Startseite / Wissen / Data Fabric

Was ist eine Data Fabric und was bringt sie der Industrie?

Kurzantwort

Eine Data Fabric ist ein Architekturkonzept, das verteilte Datenquellen über eine gemeinsame Schicht aus Metadaten, Integration und Zugriffsregeln nutzbar macht, ohne alle Daten an einen Ort zu kopieren. Die Daten bleiben in ERP, MES, Historian oder Cloud-Speicher. Die Fabric weiß, wo welche Daten liegen, was sie bedeuten und wer sie nutzen darf. In der Industrie hängt ihr Nutzen davon ab, ob die Daten aus der Produktion mit Kontext wie Anlage, Linie und Auftrag ankommen.

Lesezeit 7 MinutenFachredaktion inray Industriesoftware
Viele Einzelverbindungen zwischen Datenquellen und Nutzern im Vergleich zu einer gemeinsamen Data-Fabric-Schicht

Definition: Data Fabric

Gartner beschreibt die Data Fabric als Designkonzept, das als integrierte Schicht aus Daten und verbindenden Prozessen dient. Grundlage ist eine fortlaufende Auswertung vorhandener und abgeleiteter Metadaten. So beschrieb es Gartner-Analyst Mark Beyer in einem Beitrag vom 25. August 2021. Gemeint ist kein einzelnes Produkt, sondern eine Architektur: Die Systeme bleiben, wie sie sind, und eine Schicht darüber regelt Auffinden, Zugriff und Bereitstellung.

Merkmal Zentrale Datenkopie Data Fabric
Speicherort Alle Daten werden in einen zentralen Speicher kopiert Daten bleiben in den Quellsystemen, kopiert wird nur bei Bedarf
Bedeutung der Daten Steckt in Ladeprozessen und Tabellenstrukturen Steht in Metadaten und Beziehungen, die alle Nutzer sehen
Zugriffsregeln Je Speicher neu festgelegt Einmal definiert und für alle Zugriffswege angewendet
Neue Quelle Neuer Ladeprozess in den zentralen Speicher Anschluss an die Fabric und Beschreibung in den Metadaten
Typischer Einsatz Wenige Quellen, festes Berichtswesen Viele Quellen an mehreren Standorten, wechselnde Fragestellungen

Warum das Thema relevant wird

Daten aus der Produktion werden von immer mehr Stellen genutzt: Controlling, Qualität, Instandhaltung, Energiemanagement und zunehmend Analyse- und KI-Anwendungen. Häufig entsteht für jede Fragestellung eine eigene Verbindung oder eine eigene Kopie der Daten.

Wie schnell das wächst, zeigt eine einfache Rechnung. Holt sich jeder von n Nutzern seine Daten selbst aus jeder von m Quellen, entstehen bis zu m · n Verbindungen. Bei 8 Quellen und 6 Nutzern sind das 48. Mit einer gemeinsamen Schicht braucht jede Quelle und jeder Nutzer nur einen Anschluss, zusammen m + n, hier also 14. Die Rechnung zeigt das Prinzip. In der Praxis braucht nicht jeder Nutzer jede Quelle, das Muster aus vielen Kopien mit unterschiedlichem Stand bleibt trotzdem das eigentliche Problem.

Der Begriff selbst ist älter als der aktuelle Trend. Forrester veröffentlichte im vierten Quartal 2016 eine Marktübersicht zu „Big Data Fabric“ (Analyst Noel Yuhanna). Gartner zählte die Data Fabric zu den „Top Strategic Technology Trends for 2022“.

Die Bausteine einer Data Fabric

Eine Data Fabric setzt sich aus wenigen Bausteinen zusammen. Sie müssen nicht von einem Hersteller kommen.

