Die Vermeidung von Treibhausgasemissionen zur Eindämmung des Klimawandels ist eine Voraussetzung zur langfristigen Sicherung und gerechten Verteilung des globalen Wohlstands. Daher gewinnt ökologische Nachhaltigkeit in der Dimension der Klimawirkung in unserer Gesellschaft, wie auch in gesetzlichen und marktlichen Rahmenbedingungen für die Industrie, weiter an Relevanz. In produzierenden Unternehmen, und damit auch in kleinen und mittleren Unternehmen (KMU), gehört die Produktion zu den maßgeblichen Verursachern von Treibhausgasemissionen. In diesem Beitrag erfahren Sie, wie Sie durch gezielte Entscheidungen in der Produktionsplanung und -steuerung die ökologische Nachhaltigkeit Ihrer Produktion steigern können.

Die weltweite Zunahme der Klimaschutzgesetzgebung stellt Unternehmen und damit auch KMU vor eine Vielzahl an Herausforderungen. Gesetze wie das Klimaschutzgesetz in Deutschland oder Verordnungen wie die Corporate Sustainability Reporting Directive (CSRD) auf EU-Ebene nehmen Unternehmen bezüglich der Berichterstattung hinsichtlich ihrer klimawirksamen Emissionen und deren Reduktion konkret in die Pflicht. Bis 2028 wird die Zahl der berichtspflichtigen Unternehmen stufenweise erhöht. Auch kapitalmarktorientierte KMU fallen dann unter die Berichtspflicht. Voraussichtlich werden 13.000 bis 15.000 deutsche Unternehmen die neuen CSRD-Vorgaben direkt erfüllen müssen. Auch wenn nicht kapitalmarktorientierte kleinste, kleine und mittlere Unternehmen davon nicht direkt betroffen sind, ist zu erwarten, dass die Anforderungen von größeren und berichtspflichtigen Unternehmen entlang von Lieferketten weitergegeben werden.

Gleichzeitig sorgt das den rechtlichen Rahmenbedingungen zugrundeliegende Ziel der Eindämmung des menschengemachten Klimawandels für nachhaltigkeitsorientiertes Denken in der Gesellschaft. Dieses äußert sich auch in bewussterem Konsumverhalten von Endverbrauchern, das wiederum durch die Weitergabe von Berichts- und Reduktionszielen entlang von Wertschöpfungsketten auf alle beteiligten Unternehmen Auswirkungen hat. Unternehmen aller Größenklassen setzen sich daher Dekarbonisierungsziele und fordern zunehmend Nachweise des CO2-Fußabdrucks von ihren Lieferanten. Der CO2-Fußabdruck umfasst hier neben CO2 auch alle weiteren Treibhausgasemissionen. Eine nachgewiesen klimawirkungsorientierte Produktion, in der Schritte zur Reduktion des CO2-Fußabdrucks unternommen werden, wird sich daher bei der Auftragsvergabe und Unternehmensfinanzierung zukünftig immer stärker vorteilhaft auswirken. Grundsätzlich lässt sich festhalten: Ökologische Nachhaltigkeit in Form eines geringen CO2-Fußabdrucks von Unternehmen und Produkten lohnt sich bereits heute und wird sich zukünftig immer stärker auszahlen – auch für KMU.

Viele Verursacher industrieller Treibhausgasemissionen in der Produktion

Das Greenhouse Gas Protocol (GHG) teilt relevante Bestandteile des CO2-Fußabdrucks von Organisationen in drei Scopes ein. Neben den organisationsinternen Emissionsquellen stehen dabei auch die entlang von vor- und nachgelagerten Wertschöpfungsketten anfallenden Emissionen im Fokus. Abbildung 1 zeigt eine Übersicht der Scopes 1 und 2 sowie den Teil der vorgelagerten Wertschöpfungskette von Scope 3.

Abbildung 1: Scopes 1, 2 und 3 des GHG-Protocol

Scope 1 umfasst vor Ort anfallende direkte Emissionen von Treibhausgasen in mobilen und stationären Anlagen, also Verbrennungsabgase und flüchtige klimarelevante Gase.
In Scope 2 sind Emissionen aus der Erzeugung von eingekaufter Energie zusammengefasst. Enthalten sind hier beispielsweise extern bezogener Strom und Dampf, Fernwärme und Fernkälte.
Scope 3 beinhaltet alle anderen entlang der Wertschöpfungskette anfallenden Emissionen. Verursacher von Scope-3-Emissionen in der vorgelagerten Wertschöpfungskette sind gekaufte Waren und Dienstleistungen, Anlagegüter (wie Maschinen, Anlagen und Fahrzeuge), Geschäftsreisen, der Berufsverkehr der Mitarbeitenden, die Abfallentsorgung, die Nutzung von Mietobjekten, Transporte sowie Aufwände für die Förderung und Bereitstellung von Energieträgern und Brennstoffen. In die Scope-3-Emissionen der nachgelagerten Wertschöpfungskette fallen Transporte, getätigte Investitionen, Franchisevergaben, die Vermietung von Objekten, Transporte und Verwendung von produzierten Gütern, die Weiterverarbeitung von Produkten sowie deren Endverwertung. Hier wird deutlich, dass Scope-3-Emissionen aufgrund ihrer Zusammensetzung und ihrer Entstehung, die teilweise außerhalb von Unternehmensgrenzen liegt, meist den am schwierigsten zu quantifizierenden und dementsprechend oft schwer beeinflussbaren Teil des Gesamt-CO2-Fußabdrucks von Unternehmen darstellen.

