Heft 4 I Dezember 2015 I G 9765F I ISSN: 1616-1017 www.im-io.de

Effizienz steigern und Kosten senken mithilfe intelligenter Datenauswertung

Predictive Analytics

Im Interview mit Dr. Ferri Abolhassan

IMC Teach

www.im-c.de/teach

Sofort loslegen in 4 einfachen Schritten!

Jetzt starten und kostenlos Lerninhalte erstellen.

S

+1

Lerninhalte einfach mit Content Studio Teach

auf dem eigenen PC erstellen.

S

2

Inhalte in den sicheren IMC Cloud-Speicher

hochladen.

3

Kursteilnehmer zum Lernen einladen.

4

Lernerfolge jederzeit verfolgen und auswerten.

E-Learning Inhalte im Handumdrehen erstellen, verteilen und Lernerfolge messen.

Editorial 3

Dass mithilfe von Daten aus Fehlern der Ver-gangenheit gelernt werden kann, ist inzwischen kein großes Geheimnis mehr. Bereits seit eini-gen Jahren werden Daten gezielt auf Problem-herde und Fehlerquellen hin untersucht und helfen damit Unternehmern, Forschern an Hochschulen und Entscheidungsträgern auf unterschiedlichen Ebenen dabei, die Vergan-genheit zu analysieren und dieselben Fehler nicht noch einmal zu begehen. Doch das Aben-teuer Big Data birgt noch ganze andere Potenzi-ale, die Wirtschaft und Wissenschaft derzeit mit Feuereifer entdecken. Werden große Daten-sätze mit ausgefeilten statistischen Methoden sowie Methoden der Modellierung in Verbin-dung gebracht, so lassen sie sich unter dem Schlagwort „Predictive Analytics“ als zuverläs-sige Informationsquellen über künftige Ent-wicklungen nutzen. Dadurch beeinflusst das Orakel Big Data selbstverständlich auch die Art und Weise, wie und wie schnell Entscheidungen getroffen und legitimiert werden.

Hochschulen und Forschungseinrichtun-gen gehen noch einen Schritt weiter und inter-essieren sich nicht nur für die Antworten, die durch den Einsatz von Predictive Analytics aus den Datenbergen zutage gefördert werden kön-nen, sondern für die hochinteressanten Frage-stellungen, die sich durch das „Stöbern“ in den Datenmengen oftmals ganz von selbst ergeben.

Aufgrund all dieser Mehrwerte sind Pre-dictive Analytics zweifelsohne weitaus mehr als nur ein kurzfristiger Hype, sondern werden sich nachhaltig darauf auswirken, wie Entschei-dungen zustande kommen und neue Geschäfts-modelle und Forschungsansätze entstehen.

Predictive Analytics Mithilfe von Big Data in die Zukunft schauen und um die Ecke denken

Foto

: Jim

Tem

plet

on-C

ross

(jim

@te

mpl

eton

-cro

ss.c

om)

In dieser Ausgabe unseres Fachmagazins be-schreiben unsere Autoren auf praxisnahe und eindrucksvolle Weise, wie facettenreich das Thema Predictive Analytics ist und in welchen Kontexten die entsprechenden Methoden be-reits heute Anwendung finden.

Da der Umgang mit Big Data eine reflek-tierte Herangehensweise sowie ein hohes Maß an Methodenkenntnis und Expertise erfor-dert, wird in diesem Heft auch ganz besonders auf die Rolle des Data Scientist eingegangen, dessen Fähigkeiten derzeit auf dem Arbeits-markt höchst gefragt sind. Entdecken Sie in Heft 4 einen Trend, der uns zweifelsohne noch lange begleiten wird.

Viel Spaß beim Lesen und Staunen!

Ihr August-Wilhelm Scheer

Scheer Innovation Review

8 Interview „Die Cloud macht intelligente Datenauswertung bezahlbar“ Im Gespräch mit Dr. Ferri Abolhassan, T-Systems International GmbH

12 Predictive Analytics zur Professionali-sierung des Güterverkehrs Logistik setzt auf neue Verfahren Ein Kommentar von Michael Fiebrig, DB Schenker

14 Von wegen Datenmüll Was Einsen und Nullen zum begehrtes- ten Rohstoff des 21. Jahrhunderts macht

Schwerpunkte

18 Steven Spielbergs „Minority Report“ Fiktion oder Realität? Britta Hilt und Richard Martens, IS Predict GmbH

46 Big Data Analytics im Handel

Inhalt

24 Innovationsprozesse optimieren durch Predictive Analytics Günther Schuh, Stefan Rudolf, Christian Dölle, Jan Koch, RWTH Aachen

