Gut entscheiden in der Fertigungsindustrie Gut entscheiden in der Fertigungsindustrie

Die Herausforderungen, denen sich C-Level, Produktionsplaner, Einkäufer und operative Entscheidungsträger in der Fertigungsindustrie stellen müssen, sind komplex und verändern sich täglich. In diesem volatilen geschäftlichen und wirtschaftlichen Umfeld sollten Unternehmen mehr denn je darauf achten, ihre betrieblichen Prozesse zu optimieren.

Der Einsatz von datengetriebenen Vorhersagen ermöglicht es, vorhandene Geschäftsdaten in wertvolle Erkenntnisse umzuwandeln. So können Korrelationen, Ähnlichkeiten und Unterschiede in den Daten entdeckt werden, die mit traditionellen Analysemethoden nicht gefunden worden wären. Dies ermöglicht präzisere Vorhersagen und unterstützt maßgeblich die Entscheidungsfindung. Diese erfolgt dann faktenbasiert und punktgenau.

Predictive Analytics zählt zu einem der wichtigsten Anwendungsgebiete von Big Data und setzt da an, wo klassisches Business Intelligence Reporting aufhört. Auf der Grundlage interner und externer, historischer und aktueller Daten, statistischer Algorithmen und maschinellem Lernen wird die Wahrscheinlichkeit zukünftiger Ergebnisse berechnet. Predictive Analytics unterstützt Anwender in einer Vielzahl von Branchen bei der Beantwortung der Frage: Was wird auf der Grundlage der verfügbaren Daten höchstwahrscheinlich passieren und wie kann ich diese Erkenntnis optimal für mich nutzen? Dabei werden zusätzlich relevante Einflussfaktoren und Frühindikatoren einbezogen, um die Vorhersagen noch präziser zu gestalten.

Für Fertigungsunternehmen ist es beispielsweise sehr wichtig, Faktoren zu erkennen, die die Qualität beeinträchtigen und damit zu unnötigem Ausschuss oder gar Produktionsausfällen führen könnten. Ein weiterer wichtiger Aspekt ist die Optimierung der Versorgungssicherheit durch Transparenz über die gesamte Lieferkette und damit rechtzeitigen Eingriffsmöglichkeiten bei Störfällen. Neben den produktionsnahen Anwendungsbereichen lassen sich auch im Bereich der Umsatz- und Produktionsplanung Potenziale durch den Einsatz von Predictive Analytics heben.

Daten gehören zum wichtigsten Kapital eines Unternehmens und sind die Basis für zielführende und robuste unternehmerische Entscheidungen. Die Grundvoraussetzung dafür ist die Qualität der Daten sowie deren sorgfältige Auswahl und Analyse. Der Blick in die Zukunft funktioniert nur dann, wenn auch tatsächlich Muster in der Vergangenheit aufgetreten sind. Diese Vorhersagen können durch die Auswahl der richtigen Daten und geeigneter Algorithmen weiter optimiert werden. Insbesondere durch die Kombination von internen und externen Datenquellen, lassen sich oftmals neue Erkenntnisse gewinnen. So ist es vielen Fertigungsunternehmen bereits heute, trotz volatiler Märkte und kurzfristiger Schwankungen möglich, zielgenaue Einschätzungen und Vorhersagen hinsichtlich Kundennachfragen oder Umsatzentwicklung zu erhalten. 

Predictive Maintenance - die vorausschauende Wartung - zählt zu einem der populärsten Anwendungsgebiete der prädiktiven Technologien. Entscheidender Vorteil: Unternehmen müssen weder in festen Zeitabständen Wartungen vornehmen noch im Nachhinein auf Störungen reagieren. Sie werden befähigt, mögliche Defekte zu erkennen, bevor sie tatsächlich entstehen. Durch die Vernetzung von Maschinen und einzelnen Komponenten, mathematischen Algorithmen und damit verknüpften Analysetools, ist es möglich, Zustandsdaten auszuwerten: Laufzeiten, Drehzahlen, Temperaturen, Energieverbrauch geben dabei Rückschlüsse, zum Beispiel auf Vibrationen oder andere technische Probleme. In Kombination mit historischen Daten und Informationen aus einer Vielzahl gleicher und ähnlicher Installationen lässt sich dementsprechend die aktuelle und zukünftige Funktionsbereitschaft simulieren  - mögliche Schwachstellen werden identifiziert und der Ausfall eines Bauteils prognostiziert. Muster, die auf Störungen oder Abnutzungen hindeuten, werden so rechtzeitig erkannt und Maßnahmen zur Instandhaltung oder Reparatur betroffener Teile können bei Bedarf eingeleitet werden.  

