sein PDM-System die Graphdatenbank Neo4j für die effiziente Entwicklung und Herstellung seiner Spielwaren. Alle produktspezifischen Daten sind in der Graphdatenbank konsolidiert mit dem Ergebnis, dass eine zentrale Informationsplattform mit Schnittstellen zu anderen Systemen entsteht. Mit anderen Worten: Mit wenigen Klicks stehen den Mitarbeitern umfassende Informationen zu jedem Spielzeug zur Verfügung: Aus welchen Materialien besteht eine Schleichfigur? Von welchem Lieferanten stammen die einzelnen Komponenten? Welche Inhaltsstoffe müssen angegeben werden? Und auf welchen Absatzmärkten gelten welche Compliance-Richtlinien? Gerade im Spielwarenbereich müssen länderspezifische Qualitäts- und Sicherheitsstandards eingehalten und stetig auf Änderungen überprüft werden.

Die hohe Skalierbarkeit und Flexibilität vereinfacht und beschleunigt zudem die Entwicklung von abteilungsspezifischen Software-Lösungen. Schleich erarbeitet auf dieser Basis in nur wenigen Tagen Mini-Apps mit flexiblen Front-Ends, die auf die Bedürfnisse verschiedener Fachabteilungen zugeschnitten sind. Die Apps unterscheiden sich unter anderem in ihrer Oberfläche und Bedienbarkeit und können auf funktionale Bausteine zugreifen.

Teilkomponentenmanagement in der Automobilindustrie

Noch komplexer als die Produktion eines Kinderspielzeugs ist das Teilkomponentenmanagement in der Automobilindustrie. Moderne Fahrzeuge verfügen über rund 30.000 Baugruppen, 2.000 Softwarekomponenten, 200 elektronische Steuereinheiten und 100.000 verschiedene Konfigurationen. Systeme wie Infotainment, ADAS und weitere Anwendungen sorgen dafür, dass die Anzahl an Teilkomponenten mit unterschiedlichen Spezifikationen in den Fahrzeugen weiter zunimmt – und somit auch die Notwendigkeit für ein effizientes PDM-System. Oftmals werden die riesigen Datenmengen von Automobilherstellern in verschiedenen Tools eingespeist, wodurch abteilungseigene Datensilos entstehen, die die Sicht auf das „Big Picture“ verstellen.

Auch hier können Graphdatenbanken Abhilfe schaffen, da sie es ermöglichen, zentral auf Daten zu zugreifen. Das Potenzial der Technologie für Automobilhersteller und -zulieferer ist groß. Verschiedene Systeme, wie ERP, PDM oder Procurement können miteinander verbunden werden, um Datenzusammenhänge und neue Perspektiven aufzuzeigen und um ein besseres Verständnis für komplexe Abhängigkeiten zu gewinnen. Gleichzeitig lässt sich das Datenmodell jederzeit bei Änderungen anpassen. So nutzt beispielsweise auch der Automobilhersteller Volvo die Graphdatenbank Neo4j als Schnittstelle zwischen verschiedenen Systemen, um Abhängigkeiten aufzuzeigen und zentral auf das gesammelte Know-how zurückzugreifen.

Graphbasierte PDM-Systeme schaffen so ein neues Maß an Transparenz in der Supply Chain. Sie versetzen Hersteller in die Lage, echten Mehrwert aus ihren Produkt- und Prozessdaten zu ziehen.

NASA nutzt vernetzte Daten mit Hilfe des Knowledge Graph

Unternehmen versuchen seit jeher ihr geballtes Wissen an Erfahrungen, Know-how und Informationen effizient zu nutzen. Mit Big Data und dem IoT hat das Erfassen, Teilen, Analysieren, Nutzen und Verwalten des gesammelten Unternehmenswissens jedoch eine neue Dimension angenommen, die mit herkömmlichen Datenbanksystemen kaum noch zu bewältigen ist.

Datensilos sowie eine fehlende Vernetzung von Systemen (z. B. ERP, PDM, CRM) erschweren es, eine ganzheitliche Datengrundlage zu schaffen, die als Sprungbrett für Innovationen dient, neue Einblicke eröffnet und eine effektive Entscheidungsfindung ermöglicht. Dabei reicht es nicht, die Daten und die Beziehungen zwischen den Daten zu speichern. Entscheidend ist es die vernetzten Daten nutzbar und zugänglich zu machen. Fehlt Führungskräften, Projektleitern und Forschungsteams der Zugang zu relevanten Informationen bleibt vorhandenes Wissen ungenutzt. Neue Projekte müssen so immer wieder bei null anfangen und ähneln oft einer nie endend wollenden Sisyphos-Arbeit, die Ressourcen, Zeit und Kosten verschlingt.

NASA: Lessons Really Learned?

