Refine
Document Type
- Contribution to a Periodical (6)
- Part of a Book (4)
- Working Paper (4)
- Report (3)
- Internet Paper (2)
- doctorallecture (1)
- Doctoral Thesis (1)
Language
- German (21) (remove)
Is part of the Bibliography
- no (21)
Keywords
- AI (1)
- After-Sales-Services (1)
- BMWK (1)
- Big Data (1)
- Customer-Insight-Management (1)
- Customer-Success-Management (1)
- DLR (1)
- Data Governance (1)
- Data-Analytics (1)
- Datenaufbereitung (1)
Institute
Wachstum durch Reduzierung?
(2022)
Das Projekt LBM²-Load Based Monitoring and Maintenance erforschte die Einsatzfähigkeit einer kostengünstigen Lastsensorik zur Messung und Analyse von Restlebensdauerdaten für Großkomponenten an Windenergieanalgen (WEA). Da aktuell im Einsatz befindliche Condition-Monitoring-Systeme zur Überwachung von WEA oft teuer in der Anschaffung sind und lediglich vergangenheitsorientierte Informationen liefern, sobald ein kritischer Zustand bereits eingetreten ist, besteht der Bedarf insbesondere für KMU in der WEA-Branche für eine kostengünstige, proaktive Alternative. Hierzu wird im Projekt LBM² der Einsatz einer kostengünstigen, auf Dehnungsmessstreifen basierenden Messtechnologie erforscht, die über einen langen Zeitraum in einem Testwindpark betrieben wird. Die Erkenntnisse zu den Herausforderungen in der Spezifikation der Messtechnologie für den WEA-Typ sowie in der kontinuierlichen Datenerfassung und –auswertung adressieren ein aktuell hochrelevantes Themenfeld. Die Implikationen der Erkenntnisse gehen damit weit über die Branche der Windenergie hinaus. Mittels der gewonnenen Daten über die Lasten bzw. Restlebensdauern von Großkomponenten der WEA (z.B. Getriebe, Hauptwelle oder Hauptlager) wurden zudem deren Einsatzpotenziale für eine proaktivere, vorausschauende Instandhaltung von WEA untersucht. Die Instandhaltung ist der Hauptkostentreiber im Betrieb einer WEA und bietet demnach großes Potenzial für einen kosteneffizienteren Betrieb, der speziell für KMU in einem umkämpften Strommarkt mit wegfallenden EEG-Zulagen notwendig ist. Hierzu wurden im Projekt LBM² Instandhaltungsprozesse für WEA-Großkomponenten aufgenommen. Diese wurden in einer Simulationsumgebung hinsichtlich verschiedener, kosteneffizienter Instandhaltungsstrategien untersucht. Dazu wurde der Einfluss von Restlebensdauern auf spezifische Instandhaltungsstrategien abgebildet. Weiterhin wurden die Projektergebnisse in einen Softwaredemonstrator überführt, der den Anwendern und speziell KMU eine Möglichkeit an die Hand gibt, die Daten der kostengünstigen Lastsensorik in Zukunft übersichtlich visualisiert und mit relevanten Handlungsempfehlungen für eine optimierte Instandhaltung hinterlegt zu nutzen.
Das Dienstleistungsgeschäft gehört bereits seit einigen Jahren zum zentralen Wachstumstreiber vieler Unternehmen in Deutschland. Auch kleine und mittlere Unternehmen (KMU) des Maschinenbaus haben diesen Trend erkannt und sind bestrebt, ihr Leistungsangebot hinsichtlich After-Sales-Services (AS-Services) auszubauen. Dabei stoßen sie allerdings immer wieder an Kapazitätsgrenzen. Das vorhandene und hochqualifizierte Personal ist häufig bereits voll ausgelastet, während der Mangel an Fachkräften ein geeignetes Gegensteuern erschwert. Somit beschränken die Ressourcenengpässe KMU des Maschinenbaus, ihr eigenes Geschäft mit AS-Services auszubauen.
