Integration von Systemen und Datenquellen
Eine große Herausforderung stellt die Anbindung von Geräten an die geplante Lösung dar. Erschwerend kommen heterogene, proprietäre Datenformate hinzu. Ein Beispiel hierzu: Ein Kunde wollte Log-Daten von Wireless Access Points in Echtzeit analysieren. Während des Testaufbaus stellte er fest, dass die Access-Points ihre Log-Daten in einem verschlüsselten Format senden. Dies verursachte eine mehrwöchige Verzögerung im Projekt, da zunächst mit dem Hersteller der Access-Points eine Entschlüsselung der Daten realisiert werden musste, bevor die Daten analysiert werden konnten.
Eine andere Herausforderung können die Stellen sein, an denen die Daten anfallen. Ein konkretes Projekt analysiert die IoT-Daten von Zügen, hier werden Sensordaten von Motoren, Bremsen, Türen und anderen Komponenten überwacht. Da die Züge mit teilweise hoher Geschwindigkeit unterwegs sind, muss das verwendete 3G/4G-Netz eine entsprechend gute Abdeckung auch im ländlichen Bereich bereitstellen, und es muss eine entsprechende Priorisierung für sicherheitsrelevante Daten realisiert werden. Für den Betrieb der Züge wird hier auf IoT-Daten vom Zug selbst zugegriffen, zusätzlich werden Wetterdaten oder Daten der Bahnhofsinfrastruktur mit genutzt, da hierdurch auch der Betrieb der Züge und die Kundenzufriedenheit beeinflusst werden.
Die dritte große Herausforderung ist die Zusammenführung von Daten unterschiedlicher Quellen und Typen. Sollen beispielsweise Sensor- oder Lokationsdaten mit Kundendatenbanken im Analyseprozess zusammengeführt werden, ist eine entsprechende Integration nötig. Dies kann mittels eines flexiblen Data Lakes und der entsprechenden Datenintegrationssoftware erfolgen. Sind alle Quellen angebunden und die Daten verfügbar, kann der Analyseprozess die entsprechenden Informationen zusammenführen. Die Analysetools sollten hierbei so einfach zu bedienen und nutzen sein, dass ein normaler Anwender ohne besondere Programmierkenntnisse in der Lage ist, den Prozess anzupassen, weitere Datenquellen aufzunehmen oder Parameter zu ändern, um etwa die Analyse zu verbessern. Viele Projekte scheitern heute am Nichtvorhandensein von Datenanalysten.
Rechtliche Herausforderungen
Der Umgang mit sensiblen Daten ist eine weitere Herausforderung. Jeder von uns legt Wert auf seine Privatsphäre und darauf, dass Unternehmen und Institutionen sorgfältig damit umgehen. Das betrifft Banken und Versicherungen und Online-Händler, aber besonders kritisch wird es im Gesundheitswesen. Gerade dort kann allerdings ein Nutzen aus der Analyse großer Datenbestände gezogen werden. Feldstudien, die in der Lage sind IoT-Daten medizinischer Geräte zum Beispiel mit statistischen und demographischen Daten zu verbinden, können helfen, Krankheiten besser zu verstehen und bessere Behandlungsmöglichkeiten zu entwickeln. Das Problem: Die Daten müssen so anonymisiert werden, dass keinerlei Rückschlüsse auf einzelne Personen möglich sind. Die Anonymisierung darf dabei aber nicht so weit gehen, dass die Daten ihren Informationsgehalt verlieren. Dies schränkt die Möglichkeiten einer Zusammenarbeit und der Integration unterschiedlicher Datenquellen massiv ein und behindert dadurch die Forschung.
Die aufgezählten Show-Stopper sollten aber kein Unternehmen davon abhalten, IoT-Projekte einfach anzugehen - im Gegenteil! Wer sich der auf dem Weg liegenden Stolpersteine bewusst ist und sich realistische Ziele setzt, kann vom ersten Pilotprojekt an wichtige Erfahrungen sammeln, um seiner Organisation das volle Potential von IoT und Big-Data-Analytics zu erschließen. Oder um es mit Erich Kästner zu sagen: "Es gibt nichts Gutes, außer man tut es."