Angesichts der enormen Aufmerksamkeit für das Thema künstliche Intelligenz (KI) gerät leicht in Vergessenheit, dass KI nichts anderes ist als die derzeit ausgefeilteste Form der Datenwertschöpfung. Einige der wertvollsten Unternehmen der Welt haben Daten ins Zentrum ihrer Strategie gestellt, und auf dieser Basis bauen sie jetzt mit KI ihre globale Führungsposition aus. Aber auch Unternehmen aus traditionellen Fertigungsbranchen können diesen Weg gehen – die Voraussetzungen sind hier sogar besonders gut: Denn das Wachstum der Datenwirtschaft wird künftig vor allem auf Industrie- und Geschäftsdaten beruhen, die von vernetzten und intelligenten physischen Geräten und den sie verwaltenden Anwendungen erzeugt werden. Um dieses Potenzial zu nutzen, müssen produzierende Unternehmen bei ihrem Datenmanagement allerdings einen Paradigmenwechsel vollziehen: den von der applikationszentrischen zur datenzentrischen Architektur.
Alle Daten sind wichtig
Die IT-Architektur der meisten Unternehmen ist heute applikationszentrisch. Der Datenaustausch ist nicht zentral gesteuert, sondern läuft isoliert zwischen den Datensilos der Applikationen über einsatzfallbezogene Anfragen oder Synchronisationen ab. Das aber widerspricht dem Grundprinzip der KI: Hier sind die Daten per se relevant, unabhängig davon, ob ich einen Einsatzfall habe oder eine konkrete Frage formulieren kann. KI muss in einem möglichst breit gefächerten Datenbestand Muster und Zusammenhänge zunächst erlernen – und das kann dann wiederum in konkrete Einsatzfälle münden. Dazu entkoppelt die datenzentrische Architektur die Daten von den sie erzeugenden Applikationen, indem sie sie über eine zentrale Datendrehscheibe (Data Hub) kanalisiert. Jede Applikation fungiert als Produzent von Daten für den Data Hub, jede Abfrage – durch andere Applikationen oder direkt durch Nutzer – ist Konsument des umfassenden, verteilten Datenbestands. All das ist eingebettet in eine übergreifende Data Governance.
Mit zehn Designprinzipien zur datenzentrischen Architektur
Die Transformation in Richtung eines datenzentrischen Unternehmens ist kein Big-Bang-Projekt, sondern erfolgt über inkrementelle Veränderungen. Dafür gibt es eine Reihe von Designprinzipien. Die wichtigsten erfahren Sie im folgenden.
1. Alle Daten werden per Data Hub echtzeitnah verfügbar gemacht
Daten und deren Änderungen werden echtzeitnah über den Data Hub verfügbar gemacht, sodass ein digitaler Zwilling des Datenbestands eines Unternehmens entsteht. Der Data Hub ist ein verteiltes, Multi-Cloud-fähiges Gebilde mit durchgängiger Kontrolle und Verwaltung, das über viele Regionen und Sicherheitszonen hinweg operieren kann.
2. Connect once – Eine Verbindung pro Datenquelle
Jede Datenquelle verbindet sich einmalig mit dem Data Hub und übermittelt kontinuierlich alle Änderungen an den Daten. Das schafft Transparenz über den Datenaustausch. Es entfällt die Notwendigkeit einsatzfallspezifischer Schnittstellen und Abfragen zwischen Applikationen.
3. Alle Produzenten veröffentlichen Metadaten Die Digitalisierungs- und Automatisierungslösungen von Retarus ermöglichen effiziente Abläufe ohne manuellen Aufwand oder Kompromisse bei der Datensouveränität ‣ weiterlesen
Business Process Solutions
Retarus beschleunigt Datenaustausch in der Produktion
Datenproduzenten liefern Rohdaten zusammen mit deren Metadaten wie Format, Semantik, Klassifizierung oder die Kennzeichnung, ob es sich um personenbezogene Daten handelt.
4. Konsumenten abonnieren fachliche Datenströme
Datenkonsumenten abonnieren nicht die Rohdaten selbst, sondern Datenströme, die auf fachlichen Informationsmodellen basieren. Dafür werden Branchenmodelle oder unternehmensspezifische Modelle genutzt, etwa für Produktionssteuerung oder Logistik.
5. Überwachung jeder Schnittstelle als Konfigurationselement
Jede Verbindung zum Data Hub wird als eigenes Configuration Item in einer zentralen Datenbank erfasst und verwaltet. Dies ermöglicht eine kontinuierliche Überwachung und stellt sicher, dass die Bereitstellung und Nutzung der Daten reibungslos funktionieren.
6. Automatisierung und Demokratisierung durch KI
Analytics und KI können die Pflege von Metadaten übernehmen und Datenströme automatisch auf Datenschutzanforderungen prüfen. Der hohe Automatisierungsgrad erleichtert es, weitere Datenquellen einzurichten und zu beschreiben, um die Datenzentriertheit zu demokratisieren, also allgemein verfügbar zu machen.
7. Alle Daten verschlüsseln
Alle Daten in Bewegung und teils auch die ruhenden Daten sind jederzeit zu verschlüsseln. Diese starke Absicherung dient natürlich dem Schutz der Daten, ist aber auch entscheidend, um Akzeptanz für die neue Architektur zu schaffen.
8. Datenzugriff nur bei berechtigtem Interesse
Der Zugang zu verschlüsselten Daten wird nur bei nachgewiesenem berechtigten Interesse und Zustimmung gewährt. Die Zuweisung der Schlüssel beruht auf Rollen und Metadaten.
9. Verteilung von Daten-Hubs von der Edge bis zur Cloud
Der Data Hub muss dezentral organisiert sein, um Entscheidungen dort zu treffen, wo Daten entstehen, on Edge, im eigenen Rechenzentrum oder der Cloud. Das reduziert Latenzen und erfüllt regulatorische sowie betriebliche Anforderungen.
10. Stets Datensouveränität bewahren
Unternehmen müssen die Kontrolle über ihre Daten behalten, auch in der Cloud. Eine gute Cloud-Strategie schließt eine Cloud-Exitstrategie ein, um sicherzustellen, dass Daten jederzeit zu einem anderen Dienstleister transferiert werden können – schnell, sicher und zu vertretbaren Kosten.
Potenzial selbst ausschöpfen
Produzierende Unternehmen haben mit ihren Datenschätzen die einmalige Chance, das exponentielle Wachstum industrieller und professioneller Daten zu ihrem Vorteil zu nutzen – es besteht aber auch die Gefahr, dass dieses Potenzial von Digital-Giganten in West und Ost abgegriffen wird. Diesem Risiko kann die europäische Wirtschaft durch ihren konsequenten Wandel zur datenzentrischen Architektur begegnen. Als Grundlage für die strategische Datenwertschöpfung und für den erfolgreichen Einsatz von künstlicher Intelligenz. Aber auch als einen Katalysator für einen organisatorischen Wandel.