28 Predictive Forecasting und die Digitali-sierung der Unternehmenssteuerung Walid Mehanna, Florian Müller, Can Tunco, Horváth & Partners Management Consul-tants

34 Predictive Analytics @ Deutsche Lufthansa AG Brigitte Fuhr, Roland Schütz, Lufthansa Passage

40 Predictive Analytics im Controlling Chancen für bessere Entscheidungen erkennen und nutzen Klaus Möller, Svenja Pieper, Universität St.Gallen

46 Big Data Analytics im Handel Achim Kurr, Dirk Böckmann, avantum consult AG

52 Intranet der Dinge und Dienste für intelligente Services in der Produktion Christoph Berger, Marcel Wagner, Andreas Hees, Fabian Keller, Stefan Braunreuther, Gunther Reinhart, Fraunhofer IWU

58 Predictive Analytics Welchen Beitrag können vorausschau-

ende Analysen bei der Anpassungs-fähigkeit von Unternehmen leisten? Herbert Endres, Roland Helm, Universität Regensburg

62 Predictive Analytics im Human Capital Management Wie datengetriebene Unternehmen Personaldaten nutzen Oliver Christ, Zürcher Hochschule für Angewandte Wissenschaften ZHAW, Nico Ebert, RepRisk AG

68 Hybride Management Modelle: Konvergenz von Design Thinking und Big Data

Michael Lewrick, Swisscom, Patrick Link, Hochschule Luzern

68 Hybride Management

Modelle: Konvergenz von

Design Thinking und Big Data

72 Fit für Volatilität und Ungewissheit 12 Schlüsselfaktoren bei der Neu-

ausrichtung von Produktionswerken Manuel Rippel, Paul Schönsleben, ETH Zürich

78 Kritik unserer software - technischen Vernunft Jakob Rehof, Fraunhofer-Institut für Software- und Systemtechnik ISST, Michael ten Hompel, Fraunhofer-Institut für Materialfluss und Logistik IML

Netzwerk

86 GFFT Spezial Digitalisierung erfordert mehr denn je Kreativität, Multidisziplinarität und Veränderungswillen!

87 Software-Cluster Spezial Kompetenzzentren für Industrie 4.0 für den Mittelstand

88 Scheer Innovation Network Spezial „Selbstfahrende Fahrzeuge“ – Erster Vortrag der neuen AWSi Vortragsreihe gestartet

ScheerInnovationReview

8 Interview „Die Cloud macht intelligente Datenauswertung bezahlbar“ Im Gespräch mit Dr. Ferri Abolhassan,

T-Systems International GmbH

12 Predictive Analytics zur Professionali-sierung des Güterverkehrs Logistik setzt auf neue Verfahren Ein Kommentar von Michael Fiebrig, DB Schenker

14 Von wegen Datenmüll Was Einsen und Nullen zum begehrtes- ten Rohstoff des 21. Jahrhunderts macht

IM+io Fachzeitschrift für Innovation, Organisation und Management8 Heft 4 I Dezember 2015

„Die Cloud macht intelligente Datenauswertung bezahlbar“

Im Gespräch mit Dr. Ferri Abolhassan, Geschäftsführer T-Systems International GmbH

Die Sehnsucht nach Zukunftsprognosen ist wohl so alt wie die Menschheit selbst, Vorhersagen und Orakel faszinie-ren auch heute noch. Im 21.Jahrhundert geht es aber weni-ger um die Visionen von Tempeldienerinnen oder Scha-manen. Heute wird nicht selten der richtige Einsatz von IT zur vorausschauenden Datenanalyse zum erfolgskriti-schen Faktor für Unternehmen.

