Die FDA hat die Frist für die FSMA 204-Compliance von Januar 2026 auf Juli 2028 verschoben. Viele in der Lebensmittel- und Kühlketten-IoT-Branche atmen erleichtert auf. Doch das Hauptproblem liegt nicht bei den Sensoren, sondern beim Datenmodell. Unternehmen haben zwar Thermometer überall, aber kein Schema, das Sensordaten mit den geforderten Critical Tracking Events (CTEs) und Key Data Elements (KDEs) verknüpft.
FSMA 204 verlangt von Unternehmen, die Lebensmittel auf der Food Traceability List handhaben, innerhalb von 24 Stunden eine elektronische, sortierbare Tabelle mit Rückverfolgungsdaten vorzulegen. Das System muss folgende Fragen beantworten können: Bei gegebenem Loscode „LOT-2026-04-0042“ zurückgeben:
- Alle CTEs, durch die das Los ging
- KDEs bei jedem CTE (wer, was, wo, wann, von/zu)
- Zugehörige Sensordaten pro Transportabschnitt
- Anomalien (Abweichungen, Datenlücken, Losfehlpassungen)
Format: sortierbare Tabelle Zeitbudget: < 24 Stunden
Die meisten ERP-Systeme können das nicht. Sie erfassen Transaktionen, keine Rückverfolgungsereignisse.
Die empfohlene Vier-Schichten-Architektur:
Schicht 1: Entitäten (Stammdaten) Referenztabellen, die sich langsam ändern. Standorte: GLN- oder FFRN-Identifikator, Adresse, Typ Produkte: GTIN, Beschreibung, FTL-Kategorie Lose: Traceability Lot Code (TLC), Produkt-ID, Erstellungsdatum Akteure: Rechtliche Einheit, Rolle (Erzeuger/Verarbeiter/Händler/Einzelhändler)
Schicht 2: Ereignisse (CTE-Aufzeichnungen) Jede Besitzübertragung oder Transformation erzeugt einen Ereigniseintrag. Beispiel: { "cte_type": "receiving", "timestamp": "2026-04-15T14:30:00Z", "location_gln": "0012345000010", "actor_id": "distributor-acme", "lot_code": "LOT-2026-04-0042", "product_gtin": "00012345678905", "source_actor": "processor-freshco", "quantity": 120, "unit": "cases", "reference_doc": "PO-88921", "telemetry_session_id": "sess-7f3a9b" }
Die sieben Kern-CTEs: Anbau, Empfang, Verarbeitung/Erzeugung, Versand, Empfang (beim nächsten Knoten), erster landgestützter Empfänger.
Schicht 3: Telemetrie (Sensordaten) IoT-Schicht: Zeitreihendaten, verknüpft mit Ereignissen über telemetry_session_id. Beispiel: { "session_id": "sess-7f3a9b", "sensor_id": "GPT29-unit-4471", "readings": [ { "ts": "2026-04-15T08:00:00Z", "temp_c": 2.1, "rh_pct": 65, "lat": 32.78, "lng": -96.80 }, ... ] }
Wichtige Designentscheidungen:
- Zeitzonen: Immer UTC verwenden.
- Zeitsynchronisation: Sensoruhren können driften – bei jeder Übertragung mit Netzwerkzeit synchronisieren.
- Datenbank: Zeitreihendatenbank (InfluxDB, TimescaleDB) für Telemetrie, nicht die relationale Datenbank.
- Verknüpfung: Über Session-ID, nicht über Zeitstempelkorrelation. Zeitstempel driften; Session-IDs nicht.
Schicht 4: Belege (Audit-Exporte) Die oft vergessene Schicht – das, was die FDA tatsächlich erhält. Vereinfacht: Generierung der sortierbaren Tabelle SQL-Beispiel: SELECT e.cte_type, e.timestamp, l.address AS location, p.description AS product, e.lot_code, e.source_actor, a.name AS performed_by, anomaly.type AS anomaly_flag FROM events e JOIN locations l ON e.location_gln = l.gln JOIN products p ON e.product_gtin = p.gtin JOIN actors a ON e.actor_id = a.id LEFT JOIN anomalies anomaly ON anomaly.event_id = e.id WHERE e.lot_code = 'LOT-2026-04-0042' ORDER BY e.timestamp;
Dieses Abfrage-Design sollte von Anfang an berücksichtigt werden. Wenn die Ausgabe nicht erzeugt werden kann, sind die anderen drei Schichten irrelevant.
Design für Anomalien Normale Abläufe sind einfach. Hier brechen Systeme: Temperaturabweichung: Ein Messwert überschreitet den Schwellenwert (z. B. >4°C für gekühlte Produkte). Automatisch einen Anomalieeintrag generieren: { "type":
KI-Zusammenfassung
Learn how to build a four-layer data model for FSMA 204 cold chain traceability. Understand CTEs, KDEs, and sensor integration to meet FDA compliance by 2028.
