Maschinendaten werden Umsatztreiber

Die Mathematiker des 18., 19. und 20. Jahrhunderts haben die Grundlagen für Analytik gelegt. Sie entwickelten statistische Methoden, mit denen heute Daten ausgewertet werden. Daten sind in Industrie und Wirtschaft ausreichend vorhanden. Vielfach fehlen aber die Fähigkeiten und Kenntnisse, um aus den Daten wert­volle Informationen für das Geschäft zu gewinnen.

Kommerzielle Software für statistische Auswertungen erschien erstmals in den 1960er-Jahren. Seitdem sind nicht mehr zwingend Programmierkenntnisse erforderlich, um Daten auszuwerten. Die Statistikpakete bieten heute Algorithmen an, mit denen die Anwender ihre Fragen an die Daten in natürlicher Sprache stellen können, etwa: „Wie viele Stück des Produkts XYZ haben wir in diesem Monat schon verkauft?“ Das hört sich in der Theorie gut an, setzt jedoch viel Vorarbeit voraus. Denn natürlich müssen die Daten bereinigt und korrekt klassifiziert sein, um für eine rein maschinen­gesteuerte Analyse zugänglich zu sein.

Die Nutzbarmachung von Maschinendaten nahm über die letzten Jahrzehnte eine ganz ähnliche Entwicklung wie die Statistik-Software: Was als Analyse von Defekten begann, wird immer mehr zur vorausschauenden Wartung. Sensormesswerte werden in Echtzeit analysiert und für die Vorhersage der verbleibenden Lebensdauer von Komponenten verwendet. Vielfach sind die Prozesse derart automatisiert, dass die Entscheidungsfindung keinen menschlichen Eingriff mehr erfordert.

Der Industrial Analytics wird eine wachsende Bedeutung für das Geschäft vorhergesagt. In einer Umfrage der Digital Analytics Association messen 151 Entscheider aus Unternehmen im deutschsprachigen Raum der Auswertung von Industriedaten zwar heute noch keine große Bedeutung bei (15  Prozent), in fünf Jahren wird Industrial Analytics aber für 69 Prozent kritisch für den Geschäftserfolg.

Die größten Werttreiber sind beim Umsatz und auf der Kundenseite. Mehr Umsatz ist der Hauptnutzen (33  Prozent), gefolgt von höherer Kundenzufriedenheit, zum Beispiel durch besseren Service oder individualisierte Angebote (22  Prozent). Effizienz­gewinne und Kostenreduktion werden als gering eingeschätzt. Nur 3 Prozent sehen diese Aspekte als Vorteil von Anwendungen der Industrial Analytics.

Der Mehrumsatz kann laut Digital Analytics Association auf drei Wegen erzielt werden – im Verbessern bestehender Produkte, mit einem neuen Geschäftsmodell für vorhandene Produkte oder mit einem ganz neuen Geschäftsmodell.

Verbessern bestehender Produkte mit neuen Funktionen: Ein Hersteller von Baumaschinen lanciert als zusätzlichen Service das Tracking von Fahrzeugen in Echtzeit als App.

Ändern des Geschäftsmodells bestehender Produkte: Das vorherrschende Paradigma ist die Verlagerung hin zu Product as a Service. So analysiert etwa ein Kompressorenhersteller die Nutzungsdaten in Echtzeit und kann so Kubikmeter Druckluft verkaufen – statt einmalig Kompressorausrüstung.

Neue Geschäftsmodelle erfinden: Einige Unternehmen beginnen, gemeinsam mit anderen Firmen neuartige Dienste in einem Ökosystem anzubieten. Typisches Beispiel ist das Versicherungsgewerbe. Hier werden in Partnerschaft mit Industriebetrieben nutzungsbasierte Policen lanciert, die auf dem Fahrverhalten einzelner Personen basieren.

Nach Ansicht der Entscheider starten die Industriebetriebe in den nächsten drei Jahren Projekte in einem von drei Anwendungsszenarien: vorausschauende Wartung (79  Prozent), konsumenten- respektive marktbezogene Analysen (77 Prozent) oder/und Analysen der Produktnutzung im Feld (76 Prozent).

