Technikjournalisten bloggen

Data Science – Wettbewerbsfähigkeit steigern

Weltweit produzierten Mensch und Maschine im vergangenen Jahr erstmals 1,8 Zettabyte an Daten. Prognosen sagen sogar eine Verdopplung der Datenproduktion für alle zwei Jahre voraus. Eine immense Datenmenge (Big Data), die gesammelt, analysiert und ausgewertet werden muss. Diese Auswertung kann unter anderm Fehler in Prozessen vorzeitig erkennen. Vor allem für eine effiziente und optimierte Produktion, liefert die intelligente Nutzung von Big Data Vorteile für Unternehmen. Denn Ausfälle und Wartungen von Maschine und Anlagen kosten Geld und Zeit. Mit einer intelligenten Datenverwertung und passenden Systemen lassen sich diese Geldsummen einsparen. Ein deutsches Startup arbeitet an Big Data Geschäftsmodellen und bringt Erfahrung aus der Data Science mit.

Unternehmen stoßen an ihre personellen Kapazitäten und finanziellen Mittel

Das komplexe Data Analytics Management erfordert Expertise bei den Mitarbeitern sowie finanzielle Mittel. Laut der Big Data Studie des Fraunhofer Instituts, sehen sich die Unternehmen aktuell nicht optimal aufgestellt, wenn es um die Ressourcen für die Nutzung von Big Data geht. Das beginnt mit unzureichenden internen Budgets und endet mit unklaren personellen Verantwortlichkeiten sowie ausbaufähigen Big-Data-Kompetenzen. Laut Studienergebnissen, sind 67 Prozent der Befragten der Meinung, das Budget für Big Data Themen müsse gesteigert werden. Fortbildungsmaßnahmen sowie Best-Practices Beispiele wünschen sich 95 Prozent. McKinsey bestätigt in einer Studie den Fachkräftemangel.  So bestehe die größte Hürde auf dem Weg zu einem datenbasierten Geschäftsmodell bei der Suche nach geeignetem Personal. Speziell Datenanalysten oder Experten, die Schlussfolgerungen aus der Datenanalyse in konkrete Geschäftsanwendungen umsetzen können. Deutsche Unternehmen müssen sich damit intensiv auseinandersetzen und handeln. Hierbei geht es generell um mehr finanzielle Mittel für F&E und mehr Ausbildungsangebote sowohl bei der dualen Ausbildung als auch der Fachkräfteweiterbildung. Nur wer gut ausgebildete Mitarbeiter hat, kann agiler Arbeiten und im Wettbewerb mithalten.

Startup mit Data Science Wissen

Mit einem großen Wissen und der Expertise aus der wissenschaftlichen Tätigkeit am CERN in Genf, hat sich das Startup point8 auf die Bereiche Datenanalyse, Machine Learning und Simulation spezialisiert. Das 2015 gegründete Unternehmen stellt auf dem 9. Maschinenbaugipfel in Berlin seine Data Science Expertise vor. Dabei versteht sich das in Dortmund ansässige Startup nicht als ein Consulting-Unternehmen, sondern vielmehr wird der Wert auf eine intensive und individuelle Betreuung gelegt. „Wir liefern den Kunden keine Blackbox, in die sie ihre Daten hineinschütten und dann sehen was passiert,“ sagt Dr. Julian von der Ecken, Data Scientist bei point8. „Viele Unternehmen sammeln, aber wissen nicht was zu tun ist.“ Daher appelliert er an Unternehmen, lieber weniger aber nützliche Daten besitzen als ein in den Daten zu ersticken.

Für den Ingenieur ist eine transparente Kommunikation von Data Science wichtig. „Data Science soll unterstützen und nicht ersetzen,“ so von der Ecken. Ein Ingenieur der drei Stunden am Tag damit verbringe Daten auszuwerten, könne mit Hilfe von Data Science seiner eigentlichen Tätigkeit intensiver nachgehen. Die Wertschöpfungsketten in Unternehmen werden nicht nur für Maschinen optimiert sondern auch der Mensch profitiert von dem Einsatz dieser Wissenschaft. Data Science ist ein Indikator für effizientere Arbeitsweisen und -prozesse. Bevor man diese integrieren kann, müssen die Daten analysiert und das Ziel der Datenauswertung definiert werden.

Datenharmonisierung – Größter Aufwand in der Datenanalyse

Das Startup verfolgt daher eine Strategie, die sich individuell auf die Bedürfnisse der Unternehmen ausrichtet. Angefangen mit einer Prototypen-Phase, in der das Potenzial der Unternehmensdaten anhand von eigens entwickelten Methoden aufgezeigt wird. Anschließend folgt die Integration der Lösung in die Unternehmensprozesse. point8 greift dabei unter anderem auf die Monte-Carlo-Simulation zurück. Die Anwendung simuliert mit Hilfe statistischer Modelle Prozesse, die Engpässe oder Schwachstellen erkennen und Optimierungspotenzial evaluieren. Anhand der Simulation und der daraus resultierenden Ergebnisse lassen sich dann gewisse Stellschrauben und der Ablauf eines Prozesses verändern.

Zunächst müsse man die Daten in eine Architektur  bringen. „Datenharmonisierung ist dabei der erste Teil bei der Datenanalyse und der größte Aufwand,“ so von der Ecken. „Wir stecken dabei Daten in das modellierte System hinein.“ Jedoch berechne man vorher, wie viele Daten benötigt werden und auf welche sensorischen Größen zurückgegriffen wird.