Im Rahmen der Organisation ihres eigenen Produktionsablaufs haben produzierende Unternehmen dennoch Möglichkeiten zur Einflussnahme auf die Emissionstreiber in allen drei Scopes. Die wichtigsten Ansätze sind dabei die gezielte Effizienzsteigerung und die flexible Anpassung der Nutzungsarten und Bezugsquellen von Energie und Material. Die Produktion stellt daher innerhalb produzierender Unternehmen ein zentrales Handlungsfeld für die Reduktion von Treibhausgasemissionen mit allen ihr zuarbeitenden peripheren Bereichen dar. Neben Produktionsanlagen zählen dazu auch die Energie- und Medienversorgung, die technische Gebäudeausstattung und Intralogistiksysteme. Die Nutzung vorhandener organisatorischer Potenziale zur Reduktion von Treibhausgasemissionen bietet gegenüber möglichen strukturellen Anpassungen an Energie- und Produktionssystemen und der Kompensation von CO2-Emissionen Vorteile. Diese sind in der Regel mit signifikanten Investitionskosten beziehungsweise laufenden Kosten verbunden. Die Kompensation von CO2-Emissionen sieht sich zudem zunehmend Zweifeln bezüglich ihrer Langfristigkeit und Validität ausgesetzt.

Organisatorische Maßnahmen im Rahmen der Produktionsplanung und -steuerung

Organisatorische Maßnahmen im Bereich der Anpassung des Produktionsablaufs können in der Regel ohne Investitionen durchgeführt und durch gezielte Entscheidungen im Betrieb des bestehenden Systems umgesetzt werden. Das organisatorische Mittel in diesem Kontext ist die Produktionsplanung und -steuerung (PPS). Ihre Kernaufgaben nach dem Aachener Modell beinhalten beispielsweise die Eigenfertigungsplanung und -steuerung mit Losgrößenrechnung, Feinterminierung, Ressourcenfeinplanung und Reihenfolgeplanung. Hier können Material- und Energieeffizienz sowie Energieflexibilität gezielt gesteuert und eingesetzt werden. Eine weitere Kernaufgabe ist die Fremdbezugsplanung und -steuerung, in der die Scope-3-Emissionen von Eingangsmaterialien beeinflusst werden können. Auch in den Querschnittsaufgaben Auftragsmanagement und Bestandsmanagement sowie den Netzwerkaufgaben (z. B. Netzwerkkonfiguration, also Lieferentenauswahl) ergeben sich Möglichkeiten zur gezielten Reduktion der in der Wertschöpfung entstehenden Klimawirkungen.

PPS-basierte Energieeffizienzmaßnahmen wirken sich im Allgemeinen positiv auf Scope-2-Emissionen aus. Eine höhere Materialeffizienz kann durch eine auf Materialhaltbarkeit
und -abfallvermeidung ausgerichtete PPS erreicht werden. So können Scope-3-Emissionen der vorgelagerten Wertschöpfungskette vermieden werden. Scope-3-Emissionen der nachgelagerten Wertschöpfungskette sind hingegen über die PPS in der Regel nicht beeinflussbar. Exemplarisch werden hier einige Möglichkeiten zur Reduktion der Klimawirkungen durch PPS aufgeführt:

  • Lange Warmhaltezeiten oder häufige Aufwärmvorgänge können durch optimierte Auftragsplanung reduziert und im Fall von direktbefeuerten Prozessen direkte Scope-1-Emissionen vermieden werden.
  • Durch energieflexible PPS kann der Anteil von eigenerzeugter regenerativer Energie aus Photovoltaik-Anlagen (PV-Anlagen) am eigenen Energieverbrauch erhöht werden, indem energieintensive Prozesse oder Aufträge in Zeiten hoher PV-Stromerzeugung geplant werden. Somit wird der Bezug von Netzstrom aus teilweise fossilen Quellen und Scope-2-Emissionen gesenkt.
  • Über Anpassungen des Aufkommens und Routenführung von Intralogistikprozessen in der PPS können Transportwege und damit Scope-1-Emissionen von Fahrzeugen mit Verbrennungsmotor oder Scope-2-Emissionen von Elektrofahrzeugen eingespart werden.

Die konkreten anwendungsfallspezifischen Zusammenhänge zwischen organisatorischen Entscheidungen und den resultierenden Auswirkungen auf die Treibhausgasemissionen von Produktionssystemen sind stets stark von den jeweiligen Produktionsprozessen und deren Verkettung abhängig. Je nach Energie-, Medien- und Materialintensität steigt und fällt dabei auch die Bedeutung der Produktionsperipherie mit technischer Gebäudeausrüstung und Logistiksystemen. In jedem Fall ist zu beachten, dass PPS-Maßnahmen zur Reduktion von Treibhausgasemissionen unter Umständen unerwünschte Auswirkungen auf ökonomische und logistische Ziele der Produktion haben können. Für die Nutzung von Nachhaltigkeitspotenzialen der PPS ist daher eine individuelle Betrachtung der Wechselwirkungen mit den logistischen Zielen der Produktion beziehungsweise den Zielen anderer Domänen und Stakeholdern erforderlich. Neben den genannten Möglichkeiten zur Einflussnahme in klassischen Produktionssystemen stellt die PPS auch einen wichtigen Bestandteil von zirkulären Systemen der Kreislaufwirtschaft dar.

