{"id":7825,"date":"2024-06-27T07:14:46","date_gmt":"2024-06-27T07:14:46","guid":{"rendered":"https:\/\/www.novotek.com\/dk\/?post_type=insights&p=7825"},"modified":"2025-11-18T12:45:18","modified_gmt":"2025-11-18T12:45:18","slug":"10-trin-til-enterprise-dataarkitektur","status":"publish","type":"insights","link":"https:\/\/www.novotek.com\/dk\/insight\/10-trin-til-enterprise-dataarkitektur\/","title":{"rendered":"10 trin til enterprise dataarkitektur"},"content":{"rendered":"
\n

Opn\u00e5 skal\u00e9rbar dataarkitektur i 10 trin – baseret p\u00e5 best-practice.<\/p>\n<\/div>\n\n

\n
\"10<\/figure>\n<\/div>\n\n
\n

Af Torey Penrod-Cambra, Co-Founder & Chief Communications Officer, HighByte<\/a><\/em><\/strong><\/p>\n<\/div>\n\n

\n

Mange producenter drukner i data og k\u00e6mper for at g\u00f8re dem brugbare. Hvorfor det?<\/p>\n<\/div>\n\n

\n

Et moderne industrianl\u00e6g kan nemt producere mere end en terabyte data hver dag. Med en b\u00f8lge af nye teknologier til kunstig intelligens og maskinl\u00e6ring kombineret med dashboards i realtid og pr\u00e6skriptiv indsigt, burde industrivirksomheder se enorme produktivitetsgevinster. Uplanlagt vedligeholdelse af aktiver og produktionslinjer burde v\u00e6re fortid. Men vi ved, at det ikke er tilf\u00e6ldet.<\/p>\n<\/div>\n\n

\n

Adgang til data g\u00f8r det ikke nyttigt. Industriel data er r\u00e5 og skal g\u00f8res egnet til form\u00e5let for at udvinde deres sande v\u00e6rdi. Ydermere skal de v\u00e6rkt\u00f8jer, der bruges til at g\u00f8re data egnede til form\u00e5let, fungere i en industriel virksomheds-skala. For mange industrivirksomheder er dette en skr\u00e6mmende opgave, der kr\u00e6ver tilpasning af mennesker, processer og teknologi p\u00e5 tv\u00e6rs af sites og forsyningsk\u00e6de.

HighByte fokuserer p\u00e5 at l\u00f8se dette dataarkitektur- og kontekstualiseringsproblem fra et teknologisk perspektiv. Men hvad med mennesker og proces? For at samle det hele har vi for nylig udgivet en ny guide, “Think Big, Start Small, Scale Fast: The Data Engineering Workbook<\/a><\/strong>.” Vejledningen indeholder 10 trin til at opn\u00e5 en skal\u00e9rbar dataarkitektur baseret p\u00e5 den bedste praksis, vi har l\u00e6rt af vores kunder i l\u00f8bet af de sidste mange \u00e5r.<\/p>\n<\/div>\n\n

\n

Trin 1. T\u00e6nk stort: \u200b\u200bAfstem dine m\u00e5l med organisationen <\/h3>\n<\/div>\n\n
\n

Som med ethvert st\u00f8rre initiativ er det f\u00f8rste skridt at sikre, at dit projekt er i overensstemmelse med virksomhedens m\u00e5l<\/strong>. S\u00f8rg for, at de rigtige tv\u00e6rg\u00e5ende interessenter er i rummet fra projektets start, og at alle interessenter er enige om at prioritere projektet og kan n\u00e5 til enighed om projektets m\u00e5l.<\/p>\n<\/div>\n\n