Mehrwert aus Big Data ziehen

Den ersten Schritt haben viele Unternehmen bereits erkannt und genommen. Die großen Datenmengen zu sammeln und zu analysieren. Jedoch ist damit noch nicht ein Mehrwert erreicht. Der entscheidende Aspekt liegt in der richtigen Auswertung der großen Datenmengen. Und genau hier liegt die Anforderung bei den Unternehmen. Sie müssen das Wissen zu ihren Anlagen und Geräten verfügen und erkennen mit welcher Sensorik und Messtechnik die nützlichen Daten evaluiert werden können. Aus großen Datenmengen (Big Data) intelligenten und wertvollen Inhalt (Smart Data) zu ziehen, ist die hohe Kunst des Big-Data-Managements. Henning Rabe, Leiter Konzernmarketing bei der Claas KGaAmbH, fügt zudem noch hinzu, dass das Unternehmen beginne auch Geld damit zu verdienen. Der Markt bewegt sich schnell und auch Rabe mahnt zur Beobachtung des Marktes:“Achten Sie in Ihrem Markt darauf, ob andere (neue) Spieler auf genau dieses Geschäftsmodell setzen.“ Als Firma müsse man sich auch die Frage zum qualitativen Nutzen von Entscheidungsgrundlagen auf Basis guter Daten stellen. „Was macht das Geschäft besser?“ Dabei muss zunächst definiert werden, welches Ziel und Mehrwert das Big-Data-Management erzielen soll.

Predictive Maintenance – Vorausschauendes Wartungsmanagement

Früher wurden Maschinen und Anlagen erst repariert, nachdem sie ausfielen oder einen Defekt aufwiesen. Die Folge waren hohe Ausfallkosten und zeitliche Verzögerungen in der Produktion. Damals wie heute gab es große Datenmengen, nur mit dem Unterschied, dass diese nicht effizient genutzt wurden. Mit der Digitalisierung kamen neue, intelligente Geschäftsmodelle auf den Markt. Als eine Schlüsselinnovation von Industrie 4.0 gilt Predictive Maintenance (PM). Als vorausschauendes Wartungsmanagement kann es Prognosen der Rest-Lebensdauer von Maschinenkomponenten durch eine kontinuierliche Messung und Auswertung ermöglichen.

Predictive Maintenance, das mit Hilfe der Big Data Auswertung Fehler in Produktionsabläufen erkennt und diese permanent überwacht. Dadurch können frühzeitig Fehler im System erkannt werden und man kann rechtzeitig Maßnahmen treffen. Das Wartungsmanagement kann somit enorme Kosten sparen und neue Geschäftsmodelle eröffnen. „Ein entscheidender Faktor hierfür ist die inzwischen vorhandene Möglichkeit, große Datenmengen durch Datamining zu erfassen und mithilfe leistungsfähiger Simulationsmodelle auszuwerten“, sagt der stellvertretende VDMA-Hauptgeschäftsführer Hartmut Rauen. So können in der Fertigung von Fahrzeugen beispielsweise Waschanlagen rechtzeitig repariert werden beziehungsweise per Funk dem Mitarbeiter eine baldige Wartung signalisieren. Predictive Maintenance gilt demnach als eine Systemanwendung im Maschinen- und Anlagenbau, die effizient und intelligent Daten evaluiert.

Laut Peter-Michael Synek, Projektleiter Predictive Maintenance und stellvertretender Geschäftsführer des Fachverbandes Fluidtechnik im VDMA, sinken die Instandhaltungs- und Servicekosten. Zudem steigere sich die Fertigungsqualität und Planungssicherheit. In der Gesamtübersicht fallen die Betriebskosten. Für die Maschinenbauindustrie in Deutschland ist Predictive Maintenance daher zu einer Kernaufgabe geworden.

Deutschland holt im europäischen Vergleich langsam auf

In Süddeutschland herrscht eine wahre Innovationskraft und ein großes Interesse an der Integration von Data Science,“ so van der Ecken. Im Westen sehe er jedoch die Einstellung von „wir warten mal ab bis die ersten Best-Practice Beispiele auf dem Markt sind.“ Der Nachholbedarf in Data Science in der deutschen Industrie ist noch sehr hoch. Die  jährlichen Wachstumsraten der west- und nordeuropäischen Länder variieren von 22,3 bis zu 32,2 Prozent. Großbritannien, die Beneluxstaaten und Skandinavien neigen zu einer stärkeren Verbreitung von Big-Data-Lösungen und -Services. Deutschland holt langsam auf und man erkennt einen Trend zur Technologieakzeptanz und Auseinandersetzung mit Data Science.

Big Data sollte Ernst genommen werden. Es ist jedoch nicht entscheidend, dass man viele Daten besitzt sondern dass man aus der Menge die relevanten und wertvollen Inhalte herausfiltert. Denn die steigende Bedeutung von Daten als Produktionsfaktor wird für Unternehmen immer wichtiger, ausfallsichere IT-Infrastrukturen zu besitzen, Kosten zu optimieren, die Effizienz in der Produktion zu steigern und Wettbewerbsfähigkeit zu behalten.

Quellen:

Kurzporträt point8:

Die point8 GmbH ist 2015 als Data-Science-Startup in Dortmund gegründet worden. Die Experten bringen Big-Data Know-How vom CERN in die Wirtschaft und unterstützen schon heute viele Unternehmen mit Datenanalyse, Machine Learning und Simulationen. Website des Start-Ups

VDMA: http://www.presseportal.de/pm/33868/3556155

Fraunhofer Institut: https://www.iais.fraunhofer.de/de/geschaeftsfelder/big-data-analytics/referenzprojekte/big-data-studie.html

Fotoquelle: simplilearn.com

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.