Alexandra Rodecki
Alexandra Rodecki
Industrieinformatik · · 9 Min. Lesezeit

Industrial Data Fabric erklärt: Strategie und Architektur für die OT/IT-Integration

Ist eine Industrial Data Fabric das Richtige für Ihr Unternehmen? Führungskräfte fragen nach dem Geschäftswert, Architekten nach der Integrationsschicht. Dieser Leitfaden beantwortet beide Perspektiven.

Wer eine Industrial Data Fabric (IDF) bewertet, stellt je nach Rolle sehr unterschiedliche Fragen. Führungskräfte aus Operations oder Finance wollen wissen, was der Business Case ist, wann sich die Investition auszahlt und wie das Vorhaben mit den strategischen Zielen zusammenhängt. Technologen und Systemarchitekten fragen, wie sich Legacy-Systeme integrieren lassen, wie die Datenarchitektur aussieht und wie Stabilität und Sicherheit gewahrt bleiben. Beide Perspektiven sind berechtigt, und eine erfolgreiche IDF braucht beide.

Direkt zu Ihrer Perspektive: Die Perspektive für Entscheider · Die technische Perspektive

Was ist eine Industrial Data Fabric?

Eine Industrial Data Fabric ist eine Datenintegrationsarchitektur, die Produktionsdaten über den gesamten Technologie-Stack zugänglich, kontextualisiert und nutzbar macht, ohne die Produktionssysteme zu destabilisieren. Sie sitzt als Normalisierungs- und Kontextualisierungsschicht zwischen der OT-Welt aus Steuerungen, SCADA und Historians und der IT-Welt aus ERP, MES und BI-Werkzeugen. Was eine IDF ist und was sie nicht ist, beschreibt der Beitrag Industrial Data Fabric: Was sie ist und was sie wirklich bringt ausführlich. Dieser Leitfaden konzentriert sich darauf, was Entscheider und Architekten jeweils klären müssen.


Die Business-Perspektive: Warum eine Industrial Data Fabric kein Technologieprojekt ist

Eine IDF ist ein Transformationsprojekt, das Technologie einsetzt, und wie jede Transformation hängt sie an der Klarheit des Zwecks, an der organisatorischen Ausrichtung und an einer disziplinierten Umsetzung. Aus Implementierungen in verschiedenen Branchen haben wir gelernt: Den größten Wert erzielen Organisationen, die mit Geschäftsergebnissen beginnen und nicht mit der Technologieauswahl. Wir haben die Erfahrungen aus erfolgreichen IDF-Einführungen deshalb in fünf Säulen verdichtet, die als Rahmen für die Entscheidung dienen.

1. Strategische Klarheit: das geschäftliche Warum festlegen

Welche Entscheidung kann Ihr Unternehmen heute nicht treffen, und was kostet das? Fehlt die Sicht auf die Gesamtanlageneffektivität (OEE) über mehrere Standorte, die Rückverfolgbarkeit in der Qualität oder die Grundlage für eine bessere Ressourcenplanung? Diese Klarheit ist das Fundament, denn wer das konkrete Geschäftsproblem nicht benennen kann, bekommt ein System, das Daten sammelt, aber keinen Wert schafft.

Führungsfrage: Was kostet uns das Fehlen dieser Transparenz gerade jetzt?

2. Organisatorische Ausrichtung: Wer verantwortet was?

Technologie löst keine organisatorischen Silos, klare Verantwortlichkeiten dagegen schon. Vor dem Projektstart sollten vier Rollen festgelegt sein:

  • System Owner: verantwortlich für Stabilität und Sicherheit der Plattform
  • Product Owner: legt fest, welche Daten relevant sind, und setzt Qualitätsstandards
  • Service Owner: verantwortlich dafür, dass Geschäftswert entsteht und das System genutzt wird
  • Local Enablers: treiben den Wandel auf Shopfloor-Ebene voran

Führungsfrage: Wer ist dafür verantwortlich, dass dieses System tatsächlich Geschäftswert liefert?

