Jetzt ist der perfekte Moment für den Wechsel zu proaktiven Operations

Gerätehersteller und -nutzer wollen Erkenntnisse aus Analyse und Modellierung von IoT- und Sensordaten nutzen, um von reaktiven zu proaktiven Operations überzugehen.

Die rasche Einführung von IoT und eingebetteten smarten Sensoren durch Gerätehersteller in Kombination mit neuen Konnektivitätsoptionen bietet einfachen Zugriff auf umfangreiche operative Daten. Immer mehr Hersteller und Nutzer wollen diese Daten analysieren und modellieren, um proaktiv zu werden. RTInsights sprach mit Chris MacDonald, Head of AI and Analytics, Digital Transformation Solutions bei PTC, über Treiber, Herausforderungen und Schlüsseltechnologien.

Warum Interesse an proaktiven Operations – und warum jetzt?

MacDonald: Service und Aftermarket werden wichtige Aspekte moderner Fertigungsgeschäfte. Kunden fordern mehr Wert. Hersteller erkennen, dass langfristige, engere Kundenbeziehungen profitabler und nachhaltiger sind – mindestens sichern sie wiederkehrende Umsätze.

Produktmargen werden ständig gedrückt. Unternehmen schauen auf Service, um Margendruck durch höheren Wert, engere Kundenbeziehungen, tiefere Einbettung in Kundenoperationen und zusätzliche verwandte Produkte/Services auszugleichen.

Problem: Service und Aftermarket wurden traditionell an Dritte ausgelagert, die nicht immer exakt gleich arbeiten oder Richtlinien befolgen. Proaktiv zu werden bedeutet, Kontrolle zurückzugewinnen – mindestens Transparenz, dann Standardisierung.

Service-Margen können das 2,5-fache von Neuproduktverkäufen betragen. Viele Hersteller erwirtschaften 40–50 % des Gesamtgewinns im Aftermarket. Da liegt der Start bei proaktiven Insights und Operations nahe: Geräte und Assets im Feld „hören“, Betriebsabläufe an entdeckte Muster anpassen. Proaktive Operations schützen Service-Profitabilität, ermöglichen aggressivere SLAs, gewinnen profitables Geschäft und halten es langfristig.

Vorteile eines proaktiven Ansatzes

MacDonald: Eine Analogie: Physische Assets, smarte vernetzte Produkte. Telemetriedaten und Servicedaten aus Systemen – das ist wie „hören können“. Die Frage: Worauf höre ich? Viel Rauschen – wie filtere ich das Wichtige?

Schon ohne prädiktive/präskriptive Analytics: Features und statistische Relevanz zu Leistung geben die Fähigkeit, klar zu hören, welche Töne im Hintergrundrauschen in oder außer Takt sind.

Man hört immer einen Schrei. Aber ein Schrei kommt meist von jemandem (oder etwas) bereits in Krise, Schaden erleidend. Man reagiert reaktiv.

Vorteil: wirklich die richtigen Dinge hören. Leistungsmuster und -verhalten erkennen, diagnostizieren. Kunden erwarten nahtlose Operations. Sie bestrafen Hersteller, die sie für ungeplante Ausfallzeiten verantwortlich machen. Töne, die aus der Reihe tanzen, erkennen → Problem adressieren, bevor der Schrei kommt – vom Gerät oder Kunden.

Analytics liefern diagnostische Insights. Abweichungen von Best Practices oder richtiger Gerätenutzung erkennen. Proaktive Operations basierend auf Analytics entdecken Probleme vor deren Entstehen.

Mit vernetzten Produkten: Blick in die Betriebsumgebung des Assets. Analytics, besonders fortgeschrittene, verarbeiten Daten zu statistisch relevanten Anomalien, Mustern, Events. Objektivere Linse auf das eigentliche Problem.

Service-Effizienz durch bessere Planung und Ressourcenallokation. Prädiktive Insights für Übergang vom Break-Fix- oder Kalender-basierten Service-Modell machen Service-Calls effizienter: weniger Truck Rolls, Callbacks, etc.

Ohne vernetztes Produkt: Techniker rausgeschickt für Diagnostik, dann falsches Teil oder fehlende Expertise. Betrieblicher Ausfall verzögert Reparatur. Ausfallvermeidung kritisch. Aber auch Effizienz routinemäßiger Wartung: oft effizienter, Wartung vor technischer Notwendigkeit durchzuführen. Routine-Calls zu höherwertigen Touchpoints transformieren.

