Enterprise KI treibt Innovation & Stabilität im Stahlsektor

Mit technologischen Fortschritten durch künstliche Intelligenz (KI) und der Schaffung von Data Lakes erkennen Organisationen deren Wert für die industrielle Produktion.

Enterprise KI kann in fundamentale Business Models eingebettet werden, um Decision-Making zu augmentieren. Sie fokussiert auf Outcomes statt auf die Technologie selbst, und ermöglicht Organisationen, Daten in wertvolle Insights für kontinuierlichen Customer Value zu transformieren.

Die Metallindustrie, eine der ältesten der menschlichen Zivilisation, war Rückgrat modernen industriellen Wachstums. Stahl ist das heute meistgenutzte Metall, und Eisen, das vierthäufigste Element in der Erdkruste, sein Hauptbestandteil.

Laut Worldsteel Association stieg globale Roheisenproduktion von 189 Mio. Tonnen 1950 auf 1,8 Mrd. Tonnen 2018. Rapides Wachstum der letzten zwei Jahrzehnte kam von Exzesskapazität in China, das knapp 50 % der weltweiten Stahlproduktion beiträgt. Das Mismatch verursachte massive Disruptionen in der Industrie, besonders in der westlichen Welt, als chinesische Hersteller Exzess-Inventar zu niedrigen Preisen exportierten.

Während dieses Imbalance wahrscheinlich continues, arbeiten Unternehmen an Effizienzsteigerung durch Modernisierung ihrer Eisen- und Stahlerzeugungstechnologien. Dabei haben sie Dependency auf menschliche Arbeit graduell reduziert, zugunsten von Automatisierung.

Ein modernes Stahlwerk beschäftigt weit weniger menschliche Arbeit als vor 25 Jahren. Während Weltstahlproduktion um das 2,5-fache wuchs, hat die Industrie mehr als 1,5 Mio. Workforce-Mitglieder abgebaut.

Die Stahl-Supply-Chain enthält einzigartige Elemente, die Kern der Industrie sind:

• Multi-Sourced Inbound Supply Chain. Minen generieren kontinuierlichen Fluss an Rohmaterialien. Doch Eisenerz kommt in Vielzahl von Formen und Qualitäten, oft requiring Additional Processing vor Endprodukt-Processing. Resultat: verschiedene Stahlgrade, nicht zwingend auf spezifische Customer Demands gepinnt.
• Fault-Sensitive Production. Eisen- und Stahlherstellung erfordert ungebrochenen Materialfluss zwischen Produktionsstufen: Hochofen, Basic Oxygen Furnace, Continuous Caster, Walzwerk. Shutdown und Restart eines gegebenen Operations während Steelmaking kann costly sein. Daher müssen Production und Inventory Flow balanciert werden, um Reheating Cost zu vermeiden, Changeovers zu minimieren und unwanted Accrual von Work-in-Progress-Inventaren zu eliminieren.
• Komplexes Finished-Product Storage und Distribution Network. Storage, Tracking, Distribution vulnerable zu Ineffizienzen durch varied Grades, Weight und Size von Endprodukten. Zudem Limitations bei Tracking-Technologien für Stahlindustrie, z. B. RFID Tags, die mit Stahls physikalischen Properties interferieren.
• Multiple Sales Channels. Traditionell relied Steel Companies auf diverse Indirect Sales Channels: Dealer, Agencies, Service Centers – alle targeting gleiche Markets. Steel OEMs haben limited Control im Marketplace, mit minimaler Visibility zu End-Consumer Requirements. Indirect Channels slow Selling Process durch multiple Hand-Shaking und Overhead-Akkumulation (Agency Commissions). Mit Internet Selling und Direct Sales Channels wurden E-Marketplaces und E-Auctions populär für Transparenz, verkürzte Sales Cycles, reduziertes Overhead. Gleichzeitig gaben E-Marketplace-Plattformen Kunden ready Access zu Market Data und Competitive Quotes für spezifizierte Grade Requirements. Resultat: Proliferation von Stahlgraden, 75 % davon in letzten 20 Jahren entwickelt. Kundenanforderungen mit kürzestem Order-Fulfillment-Cycle und wettbewerbsfähigstem Preis zu treffen, wurde Key zum Selling Process.
• Kommoditisierter und volatiler Markt. In der Stahl-Supply-Chain sind sowohl Raw Materials als auch Finished Product commoditized. Daher ist Business Price Volatility an Demand- und Supply-Points ausgesetzt, resulting in diminished Profitability.

Enterprises generieren täglich große Datenvolumen, exponentiell wachsend. Daten kommen in structured und unstructured Forms. Da In-Memory Computing, Storage und Digital Technologies reliable und affordable werden, nutzen viele Metallunternehmen sie für Advanced Analytics und Process Insights. Bisher fehlte jedoch den meisten Bemühungen organization-wide Vision in Form integrierter Supply-Chain-Strategien. Die Stahlindustrie hat signifikanten Raum, von verbesserter Digital Prowess zu profitieren.