Welche Einflussmöglichkeiten gibt es in meinem Produktionssystem?

Zur Identifikation und Auswahl der individuellen Stellhebel zur Reduktion der Klimawirkung über die PPS bietet sich ein mehrstufiges Vorgehen an. Zunächst müssen die individuellen Gegebenheiten des jeweiligen Anwendungsfalls durchleuchtet werden. Damit können Anforderungen, Randbedingungen und vor allem Informationsbedarfe definiert werden. Diese können im Anschluss durch gezielte Maßnahmen zu Transparenzschaffung, zum Beispiel durch Verknüpfung bestehender Produktions-, Material- und Energiedaten oder deren Erfassung durch Einrichtung kontinuierlicher sowie Durchführung einmaliger Messungen bedient werden. Relevante Bestandsdaten liegen beispielsweise in Enterprise-Resource-Planning-Systemen (ERP-Systemen) in Form von Einkaufs- und Verbrauchsmengen, Lieferanteninformationen, Materialdaten, Arbeitsplänen, Zeitmodellen, Stücklisten und Energierechnungen vor. Via Messung zu erfassende Daten können lokale Energie- und Medienverbräuche oder Ist-Bearbeitungszeiten sein. Die Erfassung der Energiedaten kann beispielsweise durch ein Energiemonitoring-System (EnMS) erfolgen. Ebenfalls denkbar ist die Einbindung von Prognosedaten aus internen oder externen Quellen.

Nach Schaffung ausreichender Transparenz können die Stellhebel identifiziert und hinsichtlich ihrer ökologischen, produktionslogistischen und ökonomischen Auswirkungen bewertet und priorisiert werden. Dafür können zunächst anwendungsfallspezifische energie- und nachhaltigkeitsbezogene Kennzahlen definiert werden. Die theoretische Basis für individuelle ökologische Kennzahlen bilden beispielsweise die Bewertungsgrößen Product Carbon Footprint (PCF) und Corporate Carbon Footprint (CCF). Entsprechende Berechnungsgrundlagen liefert unter anderem die Methode des Life Cycle Assessment (LCA). Die Bewertung ermöglicht eine fundierte Kosten-Nutzen-Analyse und gewährleistet, dass etwaige „Low-Hanging-Fruits“ identifiziert werden können. Außerdem können die Kosten für organisatorische Maßnahmen der PPS mit möglichen strukturellen und investitionsbehafteten Anpassungen oder Kompensationsprojekten abgeglichen werden.

Nach der initialen Identifikation und den ersten Umsetzungen von Einmal-Maßnahmen kann im nächsten Schritt die langfristige Operationalisierung der identifizierten Maßnahmen in der PPS erfolgen. Als Grundlage dafür müssen idealerweise kontinuierlich erfasste Daten in PPS-Systeme eingebunden und gegebenenfalls Datenverbindungen zwischen PPS-Systemen und weiteren bestehenden Datensystemen geschaffen werden. Eine ganzheitliche Digitalisierung der PPS ist dabei als Basis für die Transformationen zu einer nachhaltigen PPS (nPPS) ideal.

Wie kann nPPS konkret aussehen?

Ein anschauliches Beispiel für den Ablauf der Umsetzung von Maßnahmen im Rahmen der nPPS ist die lang- bis kurzfristige Anpassung des Strombedarfs der Produktion an eine vorhandene PV-Anlage. Durch intelligente Angleichung des Produktionsablaufs kann der Anteil an eigenerzeugter regenerativer Energie am Energiebedarf der Produktion erhöht werden. Bei Substitution von fossilem Netzstrom durch regenerativ erzeugten Strom werden Scope-2-Emissionen vermieden.

Dafür muss der vom Auftragsbestand und -volumen abhängige Bedarfslastgang des Produktionssystems an den wetter- und jahreszeitabhängigen Erzeugungslastgang der PV-Anlage angeglichen werden.

Dies kann durch verschiedene Anpassungen im Rahmen der PPS-Aufgaben erfolgen:

  • Langfristige Anpassungen des Produktionsprogramms an die saisonale Verfügbarkeit von eigenerzeugtem Strom, z. B. durch Planung der Fertigung energieintensiver Aufträge in den Sommermonaten
  • Mittelfristige Verschiebung energieintensiver Aufträge in die Mittagsstunden im Rahmen der Produktionsplanung auf Wochen- oder Tagesbasis, z. B. durch Anpassung der Produktionsreihenfolge, Anpassung der Kapazitätsplanung oder Anpassung von Schichtzeiten
  • Kurzfristige Eingriffe bei untertägiger geringer Sonneneinstrahlung bei Wolkenfronten o. Ä. im Rahmen der Produktionssteuerung, z. B. durch Unterbrechung von Aufträgen, Verschieben von Auftragsstarts oder Veränderung der Auftragsreihenfolge

Als Grundlage für die Entscheidung zu Art, Umfang und Zeitpunkt der Umsetzung solcher Maßnahmen sind verschiedene unternehmensinterne und externe Daten erforderlich. Beispielsweise können ein langfristiges Produktionsprogramm, der tagesbezogene Auftragsbestand und zugehörige Stammdaten aus ERP-Systemen sowie die detaillierte Auftragsreihenfolge und Maschinenbelegungsplanung aus Manufacturing-Execution- oder Advanced-Planning-and-Scheduling-Systemen zusammen mit Energieverbrauchskennwerten und CO2e-Emissionsfaktoren (Neben CO2 umfassen CO2-Äquivalente (CO2e) auch alle weiteren Treibhausgasemissionen) die Basis für die Eigenverbrauchssteigerung bilden.

