CONTACT Software

Der digitale Zwilling erschließt neue Geschäftsfelder

Immer mehr Maschinen und Anlagen werden mit Sensorik ausgestattet und gehen online. Hersteller und Betreiber entwickeln vielseitige Ideen, um die Echtzeitdaten aus der Fabrik und dem Feld zu nutzen. Der digitale Zwilling des realen Produkts gibt ihnen die Möglichkeit, innovative digitale Angebote aufzubauen.

Das Internet der Dinge (IoT) eröffnet neue Kommunikationsszenarien für Produkte und Produktionsanlagen, die untereinander und mit zentralen Diensten vernetzt sind. Analog zu den bimodalen Ansätzen im PLM-Umfeld setzen Unternehmen auch für den Betrieb ihrer Produkte und Anlagen auf eine flexiblere, offene IT-Architektur, um kontinuierlich Produktdaten erfassen und auswerten zu können. Das Sammeln der teils großen Datenmengen wird zielführend, wenn dadurch noch bessere Dienstleistungs- und Produktangebote entstehen.

Intelligent genutzt, verbindet der Digitale Zwilling den Lebenszyklus smarter Produkte von der ersten Idee über die Entwicklung und Fertigung mit der Nutzungsphase und macht so erst neue, digitale Geschäftsmodelle möglich

Daten aus der Entwicklung wie Teilestämme, Stücklisten, Modelldaten und Änderungsinformationen werden üblicherweise über eine PLM/ERP-Schnittstelle in die Produktion übergeben, während die Fertigungsprozesse mit den gängigen Simulationsverfahren der Digitalen Fabrik gestaltet werden. Dies reicht jedoch nicht, um die dynamischen Lebenszyklusinformationen einzelner Produktexemplare in der Fertigung oder später auch im Feld sinnvoll mit den Produktdaten in Zusammenhang zu bringen.

Der digitale Zwilling verknüpft die für das physische Produkt relevanten Daten aus dem digitalen Master im PLM-System (Geometriemodelle, Stücklisten, Variantenkonfigurationen) mit den Felddaten (technischer Zustand, Messdaten, Bauzustände) und Software-Konfigurationen. Über eine eigene Anwendungsoberfläche bietet er Zugang zu standardisierten Ingenieurfachprozessen und gleichzeitig einen Ansatzpunkt für Data-Analytics-Methoden.

Möglich wird dies durch das Zusammenspiel aufeinander abgestimmter Software-Bausteine und einer bimodalen IT-Architektur, bei welcher der digitale Zwilling die zentrale Rolle einnimmt. Er führt alle wichtigen Informationen über eine Produktinstanz zusammen, wie beispielsweise aus den Felddaten ermittelte Kennzahlen, virtuelle Produkt- und Prozessmodelle der Produktvariante, produktbeschreibende Dokumente, CAD-Modelle oder Software-Stände und Parametersätze. Nicht nur das Produkt selbst, sondern auch einzelne Bauteile können je nach Informationsrelevanz einen eigenen digitalen Zwilling bereitgestellt bekommen.

Interesse geweckt? Erfahren Sie mehr über Data Analytics, Anwendungsfälle, Praxisszenarien, Digitalisierung und Prozessverbesserung in einem knackigen, zweiseitigem Beitrag – unserer Kollegen Dr. Patrick Müller und Andreas Saum – für IT & Production, Sonderheft Produktentwicklung Wissen kompakt: Der digitale Zwilling – Mit Felddaten Mehrwert im Produktlebenszyklus schaffen

The 14 Top Success Patterns of Digital Business Models

Let’s get digital – The Internet of Things (IoT) has an outstanding influence on the relationship between companies and their customers. Companies now face the challenge of placing attractive digital offerings so as not to fall behind. The white paper identifies the central mechanisms of digital offerings and identifies the 14 most important patterns and blueprints for IoT-driven business models.

Market pressure and a new terrain. The markets are becoming digital and smart. Hardly any industry or offer that is not networked and/or in the cloud – at least that’s how it seems. This is undoubtedly a trend that is massively promoted by market-determining players, especially from Silicon Valley. Today, we are all influenced by the use of smartphones and home automation solutions, and we transfer corresponding expectations to other areas as well. The question of “whether” no longer arises, but rather of “how”. According to McKinsey the sales potential for digitized products in the B2B environment is even twice as high as in the B2C sector! Certainly, some phenomena on the market can be accepted as hypes. However, it is also certain that concrete developments and sometimes existential challenges also arise in supposedly firmly established markets:

Innovative and established competitors place an offer as “first mover”, attracting attention to themselves from customers for whom digitisation is not yet an issue.
New players are breaking into existing markets and placing previously unknown offers on the basis of digitized services.
Previously specialized providers (non-providers or providers of secondary services) are expanding their offerings digitally and thus attacking providers in the core market.