So erging es auch der Weltraumorganisation NASA. In einer kontinuierlich wachsenden Lessons Learned-Datenbank wurden Projektdokumentationen aus über fünf Jahrzehnten Weltraumforschung festgehalten – angefangen bei der Apollo-Mission in den 60er Jahren. Die Forschungsunterlagen, Dokumentation zu Projekten, Fehleranalysen, Risikobewertungen und Best Practices stellen einen unglaublichen Wissensschatz für NASA dar – allerdings war es schwierig diesen Schatz auch tatsächlich zu bergen.

Mit zunehmendem Umfang der Datenbankgröße wurde die interne Schnittstelle für die Abfrage der Datensätze schlichtweg zu komplex. So lieferte beispielsweise eine Suche von 23 einfachen Stichwörtern in den über 10 Millionen Dokumenten der Datenbank eine Liste von 1.000 Treffern. Jede gefundene Datei musste heruntergeladen und jeder Inhalt einzeln auf Relevanz überprüft werden. Die Keyword-Suche basierte zudem auf einen PageRank-ähnlichen Algorithmus. Häufiger aufgerufene Dokumente standen deshalb ganz oben auf der Trefferliste, und nicht weil sie über relevanten Inhalt verfügten.

Knowledge Graph – Semantischer Wissenskontext

Eine effektivere und dauerhaft nutzbare Lösung war gefragt. NASA implementierte dazu eine Projektdatenbank, wobei die heterogenen Daten in einem sogenannten „Knowledge Graph“ abgelegt sind. Graphtechnologie eignet sich ideal um insbesondere heterogene und vernetzte Daten zu speichern und abzufragen. Daher kommt sie überall dort zum Einsatz, wo Daten innerhalb eines Unternehmens logisch miteinander verknüpft sind – im Projekt- und Dokumentenmanagement aber auch bei Recommendation Engines von Online-Shops, bei der Aufdeckung von Betrugsfällen oder in PDM- und MDM-Systemen für eine transparente Supply Chain.

Die Daten werden im Graphen als Knoten, die Datenbeziehungen als Linien dargestellt. Beziehungen sowie Ursache-Wirkungs-Zusammenhänge lassen sich so anschaulich visualisieren. Es entsteht ein semantischer Kontext, der wächst, je mehr Daten zum Graphen hinzugefügt werden. Dabei bleibt die Abfrageperformance gleich und liefert relevante Ergebnisse innerhalb von Millisekunden. Darüber hinaus können alle Daten sowie die Verknüpfungen zwischen den Daten indiziert werden. Die genaue Klassifizierung von Datensätzen und Querverbindungen ermöglicht es, über Stichwörter direkt in Dokumenten zu suchen und sehr schnell die richtigen Informationen zu finden.

Einsatz: Weltraumkapsel Orion

Die graphbasierte Projektdatenbank ähnelt einem NASA-internen Wikipedia, das den Zugang auf unternehmenseigene Informationen vereinfacht und einen Wissenstransfer zwischen Standorten und Forschungseinrichtungen weltweit ermöglicht. Extrem wertvoll für die weitere Forschungsarbeit der NASA ist zudem das Aufdecken neuer Zusammenhänge zwischen Forschungsbereichen und Projekten. So fanden Ingenieure in der graphbasierten Lessons Learned-Datenbank wichtige Erkenntnisse aus dem Apollo-Programm, die ihnen halfen, ein bislang ungelöstes technisches Problem der Orion Weltraumkapsel bei der Landung zu umgehen. Das verkürzte die Forschungsarbeit um mehr als zwei Jahre und sparte Kosten in Millionenhöhe ein.

In Zukunft können Ingenieure und Projektleiter von Anfang an auf diese wertvollen Informationen zurückgreifen, Fehler aus der Vergangenheit vermeiden und bestehendes Unternehmenswissen tatsächlich langfristig und effizient nutzen.

Intelligente Daten fürs intelligente Heim

Bereits drei Viertel der deutschen Internetnutzer haben über den Kauf von Smart-Home-Technologien nachgedacht. Doch auch wenn die Bereitschaft zum vernetzten Heim wächst, fehlt es in vielen Fällen noch an den nötigen Grundvoraussetzungen. Ein „smartes” Zuhause basiert auf einem komplexen Zusammenspiel sämtlicher Geräte, Sensoren, Kameras, Stromnetze und intelligenter Wasser- und Stromzähler. Im Idealfall sollten all diese Systeme miteinander vernetzt werden, um Daten zu erfassen, auszutauschen und in Echtzeit analysieren zu können.

