◼️ Data Governance ist im Ordnungsrahmen ein Hauptbegriff.

Für Data Governance gibt es keine eindeutige Definition.
Stark vereinfacht ist es eine Form von Datenmanagement, das Regeln im Umgang mit Daten durch Datenrichtlinien vorgibt.
Dieses Regelwerk kann allgemeingültige als auch firmenspezifische Vorgaben beinhalten.

Das Aufgabenspektrum beinhaltet u.a. Richtlinien zur:
• Bereitstellung von Daten
• Gestaltung der Zugriffsrechte
• Vernetzungsstrategien
• Datensicherheit
• Datenqualität
• Protokollierung der Datenverarbeitung
• Überwachung der definierten Vorgaben
• Überwachung gesetzlicher Vorgaben und Compliance-Anforderungen
• Umgang mit Legacy Systemen
• …

Data Governance verfolgt u.a. folgende Ziele:
• Systemverfügbarkeit sicherstellen
• Risiken erkennen und vermeiden
• Potenziale erkennen und nutzen
• IT-Kosten senken

Im Prinzip beschreibt Data Governance die Startbedingungen für INDUSTRIE 4.0

Das Institut der deutschen Wirtschaft Köln e.V. definiert 2019 den Begriff in ihrem Untersuchungsbericht wie folgt:
"Data Governance stellt das Rahmenwerk dar, welches die Grundlage für den Umgang mit und
die Bewirtschaftung von Daten in einem Unternehmen für alle Stakeholder bildet"

Bildquelle: © rcx / stock.adobe.com

 ◾ Data Lake und ◾ Rohdaten sind im Ordnungsrahmen ein Unterbegriff und gehören zu: ◼️ Big Data

Der Begriff Data Lake (dt. „Datensee“) steht für einen sehr großen und unstrukturierten Datenspeicher.
Er beinhaltet Daten im ursprünglichen Rohformat.
Das hat den Vorteil, dass diese Rohdaten vor der Speicherung nicht geprüft oder formatiert werden müssen.
Der Data Lake muss in der Lage sein beliebige Datenformate aufzunehmen, egal ob strukturiert oder unstrukturiert.
Dadurch werden verteilte Datensilos vermieden.
Data Lakes benötigen deswegen viel mehr Speicherkapazität als Data Warehouses.
D.h. erst wenn bestimmte Informationen benötigt werden, erfolgt die Aufbereitung der betroffenen Daten. Diese unverarbeiteten Rohdaten lassen sich für unterschiedlichste Zwecke analysieren und sind ideal für maschinelles Lernen.
Dazu benötigen Rohdaten zusätzliche META-Daten. Das sind übergeordnete und strukturierte Informationen, um Rohdaten nutzbar zu machen.
Um diese riesigen Informationsmengen mit vertretbaren Antwortzeiten zu verarbeiten, benötigt man dann allerdings leistungsstarke und intelligente Mechanismen.
Es handelt sich hierbei um eine typische BIG DATA Anwendung.
Der Nutzen entsteht erst, wenn durch Data Mining aus diesen Rohdaten Smart Data gemacht werden,
ansonsten verkommt der Data Lake zum Datensumpf (Data Swamp). 
Ebenso entsteht eine Datensumpf, wenn die Zuordnung der META-Daten zu den Rohdaten verloren geht. 
Mit geeigneten Data-Governance-Maßnahmen muss jede Firma für sich den Data Swamp verhindern.

Bildquelle: ©rolffimages - Fotolia.com

 ◾ Data Science ist im Ordnungsrahmen ein Unterbegriff und gehört zu: ◼️ Big Data

Menschen, die im Bereich Data Science arbeiten, werden als Data Scientist bezeichnet.
Sie sind primär damit beschäftigt, große Datenvolumen zu vergleichen und mit analytischen Fragestellungen neue Erkenntnisse zu generieren.
Merke: Der Data Scientist erzeugt aus wertlosen Rohdaten (Big Data) wertvolle Informationen (Smart Data). 

Der Data Scientist ist meiner Einschätzung nach einer der zukunftsträchtigsten Berufe!

Bildquelle: © rashadashurov - Adobe Stock & © Maksym Yemelyanov / stock.adobe.com

 ◾ Data Swamp ist im Ordnungsrahmen ein Unterbegriff und gehört zu: ◼️ Big Data

Der Begriff Data Swamp (dt. „Datensumpf“) steht für einen „versumpften“ Data Lake.

Sämtliche Data Mining Ansätze laufen ins Leere, weil aufgrund verlorengegangener bzw. nicht gespeicherter Informationen oder fehlender Metadaten aus den gespeicherten Rohdaten keinerlei Mehrwert generierbar ist.
Mit geeigneten Data-Governance-Maßnahmen muss das jede Firma für sich verhindern, denn blindwütiges Sammeln von Daten ohne Plan kann schnell zu einem Data Swamp führen. Um ein Versumpfen zu verhindern, sollten zudem veraltete oder nicht mehr benötigte Daten automatisch im Data Lake erkannt und gelöscht werden.

