- Anzeige -
- Anzeige -
Lesedauer: 12min
Mehrwert aus Daten schaffen

Mrz 30, 2020 | Industrielle Produktion

Die Aufgabe der Produktionstechnik ist die Effizienzsteigerung verarbeitender und herstellender Methoden. Bereits in der Steinzeit wurden Faustkeile aus Stein zur Bearbeitung von Holz und tierischen Materialien eingesetzt. Später wurden Faustkeile zu Äxten und Speere weiterentwickelt oder durch neue Materialien revolutioniert. Doch für alle Zeitalter und Entwicklungsstufen galten dieselben ökonomischen Werte.
Bild: Senseering GmbH

Alles was bisher erforscht, entwickelt oder erarbeitet wurde, musste irgendwie in das Wertesystem besser, schneller, billiger einzahlen. Hierbei handelt es sich um das moderne Spannungsfeld der Produktionstechnik bestehend aus Qualität, Zeit, Kosten. Mit der Digitalisierung sollte das anders werden. Aber in vielen Fällen erhöhte eine Digitalisierung nur die Kosten, ohne glaubhafte oder greifbare Aussichten auf Qualitäts- und Zeitvorteile aufzeigen zu können. Für Unternehmen scheint der Spagat aus digitalen Versprechen und der individuellen Umsetzung der eigenen Prozesse immer noch schwierig. Und so wurde hauptsächlich ‚zum Selbstzweck digitalisiert‘. Daher wurde der Sachverhalt an der RWTH Aachen in ein Exzellenzcluster überführt, dem sogenannten Cluster ‚Internet of Production‘. Industriell hat es aber im Maschinenbau bis heute keine digitale Disruption gegeben. Ein Grund dafür könnte darin liegen, dass das klassische Wertesystem nicht einfach übernommen werden kann. Denn Digitalisierung ist nicht einfach nur eine Investition in besser, schneller, billiger, sondern eine Beschreibung eines neuen, digitalen Wertesystems, für das Unternehmen neue Werteversprechen und ein anderes Führungsverständnis brauchen. Die Firma Senseering hat bereits 2017 ein provokatives Experiment konzipiert, das verschiedene digitale Mehrwerte aufzeigen sollte: Es wurde eine industrielle Großserienmaschine am WZL der RWTH digitalisiert und vernetzt, sodass ein Prototyp für eine sogenannte Maschinenökonomie entstand. Dabei handelt es sich um die Vision, bei der industrielle Maschinen und Geräte ihre Maschinendaten autonom in einem Wertschöpfungsnetzwerk teilen können und im Gegenzug monetär vergütet werden. Dadurch sollen wegen der höheren Datendichte und besseren Informationstransparenz neben technischen Produktionsprozessen auch Geschäftsprozesse bzw. Geschäftsmodelle profitieren bzw. neu entstehen. Der Prototyp wurde folglich mit einem sogenannten Machine Wallet, einer digitalen Geldbörse für Maschinen, versehen und über eine Distributed-Ledger-Technologie, in dem Fall IOTA, mit einem lokalen Edge-AI-Netzwerk von Senseering vernetzt. Ziel des Prototyps war es, die Machbarkeit einer Maschinenökonomie zu beweisen, dabei Sichtbarkeit zu erzeugen, um Kundengruppen zu mobilisieren und in den Dialog zu kommen.

Datenmonetarisierung

Unter Datenmonetarisierung ist im einfachsten Fall die direkte monetäre Vergütung im Tausch für ein definiertes Datum zu verstehen. Daten als Rohstoff in einer monetären Währung. Im erweiterten Sinne sollte darunter aber jeder Vorgang der Erzeugung eines messbaren ökonomischen Vorteils basierend auf der Verwendung von Daten, aggregierten Daten oder Daten Services verstanden werden, z.B. Reduzierung der Herstellungskosten, Steigerung der Produktivität oder des Marktwerts eines Unternehmens. Zur Beschreibung der Mehrwerte der Datenmonetarisierung muss zwischen internen, also auf das eigene Unternehmen bezogenen, und externen, also kundenzentrierten, Strategien unterschieden werden. Unternehmensintern lassen sich am schnellsten Monetarisierungsmehrwerte verwirklichen, da der Anspruch an Datensicherheit und Datenschutz firmenintern niedriger ist. Mit geringem Aufwand lassen daher die folgenden Mehrwerte monetarisieren:

  • Erschließung von neuen Erkenntnissen über Produktions- oder Geschäftsprozesse
  • Reduktion der Entscheidungslatenz
  • Minimierung von Risiko
  • Optimierung von Produkten
  • Reduktion von Kosten