Baustein Aufgabe Herkunft
Metadatenkatalog Verzeichnet, welche Daten es gibt, wo sie liegen und wem sie gehören Kern der Data Fabric nach Gartner, 2021
Aktive Metadaten Werten laufend aus, welche Daten wie genutzt werden, und steuern damit Bereitstellung und Qualität Gartner, Mark Beyer, 25. August 2021
Wissensgraph Bildet Beziehungen zwischen Datenobjekten ab, zum Beispiel Anlage, Auftrag und Material Von Gartner als Baustein genannt, 2021
Integrationsdienste Stellen Daten per Kopie, Datenstrom oder virtuellem Zugriff bereit Integrationsstile nach Hohpe und Woolf, Enterprise Integration Patterns, 2003
Governance und Zugriff Legen fest, wer welche Daten in welcher Form sehen darf Bestandteil jeder Data-Fabric-Architektur

Wie eine Data Fabric technisch funktioniert

Vier Mechanismen tragen die Architektur.

  • Metadaten zuerst: Jede angebundene Quelle wird beschrieben, technisch und fachlich. Erst dadurch lassen sich Daten finden und richtig deuten.
  • Mehrere Zugriffswege: Je nach Anforderung werden Daten kopiert, als Datenstrom weitergegeben oder virtuell an der Quelle abgefragt.
  • Semantik: Gleiche Dinge bekommen gleiche Namen. Eine Anlage heißt im MES, im Historian und im ERP gleich oder wird eindeutig zugeordnet.
  • Automatisierung: Aus der Nutzung der Metadaten leitet die Fabric Vorschläge ab, etwa welche Daten zusammengehören oder wo Qualitätsprobleme auftreten.

In vier Schritten zur Data Fabric

Die Reihenfolge ist bei den meisten Vorhaben ähnlich.

  1. Quellen und Nutzer erfassen

    Welche Systeme liefern heute welche Daten an wen, auf welchem Weg und mit welcher Aktualität?

  2. Gemeinsame Begriffe festlegen

    Anlage, Linie, Auftrag und Material werden einheitlich benannt, damit Metadaten über Systemgrenzen hinweg stimmen.

  3. Mit einem Anwendungsfall beginnen

    Ein klar abgegrenzter Bedarf, etwa Energiekennzahlen je Anlage, läuft als erster über die Fabric und wird gemessen.

  4. Schrittweise erweitern

    Weitere Quellen und Nutzer folgen nach Nutzen. Doppelte Kopien und Einzelverbindungen werden gezielt abgelöst.

Was eine Data Fabric nicht ist

Vier Abgrenzungen verhindern falsche Erwartungen.

  • Kein einzelnes Produkt: Die Data Fabric ist ein Designkonzept. Umgesetzt wird sie mit Katalog-, Integrations- und Governance-Werkzeugen, oft von mehreren Herstellern.
  • Kein Data Lake: Ein Data Lake ist ein Speicher für Rohdaten. Eine Data Fabric kann einen Data Lake oder ein Lakehouse einbinden, ersetzt aber keinen Speicher.
  • Kein Data Mesh: Das Data Mesh, 2019 von Zhamak Dehghani auf martinfowler.com beschrieben, ist vor allem ein Organisationsmodell mit Datenverantwortung in den Fachbereichen. Die Data Fabric ist ein Architekturmuster. Beide lassen sich kombinieren.
  • Keine Maschinenanbindung: Die Fabric arbeitet mit Daten, die bereits in Systemen liegen. Steuerungen und Sensoren müssen vorher angebunden werden.

Typische Hürden in der Praxis

Diese Punkte bremsen Data-Fabric-Vorhaben am häufigsten.

  • Fehlende Metadaten: Ohne gepflegte Beschreibungen findet niemand die Daten, und die Automatisierung hat keine Grundlage.
  • Produktionsdaten ohne Kontext: Ein Messwert ohne Angabe von Anlage, Einheit und Zeitbezug lässt sich in keinem Katalog sinnvoll einordnen.
  • Werkzeug vor Ziel: Wird zuerst eine Plattform gekauft und dann ein Anwendungsfall gesucht, entsteht eine weitere Datensammlung ohne Nutzer.
  • Unklare Verantwortung: Gehört eine Datenquelle niemandem fachlich, veralten Beschreibungen und Zugriffsregeln.
Der ehrliche Teil

Eine Data Fabric verlagert Arbeit, sie spart sie nicht ein. Statt vieler Ladeprozesse müssen Metadaten, Begriffe und Zugriffsregeln dauerhaft gepflegt werden. Bei wenigen Quellen und einem festen Berichtswesen ist ein gut geführtes Data Warehouse oft die einfachere Lösung.