The Internet of Things (“IoT”) as a vehicle for digitized product offerings is virtually universal and knows no industry or process boundaries. According to Gartner, this is reflected in “ambitious IoT plans” in a wide variety of industries. Many companies are therefore being forced to confront the potential erosion of their markets by new suppliers.

The challenge lies not only in the high market dynamics, but also in the technical and sales challenges in a partly unknown territory. Many, especially medium-sized companies, lack software know-how, especially if it goes beyond the embedded area. In particular, this includes networked and distributed product architectures or analytics.

Another complicating factor is the fact that suitable personnel is not actually available on the market today. In addition, it is not only about recruiting new employees, but also about building up new business areas. In order to be able to act, companies must invest in completely new alliances and partner models.

The following white paper focuses on the second area of customer service improvement and uses the term “IoT”. The analysis of IoT projects shows that the majority of projects are based on the expansion of a market position in existing markets, i. e. the expansion of the existing product range. Only a few companies approach new markets. In other words, companies generally take a very cautious approach to new business options and try to avoid risks.

„The 14 Top Success Patterns of Digital Business Models“ weiterlesen

Data Science verstehen – Revolutionäres Potential aus vier Megatrends!

Wir befinden uns an der Schwelle zu einem neuen Zeitalter, weil verschiedene Strömungen zusammenkommen und damit ein einzigartiges Umfeld schaffen. Vieles (manche würden sagen: alles) wird digital. Damit ist auch das Interesse an den Themen Datenanalyse und -exploration – also Data Science – enorm gestiegen. Data Science ist der Konvergenzpunkt von vier Megatrends, die die letzten Jahren dominiert haben und auch die kommenden dominieren werden: Cloud Computing, IoT, Big Data und algorithmische Analyse.

Was sind die Gründe für das Zusammenkommen verschiedener Strömungen und damit eines neuen, einzigartigen Umfeldes?

Zum ersten Mal in der Geschichte der Künstliche Intelligenz, die in den 1950er Jahren als Disziplin begonnen hat, steht die notwendige Rechenleistung zu niedrigen Kosten zur Verfügung, um praktische Probleme mit den schon länger verfügbaren Algorithmen zu lösen.
Die Algorithmen für das Machine Learning sind deutlich verbessert worden und können nun mit vertretbarem Aufwand für praktische Probleme eingesetzt werden.
Die Popularität von Data Science trägt dazu bei, seine Methoden aus den akademischen Zirkeln in die Breite zu tragen, so dass eine große experimentierfreudige Community eine rapide Weiterentwicklung fördert.
Heutzutage gibt es vor allem durch das Internet, die sozialen Netzwerke und die großen Einkaufsplattformen einen Datenschatz in nie gekannter Größenordnung, der auf seine Auswertung wartet.
Das Internet der Dinge wird für weitere Datenströme sorgen, die zu neuen Geschäftsmodellen führen, die mit Hilfe von Data Science erschlossen werden.

Diese Faktoren haben dazu beigetragen, Data Science als eigene wissenschaftliche Fachdisziplin und Ergänzung zur klassischen Statistik zu etablieren. Data Scientist mit ihren Fähigkeiten im Bereich Programmierung, Statistik und neuerer Algorithmik bringen die erforderliche Expertise mit, um die heutigen Möglichkeiten der Datenanalyse gewinnbringend zu nutzen. Die verschiedenen Data Science Techniken lassen sich nach algorithmischen Verfahren oder nach dem Einsatzzweck grob so kategorisieren:

Regression
Klassifikation
Anomalienerkennung
Clustering
Reinforcement Learning

Auf der einen Seite der bestehenden Software-Landschaft gibt es bereits sehr spezifische Lösungen für gut umrissene Probleme, zum Beispiel im Einzelhandel oder in der Finanzindustrie. Am anderen Ende des Spektrums stehen die Anbieter von Software-Paketen, die ein abgestimmtes Toolset für den Spezialisten im Bereich Data Science zur Verfügung stellen.

Die meisten Lösungen basieren dabei auf Open Source Software. Im Bereich Toolsets dominieren vor allem zwei Sprachen den Markt: R and Python. Python hat sich zur Standardsprache für Data Scientists entwickelt, vor allem im Bereich Machine Learning.

Die gewaltigen Investitionen und die anziehenden Umsätze von großen Commodity-Plattformen wie Amazon, Microsoft und Google zeigen: Die Megatrends Cloud Computing, IoT, Big Data und algorithmische Analyse bestimmen bereits heute oder in naher zukunft die Geschäftsprozesse, und dass bis in die letzten Winkel. Für Unternehmen, die dieses Thema näher interessiert, hat CONTACT ein neues Data Science White Paper herausgebracht. Dies kann hier heruntergeladen werden.