Guter Techniker mit richtigen Analytics weiß, worauf er noch achten muss. Richtige Diagnostik für schnelle Lösung, zusätzliche Datenpunkte für bessere Insights zum Gerät in seiner Umgebung.

Bedeutung remote Self-Service-Fähigkeiten nicht zu unterschätzen, besonders in Pandemie.

Nutzt man präskriptive Analytics und Wartung schon regelmäßig, oder ist es zu früh?

MacDonald: Ja, es gibt Nutzung. Aber eher Machine-Builder-Thema als Fertigungsoperationen. Ein Leuchtturm-Case: Reifenhersteller. Reifenbau-Maschine hat verschiedene Sollwerte. Wenn nicht bestimmter Weise gemacht → Nacharbeit oder Ausschuss → Geld- und Umsatzverlust.

Präskriptive Analytics formierten sich, weil Daten verfügbar waren und man sie kannte. Man konnte sie mit operativen Ergebnissen aus prädiktiver Sicht verknüpfen. Man weiß, was passiert, bevor der schuldhafte Schritt erfolgt. Aber man hatte auch Hebel: im Machine-Builder-Kontext sind Sollwerte echte Hebel oder Daten-Hebel. Optimierungen laufen lassen, verschiedene Sollwerte vorgeben, um Probleme zu verhindern. Use Case = hunderte Millionen Dollar ROI.

Geht es hier um ROI?

MacDonald: Absolut, besonders operativ. Als Hersteller von Reifenbau-Maschinen: Kunde muss Arbeitsweise ändern für bessere Gerätenutzung. Dann: Vielleicht basieren meine Engineering-Specs nicht auf Langzeitnutzung oder simulieren nicht richtige Bedingungen. Sollwerte sind dynamischer als erwartet.

Da fragt man: Sollte ich Analyse dieser Sollwerte und Applikation für Endkunden bereitstellen? Wenn ich Insight habe, wie mein Equipment Wert oder Herausforderungen liefert, kann ich diese Insights als Service anbieten, damit operative Ergebnisse stimmen.

Welche zugrundeliegenden Technologien braucht man für Erfolg?

MacDonald: Kritische Technologie: Konnektivität. Ermöglicht Kontextualisierung – wo Assets sind, physische Landschaft in Daten. Mit richtiger Technologie Daten in Relation zu Kontext modellieren.

Weitere wichtige Technologien: Systemintegration mit Edge-Konnektivität zu Sensoren. Andere Systeme/Service-Systeme als Teil proaktiver Bemühungen. Je mehr Fähigkeiten/Tools die Integration vereinfachen, desto besser.

Remote Monitoring ist Startpunkt. Man muss zumindest „hören“ können, bevor man „zuhört“.

Augmented Remote Assistance, 3D-Arbeitsanweisungen, Expert Capture sind kritisch. Service, Ersatzteilmanagement, Workflow-Management ziehen Insights aus Analytics. Statistische Berechnungen und ML erleichtern.

Automated ML: Modelle schneller erstellen und tunen für Datenrepräsentation. Bessere Vorhersagen/Ergebnisse. Alles muss durch generelle Analytics verbessert werden.

Zusätzlich: Applikationsentwicklungsplattform. Proaktive Operations Use Cases sind komplex. Kritischste Fähigkeiten: verbinden, speichern, Daten Sinn geben – besonders mit Advanced Analytics wie ML für Modelle und Vorhersagen.

Das muss VOR dem Einschalten passieren. Echtzeitsysteme/Applikationen für Daten in Modelle. Systeme/Applikationen, die Vorhersagen nehmen und etwas damit tun.

Aufwärtsspirale aus Insight und Business Value enorm. Ohne ubiquitäre Konnektivität: proaktive Operations-Initiativen nicht über Pilot-Phase skalierbar. Manuelle, inkonsistente Datenextraktion wird immer weniger machbar.

Vielfalt an Analytics-Techniken an jedem Prozessschritt nötig für nützlichen Insight. Hersteller starten mit Sensoren an Feldgeräten, Remote-Konnektivität. Schwellenwerte warnen Operatoren, Remote-Techniker, Service-Org vor potenziellen Problemen.

Schwellenwerte entwickeln sich mit zusätzlichem Insight zu gleitenden Durchschnitten, Benchmarks, die normales Nutzungs-/Betriebsmuster berücksichtigen. Flagged Investigations in ML-Algorithmen → potenziell kausale Muster, reichhaltige automatisierte Diagnostik. Dann Vorhersagen, sogar Präskriptionen. Chance, Geschäfts- und Betriebsprozesse grundlegend neu zu denken. Fundamentale Transformation von Service-Operationen.