Digitale Hilfsmittel wie Sensorik zur Erfassung der Ist-Verbräuche und -Erzeugung, Prognosetools, Energiedatenmodelle von Produktionsressourcen und Wetterdatenservices verbessern die vorhandenen Daten in Menge und Qualität. Sie bieten auch die Grundlage für die Erweiterung um ganzheitliche Optimierungsalgorithmen oder Anwendungen Künstlicher Intelligenz.

Nachhaltige Produktionsplanung und -steuerung kann Treibhausgasemissionen senken oder vermeiden

Im Rahmen der Aufgaben der PPS bieten sich vielfältige Möglichkeiten zur Steigerung der ökologischen Nachhaltigkeit. Organisatorische Energie- und Materialeffizienz, die flexible Anpassungen an das Angebot von Energie aus erneuerbaren Quellen, die Vermeidung von Abfällen oder Kreislaufwirtschaft sind hier konkrete Beispiele. Um in spezifischen Fällen geeignete Lösungen zu finden, müssen die individuellen Gegebenheiten des betreffenden Produktionssystems und seiner Peripherie erfasst, analysiert und entsprechend berücksichtigt werden. Die Zusammenarbeit mit Expert:innen für nachhaltige Produktionssysteme und Dekarbonisierung des Mittelstand-Digital Zentrums Augsburg ermöglicht es Unternehmen, hier von Fachwissen und Erfahrung zu profitieren.

Organisatorische Anpassungen können in verschiedenen Ausprägungen im System implementiert werden. Für eine langfristige Verankerung der Nachhaltigkeit in der PPS müssen entsprechende Kennzahlen und Mechanismen in bestehende Systeme und Software integriert beziehungsweise in entsprechenden Erweiterungen umgesetzt werden. Die Hinzunahme der Zielgröße CO2e-Emissionen steigert die Komplexität der PPS. Der Einsatz digitaler Lösungen kann Unternehmen dabei helfen, die Komplexität und entstehende zusätzliche Aufwände zu meistern und ein ganzheitlich nachhaltiges Ergebnis zu erzielen.

 

Das könnte Sie auch interessieren

Mehr erfahren
Information
Nachhaltigkeit in KMU – wie KI auf dem Weg zur nachhaltigen Finanzierung unterstützt

Kleine und mittlere Unternehmen (KMU) stehen zunehmend vor der Herausforderung, umfangreiche Nachhaltigkeitsdaten zu ...

Mehr erfahren
Mehr erfahren
Information
Digitaler Produktpass – wie KMU profitieren können

Der Digitale Produktpass (DPP) soll umfassende Informationen über Produkte während ihres gesamten Lebenszyklus ...

Mehr erfahren
Mehr erfahren
Information
Supply Chain Transparenz neu definiert – Chancen durch föderierte Datenökosysteme

In der zunehmend vernetzten Wirtschaft, die schnellere Entscheidungen und weiteren Vorausblick erforderlich macht, wird ...

Mehr erfahren

Die Nutzung von Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) birgt enorme Potenziale für kleine und mittlere Unternehmen (KMU), indem die Effizienz der Geschäftsprozesse erheblich verbessert werden kann. Die größte Herausforderung ist dabei oftmals, dass nur eine unzureichende Menge an Trainingsdaten vorliegt. Insbesondere KMU sind dafür häufig mit begrenzten Ressourcen konfrontiert. Für viele Anwendungen kann der benötigte Datenumfang jedoch durch die Einbringung von Vorwissen kompensiert werden.

Bedeutung der Wissensintegration

Die Nutzung von KI im Allgemeinen und ML im Besonderen ermöglicht nicht nur die Automatisierung von Geschäftsprozessen, sondern auch die Erschließung neuer Geschäftsfelder und die Verbesserung der Kundenbindung. Eine der größten Herausforderungen, der KMU bei der Implementierung von KI- und ML-Anwendungen gegenüberstehen, ist jedoch die Verfügbarkeit und Qualität von Trainingsdaten.

KMU haben oft nicht die gleichen Ressourcen wie große Unternehmen, um umfangreiche und qualitativ hochwertige Datensätze zu sammeln. Dies kann die Entwicklung präziser ML-Modelle erheblich erschweren, da ohne eine ausreichende Menge an Daten die Modelle anfällig für Überanpassung sind und in der Praxis ungenaue Ergebnisse liefern können. Die Integration von Wissen in den ML-Trainingsprozess kann diese Herausforderung adressieren. Durch die Nutzung vorhandenen Wissens können Datenlücken geschlossen und die Effizienz des Trainingsprozesses verbessert werden. Dies ermöglicht es KMU, auch mit begrenzten Datenquellen robuste und genaue Modelle zu entwickeln.

Was meint Wissen in diesem Kontext?

