IoT Prozessoptimierung und Big Data (Teil 3)
Im ersten Teil dieser Blogserie habe ich den Ursprung von Big Data dargelegt und beschrieben, inwiefern es sich um eine wirklich neue Technologie handelt. Im zweiten Teil habe ich anhand eines einfachen Reifegradmodells beschrieben, wie der Zusammenhang zwischen Big Data und IoT Prozessoptimierung ist.
In diesem dritten Teil möchte ich diesen Zusammenhang zwischen Big Data und IoT Prozessoptimierung mit einem ganz konkreten Anwendungsbeispiel unterlegen.
Das soll mit Hilfe der Firma „Drehe Fräse Häusle baue GmbH“ geschehen – ein imaginäres, mittelständisches Unternehmen aus dem Baden-Württemberger Raum, welches Werkzeugmaschinen herstellt. Dieses Unternehmen ist natürlich Weltmarktführer in seinem Bereich. Trotzdem fällt hin und wieder mal irgendwo auf der Welt bei einem Kunden eine Maschine aus. Wie dieser Anwendungsfall in den unterschiedlichen Reifegraden aussieht, wird in den nachfolgenden Beispielen anschaulich beschrieben. Alle Beispiele habe ich für eine bessere Verständlichkeit um ein BPMN Diagramm ergänzt.
Zunächst muss ein Mitarbeiter des Kunden den Ausfall der Maschine feststellen. Daraufhin ruft er die „Häuslebau 24/7 Hotline“ an und meldet den Defekt. Mit einer groben Beschreibung des Fehlerbildes wird ein Techniker beauftragt, der sich auf dem Weg zum Kunden macht. Dieser führt dort zunächst eine ausführliche Fehleranalyse durch. Dabei stellt er eventuell fest, dass er das notwendige Ersatzteil nicht dabei hat und fährt daraufhin zurück in die Zentrale. Hier wird ihm dann vom Leiter des Ersatzteillagers mitgeteilt, dass das benötigte Ersatzteil nicht verfügbar ist und erst beim Lieferanten in China bestellt werden muss. Da diese Lieferung aus Asien seine Zeit braucht, kann der Techniker erst drei Wochen später mit dem Ersatzteil erneut zum Kunden fahren. Dort tauscht er das benötigte Ersatzteil aus und spielt bei der Gelegenheit ein Firmware Update ein.
Der Gesamtaufwand für diesen Geschäftsprozess ist natürlich riesig. Er ist gekennzeichnet durch viele manuelle Schritte, denn Daten werden nicht automatisiert übertragen. Stattdessen werden sie, wenn überhaupt, nur händisch gepflegt. Dadurch ist der Ablauf sehr stark von der Erfahrung der Mitarbeiter geprägt.
Auf dieser Stufe läuft der gleiche Anwendungsfall schon etwas effizienter ab. Dadurch, dass die Geräte bereits vernetzt sind, kann nun automatisch eine Fehlermeldung an die „Drehe Fräse Häusle baue GmbH“ übermittelt werden. Da diese Meldung bereits einen Fehlercode beinhaltet, kann dieser richtig eingeordnet werden. In unserem Beispiel kann nun direkt die Bestellung des Ersatzteils ausgelöst werden. Die weiteren Schritte danach laufen wie im vorherigen Beispiel „Reifegrad: Ohne IoT“ ab. Der Techniker fährt zum Kunde, baut das Ersatzteil ein und spielt ein Firmware Update ein.
Der Zugriff auf Statusinformationen bringt schon gewisse Vorteile mit sich. Der Techniker muss nicht mehr umsonst zum Kunden fahren. Die Bestellung der benötigten Komponente kann direkt ausgelöst werden. Im Fokus dieses Prozesses steht die eine effiziente Datenübertragung, was man beispielsweise durch eine geeignete Netzinfrastruktur und schlanke IoT Protokolle erreicht.
Auf der nächsten Stufe unseres Reifegradmodells findet schon eine weitergehende Integration der angebundenen Dinge in die unternehmensinternen Geschäftsprozesse statt. Für unsere „Drehe Fräse Häusle baue GmbH“ bedeutet das ganz konkret, dass sie beispielsweise Remote Firmware Updates auf ihren Werkzeugmaschinen einspielen kann. Diese Maßnahme hilft, das Ausfallrisiko der Geräte zu reduzieren.
Darüber hinaus ermöglicht die Zusammenführung der IoT Daten mit Legacy Systemen (z.B. Lagerverwaltungssystem, ERP-System, etc.) bereits erste Datenanalysen. Hierdurch kann nun der Bedarf der einzelnen Ersatzteile ermittelt werden. Wird bei einem Ersatzteil ein bestimmtes Mindestbestandslevel unterschritten, dann wird automatisch beim Lieferanten eine entsprechende Bestellung ausgelöst. Auf diese Weise sind immer genug Ersatzteile auf Lager. Der Techniker kann nach Übermittlung des Fehlercodes gleich mit der richtigen Komponente zum Kunden fahren und dieses austauschen.
In diesem Beispielprozess werden die angebundenen Dinge schon so langsam „smart“. Der Gesamtaufwand für diesen Prozess ist infolgedessen nur noch gering. Man kann auch ein Stück weit von einer lokalen oder verteilten Intelligenz sprechen. Wichtig ist hierbei eine effiziente Datenverarbeitung, was man beispielsweise durch leicht skalierbare Cloud- und Datenbanktechnologien erreichen kann.
In dieser Phase werden Maschinendaten vom Kunden kontinuierlich an den Hersteller übermittelt und ausgewertet. Auf Basis der übermittelten Daten (Alter, Nutzungsgrad, Fehlercodes, …) lässt sich nun aufgrund von intelligenten Algorithmen eine Aussage darüber machen, mit welcher Wahrscheinlichkeit eine Maschine in der nächsten Zeit ausfallen wird. Wenn das System einen Ausfall als wahrscheinlich einstuft, wird automatisch ein Vorschlag für einen Wartungstermin erstellt. Dadurch ist es nun möglich, das Ersatzteil präventiv auszutauschen. Es kommt gar nicht erst zu einem Ausfall der Werkzeugmaschine.
In diesem Prozess sind nun Vorhersagen zum Verhalten der Dinge möglich (Stichwort Predictive Maintenance). Das System optimiert sich eigenständig. Wichtig ist hierbei, eine effiziente Datenanalyse zu gewährleisten, was man beispielsweise durch Cloud Computing und die Anwendung geeigneter Algorithmen sicherstellen kann.
Der Gesamtaufwand ist bei diesem Prozess sehr gering.
IoT Prozessoptimierung – Wie geht es danach weiter?
Aufbauend auf dem erreichten Reifegrad entwickelt die „Drehe Fräse Häusle baue GmbH“ auf einmal völlig neue, innovative Produkte und Geschäftsmodelle. Z.B. ist es nun auf einmal möglich, auf den Maschinen On Demand bestimmte Funktionalitäten freizuschalten oder zu sperren. Die Kunden müssen nur noch das bezahlen was sie tatsächlich nutzen. Das freut dann am Ende die Kunden, die dadurch Geld sparen können und unser schwäbisches Unternehmen, weil es durch innovative Geschäftsmodelle neue Kunden gewinnt.
