Suchen

Intelligente Datennutzung Wie Advanced Analytics als Digitalisierungsbeschleuniger in der Industrie funktioniert

Autor / Redakteur: Jens Schulz / Nico Litzel

Soll das Konzept von Industrie 4.0 gelingen, führt kein Weg an intelligenter Datennutzung vorbei. Ein Überblick über Möglichkeiten und den aktuellen Status.

Firmen zum Thema

Advanced Analytics sind ein essentieller Bestandteil einer zukunftsorientierten Digital-Strategie und entlastet Industrieunternehmen spürbar.
Advanced Analytics sind ein essentieller Bestandteil einer zukunftsorientierten Digital-Strategie und entlastet Industrieunternehmen spürbar.
(Bild: gemeinfrei / Unsplash)

Laut einer Studie der ISG sind Data-Analytics-Lösungen für Industrieunternehmen entscheidend, um die Digitalisierung erfolgreich zu gestalten. So werden entsprechende Fähigkeiten immer stärker mit dem erfolgreichen Wandel zur Industrie 4.0 – also zur volldigitalisierten Fertigung – gleichgesetzt. Allerdings zeigt eine Studie von Gartner aus 2019, dass über die Hälfte aller Data-Science-Projekte in Unternehmen nicht voll umgesetzt wird. Als Hauptgrund nennt Gartner die Schwierigkeiten mit der Integration in Geschäftsprozesse und Applikationen.

Doch Advanced Analytics in Echtzeit auf Basis der unendlich vielen Daten, die von Produktionsanlagen, Maschinen, Endgeräten, Bots und Lieferketten im Rahmen des Internet der Dinge generiert werden, führt zu schnellen und automatisierten Entscheidungen, die Unternehmen der verarbeitenden Industrie agiler, produktiver, wettbewerbsfähiger und nachhaltiger machen.

Dabei hat Advanced Analytics das Potenzial, für nahezu jedes Problem oder jede Fragestellung Lösungen zu bieten. In der folgenden Abbildung (Abb.1) sind mögliche Einsatzbereiche von Optimierung auf der Basis von Advanced Analytics inklusive KI und Machine Learning im Manufacturing-Bereich zusammengefasst.

Advanced Analytics können potenziell bei verschiedenen Problemstellungen unterstützen.
Advanced Analytics können potenziell bei verschiedenen Problemstellungen unterstützen.
(Bild: FICO)

Advanced Analytics kann die gesamte Wertschöpfungskette von der Bedarfs- und Produktionsplanung, über die Supply Chain, das Produktionsmanagement und die Wartung der Produktionsanlagen bis hin zur Distribution mit Hilfe von Datenanalyse und Algorithmen, künstlicher Intelligenz beziehungsweise Machine Learning tiefgreifend optimieren und automatisieren. Die Entwicklung von Prognosemodellen, Entscheidungsautomatisierung und Optimierung sind wesentliche Elemente der Transformation der Fertigung in Richtung Industrie 4.0.

Es geht darum, Lieferketten, Produktionslinien und Distributionskanäle an die rasante Dynamik heutiger Märkte anzupassen, die fortschreitende Komplexität von zahlreichen Produktvariationen, spezifischen Kundenwünschen und niedrigen Losgrößen zu bewältigen und gleichzeitig die Vorteile von Six Sigma, Lean und World Class Manufacturing beizubehalten bzw. weiter auszubauen.

Optimierung der gesamten Wertschöpfungskette

Möglichkeiten der Optimierung durch Advanced Analytics entlang der Wertschöpfungskette gibt es beispielsweise in den folgenden Bereichen:

1. Bedarfsprognose und Produktionsplanung

Advanced Analytics hilft Unternehmen dabei, über das traditionelle Prognostizieren auf Basis früherer Erfahrungswerte hinauszugehen. Ein breites Spektrum an Daten für genauere und dynamischere Prognosen bezüglich Marktentwicklung und Nachfrage, Planung der Produktionskapazität und Supply Chain wird erfasst und analysiert.

Simulationen ermöglichen es, beliebig viele Bedarfsszenarien durchzuspielen sowie Nachfrage und Produktionskapazität inklusive aller davon betroffenen Prozesse bestmöglich aufeinander abzustimmen. So lassen sich die Produktions-, Personaleinsatz- und Zeitplanung sowohl kurz- als auch langfristig bedarfsgerecht und effizient gestalten. Wird die Zeitplanung auf Grundlage von Analytics, KI und ML optimiert, erlaubt dies die Realisierung diverser Vorteile. Unter anderem können besonders wichtige Kunden bevorzugt behandelt und die „Just in Time“-Fertigung ausgebaut werden. Letztere hat positive Auswirkungen auf die Lagerhaltung und senkt so die operativen Kosten.