3. Datenkontextualisierung: Rohdaten sind noch kein Wert

Tausende Datenpunkte pro Sekunde zu übertragen, fühlt sich nach Fortschritt an, ist aber oft Verschwendung. Wert entsteht erst, wenn Daten in ihrem industriellen Kontext strukturiert sind: was sie messen, welche Grenzwerte gelten, zu welchem Asset sie gehören und welche Aktion folgen soll, wenn etwas aus dem Ruder läuft. Das beginnt früh, bereits in der Anfrage für neue Anlagen, und nicht Jahre später als Nachrüstung. Warum rohe OT-Daten ohne diesen Schritt scheitern, beschreibt der Beitrag zur industriellen Datenkontextualisierung.

Führungsfrage: Erfassen wir Daten gezielt, oder sammeln wir einfach alles?

4. Legacy-Integration: kein nachträglicher Gedanke

Ein großer Teil der Produktionsdaten liegt in Systemen, die viele Jahre alt sind. ERP, SCADA-Systeme und Maschinensteuerungen wurden nicht für moderne Datenökosysteme entwickelt. Eine erfolgreiche IDF ersetzt diese Systeme nicht, sondern integriert sich daneben und liest Daten aus den OT-Systemen, ohne deren Stabilität zu gefährden.

Führungsfrage: Wie kommen wir voran, ohne die Produktion zu destabilisieren?

5. Akzeptanz und Wandel: Die Umsetzung bestimmt den Wert

Eine abgeschlossene Implementierung bedeutet noch nicht, dass das System genutzt wird. Ein technisch einwandfreies System bringt keinen Geschäftswert, wenn Bediener ihre Schichtübergaben weiter in Excel festhalten und drei Tage auf Qualitätsberichte warten. Erfolg heißt, dass Menschen ihre Arbeitsweise verändert haben: Dashboards werden genutzt, Entscheidungen fallen schneller, Berichte entstehen automatisch.

Führungsfrage: Woran erkennen wir Erfolg, an veränderten Arbeitsweisen und an welchen Geschäftskennzahlen?

Zur Einordnung: Organisationen, die mit Klarheit über das Warum (Säule 1) und das Wer (Säule 2) beginnen, kommen schneller durch das Wie (Säulen 3 bis 5). Wer direkt zur Technologieauswahl springt, stößt typischerweise auf Widerstand, Verzögerungen und einen unklaren Return on Investment.

Von den fünf Säulen zur Roadmap für die Industrial Data Fabric

Die fünf Säulen ergeben eine logische Reihenfolge, die sich direkt in eine Roadmap übersetzen lässt:

  1. Das strategische Warum festlegen: Welches konkrete Geschäftsproblem soll gelöst werden?
  2. Die Organisation ausrichten: Wer verantwortet was? Klare Zuständigkeiten verhindern Systeme, die niemand pflegt.
  3. Die Architektur entwerfen: Wie werden Daten so strukturiert, dass sie aussagekräftig sind und nicht nur viel?
  4. Den Übergang planen: Wie gelingt der Wechsel vom alten zum neuen Arbeitsweg ohne Unterbrechung?
  5. Messen und weiterentwickeln: Woran ist erkennbar, dass es funktioniert, und wie wird das Gelernte umgesetzt?

Zur zeitlichen Einordnung aus unseren Projekten: Eine ausgereifte IDF ist kein Sprint von sechs Monaten, sondern braucht typischerweise zwölf bis 24 Monate von der strategischen Klarheit bis zur vollen Wertschöpfung. Entscheidend sind dabei die ersten rund 90 Tage, in denen das Warum festgelegt und die Organisation ausgerichtet wird. Welche Fragen vor dem Start beantwortet sein sollten, fasst der Beitrag 5 Fragen vor Ihrem IDF-Projekt zusammen.


