Die Themen Big Data und Datenanalyse sind deutlich mehr als der vielzitierte Hype, Big Data ist Realität: Innerhalb von nur 18 bis 24 Monaten verdoppeln sich produzierte Terabyte-Datenmengen in Unternehmen im Durchschnitt. Dabei spielt der Business Intelligence-Kontext (BI) eine immer wichtigere Rolle. Denn wer Big Data sammelt, für den eigenen Geschäftserfolg aber nicht nutzbar macht, wird auf lange Sicht nicht mit dem Wettbewerb mithalten können. Dies trifft ganz besonders für die Industrie zu.

Die zunehmende Produktvielfalt, die Digitalisierung und das Internet der Dinge sowie die steigenden Kundenanforderungen treiben die Datenmenge während der industriellen Fertigung enorm in die Höhe – eine große Herausforderung für Betriebe. Diese Datenmengen gezielt auszuwerten sowie die Zusammenhänge zu erkennen und darzustellen, sind im Hinblick auf den Unternehmenserfolg heutzutage unerlässlich. Das Potenzial erkennt auch die Industrie zunehmend für sich und ebnet dank umfassender Analysemöglichkeiten den Weg zur smarten Fabrik. Produzierende Unternehmen können auf diese Weise aus Datenanalysen wichtige Erkenntnisse gewinnen. Denn sie bilden eine fundierte Grundlage für essenzielle strategische Entscheidungen. Darüber hinaus sorgen sie dafür, die Produktionsprozesse maßgeblich zu optimieren.

Die schnelle Datenanalyse

Um von den Vorteilen der Datenanalysen zu profitieren, müssen Unternehmens-, Produkt- oder Kundendaten für bestimmte Anwendungen im Subsekundenbereich analysiert werden. Für derart komplexe und schnelle Analysen sind sogenannte In-Memory Datenbanken die ideale Lösung.

Datenanalysen in Echtzeit, die mit In-Memory-Lösungen durchgeführt werden, heben die Produktionsprozesse auf ein neues Level der Effizienz. Im Rahmen der Fertigung sorgt zum Beispiel die Echtzeit-Auswertung der Sensordaten (Maschinen-, Logistik- und Produktdaten) dafür, dass Maschinenausfälle unmittelbar registriert und behoben werden können. Gleichzeitig filtern sogenannte Machine-Learning-Modelle aus den Daten wiederkehrende Muster, so dass sich Stillstände im Maschinenpark etwa durch vorausschauende Wartungstätigkeiten gezielt vermeiden lassen, was wiederum maßgeblich Kosten spart. So können Unternehmen beispielsweise die Ausschussquote in der Teileproduktion senken. Auch der Bereich IT-Security profitiert von schnellen Datenanalysen, und gerade hier ist eine Analyse innerhalb von Minuten und sogar Sekunden notwendig, um rechtzeitig mögliche Risiken zu er­kennen und auf die Gefahren zu rea­gieren – etwa bei DoS-Attacken von Web-Services.

Was ist eine In-Memory-Datenbank?

Exasol setzt als analytische In-Memory-Datenbank mit einem ‚High Performance Layer‘ unter anderem auch auf Hadoop auf. Die Lösung steht als eigenständige Software, als Appliance- oder auch als Cloud-Lösung zur Verfügung.

© Exasol

Doch warum ist eine In-Memory-Datenbank die perfekte Basis für die Echtzeit-Analyse in der Industrie? Kurz gesagt: Weil sie sehr schnell ist. Denn: Bei einer In-Memory-Datenbank handelt es sich um eine spaltenorientierte Hochleistungs-Datenbanklösung, die sehr große Datenmengen im Hauptspeicher hält und verarbeitet. Mit dem spalten­orientierten System lassen sich sehr viele Daten in kurzer Zeit komprimiert 100-mal schneller wegschreiben als in ­herkömmlichen zeilenorientierten Datenbanken. Der Zugriff auf im Hauptspeicher liegende Daten ist um bis zu einem Faktor 1000 schneller als der Zugriff auf Daten, die sich auf der Festplatte befinden. In den meisten Fällen sind analytische In-Memory-Datenbanken insgesamt dadurch um den Faktor 50 bis 100 schneller und ermöglichen daher fundierte Echtzeit-Reaktionen auf großen Datenmengen, die zuvor undenkbar waren.

