Zunächst sehen wir uns die Rolle der Daten bei der Optimierung der industriellen Effizienz und Produktivität an. Viele Industriekunden sitzen buchstäblich auf Bergen von Daten, welche nicht immer verwertet werden. Das ist nicht immer schlecht, denn vor allem historische Daten können wenig Relevanz mit den heutigen Herausforderungen haben. Marktsituation, Recht, Regulierungen, neue Produkte und Verhalten der Kunden verändern sich stetig. Daher ist es zunächst wichtig herauszufinden was relevant und was nicht relevant ist. Wir nennen diese Aufgabe, die wir gerne übernehmen „das Signal im Geräusch finden“. Um das Signal zu finden, müssen wir die Daten zugänglich machen, oft sind diese in vielen voneinander getrennten Quellen (Datensilos) zu finden.
Wie sieht das nun in der Praxis aus? Hier im Folgenden zeigen wir anhand eines realen Beispiels, wie ein Kunde aus dem Energiesektor Abläufe mithilfe von Analysen verbessern konnte:
Der Kunde betreibt Windturbinen. Die Herausforderung war, dass Störfälle nur reaktiv behoben wurden. Das hat doppelt Geld gekostet, einerseits die Aufwandskosten für die Reparatur selbst und andererseits die Opportunitätskosten der entgangenen Stromproduktion während der Dauer der Reparatur.
Wir konnten dem Kunden helfen, indem wir anhand von verfügbaren Stördaten Muster entwickelten, sogenannte Lead Measures, die vorhersagen, dass es zum Störfall kommt. Dank unserer Vorhersage kann der Kunde nun mindestens 80% der Störfälle vorhersagen und somit die Wartung planen – z.B. durch Verschieben auf windstille Tage. Das spart ihm doppelt Kosten.
Ist Echtzeitüberwachung immer notwendig, um vorausschauende Erkenntnisse zu gewinnen?
Die Antwort lautet Real Time Überwachung ist nicht immer notwendig, beispielsweise bei der Planung der Nachfrage bei B2C Kunden. Wichtig ist Echtzeitüberwachung vor allem in Unternehmen mit kontinuierlichem Betrieb wie bei der Stromerzeugung oder Metallurgie.
Wie sehen die Herausforderungen und deren Lösungen bei der Datenübernahme insbesondere für traditionelle Branchen aus?
Die Herausforderung: Sie haben Daten, wissen aber nicht, was sie damit anfangen sollen.
Die Lösung: klein beginnen mit einem Workshop und einem klar definierten Use Case
Die Herausforderung: keine Zeit
Die Lösung: Wie oben beschrieben mit einem Workshop mit einem bestimmten eingegrenzten Anwendungsfall beginnen, denn dadurch kann man mit wenig Zeitaufwand ein Proof of Concept bauen und bestimmen, ob sich ein größeres Projekt lohnt.
Die Herausforderung: die Daten sind zerstreut
Die Lösung: Data Engineering ist die Antwort - ein kleiner virtueller Data Mart kann nur die notwendigen, auszuwertenden Daten heranziehen, ohne große Systeme wie SAP oder DWH zu belasten.
Wir bei Datasense Consulting beschäftigen uns mit diesem Thema. Wir helfen Ihnen gerne dabei, das volle Potential Ihrer Daten auszuschöpfen.
Nehmen Sie mit uns Kontakt auf - wir beraten Sie gerne!
Comments