2. Logistik und Supply Chain Management

Mit genaueren Bedarfsprognosen als Grundlage, kombiniert mit Daten aus der Produktion und von Zulieferern, wägt die Supply-Chain-Optimierung ab, welche Beschaffung und Bestände an Ausgangsmaterial und Komponenten sinnvoll sind.
So lässt sich gewährleisten, dass Lager effizient genutzt werden, also weder überquellen noch leer stehen, Komponenten immer in ausreichenden Mengen vorhanden sind und die Produktion nicht stillsteht – aber auch die Kosten für die Lagerhaltung so gering wie möglich gehalten werden.

Über die Optimierung ist beispielsweise auch ersichtlich, wenn Komponenten gerade günstig bei einem Zulieferer verfügbar sind und es daher sinnvoll wäre, die Lager aufzufüllen. Die Verträge mit Zulieferern und ihre Leistung lassen sich analysieren und der jeweils beste Anbieter auswählen.

Durch die Corona-Pandemie bekommt die Supply-Chain-Optimierung eine ganz neue Dimension. Advanced-Analytics-Lösungen helfen dabei, taktisch clevere Sourcing-Strategien zu entwickeln, die mit Störungen und Unterbrechungen bestehender und funktionierender Supply Chains zurechtkommen. Optimierung unterstützt außerdem dabei, andere Komplexitäten beim Supply Chain Management in den Griff zu bekommen – insbesondere die Logistik betreffend. Dazu zählen beispielsweise die Integration der Öffnungszeiten der Docks von Logistikzentren in die Logistikplanung, die Entwicklung eines sinnvollen Transportnetzwerkes oder die Auswahl des besten Standortes für eine neue Produktionsanlage.

3. Produktionsmanagement

ERP-Systeme in der Fertigung gewinnen an Agilität, wenn sie von externen Regeln auf der Basis von Advanced Analytics gesteuert werden. Regelbasierte Routinen beschleunigen und automatisieren sich wiederholende Aufgaben und Prozesse wie beispielsweise die Festlegung von Bandgeschwindigkeiten, Fertigungsreihenfolgen und Chargengrößen oder die sinnvolle Zuordnung unterschiedlicher Produkte auf Produktionslinien und -Standorte oder die Validierung von Aufträgen auf der Detailebene der Komponentenkonfiguration oder Schichtpläne. Die Optimierung solcher Aufgaben ermöglicht die beste Nutzung und Auslastung der Produktionsanlagen, verhindert beziehungsweise reduziert Produktionsverzögerungen sowie Ausschuss und erleichtert die Prozesse in den Produktionsstätten inklusive der Logistik.

So setzt beispielsweise die mittelständische deutsche Bäckerei Harry-Brot auf entsprechende Optimierungslösungen, um die Herausforderung zu meistern, täglich rund 1.000 verschiedene Backwaren auf 73 Produktionslinien und neun Produktionsstätten verteilt in hoher Qualität und Effizienz zu produzieren. Im Anschluss daran geht es darum, die 9.000 Läden und Retailer über 43 Distributionszentren mit den Backwaren bedarfsgerecht zu beliefern.

Mit den vielen Daten wurden Modelle entwickelt, getestet und optimiert, um die Produktions- und Logistikprozesse zu automatisieren, effizient zu gestalten und optimal aufeinander abzustimmen. So kann Harry-Brot den Herausforderungen wie Preisdruck von Retailern und Konsumenten, kleine Margen bei gleichbleibend hohem Qualitätsanspruch der Kunden und starkem Wettbewerbsdruck Rechnung getragen: Allein die Produktionskosten ließen sich um 3,57 Prozent und die Transportkosten um 1,81 Prozent reduzieren – bei gleichbleibend hoher Produktqualität.

