Ursachen-für-Rentabilitätsverlust-identifizieren

Ursachen für Rentabilitätsverlust, Maschinenausfälle und Qualitätsverlust identifizieren

Branche: Industrie und Produktion

Aufgabenbereich: Produktion

Herausforderung

Wir befinden uns in einem sich schnell wandelnden Markt mit volatiler Auftragslage. Produzierenden Unternehmen fällt es zunehmend schwer, einen fundierten Forecast zu erstellen. Folglich lässt sich die Planung der Produktion sowie Ressourcen nur mühevoll vornehmen. Veraltete Anlagen und Maschinen sprengen die transparente Planung und Kosten zusätzlich.
Auswirkung: eine Abwärtsspirale für Effizienz, Rentabilität und Qualität, die ein Unternehmen in den Ruin treiben kann. Handlungsbedarf ist hierbei erforderlich.

Merkmale für eine ineffiziente Produktion

Hoher Ausschuss
Lange Stillstandzeiten / viele Störungen
Hoher Energieverbrauch
Hohe Produktions- und Lagerkosten
Hohe Fehlerquote
Hoher Krankenstand

Lösung

Durch Modernisierung und Ausbau bestehender Anlagen sowie Betriebsmittel, z.B. mittels IoT Sensoren oder NetApp Data Fabric, können Parameter identifiziert werden, die Einfluss auf die Produktivität haben. Fehler sowie Störungen können so bereits vor dem Auftreten ermittelt und verhindert oder Absatzprognosen vorgenommen werden.

Optimierte Prozesse, geringe Kosten und höhere Qualität durch Data Science

Zusammenhänge erkennen und nutzen
Root Cause Analysis
Um Zusammenhänge und deren Auswirkung zu untersuchen, lohnt sich zum Beispiel eine Root Cause Analysis. Bei dieser Analyse geht es nicht um Vorhersagen in die Zukunft, sondern um die Frage „Warum“. Es geht darum, Daten und deren Zusammenhänge zu verstehen und herauszufinden, was einen positiven und negativen Einfluss auf die Produktion oder Qualität nimmt.
Durch eine stetige Überwachung sowie Regelung der Produktion und die Verfolgung von Informationsströmen können ganze Produktionsreihen auch bei hochgradig komplexen, mehrstufigen Produktionsprozessen analysiert werden.

Bedarf prognostizieren
Predictive Analytics
Anhand von internen und externen Datenquellen wie z.B. Wetterdaten, können aussagekräftige Prognosen erstellt werden, die Einfluss auf die Produktion haben. So können Vorhersagen über GuV, Energiewerte, Absätze, die Lebensdauer von Produkten und vieles mehr gemacht werden.

Der Mensch
Wie bei allen Lösungen der ACP gilt es, den Mitarbeiter bei allen Prozessen von Beginn an in die Erarbeitung sinnvoller, technologiegestützter Lösungen einzubeziehen und Wissenslücken im Rahmen eines IoT- bzw. Data Science Projekts zu schließen.