Smartes Stammdatenmanagement als Beschleuniger des Internet of Things

Die vernetzte Industrie weiß, wie wichtig Maschinendaten für einen reibungslosen Betrieb sind. Vor allem für die Herstellung kundenspezifischer Produkte, die Betriebssteuerung und Predictive Maintenance sind sie essenziell. Eine bisher vernachlässigte Datenkategorie im IoT wird dabei zunehmend wichtiger – die Geschäftspartnerdaten. Denn durch die zunehmende Vernetzung von Produktions- und Lieferketten rücken Maschinendaten und Geschäftspartnerdaten enger zusammen und bilden eine Einheit.

Durch den technologischen Fortschritt werden Fabriken und Betriebe komplexer. Ging es in der Vergangenheit in erster Linie darum, mittels Maschinendaten die Anlagenverfügbarkeit bei gleichzeitiger Reduzierung der Kosten zu optimieren, bieten die aktuellen technischen Rahmenbedingungen sehr gute Voraussetzungen für einen entscheidenden Schritt in Richtung Zukunft: Die Betriebssteuerung auch mit geschäftspartnerbezogenen Daten und Informationen zu verknüpfen. Doch oftmals werden Maschinendaten und Geschäftspartnerdaten noch nicht im Zusammenhang betrachtet. Um Produkte und den Betrieb zu optimieren, ist eine Einsicht in alle Vorgänge einer Produktions- und Lieferkette erforderlich – und es daher auch notwendig, anfallende Daten sinnvoll miteinander zu verknüpfen.

Maschinendaten und Geschäftspartnerdaten als Einheit sehen

So hat das Fraunhofer IPA bereits vor zwei Jahren gezeigt, wie Kundendaten nahezu in Echtzeit erhoben und in den Produktionsprozess beim 3D-Druck einer Brille integriert werden können. Hierzu wird das Gesicht einer Person gescannt. Anschließend kann diese per App persönliche Vorlieben wie Muster, Farbe und Schriftzüge eingeben. Nach Eingabe werden die Daten an einen 3D-Drucker übermittelt, der die Brille herstellt. Ein Modul zur Qualitätsüberwachung überprüft diesen Vorgang und meldet mögliche Abweichungen. Im Hintergrund werden zusätzlich Analyse-Apps eingesetzt, die es erlauben, Rückschlüsse für die weitere Produktion zu ziehen. Gleichzeitig werden per Machine-Learning-Algorithmen aus den Parametern vergangener Aufträge die Produktionszeit personalisierter Produkte vorhergesagt. Bis dato mussten Unternehmen feste Stammdaten für die Produktionszeit hinterlegen, was bei Losgröße 1 nicht mehr realisierbar war. Durch die Echtzeit-Analyse aktueller Daten, ist dies nicht mehr notwendig. Laut Fraunhofer kann das Verfahren auch für die Ersatzteilherstellung oder personalisierte Werkzeuge erweitert werden, die sich ergonomisch an den Mitarbeiter oder Geschäftspartner anpassen.

Das Beispiel zeigt anschaulich, wie sich die Leistung oder Beschaffenheit eines Produktes bereits beim Herstellungsprozess an ein kunden- oder geschäftspartnerspezifisches Nutzungsprofil anpassen lässt – und welches Potenzial es bietet, Maschinen- mit Geschäftspartnerdaten zu vereinen. Zu wissen, wie die Maschine ein Standardprodukt produzieren kann, ist die eine Sache. Aber ein Service oder ein Produkt sind nur dann langfristig erfolgversprechend, wenn sie auch hundertprozentig an die Bedürfnisse des Kunden beziehungsweise des Geschäftspartners angepasst werden können.

Kundenbindung stärken mit Maschinendaten und Geschäftspartnerdaten

Ein weiteres Beispiel für die Vernetzung von unterschiedlichsten und vielzähligen Maschinen-, Produkt- und Geschäftspartnerdaten ist das Farm-Management. Farm-Management-Lösungen vereinen zum Beispiel Daten zum Agrarwetter, Informationen zum Pflanzenschutzmitteleinsatz, Bodendaten, Saatgutinformationen, Stammdaten, (Land-)Maschinendaten, Zucht- und Tierhaltungsdaten sowie Futtermittelinformationen. Alle Informationen einer landwirtschaftlichen Produktionskette lassen sich so miteinander vernetzen, sodass eine 360-Grad-Sicht über alle Vorgänge innerhalb des Betriebs entsteht – und somit Optimierungspotenzial offenbart.

Ein heute eher verbreitetes Beispiel für die Nutzung von Maschinendaten, ist etwa Predictive Maintenance (PM). Richtig ausgewertet, erlauben Maschinendaten die Rest-Lebensdauer von Maschinenkomponenten durch kontinuierliche Messung und Auswertung zu prognostizieren. Kritische Betriebsparameter dienen somit als Entscheidungshilfe, um optimale Wartungs-Zeitpunkte festzulegen und Betriebszustände zu erfassen. Zwar basieren PM-Lösungen heute meist allein noch auf Maschinendaten, müssen in Zukunft aber auch geschäftspartnerbezogene Daten einbeziehen. Welcher Anwender bedient Maschinen, wie muss diese an den Anwender angepasst sein und welcher mögliche Verschleiß ergibt sich daraus. Dieser Faktor ist wichtig, bedenkt man, dass PM das Kundenvertrauen erhöhen kann. So sind laut einer BearingPoint-Studie mehr als die Hälfte der Unternehmen der Meinung, dass PM einen besseren Service ermöglicht. Dies steigert wiederum die positive Customer Experience und stärkt somit die Kundenbindung.

Multiple Golden Record: Ein Datensatz für alles

Wollen Unternehmen die im Unternehmen liegenden Maschinen- und Geschäftspartnerdaten vernetzen, besteht für sie jedoch oft die große technische Herausforderung, dass Maschinen-, Produkt- und Geschäftspartnerdaten in unterschiedlichen Datenbanken abgelegt sind. Ein konsolidierter Datenbestand fehlt also. Kommt dann noch eine spartenorientierte Organisationsform des Unternehmens hinzu, erschwert das die ganzheitliche Sicht auf Daten zusätzlich.

Abhilfe kann ein sogenannter Multiple Golden Record schaffen. Er löst Datensilos innerhalb einer Sparte auf und konsolidiert Daten zu Maschinen, Produkten und Geschäftspartnern zusätzlich spartenübergreifend. Bezogen auf die klassischen Maschinendaten in einem Unternehmens fasst ein Multiple Golden Record beispielsweise alle Maschinen mit den gleichen Ausstattungsmerkmalen zusammen. So werden alle Informationen dieses Maschinentyps, etwa Einbaudatum, Preis und Zeitpunkt der nächsten Wartung, in einem Datensatz festgehalten und stehen zentral zur Verfügung. Ergänzt wird dieser Datensatz um Stammdaten von Geschäftspartnern, zum Beispiel, wer was und in welchen Mengen bestellt hat.

Datenqualität erhöhen und Voraussetzungen schaffen

Bevor ein solcher Multiple Golden Record jedoch erstellt werden kann, müssen die im Unternehmen liegenden Daten von Fehlern und Dubletten bereinigt und Lücken vervollständigt werden. Bei solchen Mengen an Daten ist es eine Herausforderung, sie zu pflegen und die Qualität hochzuhalten. Automatisierte, intelligente Lösungen können dabei helfen, nicht jede Maschine und jede Bestellung händisch zu überprüfen und jeden einzelnen Datensatz kontrollieren zu müssen. Über eine Plattform, etwa einem Customer Data Hub, können zudem alle relevanten Datenquellen angebunden und in einem Multiple Golden Record konsolidiert werden.

Erst wenn die Voraussetzungen dafür geschaffen wurden, können Maschinen- und Geschäftspartnerdaten verlässliche Prognosen liefern. Stimmt die Datenbasis, können Unternehmen vernetzte Szenarien erfolgsversprechend umsetzen. Denn als Einheit wirken Maschinen- und Geschäftspartnerdaten als Beschleuniger von Prozessen in der vernetzen Industrie 4.0 – sie helfen, Produkte und Services besser an die Bedürfnisse verschiedener Geschäftspartner anzupassen.

Autor: Christian Bernius

(c)2020
Vogel Communications Group