Andreas Wierse

Big Data ist nur für Großunternehmen relevant, denken viele kleine und mittlere Unternehmen. Ein Irrtum, denn auch KMU können von der Analyse ihrer Daten profitieren und sie gewinnbringend einsetzen. Für große (Industrie-)Unternehmen gehören Schlagworte wie Industrie 4.0 und Big Data längst zum Alltag. Letztlich geht es dabei immer um die intelligente Nutzung und Vernetzung von Unternehmensdaten, um Prozessverbesserungen zu erreichen und sich dadurch am Markt wettbewerbsfähiger zu positionieren. Denn je besser Entwicklung, Produktion, Logistik und Kunden interagieren, umso schneller und reibungsloser entsteht ein für alle Beteiligten optimales Produkt. Erfolgreiche Anwendungsbeispiele für Digitalisierungsprojekte aus dem Mittelstand gibt es zwar, doch ein Großteil der Mittelständler verschenkt in diesem Bereich noch wertvolles Wettbewerbspotenzial. Dafür gibt es unterschiedliche Gründe: Das missverständliche „Big“ aus Big Data Zum einen suggeriert das allgegenwärtige Buzzword „Big Data“, dass eine sehr große Menge von (Unternehmens-)Daten vorhanden sein muss, damit Unternehmen sie sinnvoll und gewinnbringend nutzen können. Aber, und das wissen viele Mittelständler nicht, auch viele kleinere Datenmengen können in Kombination mit weiteren externen Daten beziehungsweise Informationen zu Big Data werden. Daten sind dann brauchbar, wenn man in ihnen interessante Muster oder Verbindungen erkennen kann, aus denen Firmen Erkenntnisse für die Prozessoptimierung ableiten. Deswegen geht es bei „Smart Data“ – der cleveren Nutzung von Daten – nicht nur um die Einbeziehung der mittels der IT erfassten Datenmengen, sondern auch um die Analyse weiterer semantischer Informationen wie beispielsweise zur Materialbeschaffenheit oder Erfahrungswerte von Technikern. Smart Data-Anwendungen nutzen hierzu oft sogenannte In-Memory-Technologien. Diese bearbeiten große Datenmengen direkt im Speicher, beziehen weitere semantische Informationen mit ein und liefern so schnell hilfreiche und konkrete Prognosen. Im Vergleich zu herkömmlichen Datenbanken werden komplexe Analysen so deutlich beschleunigt.Diese anwendungsorientierte Herangehensweise öffnet die Türen für kleine und mittelständische Unternehmen und macht auch für sie eine attraktive Verwertung ihrer Daten möglich – was viele von ihnen noch nicht erkannt haben. Der Mangel an Kapazitäten Ein weiterer Grund für die Zurückhaltung im Mittelstand: Es fehlen die Ressourcen. Vielen KMU haben (vermeintlich) nicht die notwendigen finanziellen Mittel und/oder fachliche Expertise, um Smart Data-Projekt durchzuführen – selbst wenn sie das Potential für sich erkannt haben. Sie müssen zunächst einmal herausfinden, ob sich die Hebung ihres Datenschatzes überhaupt lohnt und welche Werkzeuge sie dafür benötigen. Erst anschließend ist es sinnvoll, konkrete Schritte in Richtung Realisation zu gehen und nötige Investitionen zu planen – wenn nötig, mit geeigneten Partnern. KMU bekommen Hilfestellung Bundesweit gibt es einige Anlaufstellen, die Unternehmen (oft auch speziell KMU) in punkto Datenanalyse mit Rat und Tat zur Seite stehen. Initiativen, Förderprogramme oder Kompetenzzentren in den einzelnen Ländern wollen, sollen und können den ansässigen Unternehmen Standortvorteile auch beim Einsatz von Industrie 4.0-Technologien – wie Smart Data-Analysen – bieten. Sie helfen, den abstrakten Begriff „Industrie 4.0“ aufzubrechen und sich dem Thema pragmatisch zu nähern. Sie zeigen auf, was Smart Data-Projekte für den eigenen Betrieb konkret bedeuten, wie man den richtigen Zugang findet und welcher Weg der individuell richtige ist. Seit 2014 können KMU aus Baden-Württemberg, die sich für den Einsatz von Smart Data- Technologien interessieren, erhalten eine derartige Unterstützung beim Smart Data Solution Center Baden-Württemberg (SDSC-BW) erhalten. Finanziert vom baden-württembergischen Landesministerium für Wissenschaft, Forschung und Kunst bietet das SDSC-BW eine neutrale und unabhängige Smart Data-Beratung. Die Experten des Karlsruher Instituts für Technologie (KIT) beurteilen im Rahmen einer kostenlosen Potentialanalyse, ob sich die Aufbereitung, Analyse und Auswertung vorhandener Daten lohnt. Falls ja, beraten sie auch hinsichtlich weiterer konkreter Schritte zur Projektrealisation und stehen als Begleiter für die Umsetzung eines tiefer gehenden Projektes zur Verfügung. Wenn es dann klappt: Predictive Maintenance Marketing, Vertrieb oder Qualitätssicherung jubilieren, wenn sie mit Hilfe ihrer Daten Absatzprognosen erstellen, die Preisgestaltung optimieren oder die Qualität von Produkten vorausschauend sicherstellen können. Letzteres ist bei der sogenannten „Predictive Maintenance“ – dem Paradebeispiel aus dem Produktions-, genauer Wartungsbereich – der Fall: Moderne Industrieanlagen lassen sich schon heute so ausstatten, dass Unternehmen den Status jeder Maschine in Echtzeit abfragen können. Selbst bei überschaubar komplexen Systemen sammeln sich so in kurzer Zeit große Datenmenden an. Gleichzeitig kommen unstrukturierte Daten – wie Fehlermeldungen oder Wartungsprotokolle – dazu, die in den Kontext der anderen Daten gesetzt werden. Aus einer regelmäßigen und umfassenden Analyse lassen sich meist Besonderheiten in den Datenmustern erkennen, die dem Ausfall einer Anlage vorausgehen. Mit Predictive Maintenance wird es möglich, einzelne gefährdete Anlagenkomponenten rechtzeitig zu identifizieren (es werden nicht alle Anlagenkomponenten in gleicher Weise beansprucht), zu reparieren oder zu ersetzen und so einen Ausfall der Anlage mit teuren Stillstandzeiten zu verhindern. Auf diese Art setzen Unternehmen ihre Wartungsressourcen kosteneffizienter ein, minimieren teure Ausfallzeiten, verlängern die Laufzeiten der Geräte und optimieren Lieferkettenprozesse. Gleichzeitig lassen sich aus denselben Daten auch Rückschlüsse ziehen, warum manche Maschinen besser laufen als andere; es geht also nicht nur um Angebotsverbesserung, sondern auch darum, das Verständnis vom Verhalten der eigenen Produkte auszubauen. Verzichten KMU auf derartige „Industrie-4.0-Projekte“, verschenken sie unternehmerische Möglichkeiten und auch Zukunftschancen.

