Governance beginnt, wenn Daten Entscheidungen beeinflussen
Industrielle Data Governance beginnt, sobald ein Signal, Alarm, Zählerwert, Arbeitsauftrag, Inspektionshinweis, Dokument oder berechneter Indikator eine operative Entscheidung beeinflusst.
Für einen operativen digitalen Zwilling reicht eine Verbindung allein nicht aus. Teams müssen wissen, woher ein Wert kommt, welche Anlage oder welchen Raum er beschreibt, welche Einheit und Zeitregel gilt, wer das Mapping verantwortet, ob der Wert zuverlässig ist und welche AI-Agent- oder Dashboard-Workflows ihn nutzen.
Data Fusion Services unterstützt diese Disziplin in der FactVerse-Architektur. Es verbindet Quellsysteme, mappt Daten auf Twin-Entitäten, bereinigt und normalisiert Felder, berechnet Kennzahlen, bereitet Data Marts vor und bindet Live-Kontext an den Zwilling.
Was DFS mit Governance unterstützen sollte
| Bereich | Leitfrage | Nutzen |
|---|---|---|
| Quelle | Welches System besitzt den Wert und wer genehmigt Nutzung? | Klärt Verantwortung |
| Zugriff | Welche Rolle, Site oder Grenze darf lesen? | Schützt sensible Betriebsdaten |
| Entität | Welche Anlage, Fläche, Route oder Workflow beschreibt der Wert? | Macht Tags zu Betriebskontext |
| Einheit und Zeit | Welche Einheit, Zeitzone, Abtastung und Aggregation gelten? | Hält Trends und Vergleiche belastbar |
| Qualität | Ist der Wert fehlend, alt, interpoliert, außerhalb des Bereichs? | Zeigt die Stärke der Evidenz |
| Lineage | Welcher Connector, Mapping-Schritt und Release erzeugten den Wert? | Unterstützt Audit und Fehlersuche |
| Nutzer | Welche Dashboards, AI-Flows, Reports oder Tickets nutzen ihn? | Zeigt Auswirkungen vor Änderungen |
Nach operativer Identität gouvernieren
Dieselbe Anlage kann in SCADA, Historian, CMMS, BIM und im Sprachgebrauch vor Ort unterschiedliche Namen haben. Governance braucht eine stabile operative Identität, die diese Aliase zusammenführt.
FactVerse stellt Kontext für Räume, Anlagen, Systeme, Beziehungen, Dokumente, Datenbindungen und Workflows bereit. Data Fusion Services ordnet Quellfelder und Tags diesem Kontext zu, damit ein Wert an die richtige Anlage, den richtigen Ort und den richtigen Entscheidungsloop gebunden ist.
Zu guter Identitäts-Governance gehören Standort, Gebäude, Raum, Linie, Route, Anlagenklasse, Asset ID, Anzeigename, Eigentümer, Lebenszyklusstatus, Systembeziehungen, Aliasregeln, Dokumente, SOPs, Inspektionspunkte, Arbeitsauftragsreferenzen und Berechtigungsgrenzen.
Datenqualität, Lineage und Change Control
Zeitreihen und Ereignisdaten ändern sich laufend. Governance sollte Regeln für fehlende Werte, veraltete Daten, Einheiten, Zeitstempel, Sampling, Ausreißer, Sensorwechsel, Alarmstatus und berechnete Kennzahlen festhalten.
Industriequellen ändern sich oft leise: ein BMS-Punkt wird umbenannt, ein Zähler ersetzt, ein Historian-Tag verschoben, ein CMMS-Feld neu interpretiert oder eine KPI-Formel angepasst. Der Zwilling kann visuell korrekt bleiben, während die Daten darunter nicht mehr stimmen.
Ein Change Record sollte Quelle, Connector, geänderten Tag oder Formel, betroffene Anlage, betroffene Workflows, Downstream-Nutzer, Reviewer, Freigabe, Wirksamkeitsdatum, Rollback und Validierungsevidenz enthalten.
Zugriff, Evidenz und Machine Learning
Betriebsdaten können eingeschränkte Räume, kundenspezifische Layouts, Produktionszustände, Anlagenzustand, Energieprofile, Wartungsbefunde und Servicedaten enthalten. Zugriff, Export und AI-Nutzung brauchen klare Grenzen.
Inspector und verbundene Arbeitssysteme erfassen, wer eine Erkenntnis geprüft hat, welche Maßnahme ausgeführt wurde, welche Evidenz vorliegt und ob sich der Zustand verbessert hat. Diese Daten werden zur Governance-Grundlage für den nächsten AI-Review und für Machine Learning.
Machine Learning braucht Signal, Anlagenkontext, Betriebszustand, menschliche Entscheidung, Maßnahme und Ergebnis. Governance erhält Feature-Definitionen, Qualitätsfilter, Labels aus Arbeitsaufträgen, Modellversion, abgelehnte Vorschläge, Post-Action-Werte und Aktualisierungsregeln.
DataMesh-Rollout
- Entscheidungsloop wählen - Zum Beispiel Predictive Maintenance, Facility-Inspektion, Data-Center-Asset-Review, Energieevidenz oder digitale SOP.
- Datenverantwortliche benennen - Für Quellen, Identität, Mapping, Qualität, Berechnung, Zugriff und downstream Workflows.
- Identität modellieren - Räume, Anlagen, Systeme, Beziehungen, Dokumente, Workflows und Aliase in FactVerse ausrichten.
- Daten verbinden und gouvernieren - Mit Data Fusion Services Quellen anbinden, Felder mappen, Einheiten normalisieren, Zeitstempel ausrichten, Kennzahlen berechnen und Qualität markieren.
- Nutzer registrieren - Dashboards, AI-Agent-Routinen, Inspector-Formulare, Reports und ML-Datensätze erfassen.
- Änderungen vor Release prüfen - Tag-, Formel-, Connector- und Berechtigungsänderungen validieren.
- Ergebnisse erfassen - Feldnachweise, Reviews und Post-Action-Werte aufnehmen.
- Regeln verbessern - Ausnahmen, Mappingfehler, alte Daten, abgelehnte AI-Vorschläge und Feldfeedback nutzen.
Governance-Checkliste
- Gibt es fachliche und technische Owner für jede Quelle?
- Sind Asset-, Raum-, System- und Workflow-Identitäten konsistent?
- Sind Einheiten, Zeitstempel, Sampling und Qualitätsregeln sichtbar?
- Sind berechnete Kennzahlen mit Formel, Owner und Reviewdatum verbunden?
- Bleibt Lineage vom Connector bis zum Downstream-Nutzer erhalten?
- Sind Dashboards, AI Agent Workflows, Reports und Datensätze registriert?
- Sind sensible Räume, Kundendaten und Dokumente rollenbasiert geschützt?
- Können Arbeitsaufträge und Feldevidenz für Review und ML genutzt werden?
- Gibt es einen Change-Pfad für umbenannte Tags, neue Sensoren und gebrochene Bindings?
Öffentliche Referenzen
Die Data Fusion Services Produktseite beschreibt die Datenintegrationsschicht von FactVerse.
Der Data Readiness Guide, der Operational Digital Twin Model Governance Guide und der Industrial Knowledge Graphs Guide behandeln die angrenzenden Grundlagen.