Mit Predictive Analytics Service und Instandhaltung optimieren

Die Digitalisierung von Prozessen im Bereich Service und Instandhaltung bietet Unternehmen und Kunden bereits heute viele Verbesserungen und Vorteile. Mit den Daten, die dabei über Jahre gewonnen werden, lassen sich aber auch Erkenntnisse und Trends für die Zukunft ableiten. Durch den Einsatz von Predictive Analytics können Unternehmen damit schon heute die Zukunft ihres Service und ihrer Instandhaltung optimieren und sich somit Wettbewerbsvorteile verschaffen.

drew-beamer-xu5mqq0chck-unsplash.jpg

Mit Predictive Analytics schon heute die Zukunft verbessern

Mit der Vergangenheit die Zukunft gestalten

Predictive Analytics untersucht und bewertet Daten aus der Vergangenheit, um daraus fundierte Aussagen und Trends für die Zukunft abzuleiten. Dabei kommen hoch entwickelte Computeralgorithmen zum Einsatz, die riesige Datenmengen auswerten, um Entwicklungen sichtbar zu machen, die für Menschen so nicht erkennbar wären. Ziel ist dabei immer die Optimierung eines Produkts oder eines Prozesses, was sich für Unternehmen in Form von Kosteneinsparungen, einem erhöhten Kundennutzen oder einer besseren Ressourcenauslastung auswirken kann.

Wie funktioniert Predictive Analytics?

emile-guillemot-a333ixmpr68-unsplash.jpg

Mit Predictive Maintenance schneller sein und Wettbewerbsvorteile sichern!

Am Anfang des Predictive Analytics Workflows steht die Sammlung relevanter Daten. Diese sollten idealerweise aus dem Unternehmen selbst stammen und auch dem zukünftigen Anwendungskontext entsprechen. Liegen solche Daten nicht oder nicht in ausreichender Menge vor, können diese auch mit externen Daten angereichert, explizit generiert, simuliert oder zugekauft werden.

Daraufhin werden die gewonnenen Daten vorverarbeitet. Das heißt, die Daten werden hinsichtlich ihrer Relevanz ausgewählt. Dabei spielt auch die Rechenzeit und der Speicherplatz eine wichtige Rolle. Anschließend erfolgt die Aufbereitung: fehlerhafte oder unvollständige Daten werden bereinigt und komplette und vollständige Datensätze in ein geeignetes Format umgewandelt.

Bei der anschließenden Exploration erfolgt eine erste manuelle Analyse der Daten meist durch Visualisierungen wie Histogrammen, Scatter-Plots, Line-Plots oder Bar-Plots. Dabei lassen sich bereits erste Hypothesen ableiten. Aber auch fehlende Einheiten, Ausreißer oder falsche Daten können sich dabei zeigen. Eine Vernachlässigung dieses Schritts könnte fatal sein, da er essentiell für die  Überprüfung der Sinnhaftigkeit der Daten und des späteren Modells ist.

Der vierte Schritt ist die Modellbildung. Hierbei wird zunächst eine Modellklasse gewählt. Prädikative Modelle nutzen Methoden der Mathematik und der Informatik, um anhand von Veränderungen an den Modelleingaben ein Ereignis oder Ergebnis vorherzusagen. Das Modell wird dabei mit Hilfe von Trainingsdaten trainiert.

Bei der Evaluation werden die Trainings- von den Testdaten getrennt und die Modellleistung auf den Testdaten nach dem Training auf die Trainingsdaten kritisch überprüft. Schließlich sollte hinterfragt werden, ob die Ergebnisse des Modells Sinn machen und ob sie in der realen Welt anwendbar sind und einen Mehrwert bieten.

Werden diese Fragen positiv beantwortet, kann das Modell in die Anwendung gehen und in ein Produkt oder einen Prozess integriert werden und dies(en) nachhaltig verbessern.

Anwendungen in Service und Instandhaltung

nl-05-20-dashboards.jpg

Daten sind das Gold der Zukunft!

Durch Field Service Management-Software liegen heute schon Unmengen an Daten aus dem Bereich der Einsatzplanung und mobilen Auftragsabwicklung vor. Diese Daten gilt es zentralisiert zu sammeln und auszuwerten, um mit Hilfe von Predictive Analytics Vorhersagen für die Zukunft des Service und der Instandhaltung zu machen und diese Erkenntnisse gewinnbringend für das Unternehmen zu nutzen.
Zu den heute bereits verfügbaren Daten hierfür zählen:
 