Scheer Innovation Review 9

Mit Hilfe jener Datenanalysen, besser bekannt als Predictive Analytics, wollen Verantwortli-che in Unternehmen Entwicklungen auf ganz unterschiedlichen Ebenen vorhersagen können. Die Ergebnisse werden genutzt, um bessere Ent-scheidungen zu treffen und Risiken zu mini-mieren. Der Begriff „Predictive Analytics“ hat sich so vom Buzzword zum festen Bestandteil des Businessvokabulars entwickelt. Unterneh-men und Organisationen ganz unterschiedli-cher Größe und diverser Branchen wollen neue Erkenntnisse aus ihren Daten gewinnen, um ef-fizienter, kundenorientierter und profitabler zu arbeiten. Ein wichtiger Aspekt ist dabei die Pre-dictive Maintenance, die vorausschauende Wartung. Dazu muss nicht nur der richtige Zu-gang zu den Daten gefunden werden, auch der Umgang mit den verfügbaren Daten ist ent-scheidend. Wir haben nachgefragt bei Dr. Ferri Abolhassan, der als Geschäftsführer der T-Sys-tems International GmbH für die IT-Division verantwortlich ist und weiß, worauf es Unter-nehmen und Organisationen wirklich an-kommt und welches besondere Potenzial die Cloud für Business Analytics birgt.

IM+io: Was leistet diese neue Generation von Predictive Analytics?Dr. Ferri Abolhassan (FAB): Predictive Analytics der neuen Generation verbindet Milliarden von Sensoren mit extrem leistungsfähigen Auswer-tungssystemen. In Zahlen: Bis 2020 sollen etwa 50 Milliarden Geräte im Internet of Things ver-bunden sein und automatisch Informationen generieren. Nur die Cloud ist in der Lage, diese Massendaten zu sammeln, zu speichern und zu verarbeiten. Neue Analysetechniken wie SAP HANA sind 1.000 mal bis 10.000 Mal schneller als herkömmliche Systeme, weil die Datenbank komplett im Arbeitsspeicher vorgehalten wird und langwierige Festplattenzugriffe entfallen. Mit diesen Big Data-Technologien werden Ana-lysen extrem beschleunigt. Aber: Arbeitsspei-cher mit 48 Terabyte sind eine echte Investition. Ich spreche hier aus Erfahrung, weil wir für ein Fortune-500-Unternehmen die weltweit größte SAP HANA-Anwendung aus der Cloud gebaut haben. Die Lösung für die Kostenfrage lautet auch hier: Cloud Computing. Die Cloud macht intelligente Datenauswertung bezahlbar. Denn die Ressourcen zu mieten ist günstiger als sie zu kaufen. Und damit ist Predictive Analytics der neuen Generation ein gutes Beispiel für Digitali-sierung. Denn erfolgreiche Digitalisierung

bedeutet immer Beschleunigung und Kostenre-duktion. Die Innovation wird erst angenom-men, wenn auch der Preis stimmt. Die Vorteile müssen aber auch überzeugen.

Heute ermöglicht bessere Technik Predictive Maintenance in einer ganz neuen Qualität.

IM+io: Können Sie uns den Vorteil von Predic-tive Analytics an einigen Praxisbeispielen wei-ter verdeutlichen?FAB: Ich gebe Ihnen gerne einige Beispiele: Für ein großes Mobilitäts- und Logistikunterneh-men suchen wir den idealen Wartungszeitpunkt. Der liegt kurz vor der Panne. Bislang werden etwa Lokomotiven in festen Intervallen gewar-tet. Gelegentlich ist dies zu früh, die Kosten sind also zu diesem Zeitpunkt umsonst entstanden. Viel schlimmer ist es allerdings, wenn die Lok vor dem nächsten Wartungstermin ausfällt. Denn ein liegengebliebener Zug kostet alles in allem mehrere 100.000 Euro. Die Wartung sollte also in Abhängigkeit der Abnutzung erfolgen. Darüber liefern rund 60 der 300 Sensoren in ei-ner Lok aus der Ferne wertvolle Hinweise. Etwa über den Umrichter, der den Strom aus der Oberleitung für die Elektromotoren aufbereitet. Treten hier Unregelmäßigkeiten auf, ist in Kürze mit einem Ausfall des Umrichters zu rechnen – und die Lok bleibt liegen. Wenn ich solche Aus-fälle konsequent vermeiden kann, steigt meine Auslastung bei Zug und Schiene um bis zu 20 Prozent.

Mit Predictive Analytics haben wir aber noch ungewöhnlichere Fragestellungen beant-wortet: Weshalb wird die automatische Not-bremse häufig – aber nicht immer – an densel-ben Streckenabschnitten ausgelöst, ohne dass ein tatsächlicher Notfall besteht? Nach dem Auswerten vieler Datenebenen hatten wir fol-gende Faktoren isoliert: Streckensteigung, die Nähe zu großen Wasserflächen und feuchte Wetterlagen begünstigen die automatische Not-bremsung. Unter diesen Bedingungen rutschen die Räder durch, damit erhielt der Kilometer-zähler falsche Daten und stimmte nicht mehr mit der GPS-Position des Zuges überein.