\n

Trin 2. V\u00e6r strategisk: Overvej din dataarkitektur<\/h3>\n<\/div>\n\n
\n

Mangel p\u00e5 strategi for dataarkitekturen er en af \u200b\u200bde mest almindelige kilder til fiasko for Industry 4.0-initiativer. At tage sig tid til at planl\u00e6gge sin arkitektur<\/strong>, f\u00f8r projektet startes, betaler sig, n\u00e5r du udvider til andre omr\u00e5der og steder. En veltilrettelagt dataarkitektur vil levere den synlighed og tilg\u00e6ngelighed, der er n\u00f8dvendig for at give dine medarbejdere og systemer de data, de har brug for, n\u00e5r de har brug for det. Dokument\u00e9r, hvordan dine systemer i \u00f8jeblikket er integreret, og hvordan denne arkitektur muligvis skal \u00e6ndres for at n\u00e5 dine projekt- og virksomhedsm\u00e5l.<\/p>\n<\/div>\n\n

\n

Trin 3. Start i det sm\u00e5: Begynd med en use case.<\/h3>\n<\/div>\n\n
\n

Din use case kan v\u00e6re drevet af aktiver, processer eller produkter. Uanset hvad, b\u00f8r virksomhedens interessenter identificere projektets omfang, de relevante data, der vil v\u00e6re p\u00e5kr\u00e6vet, og m\u00e5lpersonen, der vil forbruge disse oplysninger og handle ud fra dem. Brugstilf\u00e6lde sp\u00e6nder fra forudsigelig aktivvedligeholdelse til f\u00f8rstegangsudbytte til virksomheds-OEE og mere. Med f\u00f8rste use case kan du bevise v\u00e6rdi og investeringsafkast<\/strong>.<\/p>\n<\/div>\n\n

\n

Trin 4. Identific\u00e9r m\u00e5lsystemerne<\/h3>\n<\/div>\n\n
\n

Denne tilgang er i modsat traditionelle dataindsamlingstilgange hvor du begynder med dine kildesystemer. Fokus p\u00e5 dine m\u00e5lsystemer<\/strong> f\u00f8rst, vil give dig mulighed for at identificere pr\u00e6cis, hvilke data du skal sende, hvordan de skal sendes, og med hvilken frekvens det skal sendes. Du kan s\u00e5 bestemme hvilke kilder og strukturer der er bedst egnede til at levere disse data. Fokus p\u00e5 m\u00e5lsystemet og persona vil ogs\u00e5 hj\u00e6lpe med at identificere den kontekst, data kan kr\u00e6ve, og hyppigheden af \u200b\u200bdataopdateringerne.<\/p>\n<\/div>\n\n

\n

Trin 5. Identific\u00e9r datakilderne<\/h3>\n<\/div>\n\n
\n

Du kan bedre forst\u00e5 de specifikke udfordringer, du skal overvinde for dit projekt, ved at dokumentere dine datakilder<\/strong>. Disse udfordringer kan omfatte datavolumen, korrelation, kontekst og standardisering. Dokument\u00e9r datakilder og deres nuancer nu for at forhindre fremtidige hindringer for succes.<\/p>\n<\/div>\n\n

\n

Trin 6. V\u00e6lg integrationsarkitektur<\/h3>\n<\/div>\n\n
\n

Dette er skridtet, hvor en Industrial DataOps<\/strong><\/a>-l\u00f8sning som HighByte Intelligence Hub<\/strong><\/a> b\u00f8r evalueres. En DataOps-l\u00f8sning fungerer som et abstraktionslag, der bruger API’er til at oprette forbindelse til andre applikationer, mens den leverer et styrings-, dokumentations- og styringsv\u00e6rkt\u00f8j, der forbinder datakilder med alle n\u00f8dvendige applikationer. DataOps-l\u00f8sninger b\u00f8r v\u00e6re specialbyggede til at flytte store m\u00e6ngder data ved h\u00f8je hastigheder med transformationer, der udf\u00f8res i realtid, mens data er i bev\u00e6gelse. Efterh\u00e5nden som din use case skaleres, b\u00f8r din DataOps-l\u00f8sning nemt skaleres med den.<\/p>\n<\/div>\n\n

