Als Unternehmen im Maschinenbau scheuen wir keine Herausforderung. Wie stellen Sie sich die Umsetzung Ihrer bahnenförmigen Produkte in der Produktion vor? Unsere Ingenieure setzen Ihre Anforderungen in intelligente Maschinen- und Anlagenkonzepte um, maßgeschneidert für Ihre Branche. Sei es die Herstellung von Tapeten, Bodenbelägen, Folien oder technischen Textilien. Dabei fokussieren wir nicht nur auf optimale Produktionsabläufe für Ihr Unternehmen, sondern auch auf absolute Präzision, höchste Effizienz und die maximale Zuverlässigkeit Ihrer neuen Anlage.

Welche zusätzlichen Potentiale sind für Industrieunternehmen durch die Einführung von KI-Technologie in komplexe Maschinen und Anlagen möglich? Welche konkreten Technologien verbergen sich überhaupt hinter diesem inzwischen sehr populären KI-Begriff und wie können damit verbundene Geschäftsmodelle aussehen? Worauf sollte bei einer Einführung von KI im Unternehmen besonders geachtet werden und an welchen Stellen werden zusätzliche Kompetenzen benötigt? Mit diesen Fragestellungen hat sich die OLBRICH GmbH | Polytype Converting® an das Mittelstand-Digital Zentrum Hamburg gewendet. In insgesamt vier aufeinander aufbauenden Workshops wurden mögliche Antworten auf diese Fragestellungen gegeben, von denen wir im Folgenden berichten möchten.

Im zweiten Workshop wurde das bisherige Geschäftsmodell analysiert und auf potenzielle Erweiterungen hin geprüft.  Als Erwartungshaltung und Ziel wurde im Vorfeld definiert:

• Skizzierung eines möglichen Geschäftsmodells
• Erste Prüfung und Bewertung verschiedener Ansätze

Klar war, dass das bisherige Geschäftsmodell erweitert und keinesfalls abgelöst werden sollte. In methodischer Hinsicht wurde das Business Model Canvas (BMC) (Osterwalder^[1]) als Basis ausgewählt und um die Berücksichtigung technologischer Entwicklungen erweitert. Dieses Modell wurde in einem ersten Schritt mit der Beschreibung des aktuellen Geschäftsmodells gefüllt, anschließend in Hinblick auf erforderliche und mögliche Änderungen bei dem Thema Predictive Maintenance erweitert. Dies war auch in einer Videokonferenz problemlos möglich, alle Beteiligten konnten dem Moderator einzelne Punkte nennen, die dann direkt auf dem Formular eingetragen wurden, was wiederum direkt für alle Teilnehmenden sichtbar war.

Folgende Einzelaspekte wurden bei der Analyse der Erweiterungen geprüft:

• Wie verändert sich das „Wertversprechen“ gegenüber den Kunden? Kann es kundenspezifisch „modulare“ Erweiterungen eines Standard-Produkt-Kerns geben?
• Verändert sich dadurch die Hersteller-Kunden-Beziehung grundlegend oder kommen „nur“ neue Produkte dazu?
• Welche neuen Prozesse müssen von wem etabliert werden? Zu welchen Kosten ist dies auf welche Weise möglich?
• Können mittelfristig neue Kundensegmente erreicht werden?
• Werden neue Einnahmemöglichkeiten erschlossen? Oder werden primär Kundenbeziehungen stabilisiert?

Bei der Entwicklung von Optionen für die Erweiterung des Geschäftsmodells stellte sich als Schwerpunkt des Wertversprechens eine weitere Verbesserung der Betriebssicherheit der Maschinen und Anlagen bei den Kunden heraus:

• Erhöhung der Verfügbarkeit der Maschinen und Anlagen
• Reduzierung der Lagerhaltung an eigenen Ersatzteilen bei den Kunden
• Bessere Planbarkeit von Servicetätigkeiten
• Lieferzeitenverkürzung für Ersatzteile durch rechtzeitigen Beginn der Fertigung (“proaktiver Service”) bzw. der Logistikaktivitäten (inkl. Zoll)

