Ein Computerbildschirm bei BMW, der Daten anzeigt.

Rohdaten müssel laut BMW aufbereitet werden, damit sie auch wenig IT-Affine und Nicht-Techniker nutzen können. Bild: BMW

| von Chris Löwer

Big Data, Data Lakes – alles schön und gut. Nur: Mit einer Datenschwemme, die in einem vernetzten, digitalisierten Unternehmen von selbst anfällt, ist noch nichts gewonnen. „Entscheidend ist zu erkennen, dass die Datenqualität für die digitale Transformation essenziell ist“, sagt Kai Demtröder, Vice President Data Transformation, Artificial Intelligence, Dev­Ops Platforms bei BMW. „Das ist die Basis von allem.“ Ohne dieses Fundament wird man keine hilfreichen Algorithmen schreiben können, werden Prozesse kaum durch maschinelles Lernen einen bisher nie gekannten Automatisierungsgrad erreichen können. Erst durch den smarten Umgang mit Big Data wird daraus die vielzitierte Ölquelle, die neue Geschäftsmodelle und Services sprudeln lässt sowie Lieferketten, Produktion und Qualitätssicherung auf ein neues Level hebt.

Qualitätskontrolle durch künstliche Intelligenz

Bei BMW werden beispielsweise nahezu in Echtzeit anhand von Produktionsdaten Unregelmäßigkeiten im Lackprozess erkannt, deren Ursache analysiert, darauf reagiert – und das automatisiert. So wird die Qualität gesteigert und werden Mehrkosten vermieden. Keine triviale Aufgabe, denn das Lackbild kann sehr unterschiedliche und vor allem minimale Abweichungen aufweisen, die je nach Blickwinkel und Beleuchtung kaum auffallen. Eigentlich ein klassischer Fall für ein scharfes, geschultes menschliches Auge.

Doch beim bayerischen OEM übernimmt den Job ein künstlich intelligentes Verfahren, das zuvor mit Bildern aus der Lackiererei angelernt wurde und seine Fähigkeiten nun selbst durch maschinelles Lernen verbessert. Jetzt wird nicht nur ein Fehler erkannt, sondern auch der Fehlertyp identifiziert und das Fahrzeug automatisch zum entsprechenden Nachbearbeitungsprozess weitergeleitet. Inzwischen wird ein ähnliches Verfahren auch bei der gesamten visuellen Qualitätskontrolle angewendet. „Hier funktioniert KI sehr gut – und zwar industrialisiert“, bemerkt Demtröder. Er weiß: „Showcases lassen sich leicht zeigen, schwieriger ist die industrielle Realisierung.“

Anderes Beispiel: Mussten früher Heerscharen von sprachlich versierten Mitarbeitern Schriftstücke, Anleitungen und Verträge auf schwache, missverständliche oder redundante Formulierungen überprüfen, übernimmt nun ein System, das Natural Language Processing (NLP) beherrscht, also natürlich gesprochene Sprache und Kontexte versteht. Ohne eine saubere Datenaufbereitung wäre all das nicht möglich, besonders was unstrukturierte Daten, wie sie im alltäglichen Sprechfluss anfallen, betrifft. „Rohdaten sind wenig wert, man muss sie aufarbeiten, damit sie auch wenig IT-Affine und Nicht-Techniker nutzen können“, sagt Demtröder. „Daher verstehen wir Data Lakes nicht als reine Datensenke, sondern vielmehr als Plattform für Data Assets.“

Process Mining entlang der Wertschöpfungskette

Die BMW Group setzt in ihrer Datenstrategie vor allem auf Process Mining: „Mithilfe dieses Ansatzes schaffen wir in mittlerweile neun Werken eine umfassende Transparenz über unsere Produktions- und Logistikprozesse und können auf dieser Basis in Near-Realtime Prozessstabilität, Durchlaufzeiten und Bestände optimieren“, erklärt Demtröder. Intelligentes Datenmanagement in Kombination mit KI erlaube genauere Prognosen zum Verschleiß und garantiere gleichbleibend hohe Qualität – bei Überschaubarkeit von Kosten und Aufwand.

Zu den Effekten zählt unter anderem eine spürbar verbesserte Anlagenverfügbarkeit. Und jede gewonnene Minute bedeute ein zusätzlich gebautes Fahrzeug. Gleichzeitig konnten mithilfe von Robotic Process Automation (RPA) bereits mehr als 250 Teilprozesse in unterschiedlichen Unternehmensbereichen automatisiert und allein im letzten Jahr 100 000 wertvolle Arbeitsstunden gespart werden, die für wertschöpfendere Tätigkeiten eingesetzt werden konnten. Etwa um sich in dem herausfordernden Umfeld, in dem sich die Automobilindustrie zwischen Elektrifizierung, Digitalisierung, aber auch weltwirtschaftlich schwierigen Marktbedingungen bewegt, zu behaupten.

Neu denken, extrem flexibel und agil sein – das sind die Gebote der Stunde, um wettbewerbsfähig zu bleiben. Process Mining hilft dabei. „Anders als viele Unternehmen setzt die BMW Group Process Mining daher nicht nur für typische Standardanwendungsfälle, sondern entlang der gesamten Wertschöpfungskette ein“, so der Experte. „Diese reicht von der Entwicklung über die Produktion, Änderungs- und Qualitätsprozesse, Fahrzeugfinanzierung, Kundenerlebnis, Aftersales bis hin zu Mobilitätsdienstleistungen.“

Datendemokratisierung sorgt für Transparenz

Die damit verbundenen Prozesse sind jedoch meist komplex sowie IT-system- und abteilungsübergreifend. Endnutzer des Prozesses kennen daher meist nur den für sie relevanten Teilprozess und auch dort nur die Prozessvarianten, die sie selbst nutzen. Demtröder: „Diese fehlende Transparenz kann zu Misstrauen zwischen den Prozessteilnehmern, suboptimalen Entscheidungen und Inflexibilität führen.“ Daher gilt es, die Belegschaft mitzunehmen, damit Big Data nicht länger ein Thema von Experten für Experten ist, sondern jeder daraus Nutzen ziehen kann.