IM+io Fachzeitschrift für Innovation, Organisation und Management10 Heft 4 I Dezember 2015

Fazit: Der Computer zog die Notbremse. Der Hinweis, den Zug an bestimmten Streckenab-schnitten lediglich rollen zu lassen, halbierte die Anzahl der falschen Notbremsungen.

Es ist unglaublich spannend, was dank neuer Technologie und Sensorik möglich wird.

Data neu und interessant ist – und letztlich durch Cloud Computing möglich wird.

IM+io: Wo kommt dann wieder Predictive Analytics ins Spiel?FAB: Bei der Analyse, etwa der Sensorik eines Zuges, geht es eben nicht mehr nur um die Frage, wann er ausfallen wird. Ich kann nun un-tersuchen, wie es ihm insgesamt „geht“. Wann wird er langsam, wann wird er schnell, welche Relevanz hat die Gewichtsverteilung, welche die Temperatur auf den Schienen? Ich kann viele Fragen gleichzeitig stellen und beantworten und wichtige Schlüsse daraus ziehen.

IM+io: Wie unterstützt T-Systems dabei kon-kret seine Kunden?FAB: Wir helfen auf allen drei Ebenen. Wir hel-fen Kunden beim Einstieg in die Welt des Inter-net of Things. Gemeinsam mit Partnern sorgen wir etwa dafür, dass Geschäftsprozesse digital werden. Dazu liefern Sensoren Daten, sprechen eine gemeinsame Sprache wie IP und sind über das Internet verbunden. Das betrifft nicht nur Lokomotiven, sondern fängt schon bei ganz all-täglichen Dingen an wie dem Kühlschrank, der Kaffeemaschine oder der Beleuchtung. Das be-werkstelligen wir nicht nur mit eigenen Lösun-gen, sondern auch mit Produkten und Lösungen anderer Hersteller. Unser Angebot lautet: Lasst uns gemeinsam überlegen, wie Produkte für das Internet of Things tauglich werden. Das ist der erste Punkt.

Zweitens sorgen wir dafür, dass die Daten in der Cloud zentral gesammelt, gespeichert und fast in Echtzeit auswertbar gemacht werden. Zur Auswahl stehen verschiedene Ausprägungen der Cloud: von Public, über Hybrid bis zur Private Cloud, von extrem standardisiert bis zu indivi-dualisierbar – bereitgestellt binnen kürzester Zeit, wenn notwendig sogar innerhalb von Mi-nuten. Für den Kunden ist dabei wichtig: Die Cloud muss einfach, sicher und bezahlbar sein.

Drittens können wir mit den gängigsten Big Data-Tools alle möglichen Auswertungen liefern. Es geht also nicht nur darum, die Daten zu sammeln, wir helfen auch dabei, die entspre-chenden Analysen zu fahren. Hier ist ein neues Businessmodell entstanden. Es geht nicht mehr um ein einmaliges Projekt, sondern um ein kon-tinuierliches Serviceangebot. Ein Beispiel dafür wäre der Zug, der mit dem Internet of Things gemanaged wird – zur kontinuierlichen Infor-mationsversorgung des Betreibers. Dieser

Erfolgreiche Digitalisierung bedeutet immer Beschleunigung und Kostenreduktion.

Die Erfolgsformel dabei lautet immer: kleiner, billiger, mehr Bandbreite und eine Analysesoft-ware, die viel mächtiger ist und auf einer Cloud sitzt.

IM+io: Welche Rolle spielt dann dabei die Big Data-Technologie? FAB: Um diese Frage zu beantworten, müssen wir einen Schritt zurückgehen: Es geht um den Dreiklang aus erstens dem Internet of Things, also den bewegten Gütern mit einem Sensor, de-ren Daten ich permanent sammle und aus de-nen ich Ort, Zustand und Verhalten erfassen kann, zweitens um die Cloud, die einerseits Da-ten günstig und schnell verfügbar und anderer-seits die Analysetools erschwinglich macht, und drittens eine Analysetechnik, die meine Frage-stellungen möglichst schnell bearbeitet.