Der Einzug von Industrie 4.0 bringt das digitale Zeitalter in Werkshallen und Fabriken. Die digitale Transformation wirkt sich nicht allein auf einzelne Geschäftsmodelle aus: Auch die gesamte Industriebranche steht nachhaltigen Veränderungen gegenüber. Predictive Maintenance bietet das Potential als neues, digitales Geschäftsmodell von Instandhaltungsdienstleistern oder als Zusatzleistung eines Maschinenbauers angeboten und vermarktet zu werden.

Besonders global operierende Unternehmen sehen sich stärker denn je mit einer zunehmenden Dynamik und Komplexität, sowie mit den damit verbundenen Herausforderungen und Risiken in der Lieferkette konfrontiert. Dementsprechend ist es umso wichtiger, dass Unternehmen sich der Risiken in der Lieferkette bewusst sind und die Korrelation der relevanten Einflussfaktoren kennen. Predictive Analytics kann dabei helfen, Risikosignale in ihrer Lieferkette zu erkennen und im Blick zu behalten. Dadurch wird nicht nur die Versorgungssicherheit gewährleistet, sondern gleichermaßen die Widerstandsfähigkeit des Unternehmens erhöht. Voraussetzung ist ein ganzheitlicher und strukturierter Ansatz zur Risikoidentifikation und -bewertung. 

In der Vergangenheit wurden in (Szenario-) Analysen zu strategischen und externen Risiken in erster Linie Markt- oder Branchenentwicklungen herangezogen, um absatz- und marketingrelevante Entwicklungen zu dokumentieren. Daten und Informationen zum Wettbewerbsumfeld und zum Wertschöpfungsmanagement wurden häufig nicht berücksichtigt. Auch sollte eine stärkere Einbindung geopolitischer Risikoexpertise erfolgen, da diese stärker in den Fokus rücken. Predictive Analytics kann durch die Analyse auch unstrukturierter Informationen wie Nachrichtentexte oder Social-Media-Auswertungen helfen, eine ganzheitliche Sicht auf die Lieferkette zu generieren.

Grundsätzlich sollten bei der Gestaltung neuer Risikomodelle Krisensituationen und Extremereignisse stärker berücksichtigt werden. Denn Ereignisse wie Naturkatastrophen und Unfälle lassen sich zwar nicht vorhersehen, das Auftreten eines solchen Ereignisses lässt sich jedoch durch Wahrscheinlichkeiten ausdrücken, und die möglichen Auswirkungen (z.B. Betriebsunterbrechungen) können simuliert werden. Wenn durch Erfahrungswerte und Szenarioanalysen dargestellt wird, was passieren könnte, ist es möglich im Rahmen eines Krisen- und Katastrophenmanagements entsprechende Ausweichszenarien zu entwickeln. 

Die Corona-Krise hat in den letzten Monaten verdeutlicht, wie störungsanfällig die vernetzte Welt ist und dass Datentransparenz, Agilität und vorbereitete Handlungsempfehlungen zur Sicherstellung des Geschäftsbetriebs erforderlich sind. Es zeigte sich, dass vollumfänglich digitalisierte Unternehmen während des ersten Lockdowns deutlich widerstandsfähiger waren. Digitale Technologien können in allen Funktionen Betriebsabläufe unterstützen. Digitalisierung ist zwar in vielerlei Hinsicht eine Herausforderung, aber vor allem auch eine Chance. Diese gilt es zu ergreifen und schnell Erfahrungen mit neuen Methoden zu sammeln. 

Für die Einführung und Nutzung von Predictive Modelling Tools hat die deutsche Industrie bereits eine gute Ausgangsposition  - wachsende Datenmengen und spezielle Datentypen für die Fertigungsbranche. Neben diesen Voraussetzungen verfügen produzierende Betriebe über die entsprechenden Experten, die diese Daten als Quelle wertvoller Erkenntnisse nutzbar machen können. 

Durch diese Fähigkeit wiederum sind Fertigungsunternehmen in der Lage, sich zu differenzieren und Wettbewerbsvorteile zu sichern und damit nachhaltig die Zukunft des eigenen Unternehmens zu gestalten.