Maschinelles Lernen hat das Potenzial, Muster und Zusammenhänge in Daten zu erkennen, die für den Menschen schwer nachvollziehbar sind. Doch kein Vorhersagemodell kann ohne grundlegende Annahmen entwickelt werden. Ohne diese Annahmen ist es schlichtweg unmöglich, dass ein Modell auf neue, unbekannte Daten verallgemeinern kann. Je besser diese Annahmen mit der Realität übereinstimmen und je genauer sie das zu lösende Problem abdecken, desto aussagekräftiger wird das Modell und desto weniger muss letztlich aus den Daten gelernt werden. Die Einbindung von Domänenwissen in maschinelle Lernmethoden kann nicht nur die Leistung des Modells verbessern und die benötigte Datenmenge reduzieren, sondern auch die Interpretierbarkeit des Modells erhöhen.

Stellen wir uns beispielsweise ein Modell vor, das darauf trainiert ist, Verkehrsschilder zu erkennen. Wir wissen, dass Verkehrsschilder jeweils bestimmten geometrischen Formen und Farben entsprechen und dieses Wissen können wir in das Modell einfließen lassen. Das geschieht, indem wir beispielsweise aus den Kategorien und Attributen einen Wissensgraph erstellen und das Modell mit dessen Einbettungen trainieren oder zusätzliche Bilddaten simulieren.

Dadurch wird das Modell nicht nur präziser, sondern auch verständlicher und leichter übertragbar auf andere Länder. Die Relevanz solch einer Kombination von Wissen wird durchaus im Alltag deutlich. Wenn im Winter ein schneebedecktes Stoppschild zusätzlich durch die Form erkennbar ist, dann besitzt eine Methode, welches dieses Wissen ausnutzen kann, einen Vorteil gegenüber Ansätzen, welche sich allein auf eine (unleserliche) Schrift verlassen.

Wissen kann in vielen verschiedenen Formen formalisiert und repräsentiert werden, sei es als logische Formeln, Invarianzen, Simulationsergebnisse, statistische Relationen oder Wissensgraphen. Daher muss immer eine gemeinsame Sprache gefunden werden, um dieses Domänenwissen in ein KI-System zu integrieren. Doch selbst wenn das Wissen in einer geeigneten Form vorliegt, bedeutet das nicht zwangsläufig, dass der Weg der Integration immer gleich ist. Betrachten wir zur Verdeutlichung die folgenden drei Beispiele:

  1. Die Software “AlphaGo”, die das Brettspiel „Go“ optimal spielt: Hier wird Vorwissen in Form der möglichen Spielzüge und direkt verwerfbare Handlungen eingebracht, um den Raum für mögliche Strategien einzugrenzen. Das Wissen über die Spielzüge wird dabei als Graph dargestellt, wobei jeder Knoten einen möglichen Spielzustand repräsentiert und die Kanten die möglichen Züge darstellen. Dieses Vorwissen hilft, den Suchraum effizient zu durchsuchen und optimale Strategien zu entwickeln.
  2. Erkennung von Straßenschildern: Stoppschilder haben die gleiche Bedeutung in verschiedenen Ländern, können aber unterschiedlich ausgeführt sein. Für die Erkennung in einem Computer kann das Wissen über die Schilder hierarchisch organisiert werden. Grundlegende und gemeinsame Attribute (beispielsweise die rote Farbe und die achteckige Form) werden höher in der Hierarchie eingehängt. Regionale und spezifische Eigenschaften landen tiefer in der Struktur. Diese Hierarchie kann als Graph dargestellt werden, wobei die Knoten die verschiedenen Attribute und die Kanten deren Beziehungen repräsentieren.
  3. Empfehlungssystem bei Online-Versandhändler (“Kunden kauften auch … “): Hier sind die zu verarbeitenden Daten die Relationen (“Wer hat x gekauft?”) zwischen Entitäten (die Nutzerinnen und Nutzer des Dienstes sowie die Produkte). Diese Relationen können als Graph modelliert werden, wobei die Knoten die Nutzerinnen und Nutzer sowie die Produkte repräsentieren. Die Kanten zeigen deren Beziehungen an. Die Aufgabe besteht darin, einer Kundin oder einem Kunden nach einem getätigten Kauf über das Verhalten anderer neue Produkte vorzuschlagen. Für die Lösung kann bekanntes Wissen aus der Graphentheorie verwendet werden.

In allen drei Beispielen liegt das Vorwissen selbst als Graph vor, sei es in der Form von aufeinander aufbauenden Spielzügen, geordneten Hierarchien oder zu findenden Strukturen innerhalb eines gegebenen Graphen. Unabhängig davon benötigen diese Beispiele jeweils eine maßgeschneiderte Umsetzung und passgenaue Integration des Vorwissens.

Wo findet die Wissensintegration statt?

Es gibt vier konkrete Bereiche im Maschinellen Lernprozess, in denen Wissen eingebracht werden kann: die Konzeptualisierung des Problems, die Datenerhebung, das Design der Modellarchitektur und der Lösungsalgorithmus. Die richtige Kombination dieser Faktoren kann den Unterschied zwischen einem erfolgreichen und einem weniger erfolgreichen ML-Projekt ausmachen.

Konzeptualisierung des Problems

Bevor Maschinelles Lernen zum Einsatz kommt, muss zunächst geklärt werden, warum es überhaupt notwendig ist. ML wird hauptsächlich dann eingesetzt, wenn das zu lösende Problem entweder zu komplex ist, um vom Menschen verstanden zu werden, oder wenn klassische Ansätze zu ungenau oder zu langsam sind. Ein anschauliches Beispiel ist die Entwicklung von sogenannten Surrogate-Modellen zur Simulation von Strömungen. Anstelle der eigentlichen Hydrodynamik und physikalischen Prozesse wird ein vereinfachtes Modell als Ersatz verwendet, welches immer noch gut genug ist, um brauchbare Ergebnisse zu erzielen, aber deutlich schneller berechnet werden kann, indem Verluste bei der Genauigkeit gezielt in Kauf genommen werden. Solche Surrogate-Modelle ermöglichen dann beispielsweise die Entwicklung von künstlichen Organen oder effizienteren Triebwerken.

Falls ein ähnliches Problem bereits gelöst wurde, bietet Transfer-Lernen eine wertvolle Lösung. Diese Technik ermöglicht es, bereits trainierte Modelle auf verwandte Probleme anzuwenden. Das spart sowohl Zeit als auch Ressourcen und steigert gleichzeitig die Effizienz und Genauigkeit des neuen Modells. Eine Vielzahl vortrainierter Modelle steht mit passenden Lizenzen zum Download bereit und kann für spezifische Anwendungen angepasst werden, was den Einstieg erheblich erleichtert.

Datenakquise, -aufbereitung und -augmentation

Bei der Datenerhebung spielt neben der Datenmenge auch die Diversität der Daten eine entscheidende Rolle. Während maschinelles Lernen hervorragend darin ist, zwischen bekannten Datenpunkten zu interpolieren, gestaltet sich die Extrapolation außerhalb des gelernten Bereichs deutlich schwieriger. Ein passendes Beispiel hierfür sind Wettervorhersagen: Während ML-Modelle präzise Prognosen innerhalb des bekannten Klimamusters erstellen können, stoßen sie bei unvorhergesehenen Klimaveränderungen an ihre Grenzen.

Die Darstellung der Daten beeinflusst maßgeblich die Komplexität der zu erlernenden Beziehungen. Ein gutes Beispiel dafür ist der Unterschied zwischen heliozentrischen und geozentrischen Darstellungen in der Astronomie. Die Wahl des richtigen Koordinatensystems kann das Problem erheblich vereinfachen und somit die Effizienz des Modells steigern.

In vielen physikalischen Anwendungen können Daten durch Simulationen erweitert werden. Simulationen bieten oft eine höhere Auflösung als reale Experimente, sind jedoch durch die unvollständige Kenntnis der zugrunde liegenden Gesetze des betrachteten Systems eingeschränkt. Datenaugmentation ist eine weitere Technik, bei der neue Daten aus bestehenden Daten durch Transformationen künstlich erzeugt werden und der Datensatz so vergrößert wird. Invarianzen und Equivarianzen können genutzt werden, um die Menge der verfügbaren Daten zum Beispiel durch Rotationen, Spiegelungen oder Skalierungen zu erhöhen.

Falls der direkte Austausch von Daten problematisch ist, beispielsweise in sensiblen Bereichen wie dem Gesundheitswesen oder Finanzsektor, kann Föderales Lernen eine Lösung bieten. Diese Methode ermöglicht es mehreren Institutionen, gemeinsam Modelle zu trainieren, ohne dass Daten tatsächlich ausgetauscht werden müssen. Dies gewährleistet den Schutz sensibler Informationen und ermöglicht dennoch effektives Lernen.

Design der Modellarchitektur

Albert Einstein sagte einmal: “Man sollte alles so einfach wie möglich machen, aber nicht einfacher.” Diese Weisheit gilt auch für die Gestaltung der Modellarchitektur im maschinellen Lernen. Die Architektur legt den Suchraum für mögliche Zusammenhänge fest. Ist dieser Suchraum zu groß oder zu klein, führt dies aufgrund von Über- bzw. Unteranpassung in der Regel zu einer schlechteren Performanz.

Ein gut gestaltetes Modell sollte daher eine Balance zwischen Einfachheit und Komplexität finden. Beispielsweise können anwendungsspezifische Symmetrien, Invarianzen und physikalische Erhaltungssätze direkt in die Modellstruktur integriert werden. Diese Integration verringert die Komplexität des Problems, da das Modell bekannte Zusammenhänge nicht erst mühsam aus den Daten lernen muss.

Ein anschauliches Beispiel ist das Erkennen von Objekten in Bildern. Man trainiert typischerweise kein KI-Modell für jede mögliche Position eines Objekts im Bild, sondern konstruiert ein einzelnes Modell, das das gesamte Bild verarbeiten kann. Hier kommen faltende neuronale Netze (Convolutional Neural Networks, CNNs) zum Einsatz. Diese Netze können dank der Faltungen per Design unabhängig von der Position eines Objekts dessen Art bestimmen. Ein vollverbundenes Netz würde bei gleichem Datenumfang schlechter abschneiden, obwohl es das CNN als Spezialfall enthält.

Implementierung in den Lösungsalgorithmus

Das Wissen, das in die Modellarchitektur eingebracht wird, kann oft auch direkt in den Trainingsprozess als zusätzliche Regularisierungsterme einfließen. Diese zusätzlichen Terme für die Verlustfunktion wirken wie weiche Beschränkungen, die dem Modell helfen, die bekannten Gesetzmäßigkeiten und Zusammenhänge zu berücksichtigen.

