Big Data in der Produktion: ein Leitfaden zum Starten

Ohne Zweifel sind Anwendungsfälle von Big Data in der Produktion beeindruckend. Nachdem Sie das erfahren haben, können Sie sich sofort beeilen, die Macht von Big Data zu ergreifen, um Ihre Konkurrenz zu überholen. Aber es ist nicht so einfach. Bevor Sie mit beiden Händen zugreifen, Ihr Big-Data-Projekt zu starten, müssen Sie die Haken kennenlernen, die Sie erwarten können. In diesem Blogbeitrag finden Sie einen Leitfaden, der Ihre "Fahrt" bei der Einführung von Big Data so reibungslos wie möglich macht.

Auf die Plätze… Fertig…

Um sich auf ein Big-Data-Projekt gut vorzubereiten, müssen Sie den richtigen Ansatz finden. Anstatt von der Idee über Big Data besessen zu sein und sich zu beeilen, das Projektbudget freigeben zu lassen und später keinen Wert daraus zu ziehen, sollten Sie zuerst die Grundlage für die mögliche zukünftige "Neuheit" legen. Die folgenden Schritte, die charakteristisch für Business-IT-Alignment (im Sinne Ausrichtung zwischen IT und Geschäft) sind, zielen darauf ab, Ihnen dabei zu helfen. Lassen wir also diese Schritte aus der Perspektive betrachten, die Produktqualität in einem Unternehmen zu verbessern.

Schritt 1. Nachdem Sie genug über die Möglichkeiten von Big Data gelesen haben, untersuchen Sie Ihre Geschäftsstrategie, um zu verstehen, welche Ziele in dieser Stratefie mithilfe von Big Data erreicht werden können.

Schritt 2. Als IT-Experte (-Expertin) sollten Sie weitere Details zu Produktionsproblemen und -anforderungen in Ihrem Unternehmen kennenlernen und klären. Es ist empfehlenswert, mit der technischen Leitung in Ihrer Fabrik zu sprechen und zu erfahren, wie der Qualitätsverbesserungsprozess abläuft. Das ist höchst wahrscheinlich, dass sich der Prozess als problematisch erweist und es noch keine Lösung gefunden wurde. Dort erklären Sie (aber vorsichtig, ohne allzu viel IT-Slang zu sprechen), dass solche Herausforderungen mit einer sogenannten Big-Data-Analyse gelöst werden können.

Schritt 3. Versuchen Sie, die Zustimmung der technischen Leitung zu erhalten, um (falls erforderlich) dem Top-Management des Unternehmens zu beweisen, dass sie Big Data wirklich benötigen. Und warnen Sie auch davor, dass die Beteiligung der technischen Abteilung später auch notwendig sein wird, um Datenanalysten zu helfen, die benötigten Details des Produktionsprozesses zu verstehen.

Schritt 4. Bestimmen Sie, wie viel ein Big-Data-Projekt kosten kann, und sprechen Sie mit Ihrem Top-Management über die Einführung von Big Data und dessen Auswirkungen.

Los!

Gleich am Anfang können Sie Möglichkeiten von Big Data basierend auf komplexen Aufgaben nicht testen. z. B. ist es kaum möglich sofort in den Weltraum zu gehen, nur in ein paar Tagen nach der Entscheidung, Astronaut zu werden. Produktionsunternehmen sollten mit einem einfachen Projekt beginnen (zum Beispiel versuchen, eine stabile Ausgabequalität in einem Impfstoffwerk zu erreichen). Ein einfaches Projekt am Anfang zeigt Ihnen, wie Big Data Ihre Probleme mit geringen Risiken und Investitionen lösen kann. Das wird sich wahrscheinlich wiederum positiv auf die Meinung Ihres Top-Managements in Bezug auf Big Data auswirken und sie dazu ermutigen, weitere Investitionen in Big Data zu planen (für ernstere analytische Projekte). Ein übermäßiges komplexes und risikoreiches Projekt am Anfang, wie die Neuorganisation des gesamten Produktionsprozesses in dem Impfstoffwerk, kann Ihr Top-Management gegen Big Data für immer aufhetzten, weil die hohen Investitionen des Projekts leicht spurlos verschwinden können.

Und wenn wir auf einer mehr globalen Ebene über irgendein Big-Data-Projekt sprechen, sollte solcher Projekt immer in "leichtverdauliche" Phasen aufgeteilt werden, die getrennt behandelt werden müssen. Hier schlagen wir die folgenden Phasen für Ihre Big-Data-Abenteuer vor:

• Datensammlung.
• Verwendung von einfachen analytischen Algorithmen.
• Einsatz von ausgeklügelten analytischen Methoden.
• Eine schrittweise Automatisierung Ihres Produktionsmanagements.

