Use Cases von Data Science und KI im Maschinenbau - Teil 2

Was sind vielversprechende Anwendungsszenarien von Data Science und KI im Maschinenbau? Nach dem Auftakt-Artikel stellen wir Ihnen im zweiten Teil weitere interessante Use Cases und die durch sie entstehenden Mehrwerte vor.

Predictive Ordering: Optimierung der Lagerhaltung und des Ersatzteilservices

Um bei tausenden Bauteilen kurze Reaktionszeiten und schnelle Lieferungen zu ermöglichen, braucht es eine hohe Ersatzteilverfügbarkeit. Genau hier gilt es Out-of-Stock-Situationen zu vermeiden, gleichzeitig aber auch die Kapitalbindung im Lager möglichst gering zu halten. Eine manuelle Optimierung der Lagerhaltung ist ab einem bestimmten Sortimentsumfang nur schwer möglich. Algorithmen helfen die Warenbeschaffung zu automatisieren und deutlich mehr relevante Einflussgrößen einzubeziehen. Saisonale Schwankungen, Trends oder bekannte Nutzungszyklen von bestimmten Teilen: Durch die Verbindung unterschiedlicher Kennzahlen und Einflussgrößen lässt sich der zukünftige Bedarf prognostizieren. Gleichzeitig hilft eine Analyse der jeweils notwendigen Wiederbeschaffungszeiten den richtigen Bestellzeitpunkt zu finden.  

Beschaffungsoptimierung durch Preisprognose

Die Verfügbarkeit von Rohstoffen ist die unverzichtbare Grundlage für eine funktionierende Produktion. Die Zeiten in denen Rohstoffe unbegrenzt und zu vergleichsweise konstanten Konditionen verfügbar waren sind aber vorbei. Starke neue Marktteilnehmer wie China oder Finanzinvestoren treten immer stärker in den Markt ein und erschweren die Bedingungen beim Rohstoffeinkauf. Mit Zeitreihen- und Machine-Learning-Algorithmen können Preisentwicklungen von Rohstoffen prognostiziert und optimale Beschaffungszeitpunkte leichter gefunden werden. Diemöglichen relevanten Datenquellen reichen von der historischen Preisentwicklung der Rohstoffe über Nachrichtenmeldungen bis hin zu Branchenindizes und Währungskursen.  

Hit Rate von Angeboten prognostizieren: Verbesserung des Angebotsmanagements

Auch im Bereich der Angebotserstellung und Kundenbetreuung lassen sich mit Data Science Prozesse im Maschinenbau optimieren. Ein möglicher Use Case betrifft die Hit Rate – also die Erfolgsquote – von unterbreiteten Angeboten. Diese prognostizieren zu können ist insbesondere im Maschinenbau von großer Bedeutung. Denn besonders hier im Bereich umfangreicher Industrieanlagen mit individuellen Modifikationen oder kompletter Individualentwicklungen ist die Angebotserstellung besonders komplex und aufwändig. Gelingt es die Hit Rate verlässlich zu prognostizieren, lässt sich der investierte Aufwand für die Angebotserstellung besser steuern und Ressourcen effektiver nutzen. Auch hier bedienen sich die Prognosemodelle unterschiedlicher Einflussgrößen, wie wirtschaftlichen Kennzahlen des interessierten Unternehmens, Branchenindizes oder der Hit Rate zurückliegender Angebote. Ein weiterer Mehrwert dieses Use Cases: Die Verlässlichkeit der Umsatzplanung lässt sich ebenfalls erhöhen.  

Next Best Offer: Das richtige Angebot für den richtigen Kunden

Mit welchem Produkt lassen sich bestehende Kunden am besten ansprechen? Welche Leistung ist die passendste im Hinblick auf die bereits gekauften Produkte und Services? CRM-Daten können hier Aufschluss geben. Analytisch basierend auf Warenkorb- bzw. Assoziationsanalysen werden im historischen Kaufverhalten der Kunden analysiert, um Sets an zusammengehörigen Produkten zu identifizieren. Auch kann im Hinblick auf den Vertrieb eines bestimmten Produktes oder Services ein Scoring der Bestandskunden vorgenommen werden, um die erwartete Attraktivität der entsprechenden Leistung für den jeweiligen Kunden zu bewerten. Dieses Scoring ist die belastbare Grundlage, um Prioritäten zu setzen und die Responsequote von Vertriebsaktivitäten zu steigern.  

Entwicklungsschritte-Data-Science-Projekte

Use-Case-Konzeption, Prototyping, Produktivsetzung: Die Realisierung von Data-Science-Projekten

Erwarteter wirtschaftlicher Nutzen, analytische Komplexität, bestehende Datenlage: Der Ausgangspunkt von Data-Science-Projekten ist die Identifikation des richtigen Anwendungsfalls. Ist dieser gefunden, gilt es die Roadmap für die Realisierung zu entwickeln.  

Während des Prototypings wird aus der Idee eine erlebbare Lösung, die bereits konkrete Mehrwerte stiftet und Gegenstand für wertvolles Feedback der Nutzer ist. In dieser Phase wird die Datenbasis geschaffen und die prototypische Variante des Algorithmus entwickelt.  

Der erfolgreiche Prototyp kann nach einer Testphase für den Produktivbetrieb ausgebaut werden. Dabei wird der Algorithmus nahtlos in die relevanten Unternehmensprozesse und die bestehende IT-Umgebung integriert.  

Als Data Science Spezialist unterstützen wir Sie über den gesamten Prozess und verwandeln Ihre Daten in Mehrwerte. Sprechen Sie uns sehr gerne an oder erfahren Sie noch mehr über unser Projektangebot 

Weiterführende Links:

Newsletter abonnieren



Tobias Titze - Beitrag vom 09.06.2020

Tobias Titze betreut seit 2013 das Marketing der eoda GmbH. Seine tägliche Aufgabe ist der Brückenschlag zwischen einem komplexen Thema und den Anforderungen des Marktes. Er interessiert sich für Daten und Algorithmen und begeistert sich für die Vorteile, die sich für Unternehmen daraus ergeben.

Abonnieren Sie unseren Datenanalyse-Blog