Fraunhofer-Institut für
Entwurfstechnik Mechatronik
Fraunhofer-Institut für
Entwurfstechnik Mechatronik

Unternehmensdaten zu Gold machen

Industrial Data Analytics: In 7 Schritten werden aus Datenschätzen Wettbewerbsvorteile

Infografik: Datenschätze bergen in 7 Schritten
© Fraunhofer IEM
Vom Abstecken Ihrer Ziel bis zum langfristigen Betrieb: Unser praktischer Leitfaden erklärt Industrial Data Analytics in 7 Schritten.

Wussten Sie, dass das Fraunhofer IEM eine ganze Riege Schatzsucherinnen und Schatzsucher beschäftigt? Sie lesen Karten. Sie schürfen, buddeln und messen. Sie bergen wahre Schätze und machen sie zu Geld.

Dabei sitzen sie nicht am Pader-Ufer und schürfen Gold. Nein: Die Leidenschaft unserer Kolleginnen und Kollegen sind die Daten unserer Industriepartner. Prozessdaten, Produktionsdaten, Qualitätsdaten, Kundendaten. Die Suche danach ist mindestens genauso spannend, wie die nach Gold und Diamanten.

Unternehmensdaten zu Gold machen

War die Suche erfolgreich, wird es richtig spannend: Aus Daten werden Informationen. Daraus wird Wissen. Daraus werden Werte: Schnellere, günstigere, zuverlässigere Prozesse, neue Produkte und Services, neue Geschäftsmodelle. Unsere Schatzsucherinnen und Schatzsucher nennen sich Industrial Data Analysts. Das klingt modern und wissenschaftlich und das ist es auch. Im Grunde machen sie aber nur eins: Unternehmensdaten zu Gold.

Drei Fragen bestimmen die Arbeit unserer Industrial Data Analysts.

  • Wo gibt es in einem Unternehmen Daten?
  • Wie machen wir sie systematisch nutzbar und was müssen wir dabei beachten?
  • Wie zieht das Unternehmen den größtmöglichen Nutzen daraus?

Wo anfangen?

Das Schöne: Daten sind überall. Das Schwierige: Daten sind überall. Daten sind erstmal flüchtig und werden oft nicht systematisch erhoben. Und erst, wenn wir die richtigen Fragen stellen und sie miteinander verknüpfen, ergeben sie Sinn und schaffen Nutzen. Gerade bei Unternehmen mit langer Tradition und gewachsenen Maschinenparks ist es oft eine Herausforderung, mit dem Thema Industrial Data Analytics zu beginnen. Auf viele unserer Partner aus dem Maschinen- und Anlagenbau, der Elektronik- und der Automotive-Branche trifft dies zu. Aber keine Panik!

Wir nutzen am Fraunhofer IEM eine Reihe von Methoden, um die Datenschätze unserer Partner Schritt für Schritt zu bergen und nutzbar zu machen. Wir zeigen Ihnen, wie Sie auf Schatzsuche gehen!

»Datenschätze bergen in 7 Schritten« – Jetzt Leitfaden downloaden

Datenschätze bergen in 7 Schritten

1. Ziele setzen

Wie nähert man sich dem Thema Industrial Data Analytics? Starten Sie mit kleineren Pilotprojekten, um in einem kurzen Zeitraum viele Erfahrungen zu sammeln. Hier sind Zeit und Kosten gut überschaubar. Außerdem bringen Piloten oft bereits nennenswerte Verbesserungen – und schnell viel Begeisterung im Team!

Um die vielen Ideen für Industrial-Data-Analytics-Projekte zu koordinieren und auch größere Investitionen in Ihre Dateninfrastruktur zu planen, können Sie eine umfassende Digitalisierungs- und Datenstrategie erstellen. Auch ein einfaches Zielbild schafft bereits großen Nutzen und hält den Aufwand insbesondere für kleine und mittlere Unternehmen gering: Sie stellen dar, wie Ihre laufenden und künftigen Maßnahmen auf ein gemeinsames Ziel einzahlen und verankert Ihre Industrial Data Analytics Lösungen langfristig im Unternehmen.