Ein anschauliches Beispiel hierfür ist das Training eines Modells zur physikalischen Simulation. Hier können physikalische Erhaltungssätze, wie die Energie- oder Impulserhaltung, direkt als Regularisierung in die Verlustfunktion integriert werden. Diese Terme sorgen dafür, dass das Modell physikalisch sinnvolle Ergebnisse liefert, selbst wenn die Daten gelegentlich abweichen.

Allerdings können die zusätzlichen Regularisierungsterme auch in Konflikt mit dem eigentlichen Trainingsziel, nämlich der Minimierung der Verlustfunktion, stehen. Das bedeutet, dass das Modell einerseits die Trainingsdaten bestmöglich nachbilden soll, andererseits aber auch den Regularisierungstermen gerecht werden muss. Daher ist ein anwendungsspezifisches Feintuning der Gewichtung dieser Verlustterme entscheidend. Eine zu starke Gewichtung der Regularisierungsterme könnte das Modell daran hindern, die Daten korrekt zu lernen, während eine zu schwache Gewichtung ihre nützliche Wirkung minimiert.

Maßgeschneiderte Lösungen bleiben erforderlich

Die Kombination von Wissen ist ein entscheidender Faktor für den Erfolg von KI- und ML-Anwendungen, insbesondere für KMU mit begrenzten Ressourcen. Durch die Integration von Wissen in ihre KI-Strategien können KMU die Herausforderungen der Datenknappheit überwinden und das volle Potenzial von KI und ML ausschöpfen. Dies ermöglicht nicht nur effizientere Geschäftsprozesse, sondern auch die Erschließung neuer Geschäftsmöglichkeiten und die Steigerung der Wettbewerbsfähigkeit. Dabei ist das exakte Vorgehen aber immer anwendungsabhängig und wird durch das vorliegende Problem eingegrenzt. Es gibt deswegen leider nicht einen pauschalen Ansatz, welcher überall greift, sondern man muss sich maßgeschneiderte Lösungen für das eigene Unternehmen zusammenbauen.

Das könnte Sie auch interessieren

Mehr erfahren
Information
Nachhaltigkeit in KMU – wie KI auf dem Weg zur nachhaltigen Finanzierung unterstützt

Kleine und mittlere Unternehmen (KMU) stehen zunehmend vor der Herausforderung, umfangreiche Nachhaltigkeitsdaten zu ...

Mehr erfahren
Mehr erfahren
Information
Digitaler Produktpass – wie KMU profitieren können

Der Digitale Produktpass (DPP) soll umfassende Informationen über Produkte während ihres gesamten Lebenszyklus ...

Mehr erfahren
Mehr erfahren
Information
Supply Chain Transparenz neu definiert – Chancen durch föderierte Datenökosysteme

In der zunehmend vernetzten Wirtschaft, die schnellere Entscheidungen und weiteren Vorausblick erforderlich macht, wird ...

Mehr erfahren

Die Vorverarbeitung von Maschinendaten ist ein wesentlicher Schritt, um die Basis für eine effektive Nutzung von Künstlicher Intelligenz (KI) und fortschrittlicher Datenanalyse in der Produktion zu schaffen. Maschinendaten stammen aus verschiedenen Quellen und ihre Qualität bestimmt maßgeblich den Erfolg nachfolgender Analyse- und Optimierungsprozesse.

Die Vorverarbeitung von Maschinendaten umfasst alle Schritte, die notwendig sind, um Rohdaten in eine Form zu bringen, die für die Analyse, insbesondere durch KI-Modelle, geeignet sind. Diese Schritte beinhalten die Datenbereinigung, -normalisierung,
-aggregation sowie die Transformation in ein konsistentes Format. Die Qualität der Vorverarbeitung beeinflusst die Leistungsfähigkeit von KI-Modellen erheblich, da diese Modelle auf präzise und relevante Daten angewiesen sind, um genaue Vorhersagen und Entscheidungen treffen zu können.

Ein zentraler Aspekt der Vorverarbeitung ist die Handhabung fehlender oder fehlerhafter Daten, die in Produktionsumgebungen häufig vorkommen. Unvollständige oder inkonsistente Datensätze können zu falschen Schlussfolgerungen führen und die Wirksamkeit von Datenanalyseverfahren beeinträchtigen. Durch Techniken wie Interpolation, Ausreißererkennung und Datenimputation können solche Probleme bereits in der Vorverarbeitungsphase adressiert werden.

Quellen von Maschinendaten: Energiefluss, Materialfluss und Datenfluss

Maschinendaten werden aus verschiedenen Quellen generiert, die in der Produktion eine zentrale Rolle spielen. Diese Datenquellen lassen sich im Wesentlichen in drei Kategorien unterteilen: Energiefluss, Materialfluss und Datenfluss.

