Refine
Document Type
- Article (1)
- Book (1)
- Part of a Book (1)
- Conference Proceeding (4)
- Contribution to a Periodical (16)
- doctorallecture (1)
- Doctoral Thesis (1)
- Lecture (3)
- Internet Paper (4)
- Report (1)
Language
- German (27)
- English (11)
- Multiple languages (2)
Is part of the Bibliography
- no (40)
Keywords
- 04 (1)
- AR (2)
- Abschlussbericht (1)
- Anreizsysteme (1)
- Asset Management (1)
- Auction Mechanism (1)
- Augmented Reality (2)
- Best Practices Instandhaltung (1)
- Coordination Need (1)
- Digitaler Schatten (2)
Institute
Als größter Berufsverband für Beschäftigte im Kundendienst und im After-Sales-Service innerhalb der DACH-Region verbindet der Kundendienst-Verband Deutschland e. V., kurz KVD, unterschiedliche Akteure im Thema Service, so zum Beispiel aus Wissenschaft und Wirtschaft. Dabei gelingt es dem KVD nicht nur, seine Mitglieder untereinander zu vemetzen, sondern ihnen stets brandaktuelle Inhalte anzubieten. Die enge Kooperation mit Forschungseinrichtungen ermöglicht es dem KVD und seinen Mitgliedern immerwieder, neue Themen und nützliche Werkzeuge für die praktische Anwendung zur Verfügung zu stellen. Schwerpunktmäßig setzt der Verband sich in den letzten Jahren forschungsseitig mit Themen im Bereich einer modernen Serviceorganisation sowie der Digitalisierungvon After-Sales-Services auseinander. Im Forschungskalender auf dieser Doppelseite stellen wir regelmäßig aktuelle Projekte mit KVD-Beteiligung vor und sagen, wie KVD-Mitglieder mitmachen und profitieren können.
Augmented Reality im Service
(2020)
Der gesellschaftliche Umbau zu einer Wissensgesellschaft mit all ihren Implikationen hat Wissen zu dem zentralen Erfolgsfaktor jedes Unternehmens gemacht. Gleichzeitig wird der Fachkräftemangel in den kommenden Jahren immer weiter ansteigen. Schon jetzt sorgt er im Mittelstand für jährliche Umsatzeinbußen von fast 50 Milliarden Euro und gilt als eine der größten Wachstumsbremsen der deutschen Wirtschaft. Die Auswirkungen des Fachkräftemangels zeigen sich insbesondere im technischen Service, wo hoch-individualisierte Maschinen und Anlagen Expertenwissen sowie die Bereitschaft zur stetigen Weiterbildung erfordern.
Predictive Maintenance ist eine vielversprechende Technologie, die jedoch mit einem großen Implementierungsaufwand verbunden ist. Ein strukturiertes Vorgehen in Form einer Roadmap kann dabei helfen, den richtigen Hebel zu finden und die eigenen Ressourcen bestmöglich einzusetzen. Die Roadmap schafft Sicherheit für die Mitarbeiter, setzt einzelne Investitionsentscheidungen in einen größeren Kontext und sichert sie ab. In der vorangegangenen Ausgabe haben wir uns im Artikel „Predictive Maintenance: Realitätscheck" angeschaut, was „predictive" im Kontext des technischen Service bedeutet. Der folgende Artikel soll einen Eindruck darüber vermitteln, wie sich dies in einer Servicestrategie einbetten lässt.
Sales-Service - Analytics-basierte Vertriebsunterstützung für Servicetechniker im Maschinenbau
(2020)
Das Projekt hatte zum Ziel, Servicetechniker in den aktiven Vertrieb von Services und Produkten zu integrieren und damit das Vertriebspotenzial aus ihrer regelmäßigen und intensiven Kundeninteraktion zu nutzen. Der Zielstellung standen dabei die in Abbildung 1 dargestellten Hürden gegenüber, welche durch das Projekt gelöst wurden. Hierzu wurde Analytics-basierte Vertriebsunterstützung für Servicetechniker (Algorithmen für Open Source-Software) gestaltet, die ihnen die notwendigen Vertriebsinformationen bereitstellt. Zudem werden Aufbau- und Ablauforganisation (Blueprints & Referenzprozesse) sowie die entsprechenden Managementinstrumente (Balanced Scorecard & Anreizsystem) für einen vertriebsorientierten Service entwickelt. Dabei gliederte sich das Vorgehen in acht Arbeitspakete, welche von den Forschungseinrichtungen nach der beschriebenen Aufteilung, jedoch in enger Verzahnung miteinander, bearbeitet wurden.
