Kann Data Science Industriebetriebe aus der Krise führen?
Wie es möglich ist, Kosten zu minimieren, auf Nachfrageschwankungen flexibel zu reagieren und Produktionsstillstände durch Störung zu vermeiden.
von Mag. Stefanie Kritzinger, PhD
Gerade in wirtschaftlich schwierigen Zeiten spielt Digitalisierung und die damit einhergehende Automatisierung eine entscheidende Rolle. Produzierende Unternehmen stehen vor einer noch nie dagewesenen Herausforderung: Prozesse sollen bereits digitalisiert und teilautomatisiert steuerbar sein, um die Produktion aus der Ferne zu überwachen und zu leiten. Absatzmärkte und Personalplanung unterliegen äußeren, unkontrollierbaren Einflüssen und Produktion in kleinen Losgrößen ist attraktiver als je zuvor. Je nach Branche und Digitalisierungsgrad können einige Unternehmen damit problemlos umgehen, andere nicht.
Die enorme Bedeutung der digitalen und virtuellen Vernetzung wird uns aktuell bei der Bekämpfung der Pandemie vor Augen geführt. Dank der Digitalisierungsbestrebungen der letzten Jahre wurden Prozess- und Produktionsdaten zunehmend als wesentlicher Teil der Wertschöpfung angesehen. Wer seine Hausaufgaben bereits gemacht hat, sammelt bereits seit einiger Zeit eine umfangreich und automatisiert Daten der eigenen Unternehmensprozesse. Zum einen, um damit Echtzeitinformationen für die Reaktion auf kurzfristige Änderungen in der Produktion zu analysieren und zu verarbeiten. Zum anderen, um aus den gesammelten Datenpools zukünftige Ereignisse ableiten und möglichst genau prognostizieren zu können.
Inhalt
- Prozesse: Qualität steigern und Kosten minimieren
- Bottlenecks frühzeitig erkennen: Prescriptive Analytics
- Stillstände vermeiden: Störungsmanagement
- Know-How
- Autorin
Prozesse: Qualität steigern und Kosten minimieren
Um die Qualität zu steigern und die Kosten zu minimieren, liegt ein wichtiger Erfolgsfaktor darin, aus den gesammelten Produktionsdaten wertvolle Informationen zu gewinnen. Aber dies ist keine triviale Aufgabe. Durch intensives Data Engineering werden Prozess- und Produktionsdaten über die qualitätsrelevanten Prozessschritte nutzbar. Die notwendigen Parameter werden identifiziert, um automatisierte Datenanalysen mittels Data und Visual Analytics oder auch moderner Methoden der Künstlichen Intelligenz durchzuführen. Damit können Auffälligkeiten erkannt, richtig bewertet und die Auswirkungen auf die finale Produktqualität prognostizierbar werden. Ergänzt wird die Verbesserung des Qualitätsmanagements durch die Rückverfolgbarkeit der Produktionsparameter und Qualitätsmerkmale des gesamten Prozesses. So ist ein besseres Verständnis des Produktionsprozesses durch das Erkennen von Ursache-Wirkung-Zusammenhängen aufgrund von Anomalien und Mustern möglich. So können auch Wartungsintervalle und -zyklen optimiert und in weiterer Folge Produktionsabläufe verbessert werden. Damit gelingt es beispielsweise, den Ausschuss zu minimieren, indem die Maschinen mit der richtigen Betriebstemperatur produzieren, ungeplante Stillstandzeiten minimiert oder die Wartungsintervalle optimiert werden.
Bottlenecks frühzeitig erkennen: Prescriptive Analytics
Gerade in Zeiten der Krise sind kurzfristige Nachfrageschwankungen das tägliche Geschäft. Meist sind Produktionssysteme aufgrund ihrer individuellen Struktur und Organisation zudem hoch komplex. Knappe Ressourcen, gesonderte Wünsche von Kund*innen, die damit einhergehende Produktvielfalt sowie Termindruck überlasten vorhandene Kapazitäten und führen zu kostenintensiven Engpässen beispielsweise durch Personalaufstockung oder verspätete Lieferungen. Eine gute Vorbereitung zur frühzeitigen Erkennung von Bottlenecks basiert auf einer intelligenten prognosegestützten Planung.
Auf Basis von historischen Produktionszahlen und weiteren Einflussparametern sowie mithilfe moderner Methoden aus dem Bereich Statistik und der Künstlichen Intelligenz können Produktionszahlen vorhergesagt werden. Aufgrund dieser mit hoher Wahrscheinlichkeit zutreffenden Prognosen können adäquate Maßnahmen abgeleitet und die zu erwartende Entwicklung positiv beeinflusst werden – dies wird unter dem Begriff Prescriptive Analytics subsummiert. Vorausschauende Analysefunktionen schaffen eine höhere Transparenz in der bevorstehenden Produktion. Gezielte Berechnungen und Visualisierungen verdeutlichen, wo Engpässe entstehen können und wo es anhand der Planung zu Verzögerungen kommen wird. Somit werden echte Erkenntnisse geliefert, die eine Intervention ermöglichen, bevor das Problem bei den Kund*innen angelangt.
Stillstände vermeiden: Störungsmanagement
Fehlendes Material, mangelndes Personal und die sich in Folge einer Krise verändernden Anforderungen sind meist bekannte Faktoren für Produktionsstillstände. Störungen führen häufig zu Umsatzeinbußen, zu großen finanziellen Verlusten und wirken sich negativ auf das Betriebsergebnis aus. Wenig Aufmerksamkeit wird dabei der Bewältigung einer Störung von ihrer Entdeckung (oft als Discovery bezeichnet) bis zu ihrer vollständigen Wiederherstellung (oft als Recovery bezeichnet) gewidmet. Speziell bei unvorhergesehenen Ereignissen ist ein effizientes Störungsmanagement in der Lage, Störungen reaktionsschnell aufzufangen. Neuplanungen des Produktionsprozesses sind notwendig, um mit den eingeschränkten Ressourcen durch Zulieferengpässe oder Kurzarbeit die Liefertreue so weit als möglich einzuhalten und gleichzeitig die empfohlenen Maßnahmen einzuhalten.
Im aktuell sehr turbulenten und dynamischen Umfeld ist es notwendiger denn je, den Digitalisierungsgrad weiter zu erhöhen, um an den potentiellen Zielgrößen Steigerung der Qualität, Minimierung der Kosten, Erkennung von Bottlenecks und effizientes Störungsmanagement festhalten zu können. Zwei wesentliche Stellhebel sind dabei die Prozesstransparenz und die Reaktionsfähigkeit.
Know-How
Die Data Engineers und Data Scientists der RISC Software GmbH verfügen über umfangreiche Kompetenzen und langjährige Erfahrung in unterschiedlichsten Bereichen des Data Managements und Data Analytics. Durch den Einsatz von modernen Methoden aus den Bereichen Data Analytics and Visual Analytics sowie Machine Learning zur smarten Datenanalyse und Prognose kann die Herausforderung von Big Data als wichtige Chance zur Prozess- und Umsatzoptimierung wahrgenommen werden.
Kontakt
Autorin
Mag. Stefanie Kritzinger-Griebler, PhD
Head of Unit Logistics Informatics