Der dritte Teil der Serie zur Bedeutung von Datenintegration für die Digitalisierung der Produktion drehte sich um die einzelnen Ausbaustufen bei der Zusammenführung aller wichtigen Datenquellen zu einem durchgehenden Datenfluss. Im 4. Teil der Serie erkläre ich, wie sich die verschiedenen Integrationsstufen bei Daten in den jeweiligen Analyseverfahren wiederspiegeln.
Die Reise beginnt bei der klassischen Auswertung historischer Daten. Sie endet bei Advanced Analytics mit Prognosen für zukünftige Entwicklungen mitsamt Handlungsempfehlungen oder Aufträgen an Prozesse oder andere Teilnehmer der Wertschöpfungskette. Sie besteht aus den folgenden 3 Stufen:
1. Business Intelligence
Auf der ersten Stufe der IT-gestützten Datenauswertung finden sich traditionelle Business Intelligence-Anwendungen. Sie versorgen Fachanwender mit Informationen in Form von Berichten, Dashboards oder Self-Service-Auswertungen. Derartige Lösungen haben im Laufe der Zeit einen hohen Reifegrad bekommen und sind weit verbreitet. Meist handelt es sich um deskriptive Analysen, die historische Daten auswerten. Dadurch erhält man beispielsweise Einblicke in die Performance der Anlagen oder in Wartungsaktivitäten. So lassen sich Vergleiche von Rüstzeiten zwischen Maschinen oder Werken schnell aufdecken, etwa ob es Defizite bei einzelnen Teams oder Standorten gibt.
2. Prädiktive Analysen
Auf der nächsten Stufe stehen prädiktive Analysen auf Produktionsdaten. Es geht dabei weniger um den Blick nach hinten, sondern um Zukunftsprognosen und die Entdeckung versteckter Zusammenhänge in den Daten. Ein Anwendungsbeispiel ist Predictive Quality, also die Überwachung der Qualität von Komponenten und Bauteilen. Machine Learning-Modelle helfen hier, Fehler schnell zu erkennen und mögliche Ursachen zu identifizieren. Resultat solcher Auswertungen sind reduzierte Fehlerquoten und eine Verbesserung der Erstausbeute. Prädiktive Analysen prognostizieren, was als Nächstes passieren kann und eröffnen die Möglichkeit, Problemen proaktiv gegenzusteuern.
3. Präskriptive Analysen
Eine weitere und noch fortgeschrittenere Stufe sind präskriptive Analysen. Sie geben Auskunft darüber, wie Unternehmen mit zukünftigen Herausforderungen umgehen sollten. Sie unterbreiten konkrete Handlungsempfehlungen für anstehende Aufgaben in der Produktion. Die Resultate präskriptiver Analysen zeigen die Aktivitäten auf, die es braucht, um Störungen und Probleme in der Fertigung in Zukunft zu vermeiden.
Im Kontext der Anlagenwartung beispielsweise können Handlungsempfehlungen gegeben werden, zu welcher Zeit und in welchem Abstand Wartungsaktivitäten unter Berücksichtigung von Produktionszielen, Lagerbedingungen und vielen anderen Parametern durchgeführt werden sollten. Bedingt durch geänderte Rahmenbedingungen werden solche Analysen iterativ wiederholt. Die Ergebnisse können beispielsweise in ERP-Systeme zurückgespielt und operationalisiert werden.
Am Ziel: Wettbewerbsvorteile realisieren
Im Rahmen einer gelungenen Industrie 4.0-Initiative sorgen leistungsfähige moderne Technologien dafür, dass Wettbewerbsvorteile wirklich realisiert und neue Perspektiven für künftige Produktionsszenarien möglich werden.
McKinsey geht davon aus, dass Industrie 4.0-Applikationen das Potenzial haben, bis 2025 einen Wert von 3,7 Billionen US-Dollar pro Jahr zu erreichen. Fertigende Unternehmen profitieren von folgenden Vorteilen:
- Produktivitätssteigerung und Kostensenkung: Ungeplante Ausfälle und Stillstandzeiten von Produktionsanlagen bedingt durch Systemausfälle, unvorhergesehene Ressourcenengpässe oder Störungen in der Supply Chain will man durch eine ganzheitliche und vorausschauende Betrachtung der Wertschöpfung weitgehend vermeiden. Kostensenkungen sollen durch die bessere Kenntnis von Kundenbedürfnissen und der Situation der Zulieferer realisiert werden. Neben der Vermeidung von Stillständen können das auch die Optimierung von Rüstzeiten oder die Verringerung von Ausschuss sein.
- Höhere Genauigkeit von Planungen und Forecasts: Die Berücksichtigung von Daten jenseits des eigenen Unternehmens durch die Integration von Informationen von Lieferanten, Kunden und anderen Marktteilnehmern erlaubt präzisere Vorhersagen von Bedarfen. Basierend auf dieser besseren Informationslage können sowohl die eigenen Produktions- und Logistikprozesse als auch die Zusammenarbeit entlang der Supply Chain verbessert werden.
- Verkürzung der Zeit des Go-to-Market: Die Optimierung des Informationsflusses entlang der Wertschöpfungskette und die Steigerung der Produktivität erlauben es, die eigenen Produkte schnell und in guter Qualität auf den Markt zu bringen. Der geschickte Umgang mit Daten und deren Auswertung eröffnen zudem zusätzliche Möglichkeiten bei der Entwicklung von neuen Produkten und Dienstleistungen. Auf Kundenwünsche kann durch flexiblere Prozesse und eine bessere Kenntnis des Kunden deutlich individueller eingegangen werden – bis hin zu vollkommen individuell produzierten Gütern.
- Steigerung der Wettbewerbsfähigkeit: Zufriedenere Kunden, höhere Innovationsfähigkeit und Kostenreduktionen stärken die Wettbewerbsstellung.
Im fünften und letzten Teil der Serie gebe ich 5 Handlungsempfehlungen für Industrie 4.0-Initiativen, um das bislang Geschriebene konkreter zu machen.
Das vollständige Whitepaper zu dieser Blogserie, “Stufen der digitalen Produktion”, können Sie hier herunterladen.
Diese Artikel könnten Sie auch interessieren:
