Design Thinking – Hype oder Hilfe?

Ende Januar veranstaltet  CONTACT gemeinsam mit The Dark Horse, eine der führenden und bekanntesten Design Thinking Agenturen, einen exklusiven Design Thinking  Workshop.

Der Hintergrund: Neue Technologien wie IoT, 3D-Druck und Virtual Reality,  serviceorientierte Geschäftsmodelle und die Digitale Transformation überhaupt stellen herkömmliche Angebote infrage. Das Hasso-Plattner Institut schreibt dazu: „Design Thinking … avanciert heute zu einer ganz neuen Art, den Menschen in Bezug zur Arbeit zu sehen, das Konzept der Arbeit zu denken und zu fragen, wie wir im 21. Jahrhundert leben, lernen und arbeiten wollen. Die Strahlkraft von Design Thinking besteht darin, neue und überraschende Formen der kreativen Zusammenarbeit zu ermöglichen. Wir-Intelligenz ist das neue Schlagwort, Kollaboration wird die Grundlage für ein neues Arbeitsbewusstsein.“

„Ganz neue Art zu denken“, „21.Jahrhundert“, „Wir-Intelligenz“. Bei solchem Drang ins Esoterische gibt brand eins so richtig Contra. Individualistisch geprägte Gesellschaften sind weniger erfolgreich als  kollektivistische? Kreativität gedeiht am besten in Gruppen? Nicht unbedingt, und da kann man schnell mal was falsch verstehen. Und dann noch: Der Erfolg hängt von der Exzellenz in unterschiedlichen Disziplinen ab, also holt man diese Disziplinen mit ins Boot? Produkte mache ich für Kunden und – Revolution! – frage sie also nach ihren Bedürfnissen? Als wenn es Ideen wie Human Centered Design nie gegeben hätte.

Ignorieren wir lieber die Marketingstrategen und betrachten Design Thinking ganz pragmatisch:

  • Der Ausgangspunkt: komplexe Produkte und Systeme in einem eher unbekannten Terrain
  • Die unbedingte Ausrichtung an meine Kunden untere Berücksichtigung technischer und wirtschaftlicher Zielvorgaben
  • Die enge Zusammenarbeit der unterschiedlichen Disziplinen, die einen Beitrag leisten
  • Iteratives, auch spielerisch/experimentelles Vorgehen und lernen aus Feedback und Fehlern.

Design Thinking ist also wie gemacht für die Herausforderungen der Digitalen Transformation. Deswegen sind wir mit dabei.

 

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

PLM ist tot – lang lebe PLM!

Credit: Sean McGrath, flickr.com
Credit: Sean McGrath, flickr.com

PLM hat im Laufe der Jahre nicht nur Freunde gewonnen. Weil man PLM nicht gut erklären kann, Projekte aus dem Ruder gelaufen sind und der PLM-Alltag – nun ja – anstrengend sein kann.

Man könnte meinen, der eine oder andere wechselt nun schon mal das Klingelschild mit der Aufschrift „PLM“. Bekannte PLM-Player reduzieren ihre Belegschaft, ziehen in die Cloud um und setzen scheinbar alle ihre Chips auf das Thema IoT: „Is PTCs CEO Jim Heppelmann Playing with Fire?

Passend dazu hat jetzt eine ProSTEP iViP Initiative das Thema unter dem Titel „Hat PLM im Zeitalter der Digitalisierung ein Zukunft“ aufs Korn genommen und dazu ein sehr lesenswertes Thesenpapier veröffentlich. Dies ist hier als PDF zugänglich. Unser Blog-Mitstreiter Michael Wendenburg ist einer der Autoren und hat das Thema mit seinem vorangegangenen Blog-Beitrag schon mal eröffnet.

Der Titel mag auf den ersten Blick nicht optimal sein, denn im Mittelpunkt stand ja eigentlich schon immer das virtuelle – also digitale – Produkt. Es geht darum, was passiert, wenn die Produkte selbst und ihre Verwendung durch die Kunden und Nutzer immer digitaler werden. Anhand von insgesamt 22 Thesen zeigen die Autoren, wie der PLM-Begriff im Zeitalter der Digitalen Transformation fortgeschrieben werden sollte. Auf den Punkt bringen sie es mit dem Schlagwort „Future PLM“.

Nun aber: Chefsache PLM

Meine Favoriten aus der Thesensammlung:

„Future PLM ist Chefsache.“ Eigentlich hätte das schon immer so sein sollen (was sollen wir als Lieferant auch anders sagen). Die gute Nachricht: jetzt wird es so kommen, denn die Prozessketten und Implikationen sind nochmal eine Größenordnung bedeutender.

„PLM-Architekturen machen nicht an der Unternehmensgrenze halt. Die Unterstützung der Kollaboration mit Joint Ventures, Entwicklungspartnern, Lieferanten von Systemen, Software und Services etc. ist eine Kernanforderung an die zukünftige PLM-Architektur.“

Eine Lanze für Offene Systeme

Weiter beleuchten die Autoren, wie sich Software und Systeme wandeln müssen: „Monolithische Systeme haben ausgedient.“  „PLM Systeme müssen offener werden.“ „Future PLM muss veränderbar sein … Künftige PLM-Architekturen müssen … flexibel an veränderte Prozesse und Organisationsstrukturen anpassbare Funktionsbausteine bieten.“

Und schließlich: „Future PLM muss kostengünstiger werden“. Den Seitenhieb kann ich mir dann doch nicht verkneifen: Das Papier zeigt ja sehr schön: die Ansprüche an das Management des Produktlebenszyklus wachsen noch einmal deutlich. Da gilt es, die Kosten egal ob aus Erwerb oder Subskription von PLM-Software im Vergleich zum Hebel für die Prozesse und Business Cases nüchtern ins Verhältnis zu setzen. Wie sagt der Schwabe: „Was nix kostet, ist nix“.

Fazit  

PLM ist tot – lang lebe PLM! Es geht nicht darum, die PLM-Idee zu begraben, sondern sie im Gegenteil konsequent zu Ende zu denken. Das erfordert gute Kommunikation in der Community und in den Unternehmen, um auf die neuen Herausforderungen mit tragfähigen innovativen Lösungen zu antworten, die auch auf den vorhandenen PLM-Fundamenten aufbauen. Sonst wird das eine wackelige Angelegenheit!

Hat PLM eine Zukunft und wie sieht die aus?

In meinem letzten Blog-Beitrag habe ich darzulegen versucht, warum es aus Anwendersicht so wichtig ist, PLM aus seinem Engineering-Nischendasein zu befreien. Ebenso wichtig ist es aber auch aus Anbietersicht, wenn die PLM-Hersteller sich auf Dauer am Markt behaupten wollen. Darauf hat vor ein paar Monaten Oleg Shilovitsky in einem Gastblog hingewiesen, den ich jetzt erst entdeckt habe. „Hat PLM eine Zukunft und wie sieht die aus?“ weiterlesen

PLM ist mehr als Produktdatenmanagement

Nein, ich habe das Schießpulver nicht erfunden. Ich weiß auch, dass die Überschrift eine Binsenweisheit ist, die eigentlich jeder kennen sollte. Und doch kann man sie nicht oft genug wiederholen, weil viele PLM-Implementierungen nie oder erst mit jahrelanger Verzögerung die Hürde des Produktdatenmanagements (PDM) nehmen und damit ihrem Anspruch, ein PLM-Projekt zu sein, eigentlich nicht gerecht werden. „PLM ist mehr als Produktdatenmanagement“ weiterlesen

PLM-Fauxpenness hat keine Zukunft

PLM-Blogger Oleg Shilovitsky, der sich wiederum auf einen Beitrag von Monica Schnitger bezieht, verdanke ich die Entdeckung eines wundervollen Begriffs, der ursprünglich in der Open Source Community geprägt wurde: Fauxpenness. Er bezeichnet eine Software, die vorgibt Open (Source) zu sein, aber es nicht wirklich ist. Der Begriff lässt sich prächtig auf die PLM-Hersteller und ihre Produkte übertragen, die aller Lippenbekenntnisse und der Unterzeichnung des Code of PLM Opennness (CPO) zum Trotz noch längst nicht so offen sind, wie sie sein müssten, um den wachsenden Kundenanforderungen in punkto Interoperabilität zu genügen. „PLM-Fauxpenness hat keine Zukunft“ weiterlesen

Die digitale Transformation transformiert auch PLM

Die Unternehmen der Automobilindustrie beschäftigen sich intensiv mit der digitalen Transformation, und dabei geht es nicht mehr nur um Industrie 4.0 und die intelligente Vernetzung der Fertigung, sondern um die Umgestaltung der Unternehmensprozesse und Geschäftsmodelle. Wie intensiv, das wurde auf dem diesjährigen ProSTEP iViP-Symposium in Stuttgart deutlich, an den über 660 Besucher aus 19 Ländern teilnahmen. Ein neuer Rekord, und sicher nicht der letzte. Viele Vorträge spiegelten die Sorge wider, dass disruptive Technologien wie das Internet of Things (IoT) zur Verdrängung der alten Platzhirsche durch neue Herausforderer führen könnten. Der Erfolg von Tesla hat die Branche aufgeschreckt und der Name Nokia steht wie ein Menetekel an der Wand. „Die digitale Transformation transformiert auch PLM“ weiterlesen

Der PLM-Markt wächst in die Höhe und die Breite

Vor ein paar Jahren habe ich an dieser Stelle schon mal über Sinn und Unsinn der PLM-Marktanalysen in der gegenwärtigen Form geschrieben. Grundsätzlich sollen solche Analysen potentiellen Käufern als Orientierung über die am Markt verfügbaren Systeme und die Marktposition der jeweiligen Anbieter dienen. Das tun sie aber nicht, wenn sie Äpfel mit Birnen vergleichen oder – schlimmer noch – Äpfel, Birnen und andere Früchte zu einem bunten PLM-Obstsalat vermengen. „Der PLM-Markt wächst in die Höhe und die Breite“ weiterlesen

Warum das Pferd vom Schwanz aufzäumen?

Erst kommt die Pflicht des Produktdatenmanagements und dann als Kür das Product Lifecycle Management (PLM). Das war lange Zeit die meist praktizierte Best Practice der PDM/PLM-Implementierung. Aber war es auch die erfolgreichste Vorgehensweise? In Anbetracht vieler Projekte, die im Kleinklein von CAD-Integration, Datenmigration etc. stecken geblieben sind und nie oder erst mit Verspätung die weiter gesteckten PLM-Ziele erreicht haben, möchte man das manchmal bezweifeln. „Warum das Pferd vom Schwanz aufzäumen?“ 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?

  1. 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.
  2. Die Algorithmen für das Machine Learning sind deutlich verbessert worden und können nun mit vertretbarem Aufwand für praktische Probleme eingesetzt werden.
  3. 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.
  4. 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.
  5. 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.