Was ist Data Governance in der Industrie 4.0?

Data Governance in der Industrie 4.0 ist die Praxis, Verantwortung, Qualitätsmaßstäbe, gemeinsame Bedeutung und Zugriffskontrolle auf die Daten anzuwenden, die eine vernetzte, digitalisierte Fertigung erzeugt. Während die klassische Data Governance um die Systeme des Geschäfts herum gewachsen ist, also um Finanzwesen, CRM und ERP, muss die Governance der Industrie 4.0 dieselbe Disziplin auf die Ebene der Betriebstechnik (OT) ausdehnen: Sensoren, speicherprogrammierbare Steuerungen, SCADA-Systeme, Prozess-Historians, maschinelles Sehen und die digitalen Zwillinge, die darauf aufbauen. Das Ziel bleibt dasselbe (vertrauenswürdige Daten, die Menschen finden, verstehen und auf die sie sich stützen können), das Gelände ist aber weit unwegsamer.

Der Begriff Industrie 4.0 entstand 2011 auf der Hannover Messe in Deutschland und wurde als „vierte industrielle Revolution“ beworben: die Verschmelzung der körperlichen Produktion mit dem Internet der Dinge, dem Rechnen in der Cloud, der Analytik und der KI. Diese Vorstellung bringt gewaltige Mengen an Maschinendaten hervor, und ein Jahrzehnt an Pilotprojekten hat eine harte Lehre erteilt: Die Maschinen anzuschließen ist der leichte Teil. Ihre Daten gesteuert, vergleichbar und im ganzen Unternehmen nutzbar zu machen, ist die Stelle, an der die meisten Programme zur digitalen Fabrik stecken bleiben.

Was Data Governance in der Industrie 4.0 ist

Im Kern ist die Data Governance der Industrie 4.0 gewöhnliche Data Governance, gerichtet auf eine ungewöhnlich widrige Datenlandschaft. Sie beantwortet für Fabrikdaten dieselben vier Fragen, die Governance überall beantwortet:

• Welche Daten haben wir? Ein auffindbares Inventar der Sensor-Tags, Maschinensignale, Historian-Reihen, MES-Datensätze und der analytischen Produkte, die daraus entstehen.
• Was bedeuten sie? Eine gemeinsame Definition jedes Signals: Ist „temperature_02“ der Eingang oder der Ausgang, in Celsius oder in Fahrenheit, wie oft abgetastet?
• Können wir ihnen trauen? Erwartungen an die Qualität von Daten, die driften, aussetzen oder über einen versagenden Sensor gemeldet werden.
• Wer verantwortet sie und wer darf sie nutzen? Klare Verantwortung über die Grenze zwischen OT und IT hinweg, dazu Zugriffskontrolle für Daten, die geschäftlich oder betrieblich sensibel sein können.

Was sie nicht ist, ist ein Ersatz für operative Systeme. Governance steht neben MES, Historian und der SCADA-Ebene: Sie macht deren Daten auffindbar und bedeutungsvoll; sie steuert weder den Prozess noch speichert sie die Zeitreihen selbst.

Welche Daten sie steuern muss

Der Umfang ist breit und ungewöhnlich ungleichartig. Eine einzige Fertigungslinie kann Tausende verschiedener Signale ausgeben, und das Governance-Programm muss sie alle berücksichtigen:

• Telemetrie aus Sensoren und IoT: Temperatur, Druck, Schwingung, Durchfluss, Energie, abgetastet von einmal je Minute bis zu Tausenden Malen je Sekunde.
• Tags der Steuerungssysteme: Punkte aus PLC und SCADA, die den körperlichen Prozess antreiben und beobachten.
• Zeitreihen des Prozess-Historians: der langfristige Speicher, aus dem die meiste Analytik tatsächlich liest.
• MES-Datensätze: Arbeitsaufträge, Chargen, Stillstandsgründe und die Abstammung, die ein fertiges Stück an seine Einsatzstoffe bindet.
• Konstruktions- und Produktdaten: Stücklisten, Rezepturen und Spezifikationen aus PLM und ERP.
• Abgeleitete Produkte: Berechnungen der OEE, Qualitäts-Dashboards, Modelle digitaler Zwillinge und Merkmale für die vorausschauende Instandhaltung, die auf all dem aufbauen.

Warum sie schwerer ist als klassische IT-Governance

Fabrikdaten zu steuern heißt nicht, mehr Daten zu steuern. Es heißt, eine andere Art von Daten unter anderen Zwängen zu steuern.

