Coen Jeukens ist Vice President of Global Customer Transformation bei ServiceMax. Er arbeitet mit Kunden und Interessenten zusammen, um den wahren Wert und das Potenzial ihrer Serviceorganisationen voll auszuschöpfen. Bevor er zu ServiceMax kam, war Coen Jeukens Director Services Contract bei Bosch, wo er ein ergebnisorientiertes Geschäftsmodell mit sehr beeindruckenden Ergebnissen einführte. Coen ist außerdem ein regelmäßiger Hauptredner auf prominenten Außendienstkonferenzen rund um den Globus.
Dies ist der zweite Beitrag einer zweiteiligen Blogreihe. Lesen Sie zur Orientierung unseren vorherigen Beitrag: Wenn Engineering und Service nicht dieselben Assets im Blick haben.
Um dort anzuknüpfen, wo wir aufgehört haben, wollen wir noch einmal auf unser vorheriges Beispiel zurückkommen. Das Unternehmen aus dem letzten Blogbeitrag verfügt über vier Produktlinien und eine installierte Basis im Wert von 6 Milliarden Dollar. Wir wissen, dass Informationen aus der Entwicklung an den Kundendienst weitergeleitet werden und dass die Produktqualitätsprozesse eine Rückkopplung zur Entwicklung ermöglichen. Jede Funktion verfügt über die Daten, die sie benötigt – jedoch gibt es keine gemeinsame Sicht auf das Produkt im Zeitverlauf.
Betrachten wir nun einen Anstieg der Servicekosten für eine Produktlinie. Die Serviceteams melden längere Reparaturzeiten und einen höheren Ersatzteilverbrauch. Die Entwicklung möchte wissen, ob eine Konstruktionsänderung zu dem Problem beigetragen hat. Die Finanzabteilung möchte wissen, ob eine bestimmte Konfiguration die Marge schmälert. Beide Fragestellungen könnten auf eine Antwort hindeuten.
Was wäre, wenn diese Führungskräfte, anstatt Produkte durch mehrere Systeme zurückzuverfolgen und Fragen an Analysten weiterzuleiten, über ein spezielles System verfügen würden, das Produktinformationen aus Entwicklung, Fertigung, Vertrieb und Service zusammenführt? Jedes physische Asset im Feld würde als sich weiterentwickelnder digitaler Datensatz dargestellt. Diese Datensätze würden die Konstruktionsabsicht der Entwicklung, die Ist-Konfigurationen aus der Fertigung, Vertriebs- und Vertragsdetails sowie die Servicehistorie aus dem Feld erfassen.
Die Idee systemübergreifend vernetzter Daten ist nicht neu, wohl aber ein speziell entwickeltes System zur Überwachung des sich weiterentwickelnden Produktlebenszyklus. Und dies wird mit den heutigen Technologien möglich.
KI-gestütztes Data Mapping ermöglicht es, Anlagen und deren Komponenten, Baugruppen und Konfigurationen systemübergreifend zu identifizieren, selbst wenn sich die Namenskonventionen unterscheiden und sich die Teilenummern im Laufe der Zeit ändern.
Versions- und zeitbezogene Anlagendatensätze verfolgen, wie sich jede Anlage verändert – und erstellen so eine chronologische Übersicht vom ursprünglichen Konstruktionsentwurf über die endgültige Konfiguration bis hin zu Änderungen vor Ort.
KI-gestützter Kontext über semantische Ebenen für jedes Team ermöglicht es Mitarbeitern aus den Bereichen Service, Qualität, Technik und anderen Teams, Fragen in ihrer eigenen Fachsprache zu stellen – beispielsweise, welche Konstruktionsrevisionen des Produkts „xyz“ im ersten Jahr nach der Installation mit mehr als drei Serviceeinsätzen verbunden sind –, ohne wissen zu müssen, wo sich die Daten befinden oder wie sie strukturiert sind.
Vektorisierte Anlagen-Darstellungen wandeln jede physische Anlage in ein strukturiertes Datenprofil um. Dadurch können Anlagen-Datensätze für schnelle Vergleiche gespeichert werden – anstatt einen Datensatz einer Pumpe als statischen Datensatz mit Attributen zu speichern, stellt das System jede Pumpe als ein im Laufe der Zeit dynamisch verändertes Profil dar.
