Das Geschäft mit den Daten

Neue Service-Konzepte

Wie datengetriebene Services im Mittelstand für neue Geschäftsmodelle sorgen können >>>

Reporting-Meeting in einem Büro

Der Besitz großer Datenmengen per se ist noch nicht wertvoll. Erst der Veredelungsprozess stellen den künftigen wirtschaftlichen Erfolg sicher.

Die Verschiebung wesentlicher Wertschöpfungs- und Umsatzanteile hin zu digitalen Services ist aktuell eine der zentralen Herausforderungen in der Industrie. Auf 700 Milliarden US-Dollar schätzen Analysten im Rahmen einer Studie von Accenture das Potential des deutschen BIP bis 2030 allein durch das Internet der Dinge (Internet of Things, IoT). Treiber dieser dynamischen Entwicklung sind industrielle Massendaten, die im Zeitalter von Industrie 4.0 geradezu explodieren. Vor diesem Hintergrund lautet die zentrale Frage für Unternehmen: Wie lassen sich diese Daten beherrschen und produktiv nutzen?

Dies ist ein Artikel aus unserer Print-Ausgabe 3/2019. Bestellen Sie ein kostenfreies Probe-Abo.

Derzeit wird nur ein Bruchteil der anfallenden Industriedaten systematisch analysiert, verdichtet und verwertet. Die Daten sind vorhanden, die erforderlichen Technologien inzwischen auch. Dennoch beschäftigen sich über 60 Prozent der Unternehmen noch nicht oder nur punktuell mit dem Thema der Digitalen Transformation – so eine aktuelle Studie des Fraunhofer-Instituts. Viele starten eher unkoordinierte, isolierte Einzelprojekte, wie beispielsweise das partielle Einbinden von Daten in die Produktentwicklung. Dabei liegen die Stolpersteine für einen Wandel derzeit vor allem in der Organisation und Unternehmenskultur. Denn auf dem Weg zur digitalen Exzellenz werden „Business“ und IT künftig noch enger verzahnt sein müssen. Interdisziplinäre Teams werden kundenzentrierte Dienste und neue Geschäftsmodelle verantworten, welche die Basis für die Chancen im globalen Wettbewerb von morgen bilden.

Neue digitale Geschäftsmodelle

Der Besitz großer Datenmengen per se ist noch nicht wertvoll. Erst der Veredelungsprozess der Analyse, Bewertung, Interpretation und die Anpassung von „smarten“ Daten an konkrete neue, wertschöpfende Anwendungsgebiete stellen den künftigen wirtschaftlichen Erfolg sicher. Die Tatsache, dass Big-Data-Analysen alles mess-, auswert- und quantifizierbar machen, ist daher der Hebel, um vorhandene Geschäftsmodelle zu optimieren, zu ergänzen oder sukzessive durch neue, skalierbare zu ersetzen.

Dabei gewinnen vor allem „digitale“ Preismodelle beispielsweise auf Basis von vorausschauender Wartung, neudeutsch Predictive Maintenance, an Relevanz: So verschiebt sich das traditionelle eigentumsbasierte Modell hin zu nutzungs- (pay per use) und mittelfristig zu ergebnisbasierten Geschäftsmodellen. Nicht mehr Maschinen bzw. Anlagen werden verkauft, sondern Unternehmen nutzen die Betriebsleistung und zahlen nur das realisierte Ergebnis, den Output. Die Möglichkeiten, die das kontinuierliche Monitoring von Nutzungs- und Verschleißdaten bietet, bildet die Grundlage hierfür.

Ein Beispiel aus dem Maschinenbau sei kurz skizziert: Die Spindel einer Drehmaschine fängt an zu vibrieren, wenn sich die Maschine nicht mehr in einem definierten Norm- und Toleranzbereich befindet und damit auszufallen droht. Regelmäßige Schwingungsanalysen sind daher erfolgskritisch, und so werden regelmäßig entsprechende Untersuchungs- und Zustandsberichte angefertigt und an Kunden gesendet. Früher wurden diese aufwendig manuell erstellt, aufbereitet und visualisiert. Durch Algorithmen, die durch Maschine-Learning-Verfahren optimal auf die spezifischen Bedarfe zugeschnitten sind, lässt sich die Maschinendatenanalyse nun exakt auf diesen Praxisfall anwenden und führt dazu, dass eine Vielzahl von Reports automatisch erstellt werden kann. Dies erlaubt es, das Geschäftsmodell entsprechend zu skalieren.