Digital Twin & Big Data Lake: Foundation für Enterprise KI

Ein Digital Twin ist die virtuelle Replik physischer Supply-Chain-Prozesse und Backbone für Cyber-Physical Integration. Er gewährleistet nahtlose Data Transmission zwischen digitalen Welten und physischen Entitäten. Für Enterprise KI sind folgende Digital Twin Attribute notwendig:

• Ecosystem Commerce Platform für Informationsaustausch mit allen internen und externen Business Partnern, durch kommerziell verfügbare Off-the-Shelf Software.
• Listening Platform und Information Subscription, um Informationen jenseits der Grenzen direkter Kontrolle zu erfassen.
• Physical Equipment Connectivity und Event Capture durch IoT Devices. Der Digital Twin stellt kontinuierliche, Echtzeit-Datenerfassung an verschiedenen Supply-Chain-Nodes sicher: Erzlagerung (Miners, Suppliers, Vessel Operators), Produktion (Coke Oven, Sinter Plant, Blast Furnace, Caster, Mill), Produktlagerung und Distribution (Yards, Freight Transporters), Sales Channels (E-Marketplaces, Service Centers, Dealer).

Ein Big Data Lake ist der Single Place of Storage für alle Enterprise Data in nativem Format. Nutzbar für variety of purposes: Data Science-driven Advanced Analytics und Machine Learning. Für Stahlunternehmen kann ein Big Data Lake unrelated Business Data von verschiedenen Supply-Chain-Nodes speichern – Pits, Yards, Blast Furnaces, Casters, Mills – in Raw Formats. Big Data kann Insights in folgenden Bereichen liefern:

• Market Intelligence, zusammengesetzt aus Infos zu Makroökonomie, Monetary Policies, Tariffs, Metal Exchanges, Commodity Price Fluctuations, Competitor Infos, Geopolitical Situations.
• Steel Mill Data, Details zu Kapazität und Operations an verschiedenen Stages: Eisen- und Stahlerzeugung, Yard Management, Transportation.
• Business Plan Data, inkl. Production und Shipment Plans.
• Partner Ecosystem Data, generiert von externen Stakeholdern: Customers, Agencies, Service Centers, Miners, Freight Forwarders, Vessel Operators. Partner Ecosystem sollte Access zu Data in Multi-Enterprise Business Network (z. B. Ecosystem Commerce Platform) von externen Orgs bieten, mit denen Stahlunternehmen Business machen.

Enterprise KI Funktionen

• Sensing von Events an verschiedenen Stages der Stahl-Supply-Chain. Bevor Stahlprodukt beim Consumer ankommt, durchläuft es complete Manufacturing Lifecycle. Während Bulk Iron Ore in discrete Steel Products konvertiert wird, bewegen sich Raw Materials durch multiple Equipment und Process Steps. Jede Disruption oder Change an irgendeinem Part der Supply Chain hat major Impact auf andere Phasen der Production. Digital Twin mit assoziierten Attributen (IoT) erkennt Changes sofort und sammelt Data für weitere Analyse.
• Analysieren von Events und Bestimmen ihres Impacts auf KPIs an verschiedenen Time Horizons. Einmal Event Data collected, triggert Advanced Analytic Platform, um mögliche Influences auf geplante Aktivitäten zu identifizieren. Dieser Step Creates zahlreiche „What-If“-Szenarien in Bruchteilen einer Sekunde, allowing Comparison von Outcomes aus möglichen Changes throughout Supply Network. Assessment kann Impacts auf diverse KPIs innerhalb Planning Horizon bestimmen.
• Alternative Solutions empfehlen. Während Data Collection und Analysis essenziell sind, liegt realer Wert von Enterprise KI in Fähigkeit, volle Ausmaße von Impacts zu analysieren und assoziierte Recommendations zu geben. Wenn Impact beyond Threshold bestimmter KPIs, können Business Rules und Lessons aus prior Cognitive Experience Enterprise KI helfen, Solutions zu empfehlen, die desired Business Outcomes liefern. Solche Recommendations müssen Influences across Supply-Chain Network berücksichtigen und optimale Plans empfehlen.
• Outcomes optimieren durch kontinuierliches Cognitive Learning. Big Data Lake liefert Insights durch Data Science. Enterprise KI nutzt Information, um kontinuierliche Optimierung von Outcomes zu ermöglichen. Big Data Lake ist Masse unrelated Information, die Lifetime eines Humans zum Comprehend brauchte. Ohne Structure kann diese Information nicht für Business Purposes genutzt werden. Data-Science-Techniken können unstructured Data innerhalb spezifischer Business Dimensions filtern – Time Frame, Geography, Product – und Hidden Connections aufdecken für kontinuierliches Self-Learning.

Enterprise KI treibt Reliability, Efficiency und Productivity in der Stahlindustrie durch Reduktion manueller Arbeit, Ersetzen durch Machine-to-Machine Connectivity und Prescriptive Analytics. Sie kann Elemente sensen wie Market Insight, Demand Volatility, Disruptions in Production und Supply. Industrielle Nutzung von KI Technologies, zusammen mit Investments in Big Data Lakes und Digital Twins, verspricht, Stahlunternehmen in responsive und profitable Operations zu transformieren. Ein pragmatischer Blick auf Enterprise KI kann Stahl-Supply-Chain-Effizienzen dramatisch erhöhen, leading zu reduzierten Inventory Carrying Costs und verkürzter Time-to-Market im volatilen Stahl-Marketplace.

Hiranmay Sarkar ist Managing Partner bei Tata Consultancy Services' (TCS) Consulting and Services Integration Practice.