Marginale Spalte
Prof. Dr. Felix Wortmann

Prof. Dr. Felix Wortmann
ist wissenschaftlicher Leiter des Bosch IoT-Labs und Assistenzprofessor für Technologiemanagement an der Universität St. Gallen (HSG). Von 2006 bis 2009 war er Assistent des Vorstands der SAP AG. Seinen Bachelor und Master im Fach Wirtschafts­informatik absolvierte Wortmann an der Universität Münster, an der Hochschule St. Gallen promovierte er im Jahr 2006. Seine Forschungsschwerpunkte liegen in den Bereichen Big Data, Internet der Dinge und Geschäftsmodellinnovation. Sein interdisziplinäres Team im Bosch IoT-Lab beschäftigt sich mit Themen wie Smart Living & Working, Smart Mobility und Machine Learning.

Copyright Photo: ITEM-HSG St. Gallen

„Mit Data Analytics schaffen wir hybride Wertschöpfung in der Industrie“

Inhalt

November 2017

 

Warum es entscheidend ist, bei Data Analytics immer den konkreten Anwendungsfall im Blick zu haben, erklärt Prof. Dr. Felix Wortmann, wissenschaftlicher Leiter des Bosch IoT-Labs an der Hochschule St. Gallen.

Professor Wortmann, sind Data Analytics der Generalschlüssel zur Lösung aller Probleme in der Produktion?

Wortmann: Nein, so einfach ist es nicht. Außerdem war die Produktion ja schon immer datengetrieben. Transparenz ist nun mal die Voraussetzung für Verbesserung. Nur wenn ich weiß, was passiert und wo ich stehe, kann ich mich verbessern. Wir erhöhen jetzt aber die Auflösung: Mehr Daten werden in höherer Frequenz erhoben. In der Medizin gab es den großen Sprung vom Röntgen zur CT und MRT. Das hat die Medizin grundlegend verändert. Gleiches passiert jetzt gerade in der Produktion unter den Schlagworten Internet der Dinge, Industrie 4.0 und Smart Service. Dabei fangen wir ja nicht bei null an: In den letzten Jahrzehnten haben wir zum Beispiel im Data Warehousing gelernt, Daten zu integrieren und sie mit Business Intelligence systematisch auszuwerten. Jetzt machen wir in der Welt von Big Data und dem Internet der Dinge den konsequenten nächsten Schritt.

Was ist dann der Lohn für die Mühe?

Wir schaffen zusätzlichen Wert. Wenn wir ein Produkt mit Sensorik aufrüsten und die generierten Daten auswerten, können wir auf der Basis von Data Analytics zusätzliche Services anbieten. Man spricht auch von der hybriden Wertschöpfung durch Produkt und Service. Schon lange versuchen produzierende Unternehmen, ihr Servicegeschäft auszubauen. Das ist nicht neu. Mit der Vernetzung von Maschinen gibt es aber nun völlig neue Möglichkeiten, Services tief in den Produkten zu verankern und existierende Geschäftsmodelle auszubauen. Analytics ist damit die Grundvoraussetzung, um erfolgreich digitale Dienste anzubieten. Die nächste große Servicewelle wird durch Vernetzung der Maschinen und Data Analytics ausgelöst. Predictive Maintenance ist nur der Anfang.

Gibt es einen Königsweg, wie sich Anwender dem Thema Data Analytics annähern können?

In der Produktion haben wir da noch ein Stück Weg vor uns. Die etablierten Internetunternehmen wie Google sind hier natürlich schon einen Schritt weiter. Wichtig ist, dass wir Nutzer und Entscheider mit dem konkreten Nutzen überzeugen.

Klingt selbstverständlich, in einem Hype wird das aber ganz gerne einmal vergessen. Vielfach wird heutzutage ein Bottom-up-Vorgehen propagiert. Wir erfassen so viele Daten wie möglich und versuchen, daraus Nutzenpotenziale abzuleiten. Ich halte das für zu einseitig. Ein Top-down-Vorgehen kann ebenso zielführend sein. Hier steht zunächst das Problem im Vordergrund und die Daten werden dann konkret im Hinblick auf Verbesserungspotenziale untersucht.

Gibt es für beide Wege eine Grundvoraussetzung?

Ja, die heißt Agilität. Wir müssen auch in den klassischen Industrien lernen, uns wenigstens zeitweise von der Perfektion zu lösen. Wir brauchen den Mut, auch mal mit einem sogenannten Minimal Viable Product, einem minimal marktfähigem Produkt, den Markt zu testen und in der Praxis zu explorieren. Erst wenn der schnelle Test erfolgreich ist, machen wir uns an die Skalierung. In der agilen Welt, in der wir uns bewegen, findet Exploration nicht mehr als geschlossenes Experiment im Unternehmen, sondern in der Wirklichkeit mit dem Kunden statt. Dabei müssen wir uns von mancher Gewohnheit und mancher etablierten Struktur verabschieden und bereit sein, neue Wege zu gehen. Die klassische IT beispielsweise wurde jahrzehntelang auf Perfektion, Sicherheit und absolute Verlässlichkeit getrimmt. Da kann man nicht von heute auf morgen einen Gesinnungswandel erwarten. Das braucht Zeit. Entscheidend ist, dass man sich vom Silo-Denken verabschiedet und den Mut hat, gemeinsam neue Pfade zu beschreiten. Wir müssen uns trauen, auch mal was auszuprobieren – und gelegentlich zu scheitern.

Warum brauchen wir bei allen Errungenschaften der Data Analytics immer noch den Praxisabgleich, beispielsweise reale Crashtests in der Automobilindustrie?

Wenn Data Analytics auf Modelle setzt, müssen diese die Realität angemessen beschreiben. Das gelingt je nach Anwendungsdomäne besser oder auch schlechter. Komplexität der Domäne und bereits gesammelte Erfahrungen sind hier entscheidende Kriterien. In der Automobilindustrie sind wir beispielsweise bereits sehr weit. Aufwendige Crashtests brauchen wir jedoch auch heute noch, um unsere Modelle zu überprüfen. Die Modelle der Wetterprognose funktionieren nur auf kurze Sicht. Langfristig ist die Komplexität zu hoch. Es gibt einfach zu viele Einflussfaktoren, die wir nicht angemessen in Modellen abbilden können. Ein universelles System, das aus einer wahrhaft babylonischen Vielfalt von Einflussfaktoren auf Knopfdruck ein verständliches Ganzes formt, ist eine Vision, die es seit Jahrzehnten gibt. Aber auch die neuesten Errungenschaften im Bereich der künstlichen Intelligenz sind weit davon entfernt, diese Vision Realität werden zu lassen.

Was sich bei allen Beispielen aufdrängt, ist die Frage nach der gesellschaftlichen Relevanz von Data Analytics.

Richtig. Jede Technologie ist erst einmal neutral. Wir müssen unsere Zukunft daher aktiv gestalten und die Entwicklungen in die richtigen Bahnen leiten. Hier ist jeder Einzelne gefragt, ob Arbeitnehmer, CEO, Forscher oder Politiker.