D

de-DE

Preemptive, Dynamic Product Data Quality Assurance

Sprecher: Alfred Peisl
Slot: Mittwoch 15:15 - 16:15 Uhr
Raum: Hauptbühne
Alfred Peisl

Zusammenfassung:

Die Session zeigt am Beispiel der Automobilindustrie (Demo und Präsentation), wie man die Qualität der umfangreichen und immer komplexer werdenden Produktdaten durch neue, dynamische Methoden präemptiv absichern kann. So werden Datenprobleme gelöst, bevor sie produktiv wirksam werden. Ziel ist eine dynamische Produktdatenpflege, mit kurzen Feedbackschleifen und qualitativ hochwertigen Produktdaten.

Problemstellung:

Durch die hohe Variantenvielfalt und Individualisierbarkeit der Produkte in der Automobilindustrie ist die Komplexität der Produktdaten stetig angestiegen. Teilweise werden pro Hersteller mehrere hundert Fahrzeugtypen mit 200 und mehr Ausstattungen pro Typ angeboten. Welche Ausstattungen kombiniert werden dürfen und welche sich gegenseitig ausschließen, wird durch ein äußerst umfangreiches, boolesches Regelwerk festgelegt. Beinahe alle Daten sind zusätzlich mit einer zeitlichen Gültigkeit versehen und eine äquivalente Information kann in mehrfacher zeitlicher Ausprägung existieren. Diese hohe Komplexität hat ihren Preis. Die Menge der Datenfehler ist in den letzten Jahren stark angeschwollen und häufig treten die Probleme erst viele Wochen nach Pflege der Daten beim produktiven Einsatz zutage, z.B. in einem Fahrzeugkonfigurator. Das ist in vielerlei Hinsicht ärgerlich und sehr kostenintensiv.

Analyse:

Menschen machen Fehler. Die Pflege der komplexen Daten erfolgt fast ausschließlich mit Werkzeugen, welche bestenfalls die statische Integrität der Daten prüfen, nicht aber deren dynamisches Verhalten zu beliebigen Zeitpunkten in der Zukunft. Dies blieb bisher der Vorstellungskraft der Datenpfleger überlassen, was selbst hartgesottene Experten überfordert.

Lösung:

Wir haben neue und sehr effiziente Methoden entwickelt, um die Produktdaten für beliebige Zeitpunkte[1] dynamisch und umfassend zu prüfen. Die Prüfergebnisse werden systematisch mit individueller Begründung der Probleme persistiert. Durch Quervergleiche über die Dimensionen Modell, Zeit und Markt können wir die zeitliche Entstehung und Ausdehnung der Probleme eingrenzen und ihre systematische Behebung gezielt unterstützen.

Basis für unsere Lösung ist ein Java-First-Class-Baukastensystem, bei dem Bausteine für unterschiedliche Tests beinahe beliebig kombiniert und mit variablen Filtern bestückt, parallel ausgeführt werden können. Datenquellen und Ergebnissenken sind dabei flexibel einstellbar.

Für komplexe, individualisierbare Produkte bedarf es einer umfassenden, dynamischen Prüfung.Sie sollte der Pflege nicht nachgelagert sein, sondern deren zentraler Bestandteil. Die Produktdatenpflege der Zukunft muss eine interaktive Datenmodellierung und -pflege mit instantanen Feedbackschleifen ermöglichen. - Daran arbeiten wir.



[1] In Zukunft und Vergangenheit, soweit die Daten reichen ??