Monat: Februar 2021

Während die OEM massiv von allen vier Faktoren beeinflusst werden, muss sich der automobile Mittelstand insbesondere den Auswirkungen der steigenden Konnektivität und der zunehmenden Marktdurchdringung batterieelektrischer Fahrzeuge stellen. Die Elektrifizierung des Antriebsstrangs macht viele, zentrale und wissensintensive Fahrzeugkomponenten obsolet. Verbrennungsmotoren werden durch Elektromotoren ersetzt. Kraftstofftank, und -leitungen sowie der Abgasstrang entfallen völlig. Ein ähnliches Bild ergibt sich infolge der zunehmenden Konnektivität und Substitution physischer Komponenten durch digitale Lösungen. Schon heute macht der Einsatz von Brake-by-Wire-Systemen Bremskraftverstärker überflüssig und anstatt von Schließzylinder und Schlüssel setzen immer mehr Fahrzeughersteller auf elektrische Schließsysteme mit NFC (Near Field Communication). Diese Veränderungen machen eins deutlich: Es ist nur eine Frage der Zeit, bis viele Unternehmen des automobilen Mittelstands gezwungen sein werden, ihr Geschäft neu zu erfinden. Sie sollten sich deshalb die Frage stellen, wie sie eine Unternehmenstransformation erfolgreich gestalten können und nicht ob diese in Zukunft notwendig sein wird.

Kernaufgaben eines Data Scientists liegen in der Modellbildung und Interpretation. Ein mathematisches Modell – eine einfache lineare Funktion, ein statistisches Modell, oder ein Maschinelles Lernverfahren – beschreibt den jeweiligen Sachverhalt abstrakt. Modellausgaben müssen anschließend im Kontext des Einsatzgebietes interpretiert werden. Dies funktioniert nur dann, wenn folgende Kriterien beachtet werden:

Datenvielfalt: Für die erfolgreiche Modellbildung müssen Daten eine hinreichende Vielfalt bieten. Wird das Beispiel Verkaufszahlen betrachtet, gibt es saisonale Effekte, wie beispielsweise ein erhöhter Absatz zur Weihnachtszeit – somit müssen Daten für den gesamten Jahresablauf vorhanden sein. Deutlich schwieriger ist es bei Maschinendaten aus der Produktion. Maschinen erzeugen stetig wiederholende Daten. Für die Beschreibung eines Maschinenausfalls benötigt man Daten außerhalb des typischen Betriebsbereiches – dies ist selten in den aufgezeichneten Produktionsdaten vorhanden.

Datenqualität: Daten müssen fehlerfrei und zuverlässig aufgezeichnet sein sowie den Sachverhalt korrekt darstellen. Dies wird durch die Bereinigung und kontinuierliche Pflege ermöglicht. Ausreißer lassen sich bei hinreichend großer Datenmenge durch statistische Eigenschaften identifizieren.

Annotationen: Für die Interpretation der Ergebnisse ist Kontextwissen aus dem Anwendungsgebiet notwendig. Dazu müssen Daten mit Meta-Informationen und Annotationen ergänzt werden. Beispielsweise können Maschinenexperten ein fehlerhaftes Verhalten in den Daten markieren oder Prozessexperten Zielgrößen für einen optimalen Prozess ergänzen.

Unter einem Smart Service wird eine „digitale, datenbasierte und auf einem physischen Produkt basierende Dienstleistung“ [KED+19] verstanden. Dabei sind die wesentlichen Subsysteme eines Smart Services ein physisches Produkt als Datenquelle, Produktdaten und (digitale) Dienstleistung. Im Bild sind die Subsysteme in das Schichtenmodell in Anlehnung an ACATECH eingeordnet [Aca15].

Das Zusammenspiel aus einem physischen Produkt und Produktdaten ermöglicht den Aufbau einer zusätzlichen digitalen Dienstleistung, wie bspw. Zustandsüberwachung oder prädiktive Wartung. Solch eine Erweiterung der bestehenden Produktfunktionalität kann das Angebot eines produzierenden Unternehmens mit dem Alleinstellungsmerkmal ausstatten, welches eine deutliche Abgrenzung von der Konkurrenz ermöglicht und den Schutzgraben vor Nachahmungen ausbaut.