\n

Trin 7. Etabler sikre forbindelser<\/h3>\n<\/div>\n\n
\n

N\u00e5r din projektplan er p\u00e5 plads, kan du for alvor begynde systemintegrationen ved at etablere sikre forbindelser til kilde- og m\u00e5lsystemer<\/strong>. Det er afg\u00f8rende, at du fuldt ud forst\u00e5r de protokoller, du vil arbejde med, og de sikkerhedsrisici og -fordele, der f\u00f8lger med dem. Sikkerhed handler ikke kun om brugernavne, adgangskoder, kryptering og godkendelse. Det handler ogs\u00e5 om protokolvalg og integrationsarkitektur.<\/p>\n<\/div>\n\n

\n

Trin 8. Modell\u00e9r data<\/h3>\n<\/div>\n\n
\n

Det f\u00f8rste trin i modellering af data er at definere det standarddatas\u00e6t, der kr\u00e6ves i m\u00e5lsystemet for at opfylde projektets forretningsm\u00e5l. De realtidsdata, der kommer fra maskineriet og automationsudstyret, er typisk kernen i modellen. Disse modeller b\u00f8r ogs\u00e5 inkludere attributter for alle beskrivende data, som typisk ikke er lagret i de industrielle enheder, men som er s\u00e6rligt nyttige ved matchning og evaluering af data i m\u00e5lsystemerne. Modeller kan ogs\u00e5 omfatte data fra transaktionssystemer og tidsseriedatabaser. N\u00e5r standardmodellerne er oprettet, skal de instansieres for hvert aktiv, proces og\/eller produkt, der er relevant for brugssagen. Denne opgave kan accelereres med en DataOps-l\u00f8sning som HighByte Intelligence Hub.<\/p>\n<\/div>\n\n

\n

Trin 9. Flow data<\/h3>\n<\/div>\n\n
\n

N\u00e5r forekomsterne er f\u00e6rdige, styrer datastr\u00f8mme tidspunktet<\/strong> for, hvorn\u00e5r v\u00e6rdierne for en forekomst hentes, standardiseres, kontekstualiseres, beregnes og sendes til m\u00e5lsystemet. Data payload kan publiceres cyklisk, n\u00e5r en h\u00e6ndelse indtr\u00e6ffer, eller kun n\u00e5r der sker en \u00e6ndring. Et velbygget dataflow vil bevare semantikken i en model, mens pr\u00e6sentationen og leveringen transformeres til de unikke behov hos de systemer, der bruger den.<\/p>\n<\/div>\n\n

\n

Trin 10. Kortl\u00e6g dine fremskridt og udvid til nye omr\u00e5der<\/h3>\n<\/div>\n\n
\n

Nu hvor din use case er officielt i gang, er det vigtigt, at du er meget opm\u00e6rksom p\u00e5 dine resultater og sporer dine fremskridt. Nye Industry 4.0 use cases udforsker ofte helt ny funktionalitet, s\u00e5 processer til at spore dine fremskridt findes muligvis ikke i din organisation i \u00f8jeblikket. Du skal muligvis v\u00e6re pioneren! Heldigvis kan produktleverand\u00f8rer som HighByte og servicepartnere som Novotek hj\u00e6lpe dig.<\/p>\n<\/div>\n\n

\n
\"mennesker,<\/figure>\n<\/div>\n\n
\n

Figur 1<\/strong>: Industrial DataOps (data operations) er orkestreringen af \u200b\u200bmennesker, processer og teknologi for sikkert at levere p\u00e5lidelige, klar-til-brug data til alle de systemer og mennesker, der kr\u00e6ver det.<\/em><\/p>\n<\/div>\n\n

\n

Datateknik giver dig mulighed for at udf\u00f8re handlinger p\u00e5 dine data, s\u00e5som standardisering, normalisering, transformation, filtrering og synkronisering. For at l\u00e6re, hvordan du anvender gennempr\u00f8vede datatekniske processer og teknologier til dit eget arbejde og g\u00e5 dybere ind i de 10 trin ovenfor, anbefaler vi, at du downloader “den komplette “workbook”<\/a><\/strong>. Indeni finder du:<\/p>\n<\/div>\n\n

\n