Effekte messen, Körber Digital

Wie verhält sich die über Data Science implementierte Veränderung in der Praxis? Detaillierte Messungen geben darüber Aufschluss. - Bild: Körber Digital

Datenanalyse und -nutzung werden für produzierende Unternehmen und Maschinenbauer immer wertvoller. Mit ihrer Hilfe lassen sich Produktionsleistungen erhöhen, Ausfallzeiten von Maschinen reduzieren, die Bauteilqualität verbessern oder sogar ganz neue Geschäftsfelder erschließen.

Was für wirtschaftliche Potentiale sich mit der Data Science verbinden, zeigt das Beispiel „Predictive maintenance“: Laut einer aktuellen Studie der Unternehmensberatung Roland Berger könnte ihr weltweiter Marktwert im Jahr 2022 bereits 11 Milliarden US-Dollar umfassen – das Ergebnis einer jährlichen (!) Wertsteigerung von jeweils 20 bis 40 Prozent seit 2016.

Den Daten-Kreislauf in Gang setzen

Wenn Unternehmen diese enormen wirtschaftlichen Möglichkeiten für sich erschließen wollen, spielt Data Science eine entscheidende Rolle. Mit ihrer Hilfe kommt ein „Kompetenz-Kreislauf“ in Gang, der neue Werte schafft: Die Datenexpertise im Unternehmen wächst. Das führt wiederum zu einer verbesserten Datennutzung sowie zu besseren Daten, die letztlich erneut der Datenexpertise zugute kommen.

Der Weg hin zu diesem „Kompetenz-Kreislauf“ ist bei Experten wie Körber Digital klar strukturiert: Im Rahmen eines umfassenden Data-Science-Projektes bei ihren Kunden verschaffen sie sich zunächst ein Problem- und Datenverständnis, starten eine gezielte Datenanalyse, erzeugen ein Modell für das Maschinelle Lernen, besprechen alle Ergebnisse mit den Kunden und implementieren darauf aufbauend eine zielgerichtete Lösung mit einem produktionstauglichen Code.

Aber welche Rolle spielt die Messung der konkreten wirtschaftlichen Effekte? „Sie ist ein unverzichtbarer Bestandteil – und das praktisch von Anfang an“, erklärt Sven Warnke, IoT Engineer Data Science bei Körber Digital. „Schließlich bestimmen wir zu Beginn immer die Ist-Situation in Form von Key Performance Indikatoren (KPI). Dieses Ergebnis dient als Referenzgröße.“

Nach Einführung eines Machine-Learning-Modells und im weiteren Verlauf seiner Nutzung messen die Experten regelmäßig die KPI und beobachten im Idealfall eine kontinuierliche Verbesserung – schließlich gleicht die Nutzung von Künstlicher Intelligenz in der Produktion einem „Work in Progress“: Das neue Modell wird mithilfe von anwachsenden Datenmengen weiter trainiert und schrittweise perfektioniert.

Mehr als die Bestimmung von KPIs

Auf der anderen Seite gehört zum Thema „Erfolgsmessung“ bei Data-Science-Projekten mehr als nur die Bestimmung von KPIs. So überprüft Körber Digital beispielsweise auch, welche Akzeptanz eine neue Lösung im Produktsalltag hat: Nutzen Bediener und Produktionsplaner die neuen Tools in der gewünschten Weise und ist Anwendungsfreundlichkeit die „Usability“ gewährleistet?

„Wir sprechen mit möglichst vielen Beteiligten. Ihre Erfahrungen fließen in jede Weiterentwicklung mit ein. Manchmal geht es zum Beispiel auch nur um Kleinigkeiten wie die Vergrößerung einer Anzeige. Diese Dinge können dazu beitragen, die Lösungsakzeptanz und damit auch den wirtschaftlichen Nutzen zu erhöhen“, sagt Warnke.

Wer eignet sich für ein solches Projekt?

Bleibt am Ende die Frage, welche produzierenden Unternehmen überhaupt für ein Data-Science-Projekt geeignet sind. Erste Aufschlüsse geben hier Gespräche zwischen Produktionsverantwortlichen und Daten-Spezialisten über die Aufgabenstellung und die vorhandenen Daten. Letztlich gibt es sehr viele Anknüpfungspunkte: Profitieren können zum Beispiel Maschinenbauer, die intelligente Maschinen oder Sensoren im Einsatz haben, sowie produzierende Unternehmen, deren Fertigung über einen hohen Automatisierungsgrad verfügt oder die ihren Produktionsprozess bereits (teilweise) digital abbilden.

Interessant kann Data Science auch für Anwender sein, die eine Innovation mithilfe von Daten evaluieren wollen. „Sehr häufig können wir nach einem Blick auf die Datenqualität und -menge eine erste Einschätzung dazu abgeben, welche konkreten Möglichkeiten sich mit Blick auf die Aufgabenstellung ergeben“, sagt Warnke.

„Letztlich erzeugt jedes Data-Science-Projekt einen Mehrwert – unabhängig von Ausgang der verschiedenen Erfolgsmessungen. Schließlich ist es immer so, dass eine wachsende Datenexpertise Unternehmen fit macht für die Weiterentwicklung der Industrie 4.0. An dieser Aufgabenstellung kommt letztlich niemand mehr vorbei.“