Digitale Technologien bieten in diesem Zusammenhang das Potenzial, diesen Engpässen entgegenzuwirken, indem die vorhandenen Ressourcen effizienter eingesetzt werden. Ein prominentes Beispiel hierfür ist der Einsatz von Datenbrillen im Bereich des Remote-Service. Statt dass ein Servicetechniker gezwungen ist, wegen einer Maschinenstörung zum Kunden zu fahren, können die Diagnose und auch einfache Maßnahmen zur Störungsbehebung vom Kunden selber vor Ort durchgeführt werden, während der Servicetechniker mittels Datenbrille live zugeschaltet ist und anleiten kann. Dadurch können Reisezeiten, in den der Servicetechniker üblicherweise nicht wertschöpfend tätig ist, reduziert und im besten Fall mehr Serviceaufträge pro Servicemitarbeiter bearbeitet werden.
Im Zuge der fortschreitenden digitalen Vernetzung durch Industrie 4.0 sind in den letzten Jahren viele digitale Technologien entwickelt und zur Marktreife gebracht worden. Die große Vielfalt dieser technischen Lösungen macht es insbesondere KMU mit ihren ohnehin schon begrenzten Ressourcen fast unmöglich, einen angemessenen Überblick zu behalten. Zusätzlich können Verantwortliche und Fachkräfte der KMU nur schwer beurteilen, welche digitale Technologie sich für ihre unternehmensspezifischen Anforderungen überhaupt eignet. Eine Bewertung, die eine technologieübergreifende Vergleichbarkeit ermöglichen würde, fehlt. Genau hier setzt das erste Modul des Digitalisierungsnavigators an, der als Demonstrator auf dem AiF Forschungsprojekt ScaleUp entstanden ist.
Ziel des Beitrags ist es, aufzuzeigen, wie produzierende Unternehmen entlang der Customer-Journey systematisch kundenbezogene Daten erheben können. Nach einer Einleitung zur Motivation der Themenstellung, einer Begriffserläuterung und einer Vorstellung des Studiendesigns wird ein Referenzprozessmodell der Kundeninteraktionen produzierender Unternehmen gestaltet, darauf aufbauend ein Datenmodell des digitalen Schattens der Kundeninteraktionen abgeleitet und zuletzt ein Vorgehensmodell zur Implementierung des digitalen Schattens der Kundeninteraktionen präsentiert.
Im durch das Bundesministerium für Wirtschaft und Energie (BMWi) geförderten Forschungsprojekt 'EVAREST' untersucht der FIR e. V. an der RWTH Aachen zusammen mit Projektpartnern wie dem Deutschen Forschungszentrum für Künstliche Intelligenz(DFKI) und dem Schokoladenhersteller Lindt & Sprüngli Deutschland GmbH die Chancen durch Digitalisierung in der Lebensmittelindustrie. Mit der Betrachtung von Daten als eigenständigem Wirtschaftsgut wird eine neue Form der Datenökonomie erforscht,in der ein monetärer Handel mit Datenprodukten ermöglicht wird. Die technische Umsetzung erfolgt u. a. durch die beteiligten Projektpartner Software AG und DFKI in Form eines offenen IoT-Plattform-Ansatzes. Die Erforschung der Rechtssicherheit im Handel mit Datenprodukten ist ebenfalls Bestandteil des Projekts und wird durch die Universität des Saarlandes abgebildet. Das Forschungsprojekt 'EVAREST' wird vom Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen
Bundestages gefördert.
Projekt ‚Future Data Assets‘: Reporting der unternehmerischen Fähigkeit der Datenbewirtschaftung
(2020)
„Daten sind das neue Öl.“ Ein vielfach genutzter Ausdruck, der die Relevanz und den Wert von Daten im digi- talen Zeitalter unterstreicht. Allerdings existiert derzeit noch kein standardisiertes Verfahren, um den Wert von Daten explizit zu bemessen. Traditionelle marktpreis-, kosten- und nutzenbasierte Bewertungsmethoden kommen bei der Anwendung im Datenkontext schnell an ihre Grenzen. Das Forschungsprojekt ‚Future Data Assets‘ hat zum Ziel, neue Möglichkeiten der Datenbewertung zu erforschen. Im Fokus der Untersuchungen stehen insbesondere produzierende Unternehmen, die zunehmend Daten wertschöpfend einsetzen, jedoch vor zahlreichen Herausforderungen in der externen und internen Kommunikation ihres Datenkapitals stehen. Das diesem Bericht zugrundeliegende Vorhaben wurde mit Mitteln des Bundesministeriums für Wirtschaft und Energie unter dem Förderkennzeichen 01MD19010B gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Autor.