Eine zentrale Datenhaltung in der Cloud ist nur deshalb sinnvoll und möglich, weil man schnell auf sie zugreifen kann. Man kann so viel mehr mit den Daten machen und muss sich nicht fragen, wo was abgelegt ist. Diese zentrale Datenhaltung ist ein neuer Trend. Früher lautet das Credo: dezentrale Datenhaltung. Im Zuge der Digitalisierung erleben wir nun genau den gegenläufigen Trend hin zur zentralen Daten-haltung – jetzt aber aus der Cloud.

Bei der Frage, was man Sinnvolles damit machen kann, wird die fortgeschrittene Soft-ware interessant: Big Data ist nur im wissen-schaftlichen Sinne die Weiterentwicklung des Business Warehouse. Das Neue ist das Zusam-menspiel von Software und Hardware, das ra-send schnell findet, sortiert und ordnet. Es geht um die effiziente Massendatenbewältigung und Massendatenhaltung. Das ist es, was an Big

Scheer Innovation Review 11

Service ist dann skalierbar. Analyseergebnisse können auf Knopfdruck geliefert werden. Die Intelligenz der Auswertung wird so zum Pro-dukt – die Cloud ist die Basis dafür.

IM+io: Noch aber ist die Datenhaltung in der Cloud nicht zum Standard geworden. Welche Hemmschwellen müssen hier im Hinblick auf Qualität und Sicherheit noch überwunden werden?FAB: Es gibt heute schon viele Bereiche, wo die Cloud so selbstverständlich geworden ist, dass wir sie gar nicht mehr registrieren. Angefangen hat es mit der E-Mail. Jedes E-Mail-Postfach ist ein Cloud-Dienst, der E-Mails speichert und verwaltet. Sobald wir Fotos über das Internet teilen ist es ein Cloud-Dienst – und wir merken es gar nicht.

Anders ist das in der Tat im B2B-Geschäft. Hier muss noch Überzeugungsarbeit geleistet werden. Daher sprechen wir den Markt über zwei unterschiedliche Angebote an: zum einen für Basisdienstleistungen aus der Public Cloud wie Rechenleistung, Arbeitsspeicher und Fest-plattenspeicher etwa mit der Telekom Open Cloud. Dies ist unsere verlässliche europäische Antwort auf amerikanische Angebote. Weit hö-here Ansprüche an Daten- und Ausfallsicherheit haben unsere Kunden dann, wenn es um Kern-prozesse geht – um Prozesse, bei denen man sich vom Wettbewerb differenziert. Dafür bieten wir die Private Cloud – mit garantierter Verfügbar-keit, Datensicherheit und Ausfallschutz.

Dies erreichen wir durch ein konsequentes Qualitätsmanagement und durch den Anspruch, schwere Ausfälle auf Null zu reduzieren. Wir wissen, dass es keine 100 Prozent gibt. Aber mit vorbeugenden Maßnahmen, mit 500 „Feuer-wehrübungen“ pro Jahr und einem strukturier-ten Vorgehen im Ernstfall kommen wir diesem Ziel sehr nahe und tun damit alles, um schwere Ausfälle zu verhindern. Für die bauliche Sicher-heit der Rechenzentren sorgt ein ganzes Bündel von Maßnahmen. Sie reichen vom kameraüber-wachten Zaun, über Gasschnüffler in der Klima-anlage, von Pollern, die aus dem Boden fahren und so das Durchbrechen mit dem LKW verhin-dern bis zum Schutz vor Flugzeugtrümmern. Vor Hackern schützen Firewalls und Anti-Viren-Software. Darüber hinaus fahnden wir mit 180 Lockfallen, sogenannten honey pots, in unserem Netz nach neuen Angriffsmustern und blicken unter Laborbedingungen 230 Tage lang in die Zukunft, um herauszufinden, wie sich Viren

entwickeln. Zusätzlich profitieren Kunden bei unseren hiesigen Rechenzentren vom deutschen Datenschutz.

IM+io: Wagen Sie mit uns einen Blick in die Zu-kunft: Welche weiteren Möglichkeiten und Ver-änderungen werden sich künftig über Big Data und die Cloud ergeben? FAB: Die Computerchips werden weiterhin im-mer leistungsfähiger, die Sensoren immer kleiner und die Bandbreiten nehmen zu. Dies alles führt zum Internet of Things, das Unmengen an Daten produziert. Ein kluger Kopf wird unterschiedli-che Daten verknüpfen und neue Dienste entwickeln.