Warum internationale Zahlungen noch immer komplex sind

Physical AI: Wenn Künstliche Intelligenz die Welt bewegt

Ungesteuerte KI-Nutzung: Das unterschätzte Risiko für Compliance und Sicherheit

Finanzsysteme neu denken: Wie Mambu-Gründer Eugene Danilkis Banking von Grund auf…

Warum internationale Zahlungen noch immer komplex sind

Finanzsysteme neu denken: Wie Mambu-Gründer Eugene Danilkis Banking von Grund auf…

Innovation in Unternehmen durch Startups – Aluplast im Interview

Employee Advocacy im Mittelstand: Eine praktische Anleitung

Startup ScoreGO im GründerView

Finanzsysteme neu denken: Wie Mambu-Gründer Eugene Danilkis Banking von Grund auf…

Innovation in Unternehmen durch Startups – Aluplast im Interview

Startup TrustCamera im GründerView

Wie viel Mensch verträgt die KI?

Vom Know-how zum Green Skill: Wenn Nachhaltigkeit zur Kompetenz wird

Was macht KI mit unserem Denken? Ein Blick auf die MIT-Studie

Vom Hype zum Helfer: Wie KI-Agenten Fahrt aufnehmen

Big Data, Smart Data: wertvolles Wettbewerbspotenzial für KMU

Warum internationale Zahlungen noch immer komplex sind

Startup ScoreGO im GründerView

Physical AI: Wenn Künstliche Intelligenz die Welt bewegt

Ungesteuerte KI-Nutzung: Das unterschätzte Risiko für Compliance und Sicherheit

Finanzsysteme neu denken: Wie Mambu-Gründer Eugene Danilkis Banking von Grund auf...