Das Projekt ´DM4AR`, welches am 1. Juni gestartet ist, hat sich zum Ziel gesetzt, die automatische Generierung von Augmented Reality Inhalten aus verschiedenen Datenquellen zu ermöglichen. Hierbei wird eine AR-Plattform zur automatisierten Aufbereitung und Umwandlung von Daten geschaffen und den Mitarbeitern ermöglicht über diese Plattform auf vorhanden Informationen und generierten Inhalte zu zugreifen. So können notwendige Informationen während des Leistungsprozesses kontextbezogen abgerufen werden. Dabei müssen die Mitarbeiter mit geeigneten Ziel- und Anreizsystemen sowie Referenzprozessen in der Bereitstellung von implizitem Wissen unterstützt werden. Die informationstechnische Realisierung erfolgt in Kooperation mit der oculavis GmbH und der Software AG. Die Erhebung der Anforderungen und Validierung der Forschungsergebnisse erfolgt mit der TOP Mehrwert-Logistik GmbH & Co. KG, thyssenkrupp Industrial Solutions AG und der YNCORIS GmbH & Co. KG.. Das Projekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert und durch den Projektträger Karlsruhe (PTKA) betreut.
Unser Projekt ‚Sales-Service‘ sollte dazu dienen, ein Vorgehen zu entwickeln, um Servicetechniker in den aktiven Vertrieb von Services und Produkten integrieren zu können und damit Unternehmen Wege aufzuzeigen, das Vertriebspotenzial aus der regelmäßigen und intensiven Kundeninteraktion der Servicetechniker stärker und gewinnbringender als bis dato zu nutzen. Hierzu gestalteten wir eine Analyticsbasierte Vertriebsunterstützung für Servicetechniker (in Form von Algorithmen für Open-Source-Software), mithilfe derer Unternehmen künftig die notwendigen Vertriebsinformationen bereitgestellt werden können. Zudem entwickelten wir Aufbau- und Ablauforganisation (Blueprints & Referenzprozesse) sowie die entsprechenden Managementinstrumente(Balanced Scorecard- & Anreizsystem) für einen vertriebsorientierten Service.
Today, however, agility is seen more than ever as a critical success factor for companies. In times of an increasing degree of digital interconnection and minimum viable products, a mentality is entering the industrial service sector that has so far only been exemplified by Internet companies (e.g. Google): New products and especially digital services are developed in highly iterative processes. To this end, customers are involved in early test phases of development and provide feedback on individual functional modules, which – in contrast to the previous approach – are only gradually assembled into a market-ready “100 percent version”. But especially with the development of new digital services, companies must ensure more than ever that both the existing analog service business and the design of new digital services are geared to effectiveness and efficiency in order to meet the growing demands of customers and competitors.
To achieve this, companies must not only be familiar with the products currently on the market, but also master the entire product history, which in some cases goes back more than 30 years and varies greatly from one industry to another.
Reliability-centered maintenance for production assets is a well-established concept for the most effective and efficient disposition of maintenance resources. Unfortunately, the approach takes a lot of effort and relies heavily on the knowledge of individuals. Reliability data in Computerized Maintenance Management System (CMMS) is scarce and almost never used well. An automated risk assessment system would have the potential to contribute to the dissemination and effective use of risk information and analysis. The individuality of production setting, however, prevents current systems from being practically relevant for most industries. The presented approach combines ontologies to store and link knowledge, an information logistics model displaying the various information streams, and the Internet of production to take the different user systems and infrastructure layers into account. The provided model of a reference digital shadow for risk information and a detailed information logistics model will help software companies to improve reliability software, standardize and enable assets owners to establish a customized digital shadow for their production networks. [https://link.springer.com/chapter/10.1007/978-3-030-57993-7_2]
Eine Vielzahl innovativer, digitaler Technologien, wie z. B. Machine Learning und AR/VR, drängen derzeit auf den Markt. Die Nutzung dieser Technologien eröffnet der Instandhaltung das große Potential, die bedarfsgerechte Verfügbarkeit von Maschinen/Anlagen datenbasiert, effektiver und effizienter gewährleisten zu können. Folglich gewinnt die Instandhaltung künftig einen noch höheren Stellenwert hinsichtlich ihres Beitrags zum Unternehmenswert. Die Basis hierfür bilden digital verfügbare Daten, genauer Betriebs-, Zustands, und Ereignisdaten. Als ein vielversprechender Use Case hat sich hier in den letzten Jahren das Konzept „Predictive Maintenance“ hervorgetan, bei dem mittels Prognosemodellen Ausfallzeitpunkte von Maschinen/Anlagen bzw. deren Komponenten vorhergesagt und entsprechende Instandhaltungsbedarfe abgeleitet werden können. Die resultierende prädiktive Instandhaltungsstrategie zählt zu einem wichtigen Bestandteil der Smart Maintenance. Einblicke in die Praxis zeigen jedoch, dass es vielen Unternehmen aktuell noch schwerfällt, die notwendigen Technologien mit der bestehenden Instandhaltungsorganisation zusammenzuführen. Die dafür notwendigen Entwicklungsschritte, wie sie z. B. der „acatech Indsturie 4.0 Maturity Index“1 beschreibt, sind Unternehmen häufig unbekannt. Zudem fehlen oftmals praxisnahe Einblicke, die über die eigenen Unternehmensgrenzen hinausgehen. Entsprechend neigen viele Unternehmen dazu, auf dem Weg zur Etablierung von Predictive Maintenance das Rad für sich stets neu zu erfinden.
