Sieben Gründe, warum sich Predictive Maintenance so mühsam durchsetzt - Nummer 1: Der leidige Business Case
Markus Ahorner
Salonplaudereien, maliziöse Fußnoten und anderweitige Marginalien zur lustvollen Erbauung
Wie im letzten Artikel schon gesagt (ich weiß, Wiederholungen sind langweilig):
Fast alle Fachleute und Führungskräfte halten vorausschauende Instandhaltung für einen effektiven und nutzenbringenden Ansatz und für ein wesentliches Element der Smart Maintenance. Die Vorteile scheinen auf der Hand zu liegen: Wenn man mit vernünftiger Vorlaufzeit erfahren kann, wann ein Anlagenteil nicht mehr anforderungsgerecht arbeiten wird, kann man rechtzeitig Gegenmaßnahmen einleiten. Das ist fast immer wirtschaftlicher als abzuwarten, bis etwas nicht mehr optimal funktioniert oder gar ausfällt. Denn man vermeidet Produktionseinschränkungen, ad-hoc-Einsätze und Folgeschäden - alles Faktoren, die die Kosten von Produktion und Instandhaltung unnötig erhöhen.
Gleichwohl setzt sich prädiktive Instandhaltung (englisch: Predictive Maintenance) in den meisten Unternehmen kaum oder nur sehr verzögert durch. Woran liegt das? Wir haben die Projekterfahrungen der letzten drei Jahre ausgewertet und haben ein paar Ursachen identifiziert. Nicht vergessen: Die Lösung, also wie man damit umgeht, kommt in der zweiten Runde.
Nummer 1: Fixierung auf kurzfristige Business Cases statt auf strategischen Nutzen
Business Case-Betrachtungen, zu deutsch: Wirtschaftlichkeitsrechnungen, sollen dem Management die Entscheidung erleichtern, wohin es nutzbringend investieren soll. Sie sind im Allgemeinen taktischer und kurzfristiger Natur und erfordern häufig eine Amortisation im Zeitraum bis zu 24 Monaten.
Business Cases verlangen jedoch eine gewisse Vorhersagbarkeit und sind folglich primär hilfreich, wenn sich Geschäftsfelder nicht grundlegend verändern. Unterliegen Geschäfte jedoch einer starken Veränderung, verlieren klassische kurzfristige Amortisationsrechnungen ihren Vorteil, und auch der strategische Aspekt droht verloren zu gehen.
Die Industrie und speziell das Feld der Instandhaltung ist im Begriff, sich disruptiv zu verändern, auch wenn und vielleicht auch weil viele der Führungskräfte und Betroffenen noch unsicher sind, wie das Resultat dieses Bruches aussehen wird. Die Disruption in der Instandhaltung wird maßgeblich durch den Einsatz von Künstlicher Intelligenz verursacht. Künstliche Intelligenz, speziell das Maschinelle Lernen, ist in der Lage, sehr große und komplexe Datenzeitreihen auszuwerten, und dabei schneller, präziser und ermüdungsfreier als ein Mensch. (Maschinelles Lernen ist die Basistechnologie für die Predictive Maintenance.)
Entscheidungen über den Einsatz von KI sind daher häufig eher strategische als operative Entscheidungen. Aber vor allem ist Predictive Maintenance selbst eine strategische Instandhaltungsmethode. Denn sie verändert das Paradigma der Instandhaltung grundlegend und nachhaltig, denn sie stellt anstelle von rückschauender Analyse und reaktivem Korrigieren das vorausschauende, planerische Handeln und die Vermeidung von Ausfällen in den Vordergrund. Diese Umstellung wird Auswirkungen auf die gesamte Organisation von Instandhaltung und technischen Services haben.
Demnächst folgt Grund Nummer zwei: Unsicherheit durch fehlendes Wissen und fehlende Schlüsselkompetenzen
Euer Markus
PS Und hier sind die Links zu den schon erschienenen Artikeln:
#kiinderfabrik #smartmaintenance #smartfactory #Ai #Ki #machinelearning #predictivemaintenance #aifactory
Co-Founder & CISO @ Sacred Byte | We bring enterprise level network security to SMEs.
4 JahreKlingt vertraut. Wie finden Sie einen Ausweg aus dieser doch häufig frustrierenden Realität?