Die technische Perspektive: die Industrial Data Fabric als Kontextualisierungsschicht

Technisch betrachtet löst eine IDF eine Integrationsaufgabe zwischen zwei Welten mit sehr unterschiedlichen Anforderungen. OT-Systeme wie Steuerungen, SCADA und Historians arbeiten unter strengen Verfügbarkeitsanforderungen, IT-Systeme wie ERP, MES und BI-Werkzeuge erwarten strukturierte, klar definierte Daten, und bestehende Integrationen sind oft starre Punkt-zu-Punkt-Verbindungen. Eine gut gebaute IDF sitzt zwischen diesen Welten als Normalisierungs- und Kontextualisierungsschicht. Auch hier lässt sich der Aufbau in fünf Säulen beschreiben.

1. Architektur-Fundament: nicht-invasiver Datenzugriff

Das erste Prinzip lautet, die OT-Systeme nicht zu verändern. Die IDF liest aus den Produktionssystemen über Standardprotokolle:

  • Steuerungen (SPS): Modbus, EtherNet/IP, OPC UA
  • SCADA: OPC DA, OPC UA, REST-APIs
  • Historians: native APIs oder REST-Schnittstellen
  • Feldgeräte: 4–20 mA, HART, IO-Link (über Gateways)

Dieser lesende Ansatz senkt das Sicherheitsrisiko deutlich und erleichtert die Freigabe durch die Sicherheitsverantwortlichen im Werk.

Technische Frage: Welche Protokolle sprechen Ihre Produktionssysteme, und lassen sie sich nicht-invasiv anbinden?

2. Datenkontextualisierung: von Rohtags zu aussagekräftigen Daten

Ein Temperaturwert von 78,4 bedeutet ohne Kontext nichts: 78,4 was ? Ist das gut oder schlecht, an welchem Gerät, und welche Aktion soll folgen? Kontextualisierung heißt, Daten mit ihren industriellen Metadaten zu strukturieren:

  • Maßeinheit(°C, bar, U/min, %)
  • Betriebsgrenzen(Minimum, Zielwert, Maximum)
  • Asset-Zuordnung(welche Maschine, welche Linie, welcher Prozess)
  • Berechnungsregeln(wie Kennzahlen aus Rohdaten abgeleitet werden)
  • Lebenszyklus-Metadaten(Aufbewahrung, Verantwortlicher, Aktualisierungsfrequenz)

Die Modellierung nach ISA-95 hilft dabei, weil sie eine standardisierte Sicht auf die Unternehmensebenen und den Datenfluss zwischen ihnen bietet.

Technische Frage: Gibt es ein Datenmodell, das die Beziehungen zwischen Assets, Prozessen und Kennzahlen festlegt?

3. Integrationsmuster: Daten aus vielen Quellen zusammenführen

In den meisten Industrieunternehmen sind die Daten über mehrere Systeme verteilt: Echtzeitdaten in Steuerungen, SCADA und Edge-Geräten, historische Daten in Historians und Data Warehouses, Geschäftsdaten in ERP, MES und Qualitätssystemen, dazu externe Daten wie Wetter, Marktdaten oder Lieferkette. Eine IDF führt diese Quellen ohne Punkt-zu-Punkt-Integrationen zusammen:

  • Adapter übersetzen die Daten jeder Quelle in ein gemeinsames Schema und können Daten aus verschiedenen Quellen kombinieren.
  • Eine Berechnungsebene leitet Kennzahlen ab und wendet Geschäftslogik an.
  • APIs liefern die kontextualisierten Daten an nachgelagerte Systeme wie BI-Werkzeuge, eigene Anwendungen oder Cloud-Plattformen.

Technische Frage: Bauen Sie Konnektoren eins zu eins, oder planen Sie für ein Hub-and-Spoke-Modell?

4. Governance und Lebenszyklus: Datenqualität im großen Maßstab

Mit dem Wachstum der IDF wird Governance entscheidend. Zu klären sind die Dateneigentümerschaft (wer legt fest, was erfasst wird, und wer ist für die Qualität verantwortlich), die Aufbewahrung von Roh- und aggregierten Daten, der Umgang mit historischen Daten stillgelegter Maschinen, das Verhältnis zwischen zentralen Standards und lokalen Anforderungen sowie die Rückverfolgbarkeit der Datenherkunft von der Quelle bis zur Entscheidung. Bewährt hat sich ein zentrales Datenmodell mit verteilter Verantwortung.

