In der Industrie wird Planung zunehmend zu einem kritischen Unterfangen. Auf strategischer und operativer Ebene erweisen sich Dynamik und Volatilität der Rahmenbedingungen sowie die Zunahme von Interdependenzen als „Planungskiller“. Gleichzeitig weisen neue Datentechnologien und die wachsende Verfügbarkeit von Daten Wege aus der Planungsunsicherheit. Die industrielle Digitalisierung schafft die Grundlagen, um operative Exzellenz zu erhöhen, ein effektives Risiko- und Kostenmanagement zu etablieren und Transparenz über komplexe Wertschöpfungsnetzwerke zu gewinnen. Unter einer Vielzahl von Technologien, die dabei Potenziale bieten, lassen sich beispielhaft drei herausstreichen, die Unternehmen helfen, trotz hoher Umweltkomplexität nicht nur auf Sicht zu fliegen.
Predictive Analytics
Die Korrelation unterschiedlicher Parameter und deren Einfluss auf Produktionsabläufe erweist sich häufig als Black Box. Dadurch fehlen wichtige Tools, um Verluste zu reduzieren, Qualitätskosten zu senken, oder Liefertreue zu verbessern. Mit dem Predictive-Analytics-Ansatz lassen sich alle relevanten Parameter aufdecken, deren Zusammenhänge analysieren und in einem lernenden Datenmodell integrieren. Dadurch können prozessuale Schwachstellen identifiziert, Kosten der Qualitätssicherung und Instandhaltung reduziert und Prozesse vorausschauend und in Echtzeit gesteuert werden. Dafür gilt es, die Analyse des Geschäftsmodells, die Datenvorbereitung (Verständnis, Integration, Vorbereitung), die Datenmodellierung, die Evaluation, die Einführung und die laufende Anpassung in einem Modell zu integrieren. Deshalb erfordert der Aufbau von Predictive-Analytics-Lösungen die Zusammenarbeit unterschiedlicher Knowhow-Träger – etwa Prozessexperten der involvierten Bereiche, Data Scientists, Dateningenieure sowie der IT-Abteilung.
Model Predictive Process Control
Model Predictive Process Control (MPC) ist gerade für prozessorientierte Industrien wie Pharma, Chemie, oder F&B, ein effektiver Ansatz, um Prozesse in Echtzeit und auf Basis dynamischer Modelle zu optimieren. Ausgehend von einer echtzeitfähigen IT-Infrastruktur richtet sich der Fokus auf die jeweils nächste Produktionssequenz, wobei gleichzeitig der Gesamtprozess berücksichtigt wird. MPC erlaubt damit eine präzise vorausschauende Steuerung. Die Methode ist besonders geeignet, um den Produktionsanlauf zu beschleunigen, neue Technologien und Prozesse zu beherrschen, oder Verluste und Verschwendung zu reduzieren.
Process Simulation & Optimization
Simulationsstudien für komplexe oder kostenintensive Prozesse helfen dabei, bessere Entscheidungen zu treffen und die langfristigen Auswirkungen des Prozessdesigns abzuschätzen. Die Methode erfordert den Aufbau von Szenarien, die dynamische Einflussfaktoren wie Saisonalität oder Störungen der Wertschöpfungskette berücksichtigen. Dadurch können Entscheidungen über Investitionen, Dimensionierungen von Pufferlagern, d logistische Kapazitäten oder Wertströme simuliert werden. Wichtig ist dabei ein durchgängiger methodischer Simulationsprozess, der von der Ziel- und Problemdefinition über das Design und die Validierung des Simulationsmodells sowie die Datenaggregation bis hin zur Visualisierung von Ergebnissen reicht. Als kritische Faktoren erweisen sich häufig Verfügbarkeit und Validität der verwendeten Daten, die methodische Konsistenz des Simulationsmodells und ein multidisziplinäres Team, das Software-, Prozess- und Fachwissen vereint.
Diese Ansätze zeigen exemplarisch, dass Planung und Voraussicht nicht nur weiterhin möglich sind – es existieren heute auch Möglichkeiten, Transparenz und Prozessverständnis auf einem ganz neuen Niveau zu erreichen. Dafür muss allerdings das klassische Planungsinstrumentarium erweitert, tradierte „Planungsrituale“ auf den Prüfstand gestellt und neue Kompetenzen und Strukturen aufgebaut werden, die für eine erfolgreiche industrielle Digitalisierung unverzichtbar sind.
Autor: Dr. Sebastian Grundstein, Principal bei ROI Management Consulting AG
Quelle:
ROI Management Consulting AG
Infanteriestraße 11, D-80797 München
T: +49 -89-121590-0