Ein Subscription-Geschäftsmodell – das klingt nach maßgeblichen wirtschaftlichen Vorteilen. Daher stellt sich die Frage: Warum haben bisher noch nicht alle produzierenden Unternehmen diese Art der partizipativen Geschäftsmodelle aufgebaut?
Die Antwort: Der Aufbau und die Umsetzung von Subscription-Geschäftsmodellen gehen einher mit zentralen Herausforderungen, die Unternehmen im Zuge einer Geschäftsmodelltransformation bewältigen müssen. Hierbei hilft dieses Expert-Paper.
Eine Steigerung des Wertbeitrags der Instandhaltung kann nur im Zusammenspiel mit der Belegschaft sowie internen und externen Anspruchsgruppen geschehen.
Dabei bieten digitale Technologien eine Möglichkeit, Prozesse und Entscheidungen punktuell effizienter und besser zu machen. Eine nachhaltige Transformation muss jedoch nicht nur technologisch, sondern vor allem auch methodisch gestaltet werden.
Dabei müssen bewährte Methoden der zuverlässigkeitsorientierten
Instandhaltung und des Lean Managements mit den digitalen Technologien zusammenspielen, um den größtmöglichen Effekt für das Unternehmen zu erzielen.
Lean Services ist ein am FIR an der RWTH Aachen entwickeltes Managementkonzept, das die Vermeidung von Verschwendung und die konsequente Ausrichtung der Serviceprozesse an der Erzielung eines möglichst hohen Kundennutzens fokussiert. Konkret bedeutet dies, die Gestaltung schlanker Prozesse bei gleichzeitig komplexer werdenden Markt- und Kundenanforderungen zu berücksichtigen.
Im Mittelpunkt von Industrie 4.0 steht die echtzeitfähige und Intelligente Vernetzung von Menschen, Maschinen und Software, mit dem Ziel, komplexe Systeme transparent zu gestalten und dynamisch zu managen. Industrie 4.0 kann somit als Ergänzung des Lean-Services-Ansatzes dazu beitragen, die zunehmende Komplexität in der Leistungserbringung beherrschbar zu machen. Die Potenziale digitaler Technologien müssen dabei allerdings zunächst durch die Anwendung grundlegender Lean-Prinzipen "nutzbar" gemacht werden. Der Lean-Services-4.0-Zyklus gibt vor, wie Unternehmen diesen Weg gestalten können, indem die fünf Phasen des bewährten Aachener Lean-Services-Zyklus, ergänzt durch die drei übergeordneten Schalen Technologische Enabler, 'Lean Services 4.0'-Methoden und Potenziale von Lean Services 4.0 durchlaufen werden.
ZusammenfassungDieser Beitrag stellt dar, welche Chancen und Herausforderungen mit der Bewertung von Daten sowie der Abbildung monetärer Datenwerte verbunden sind und geht auf mögliche Lösungsansätze zur Bewertung von Unternehmensdatenbeständen, insbesondere im Kontext der industriellen Produktion, ein. Zunächst werden Grundlagen zur Charakterisierung, Nutzung und Verwertung von Daten sowie bestehende Methoden zur Bewertung von immateriellen Vermögensgegenständen dargestellt. Darauf aufbauend werden Chancen und Herausforderungen spezifiziert, potenzielle Lösungsansätze zur Datenbewertung abgeleitet und anschließend Anforderungen für die Datenbewertung beschrieben sowie die nutzenorientierte Datenbewertung skizziert.