Stichwort: Datendemokratisierung. „Nicht ausgewählte 30 Experten sollen Daten nutzen können, sondern 30.000“, gibt Demtröder die Richtung vor. Im sogenannten Digital Discovery Space wird unter anderem in Workshops möglichst praxisnah und vor allem zielgruppengerecht geschult – vom Monteur am Band, der begreift, wie mithilfe von KI-Algorithmen erkannt wird, warum Schrauben mit dem falschen Drehmoment angezogen wurden, bis zur Führungskraft, die bessere Investitionsentscheidungen treffen kann, wenn ihr die Möglichkeiten, die Smart Data bietet, bewusstwerden.

Analyse von Schraubprozesskurven

Im Rahmen ihrer präventiven Qualitätsstrategie hat die BMW Group Algorithmen entwickelt, die bereits seit drei Jahren in den Montagebereichen aller Fahrzeugwerke Schraubverbindungen an mehr als 3.200 Anlagen analysieren. Die Aufzeichnung der Schraubprozesskurven erfolgt während des Verschraubens. Eine anschließende Analyse erlaubt präzise Rückschlüsse auf die Qualität der Verbindung. Das Programm kann Fehlerarten erkennen und in einem Ursache-Wirkungs-Diagramm mögliche Fehlerquellen aufzeigen – Erkenntnisse, die direkt in die Schulung und Qualifizierung von Mitarbeitern einfließen. Zusätzlich kann ein Trainer an einer mobilen Trainingsstation oder direkt am Arbeitsplatz Tipps zur Fehlervermeidung geben.

Die Analyse der Schraubprozesskurven liefert auch wichtige Erkenntnisse für die systematische Überwachung von Schraubanlagen und -parametern wie zum Beispiel Anzugsdrehmomenten. Eine rein manuelle Analyse von Schraubprozesskurven käme in vielen Fällen nur zu dem Ergebnis „In Ordnung“ oder „Nicht in Ordnung“ – ohne Ursachen für Fehler zu erkennen oder Verbesserungspotenziale aufzuzeigen. So wie Daten gut aufbereitet werden müssen, um nutzbar zu sein, braucht es vor allem Mitarbeiter, denen die Möglichkeiten und Grenzen der Datenanalyse klar sind und die diese selbst nutzen können. Das Mindset entscheidet.

Daher entwickeln die Münchener tausende Mitarbeiter zu Businessanalysten und haben zudem die IT-Abteilung beauftragt, sich stärker um Self-Service-Tools zu kümmern. Dadurch wird die Transformation strategisch breit aufgestellt. Hinzu kommt, dass der Autobauer strukturelle Institutionen im Unternehmen etabliert, wie ein Data Transformation Office oder Data-Management- und Governance-Funktionen, mit denen datenbezogene Prozesse und Strukturen im Unternehmen definiert und eingehalten werden.

Datensilos beginnen zu bröckeln

Eine besondere Rolle spielen die Data Stewards. Jeweils im Tandem aus einer IT- und einer Fachkraft sorgen sie dafür, dass Daten so aufbereitet werden, dass sie entsprechend den jeweiligen gesetzlichen Bestimmungen für jeden nutzbar sind – egal aus welchem Unternehmensbereich oder welcher Weltregion sie stammen. Ein anspruchsvoller, aber wesentlicher Job, ohne den sich kaum die nötige Datenqualität generieren lässt.

Die Zahl der Strukturierer in der Datenwüste soll konzernweit rasch ausgebaut werden. Die Datensilos bei BMW beginnen zu bröckeln. Nicht zuletzt auch weil der Standardisierung hohe Priorität eingeräumt wird. Durch sie wird der Workflow insgesamt agiler. Was auf den ersten Blick verwundert, erklärt Demtröder so: Während im Automobilsektor etablierte Unternehmen meist viele historisch gewachsene Prozessvarianten haben, die Verbesserungen erschweren, könnten neue Mitbewerber oft deutlich kürzere Entwicklungszyklen vorweisen, da sie (noch) einen höheren Standardisierungsgrad einhalten. Jede zusätzliche Variante bindet Ressourcen.

„Durch Process Mining erkennen wir, wo Standardisierung Einsparungen bringt und welche Prozessvarianten für unsere Kunden einen Mehrwert liefern und daher beibehalten werden sollten“, erklärt Demtröder. Nicht zuletzt können durch umfassende Smart Data Analytics Rückmeldungen der Kunden noch schneller in Entwicklung und Produktion einfließen – was mehr denn je wettbewerbsentscheidend wird.

Ein Mitarbeiter von BMW steht in der Produktion in einem grooßen Kontrollraum und beobachtet die vielen Bildschirme.
Erst durch den smarten Umgang mit Big Data wird daraus die vielzitierte Ölquelle, die Lieferketten, Produktion und Qualitätssicherung auf ein neues Level hebt. Bild: BMW
Bereits registriert?