Wie KMUs zu Predictive Analytics finden können
Predictive Analytics sollen genaue Vorhersagen für die digitale Fertigungswelt ermöglichen, so das Ziel eines Forschungsprojektes. Herausgekommen ist eine Out-of-the-box-Lösung für KMUs. Warum jetzt die richtige Heransgehensweise entscheidend für den Unternehmenserfolg ist, zeigt dieser Beitrag.
Viele denken bei Manufacturing Execution System (MES) und IIoT- oder industriellen IoT-Anwendungen zunächst an Predictive Maintenance, sprich an die vorausschauende Wartung. Predictive Analytics ist als Teilbereich von Data Analytics praktisch die große Schwester und umfasst unter Einsatz von künstlicher Intelligenz und Machine Learning (KI und ML) sehr viele andere Bereiche, den der Intralogistik für Produktionsbetriebe zum Beispiel.
Iteratives Herantasten kann der Schlüssel sein
Traditionelle ABC-Analysen sind reine Vergangenheitsbetrachtungen und zudem relativ statisch. Predictive Analytics in der Logistik stellt sich ganz anders dar. Denn gefüttert mit (Echtzeit-) Daten aus mehreren Quellen einschließlich dem ERP-System, Wettervorhersagen und der Lieferkette, sind über entsprechende Algorithmen präzise Vorhersagen zu bestehenden Bedarfen und Absatzmengen möglich. Viele Unternehmen finden allerdings nur schwer Zugang zum Thema, was oft am benötigten Budget und der fehlenden Rückendeckung durch die Geschäftsleitung liegt.
Der Ansatz einer schrittweisen Annäherung an Predictive Analytics ist daher sinnvoller: Dazu gehören eine agile, iterative, herantastende Vorgehensweise, um mit schnellen Zwischenerfolgen zu überzeugen, die Durchführung von Daten-Quick-Checks durch erfahrene Dienstleister, ein Proof of Concept (PoC) oder eine Machbarkeitsstudie anhand von ein bis zwei Use Cases und ein Minimum Viable Product (MVP) als erste produktive Version mit kleinstmöglichen Funktionsumfang, aber doch vollständigem Mehrwert.
Out-of-the-box-Lösung erleichtert den Einstieg
Die Wirtschaftsuniversität Wien hat in einem Forschungsprojekt eine Out-of-the-box-Lösung für mittelständische Unternehmen entwickelt.
Die für mittelständische Unternehmen schlüsselfertige Lösung den Umgang mit großen Datenmengen und damit den Zugang zu umfassenden Digitalisierungsmaßnahmen ermöglichen. Im Fokus des Forschungsprojekts stand die Ausarbeitung möglicher Anwendungsfelder auf Basis vorhandener Daten sowie von Algorithmen, Verfahren und Technologien für folglich weiter ausgearbeitete Prognosezwecke.
„Das Ergebnis aus dem Forschungsprojekt ist einerseits ein Out-of-the-Box-Technologie-Stack, der sowohl in der Cloud als auch on-premises einsetzbar ist. Zudem haben wir ein Data-Preprocessing-Modell entwickelt, das dem Anwender dabei hilft, Daten aus Cronetwork MES von Industrie Informatik im ersten Schritt zu bereinigen und aufzubereiten, bevor eine KI die laufende Bewertung und Interpretation der daraus gewonnenen Informationen vornimmt“, führt Krainz aus.
Datenintegration in die Planungsprozesse ist essenziell
Da alle abgebildeten Vorgänge auf dem Standard-Datenmodell von Cronetwork MES basieren, soll sich das für die Anwender in Effizienzvorteilen und in einer raschen Umsetzung der Predictive-Analytics-Verfahren niederschlagen. Dabei kommt auch das Random Forst Model zum Tragen, denn der Lern-Algorithmus sorgt für schnelle Durchlaufzeiten und eine sehr gute Interpretierbarkeit der Ergebnisse: „Die meisten Daten sind bereits vorhanden, es fehlt lediglich an einer passenden Analyse und bedienergerechten Integration in den Planungsprozess“, fügt Prof. Dr. Alfred Taudes von der Wirtschaftsuniversität Wien hinzu. Was für das Qualitätsmanagement relevante textuelle und visuelle Informationen angeht, stehe man noch am Anfang der Analyse. „Insbesondere die Integration heterogener Datenbestände ist ein aktives Forschungsgebiet“, so der Professor am Department Informationsverarbeitung und Prozessmanagement, der sich in der Forschung schwerpunktmäßig mit Tokenökonomie, Blockchain und Nachhaltigkeit beschäftigt.
Wie Krainz sagt, sind künstliche Intelligenz und Predictive Analytics „keine Wunderheiler“. Erfolgsentscheidend sei am Ende die Anpassung all der Technologien und Funktionen an die jeweilige Datensituation und insbesondere auch die Erwartungshaltung der Kunden. Die Technologien verrichten ihre Aufgaben weder besser noch intelligenter als ein Mensch.
„Ihr Vorteil liegt in der Nachbildung von menschlichem Knowhow – und das bei hoher Geschwindigkeit und außerdem rund um die Uhr“, hebt der Mitgründer von Industrie Informatik hervor. Als Beispiel für die vielen Möglichkeiten, die sich daraus ergeben, nennt Krainz unter anderem Prognosen zu relativen Ausschüssen und Arbeitsplatzstörungen in Folgeschichten sowie durch schlechte Qualitätsstati nach einzelnen Fertigungsschritten.
Quelle Titelbild: Adobe Stock / Andrey Popov
