Körber Digital Data Science

Wie man sich ganz praktisch die Herausforderungen in der Startphase eines Data-Science-Projektes vorstellen kann, zeigen aktuelle Beispiele von Körber Digital. - Bild: Körber Digital

Unzählige Faktoren können die Produktivität einer Maschine oder eines Herstellungsprozesses stören – zu späte Wartungen führen zu ungeplanten Stillständen, mit einer langsamen Automation steigen die unproduktiven Nebenzeiten an oder eine Maschine produziert regelmäßig Fehlteile, weil ihre Mess-Sensoren etwaige Ungenauigkeiten nicht gut genug erkennen.

Manchmal sind diese Probleme den Anwendern bekannt, in anderen Fällen fallen sie im Gesamtprozess kaum auf und erzeugen versteckte Kosten. Interessanterweise ist es aber so, dass Informationen zu den Problemen (und Hinweise auf ihre Lösung) zumeist vorliegen – in den gewonnenen Daten, die moderne Maschinen in großer Menge erzeugen. Aber wie findet man die „richtigen“ Daten und wie lassen sich die Daten anschließend nutzen?

Umfassendes Problemverständnis entwickeln

Antworten auf diese Fragen liefert die interdisziplinäre Data Science, in der Statistik, Informatik, Mathematik und Softwareentwicklung zusammenfließen – eine Aufzählung von anspruchsvollen Disziplinen. Nichtsdestotrotz ist die Etablierung eines (ersten) Data-Science-Projektes bei Maschinenbauern oder produzierenden Unternehmen keine Herkulesaufgabe. Im Gegenteil: Sie ist vielmehr so etwas wie der ideale Einstieg in die Industrie-4.0-Zukunft.

Das gilt vor allem auch dann, wenn die Projekte transparent ablaufen und schlank gesteuert werden. „Der Startphase im Data-Science-Projekt kommt dabei eine ganz besondere Rolle zu“, sagt Sven Warnke, IoT Engineer Data Science, bei Körber Digital. „Wir legen sehr viel Wert darauf, dass bereits das erste Meeting im Zeichen einer klaren Problemanalyse steht, denn wir müssen die praktische Aufgabenstellung umfassend verstehen. Dazu sprechen wir mit Produktionsleitern, Maschinenentwicklern oder Bedienern.“ 

Dabei geht es für die Spezialisten natürlich vor allem um die Frage, welche konkreten Probleme ein Kunde überhaupt lösen will.Zusätzlich klären sie aber auch, welche Auswirkungen das Problem hat, weshalb derzeitige Lösungen nicht ausreichen und ob man das Problem messen kann. Erst im weiteren Verlauf des Workshops rückt das Thema „Daten“ in den Fokus mit Fragen wie: Welche relevanten Daten sind verfügbar, wie kann man auf sie zugreifen und wer kennt sich mit diesen Daten aus?

Offene Kommunikation

Grundsätzlich ist es Körber Digital wichtig, eine transparente Vorgehensweise zu etablieren, wie Warnke betont. „Natürlich eröffnet Data Science große Chancen, um komplexe Zusammenhänge zu analysieren. Es gibt aber auch Grenzen, die wir zu Beginn thematisieren.“ Hier spielt es zum Beispiel eine Rolle, wie gut die vorliegende Datenqualität ist. Wenn Daten fehlen, machen die Spezialisten unter Umständen einen Schritt zurück und besprechen mit den Kunden, ob die Aufgabenstellung anders formuliert werden muss oder ob sich neue Daten generieren lassen.

Nichtsdestotrotz stellt sich manchmal im Laufe der Zeit heraus, dass sich bestimmte ambitionierte Ziele nicht erreichen lassen. Nutzlos war das Projekt dann aber keinesfalls, weil das Unternehmen immer wertvolles Know-how ansammelt und darüber hinaus einen Einstieg in die Data Science findet. Anders gesagt: Die wachsende Datenexpertise führ zu besseren Daten und somit wieder zu einer bessere Datennutzung – ein Dreiklang mit nachhaltiger Wirkung.  

In der Praxis

Wie man sich ganz praktisch die Herausforderungen in der Startphase eines Data-Science-Projektes vorstellen kann, zeigen aktuelle Beispiele von Körber Digital. So arbeiten die Spezialisten aktuell mit einem Konsumgüterproduzenten zusammen, der die Gesamtanlageneffektivität (OEE) einer bestimmten Maschinenart verbessern will. Eine große Rolle spielt die Verzahnung mit vorgelagerten Produktionsprozessen, in denen wiederum andere Maschinenarten zum Einsatz kommen.

„In diesem Fall war es zum Beispiel sehr wichtig, dass verschiedene Datentöpfe für die Maschinenarten existieren, wir auf diese zugreifen können und die richtigen Ansprechpartner kennen. Es sind nicht zuletzt auch sehr praktische Dinge, die wir am Anfang thematisieren, denn die Daten liegen selten strukturiert in einer Quelle vor“, sagt Warnke. „Darüber hinaus wollen wir zum Beispiel auch immer wissen, wer ganz konkret von unser Arbeit profitieren soll. Schließlich müssen wir die Lösung auf genau diese Personen, ihre Kenntnisse sowie ihren Arbeitsalltag zuschneiden. Außerdem wollen wir ermitteln, wieviel Geld man mit der Lösung verdienen wird. Gerade die letzte Frage setzt das Projekt auf das richtig Gleis. Wir schärfen die Aufmerksamkeit aller Beteiligten.“

Anschließend starten weitere Schritte des iterativen Data-Science-Prozesses – von der Datenanalyse über die Modellierung der Daten bis zur Implementierung der Lösung und Messung ihrer Wirkung. Lesen Sie demnächst mehr dazu im zweiten Teil dieser Data-Science-Artikelreihe  – dann zum Thema „Datenanalyse“.

Wissen, was die Industrie bewegt!

Alles zu Industrie 4.0, Smart Manufacturing und die ganze Welt der Technik.

Newsletter gratis bestellen!