• Anlagendaten: Daten aus den Rückmeldungen der Techniker geben Aufschluss über die Anzahl und Art der Störungen und Wartungen der eigenen Anlagen oder von Kunden. Durch die Erfassung von Mess- und Anlagendaten erhöht sich das Wissen über den Zustand der Installed Base bei Kunden oder im eigenen Werk. Dies bietet zum einen ein großes Potenzial für den After Sales. Zum anderen kann durch dieses Wissen und daraus abgeleiteten Wartungseinsätzen die Anlagenverfügbarkeit in der industriellen Produktion verbessert werden. Zudem sind Techniker, die bereits vorab über die zu wartende oder reparierende Anlage Bescheid wissen, besser vorbereit und werden den Auftrag schneller und somit kosteneffizienter für das Unternehmen erledigen.
• Kundendaten: Die Analyse von Kundendaten birgt ein weiteres großes Potenzial für den Service. Sie gibt Aufschluss über das Kaufverhalten, die eingesetzten Anlagen und Geräte sowie Service-Levels und öffnet somit Chancen für Cross- und Upselling. Personalisierter Service ist in einem kompetitiven Umfeld der Schlüssel für langfristige Kundenbeziehungen. Mit dem Wissen über Kundenpräferenzen, zum Beispiel was bestimmte Techniker oder Uhrzeiten für Servicetermine betrifft, können Unternehmen die Kundenzufriedenheit nachhaltig steigern.
• Ersatzteildaten: Durch die Integration der Materiallogistik in mobile Lösungen zur Auftragsabwicklungen lassen sich vom Verbrauch und von den Bestellungen Rückschlüsse auf den Verschleiß von Teilen ziehen. So kann man davon zum Beispiel ableiten, welche Ersatzteile bei bestimmten Anlagen am häufigsten verbraucht werden oder nach welcher Leistung bestimmte Ersatzteile getauscht werden sollten, um den Betrieb einer Anlage zu verlängern. Auch die Bestückung des Fahrzeuglagers kann mit diesem Wissen optimiert werden.
• Fahrtzeiten: Die Fahrtzeiten, die Techniker zurückmelden, können dazu beitragen, die Routenplanung für die nächsten Einsätze zu optimieren. Je nach Tages- oder Jahreszeit können diese variieren. Historische Daten können dazu beitragen die Routen den Techniker so zu planen, dass sie so pünktlich wie möglich beim Kunden eintreffen und über den Tag hinweg möglichst wenig Verzögerungen entstehen.
• Einsatzzeiten: Auch die Arbeitszeit beim Kunden vor Ort oder an einer Anlage in der eigenen Produktion wird über die Rückmeldungen in der App oder mobilen Lösung erfasst. Sie gibt Aufschluss darüber, ob die vom Disponenten eingeplante Zeit ausreichend für eine Entstörung war oder ob er das nächste Mal mehr Zeit einplanen muss. Wie schnell ein Techniker einen Auftrag erledigt, hängt auch davon ab, wie viel Erfahrung oder Wissen er hat.
• Ressourcen: Die Kapazitätsplanung ist ein großes Thema im Service und in der Instandhaltung. Sie ist abhängig von der Branche, den Produkten, saisonalen Bedingungen wie Wetter und Jahreszeiten und vielen anderen Faktoren. Die Auslastung der Mitarbeiter spielt eine wichtige Rolle bei der Unternehmensplanung, der Zufriedenheit der Kunden und der Mitarbeiter. Mit historischen Daten aus der Einsatzplanung wie zum Beispiel dem Auftragsbestand des letzten Geschäftsjahres lassen sich hypothetische Szenarien für die Zukunft erstellen und somit eine strategische Planung für die Ressourcen und Kapazitäten vornehmen.

Nutzen von Predictive Analytics für Service und Instandhaltung

frank-busch-pzifgmbsxcc-unsplash.jpg

Der Nutzen von Predicitve Analytics kommt dem Unternehmen, Kunden und Mitarbeitern zu Gute. 

Nutzen von Predictive Analytics im Bereich Service und Instandhaltung kommt dem eigenen Unternehmen, den Mitarbeitern und den Kunden zu Gute. Zu den Vorteilen, die Unternehmen mit dem Einsatz von Predictive Analytics erzielen können, zählen unter anderem:

o    Verbesserte Kundenzufriedenheit durch optimierte Routen- und Terminplanung
o    Weniger Ausfallzeiten von Anlagen und Maschinen durch Predictive Maintenance
o    Höhere Mitarbeiterzufriedenheit durch bessere Auslastung und weniger Überstunden
o    Kostensenkungen durch bessere Planung von Ressourcen und Zeiten sowie besseres Ersatzteilmanagement
o    Verbesserung der First-time-fix-rate durch optimierte Planung von Zeiten, Ressourcen und Ersatzteilen, mehr Wissen der Techniker
o    Schaffung von Wettbewerbsvorteilen durch besseren Kundenservice, Kosteneinsparungen und zufriedenere Mitarbeiter

markus-spiske-xekxe_vr0ec-unsplash.jpg

Bei zu vielen Daten gilt es relevante zu selektieren. 

Big Data

Die Herausforderung von Predictive Analytics im Bereich Service und Instandhaltung liegt in der Auswahl der richtigen und relevanten Daten. Um hier nicht den Fokus zu verlieren ist es wichtig, zu Beginn genau die Ziele zu definieren. Daraus lässt sich dann ableiten, welche Daten und Statistiken erhoben werden müssen, um diese Ziele gewinnbringend für das Unternehmen zu erreichen.