Technische Frage: Wer entscheidet, welche Daten erfasst werden, und wie wird Konsistenz über mehrere Werke hinweg sichergestellt?

5. Erweiterbarkeit: die Plattform für Wachstum auslegen

Eine IDF sollte sich mit dem Unternehmen weiterentwickeln können:

  • Gemeinsamkeiten nutzen: wiederkehrende Strukturen in Werken oder Linien (etwa OPC oder SIMATIC Batch) erkennen und als Funktionsbausteine aufbauen
  • API-orientiertes Design: Daten über REST, GraphQL oder Vergleichbares bereitstellen
  • Modulare Architektur: neue Quellen, Berechnungen und Abnehmer ohne kompletten Umbau ergänzen
  • Edge-Fähigkeit: Berechnungen bei Bedarf auf Edge-Geräte verlagern
  • Cloud-Anbindung: Daten an Cloud-Plattformen wie Azure IoT oder AWS IoT übergeben, ohne die Architektur neu zu entwerfen

Technische Frage: Ist die Plattform für Wachstum und Veränderung ausgelegt, oder bindet sie Sie an das Ökosystem eines Anbieters?

Zur Einordnung: Viele Unternehmen beginnen mit dem Data-Lake-Ansatz: alles in die Cloud übertragen und später sortieren. Das führt oft zu hohen Speicherkosten, langsamen Abfragen und ungenutzten Daten. Tragfähiger ist es, an der Quelle zu normalisieren und zu kontextualisieren und dann ausgewählte, aussagekräftige Daten weiterzugeben: weniger Volumen, bessere Qualität, geringere Kosten.

Designprinzipien für eine tragfähige Industrial Data Fabric

Über die fünf Säulen hinaus haben sich einige Designprinzipien bewährt:

  • Nicht-invasiv: aus der OT lesen, ohne sie zu verändern. Das senkt das Risiko und erleichtert die Einführung.
  • Lose gekoppelt: Datenabnehmer hängen nicht von einzelnen Datenquellen ab; die Flexibilität entsteht durch klar beschriebene Datenschnittstellen.
  • Fehlerisoliert: Fällt eine Datenquelle aus, läuft der Rest des Systems weiter.
  • Beobachtbar: Datenfluss, Berechnungsorte und Datenherkunft sind nachvollziehbar.
  • Skalierbar: Die Leistung bleibt stabil, wenn Quellen oder Abnehmer hinzukommen.

Was eine Industrial Data Fabric nicht löst

Eine IDF schafft die Voraussetzung dafür, dass Daten genutzt werden können, aber sie erledigt die Nutzung nicht von selbst. Drei Grenzen gehören in jede Planung:

Ein fehlendes Warum

Ohne konkretes Geschäftsproblem entsteht auch mit der besten Architektur ein System, das sammelt, aber nichts verändert.

Schlechte Datenqualität an der Quelle

Falsch kalibrierte Sensoren oder fehlende Stammdaten bleiben fehlerhaft. Die IDF macht Probleme sichtbar, beseitigt sie aber nicht.

Fehlende Akzeptanz

Ob Menschen ihre Arbeitsweise ändern, entscheidet die Organisation. Technik kann das unterstützen, aber nicht erzwingen.

Auch Integratoren, uns eingeschlossen, sind dabei nicht frei von Schuld: Es liegt nahe, Gespräche über die Architektur zu beginnen, weil sie greifbar ist und unser Handwerk berührt. Die Erfahrung aus den Projekten zeigt aber, dass dieser Einstieg das Warum und das Wer in den Hintergrund drängt. Deshalb steht die Business-Perspektive in diesem Leitfaden vor der technischen.


Ein IDF-Projekt beginnt mit einem offenen Gespräch

Laden Sie das IDF Cheat Sheet als Referenz für Ihr Team herunter, oder sprechen Sie mit uns über Ihre Systemlandschaft und Ihre Daten.

Cheat Sheet herunterladen

Sprechen Sie mit unseren Experten