Abbildung 1: KI-basierte Lösung für Anlagendaten mit funktionsspezifischen Anwendungen
Es ist möglich, diese Technologien einzusetzen, um die Lücke zwischen Daten und Entscheidungsfindung in großem Maßstab zu schließen, und entsprechende Produkte sind bereits in greifbarer Nähe. Auch wenn sie eine eigene Kategorie bilden werden, ist ihr Ziel unserer Meinung nach klar: die Entwicklung einer AI-first Asset Data-Lösung, die eine Grundlage für kontinuierlichen Informationsfluss schafft, der Design und Technik mit Vertrieb und Service verbindet – und damit einen riesigen Sprung nach vorn bei der Markteinführung von Produkten ermöglicht.
Von der Erkenntnis bis zur Umsetzung über den gesamten Lebenszyklus hinweg
Was wäre also, wenn unser Beispielunternehmen über eine KI-basierte Lösung für Anlagendaten verfügen würde? Das Problem der steigenden Servicekosten und die dahinterstehenden Ursachen würden schneller klarer werden. Technik, Service und Finanzabteilung arbeiten nun auf der Grundlage derselben, sich ständig weiterentwickelnden Anlagendaten, anstatt darüber zu diskutieren, welches System die „richtigen“ Daten enthält.
Die Technik isoliert zunächst die betreffende Konstruktionsänderung. Innerhalb weniger Minuten kann sie diese Änderung über den gesamten Bestand hinweg einsehen – welche Konfigurationen davon betroffen sind, wo diese Anlagen installiert sind und wie ihr aktueller Zustand vor Ort ist. Die Servicedaten zeigen ein klares Muster: Anlagen, die mit der überarbeiteten Komponente gebaut wurden, weisen im ersten Betriebsjahr längere Reparaturzeiten und einen höheren Teileverbrauch auf. Die Finanzabteilung legt Margendaten darüber und bestätigt, dass dieselbe Konfiguration höhere Servicekosten verursacht und die Rentabilität über den Lebenszyklus beeinträchtigt.
Was früher wochenlange Analysen und Abgleiche erforderte, lässt sich nun in einer einzigen, gemeinsamen Ansicht erledigen.
Dank dieser Erkenntnisse kann die Entwicklungsabteilung fundierte Entscheidungen treffen, unabhängig davon, ob es sich um ein konstruktions- oder servicebezogenes Problem handelt. In diesem Beispiel passen sie die Konstruktion an, um den Fehlermodus zu beheben, aktualisieren die Serviceanweisungen für bereits im Einsatz befindliche Anlagen und arbeiten mit der Fertigung zusammen, um die Änderung schrittweise in zukünftige Baugruppen zu integrieren. Gleichzeitig identifizieren die Serviceteams proaktiv gefährdete Anlagen, und die Produktverantwortlichen erkennen die finanziellen Auswirkungen sowohl von Maßnahmen als auch von Untätigkeit auf die gesamte installierte Basis.
Der eigentliche Wandel liegt nicht in der Geschwindigkeit, sondern in der Sicherheit und Präzision. Die Ingenieurteams reagieren nicht mehr erst lange nach dem Auftreten von Problemen oder diskutieren Entscheidungen auf der Grundlage unvollständiger Informationen. Sie können klar und frühzeitig erkennen, wie sich Designentscheidungen auf die gesamte installierte Basis, unter realen Betriebsbedingungen und in großem Maßstab auswirken. Das verändert die Art und Weise, wie Produkte verbessert, Risiken gemanagt und Innovationen vorangetrieben werden.
Um unser Beispiel abzuschließen: Unser Unternehmen bereitet sich darauf vor, seine vierte Produktlinie auf den nächsten großen Markt auszuweiten. Man fragt sich nicht mehr, ob eine schnell wachsende, 6 Milliarden Dollar schwere installierte Basis verwaltet werden kann; man trifft Entscheidungen darüber, wie man damit im Wettbewerb bestehen kann. Mit einer AI-first-Asset-Data-Grundlage verdeckt der Umfang die Erkenntnisse nicht mehr. Er verstärkt sie.