In der Praxis lassen sich zum Beispiel Analysen, die einst mehrere Stunden in Anspruch genommen haben, auf nur wenige Minuten oder sogar Sekunden reduzieren. Herkömmliche Datenbanken sind zwar für sämtliche Prozesse auf Festplatten optimiert, diese sind im Vergleich zum Hauptspeicher jedoch sehr viel langsamer und können keine Echtzeit-Analysen liefern. Die In-Memory-Technologie hingegen ermöglicht Realtime-Datenanalysen und Auswertungen sowie Ad-hoc-Reports in Sekundenschnelle.

Zudem vereinfacht sich dank der In-Memory-Technologie die Datenanalyse deutlich, denn das Aggregieren von Basisdaten im Vorfeld ist nicht mehr zwingend erforderlich. Dies ist darin begründet, dass mit der In-Memory-Datenbank sowohl strukturierte, als auch unstrukturierte Daten aus verschiedenen Vorsystemen direkt analysiert werden können.

Der Industrie, die zunehmend datengetrieben arbeitet, bieten In-Memory-Datenbanken zudem das benötigte Maß an Flexibilität: So ist beispielsweise die Exasol-Lösung leicht zu implementieren und höchst skalierbar, da sie keine komplexen Installationen und Konfigurationen erfordert. Vielmehr zeichnet sie sich durch eine automatisierte ­Selbstoptimierung aus. Dies ist zum ­einen essenziell, da die Datenberge kontinuierlich wachsen. Zum anderen trägt dies zu einer deutlichen Entlastung der eigenen IT-Ressourcen bei.

Notwendige Investitionen

Welche Investitionen für eine In-Memory-Lösung notwendig sind, lässt sich nicht pauschal beantworten, denn das zu investierende Gesamtbudget hängt vom Einzelfall und der bereits bestehenden Infrastruktur ab. Allerdings geht es oft gar nicht darum, existierende Systeme komplett abzulösen und kostenintensive Migrationsprojekte durchzuführen. In-Memory-Datenbanken werden oftmals als zusätzliche Hochleistungsschicht implementiert, die anstelle von teuren Aufrüstungen existierender Datenbanksysteme in Erwägung gezogen werden. Die technischen Voraussetzungen für eine effiziente In-Memory-Datenanalyse sind überschaubar:

• Leistungsfähige und effiziente Systeme,
• eine frei skalierbare, analytische ­Datenbank, die große Datenmengen verarbeiten kann sowie
• Business-Intelligence-Frontend oder Visualisierungssoftware zur Aussteuerung der Analysen.

Bei der Entscheidung für eine In-Memory-Datenbanklösung ist es innerhalb der IT-Abteilung die wichtigste Aufgabe, eine Bestandsaufnahme der bestehenden IT-Infrastruktur zu machen. Denn prinzipiell erfordern Big-Data-Analysen keinen kompletten Austausch von Systemen. In den meisten Fällen reicht es, vorhandene Systeme gezielt durch neue zu ergänzen. Die Hochleistungsdatenbank lässt sich flexibel in die bestehende Infrastruktur einbetten, sei es durch die Skalierbarkeit auf handelsüblicher Hardware oder durch die agile Integration beispielsweise mit Hadoop und anderen spezialisierten Datenbanken. An der bestehenden Infrastruktur muss nichts geändert werden.

Das Hauptkriterium bei der Analyse der bestehenden Infrastruktur ist das Prüfen der Voraussetzungen, wie mit den anfallenden Datenmengen entsprechend den Anforderungen umzugehen ist. Die größte Rolle in diesem Zusammenhang spielt die Leistungsfähigkeit beziehungsweise die Geschwindigkeit der implementierten Systeme. In der Regel sind klassische IT-Systeme mit riesigen Datenmengen komplett überlastet und reagieren zu langsam. Zudem kommt es darauf an, Daten aus verschiedenen nicht homogenen Quellen zusammenführen sowie große Datenmengen in Echtzeit verarbeiten und analysieren zu können. Flexibilität ist dabei ein ebenso essenzielles Kri­terium. Weiterhin sollte die Lösung kein ständiges Tuning erfordern und wartungsarm sein. In-Memory-Systeme verringern hier den Aufwand enorm, weil eine mühsame System-Analyse und kontinuierliches Tuning der Datenbankkonfiguration schlicht entfallen. Während normalerweise ein bis zwei Personen für eine herkömmliche Datenbank zuständig sind und ständig das System überwachen und optimieren müssen, fällt dieser Aufwand bei In-Memory-Lösungen meist komplett weg.