Dies erfordert auf Seiten der Ressourcen, dass neue Partner in die Prozesse des Geschäftsmodells integriert werden. Einerseits verstärkt sich die Rolle des Kunden als Partner im Co-Development, andererseits müssen weitere Leistungen in der Entwicklung, bei der Inbetriebnahme (auch bei Systemtests!) und in der Analyse des Betriebs durch externe IT-Dienstleister erbracht werden. Geklärt werden muss auch, „wem die Daten gehören“. Die Idee des KI-Einsatzes für Predictive Maintenance basiert auf der Verfügbarkeit möglichst vieler Daten. Dabei müssen die Kunden nicht bekannt sein, die Schlussfolgerungen über die Wartungsanforderungen können auch aus „anonymisierten“ Daten gezogen werden. Erhebung, Speicherung und Verarbeitung von Betriebsdaten werden zu essenziellen Ressourcen.

In der Folge müssen auch die Dispositionsprozesse für die Wartungsarbeiten und die Teileversorgung geändert werden. Im Gegenzug können ggf. die Kosten für Ersatzteillogistik reduziert werden.

Auf der Einnahmeseite scheinen Vorteile im Neugeschäft, vor allem aber im Kontext des gesamten Lifecycles möglich: Im After-Sales-Geschäft können Serviceverträge (als „Ersatzteilabo“ etc.) anders gestaltet werden, wodurch eine Chance auf regelmäßigere und kalkulierbarere Einnahmen realistisch ist.

Dabei verändert sich die Kundenbeziehung insofern, wie Kunden (1) Daten liefern müssen und mit der Bereitstellung ihrer Daten auch (2) Teil einer „Community“ werden. Damit ändern sich nicht nur technisch die Kommunikationskanäle zu den Kunden, sondern auch deren Relevanz verschiebt sich.

Das dargestellte erweiterte Geschäftsmodell beeinflusst nicht das bisherige Geschäftsmodell, sondern ergänzt dieses.

Die Erweiterung des Geschäftsmodells muss pilotiert werden; eine sofortige Einführung auf „breiter Ebene“ ist nicht sinnvoll. Von den verschiedenen Möglichkeiten einer Pilotierungsstrategie – (1) schnellstmöglich bei geringem Risiko, (2) schnellstmöglich bei maximaler Erlöserwartung, (3) höchster Kundennutzen – erscheint die Möglichkeit (1) als die sinnvollste. Dabei ist die technische Realisierung mit einem externen Dienstleister sinnvoll und erscheint auf Grund fehlenden eigenen Know-Hows auch als die einzige realistische Möglichkeit einer schnellen Einführung.

Neben der Wahl einer geeigneten KI-Technologie und einem damit verbundenen Geschäftsmodell ergibt sich die Fragestellung, wie eine Einführung methodisch strukturiert und für alle am Einführungsprozess beteiligten Stakeholder nachvollziehbar gestaltet werden kann. Um diese Fragestellung zu beantworten, wurde in diesem Workshop am Beispiel von Predictive Maintenance ein mehrstufiges Vorgehen zur Einführung von KI-Technologien durch das Mittelstand-Digital Zentrum Hamburg präsentiert. 

Gegenstand dieses Vorgehens sind unter anderem die Definition von Erfolgsmetriken, die Bestimmung von Ideal-Daten, die explorative Datenanalyse, die Erstellung und das Training eines entsprechenden KI-Modells, sowie die Bereitstellung und Überwachung der KI-Technologie. Im Rahmen der Vorstellung dieses Vorgehens wurden an verschiedenen Punkten Stellen identifiziert, an welchen zusätzliche externe Kompetenz mit eingebunden werden könnte, um die Rolle der OLBRICH GmbH | Polytype Converting® im Einführungsprozess zu betrachten. Zur Veranschaulichung des theoretischen Vorgehens, wurden Umsetzungsbeispiele in einem programmierten Quellcode gezeigt und entsprechende Zusammenhänge erläutert.