Optimieren Sie Ihre Fertigungsplanung mit Prescriptive Analytics

Den Nutzen der Digitalisierung und datengetriebener Prozesse für Fertigungsunternehmen stellt niemand mehr ernsthaft in Frage. So weit, so gut. Aber die Gewinnung von aussagekräftigen Erkenntnissen aus den Daten für die Fertigungsplanung und Steuerung bleibt eine zentrale Herausforderung und kontinuierlich zu adressierende Aufgabe für jedes Unternehmen. Der Analytics-Werkzeugkasten hat sich in den vergangenen Jahren weiterentwickelt und ist heute sehr umfangreich. Die Frage, welches Tool am besten weiterhelfen kann, stellt sich somit immer wieder aufs Neue. Aus Sicht von IDC liefert Prescriptive Analytics in Zeiten wirtschaftlicher und geopolitischer Unsicherheiten einen klaren Mehrwert mit Blick auf Flexibilität und Agilität in der Fertigungsplanung und Steuerung. Das erkennen immer mehr Entscheider in der Fertigungsbranche.

Prescriptive Analytics ist die jüngste Evolutionsstufe im Business Analytics-Toolset. Sie folgt auf Descriptive Analytics und Predictive Analytics. Die drei Lösungsansätze verfolgen unterschiedliche Zielsetzungen und basieren auf klar abgegrenzten Methoden. Descriptive Analytics liefert Informationen in Form von Reports, beispielsweise über die Rüstzeiten verschiedener Anlagen. Ziel von Predictive Analytics ist das Ermitteln von Eintrittswahrscheinlichkeiten. Der „klassische“ Anwendungsfall ist die vorausschauende Wartung von Maschinen und Anlagen. Prescriptive Analytics geht noch einen entscheidenden Schritt weiter. Für eine Aufgabe bzw. ein Ziel soll unter Abwägung verschiedener optimierter Handlungsoptionen und deren jeweiliger Auswirkungen sowie Kosten eine optimale Lösung gefunden werden, die Handlungsempfehlungen und in einem Folgeszenario konkrete Aktivitäten in der Produktion anstoßen.

Das setzt eine detaillierte Analyse der verschiedenen Handlungsmöglichkeiten voraus. Der Nutzen liegt auf der Hand. Neben der Gewichtung von Alternativen lassen sich einzelne Prozesse bis zu einem gewissen Grad automatisieren und optimieren sowie Risiken senken. Prescriptive Analytics basiert auf komplexen mathematischen Modellen, KI, Wahrscheinlichkeitsrechnung und Simulationen. In Branchen wie Öl- und Gas-Förderung, Financial Services, Gesundheitswesen und Logistik hat sich der Lösungsansatz in zahlreichen Anwendungsfällen durchgesetzt. Ein exemplarisches Beispiel ist das autonome Fahren.

Höchste Zeit, dass die Fertigende Industrie diesen Lösungsansatz stärker aufgreift. Use Cases lassen sich in allen Unternehmensbereichen – von der Produktentwicklung über Planning und Forecasting, die Supply Chain, den Shop Floor bis zum Vertrieb – finden. Eine aktuelle Studie von IDC zeigt, dass sich immer mehr Fertiger mit Prescriptive Analytics beschäftigen. 18 Prozent nutzen entsprechende Modelle und Lösungen bereits, weitere 69 Prozent haben sich damit auseinandergesetzt. Grundsätzlich ist noch deutlich Luft nach oben. Aber es wird für Entscheider immer einfacher, sich mit präskriptiven Ansätzen zu beschäftigen und den Nutzen für den eigenen Aufgabenbereich zu evaluieren. Wir sehen eine zügig wachsende Zahl an Lösungsangeboten und Referenzen für unterschiedliche Anwendungsfällen.

Eine zwingende Voraussetzung für den erfolgreichen Einsatz von Prescriptive Analytics sind vollständige, aktuelle und akkurate Daten. Für die umfassende Analyse und das Entwickeln und Bereitstellen von Handlungsalternativen müssen interne und externe Datenquellen in unterschiedlichen Datenformaten herangezogen werden. Eine Datenplattform oder eine Daten-Cloud stellt sicher, dass alle Daten genutzt werden können. Damit können Datensilos aufgelöst oder zumindest verkleinert werden. Das eröffnet neue Wege der Datennutzung.

Wie bereits dargestellt: Die Zahl der Use Cases erhöht sich kontinuierlich. Hierzu zählen sowohl Anwendungsfälle, die für die gesamte Industrie einschließlich der Subbranchen relevant sind, als auch Fälle, die die Anforderungen einzelner Subbranchen abdecken. IDC beobachtet u.a. folgende Use Cases und Zielsetzungen:

• Prescriptive Maintenance von kritischen Anlagen. Damit lässt sich die Genauigkeit der Fehlererkennung verbessern, die Vorwarnzeit für Anlagenausfälle verlängern und die Wartungsausgaben senken.
• Kontinuierliche Bestellung und Disponierung von Rohstoffen, um Fertigstellungs- und Liefertermine einhalten zu können.
• Produktionsoptimierung und -anpassung durch ein Umstellen von papierbasierten Planungsprozessen auf digitalisierte Prozesse mit dem Ziel der Schaffung von durchgängigen Prozessketten und beschleunigten Abläufen.
• Anpassen des Auftragsbestandes inklusive der Darstellung von Handlungsalternativen auf Basis präziser Empfehlungen durch dynamische Vorhersage der Nachfrage.
• Erkennen und Beheben von Fehlern bei manuellen Bedienern in teilautomatisierten Prozessen. Dadurch lassen sich der Ausschuss verringern sowie Material, Zeit und Kosten reduzieren.
• Ersatzteilmanagement in anlagenintensiven Unternehmen, um durch eine Optimierung des Lagerbestandes die Anlagenverfügbarkeit und -zuverlässigkeit zu erhöhen, die Stillstandszeiten zu senken und die Lagerhaltungs- und Ersatzteilkosten zu verringern.  
• Real-Time Produktionsüberwachung und automatisiertes Anstoßen von Maßnahmen zur Produktions-Optimierung in der Lebensmittelindustrie zur Sicherstellung einer kontinuierlich hohen Produktqualität und der Vermeidung von zusätzlichen Kosten.
• Optimierung der Produktentwicklung; beispielsweise Analyse von wiederkehrenden Servicefällen unter Berücksichtigung unterschiedlicher Datenquellen und Feedbacks und Vorschlagen von Handlungsoptionen zur Verringerung/Vermeidung der Servicefälle.
• Automatisierung der operativen Produktionssteuerung mit dem Ziel der höheren Ressourcenauslastung und der höheren Nachhaltigkeit der verschiedenen Prozessschritte durch Anpassung und Verringerung der Umrüst- und Einstellvorgänge.
• IIOT: Leistungsdaten der Maschinen unterschiedlicher Hersteller analysieren und Optimierungen für den Betrieb ableiten.
• Zwei Punkte sind noch zu berücksichtigen. Erstens, einzelne Cases sind für verschiedene Unternehmensbereiche gleichermaßen relevant bzw. stehen in Wechselbeziehung und lassen sich nicht immer trennscharf betrachten. Zweitens, die Grenzen zwischen Predictive Analytics und Prescriptive Analytics werden mittelfristig trotz aller Methodenunterschiede aufgrund der Lösungsbreite ein Stück weit verblassen.

Ein äußerst dynamisches Marktumfeld sowie wachsende Komplexität und Unwägbarkeiten im Ökosystem erfordern neue datengetriebene Lösungsansätze. Datenanalysen und Prozessoptimierung müssen immer stärker Hand in Hand gehen. Prescriptive Analytics kann klar dabei helfen, die Abläufe in der Fertigungsplanung und Steuerung schneller, agiler und resilienter zu machen. Die eingesetzten Modelle werden durch den fortschreitenden Einsatz immer weiter verbessert, und somit werden auch die Annahmen, Empfehlungen und Handlungsableitungen immer präziser. Dadurch sinken die Kosten und die Risiken für jedes Unternehmen.

Weitere Informationen finden Sie im verlinkten IDC-Spotlight.

Gastbeitrag gesponsert von InterSystems.