Hin­gegen sind Projekte zur Cybersicherheit, zum Beispiel für die Geräte­absicherung, nur von 53 Prozent geplant. Die Analytik der Flottensteuerung (40  Prozent) spielt ebenfalls nur eine untergeordnete Rolle. Grund dürfte sein, dass hier bereits Systeme in Betrieb sind und sich der Business-Case (noch) nicht rechnet.

Die Schwierigkeit beim Aufbau eines Business- Case (60  Prozent) zählt denn auch zu den größten unternehmerischen Herausforderungen für Industrial-Analytics-Projekte. Eine ähnlich große Hürde sind sich überlappende Aufgaben von Firmensparten (60 Prozent).

Die Komplexität des Projekts (55 Prozent) sowie die Zusammenarbeit mit Wettbewerbern (50 Prozent) erscheinen weniger schwierig. Und die fehlenden Fähigkeiten bei den Angestellten sind nur für einige Unternehmen (25 Prozent) ein Problem.

Bei den technischen Herausforderungen ist das Bild vielfältiger. Als größte Schwierigkeit gilt eindeutig die Inter­operabilität zwischen verschiedenen Komponenten der Datenanalyse-Architektur (78 Prozent). Sowohl die Datengenauigkeit (62 Prozent) als auch die Verarbeitung der gewonnenen Erkenntnisse (62 Prozent) sind weitere Herausforderungen. Der Datenzugriff ist klar das geringste technische Problem
(42 Prozent).

Allerdings entstehen fast die meisten Kosten in Industrial-Analytics-Projekten in der Phase des Datenzugriffs (21 Prozent), der Aggregation der Daten (17 Prozent) und der Durchführung der Datenanalyse (14 Prozent). Dagegen spielen das Projektmanagement (6 Prozent), die Interpretation der Resultate (6 Prozent) und die Ergebnisvisualisierung (7 Prozent) bei den Gesamtkosten nur eine untergeordnete Rolle.

Die kostspieligste Einzelposition betrifft in der Regel die Anwendungsentwicklung sowie die damit verbundene Systemintegration (26 Prozent). Abhängig von der Komplexität der Systemarchitektur und dem vorliegenden Problem können sich diese Kosteneffekte verschieben. Die genannten Anteile können laut Digital Analytics Asso­ciation als Hinweis für all diejenigen Entscheider dienen, die Projekte zu Industrial Analytics budgetieren wollen.

Aller Anfang ist schwer, trotz oder gerade wegen der vielen Daten. Im Bestreben, sich ein digitales Geschäftsmodell zu erschließen, beginnen Unternehmen ihre Datenprojekte mehrheitlich (66 Prozent) mit klaren Hypothesen. Die übrigen 34 Prozent wählen einen explorativen Ansatz. Mit agilem Vorgehen kommen beide Ansätze rasch zu einem Ergebnis: Lohnt sich der Business-Case oder nicht?

Analog zum erwarteten Bedeutungszuwachs von Analytik im Geschäft rechnen die Firmen auch mit einem veränderten Nutzungsverhalten bei den Applikationen. Die heute noch häufig verwendeten Tabellenkalkulationen (54 Prozent) werden stark verlieren (27 Prozent), Advanced Analytics (50 zu 79 Prozent) und Business Intelligence (39 zu 77 Prozent) massiv gewinnen. Zurzeit noch wenig Anwendungsfälle sehen die Entscheider bei Edge Analytics. Mit fortschreitender Verbreitung von IoT-Geräten dürfte sich diese Meinung aber bald ändern.

Auch dann haben die etablierten Software-Hersteller jedoch noch lange keinen Grund, auf das große Geschäft zu hoffen. Denn in der Welt der Daten ist Open Source der Standard: Annähernd zwei Drittel (64 Prozent) nutzen Lösungen wie Apache Hadoop oder Spark, Knime, Python und R für ihre Analyse­projekte – und lediglich 17 Prozent der Entscheider geben an, dass Open-Source-Anwendungen keine Option für sie sind.