So verändert Data Analytics die Industrie

– Nutzen, Herausforderungen, Anwendungsmöglichkeiten

Mit dem Einsatz von Data Analytics in der Industrie tun sich für Unternehmen zahlreiche neue Möglichkeiten auf: Auf Basis von bereits existierenden Daten, die bislang ungenutzt blieben, ergeben sich erstaunliche Potenziale für Effizienzsteigerungen und Kostensenkungen. Neu geschaffene digitale Produkte und Dienstleistungen ermöglichen Maschinenbetreibern sowie -produzenten zudem neue gewinnbringende Geschäftsmodelle. Mit diesen können Kundenbedürfnisse noch besser abgedeckt bzw. neue Kunden akquiriert sowie neue Erlösquellen geschaffen werden. Im Kontext der weltweiten Digitalisierungsinitiative entwickeln sich datengetriebene Geschäftsmodelle zu einem wesentlichen Wettbewerbsfaktor.

Im Blogbeitrag gebe ich Ihnen einen Einblick, welchen Nutzen Data Analytics potenziell in der Industrie bringt, welchen Herausforderungen sich Unternehmen bei der Umsetzung gegenübersehen und welche Anwendungsfälle sich beispielsweise anbieten.

Nutzen von Data Analytics in der Industrie

Informationen gewinnen, Kundenbedürfnisse erkennen, Marktanteile sichern

Data Analytics in der Industrie gewinnt immer stärker an Fahrt und ist bereits heute in einigen Subbranchen faktisch ein wichtiger Differenziator geworden. Die wichtigsten Wettbewerbsvorteile und Merkmale sind Umsatzsteigerung und höhere Kundenzufriedenheit. Viele Industrieunternehmen setzen durch Optimierungen und Automatisierung Ressourcen für Innovationen frei, um dies zu erreichen.

Sowohl in der diskreten Fertigung als auch in der Prozessfertigung wird darüber hinaus Qualität überwacht bzw. vorhergesagt. Die automatische Erkennung von Anomalien in Fertigungsprozessen hilft Ausschuss zu reduzieren und steigert die Kundenbindung. Durch vorausschauende Instandhaltung werden Maschinenauslastung und Verfügbarkeit erhöht, was wiederum die Effizienz steigert. Schnellere und präzisere Serviceprozesse erhöhen ebenfalls die Bindung der Kundschaft.

Die wichtigsten Vorteile auf einen Blick:

  • Informationen gewinnen

    Unternehmen gewinnen wertvolle Informationen über ihre Prozesse, Produkte und Produktionssysteme und schaffen Grundlagen für Optimierungsmaßnahmen und neue Geschäftsmodelle.

  • Kundenbedürfnisse erkennen

    Kundenbedürfnisse können unmittelbar erkannt werden – so fließen diese Informationen in den Innovationsprozess ein, um das Kundenerlebnis immer passender zu machen.

  • Marktanteile sichern

    Es geht auch darum Marktanteile zu sichern und mit neuen Produkten / Diensten neue Erlösquellen zu schaffen. Dadurch können Marktanteile erhöht oder gar neue Märkte erschlossen werden.

Fragen, die Data Analytics in der Industrie beantwortet

Wir beraten Sie rund um Data Analytics!

Unsere Experten können Sie zu allen Aspekten von Analytics & Business Intelligence sowie Advanced, Predictive und Prescriptive Analytics beraten. Dazu gehören individuelle Workshops, Datenintegration und Governance, Data Warehouse sowie Data Vault und Berichte.

Herausforderungen bei der Umsetzung

Datenzugang, Digital Mindset, Sammelwut

Es zeigt sich: gerade die Industrie kann von Data Analytics profitieren. Allerdings beobachte ich in der Praxis auch immer wieder Herausforderungen, denen Unternehmen bei der Einführung begegnen.

Die wichtigsten Herausforderungen auf einen Blick:

  • Fehlender Datenzugang

    Aktuell kommen viele Unternehmen nach wie vor nur schwer an ihre eigenen Daten. Die Herausforderung liegt unter anderem darin, die diversen Datenformate aus verschiedenen Quellen und Orten mit unterschiedlichen Qualitäten zu jedem beliebigen Zeitpunkt zu fusionieren und nutzbar zu machen, sprich: Zugang zu schaffen.

  • Digital Mindset und Organisation

    Neben den erwähnten technischen Hürden steht sich manches Unternehmen auch selbst im Weg. Bedingt durch siloartig gewachsene Organisationsstrukturen, zu wenig ausgerichtet auf abteilungsübergreifende Zusammenarbeit, wird Innovation gehemmt. Daneben ist die Datenkompetenz ein kritischer Erfolgsfaktor der Digitalen Transformation und Innovation. Führungskräfte müssen dafür Sorge tragen, dass die erforderlichen Kompetenzen, Fähigkeiten und Ressourcen für die Datenanalyse im Unternehmen aufgebaut und verankert werden.

  • Sammelwut

    Der Wunsch ist oft, Maschinen- und weitere Sensordaten, Kunden-Interaktionsdaten und dergleichen so zusammenzuführen, dass idealerweise alle erdenklichen Analysen darauf vorgenommen werden können. Das aber ist weder realisierbar noch wirtschaftlich sinnvoll. Es ist besser, die notwendige fachliche und technische Infrastruktur zu schaffen, um die Anzahl analytischer Vorhaben erhöhen, die Durchlaufzeit der Vorhaben verkürzen und die serienreife Integration bewältigen zu können.

Defizite, die Data Analytics-Projekte in der Industrie hemmen

Mögliche Anwendungsfälle für Data Analytics in der Industrie

Im Folgenden möchte ich beispielhaft auf einige Anwendungsfälle eingehen, die wir so oder ähnlich bei der X-INTEGRATE begleiten durften.

Mit Tourenoptimierung Zeit, Geld und CO2 sparen

Ausgangssituation:

Wer in der Logistik tätig ist, weiß: Die optimale Tour für den Frachttransport zu finden, ist kein Job für das herkömmliche Navi, sondern eine komplexe mathematische Aufgabe. So gibt es Trillionen verschiedener Möglichkeiten, Ware von A nach B zu bringen. Es gilt, in Abhängigkeit von Faktoren wie Sender, Empfänger, Zeitfenster, Kapazitäten, Prioritäten, Vorlieben, Fahrtzeiten und Reichweite die individuell beste Tour zu bestimmen – und all das in möglichst kurzer Zeit! Denn: Die Entscheidung für eine falsche oder suboptimale Tour kostet Unternehmen hohe Geldbeträge und ist auch unter umweltpolitischen Gesichtspunkten problematisch.

Lösung:

Auf Basis eines Modells mit statischen Daten sowie einem selbstlernenden Modell mit statistischen Prognosen (Vorhersage, Standzeiten, Fahrzeiten anhand Daten aus der Vergangenheit) lässt sich ein entsprechender Lösungsansatz zur Tourenoptimierung entwickeln. Dieser berücksichtigt Faktoren wie die Tourenlänge und -dauer, Lade- und Anlieferzeiten, Fahrt- und Pausendauer und kann um weitere Einflussfaktoren und Ziele ergänzt werden.

Mehrwert:

Auf diese Weise optimieren Sie Transportwege und Transportzeiten unter Berücksichtigung vorhandener Restriktionen. Die Vorteile liegen auf der Hand: Neben einer Steigerung von Liefertreue und Pünktlichkeit werden Leerfahrten reduziert und vorhandene Kapazitäten (z. B. Sammelgut) optimal ausgenutzt.

Mit Pay-per-X-Geschäftsmodellen mehr Flexibilität im Maschinenbau schaffen

Ausgangssituation:

Geht es um die Einführung von Digitalisierungslösungen, sehen sich Maschinenbauer mit einer Reihe von Herausforderungen konfrontiert. So ist der Individualisierungsgrad für die Überwachung von Maschinen und Prozessen oftmals sehr hoch, was sich auch im Aufwand für die Umsetzung widerspiegelt. Maschinenanwender sind zudem in der Lage, einen zunehmend flexiblen Markt unter dem Einsatz oft kostenintensiver Maschinen bedienen zu müssen. Der Erwerb einer solchen Maschine stellt für sie folglich ein hohes Kaufrisiko dar.

Lösung:

Im Maschinenbau lassen sich mit Pay-Per-X-Modellen sowohl auf Anbieter- als auch auf Nutzerseite entsprechend Mehrwerte realisieren. Beispiele für Zahlungsmodelle, bei denen der Kunde nicht für ein Produkt zahlt, sondern für dessen Nutzung, gibt es zuhauf: Seien es Streamingdienste wie Netflix oder Spotify, Softwareanbieter wie Adobe oder Microsoft oder – ganz klassisch – Copyshops mit fester Gebühr je Farb- oder Schwarz-Weiß-Kopie. Auch in der Industrie nimmt der Trend langsam an Fahrt auf: So gibt es zum Beispiel Hersteller von Druckluftanlagen, die den Preis nach Druckluftzyklen und Druck berechnen oder Hersteller von Laserschnittmaschinen, welche die benötigten Lasersekunden als Berechnungsgrundlage verwenden.

Data Analytics dient im Rahmen von Pay-Per-X-Modellen dafür, die entsprechenden Abrechnungsmetriken zu entwickeln. Diese werden dann auf ein Edge Device ausgerollt, um die ermittelte Metrik auch in Echtzeit an der Maschine anwendbar zu machen.

Mehrwert:

Auch in der Industrie stiften Pay-per-X-Geschäftsmodelle auf Hersteller- und auf Kundenseite Mehrwerte: So erhalten Unternehmen Einblicke in das Nutzungsverhalten ihrer Kunden und können künftige Produkte entsprechend optimieren. Die Kostenrechnung nach tatsächlicher Nutzung bringt wiederkehrendes Geschäft – Instandhaltung sowie Service liegen ebenfalls auf Herstellerseite und können so zusätzliche Einnahmen generieren. 

Kunden wiederum binden kein Kapital mehr an eine Maschine. Bezahlt wird nur das, was letztlich genutzt wird, was auch eine gewisse Flexibilität hinsichtlich konjunktureller Schwankungen gewährleistet. Zudem müssen Kunden sich nicht länger um die Instandhaltung sorgen – diese übernimmt fortan der Hersteller.

Projekt ZuPro2Flex

Die X-INTEGRATE ist aktuell Teil eines Projekts des Bundesministeriums für Bildung und Forschung, welches den Einsatz von Pay-per-X-Geschäftsmodellen im Maschinenbau erforscht und eine Einführung erleichtern soll.

Mehr zum Projekt

Mit Data Analytics Kundenservice proaktiv gestalten

Ausgangssituation:

Der klassische Aftersales-Service im Maschinen- und Anlagenbau ist vorwiegend reaktiv und erfolgt dabei in Form von Wartung und Reparaturen. Das nützt den Kunden in ihrer aktuellen Situation, doch insgesamt ist der Service lediglich punktuell – und zudem noch oft traditionell („analog“) organisiert. Serviceanfragen erreichen das Unternehmen häufig über Telefon oder per E-Mail und werden dann manuell weiterbearbeitet.

Lösung:

Mit der Einführung einer Data Analytics-Lösung halten Sie Techniker und Manager über aktuelle Informationen rund um Maschinen und Anlagen auf dem Laufenden. Eine entsprechende Anwendung erlaubt außerdem eine direkte, bidirektionale Kommunikation zwischen Maschinenbauer und Endkunden.

Mehrwert:

Die Nutzer erhalten so einen Überblick über alle wichtigen Kennzahlen, Störungsfälle und die Maschinenverfügbarkeit. Die integrierten und erweiterten Kontaktmöglichkeiten sorgen für eine deutlich kürzere Reaktionszeit des Servicepersonals. Stillstandszeiten werden reduziert und die Verfügbarkeit der angebundenen Maschinenfabrik deutlich verbessert.

Mit Predictive Analytics Qualität in der Fertigung vorhersagen

Ausgangssituation:

Im Maschinenbau schlingen insbesondere personalintensive Prozesse Zeit und Kosten – darunter beispielsweise der Wechsel von Maschinenkomponenten sowie Qualitätsprüfungen. 

Lösung:

Für einen Kunden entwickelten wir entsprechend ein Predictive Analytics-Verfahren, das sowohl das Qualitätsmanagement von Produkten als auch die Werkzeugüberwachung erleichtert. Klassische Prüfintervalle werden dabei durch einen Scoring-Prozess mithilfe eines Vorhersagemodells auf Basis von IBM SPSS ersetzt. Dieser wird auf einem Edge Gateway – einer gehärteten Hardwarekomponente, die Industrie Connectivity-Standards unterstützt – implementiert und lokal an den Maschinen einer Fertigungsstraße installiert. Letztlich lassen sich so präzise Vorhersagen über die Qualität eines gefertigten Bauteils und den Zustand der Werkzeuge treffen.

Mehrwert:

Dank der Lösung kann zum einen das Risiko von Qualitätsmängeln oder eines Maschinenausfalls minimiert werden. Zum anderen wird Personal entlastet – so erfolgen ehemals personalintensive Qualitätsprüfprozesse nun automatisch und in Echtzeit. 

Fazit: Data Analytics als Chance für die Industrie

Dies waren nur ausgewählte Anwendungsfälle für Data Analytics in der Industrie. Es bleibt festzuhalten, dass Daten auch und gerade von Fertigungsunternehmen genutzt werden können, um Mehrwerte zu erzielen: Sei es für die Senkung von Ausfallzeiten, die Steigerung der Produktqualität oder die Einführung eines neuen Geschäftsmodells.

Schauen Sie für weitere Informationen zum Thema Data Science & Advanced Analytics auch gerne einmal auf unseren Kompetenzseiten vorbei.

Über den Autor: Matthias Bauer

Matthias Bauer ist seit 2020 als Teamlead Data Science bei der X-INTEGRATE (Teil der TIMETOACT GROUP) und bringt mehr als 15 Jahre Expertise als Solution Architect mit. Daten dafür nutzen, Großes zu schaffen und Mehrwerte zu erzielen – in seinen Worten: Data Thinking – ist seine Leidenschaft. Matthias ist erfahren in Artificial Intelligence, Data Science und Data Management; dabei bedient er von Data Warehousing bis hin zu Data Virtualization ein breites Spektrum an datenbezogenen Fragestellungen.  

Matthias Bauer
Teamlead Data ScienceX-INTEGRATE Software & Consulting GmbHKontakt

Lesen Sie weitere Beiträge aus unserem Blog!