Wie pronubes unterstützt

pronubes setzt am Anfang der Kette an: dort, wo Produktionsdaten entstehen und ihren Kontext bekommen. Die Produktteile haben dabei unterschiedliche Aufgaben.

  • pronubes Edge: Edge läuft im Werk und bindet Maschinen, Steuerungen und IT-Systeme über Protokolle wie OPC UA, MQTT, REST und SQL an. Die Daten werden dort strukturiert, wo sie entstehen, und gehen mit Angaben zu Herkunft und Einheit an die Data Fabric oder an einen bestehenden Datenspeicher.
  • pronubes Zones: Zones bildet Standorte, Produktionsbereiche und Systeme als Struktur ab. Diese Struktur liefert die Ordnung, auf die sich Metadaten und Begriffe in der Fabric beziehen können.
  • pronubes Insights: Insights macht Datenflüsse aus der Produktion im laufenden Betrieb sichtbar. Fällt eine Quelle aus oder liefert verzögert, fällt das auf, bevor Auswertungen auf veralteten Daten beruhen.
Begriffe
Data Fabric
Architekturkonzept für den einheitlichen Zugriff auf verteilte Daten über Metadaten, Integration und Zugriffsregeln.
Metadaten
Daten über Daten, etwa Herkunft, Bedeutung, Einheit, Aktualität und Verantwortung.
Aktive Metadaten
Laufend ausgewertete Metadaten, die Bereitstellung und Qualität steuern.
Wissensgraph
Modell, das Datenobjekte und ihre Beziehungen untereinander abbildet.
Datenvirtualisierung
Abfrage von Daten an der Quelle, ohne sie vorher zu kopieren.
Data Mesh
Organisationsmodell, in dem Fachbereiche ihre Daten als Produkte verantworten.
Data Lake
Zentraler Speicher für Rohdaten in ihrem ursprünglichen Format.
Governance
Regeln und Zuständigkeiten für Qualität, Schutz und Nutzung von Daten.
Nachgefragt

Häufige Fragen

Was ist der Unterschied zwischen Data Fabric und Data Mesh?

Die Data Fabric ist ein Architekturmuster, das verteilte Daten über Metadaten und eine gemeinsame Integrationsschicht zugänglich macht. Das Data Mesh ist vor allem ein Organisationsmodell, in dem Fachbereiche ihre Daten als Produkte verantworten. Viele Unternehmen nutzen Elemente aus beiden.

Ersetzt eine Data Fabric das Data Warehouse?

Nein. Ein Data Warehouse oder ein Lakehouse kann Teil der Fabric sein. Die Fabric regelt, wie Daten aus diesen und anderen Quellen gefunden, beschrieben und bereitgestellt werden.

Muss man für eine Data Fabric alle Daten zentral speichern?

Nein, das ist gerade nicht der Ansatz. Die Daten bleiben weitgehend in den Quellsystemen. Kopiert wird nur, wo Leistung, Verfügbarkeit oder Auswertung es erfordern.

Welche Rolle spielen Produktionsdaten in einer Data Fabric?

Sie gehören zu den wertvollsten und schwierigsten Quellen. Maschinendaten entstehen in hoher Frequenz und ohne fachlichen Kontext. Damit sie in der Fabric nutzbar sind, müssen sie im Werk angebunden, strukturiert und eindeutig zugeordnet werden.

Wie fängt man mit einer Data Fabric an?

Mit einer Bestandsaufnahme der Quellen und Nutzer, einheitlichen Begriffen für zentrale Objekte und einem klar abgegrenzten Anwendungsfall. Die Werkzeugauswahl folgt daraus, nicht umgekehrt.

Loslegen

Eine Data Fabric beginnt in der Produktion.

pronubes bindet Maschinen und Systeme im Werk an und liefert Produktionsdaten mit Kontext an Ihre Datenplattform.

pronubes by inray

pronubes is a product of inray Industriesoftware GmbH. Over 30 years of industrial software made in Germany. Innovative and reliable for manufacturing companies.

inray