Gemeinsam mit unserem Kunden aus der deutschen Automobilindustrie haben wir bei ZEISS eine vollständig serverlose, ereignisgesteuerte SaaS-Plattform auf AWS aufgebaut, um standardisierte Produktions-KPIs für eine globale Fertigungslandschaft mit rund 120 Werken bereitzustellen. Das System wurde von Anfang an so konzipiert, dass es pro Mandant skalierbar ist und gleichzeitig Berichte nahezu in Echtzeit liefert, wobei Aggregationen bereits innerhalb von Sekunden nach dem Auftreten von Maschinenereignissen verfügbar sind.

Apache Iceberg bildet die zentrale Datenschicht und schlägt eine Brücke zwischen der Streaming-Erfassung und dem analytischen Zugriff. Gefilterte Maschinensignale (~5.000/Min./Mandant) werden mit wichtigen Kontextinformationen aus externen Systemen wie Schichtplanung, Anlagenverwaltung oder Fehler- und Messwertmanagement (~400/Min./Mandant) angereichert. Eine zentrale Herausforderung bestand darin, dass sich diese Kontextdaten rückwirkend ändern konnten, was eine Korrektur historischer Aggregationen erforderlich machte. Die ACID-Semantik von Iceberg ermöglichte effiziente Aktualisierungen und Neuberechnungen unter Wahrung einer konsistenten Geschäftsansicht.

Wir werden die architektonischen Kompromisse und die Erkenntnisse aus der Entwicklung dieses Systems von Anfang bis Ende vorstellen, einschließlich der Aspekte, die sich bewährt haben, und derer, die nicht funktioniert haben. Der Vortrag wird gemeinsam von einem Lösungsarchitekten und einem Anforderungsingenieur bzw. Geschäftsanalysten gehalten und stellt einen Zusammenhang zwischen geschäftlichen Rahmenbedingungen und praktischen Designentscheidungen im Zusammenhang mit Iceberg her.