Häufig hat sich mittlerweile ein iterativer, praxisnaher Ansatz bewährt, bei dem es gelingt, einen ersten Anwendungsfall rasch zu erarbeiten und umzusetzen – mit vergleichsweise wenig Aufwand und geringen Kosten. In vier Schritten werden dabei Big Data in wertvolle Daten gewandelt und daraus entsprechende nutzbringende Services entwickelt. Im Erfolgsfall werden dann in der Folge sukzessive weitere Anwendungsfälle umgesetzt.

Schritt 1:  Was soll optimiert werden?

Um ein gemeinsames Verständnis für die zielgerichtete Verwendung bestimmter Daten zu erhalten, ist der Austausch zwischen einem (externen) Datenanalyse-Experten (Data Scientist) mit einem Maschinenexperten unabdingbar. Dies kann beispielsweise das Detektieren von anomalen zeitlichen Verläufen physikalischer Messgrößen sein, wie z.B. ungewöhnliche Temperaturanstiege, Drehmomentverläufe oder Bauteilschwingungen. Oder das Auffinden von Korrelationen zwischen Ereignissen in Log-Daten. In einem ersten Gespräch wird erörtert, welche Fehler oder Störungen datenbezogen gesichtet werden sollen und wo es Optimierungsbedarf gibt. Im nächsten Schritt erarbeitet der Data Scientist einen Algorithmus und analysiert damit einen Auszug der Daten mit Blick auf einen möglichen Anwendungsfall. Im Rahmen eines Workshops werden die Daten und ersten Auswertungen von einem interdisziplinären Team untersucht und begutachtet, aufgearbeitet und verfeinert. Das Ergebnis dieses wichtigen Schrittes, der in der Regel zwei Wochen dauert, ist die Business-Value-Definition des ersten Anwendungsfalls.

Schritt 2:  Funktioniert der Prototyp?
Nun folgt der Schritt der Datenvorbearbeitung: Data Scientists bereiten die realen Daten speziell für den Anwendungsfall auf. Ein individuell angepasster Algorithmus entsteht oft auf Basis von Machine Learning und Künstlicher Intelligenz. Muster, Unregelmäßigkeiten und Ausreißer werden damit identifiziert und bislang unbekannte Kausalzusammenhänge aufgezeigt. Eine Ablaufumgebung für den Algorithmus wird eingerichtet, mit der dann die Daten der Maschinen ausgelesen, entsprechend des Anwendungsfalls aufbereitet und die Ergebnisse dargestellt werden. Der entstandene Prototyp dient dem Kunden dann zur Beurteilung der Ergebnisse und ist Basis für die Entscheidung über die weitere Vorgehensweise. Die Basis zu einem Operativsystem ist geschaffen. Diese Projektphase dauert etwa drei bis vier Wochen.

Schritt 3:  Operationalisierung
Es folgt die Transformation auf eine Big-Data-Plattform, z.B. von Katana der Usu Group. Dazu migriert der Data Engineer den prototypisch entwickelten Algorithmus, so dass dieser performant und zuverlässig auch auf große Datenmengen und im Dauerbetrieb angewandt werden kann. Durch die abschließende Integration in die Wertschöpfungskette (z.B. das Erzeugen von Servicefällen oder Tickets im Service-Management) wird das in Schritt 1 festgelegte Ziel erreicht. Dieser Schritt dauert meist drei bis sechs Monate. Mit Schritt 3 und dem „Live-Betrieb“ des ersten Anwendungsfalls ist die Basis für die Entwicklung weiterer smarter Services geschaffen.

Schritt 4:  Neue Services positionieren und Gewinne erzielen
Die Wertschöpfung wird erst dann realisiert, wenn die Zielgruppe den Nutzen des erfolgreichen Anwendungsfalls erkennt. Marketing und Vertrieb sollten in der Lage sein, die Vorteile des neuen Services plastisch darzustellen und gegebenenfalls zu quantifizieren. Diese müssen für Kunden (und eventuell für die Kunden der Kunden) nachvollziehbar sein. Beispielsweise ist der Servicebereich durch Predictive Maintenance jetzt in der Lage, frühzeitig Fehler zu erkennen und dadurch eine proaktive Handlungsempfehlung auszusprechen. Diese führt unmittelbar zur Steigerung der Produktivität und Risikominimierung. Oder mittels Peer-Group-Vergleich konnte die Basis geschaffen werden, einen Beratungsansatz zur Performance-Steigerung anzubieten, mit dem Ziel der Effizienzsteigerung des Wertstromprozesses und Qualitätsverbesserung in der Produktion. Hierbei sind aus der Erfahrung heraus durchaus Steigerungen von 40 Prozent hinsichtlich der Effektivität erreichbar.

Bildquelle: Thinkstock/iStock

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok