Die Technologie der digitalen Transformation wird zunehmend zur Commodity

DIALOG: Herr Professor Bick, viele Unternehmen nutzen heute Daten zur Verbesserung und Weiterentwicklung des Kundenservices und der Produkte. Aber wie sieht es in der Smart Factory aus?

Die meisten Unternehmen nutzen heute Daten in den von Ihnen gerade genannten Bereichen. Was aber viele noch nicht erschlossen haben, ist der Datenschatz in Bereichen von der Anlieferung von Vormaterialien bis hin zur Auslieferung des fertigen Produkts, inkl. Intralogistik, Vertrieb, externe Logistik, etc., also innerhalb des produzierenden Unternehmens. Hiermit beginnen sich die Unternehmen zunehmend auseinanderzusetzen. Wie setze ich Informationen konkret ein, wie mache ich das Thema Daten für mich greifbar, um einen Mehrwert für mein Unternehmen zu generieren? Damit meine ich nicht nur die eigene Produktion, sondern die gesamte Wertschöpfungskette. 

Warum sind wir noch nicht weiter bei der Nutzung von Daten in der Produktion? 

Das Thema ist noch weit entfernt davon, Industriestandard zu sein. Es gibt immer noch sehr viele Unternehmen, die sowohl bei der Datenerfassung in der Produktion als auch bei ihrer Nutzung keiner klaren Linie folgen. Und es gibt auch spezifische Herausforderungen. Zum Beispiel haben Großunternehmen zwar die notwendigen Ressourcen, scheitern aber teilweise an ihrer Komplexität. Kleineren Unternehmen fehlt dagegen häufig die Schlagkraft, um entschlossen vorzugehen.

Braucht es deshalb unterschiedlichen Ansätze für große und kleine Unternehmen? 

Die Unternehmensgröße ist ja nur eine Facette. Entscheidend ist, mit welcher Haltung und kultureller Perspektive man an das Thema herangeht. Was lässt man an Freiheiten zu und kalkuliert auch Misserfolge mit ein?  Wo müssen klare und transparente Vorgaben gemacht werden? Ist man bereit, klein, aber schnell anzufangen und schrittweise vorzugehen, oder diskutiert man erstmal ein halbes Jahr über die richtige IT-Infrastruktur? Wie begegnet man limitierten Ressourcen und wie stark reibt man sich an den bestehenden Frameworks auf? Die Antworten werden je nach Struktur des Unternehmens immer anders ausfallen – aber die Fragen muss sich jeder stellen, der sich auf den Weg in die Smart Factory begibt.

Wie gehe ich als Unternehmen konkret vor, um einen Einstieg in die Datennutzung zu finden? 

Man braucht zunächst ein Team, das eine hohe intrinsische Motivation hat. Als Management kann man eine solche Transformation nur sehr bedingt top-down anstoßen. Das gilt nicht nur in Konzernen, sondern auch bei mittelständischen Unternehmen. Und man muss schon eine konkretere Idee haben, wohin man möchte, eine Zukunftsvision. Und diese Vision muss durch ein starkes Commitment des Managements getragen werden. Und dann muss man die Teams in Ruhe arbeiten lassen, um eine bottom-up-Bewegung zu erzeugen. Die Fortschritte gilt es in einer agilen Arbeitsweise kurzzyklisch zu überprüfen, damit man im Blick behält, wohin man eigentlich möchte, um sich nicht zu verzetteln. Das ist der Rahmen. 

Ganz konkret sollte man ein solches Projekt mit einer Standpunktanalyse beginnen, um die eigenen Möglichkeiten und Potenziale mit den bereits realisierten Benchmark-Lösungen zu vergleichen. Und auf dieser Basis sollten vielleicht zwei, drei Initiativen definiert werden, mit denen man startet. Denn auch das ist ein Fehler, der sehr häufig passiert: Man will gleich eine Lawine lostreten, ein Feuerwerk an Themen abfeuern. Ich kenne keinen Fall, wo das zielführend war. 

Welche Rolle spielt in diesem Prozess die Technologie, wie stark sind die Initiativen in der Smart Factory davon abhängig?

Die Bedeutung der Technologie für den Aufbau der Smart Factory wird meines Erachtens stark überschätzt. Es gibt heute sehr gute und günstige Standardlösungen und Webservices, auf die man schnell zugreifen kann. Die Technologie der digitalen Transformation wird zunehmend zur Commodity. Das gilt selbst für die Künstliche Intelligenz, wo es immer mehr Lösungen sind, die man auch ohne tiefgreifende Expertise sehr effektiv nutzen kann. Die Differenzierung erfolgt also eher dadurch, dass man einen klaren, fundierten und kreativen Plan hat und daraus ableitet, welches Werkzeug für die vorgegebene Aufgabenstellung am besten geeignet ist und den größten Mehrwert schafft, welche Informationen und welches Datenmodell man braucht. 

Worauf ist beim Aufbau des notwendigen Datenmodells zu achten?

Entscheidend ist die Durchgängigkeit, so dass die Anforderungen aller Bereiche einheitlich abgedeckt sind und der Prozess nicht durch die sprichwörtlichen Silos behindert wird. Darüber hinaus muss eine hohe Flexibilität gegeben sein, damit das Modell mitwachsen und sukzessive weitere Informationen abbilden kann. Das ist weniger eine Frage der technologischen Basis als der Organisation. Und dann sollte eine möglichst transparente Systemlandschaft mit vorhandenen Standardlösungen aufgebaut werden. Wichtig ist dabei, auf das Verhältnis zwischen Anforderungen und Komplexität zu achten, um ein gutes Kosten-Nutzen-Verhältnis zu erreichen: Es ist besser, ein System zu haben, das vielleicht nur 80 Prozent meiner Anforderungen erfüllt, dafür aber eine 40 oder 50 Prozent geringere Komplexität  aufweist. Für die restlichen 20 Prozent findet man meist pragmatische Lösungen. 

Sollte beim Einstieg in die Datennutzung ein bestimmter Prozess, oder ein bestimmter Bereich der Produktion im Fokus stehen? 

Beides ist denkbar. Man kann beispielsweise den Qualitätssicherungsprozess anschauen und sich die Frage stellen, wie man durch intelligente Datennutzung in der gesamten Fertigungskette Fehler schnell erfassen, analysieren und abstellen kann. Die andere Möglichkeit ist, einen einzelnen Bereich zu optimieren, etwa eine Modelllinie. Das kann ein räumlich abgegrenzter Bereich sein, oder ein Geschäftsprozess, den man gut beeinflussen kann. Es geht also einerseits um das Zielbild und andererseits um einen schnellen Start – dort, wo man die optimalen Voraussetzungen hat, um mit Daten Mehrwert zu schaffen. Ob es horizontal oder vertikal ist, ist nicht entscheidend.

Welcher Art ist dieser Mehrwert, der durch eine intelligente Datennutzung in der Fabrik entsteht?

Zum einen geht es um Effizienz und Kosten. Zum Beispiel, wenn Anomalien und Muster frühzeitig erkannt und damit Anlagenstörungen oder Stillstände vermieden werden. Das wirkt sich direkt und signifikant auf den OEE und damit auch die Kosten aus. Das ist das Einsatzszenario für Predictive und Prescriptive Maintenance. 

Ein weiterer, enorm wichtiger, Aspekt sind Transparenz und Präzision, etwa bei der Planbarkeit von Prozessen und der Steuerung von Durchlauf- oder Lieferzeiten. Man kann Daten aus einem Produktionsprozess nutzen, um Schwankungen, Störungen oder Prozessinstabilitäten zu ermitteln und diese Daten für Verbesserungsmaßnahmen zu nutzen. Und es lassen sich Bull Whip Effekte vermeiden, dadurch dass die Ressourcen in der Supply Chain betriebsübergreifend optimal aufeinander abgestimmt werden. Die Transparenz hat auch zur Folge, dass man gegenüber den Kunden mit Blick auf den Produktionsprozess jederzeit aussagefähig ist. Das ist bislang alles andere als eine Selbstverständlichkeit.    

Und schließlich geht es, das hatte ich schon erwähnt, um Qualität. Man kann Daten nutzen, um Qualitätskontrollen noch kurzzyklischer durchzuführen, Fehlerursachen frühzeitig finden und nachhaltig abstellen. Schnelligkeit steht beim Thema Qualität deshalb ganz oben auf der Agenda. Das kann man durch den Einsatz von einfachen Werkzeugen wie einen hinterlegten Fehlerplan zur Fehlererfassung extrem smart unterstützen. Über einen datengetrieben Ansatz hat man die Möglichkeit, solche Korrekturschleifen zu initiieren. Im Bereich Fehlerursachenforschung und Fehlerauswertung kann man dann schon über den Einsatz von KI reden. 

Angesichts dieser Potenziale verwundert es, dass die Entwicklung rund um die Themen Smart Factory und Industrie 4.0 nicht schneller Fahrt aufnimmt.   

Das sehe ich nicht so kritisch. Jede tiefgreifende Innovation braucht eine gewisse Anlaufzeit. Diese Startphase haben wir nun hinter uns. Inzwischen sind sehr viele technologischen Hürden ausgeräumt, Standards geschaffen und es gibt zahlreiche belastbare Use Cases und Erfahrungen. Das zeigen zum Beispiel die Gewinner des von ROI jährlich vergebenen Industrie 4.0 Awards sehr eindrucksvoll. Immer mehr Unternehmen haben sich auch kulturell dem Thema angenähert und die notwendigen strukturellen Voraussetzungen geschaffen. Und nicht zuletzt hat die industrielle Digitalisierung unter den Extrembedingungen der Corona-Pandemie eindrucksvoll ihr Potential unter Beweis gestellt. Ich bin deshalb sehr optimistisch, dass wir in den kommenden Jahren in der Produktion eine enorme Dynamik der Digitalisierung erleben werden.

PROF. DR.-ING. WERNER BICK

Senior Partner

Prof. Dr. Werner Bick lehrt an der Technischen Hochschule Regensburg und ist seit 1999 Senior Partner der ROI Management Consulting AG, München.

Die fachlichen Schwerpunkte von Prof. Dr. Werner Bick liegen in der Verbesserung von unternehmensinterner und -übergreifender Logistik, der Produktionsoptimierung sowie der Effizienz- und Effektivitätssteigerung im Produktentstehungsprozess. Werner Bick beschäftigt sich intensiv mit der  Unterstützung von Unternehmen im digitalen Transformationsprozess von der Strategie bis zur Implementierung von Industrie 4.0 / IoT-Lösungen.

Zuvor arbeitete Prof. Dr. Werner Bick als Logistikleiter und Produktionssegmentleiter für die Knorr-Bremse AG.

Nach seinem Maschinenbau-Studium war Werner Bick zunächst als Berater bei der ifm Prof. Milberg GmbH in der Montage- und Strukturgestaltung tätig. Während dieser Zeit fertigte er seine Dissertation im Bereich der technisch-wirtschaftlichen Optimierung von Montagesystemen an.