Smart Home ist auch IoT

Mit anderen Worten: Eine IoT-Struktur ist unverzichtbar. Innerhalb des Netzwerks aus Geräten und Systemen im Smart Home müssen Abfragen extrem schnell und zuverlässig verarbeitet werden – selbst dann, wenn nicht alle Einheiten jederzeit online sind. Fällt ein einzelner Sensor beispielsweise aus, weil ein Gerät heruntergefahren wird, kann das Hunderte Verbindungen kappen. Gleichzeitig nehmen neu angeschlossene Systeme sobald sie online sind automatisch Verbindung zum lokalen Kontroller und anderen Geräten auf und schaffen so neue Verknüpfungen.

Plattform für vernetzte Daten 

Eine solche Verbindungsdichte und Komplexität der Daten erfordert entsprechende Datenbanklösungen. Einfache Aufgabestellungen für das Smart-Home lassen sich noch mit einer relationalen Datenbank lösen. Eine solche Datenbank stellt jedoch Daten in Spalten, nicht in Netzwerken dar, und ist daher keine optimale Lösung für die Abfrage von Verknüpfungen wie sie im IoT herrschen. Die meisten IoT-Anwendungen basieren auf vernetzten Daten.

In Graphdatenbanken lassen sich solche komplexen, multidimensionalen Verbindungen realitätsnah abbilden. Das liegt allein schon in der Struktur begründet, in der Daten als „Knoten“ dargestellt sind, die über „Kanten“ miteinander verbunden sind. Übertragen auf das Smart Home könnte ein Graph beispielsweise so aussehen: „Sensor A1“ und „Zeitschaltuhr A2“ sind mit „Beleuchtung A“ verbunden, die wiederum Daten an die „Basisstation 1“ und damit an weitere Systeme wie „Stromzähler“ oder „Licht-App“ auf dem Smartphone weiterleitet. Der Fokus auf vernetzte Daten ermöglicht es, in Echtzeit die Verknüpfungen zwischen Systemen zu speichern, mit Eigenschaften zu versehen und abzufragen.

Dabei fließen die Daten unterschiedlicher Systeme zusammen und erlauben einen Ein- und Überblick in das Kommunikationsnetzwerk im Smart Home. Auf einen Blick lässt sich nachverfolgen, wo einzelne Anwendungen aber auch Plattformen in der Cloud zum Einsatz kommen, und wie sie mit anderen Systemen in Verbindung stehen. Auf dieser Basis lassen sich auch Impaktanalysen durchführen und Störungen und Ausfällen auf den Grund gehen.

Graph-Plattform für Breitbandverbindungen

Ein Beispiel wie Graphtechnologie als Plattform für Smart Home-Anwendungen genutzt wird ist Telia. Der Telekommunikationskonzern und Mobilfunknetzbetreiber aus Schweden nutzt die Graphdatenbank Neo4j für das Backend-Management seiner routerbasierten Plattform für Breitband-Internet-Anwendungen. Miteinander verbundenen Geräte, Systeme und Apps sind als Knoten im Graph hinterlegt, die APIs, über die der Nutzer verschiedene Einstellungen und Services abrufen kann, werden als Beziehungen zwischen den Knoten gespeichert.

Im Durchschnitt erreichen einen Router 10 Requests pro Tag und internetfähiges Gerät. Bei elf Geräten pro Haushalt und 1,2 Millionen Haushalten müssen allein auf Router Seite über 132 Millionen Requests verarbeitet werden. Neue Verknüpfungen und APIs können je nach Bedarf hinzugefügt werden. Diese hohe Flexibilität und Skalierbarkeit ist für die Smart Home-Architekten essentiell, da Telia heute noch nicht vorhersagen kann, welche APIs in Zukunft entwickelt werden müssen.

 

Telia_Neo4j
Routerbasierte Plattform für Breitband-Internet-Anwendungen – und damit auch Smart Home (Quelle: Telia)

Momentan wird das digitale Ecosystem von über 1,2 Millionen Haushalten genutzt. Weitere 930.000 Haushalte sollen in Kürze folgen. Die graphbasierte Netzwerktopologie unterstützt unterschiedlichste Anwendungen, die z. B. erkennen, wenn jemand die Wohnung betritt oder verlässt und Heizung und  Beleuchtung regeln. Auch Unterhaltungsfunktionen sind konfigurierbar. So bietet Telia zum Beispiel in Kooperation mit Spotify eine smarte Musikmanagement-Plattform, mit der automatische Playlisten erstellt und im passenden Moment abgespielt werden.

Angesichts der wachsenden Datenmenge in Smart-Home-Szenarien, ist eine kohärente, übergreifende Steuerung des IoT-Netzwerks dringend nötig. So rechnet beispielsweise Telia in naher Zukunft mit bis zu 13 Millionen Geräten mit 20.000-30.000 Events pro Sekunde, die es zu unterstützen gilt. Mit dieser Größenordnung vor Augen bietet ein graphbasiertes IoT-Management den schnellsten Weg zum Smart Home der Zukunft.