Abo  ut

Big Data im Bereich Automotive Testing erfordert die Verwaltung von Metadaten

Bei Big Data im Bereich Automotive Testing geht es vor allem um die Analyse riesiger Datenmengen, die aus unterschiedlichsten Prüfständen und Fahrversuchen resultieren. Ziel ist es, in diesen Testdaten neue Muster und Zusammenhänge zu identifizieren, um ein komplexes System aus unterschiedlichen Komponenten zu beschreiben und das zukünftige Verhalten dieses Systems vorherzusagen. Auf diese Weise lassen sich z.B. wichtige Erkenntnisse für die Entwicklung neuer Simulationsmodelle gewinnen und erhebliche Einsparungen bei der Durchführung kostenintensiver Tests erzielen. Basis hierfür sind unter anderem Tools für Data Mining, Predictive Analytics oder Machine Learning, die heute in großer Zahl auf dem Markt erhältlich sind – teilweise sogar kostenlos.


Der Einsatz dieser Tools erfordert jedoch gut dokumentierte Testdaten.


In der Praxis beginnt hier oft das Problem: Einerseits empfinden viele Testingenieure die Pflege von Metainformationen als „nich sexy“. Andererseits ist eine umfassende Kenntnis des Testkontextes entscheidend, um Messungen langfristig und personenunabhängig richtig interpretieren zu können. Fehlt die systematische Dokumentation des Testkontextes, sind die Messdaten nur eine Zahlenkolonne, die sehr schnell an Wert verliert.


Bisher vernachlässigen viele Testabteilungen das Metadatenmanagement – wenn man überhaupt davon sprechen kann. Insbesondere die Einbettung in die Testprozesse ist bestenfalls mangelhaft. Richtlinien für den Umgang mit Metadaten, die einheitliche Prozesse und Verantwortlichkeiten für die Datenerfassung und -pflege (= Test Data Governance) vorschreiben, sucht man oft vergeblich. Darüber hinaus bieten viele der für das Messdatenmanagement (MDM) verwendeten Systeme nicht genügend Funktionalitäten, um eine solche Testdaten-Governance zu unterstützen und durchzusetzen. Leider schenken die Unternehmen diesem Umstand bei der Planung und Auswahl von MDM-Plattformen noch zu wenig Beachtung.



Daraus resultieren zahlreiche, oft abteilungsspezifische Lösungen oder Insellösungen mit individuellen und meist rudimentär dokumentierten Prüfdatenbeständen. Diese eignen sich nur wenig als Grundlage für die Umsetzung von Big Data-Analysen, die über viele Domänen hinweg eingesetzt werden.


Fazit: Testabteilungen, die in naher Zukunft das Potenzial von Big Data erschließen wollen, tun gut daran, sich schon heute mit dem Thema Test Data Governance auseinanderzusetzen. Standards wie ASAM ODS bieten hierfür die geeignete Grundlage. Softwareplattformen wie openMDM oder Peak Test Data Manger helfen dabei, das Thema fest in den unternehmensspezifischen Testprozessen zu verankern.