Darüber hinaus können In-House-Lösungen um Cloud-Lösungen ergänzt werden: Selbst bei knappem Budget lassen sich mit Hilfe von flexibel skalierbaren Software-as-a-Service- oder Cloud-Lösungen Analyseprojekte erfolgreich und kostengünstig umsetzen. So können beispielsweise Betriebe ohne riesige IT-Budgets ebenfalls leistungsfähige Lösungen einsetzen, da nur wenig Know-how im eigenen Haus aufgebaut werden muss und initiale Investitionen sowie die Verantwortung für die gesamte Hard- und Software entfallen. Außerdem können Projektdauer und -komplexität hierdurch reduziert werden. Zudem bieten flexible Laufzeiten und Skalierungsmöglichkeiten im SaaS-Bereich mehr Agilität und weniger Risiko.

Daher besteht die Hauptaufgabe eines IT-Leiters darin, die bestehenden Systeme auf Vordermann zu bringen und Lösungen zu wählen, die mit der neuen Aufgabenstellung mitwachsen können, um so eine langfristige ­Investitionssicherheit zu gewährleisten.

Autor:
Mathias Golombek ist Chief Technology Officer (CTO) bei Exasol.

Effiziente Datenanalyse bei Semikron

© Semikron

Von den Vorteilen der In-Memory-Datenanalysen im Produktionsumfeld profitiert auch Semikron. Der Hersteller für Leistungselektronik setzt im Bereich Messdatenarchivierung eine In-Memory-Datenbank-Management­lösung ein. Mit der Datenanalyse konnte das Unternehmen die Erstellung eines Boxplot zur Ermittlung der Wertverteilung aller Aufträge des jeweils vergangenen Monats von einer Woche pro Monat auf eine Minute pro Monat reduzieren. Zudem lassen sich Produktionskennzahlen der verkauften Produkte jederzeit auf Knopfdruck erstellen. Darüber hinaus gestalten sich präventive Analysen und Planungsszenarien auf Basis gewonnener Messdaten mit der In-Memory-Technologie besonders schnell und dynamisch – wenn notwendig sogar ad hoc. Weiterhin besteht die Möglichkeit, alle Produktionsnachweise mit sämtlichen verfügbaren Daten zu einem einzelnen Bauteil jederzeit abzurufen.

Fertigt das Unternehmen heute Leistungshalbleitermodule und -systeme beispielsweise am Standort Slowakei, so sorgen in einem ersten Schritt spezielle Eingabe-Plug-ins dafür, dass die ankommenden heterogenen Mess- und Prozessdaten vereinheitlicht und auf einem internationalen Server abgelegt werden. In einem zweiten Schritt findet der Transfer dieser standardisierten Daten vom internationalen Server auf einen zentralen Server in Deutschland statt. Anschließend werden die Daten entpackt und an die In-Memory-Datenbank weitergegeben. Dort stehen sie jederzeit für analytische Abfragen und Reports bereit.

Das System besteht aus 3+1 Einzelrechnern (Knoten), die zu einem Cluster zusammengeschlossen sind. Die Verteilung der Daten im Cluster erfolgt automatisch, so dass bei Berech­nungen sämtliche Hardware-Ressourcen optimal genutzt und alle Informationen während des Prozesses in Spalten und nicht in Zeilen gespeichert werden. Das Daten­banksystem ermittelt zudem selbstständig, wie die ideale Systemkon­figuration aussieht.

Dem Administrator bleiben damit die Analyse der Abfragen sowie die manuelle Erstellung der dafür benötigten Indizes erspart. Dies hat zu Optimierungen von Prozessen und Arbeits­abläufen geführt: „So haben wir etwa in der Modulfertigung über die Einführung eines Plasmareinigers vor Verarbeitung des Rohmaterials signifikante Qualitätsverbesserungen erzielt. Außerdem konnten wir von Anfang an schnell ermitteln, welches Rohmaterial für ein bestimmtes Fertigungslos verwendet und in welchem Kundenprodukt weiterverarbeitet und verkauft wurde. Entsprechend lassen sich seither bestimmte kritische Prozessparameter (zum Beispiel Sperrspannung) vom Chip über das fertige Modul oder System bis zum Endkunden nachverfolgen“, erklärt Gerhard Zapf, Senior Manager IT Application bei Semikron.