2. Datenquellen identifizieren

Eins ist sicher: Im Jahr 2022 startet beim Thema Data Analytics kein Unternehmen bei null! Ihre Maschinen sprechen bereits, Sie müssen nur die richtigen Fragen stellen. Wenn wir mit Unternehmen auf Datensuche gehen, sind alle Beteiligten immer wieder überrascht, welche Potenziale für die Datenanalyse in Prozessen, Maschinen und Produkten stecken!

Projektbeispiel Scheideler: Potenziale durch Daten-Inventur

3. Datenquellen aufbereiten

Es wird spannend: Sie bergen Ihre Daten und erkennen deren Wert! Rohdaten werden für die weitere Verwendung aufbereitet. Typische Fragen sind hier: Wo werden die einzelnen Datenquellen IT-technisch angebunden und vernetzt? Welche Informationen fehlen oder sind gar fehlerhaft? An welchen Stellen kann zusätzliche Sensorik weiteren Nutzen bringen?

Projektbeispiel Benteler: Künstliche Intelligenz hilft bei Qualitätsprüfung

4. Datenqualität sicherstellen

Sie stellen in Schritt 3 fest, dass Sie fehlerhafte Daten erheben? Oder es gibt die Chance, Daten noch genauer oder effektiver zu ermitteln? Dann haben Sie jetzt die Möglichkeit, die Qualität Ihrer Daten zu erhöhen. Das kann durch einzelne technische Maßnahmen zur Verbesserung der Datenaufnahme geschehen. Manchmal muss das aber auch von Hand geschehen, typisches Beispiel ist die Pflege von Stammdaten. Aber auch Ihre Mitarbeiterinnen und Mitarbeiter müssen stetig für die Bedeutung sauberer Datenerfassung sensibilisiert werden. »Data Governance« ist hier das Stichwort.

Projektbeispiel Azur: Condition Monitoring flexibel und aufwandsarm einsetzen

5. Daten nutzbar machen 

In diesem Schritt gilt es, eine sinnvolle und nutzenbringende Dateninfrastruktur aufzubauen: Sie führen verschiedene Datenbanken (z.B. Daten Ihrer Kunden oder Zulieferer) zusammen – und ganz neue Möglichkeiten entstehen. Und aufgepasst: Hier stoßen möglicherweise verschiedene Welten aus dem gesamten Unternehmen aufeinander – dies muss zentral koordiniert werden.

Projektbeispiel ARI Armaturen: IT-Architektur in der digitalen Transformation

Projektbeispiel Seneca: Zuverlässige Kostenabschätzung für neue Produkte

6. Datenmodelle erstellen

Sie haben Fragen an Ihre Daten, zum Bespiel: Wie richte ich meine Produktion am tatsächlichen Bedarf meiner Kunden aus? Wie rüstet sich meine Maschine selbständig für neue Projekte? In diesem Schritt entstehen aus den vorliegenden Daten (Lerndaten) Modelle: Sie sind das Herzstück Ihrer künftigen Industrial Data Analytics-Lösung. Sie beschreiben den Zusammenhang zwischen messbaren Daten und möglichen Antworten auf Ihre Fragen: Also Vorhersagen zu Kundenbedarfen, Empfehlungen zur Produktionssteuerung oder Parameter für die Einstellung einer Maschine.

Projektbeispiel Willich: Intelligente Planung in der Lebensmittelproduktion

Projektbeispiel Diebold Nixdorf: Montageunterstützung durch Qualitätsdaten in Echtzeit

7. Betrieb sicherstellen

Glückwunsch! Ihre Industrial-Data-Analytics-Anwendung ist in Betrieb. Zurücklehnen geht an dieser Stelle aber noch nicht. Datenmodelle verlieren nämlich mit der Zeit ihre Aktualität. Sie müssen also Strategien entwickeln, um den Betrieb Ihres Datenmodells langfristig sicherzustellen. Zu diesen Schritt passen Maßnahmen wie die Schulung Ihrer Mitarbeitenden, um Ihre Datenmodelle künftig inhouse weiterzuentwickeln.

Projektbeispiel ExplAIn: KI verstehen – und ihr vertrauen

Projektbeispiel Miele: Data-Science-Kompetenz in der Logistik aufbauen

Das könnte Sie auch interessieren: