Erstes Ziel erreicht: Analytics
Ein Blick auf das neue Analyse-Tool von Koenig & Bauer (Quelle: Koenig & Bauer)
Als ersten Umsetzungspunkt auf seiner Digitalisierungs-Roadmap hatte sich Koenig & Bauer „Analytics“ gesetzt. Er sollte ein Jahr nach dem Start der Digitalisierungsoffensive erreicht werden. Auf der Hannover Messe war es nun soweit: Hier wurde der funktionsfähige Prototyp von Koenig & Bauer Analytics vorgestellt. Das Analyse-Tool führt Daten aus verschiedenen Quellen, wie MES und MIS sowie Maschinen-Logfiles, zusammen. Die Visualisierung der Daten basiert auf Google Looker Studio, einer Software zur Verwaltung und Visualisierung von Massendaten. Mit ihr lassen sich benutzerdefinierte und interaktive Berichte sowie Dashboards erstellen. Zu den Vorteilen gehören: schnellere, vereinfachte Auswertung von Performance-Daten aus unterschiedlichen Quellen, Identifizierung bisher verborgener Performance-Potenziale und langfristige Trendanalysen für bessere Investitionsentscheidungen. „Auf dem Dashboard können Datenauswertungen dargestellt und der Produktionsprozess überwacht werden. Der Anwender kann Muster, Trends und Anomalien in Produktionsprozessen erkennen und Maßnahmen ergreifen, bevor es zu Ausfällen kommt“, erklärt S. Wagner und konkretisiert: „Unsere Kunden erhalten detaillierte Informationen zum Beispiel über Rüstzeiten. Auf Basis dieser Daten können sie ihre Druckjobs optimieren und somit letztendlich Rüstzeiten einsparen.“ So lassen sich genaue Analysen zur Ausschussrate pro Job oder dem Energieverbrauch pro Job usw. umsetzen. „Bei kritischen Fehlern gibt es Alarme und Kunden erhalten Handlungsempfehlungen“, berichtet sie weiter. Letztendlich liege es in der Entscheidung des Kunden, welchen KPI er verbessern möchte.
G. Eder stellt als zentralen Punkt heraus, dass die Google-Cloud-Lösung Basic-KPI bereitstelle, mit denen 80 % der Standard-Kundenbedürfnisse abgedeckt würden. Um die Bedeutung zu untermauern, führt sie Ergebnisse einer IDC-Studie aus 2020 an: „Nur 36 % der KI-basierten Geschäftsmodelle gelangen jemals in einen produktiven Stand – sehr viele verbleiben in einem Teststand. Das liegt zum einen daran, dass nicht auf alle erforderlichen Daten zugegriffen werden kann. Zum anderen fehlen die Fachkräfte, um entsprechende Modelle zu erstellen. Und genau diesen Aufwand möchten wir mit unserer Lösung reduzieren: Einige ML-Modelle sind bereits vor trainiert auf fertigungsspezifische Anwendungsszenarien.“