Begünstigt wird diese Entwicklung durch eine weitere Standardisierung. Sehen Sie, wir ha-ben eine Lösung, die 100 Formate von Daten-banken übersetzt. Aber eigentlich brauchen wir ein einziges Big Data-Format. Damit wären die Weichen gestellt für Big Data-Services aus der Cloud. Heute nutzen wir Big Data aus der Private Cloud, künftig werden immer mehr Big Data-Dienste in der Public Cloud entstehen. Denn die Digitalisierung ist getrieben von Beschleunigung und sinkenden Kosten.

Die wirkliche Disruption wird dann bei den Geschäftsmodellen liegen. Künftig kann zum Beispiel ein Taxi alles sein – ein Fahrrad, ein Auto oder auch ein Bus. Vielleicht gibt es dann keine privaten Autos mehr im Innen-stadtbereich. Die Fortbewegungsmittel sind so

Die Erfolgsformel dabei lautet immer: kleiner, billiger, mehr Band-breite und eine Analysesoftware, die viel mächtiger ist und auf einer Cloud sitzt.

zahlreich, dass ich sie mixen, individuell und spontan nutzen kann. Alles was es dazu braucht, ist eine Übertragung aller Zustands- und Bewe-gungsdaten aller Verkehrsmittel über Sensoren und eine intelligente Verknüpfung der Daten zur Realisierung meines Mobilitätskonzeptes – natürlich in der Cloud.

IM+io Fachzeitschrift für Innovation, Organisation und Management12 Heft 4 I Dezember 2015

Predictive Analytics zur Professionalisierung des Güterverkehrs Logistik setzt auf neue Verfahren

Ein Kommentar von Michael Fiebrig, DB Schenker, Head of Technical Management Components Locomotives & Wagons

Viele Unternehmen managen ihre Maschinen schon heute an beliebig weit entfernten Einsatzstandorten remote. Dazu statten sie die Maschinen mit speziellen Sensoren und Funkmodulen aus, die Zustandsdaten erfassen, senden und über die sich bestimmte Parameter einer Maschine steuern lassen. Das Ziel ist, Stillstandszeiten und Wartungskosten zu verringern.

Scheer Innovation Review 13

Früh feststellen, wann sich Zustände verändern, um damit rechtzeitige Reaktionen zu ermögli-chen, das ist die Aufgabe mathematischer Vor-hersagemodelle, wie sie schon lange bei Banken und Versicherungen, etwa zur Identifikation illegaler Finanztransaktionen, genutzt werden. Heute wird die voraussagende Analyse, besser bekannt als Predictive Analytics, zunehmend für die Wartung, auch und gerade in der Logis-tik, verwendet. Diese auf Algorithmen basieren-den Verfahren erkennen nicht nur heraufzie-hende technische Mängel, bevor es zu einem Stillstand kommt und reduzieren damit gegen-über den periodischen Wartungen teure Aus-fallzeiten. Sie beziehen auch andere Einfluss-faktoren mit ein.

Daten zur Prozesssteuerung nutzen

Wir sind als DB Schenker ein riesiger Daten-sammler und verwenden diese Daten nicht nur zum Vorausschauen, sondern auch zum Steuern unserer Prozesse. So nutzen wir die Daten im betriebswirtschaftlichen Bereich, um unsere Einnahmenseite effektiver zu gestalten. Wir können zum Beispiel Verkehrsströme analysie-ren und Preisentwicklungen datenbasiert pla-nen. Im Bereich der Instandhaltung stellen wir Fehlentwicklungen frühzeitig fest. Auch wenn Hersteller unserer Loks gewisse Wartungsinter-valle empfehlen, so sind diese beim Betrieb in der Fläche nicht immer realisierbar. Wir müs-sen anders planen und brauchen dafür voraus-schauende Daten, die Ausfallzeiten verhindern.

Predictive Maintenance – eine Revolution

Eine Umstellung auf Predictive Maintenance bedeutet auch eine kleine Revolution bei der Wartung selbst. Die Kollegen in der Wartung waren zum Beispiel am Anfang sehr erstaunt, dass wir eine Wartung beantragt haben, ob-wohl weder herstellerempfohlene Wartungsin-tervalle fällig noch an den Maschinen Defizite erkennbar waren. Diese Defizite können wir nur mithilfe der Datenauswertung erkennen. Wir nutzen heute umfangreiche Mustererken-nungsverfahren auf Grundlage aller verfügba-ren Daten. Hierzu gehören sowohl technische Daten aus einer Produktdatenbank, die ma-schinellen und Umfeldinformationen, die die Lok selbst erhebt, sowie die Rückmeldungen der Wartungsmitarbeiter, die wiederum in un-sere Daten einfließen.

