Aliaksandr Marko - stock.adobe.c
Kritische Geschäftsprozesse mit Digital Twins optimieren
Mit Unterstützung von Digital Twins können Unternehmen Beziehungen zwischen verschiedenen Geschäftsbereichen modellieren und Prozesse analysieren. Was bringt das für Vorteile?
Traditionell wurde der geschäftliche Nutzen der IT daran gemessen, in welchem Maß Routineaufgaben, wie zum Beispiel die Aufnahme von aktuellen Lagerbeständen, die Kommunikation mit Kunden und Lieferanten oder die Buchhaltung, automatisiert und dadurch effizienter bearbeitet werden konnten.
In zahlreichen Industriezweigen, von der Energieversorgung über Telekommunikation, Fertigung, Einzelhandel, Finanz- und Transportwesen bis hin zur IT, geht man mittlerweile einen Schritt weiter. Unternehmen erstellen digitale Abbildungen des eigenen Unternehmens, die den gesamten Betrieb oder einen Teil davon in Echtzeit digital kopieren.
Anhand dieser Digital Twins können Unternehmen die Beziehungen zwischen verschiedenen (internen und externen) Geschäftsbereichen so detailliert wie erforderlich modellieren, Inventar und Ressourcen verfolgen, Prozesse analysieren, Fehlerursachen ermitteln und Strategien für den Umgang mit folgenschweren Störungen und Systemfehlern entwickeln.
Wie genau funktioniert das und welche Vorteile bringt das Unternehmen?
Komplexe Vorgänge veranschaulichen
Da selbst ein kurzer Systemausfall enorme Kosten verursachen kann, wünscht man sich in jedem Unternehmen ein IT-System, das intelligent genug ist, Fehler vorherzusehen, rechtzeitig zu melden und folgende Fragen in Echtzeit zu beantworten:
- Welche Geschäftsbereiche sind vom Ausfall betroffen?
- Welches Ausmaß hat das Problem?
- Was ist die unmittelbare Problemursache?
- Wer muss herangezogen werden, um das Problem zu beheben?
- Wo hat das Problem seinen Anfang genommen (root cause)?
- Was muss getan werden, um die Ursache permanent zu beheben?
Viel davon kann mit Unterstützung eines Digital Twin des Unternehmens beantwortet werden, wie zum Beispiel beim Autohersteller Jaguar Land Rover. Den Detaillierungsgrad des Digital Twin legt das Unternehmen fest. Er kann geringer sein und nur die größten Komponenten (wie Fabriken, Lager und Lieferketten) abbilden oder höher sein und zum Beispiel einzelne Maschinen in einer Fabrik, Regale im Lager, LKWs in der Lieferkette oder sogar einzelne Artikel im Inventar abbilden.
Ihr Digital Twin stellt die relevanten Komponenten Ihres Geschäftsbetriebs und deren Beziehungen zueinander dar. So können Sie in Echtzeit verfolgen, wie Rohmaterialien durch die Lieferkette Ihres Fertigungsunternehmens oder Daten zwischen den Servern, Datenspeichern und Anwendungen Ihrer komplexen IT-Infrastruktur fließen.
Es ist hilfreich, sich einen Digital Twin als Prozessfluss vorzustellen, der in Echtzeit mit realen Betriebsdaten versorgt wird. Eine solche Echtzeitdarstellung hat zahlreiche Vorteile, von der Identifizierung von Produktionsengpässen und suboptimal funktionierenden Komponenten bis hin zu der Möglichkeit, bestimmte Szenarien durchzuspielen, um zum Beispiel mögliche zukünftige Schwachpunkte aufzudecken.
Mit der Erstellung dieses digitalen Modells Ihres Unternehmens, das die Verbindungen und Ressourcenflüsse zwischen den einzelnen Komponenten aufzeigt, wächst Ihr IT-System über die bloße Aufzeichnung und Aufbewahrung von Daten hinaus. Es kann Daten nicht mehr nur erfassen und wiedergeben, sondern bietet tieferliegende Einblicke, indem es Ihnen Dinge zeigt, die bislang in Hunderten von Tabellen mit Millionen von Datensätzen verborgen waren.