4. Wartung und Instandhaltung der Produktionsanlagen

Regelbasierte Entscheidungen machen Diagnosesysteme intelligenter und reduzieren den Zeitaufwand bis zur Identifizierung der Probleme von Produktionsanlagen. Analytische Modelle erkennen Maschinen, die in Bezug auf den erwarteten Produktionsumfang, die Geschwindigkeit oder den Energieverbrauch auffällig sind. Sie ermöglichen im Rahmen von Predictive Maintenance die Wartung, bevor es zu einem Ausfall kommt. Machine Learning kann dabei viele Fabrik- und Produktionsdaten einbeziehen – wie beispielsweise das Verhältnis von Luftfeuchtigkeit und Energieverbrauch – und wichtige Erkenntnisse daraus gewinnen, die Verbesserungen ermöglichen und ungeplante Ausfälle der Produktionsanlagen verhindern.

5. Distribution

Mit auf Advanced Analytics basierter Optimierung und regelbasierter Automatisierung lassen sich innerhalb von wenigen Sekunden die besten Distributionsmöglichkeiten aus Millionen von Optionen ermitteln. Die optimale Planung und Ausführung so komplexer Aufgaben und Abläufe wie die Auswahl des passenden Container-Typs oder Logistik-Unternehmens, die Festlegung der besten Lieferroute zu mehreren Distributionszentren/Kunden oder die optimale Lastverteilung der Ladung auf LKWs wird damit erst möglich. So werden Waren schneller und mit geringerem Aufwand zum Kunden gebracht.

Status-quo Advanced Analytics in der Industrie

Gespräche mit Branchenvertretern zeigen, dass sie das Potenzial von Advanced Analytics mehr und mehr verstehen. Zumindest werden mittlerweile in der Industrie gerade auch durch den Aufschwung von IoT und Edge Computing große Mengen an Prozess- und Produktionsdaten erfasst und ausgewertet, die Sensor- und Datenerfassungsinfrastruktur ist gereift. Predictive Maintenance hat an Bedeutung gewonnen.

Der Weg datenbasierter Entscheidungsfindung.
Der Weg datenbasierter Entscheidungsfindung.
(Bild: FICO)

Doch für bessere und automatisierte Entscheidungen entlang der gesamten Wertschöpfungskette braucht es einen umfassenderen und detaillierteren Einsatz von Analytics – Erkenntnisse aus den Daten sind Treiber besserer Entscheidungen (siehe Abb. 2). Doch was hält die Unternehmen davon ab?

Eine aktuelle Studie von Fico und Corinium zeigt: 63 Prozent der Befragten aus der Fertigungsindustrie sehen die Integration in Altsysteme als signifikante Hürde für den Einsatz künstlicher Intelligenz.

Dabei gibt es durchaus Analytics- beziehungsweise Optimierungs-Lösungen, die sich in der Integration bewährt haben. Branchenübergreifend stehen laut der Studie folgende vier Hürden in Bezug auf die Akzeptanz von KI im Vordergrund:

  • 1. Ein Team mit den entsprechenden Skills aufbauen,
  • 2. der ethische Umgang mit Daten und Algorithmen,
  • 3. die Integration neuer Technologien in bestehende Systeme und
  • 4. die Einhaltung von regulatorischen und Compliance-Vorgaben.

Sie wurden von 65, 65, 61 and 59 Prozent der Befragten als große beziehungsweise mittelgroße Hürde bewertet.

Langjährig genannte Herausforderungen wie ‚fehlender Support vom Vorstand‘ beziehungsweise ‚von Aufsichtsräten‘ oder ‚fehlender ROI‘ haben hingegen laut der Studie an Bedeutung verloren.

Nur 6, 12 und 22 Prozent der Befragten sehen diese Faktoren als große Hürde.

Außerdem gaben in der Studie branchenübergreifend 93 Prozent der befragten Vorstände und Führungskräfte an, dass ethischen Anforderungen Rechnung getragen werden muss, um die Akzeptanz von KI in ihrem Unternehmen weiter voranzutreiben. Dafür muss Advanced Analytics und KI erklärbar sein. In den Worten von Scott Zoldi, Chief Analytics Officer bei Fico: „Es braucht einen Standard für erklärbare KI in Unternehmen, den Chief Analytics Officer sanktionieren. Und es sollte eine gegenseitige Kontrolle geben, die sicherstellt, dass dem Standard gefolgt wird.“ Unter diesen Voraussetzungen können KI-Methoden wie Advanced Analytics für automatisierte Entscheidungsprozesse nachvollziehbar eingesetzt werden.

Dieser Artikel stammt von unserem Partnerportal Industry of Things. Verantwortlicher Redakteur: Sebastian Human

* Jens Schulz arbeitet als Technical Product Manager / Senior Engineer bei FICO.

(ID:46981264)