Herausforderungen bei diesen Technologien – wie hilft PTC?

MacDonald: Fundamental: der Startpunkt Konnektivität kann Herausforderung sein. Unterschiedliche Geräte, Versionen, Betriebsbedingungen über Hersteller und Kundenbasis hinweg. Datenmessungen und technische Konnektivitätsprotokolle unterscheiden sich. PTC hilft mit Fähigkeiten für Hierarchien, föderiert von Edge zu Cloud, die Definition und Iteration digitaler Assets erleichtern.

Hersteller haben begrenzte Daten über Kunden-Betriebsumgebung. Selten Daten außerhalb verkaufter/servicierter Geräte. Heißt: nicht immer gelabelte Daten. Besonders Label-Outcome-Daten bedacht: Outcome kann operatives Stück sein.

Andere Techniken nötig: Anomalieerkennung, statistisches Monitoring. Gute Zwischenschritte vor prädiktiven Insights. Besonders wenn Umstand/Fehlermodus nicht klar gespeichert/persistiert.

Zuletzt: Proaktive Operations erfordern Integration in verschiedene Systeme für Aktionen auf prädiktive Insights – Alerting, Visualisierung, Workflow-Initiierung, andere Systeme. Workflow-Tools und API-Integrationen in Plattform/Software absolut essenziell.

Ein Schlüssel: Digital Transformation erfordert committed effort. Kollaboration, Lernbereitschaft, Iteration. Fundament bauen, weil Technologie-Implementierung harte Arbeit ist.

Keine Magie. Erfolgsschlüssel ist mehr als Technologie. Projekte müssen auf übergreifende Vision ausgerichtet sein. Vielfältige Stakeholder müssen sich auf gemeinsame Datendefinitionen einigen. Ingenieure, Architekten, Data Scientists, Operatoren – traditionell in getrennten Universen – müssen kollaborieren, iterieren, Insights ableiten, bessere Aktionen für reale Prozesse.

Alle müssen datengetriebene Entscheidungen treffen wollen. Erfordert Executive Leadership als Voraussetzung. Leader, die ill-definierte Projekte mit unrealistischen Erwartungen werfen, riskieren Scheitern. Mit Business-Zielen starten, rückwärts zu Digital-Transformation-Vision. Noch vor Identifikation guter Projekte als Bausteine für Strategie.

Kurz: Moderne Leader brauchen Vision, klar genug zum Organisieren, flexibel genug für inhärente Unsicherheit in der Iteration. Balance zu treffen – im Rückblick klar, nach vorne schwierig.

Welche Branchen/Anwendungen profitieren most vom Wechsel zu proaktiven Operations?

MacDonald: Jeder Hersteller, der Equipment liefert, das kritisch für Kundenoperationen ist. Situationen, wo Ausfallzeit kritisch, Service kostspielig, Sicherheit/Regulatory Compliance hohe Priorität.

Beispiel: Howden, globaler Leader für Luft- und Gasbehandlungslösungen. Equipment in Infrastruktur, Energieerzeugung, Öl/Gas, Abwasser, Metalle, Bergbau, Transport.

Assets kritisch für Systemgesundheit. Howden Uptime Solution entwickelt – anfangs für High-End-Bespoke-Assets, IoT-Lösung. Zeigt Insights nicht nur Service-Org, auch Endkunden.

Wasserkonzentration war nicht Teil der Lösung (nicht inline überwacht – Techniker manuelle Messungen). Ein Öl/Gas-Kunde hatte Probleme. Kundeninstinkt: „Equipment funktioniert nicht, verursacht Ausfall.“ Howden wollte Problem verstehen. Wasser-Vorhersagemodell in Applikation eingebettet: zeigte, dass es an der Operation lag, nicht am Equipment. Modell gab Insight, wie Equipment unter Betriebsbedingungen besser genutzt wird.

Chance bei einem wichtigen Client, IoT-Lösung voranzutreiben, kontinuierlich diagnostische/prädiktive Insights zu liefern. Lösung dann bei anderen Clients nutzbar.

Howden würde sagen: Kritischer Erfolgsfaktor ist Verständnis des Werts an der Schnittstelle dessen, was sie tun. Data Analytics und prädiktives Modellieren sind fundamental für globales Servitisierungs-Tempo. Großer Teil proaktiver Service-Projekte: Blueprint bauen, der strategische Wettbewerbsdifferenzierung in reifem Industriemarkt bietet.