Modellgetriebener Ansatz zur Optimierung von Shopfloor-Datenstrukturen für eine Fast Data Platform im Industrie 4.0 Kontext

„Das Produkt muss smarter werden!“ - So zumindest ist es in allen Unternehmen zu vernehmen, wird die Frage zur Digitalen Transformation gestellt. Das „Smart Home“ ist schon längst in die deutschen Wohnzimmern eingezogen. Hier sind die Produkte schon sehr schnell mit sogenannten „Smart Services“ (Ergänzt durch weitere Funktionalität und Dienstleistungen) ausgestattet.
Im Bereich der Industrie sind einzelne Geschäftsprozesse schon digitalisiert wurden. Nur zur Erreichung des Zieles „Smart Factories“ bzw. Predictive Maintenance/Enterprises, welches unter anderem von der Forschungsunion  „Wirtschaft – Wissenschaft“ und der Hightech-Strategie „Industrie 4.0“ der deutschen Bundesregierung definiert wurde, sind noch einige Kilometer zu gehen.

In Ihrer Keynote auf der TeamConf in München lieferten Jens Donig (Hood Group) und Dr. Martin Künzle (evosoft) einen Überblick über die Geschichte der Modellierungssprachen. Mittlerweile hat sich vor allem durch die industrielle Entwicklung eine enorme Vielfalt an Methoden und Werkzeugen  entwickelt, die verschiedene Ansätze verfolgen. Anhand ihrer aktuellen Initiative „Model-based ALM“ mit Innovator und TFS präsentierten sie sowohl den  Entwurf einer grafischen DSL als auch den effektiven Einsatz von Codegeneratoren.

Bei modellbasierter Entwicklung in großen Teams erzeugen fachliche Änderungen oft konkurrierende Zustände – im selben Modell.

"Veränderung ist die einzige Konstante" – Wie sehr diese kleine Weisheit in IT-Projekten zutrifft, wissen wir alle aus eigener Erfahrung. Nicht nur an uns stellt diese Tatsache besondere Anforderungen, auch an unsere Werkzeuge. Um während der Projektlaufzeit (oder auch während des Produktivbetriebs) auftretende Bugs oder Change-Requests richtig zu priorisieren, zu kategorisieren, in die Entwicklung einzusteuern und nachzuverfolgen gibt es bereits viele hervorragende Produkte.

Er wird dann aktiv, wenn andere schon aufgegeben haben. Er dringt an Stellen vor, die kein anderer Anforderungsanalytiker bisher erforscht hat. Er wagt das oft unmöglich erscheinende: Der Anforderungsarchäologe.

Vielfältige Herausforderungen sind zu meistern

In einem über viele Jahre gewachsenen System sieht er keine Probleme, sondern Herausforderungen. Den fachlichen Bedarf zu ermitteln, der hinter dem System steckt, ist für ihn nicht nur ein Job, sondern seine Berufung. In einem solchen System Optimierungspotentiale zu identifizieren, ist seine Leidenschaft. Die nachhaltige Dokumentation seiner Erkenntnisse ist für ihn kein notwendiges Übel, sondern eine Selbstverständlichkeit.

Um die Verwendung und Verfolgung von Attributen über die verschiedenen Ebenen einer Data Warehouse Infrastruktur zu ermöglichen, ist Data Lineage als Konzept in Business Intelligence Systemen unabdingbar. Ausgehend von den Attributen des fachlichen Datenmodells über die Spalten des physischen Datenbankmodells der operativen Systeme werden die Informationen von der Ladeschicht, über die Data Warehouse Schicht bis zur Data Mart Schicht per Data Lineage verfolgt. Diese Konzepte und Mechanismen und die Anforderungen an eine Werkzeugunterstützung lassen sich nahezu 1:1 auf die Traceability-Anforderungen eines Requirements Engineering & Management anwenden.

Auf welche Größe setze ich? Die Frage nach der richtigen Granularität stellen sich Anforderungsanalysten häufig bei ihrem populärsten Modellierungselement, dem Anwendungsfall. Auf der Suche nach der passenden Granularität folgt man unterschiedlichen Modellierungsrichtlinien und Meinungen: Von "Ein Anwendungsfall muss von einem Anwender an einem System durchgeführt werden können." bis hin zu "Ein Anwendungsfall ist erst dann zu Ende, wenn das System zum Stillstand gekommen ist."