Fragen als Modellierungsprobleme formulieren

Wie Ingenieure zu Data Scientists werden

In der Produktion lassen sich per Datenwissenschaft Muster erkennen, die etwa zum Ausfall von Anlagen führen oder Prognosen für einzelne Assets generieren. Nicht nur ausgebildete Datenwissenschaftler können solche Projekte umsetzen. Passende Software vorausgesetzt, können viele der eigenen Mitarbeiter wie Data Scientists arbeiten.

Roger Illing, Vice President of Central Europe, Alteryx (Bild: Alteryx, Inc.)
Roger Illing, Vice President of Central Europe, Alteryx (Bild: Alteryx, Inc.)

Die heutigen Self-Service-Analytics- und Data-Science-Lösungen erleichtern oft die Zugänglichkeit von Daten, Analytik und Data Science deutlich. Dadurch tragen diese Systeme dazu bei, die internen Line of Business-Teams (LOB) zu stärken. Diese verstehen einerseits das Geschäft ihres Unternehmens, andererseits wissen diese Abgestellten häufig, wie sich datenbasierte Erkenntnisse leicht und schnell gewinnen lassen. Ingenieure bringen häufig die besten Grundlagen mit: Sie besitzen analytische Fähigkeiten und sind ausgebildete Problemlöser. Außerdem verstehen sie den größeren Kontext, in dem die von ihnen genutzten Daten stehen, und somit auch die Auswirkungen, die sie auf die Fertigung haben können. Mit gut vernetzten Self-Service-Analyseanwendungen können diese Beschäftigten beispielsweise Zusammenhänge in Prozessen identifizieren, die den größten Einfluss auf den Produktionsertrag haben. Ebenso ist es möglich, einen Überblick über interne und anwendergenerierte Qualitätsdaten zu erhalten, um Fehler früh zu erkennen und diese zu korrigieren, bevor sie exponentiell höhere Kosten verursachen.

Die digitale Transformation der Produktion

Industrielle Fertigungsprozesse werden zunehmend von Algorithmen und künstlicher Intelligenz gesteuert, um diese zu automatisieren und die Effizienz zu verbessern. Doch mit der Vernetzung von Maschinen und Prozessen steigt das zu verarbeitende Informationsvolumen. Während die anfallenden Daten früher zum Beispiel retrospektiv genutzt wurden, um den Grund für einen Maschinenausfall zu ermitteln, sind die Hersteller heute ständig auf der Suche nach Möglichkeiten, ihre Prozesse bereits im Vorfeld zu optimieren. Vernetzte Produktionsumgebungen generieren für solche Zwecke eine Fülle von Daten, die für Analysen herangezogen werden können, um Erkenntnisse und etwaige Schwachstellen zu erkennen. Dafür müssen die Daten zusammengeführt und aufbereitet werden. Dann lassen sie sich im passenden Kontext betrachten, kombinieren und auswerten. Mögliche Ziele dieser Auswertungen können die Überwachung der Produktion, die Berechnung des Wartungsbedarfs oder Defektprognosen von Maschinen und Komponenten sein. Mit anderen Modellen lassen sich Aussagen zur Nachfrage von bestimmten Gütern und Komponenten treffen. Das kann Engpässe bei der Fertigung vermeiden und Markteinführungszeiten beschleunigen helfen.

Datenmengen mit menschlicher Analytik kombinieren

Um zu solchen IT-Lösungen zu gelangen, brauchen Unternehmen die passenden Tools und die Mitarbeit ihrer Beschäftigten. Beim Entwurf ihrer Digitalisierungsstrategie verpassen es viele Unternehmen, die analytischen Fähigkeiten ihrer Mitarbeiter zu berücksichtigen. Dabei besitzen diese von Natur aus hochgradig analytische Fähigkeiten, die allerdings erkannt und entfaltet werden müssen. Dazu müssen Unternehmen entsprechende Software beschaffen und ihre Mitarbeiter darin schulen, ihre Fragen als Modellierungsprobleme formulieren zu können. Für Ingenieure mit ihren trainierten analytischen Fähigkeiten ist das meist ein Kinderspiel. Da diese Fachkräfte ohnehin viel mit großen Datenmengen hantieren, sind sie bereits echte Data Scientists.