Bild-Quelle: © Photobank / stock.adobe.com

 ◾ Data-Mining und Mustererkennung sind im Ordnungsrahmen ein Unterbegriff und gehören zu: ◼ Digital Value 

Das Herausfiltern spezifischer Informationen aus einer großen Datenmenge wird als „Data-Mining" oder Mustererkennung bezeichnet.
Dazu werden Massendaten mit Datenanalyse- und Entdeckungsalgorithmen durchsucht mit dem Ziel, neue Muster, Querverbindungen und Trends zu erkennen.
Findet man solche Muster, dann werden die Daten zu Smart Data die neuen Erkenntnisgewinn bringen. (💡 Siehe auch die Erklärung zum Begriff: Smart Data)
Um Fehlinterpretationen weitestgehend zu vermeiden, müssen die Entdeckungsalgorithmen Ausreißer und manipulierte Daten erkennen und aus der Bewertung entfernen.

Falls es nicht gelingt durch DataMining neue Erkenntnisse zu gewinnen, dann ist entweder die dazu verwendete KI (künstliche Intelligenz) noch nicht ausreichend oder der DataLake ist bereits zu einem DataSwamp versumpft.

Der Datamatrix-Code ist der bekannteste zweidimensionale Barcode.
Er wurde von der amerikanischen Firma Acuity Corp. in den späten 1980er Jahren entwickelt.
Das Ziel der Entwicklung war es, auf möglichst kleinem Raum mehr Daten als beim Strichcode speichern zu können.
Der DataMatrix-Code ist eine einfache schachbrettähnliche Pixelfläche mit weißen oder schwarzen Pixeln und kann beliebige Informationen enthalten.
Die tatsächliche Kapazität eines DataMatrix-Codes ist bestimmt durch die Größe des Symbols und kann bis zu 3116 Ziffern oder 2335 Zeichen beinhalten.

 ◾ Datenanreicherung ist im Ordnungsrahmen ein Unterbegriff und gehört zu: ◼️ Autonomie

Unter Datenanreicherung (Data Enrichment oder Data Enhancement) versteht man die Erweiterung von Datensätzen mit zusätzlichen Informationen. Üblicherweise werden dazu digitale Stammdatenströme durch die Bordintelligenz eines kognitives Assistenzsystems (sprich MOM-System) angereichert und dadurch automatisch Prozessdaten generiert. Dies ist eine wichtige Vorstufe der Autonomie. In einer hohen MOM-Ausbaustufe werden Prozessdaten nicht nur angereichert, sondern vollständig neu generiert.

💡 Beispiel aus der zerspanenden Fertigung:

1️⃣ Die Stammdaten zu einem Fertigungsauftrag sind im ERP-System
2️⃣ Die Stammdaten zu den benötigten Werkzeugen sind in der Werkzeugdatenbank
3️⃣ Die Stammdaten zum NC-Programm sind in der NC-Datenbank

✔️ Die Prozessdaten (Fahrbefehle zur automatischen Werkzeugvermessung) werden daraus durch ein MOM-System automatisch generiert.

👉 Voraussetzung dafür sind vollständige und fehlerfreie Stammdaten und ein MOM-System!

⚠️Ist-Situation in den meisten Fertigungshallen:
Aufgrund unvollständiger Stammdaten und/oder fehlender MOM-Systeme müssen die Fahrbefehle zur automatischen Werkzeugvermessung häufig vom Bediener von Hand getippt werden. Das ist zeitaufwendig und fehleranfällig!

 Bildquelle: © Maschinenfabrik Reinhausen & Johann Hofmann

Zur Datensicherheit bzw. CIA-Triade zählen alle technischen Maßnahmen, die dem Schutz von Daten dienen.

Dabei werden folgende Teilziele verfolgt:

1️⃣ Vertraulichkeit

2️⃣ Integrität
   Ziel: Schutz vor Manipulationen
   Lösungsansatz: Virenscanner, Firewall, Verschlüsselungs- bzw. Kryptographieverfahren, Blockchain

3️⃣ Verfügbarkeit
   Ziel: Ausfallsicherheit
   Lösungsansatz: Server Architektur, Cloud

4️⃣ Kontrollierbarkeit
   Ziel: Prüfung durch Protokollierung
   Lösungsansatz: Speichersysteme

Im Gegensatz zum Datenschutz beschränkt sich die Datensicherheit nicht auf personenbezogene Daten.

