Dabei umfasst Predictive Maintenance so viel mehr.
Erfolgsentscheidend sind weniger die "richtigen" Sensoren und Analyseverfahren, als Offenheit für neues (Service-) Denken. Am Ende von Predictive Maintenance stehen neue Geschäftsmodelle und eine Unternehmenskultur, die nicht mehr in Silos denkt. Das sind einige der wichtigsten Ergebnisse der aktuellen Roland Berger-Analyse "Predictive Maintenance – From data collection to value creation".
Verdienten die Unternehmen ihr Geld bislang hauptsächlich mit dem Verkauf der Hardware und nachgelagerten Produkten (“klassischer” After-Sales), wie etwa mit einer Verpackungsmittelmaschine und Ersatzteilen, so werden sie im Zeitalter von Predictive Maintenance zum Leistungsverkäufer des eigentlichen Ergebnisses ihrer Hardware, beispielsweise also Anzahl der Verpackungen pro Stunde. Durch “Smart Service 4.0” wird After-Sales so zum Pre-Sales. Doch mindestens jedem zweiten Unternehmen, das in das Thema investiert, fehlt derzeit nicht nur das entsprechende Budget, sondern vor allem noch eine klare Strategie und der Wille, den damit verbundenen Wandel wirklich anzugehen.
Frage der Unternehmensdenkweise
"Predictive Maintenance ist heute keine Frage mehr der technischen Möglichkeiten, sondern der Unternehmenskultur und -denkweise", sagt Roland Berger-Partner Sebastian Feldmann, verantwortlich für das Service Excellence Geschäft bei Roland Berger. “Viele Unternehmen scheuen den Umbau ihres Geschäftsmodells und die radikalen Veränderungen, die damit für die gesamte Organisation einhergehen. Damit verschenken sie große Umsatzpotenziale und schaden im schlechtesten Fall ihrer langfristigen Wettbewerbsfähigkeit.”
Wichtigste Voraussetzung für die erfolgreiche Umstellung von einem reaktiven auf einen prädiktiven Ansatz ist dabei ein “digitales Mindset”. Dazu zählt unter anderem eine flexible, agile und servicebewusste Organisation, in der die Kundenherausforderungen bekannt sind und im Fokus stehen. Silos müssen aufgebrochen und funktionale Grenzen überwunden werden – Zusammenarbeit vom ersten Gedanken an ist notwendig. Zum erforderlichen schnellen Aufbau neuer Kompetenzen muss dann auch die Integration geeigneter externer Partner möglich sein, um jeden Kunden so individuell und gut wie möglich zu betreuen. Um im Übergang zu Predictive Maintenance Orientierung zu finden, hat Roland Berger einen “Predictive Maintenance Radar” für die industriellen Dienstleistungsbereiche entworfen, anhand dessen sich die wesentlichen Trends im Umfeld von Technologien und Geschäftsmodell ableiten lassen.
Weltweit enormes Marktpotenzial
Die Zukunftsaussichten für Anbieter im Bereich der vorausschauenden Wartung sind, wie die Veröffentlichung zeigt, äußerst vielversprechend: So wird der weltweite Markt ausgehend von 2016 bis zum Jahr 2022 zwischen 27 und 39 Prozent auf bis zu 11 Milliarden US-Dollar anwachsen. Dazu tragen alle Bereiche bei, von Service-Dienstleistungen über Komponenten und Verträge bis hin zu IT-Architektur und Software.
Der Großteil des Wachstums wird den Prognosen zufolge aus Europa kommen, wo einige Predictive Maintenance-Lösungen bereits auf dem Markt oder in einem fortgeschrittenen Entwicklungsstadium sind. Gerade im international stark umkämpften Markt rund um das Thema “Industrial Internet of Things” (IIoT) zählen auch deutsche Anbieter zu den Vorreitern.
“Smart Service 4.0, und in seinem Kern Predictive Maintenance, bietet eine Vielzahl an Chancen – von der Optimierung eigener Produkte über signifikante Verbesserungen in der Service Supply Chain bis hin zur bestmöglichen Ausschöpfung des produktiven Kapitals. Zu häufig werden dabei Themen wie Digitalisierung, Big Data, IIoT und Predictive Maintenance nur als rein technologischer Fortschritt verstanden, doch das ist viel zu kurz gedacht. In Wirklichkeit geht es hierbei um eine Unternehmenstransformation, die den Endkundenbedarf in den Mittelpunkt rückt.
Wenn das gelingt, wandeln sich Unternehmen vom reinen Technologie-Anwender und Datensammler zum serviceorientierten Wertschöpfungspartner und sind langfristig erfolgreich”, fasst Feldmann zusammen. md