Tradierte Geschäftsmodelle, die die analoge Marktwirtschaft die letzten Jahrzehnte dominierten, mussten sich letztendlich der Fixkostendegression bzw. dem Prinzip der Grenzkosten geschlagen geben. Wie sehr sich Unternehmen auch anstrengten, die durch die Produkte oder durch Dienstleistungen ermöglichte Wertschöpfung war stets degressiv steigend. In einigen Fällen nahm die Wertschöpfung mit zunehmender Skalierung sogar ab, da die zusätzliche Anstrengung in Folge einer überproportional gestiegenen Verwaltungskomplexität unerwartete Mehrkosten verursachte. Es ist zwar nicht davon auszugehen, dass durch eine interne Datenmonetarisierungsstrategie sofort die Fixkostendegression bestehender Produktions- oder Geschäftsprozesse schlagartig transformiert werden kann. Es darf aber erwartet werden, dass die interne Datenmonetarisierung eine Effizienz- und vielleicht sogar Effektivitätssteigerung mit sich bringt.

Datenmonetarisierung

Kundenzentrierte Mehrwerte sind deutlich schwieriger zu erzielen. Zwar können durch das Verkaufen von Daten (Data as a Service) schnell neue Einkommensströme erschlossen werden, eine nachhaltige Kundenbindung wird jedoch nur mit fertigen Lösungen (Data solutions as a Service) erwirkt. Gelingt es Unternehmen eine externe Datenmonetarisierung umzusetzen, sind Mehrwerte auf unterschiedlichen Seiten. Zudem ergeben sich nichtlineare Skalierungseffekte. Einmal erfasste Daten können näherungsweise grenzkostenfrei repliziert werden, da die Zeit und die Kosten, die zur Replikation verbraucht werden nur wenige Sekunden dauern. Damit stehen diese Daten fast zeitgleich einer theoretisch unendlichen Zielgruppe zur Verfügung. Anhand der digitalen Nachfrage ist es nun Aufgabe des Unternehmens zu verstehen, wie diese Daten von wem eingesetzt werden und zu entscheiden, ob nicht selbst eine Lösung für diesen und vermutlich weitere Kunden entwickelt werden kann. Die externe Datenmonetarisierung hat demnach das Potenzial ein progressiv steigendes Geschäftsmodell zu etablieren, deren Kurve mittels KI zu früheren und steileren Werten verschoben werden kann. Generell wird die Transformation zu progressiven Geschäftsmodellen als disruptive Innovation bezeichnet und kann sogar den nötigen Anstoß für eine nachgelagerte Ökosystementwicklung sein.

Fünf Schritte

Basierend auf der Analyse der Befragung, empfehlen sich fünf Schritte der Datenmonetarisierung. Unternehmen können an beliebigen Schritten entsprechend ihrer Digitalisierungsreife quereinsteigen.

Schritt 1: Digitalisieren und Vernetzen (intern): Der Maschinen- und Gerätepark eines Unternehmens ist oft heterogen. Daher sollten Unternehmen in einem ersten Schritt eine geeignete Edge-KI-Infrastruktur aufbauen. Hierbei wird der erste Meter jeder Maschine spezifisch umgesetzt und hinter einem Edge-Device harmonisiert, z.B. in einen gemeinsamen oder mehreren unterschiedlichen Data-Lake-Servern.

Schritt 2: Visualisieren und Analysieren (intern): Die einfachste Möglichkeit, damit Maschinenbediener, Bereichsleiter oder C-Level-Manager in Kombination mit ihrer Expertise Prozessanomalien ausfindig machen können, ist die Visualisierung der Daten. Insbesondere für die interne Datenmonetarisierung ist das ein wichtiges Instrument.

Schritt 3: Umsetzen und Optimieren (intern): Das Ziel einer internen Datenmonetarisierung ist der messbare ökonomische Vorteil gegenüber dem Status Quo. Hierfür müssen die gefundenen Erkenntnisse in einem Testszenario evaluiert und validiert werden. Es ist in der Verantwortung des Managements einen starken Use Case zu definieren, der gewisse Iterationen verträgt und immer noch profitabel sein wird. Erst nach der erfolgreichen Umsetzung können Daten intern monetarisiert werden.

Schritt 4: Data as a Service (extern): In Unternehmen fallen neben den Daten der Kernprozesse auch Nebeninformationen an. Das sind in der Regel Daten, die nichts über Produkte oder Prozesse preisgeben, dennoch für Zulieferer und Lieferanten einen Wert haben und somit eine Handelsgrundlage sein können.

Schritt 5: Data Solutions as a Service (extern) In einer digitalen Marktwirtschaft, in welcher Hersteller mit Zulieferern, Lieferanten und KI-Experten Daten austauschen und handeln, wird sich wahrscheinlich, wie in der analogen Marktwirtschaft, eine erhöhte Nachfrage nach beliebten Datentypen einstellen. Es ist die Aufgabe des Managements diese Nachfrage vor dem Kontext des Unternehmens zu interpretieren und eine Datenlösung zu konstruieren, die den Kunden des Unternehmens zusätzlichen Mehrwert gegenüber dem Datum alleine liefert. Zur Überführung der Daten in eine Datenlösung bietet sich nun die in Schritt 2 implementierte Datenverarbeitungsarchitektur an, da dabei Modelle und Algorithmen abgeleitet werden, die die Kundenproblematik lösen können. Mithilfe von Schritt 4 können zudem ebenfalls externe Daten hinzugekauft werden, die den Service basierend auf den eigenen Daten ergänzen. Managementaufgabe wird sein, zu entscheiden, wie dieser Mehrwert an den Kunden gebracht wird.

Use Case umsetzen

Datenmonetarisierung birgt das Potenzial, die eigenen Prozesse als auch die der Kunden zu verbessern. Um mit der Datenmonetarisierung zu beginnen, sollten Unternehmen innerhalb von einem Jahr einen Use Case zum Verkaufen von eigenen Maschinendaten an einen externen Zulieferer umsetzen. Auch wenn dies nicht intuitiv ist, ist das der beste Weg, um schnell monetäre Mehrwerte zu erlangen, ohne wichtige Geheimnisse preiszugeben. In dem Jahr darauf sollten Daten von Dritten, z.B. Lieferanten oder Zulieferern, eingekauft werden, um die eigenen Prozesse zu verbessern. Dadurch müssen zwar monetäre Mittel investiert werden, aber durch die zusätzlichen Daten können neue Erkenntnisse gewonnen, die Kosten reduziert, die Produktivität gesteigert und das Risiko minimiert werden, so dass sich mittelfristig die Investitionen amortisieren werden. Letztlich sollten sich die Unternehmen fragen, welche Kundenprobleme sie mit ihren eigenen Daten lösen können. Hier helfen wichtige Erkenntnisse aus dem Handel der Daten, um zu verstehen, welche Probleme und Nutzen ein Kunde haben könnte. Werden dann die eigenen Daten, idealerweise durch Aggregation mit Daten, die extern erworben wurden, zu einem skalierbaren Service, einer App oder eines Algorithmus entwickelt, steht dem anbietenden Unternehmen eine exponentielle Einnahmequelle bevor.

Autor:
Firma: Senseering GmbH
www.senseering.de

News

- Anzeige -

Weitere Beiträge

Das könnte Sie auch interessieren

KI per Smartphone

Die KI-Software AI.See von Elunic wird häufig zur Prüfung von Oberflächen aus Metall und Kunststoff eingesetzt. Mit einem Starterkit und einem Smartphone können Anwender selbst einen ersten Eindruck einer KI-basierten Qualitätsprüfung gewinnen.

mehr lesen

Künstliche Intelligenz analysiert wertvolle Inhaltsstoffe

Kunststoffmüll ist ein Problem. Weltweit. Der Grund: Kunststoff ist meist verbaut und Teil eines komplexen Produktes: Auto, Kühlschrank, Lederschuh oder Smartphone. Materialanalyse, -trennung und Recycling wären ein Lösungsansatz. Hier setzt das Projekt ‚Digital Lifecycle Record for the Circular Economy‘ – kurz ReCircE – an. Es will mithilfe von künstlicher Intelligenz ein umfassendes Recyclingverfahren entwickeln. Teil des Projektes ist ein digitaler Produktpass. Er soll Transparenz über die gesamte Wertstoffkette schaffen, um die Verwertung von Kunststoffen aus hochentwickelten Produkten zu erleichtern.

mehr lesen

Schutz der Privatsphäre und KI in Kommunikationssystemen

Alle zwei Jahre vergeben der VDE, die Deutsche Telekom sowie die Städte Friedrichsdorf und Gelnhausen den mit 10.000 Euro dotierten Johann-Philipp-Reis-Preis an einen Nachwuchswissenschaftler. Dieses Jahr geht er an Prof. Dr.-Ing. Delphine Reinhardt von der Georg-August-Universität Göttingen und an Dr.-Ing. Jakob Hoydis von den Nokia Bell Labs in Nozay, Frankreich. Die beiden Preisträger teilen sich die Auszeichnung und damit das Preisgeld.

Infor bringt Infor Coleman AI auf den Markt

Infor, Anbieter von branchenspezifischer Business-Software für die Cloud, hat bekanntgegeben, dass die Plattform Infor Coleman AI für Embedded-Machine-Learning-Modelle ab sofort verfügbar ist. Sie bietet die Geschwindigkeit, Wiederholbarkeit und Personalisierung, die Unternehmen benötigen, um KI vollständig zu operationalisieren.