Big Data Analyse als erfolgskritischer Wettbewerbsfaktor

Dank Big Data-Technologie können wir in der Logistik unsere Informationen schnell und mit Blick auf vielfältige Fragestellungen analysieren.

Nicht nur die Wartung optimieren, sondern die ganze Prozesskette.

Wenn man bedenkt, dass wir bis zu 4.000 Loks europaweit auf den Schienensystemen fahren lassen, wird deutlich, wie wichtig diese neue Technologie ist. Übliche, kleiner ausgelegte Da-tenanalysetools werden natürlich auch noch bei uns eingesetzt, aber spätestens, wenn wir die Sensorik unserer Maschinen tagesgenau auswer-ten wollen, führt kein Weg an Big Data vorbei.

Noch ist es sicher so, dass kleine mittelstän-dische Anbieter der Logistikbranche mit über-schaubaren Strecken und Routen auch ohne Pre-dictive Analytics im Allgemeinen und Predictive Maintenance im Speziellen auskommen. Je kom-plexer der Maschinenpark und das zu bedienende Streckennetz werden, umso mehr wird aber das Thema Vorausschau und tagesaktuelle Analyse zum erfolgskritischen Wettbewerbsfaktor.

Insgesamt wird Predictive Analytics zu ei-ner weiteren Professionalisierung des Güterver-kehrs führen, denn wir können verschiedene Ge-schäftsbereiche enger miteinander vernetzen, und es werden auch neue Businessmodelle ent-stehen. Loks werden mit ihrer immer umfassen-deren Sensorik kontinuierlich Daten liefern, die weit über den Zustand der Lok selbst hinausge-hen. Wir werden frühzeitig von Behinderungen auf den Strecken erfahren, Staus vermeiden kön-nen und die Pünktlichkeit erhöhen. Das wieder-rum gibt uns die Möglichkeit, unsere Kunden in absolut verlässlichem Takt anzufahren. Wir kön-nen für jeden Tag eine feste Zeit zusagen, Liefe-rungen müssen dann nicht zwingend vorher an-gemeldet und speziell eingeplant werden. Aber wir betrachten auch die gesamte Prozesskette. Predictive Analytics und Big Data Auswertung werden am Ende die gesamte Lagerhaltung ver-ändern. Wir bei DB Schenker wollen die Chance nutzen, auch zum Lagerhalter für verschiedene andere Branchen zu werden.

IM+io Fachzeitschrift für Innovation, Organisation und Management14 Heft 4 I Dezember 2015

Von wegen Datenmüll Was Einsen und Nullen zum begehrtesten Rohstoff des 21. Jahrhunderts macht

Bis zum Jahr 2003 wurden weltweit 5.000 Milliarden Giga-byte an Daten produziert. Dieselbe Menge kam 2011 bereits in 48 Stunden zustande und fällt inzwischen innerhalb von nur 7 Minuten an [1]. Die stetig wachsende Anzahl an Smart-phones, mit Messgeräten versehenen Produktionseinheiten, Online-Umfragen und digitalen Finanztransaktionen haben dazu geführt, dass Informationen aus vereinzelten Quellen zum reißenden Strom „Big Data“ zusammenlaufen.

Scheer Innovation Review 15

Diese Datenflut enthält ein gestochen scharfes Ab-bild der Realität, da sie direkt in der Wirklichkeit erhoben wurde und somit in der Lage ist, diese ex-akt darzustellen. Wurden Daten noch vor einigen Jahren nach der Verwendung für ihren unmittel-baren Zweck von den meisten Nutzern als Müll betrachtet, so werden sie heute auf der ganzen Welt als kostbarerer Rohstoff gehandelt. Dieser Rohstoff wird inzwischen häufig um seiner selbst willen erhoben und lässt sich neben seinem primä-ren Zweck für zwei weitere Dinge nutzen. Zum ei-nen lassen sich beim sogenannten Data Mining große Datenbestände gezielt auf Fehlerquellen oder positive Entwicklungen aus der Vergangen-heit hin untersuchen, und liefern damit Hand-lungsempfehlen für effizientere künftige Entschei-dungen. Zum anderen erlauben sie in Kombinati-on mit statistischen Verfahren aus den Bereichen der Modellierung und des maschinellen Lernens einen aufschlussreichen Blick in die Zukunft.