Datensammlung

Lange bevor eine Analyse stattfinden kann, müssen Sie mit der Datensammlung beginnen. In einigen Fällen ist das überhaupt kein Problem: Sie müssen nur Sensoren auf Ihren Produktionsanlagen einsetzen/hinzufügen, Datenspeicher vorbereiten und den Strom von "frisch geschnittenen" Daten genießen.

In anderen Fällen, beispielsweise wenn Ihr Produktionszyklus monate- oder sogar jahrelang dauert, kann das sich als schwierig erweisen, weil Ihnen Informationen darüber fehlen können, wie die Parameter Ihres Produktionsprozesses den Output beeinflussen. Und ohne dieses Wissen ist es wirklich ein Schuss in der Dunkelheit. Aber seien Sie  nicht so aufgeregt: es gibt Möglichkeiten, dagegen anzukämpfen. Versuchen Sie zum Beispiel, sich nicht auf den gesamten Produktionszyklus zu konzentrieren. Richten Sie stattdessen Ihre Aufmerksamkeit auf einen Teil Ihres Produktionsprozesses (z. B. Inokulation in der Käseproduktion), sammeln Sie Daten darüber, analysieren Sie diese, um zu sehen, wie dieser Prozess verbessert werden kann.

Vom analytischen Babyschritten zu großen und sicheren Big-Data-Schritten

Wenn sich Ihre Big-Data-Lösung weiterentwickelt, können Sie verschiedene Ebenen von Analyseergebnissen erhalten, die sich auf diese Phasen beziehen:

1. Zunächst können Sie relativ einfache Big-Data-Analysen durchführen, um gezielte Änderungen in Ihren Produktionsprozessen vorzunehmen (z. B. um die Produktqualität zu verbessern).
2. Dann können Sie Ihre Daten genauer analysieren, um Wege zu finden, Ihre Geschäftsprozesse zu ändern. Zum Beispiel haben Sie früher eine reaktive Wartung durchgeführt und mit Big Data starten Sie, eine  proaktive Wartung auszuüben.
3. Wenn die Zeit kommt, können Sie Ihr Geschäftsmodell sogar neu gestalten, indem Sie mithilfe von Big-Data-Analysen einen besseren Weg zu solchen Änderungen finden (zum Beispiel, Sie entscheiden sich, näher zum Kunden zu sein, indem Sie Autos zu einem intelligenten vernetzten Produkt machen; mit montierten Sensoren  analysieren Sie erfasste Daten von Autos im Einsatz und bieten After-Sales-Services).

Im Anfangsstadium benötigen Sie nur die gebräuchlichsten Analysemethoden wie Korrelationen und Regressionsanalysen. Und wenn Ihre Big-Data-Kompetenzen und -bedürfnisse wachsen, werden analytische Methoden immer aufwendiger. Mit der Zeit werden Predictive Analytics und maschinelles Lernen "eingestellt". Und, wie weit Sie sich vorstellen können, wenn Sie einfache Korrelationen hilfreich finden, werden komplexe Analysemethoden dazu führen, dass Sie sich mit neuen Möglichkeiten schwindelig fühlen werden.

Automatisierung des Produktionsmanagements

Die Automatisierung Ihres Produktionsmanagements ist wahrscheinlich die ausgeklügelste Art, Big Data in Produktionsprozessen zu verwenden. Das Konzept des automatisierten Produktionsmanagements ist relativ einfach: ihre historischen und eingehenden Sensordaten werden in Echtzeit analysiert und die Steuerungsanwendungen senden gezielte Befehle an die Aktoren in Ihren Maschinen und Anlagen.

Ein gutes Beispiel für eine Automatisierung des Produktionsmanagements ist der Fall bei den Windkraftanlagen von General Electric. Sensoren liefern Daten zur Energieerzeugung und Windrichtung, demzufolge wird die Blattverstellung (Pitchregelung) geändert, um den Wirkungsgrad der Windkraftanlage zu optimieren.

Ein Beispiel, um es deutlicher zu machen

Angenommen, Ihr Unternehmen produziert Babynahrung und entscheidet sich für Big Data. Als Erstes müssen Sie die erforderliche Expertise erwerben, die Sie bei der Einführung eines Projektes unterstützt (hier wäre es eine gute Wahl, wenn Sie viel lesen und Big-Data-Berater einladen würden). Und nachdem Sie ein tief greifendes Verständnis für Big Data gewonnen haben, stellen Sie die benötigten Mitarbeiter ein und starten die Datensammlung (Einsatz/Hinzufügen von Datensensoren in Ihrer Produktion und Vorbereitung des Datenspeichers).