Ein neues Datenkonzept
Das Konzept des Digital Twin ist nicht neu. Versuche, solche virtuellen Modelle in relationalen Datenbanken abzubilden, stießen meistens schnell an technische Grenzen, da die Anzahl der Objekte und Beziehungen exponentiell ansteigen.
Selbst in kleinen Unternehmen sind häufig Millionen von Datenpunkten und Beziehungen erforderlich, um einen Digital Twin zu erstellen. Um Abfragen an diese Daten zu stellen und um aussagekräftige Antworten zu bekommen, müssen Dutzende von Verbindungen durchlaufen beziehungsweise aufgerufen werden, damit die Beziehungen zwischen Tausenden von Objekten gefunden und verstanden werden können.
In einer relationalen Datenbank werden diese Datenpunkte in Tabellenform abgebildet und die Beziehungen oder Verbindungen zwischen den Objekten werden nur sichtbar, wenn Sie eine gezielte Abfrage stellen, in der zwei oder mehr Tabellen verbunden werden. Solche Operationen sind CPU-intensiv und dauern um so länger, je größer die involvierten Tabellen und die Komplexität Ihrer Abfrage sind. Daher ist es wahrscheinlich, dass die Verarbeitung einer Abfrage an einen Digital Twin in einer solchen relationalen Umgebung Stunden oder sogar Tage in Anspruch nimmt. Wenn jedoch jede Sekunde zählt, ist eine Antwort auf die gestellte Frage nach so langer Zeit nutzlos.
Bei Jaguar Land Rover hat sich gezeigt, dass man dieses Problem umgehen kann, indem man einen Digital Twin basierend auf Graphtechnologie erstellt. In einer Graphdatenbank werden die Beziehungen zwischen Datenpunkten direkt als Eckpunkte und Kanten dargestellt. Für die Analyse von Beziehungen in komplexen Organisationen ist diese Datenstruktur, die sich grundlegend von der in relationalen Datenbanken unterscheidet, von Vorteil.
„Es ist hilfreich, sich einen Digital Twin als Prozessfluss vorzustellen, der in Echtzeit mit realen Betriebsdaten versorgt wird.“
Stefano Marmonti, TigerGraph
Bei einer Echtzeit-Abfrage einer Graphdatenbank müssen keine Joins zwischen Tabellen abgefragt werden, weil die Verbindungen (Kanten) einmal vorab berechnet und dann gespeichert werden. Wenn zwei Datenpunkte über 10 bis 15 Hops miteinander verbunden sind, ist der Aufwand zum Durchlaufen der entsprechenden 10 bis 15 Kanten in einer Graphdatenbank schneller machbar, da doppelte Abfragen vermieden werden.
Die Datenstruktur – und der zu ihrer Abfrage erforderliche Code – sind intuitiv verständlich, da jedes Objekt der realen Welt als ein Knoten/Vertex in der Graphdatenbank abgebildet wird (auch darin unterscheiden sich Graphdatenbanken von relationalen Datenbanken). Dadurch können Abfragen schnell und einfach geschrieben werden und es ist möglich, komplexere Abfragen zu schreiben, um tiefer in die Daten schauen zu können.
Bei Jaguar Land Rover versuchte man zum Beispiel, ein Modell der gesamten Lieferkette für die Fahrzeugfertigung in SQL zu erstellen. Tests zeigten jedoch, dass die Ausführung einer Abfrage, welche die komplette sechsmonatige Dauer der Fertigung eines Fahrzeugmodells zeigen soll, insgesamt drei Wochen dauert. Dieselbe Abfrage konnte mit einer Graphdatenbank in 45 Minuten und nach weiteren Optimierungsschritten in weniger als einer Minute ausgeführt werden.
Jaguar Land Rover ist nicht das einzige Beispiel dieser Art. Viele Unternehmen erstellen Digital Twins basierend auf Graph Analytics, da sie ein breites Spektrum an Betriebsanalysen durchführen und damit in Echtzeit komplexe und unternehmenskritische Fragen beantworten können.
Über den Autor:
Stefano Marmonti ist Country Manager Germany & Head of Sales DACH bei TigerGraph.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