Wer sind die Datenscheichs und wie nutzen sie Big Data?

Beispiele dazu, wie Big Data-Anwendungen ge-nutzt werden, gibt es genug. In der Industrie ma-chen sich moderne Datenscheichs Big Data bereits zunutze, indem sie an mehr und mehr Stellen in-nerhalb automatisierter Fertigungsprozesse Daten erheben und speichern. Ausgefeilte Tools zur Da-tenauswertung helfen anschließend dabei, wieder-kehrende Muster in den Prozessen aufzudecken. Auf diese Weise unterstützen sie Prozessverant-wortliche, wenn es darum geht, Fehler und teure Ausfallzeiten zu reduzieren, indem beispielsweise Ersatzteile nicht erst dann eingebaut werden, wenn die Maschine bereits fehlerhaft produziert. Vorausschauende Analysen werden darüber hin-aus von Marketingabteilungen genutzt, um Ziel-gruppen besser zu segmentieren oder Kampagnen zu optimieren. Damit machen sie das „Trial and Error Prinzip“ bei der Unternehmenskommuni-kation ein Stück weit obsolet und helfen, wertvolle Zeit, Ressourcen und Kosten einzusparen.

Big Data als kleine Revolution in Wirtschaft und Wissenschaft

Die Fülle an Daten, die sich inzwischen auf ge-zielte Fragestellungen untersuchen und in unter-schiedlichsten Kontexten betrachten lässt, hat nicht nur das Interesse der Wirtschaft geweckt. Auch Forschungsinstitutionen haben erkannt, dass durch Big Data ein wesentlich größerer

Erkenntnisraum entstanden ist als es bislang der Fall war. Während es im klassischen wissen-schaftlichen Alltag der Genialität oder dem schar-fen Verstandes eines klugen Kopfes bedurfte, um einem wichtigen Zusammenhang auf die Schliche zu kommen, geht die Big Data Community davon aus, dass die zugrundeliegenden Datensätze die Antwort „freiwillig“ preisgeben, wenn man sie durch die richtigen Fragestellungen buchstäblich ins Kreuzverhör nimmt. Erstaunlicherweise liegt der besondere Reiz beim Durchkämmen der Da-tenmengen nicht unbedingt nur darin, eine zu-friedenstellende Antwort auf die gestellte Frage zu erhalten, sondern durch auffällige Muster in den Ergebnissen auf Fragen zu stoßen, die vielleicht noch weitaus interessanter sind als das, was man „eigentlich“ wissen wollte.

Zählt bei Big Data Masse statt Klasse?

Trotz allem Enthusiasmus warnen Experten vor einem allzu euphorischen und unkritischen Um-gang mit Big Data. Denn wenn Daten ausschließ-lich nach technischen Kriterien gesammelt werden und qualitative Faktoren unberücksichtigt bleiben, ist der untersuchte Datensatz häufig nicht reprä-sentativ (genug). Werden beispielsweise gesam t-gesellschaftliche Trends ausschließlich an Face-book User-Daten festgemacht, so ist der abgeleitete Schluss sehr wahrscheinlich verzerrt. Ein Sam-meln von Daten getreu dem Prinzip „Mehr ist mehr“, ist also auch beim Großprojekt Big Data eher mit Vorsicht zu genießen. Da die Fragen an Big Data häufig Fragestellungen mit multidiszipli-närem Charakter betreffen, bedarf es bei der Ana-lyse eines fachkundigen Data Scientist, der die Komplexität der Fragestellung kennt und weiß, ob sein Datensatz in der Lage ist, auf die gestellte Fra-ge zu antworten. Die auf die Datenanalyse spezia-lisierten Zahlenmenschen erleben derzeit rosige Zeiten und sind auf dem Arbeitsmarkt überaus ge-fragt. Von der Harvard Business Review wurde der Beruf des „Data Scientist“ 2012 sogar als „se-xiest“ Job des 21. Jahrhunderts bezeichnet [2].

Wurden Daten noch vor einigen Jahren als Abfall-produkt von Anwendungen und Geschäftsprozes-sen betrachtet, so werden sie inzwischen als wert-volles Gut gehandelt, welches es erlaubt, aus ver-gangenen Entscheidungen zu lernen und in der Zukunft nicht nur schneller, sondern auch besser zu entscheiden.

Kurz und bündig

Weiterführende Inhalte

finden Sie unter folgendem

Link: http://bit.ly/1Oz4eKi