Entwicklung der Projektdatemanagement-Software

Über den Kunden

Unser Kunde bietet KI- und Data-Science-Lösungen auf Basis von Echtzeitdaten an. Er unterstützt Unternehmen aus der Fertigungsindustrie durch Leistungen in den Bereichen Data Engineering, Machine Learning sowie Entwicklung von Aveva-PI-Anwendungen. Mithilfe unserer Partner SEEQ und Aveva ist unser Kunde darauf spezialisiert, Rohdaten und unstrukturierte Daten in gewinnbringende Geschäftsmöglichkeiten für seine Endkunden zu verwandeln.

Das Unternehmen, mit dem wir zusammengearbeitet haben, verfügt über umfangreiche industrielle Erfahrung sowie eine starke Präsenz im Energiesektor. Es ist bei zahlreichen führenden amerikanischen und internationalen Energie- sowie Öl- und Gasunternehmen tätig und bietet eine breite Palette von Dienstleistungen in diesen und weiteren Branchen an. Ziel war es, die Kapazitäten im Bereich der Entwicklung von Software für das Projekt­datenmanagement zu erweitern.

Geschäftliche Herausforderung

In der Öl- und Gasindustrie, in der der Endkunde tätig ist, können bereits Sekunden von Systemstörungen zu schwerwiegenden betrieblichen, sicherheitsrelevanten und finanziellen Folgen führen. Der Endkunde sah sich innerhalb seiner bestehenden Datenlandschaft mit mehreren Problemen konfrontiert, die die Zuverlässigkeit, Skalierbarkeit und ein effektives Änderungsmanagement einschränkten. Einige dieser Herausforderungen hätten eindeutig durch die Entwicklung von der Projekt­datenmanagement-Software gelöst werden können.

Zentrale technische und lieferbezogene Herausforderungen bei der Entwicklung eines Projekt­datensystems umfassten:

• Mehrere schlecht synchronisierte führende Systeme (Systems of Record, SORs), jeweils mit eigenem Datenmodell
• Dokumentenzentrierte Workflows (PDFs, Tabellenkalkulationen, Papier) anstelle strukturierter, datengetriebener Prozesse
• Langsame Bearbeitung von Änderungsanträgen, fehlende Aktualisierungen und zunehmende Inkonsistenzen zwischen den SORs
• Dynamische und sich weiterentwickelnde Anforderungen, insbesondere in den frühen Phasen der Lösungsdefinition
• Notwendigkeit, Proofs of Concept mit Mock-Daten und einer vereinfachten Ontologie zu entwerfen, die später zu einem produktionsreifen Datenmodell weiterentwickelt wurde
• Einführung eines neuen Technologie-Stacks für die Entwicklung des Projekt­datensystems (Ontologiemodellierung, Knowledge Graphs, AVEVA AF) ohne vorherige Erfahrung im Team
• Abhängigkeit von kundenseitigen Experten für hochspezialisierte Komponenten (z. B. AVEVA-AF-Treiber)
• Verzögerungen in Kommunikation und Feedback auf Kundenseite, die Planung und Iterationsgeschwindigkeit beeinträchtigten

Prozess

Die Entwicklung der Software für das Projekt­datenmanagement erfolgte in enger und regelmäßiger Zusammenarbeit mit dem Kunden. Dazu gehörten Discovery-Workshops und Abstimmungssitzungen zur Klärung von Zielen und Anforderungen sowie regelmäßige Synchronisationsmeetings, die bis zu dreimal pro Woche stattfanden. Bei Bedarf wurden tägliche Stand-ups eingeführt, um die Dynamik aufrechtzuerhalten. Zur Unterstützung eines tiefgehenden Domänenverständnisses und zur Sicherstellung einer hohen Datenqualität wurde ein dedizierter Engineer speziell für die Analyse der Endkundendaten eingebunden, wodurch eine präzise Interpretation der Quelldaten sowie ein schnellerer Fortschritt sowohl in der Discovery- als auch in der Entwicklungsphase gewährleistet wurden.

Phase 1 – Entdeckung & Anforderungsdefinition

Beinhaltete: Erhebung, Klärung und Dokumentation der Anforderungen für unsere KI-Software für Unternehmen.

Phase 2 – Entwicklung

Beinhaltete: Zentrale Softwareentwicklung und Systemimplementierung, einschließlich der Erbringung von UI/UX-Design-Services, KI-Integrationsleistungen sowie weiterer individuellen Webentwicklung.

Phase 3 – Erweiterte Funktionen (geplant)

Umfang: Zusätzliche Entwicklungen, einschließlich Simulationsfunktionen und Verbesserungen der MOC-Validierung.

Zeitrahmen: 10 Monate

Überblick über das Endprodukt

Das Endergebnis der Entwicklung der Software für das Projekt­datenmanagement ist ein webbasiertes intelligentes Projekt­datensystem, das darauf ausgelegt ist, komplexe Projektdaten zu zentralisieren, zu strukturieren und zu steuern. Es ersetzt fragmentierte, dokumentenlastige Workflows durch eine einheitliche, datengetriebene Plattform (es wurden generative KI-Entwicklungsservices implementiert), die als einzige Quelle der Wahrheit dient.

Nach der Umsetzung unserer Data-Science-Entwicklungsleistungen integriert sich das System nahtlos in das bestehende Enterprise-Ökosystem des Kunden:

• Das Microsoft Admin Center wird für die Benutzersynchronisation und das Berechtigungsmanagement eingesetzt
• Das unternehmensweite SharePoint dient als Dokumenten-Repository und Storage-Ebene
• Ein auf Knowledge Graphs basierendes Backend gewährleistet Konsistenz, Nachvollziehbarkeit und Skalierbarkeit der Projektdaten.

Die Plattform für die Entwicklung des Projekt­datenmanagement-Software ermöglicht Projektleitern, Ingenieuren und Fachexperten den Zugriff auf zuverlässige, aktuelle technische, finanzielle und rechtliche Informationen in angemessenen Detailgraden. Dadurch werden schnellere und fundiertere Entscheidungsprozesse unterstützt und gleichzeitig operative Risiken reduziert.

Die Lösung umfasst die folgenden Module:

1. Definition des Common Models

Definiert eine kanonische Ontologie, die zentrale Entitäten, Attribute, Beziehungen und Einschränkungen abdeckt. Sie etabliert eine gemeinsame Datensprache für das Unternehmen und bietet Entwicklern gleichzeitig eine stabile Grundlage für Datenaufnahme, Validierung und die Weiterentwicklung des Systems.

2. Modellregistrierung und Versionierung

Verwaltet Ontologieversionen, verfolgt die Kompatibilität von Konsumenten und setzt Deprecation-Regeln durch. Dies ermöglicht eine sichere Weiterentwicklung der Datenmodelle für das Unternehmen sowie kontrollierte Schemaänderungen für Softwareteams.

3. Parser / Erfassung

Ordnet Daten aus mehreren führenden Systemen den Instanzen des Common Models zu und übernimmt dabei Normalisierung sowie semantische Abstimmung. Dadurch wird der manuelle Aufwand für Fachanwender reduziert und die Quellsysteme werden für Entwickler von internen Datenstrukturen entkoppelt.

4. Validierung & Regel-Engine

Wendet Schemaeinschränkungen und übergreifende Logik zwischen Entitäten an, um die Datenkonsistenz sicherzustellen. Dies erhöht das Vertrauen in operative Daten und stellt einen zentralen, wartbaren Mechanismus zur Durchsetzung von Regeln bereit.

5. Instanzspeicher (Neo4j)

Speichert Common Model-Instanzen als Wissensgraphen mit Identität, Herkunft und Versionierung. Es dient als einzige Quelle der Wahrheit für das Unternehmen und unterstützt effiziente, beziehungsintensive Abfragen für Entwickler.

6. Knowledge Graph Projektion

Erstellt optimierte Diagrammansichten, die speziell für die Verwendung im Frontend zugeschnitten sind. Dies vereinfacht die Datenexploration für Benutzer und sorgt gleichzeitig für eine klare Trennung zwischen Kerndaten und UI-Modellen.

7. Synchronisierung und Abstimmung

Erkennt Änderungen, löst Konflikte und sorgt dafür, dass die Aufzeichnungssysteme mit dem gemeinsamen Modell übereinstimmen. Es verbessert die Datenkonsistenz für das Unternehmen und ermöglicht eine deterministische Synchronisationslogik für Entwickler.

8. API / Zugriffsebene

Bietet sicheren, kontrollierten Zugriff auf Daten für interne und externe Nutzer. Es unterstützt die Systemintegration für das Unternehmen und setzt Zugriffs- und Validierungsregeln auf technischer Ebene durch.

9. Verwaltung & Tools

Verantwortlich für Authentifizierung, Autorisierung, Protokollierung und Diagnose. Gewährleistet Sicherheit und Überwachbarkeit auf Unternehmensniveau und vereinfacht gleichzeitig den Betrieb und die Wartung des Systems.

Geschäftliche Auswirkungen für den Kunden

Als Ergebnis der Entwicklung der Projekt­datenmanagement-Software sicherte sich der Kunde einen Vertrag mit seinem Endkunden (Öl- und Gasunternehmen), wodurch sowohl der technische Ansatz als auch die kommerzielle Tragfähigkeit der Lösung validiert wurden. Die gelieferte Frontend-Anwendung dient nun als funktionsfähiges Produkt, das der Kunde aktiv nutzt, um das Konzept anderen potenziellen Kunden zu demonstrieren und so die Geschäftsentwicklung sowie Vertriebsaktivitäten weiter zu unterstützen.

Nach vollständiger Implementierung wird erwartet, dass das Management-of-Change-(MOC)-Validierungstool den MOC-Abschlussprozess erheblich beschleunigt. Da der Endkunde im Vorjahr Kosten in Höhe von etwa 8 Millionen US-Dollar im Zusammenhang mit MOC-bedingten Verzögerungen gemeldet hatte, hat die Entwicklung des Projekt­datensystems das Potenzial, Anlagenstillstände und damit verbundene finanzielle Verluste durch verbesserte Datenkonsistenz, Validierung und schnellere Entscheidungsprozesse erheblich zu reduzieren.

Über die direkten geschäftlichen Auswirkungen hinaus zeigte die Entwicklung der Software für das Projekt­datenmanagement die Fähigkeit des Kunden, sich in einer traditionell dokumentengetriebenen Umgebung hin zu einem datenorientierten, produktbasierten Angebot zu entwickeln, und stärkte damit seine langfristige Wettbewerbsposition. Elinext konnte sein Portfolio als Softwareentwicklungsunternehmen für die Öl- und Gasindustrie weiter ausbauen.