Stellen wir uns um des Beispiels willen vor, dass die Chargen von Ihrer Babynahrung systematisch mehrmals im Monat erheblich an Qualität verlieren. Jetzt können Ihre Big-Data-Mitarbeiter (zusammen mit den Fertigungsingenieuren) herausfinden, was diese Qualitätseinbußen verursacht. Und sie stellen fest, dass Ihr Produktionsprozess die Schwankungen in der Qualität der Rohstoffe (Inhaltsstoffe für Babynahrung) nicht berücksichtigt. Wenn die Qualität der Inhaltsstoffe geringer ist, ist die Maschine nicht "eingestellt", eine bessere Ausgabequalität zu erhalten (nehmen wir an, Sie passen Temperatur und Garzeiten nicht an). Darüber hinaus finden sie auch eine Möglichkeit, Ihre gesamten Produktionszeiten zu reduzieren. Diese Big-Data-Anwendung (bessere Qualitätssicherung) kann das gute erste Projekt sein.

Die Erkenntnisse, die schnell und kostengünstig gewonnen werden, steigern das Interesse von Ihrem Unternehmen an weiteren Big-Data-Möglichkeiten und komplexeren Analysealgorithmen. Und in einiger Zeit beginnt Ihr Unternehmen damit, Predictive Analytics, Verschleißanalysen und maschinelles Lernen zum Einsatz zu bringen. Unter anderem ermöglicht es die proaktive Wartung durchzuführen, wodurch das Personal auf alarmierende Trends auf der Produktionsebene reagieren kann, bevor es zu echten Schäden kommt.

Und wenn die Zeit kommt, global weiter zu expandieren, entscheidet sich Ihr Unternehmen für Franchising und nutzt Ihre Big-Data-Kompetenzen, um die Qualität von Babynahrung bei all Ihren Franchisenehmern zu gewährleisten und zu kontrollieren.

Und jetzt durchhalten

Wenn Sie damit anfangen, Big Data einzuführen, wird es einige Hindernisse auf dem Weg geben (nehmen wir an, im Projektmanagement). Aus diesem Grund müssen Sie auf Management-Herausforderungen achten, die Big Data in der Produktion mit sich bringen kann:

1. Mangel an eigenen technischen Fähigkeiten.

Sie sollten das gesamte Einführungsprojekt nicht vollständig auslagern. Sonst wird es schwierig sein, das dringend benötigte Big-Data-Verständnis zu erlangen. Darüber hinaus ist Outsourcing kein Ausweg, denn – gerade in frühen Phasen – Sie müssen viel experimentieren. Und es ist einfacher, wenn Ihre „interne“ Arbeitskräfte beteiligt sind. Deshalb ist es ganz selbstverständlich, neue qualifizierte Tech-Mitarbeiter einzustellen oder das alte Personal zu schulen.

Bevor Sie konkrete Maßnahmen ergreifen, sollten Sie sich an das Big-Data-Beratungsteam wenden, weil es die Beschwerlichkeiten in Big-Data-Projekten erleichtern und zum Verständnis von Big Data beitragen kann. Aber bevor Sie zum nächstgelegenen Beratungsanbieter gehen, müssen Sie etwas wissen: es ist nur von Vorteil, wenn Sie den Wissenstransfer an Ihre technischen Mitarbeiter organisieren.

2. Fehlende Betriebsingenieure im Team.

Nicht nur Entwickler arbeiten mit Big Data. Ihr IT-Team muss eng mit Betriebsingenieuren zusammenarbeiten. Erstens, weil das Team Ihre Produktionsprozesse verstehen muss und Betriebsingenieure dabei helfen können. Zweitens, weil Ihre Ingenieure selbst wertvolle Möglichkeiten sehen können, die Produktion und das Management zu verbessern, wenn sie allgemeine Big-Data-Möglichkeiten erforschen. Sie sollten also sicherstellen, dass Ihr Big-Data-Team über eine ausreichende Anzahl an qualifizierten Betriebsingenieuren verfügt.

3. Widerstand gegen  neue Technologien.

Einige Mitarbeiter – wir hoffen, der kleinere Teil – werden wahrscheinlich Big Data widerstehen. Und es ist nichts Persönliches: für Gewohnheitsmenschen ist es einfach bequemer, die alten Technologien zu verwenden. Die Schulung Ihrer Mitarbeiter sowie die Steuerung bei dem Einsatz der neuen Lösung können dazu beitragen, diese Herausforderung zu bewältigen.

Lassen wir uns noch einmal üben

Um zu beginnen, Big Data in der Produktion einzusetzen, müssen Sie:

- den richtigen Ansatz für Ihr Big Data finden; sorgfältig Ihre Geschäftsanforderungen analysieren und einen Weg finden, um sie mithilfe von Big Data zu erfüllen und niemals Trends nur aus Spaß verfolgen.

- Ihre Einführung von Big Data sorgfältig planen; nicht gleich von Anfang an zum schwierigsten Teil springen. Ein kleines Projekt finden, um Big Data zu testen. Daten aggregieren, einfache Algorithmen testen und nur dann versuchen, wagemutigere Projekte umzusetzen.

- auf Management-Herausforderungen achten; ein gründliches Big-Data-Verständnis gewinnen, das Projekt nicht vollständig auslagern; eine benötigte Anzahl von Betriebsingenieuren engagieren.