SMART DATA INNOVATION LAB BESCHLEUNIGUNG DATENGETRIEBENER INNOVATION

Transkript

1 SMART DATA INNOVATION LAB BESCHLEUNIGUNG DATENGETRIEBENER INNOVATION gefördert vom BIG DATA DAYS 11. APRIL 2018, BERLIN Michael Beigl. TECO. KIT. teco.kit.edu

2 Überblick Smart Data Innovation Lab (SDIL) Unser Forschungsziel Beschleunigung durch Smart Data Analytics Unsere Forschungsmethoden Betrachtung der gesamten Schöpfungskette von der Initiierung einer Analytics bis zur Erkenntnisvermittlung und präsentation, Erforschung des Verfahren aus der Informatik

3 Wer wir sind

4 Wie wir vorgehen State of the Art In-Memory-Analytics Plattform Kostenlos für Forschungsprojekte zusammen mit der Industrie Data Innovation Communities Fokus: Reale Daten für reale Probleme, Erkenntnisaustausch Sicherheit, juristisches, Prozess-Rahmenwerk Spezifisch für die obengenannten Projekte, aber generalisierbar Kuratierung von Daten, Tools, Algorithmen, Wissen

5 Daten und Projekte Daten data.sdil.de als Datenvermittlungsplattform für nicht-offene Datensätze (ca. 40 Projekte) Kuratierung der Datensätze, Datensätze von einige KB bis PB Ontologie mit Industrial Data Space abgestimmt, adaptiert an SDIL-Bedürfnisse Projekte Über 50 Projekte wurden durchgeführt Sehr unterschiedliche Formate, Projektbudget von allen Quellen (Forschungsförderung D, EU, Industrieprojekte) Viele Teil-Projekte über SDSC-BW

6 Eingesetzte Plattformen: geplant (links) vs. genutzt (rechts)

7 SDIL Beispielprojekte Industrie 4.0 Analytics for Testbeds Projektformate - Beispiele Bilaterale Forschung zw. Industrie und Akademia Use cases in Förderprojekten Kollaboration mit Plattformanbietern für spezifische Erkenntnisse bezüglich Datenanalyse / Plattformverhalten Abschluss/Doktorarbeiten die Industriedaten benötigen Innovation for Industrial Service Predictive Maintenance Central Database Predictive Maintenance Alert Big Data Analysis Innovation for Manufacturers Derive insights from analyzing system level data ttp:// Log Data Daily operations being logged Maintenance Expert Knowledge Service Data 7

8 SDIL KMU Ansatz: Speziell auf KMU abstimmte Datenanalyse Geförderte Ein-Monatsprojekte in Baden-Württemberg Praktische Evaluierung des Potentials vorhandener Daten Initialanalyse führt zu Erkenntnis welche Analytics relevant sind i.d.r. Ausgangspunkt für Smart Data Strategie der Unternehmen Mehr unter Preparation Realization Finalization First contact Checking requirements Defining Objectives Data hand over Data analysis Evaluation Presenting results Recommendations Next steps Hand-over

9 Analytics ist nur ein kleiner Teil der Kette Informatikwerkzeuge werden aber überall benötigt Vorbereitung Verwertung Analytics

10 Erkenntnisse Zeit ist ein kritischer Faktor vor allem für SMEs Projektzeit, Zeit im Prozess, Zeit bis zum Markteintritt Ingenieurszeit ist limitiert Funktionalität ist wichtig Erkenntnis ist entscheidend Einbindung in das aktuelle Ökosystem (incl. beteiligten Personen) ist unabdingbar Daten sind entscheiden für den Erfolg

11 Beispiele für Ergebnisse Erkennung von Ausfällen In 50% kann ein Ausfall auf einen historischen Ausfall zurückgeführt werden und mit den historischen Maßen standardisiert gelöst werden Kampagnenreduktion ¾ aller Kampagnen zeigen wenig Effekt und können gestrichen werden Einhalten von Energieverbräuchen in energieintensiver Industrie: In 82% der Fälle konnte der Energieverbrauch präzise (und ohne Nachsteuerung) vorhergesagt werden Vertriebsoptimierung Erhöhung der Chance eine neuen Kunden für einen Auftraggeber zu gewinnen um 50% Verzögerungsvorhersage Verzögerung bei der Abarbeitung von Aufträgen (Planabweichung) wird in 84% korrekt vorhergesagt Produktionsverbesserung Verringerung der Fertigungsqualität durch Reduktion der Varianz um Faktor 3

12 SMART DATA INNOVATION LAB BESCHLEUNIGUNG DATENGETRIEBENER INNOVATION gefördert vom WWW. SDIL.DE Michael Beigl. TECO. KIT. teco.kit.edu