• Confidentiality (Vertraulichkeit)
• Integrity (Integrität)
• Availability (Verfügbarkeit)

Bildquelle: © REDPIXEL- Fotolia.com

Abgrenzung:
• Beim Machine Learning greift der Mensch in die Analyse der Daten ein und kann dadurch den eigentlichen Lernprozess beeinflussen.
• Beim Deep Learning sorgt der Mensch nur noch dafür, dass die Daten für das Lernen bereitstehen.
D.h. der Mensch überlässt die Berechnungen vollständig der Maschine und hat keinen Einfluss auf die Ergebnisse des Lernprozesses.

Beispiel:
Gesichts-, Objekt- oder Spracherkennung, bei Bedarf auch mit der Unterscheidung von natürlichen Personen und Bots.

Merke:
Machine Learning ermöglicht menschliche Interaktion.
Deep Learning ist autonom.

Bild-Quelle: © Buffaloboy / stock.adobe.com

◼️ Digital Value ist im Ordnungsrahmen ein Hauptbegriff.

In letzter Konsequenz wird für den Anwender der Digital Value wie folgt ankommen: 

• Im Backend wird Künstliche Intelligenz (KI) in unterschiedlichsten Ausprägungen wirken und die Enabler situativ integrieren.

• Als Frontend werden Apps auf unterschiedlichsten mobilen Geräten dem Menschen dienen oder ihn ersetzen.

Daraus entstehen neue Produkte, neue Prozesse und neue Geschäftsmodelle. 
Vor allem durch KI werden neue Erkenntnisse in Form vom Smart Data generiert.
Eine ganze Reihe davon werden im Lexikon als Unterbegriffe von Digital Value aufgeführt.

Nach meiner Einschätzung bringen die „Kognitiven Assistenzsysteme“ den größten Mehrwert für die Anwender.

Das große Ziel der Menschheit sollte es sein, diese digitalen Assistenzsysteme nach Belieben
ein- oder ausschalten zu können, bzw. vollständig autonom zu nutzen.

Bildquelle: © Success_ER / Depositphotos.com; © agsandrew / Depositphotos.com; © Elnur / stock.adobe.com; © www.industrie40.net

 ◾ Digitaler Schatten ist im Ordnungsrahmen ein Unterbegriff und gehört zu: ◼️ Virtualisierung

Als Digitaler Schatten werden die Prozessdaten bezeichnet, die Maschinen während ihres Betriebes erzeugen.
Dabei handelt es sich um Rohdaten, die auch als Digitaler Fußabdruck (digital footprint) bezeichnet werden.
Diese Daten sind zum einen der Input für Condition Monitoring und zum anderen bilden sie die Grundlage für umfassendere Erkenntnisse,
die durch Data Mining (Musterfindung in den Rohdaten) gewonnen werden können.

Abgrenzung:
Der Digitale Schatten darf nicht mit dem Digitalen Zwilling verwechselt werden, den dieser ist ein digitales (virtuelles) Abbild des realen Objektes.

Merke:
Digitaler Zwilling: digitales Abbild der echten Maschine
Digitaler Schatten: Rohdaten die die Maschine erzeugt

Die echte Maschine erzeugt den Digitalen Schatten in Form von Prozessdaten
Bildquelle: ©Johann Hofmann & Naturestock Adobe Stock & vegefox.com Adobe Stock & Cybrain Adobe Stock

 ◾ Digitale Zwilling bzw. der Digital Twin ist im Ordnungsrahmen ein Unterbegriff und gehört zu: ◼️ Virtualisierung

Der Digitale Zwilling (engl.: Digital Twin) ist das virtuelle Abbild eines Produktes, das sein reelles Gegenstück ein Leben lang begleitet, denn anhand des digitalen Doppelgängers lässt sich vieles präzise voraussagen. Das Potenzial dahinter ist groß: Statt teurer Prototypen und langwieriger Versuchsketten lassen sich mit diesen Abbildern allerhand Szenerien im kompletten Produktentwicklungsprozess innerhalb kürzester Zeit durchspielen, Lösungsstrategien entwickeln und verwerfen, Verbesserungsmöglichkeiten ausloten und umsetzen.

Abgrenzung:
Der Digitale Zwilling darf nicht mit dem Digitalen Schatten verwechselt werden.

Merke:
Digitaler Zwilling: digitales Abbild der echten Maschine
Digitaler Schatten: Rohdaten die die Maschine erzeugt

 Bildquelle: © unlimit3d - Fotolia.com

 ◾ Disruptive Technologien ist im Ordnungsrahmen ein Unterbegriff und gehört zu: ◼ Digital Value

Disruptive Technologien ersetzen etablierte Technologien vollständig und verdrängen diese in kurzer Zeit vom Markt.
Meist sind sie zu Beginn qualitativ schlechter, holen aber nach und nach an ihre Vorgänger auf und übertreffen diese nach geraumer Zeit.

 Im Gegensatz zu Disruptive Technologien stehen Transformatorische Technologien