• Volumen und Geschwindigkeit. Hochfrequente Telemetrie stellt übliche Geschäftsdaten in den Schatten. Millionen Tags lassen sich nicht von Hand dokumentieren; Governance muss sich auf Katalogisierung, Muster und Automatisierung stützen.
• Die geteilte Verantwortung zwischen OT und IT. Die Steuerungstechnik verantwortet die OT-Systeme und steht für Sicherheit und Verfügbarkeit ein; Daten- und IT-Teams verantworten die Analytik und stehen für Sicherheit und Compliance ein. Die beiden Gruppen haben andere Prioritäten, ein anderes Vokabular und eine andere Risikobereitschaft, und die Data Governance von Fabrikdaten lebt genau auf dieser Naht.
• Semantisches Durcheinander. Dieselbe körperliche Messung heißt im einen Werk „TT_204_PV“, im nächsten „InletTemp“ und im dritten „t_in“, in verschiedenen Einheiten und mit verschiedener Abtastung. Ohne ein gemeinsames Glossar ist werkübergreifende Analytik Rätselraten.
• Qualität, die körperlich nachlässt. Ein driftender oder versagender Sensor meldet weiter plausible Zahlen. Datenqualität heißt hier, Drift, Nulllinien und Ausfälle zu erkennen, und nicht bloß leere Werte und Doppelungen.
• Der Einsatz bei der Sicherheit. OT-Daten können Verfahrenswissen offenlegen und, in den falschen Händen, Systeme aussetzen, die körperliche Anlagen bewegen. Klassifizierung und Zugriffskontrolle sind hier kein Papierkram, sie grenzen an die Betriebssicherheit.

Wie es gut aussieht

Eine reife Data Governance der Industrie 4.0 zeigt einige gleichbleibende Merkmale. Es gibt einen einzigen Katalog, in dem eine Person aus der Konstruktion oder der Data Science nach einem Signal suchen und dessen Bedeutung, verantwortliche Person, Einheit, Quelle und Qualitätsstand finden kann. Es gibt einen gemeinsamen Semantic Layer, ein Glossar und zunehmend eine Ontologie, der die örtlichen Tag-Namen jedes Werks auf gemeinsame fachliche Begriffe abbildet, sodass „OEE“ und „Ausschussquote“ unternehmensweit eines bedeuten. Es gibt Lineage vom rohen Signal über die Berechnung bis zum Dashboard, sodass sich eine verdächtige Zahl zurückverfolgen lässt. Es gibt klare Verantwortung, die die Grenze zwischen OT und IT überlebt, und eine Klassifizierung, die den sensiblen Teil kennzeichnet. Entscheidend ist: Reife Programme sind ehrlich über ihren Umfang. Der Katalog steuert und beschreibt die Daten; er wird kein zweiter Historian und gibt nicht vor, die Linie zu fahren.

Wie Dawiso dazu passt

Dawiso ist die Schicht der Governance und nicht die der Automatisierung. Dawiso nimmt keine hochfrequente Telemetrie auf und steuert keine Anlagen. Dawiso steuert die Bedeutung, die Verantwortung, die Qualität und die Herkunft der Daten, die diese Systeme erzeugen.

• Ein Katalog für Fabrikdaten. Der Datenkatalog gibt Konstruktion und Analyse einen Ort, an dem sie MES-Tabellen, Historian-Reihen und die darauf gebauten Berichte entdecken, jeweils mit verantwortlicher Person, Beschreibung und Qualitätsstand. Aus Millionen namenloser Tags wird eine durchsuchbare, dokumentierte Landschaft.
• Gemeinsame Bedeutung über Werke hinweg. Das Business Glossary legt die fachlichen Begriffe (OEE, Ausschuss, Stillstand, Ausbeute) einmal fest, sodass die örtlichen Tag-Namen jedes Werks auf dieselbe Definition auflösen und der Vergleich zwischen Standorten gültig wird.
• Herkunft, die Sie verfolgen können. Die interaktive Lineage verbindet ein Quellsignal mit den nachgelagerten Berechnungen und Dashboards, sodass sich eine fragliche Kennzahl zu ihrem Ursprung zurückverfolgen statt bestreiten lässt.
• Verantwortung und Klassifizierung auf der Naht zwischen OT und IT. Dawiso hält fest, wer jeden Bestand verantwortet und wie sensibel er ist, und gibt Steuerungstechnik und Datenteams damit eine gemeinsame, gesteuerte Referenz statt zweier unverbundener Inventare.

Das Muster lässt sich verallgemeinern: Maschinen anzuschließen erzeugt Daten; diese Daten zu steuern, mit einem Katalog, einem Glossar, der Lineage und klarer Verantwortung, macht daraus etwas, worauf ein Unternehmen tatsächlich laufen kann. Dawiso liefert diesen gesteuerten Kontext, ohne die operativen Systeme zu verdrängen, die die Daten erzeugen.

Fazit

Die Industrie 4.0 hat eine Fabrik versprochen, in der jede Maschine spricht, und sie hat geliefert. Das Problem ist, dass alle verschiedene Dialekte sprechen, in gewaltigem Volumen und über eine Grenze hinweg zwischen zwei Teams, die sich historisch keine Werkzeuge geteilt haben. Data Governance in der Industrie 4.0 ist die Disziplin, diese Flut vertrauenswürdig zu machen: jedem Signal eine verantwortliche Person, eine Definition, eine Qualitätserwartung und einen nachverfolgbaren Weg zu den Entscheidungen zu geben, die es speist. Sie ist klassische Data Governance, angewandt auf eine ungewöhnlich fordernde Landschaft, und sie gelingt nur, wenn sie bei ihrer Aufgabe bleibt: die Bedeutung und die Vertrauenswürdigkeit operativer Daten zu steuern, statt die Systeme ersetzen zu wollen, die sie erzeugen.

Quellen

• Wikipedia: Fourth Industrial Revolution (Herkunft des Begriffs Industrie 4.0, Hannover Messe 2011, und sein technischer Umfang).