Vor diesem Hintergrund hat das FIR an der RWTH Aachen eine umfangreiche Konsortialstudie zum Thema Smart bzw. Predictive Maintenance erstellt2. Zusammen mit sieben Partnern aus Industrie und Forschung (u.a. Daimler, Evonik und thyssenkrupp Industrial Solutions) konnten vielversprechende Ansätze von erfolgreichen Unternehmen (Top-Performer) identifiziert und durch zusätzliche Fallstudien sowie Unternehmensbesuche, übergeordneten Erfolgsprinzipien definiert werden. Die Ergebnisse unterstützen somit Unternehmen bei der Gestaltung ihrer Aktivitäten.
Die Studie konnte zeigen, dass für die Anwendung datenbasierter Instandhaltungskonzepte, wie Predictive Maintenance, zunächst eine geeignete Basis geschaffen werden muss. Diese setzt sich aus einer (detaillierten) digitale Anlagenstruktur sowie dem systematischen Erfassen von Betriebs-, Zustands- und Ereignisdaten zusammen. Hier konnte den Ergebnissen der Studie entnommen werden, dass Top-Performer viel Aufwand in eine klare, prozessorientierte Datenerfassung investieren und bevorzugt auf vorhandene Standards (z. B. OPC UA) zurückgreifen. Das Abarbeiten dieser „Hausaufgaben“ im ersten Schritt ist für Top-Performer unerlässlich, bevor mit dem Aufbau prädiktiver Fähigkeiten begonnen werden kann. Für das Meistern des nächsten Entwicklungsschrittes, im Sinne des Industrie 4.0 Maturity Index, bedarf es anlagespezifischer Prognosemodelle, mit deren Hilfe potentielle Störungen oder kritische Ereignisse frühzeitig identifiziert werden können. Auch hier hat die Studie angesetzt und konnte so unter anderem die Aufarbeitung schwerwiegender Störungen als einen Haupt-Anwendungsfall für die Datenanalyse identifizieren. Zusätzlich konnte gezeigt werden, dass erfolgreiche Instandhaltungsorganisationen häufig langfristige Partnerschaften mit IT-/Data-Analytics-Dienstleistern eingehen, um so die neuen Technologien agil und flexibel an die eigenen Bedürfnisse anpassen zu können. Hierdurch können Top-Performer sowohl vorhandene Kapazitäts- als auch Know-How-Engpässe auffangen.
Neben der Entwicklung digitaler Kompetenzen liegt das Hauptaugenmerk aus Unternehmenssicht auf dem wirtschaftlichen Potential von Predictive Maintenance – insbesondere in der Einsparung indirekter Instandhaltungskosten (z. B. Ausfallfolgekosten). Allerdings zeigt die Studie, dass erst wenige Unternehmen solche indirekten Kosten – bspw. entgangene Deckungsbeiträge durch Produktionsausfall/Qualitätsverluste oder erhöhte Aufwände für die Neu-/Umplanung des Produktions-/Instandhaltungsprogramms – messen können. Trotzdem können Unternehmen durch den Erfahrungsgewinn im Bereich Datenerfassung/-analyse auf dem Weg zu Predictive Maintenance bereits andere Nutzenpotentiale realisieren, die wiederum zur Steigerung von Produktivität oder Qualität genutzt werden können. In diesem Sinne leistet die Transformation zu Predictive Maintenance vor allem hier einen wichtigen Wertbeitrag für produzierende Unternehmen, der über die reine Vorhersage von Ausfallzeitpunkten hinausgeht.