  1. Energieflussdaten: Diese Daten umfassen Informationen über den Energieverbrauch von Maschinen und Anlagen. Sie können sowohl den allgemeinen Energieverbrauch als auch spezifische Parameter wie Spannung, Stromstärke und Leistung umfassen. Energieflussdaten sind entscheidend für die Optimierung des Energieeinsatzes und die Senkung der Betriebskosten. Durch die Analyse von Energieflussdaten lassen sich beispielsweise ineffiziente Maschinen identifizieren oder Vorhersagen über den Energiebedarf treffen.
  2. Materialflussdaten: Diese Daten beziehen sich auf die Bewegung und Transformation von Materialien innerhalb der Produktionsprozesse. Dazu gehören Informationen über Materialein- und -ausgänge, Lagerbestände, Produktionsgeschwindigkeiten und die Produktqualität. Materialflussdaten sind essenziell für die Planung und Optimierung von Produktionsabläufen sowie für das Management von Lieferketten. Ihre Analyse kann helfen, Engpässe zu identifizieren und den Materialeinsatz zu optimieren.
  3. Datenflussdaten: Diese Kategorie umfasst alle digitalen Signale und Kommunikationsströme, die zwischen Maschinen, Steuerungssystemen und übergeordneten IT-Systemen ausgetauscht werden. Datenflussdaten beinhalten Maschinensensoren, Steuerungsbefehle und Informationen über Prozesszustände. Diese Daten sind entscheidend für die Überwachung und Steuerung von Produktionsprozessen in Echtzeit und bilden die Grundlage für die Implementierung von Predictive Maintenance (vorausschauende Wartung) und anderen fortschrittlichen Anwendungen.

Praktische Ansätze zur Datenerfassung

In der Praxis ist die Erfassung von Maschinendaten oft eine komplexe Aufgabe, die sorgfältige Planung und die richtige technische Ausstattung erfordert. Hier sind einige gängige Methoden, wie Produktionsunternehmen an die notwendigen Daten herankommen:

  1. Sensoren und IoT-Geräte: Eine der häufigsten Methoden zur Erfassung von Maschinendaten ist der Einsatz von Sensoren und IoT-Geräten (Internet of Things, dt. Internet der Dinge), die direkt an Maschinen und Anlagen angebracht werden. Diese Geräte messen kontinuierlich physikalische Größen wie Temperatur, Druck, Vibrationen oder Energieverbrauch und senden diese Daten in Echtzeit an zentrale Datenbanken. Moderne IoT-Plattformen bieten zudem die Möglichkeit, diese Daten sofort zu verarbeiten und zu analysieren.
  2. Steuerungssysteme und SCADA: Viele Produktionsanlagen sind bereits mit Steuerungssystemen wie PLCs (Programmable Logic Controllers) oder SCADA (Supervisory Control and Data Acquisition) ausgestattet. Diese Systeme sammeln Daten über Maschinenzustände und Prozessparameter und können diese Daten zentral speichern oder direkt an Analysesysteme weiterleiten.
  3. Manuelle Datenerfassung: In Fällen, in denen eine automatische Datenerfassung nicht möglich oder zu kostspielig ist, kann eine manuelle Erfassung der Daten erforderlich sein. Dies erfolgt in der Regel durch regelmäßige Inspektionen oder durch das Auslesen von Maschinendisplays und Steuerungsgeräten. Eine manuelle Datenerfassung ist zwar weniger effizient und fehleranfälliger, kann aber in bestimmten Situationen eine praktikable Lösung sein.
  4. Integration externer Datenquellen: Neben den direkt in der Produktion erfassten Daten können auch externe Datenquellen von Bedeutung sein, wie z. B. Wetterdaten, Marktpreise oder Lieferantendaten. Diese externen Informationen können in Kombination mit internen Maschinendaten wertvolle Einblicke in die Produktionsplanung und -steuerung bieten.

Herausforderungen und Best Practices

Die Erfassung und Vorverarbeitung von Maschinendaten sind nicht ohne Herausforderungen. Unternehmen müssen sicherstellen, dass die gesammelten Daten von hoher Qualität sind und konsistent verarbeitet werden können. Eine der größten Herausforderungen besteht darin, verschiedene Datenquellen miteinander zu integrieren und sicherzustellen, dass alle relevanten Daten verfügbar und korrekt sind.

Best Practices in diesem Bereich umfassen die Etablierung eines robusten Datenmanagement-Frameworks, das sowohl die Erfassung als auch die Vorverarbeitung und Speicherung von Daten abdeckt. Dazu gehört auch die Implementierung von Standards und Protokollen zur Sicherstellung der Datenqualität sowie die kontinuierliche Schulung von Mitarbeitenden im Umgang mit Daten und Analysewerkzeugen.

Potenziale nutzen durch richtige Anwendung

Die Vorverarbeitung von Maschinendaten ist eine entscheidende Grundlage für die erfolgreiche Implementierung von KI und fortschrittlichen Datenanalyseverfahren in der Produktion. Durch die systematische Erfassung und Aufbereitung von Daten aus Energiefluss, Materialfluss und Datenfluss können Unternehmen ihre Produktionsprozesse optimieren, Kosten senken und die Wettbewerbsfähigkeit steigern. Die Herausforderung besteht darin, die richtigen Datenquellen zu identifizieren, qualitativ hochwertige Daten zu sammeln und diese effizient zu verarbeiten, um das volle Potenzial moderner Technologien auszuschöpfen.

 

Das könnte Sie auch interessieren

Mehr erfahren
Information
Nachhaltigkeit in KMU – wie KI auf dem Weg zur nachhaltigen Finanzierung unterstützt

Kleine und mittlere Unternehmen (KMU) stehen zunehmend vor der Herausforderung, umfangreiche Nachhaltigkeitsdaten zu ...

Mehr erfahren
Mehr erfahren
Information
Digitaler Produktpass – wie KMU profitieren können

Der Digitale Produktpass (DPP) soll umfassende Informationen über Produkte während ihres gesamten Lebenszyklus ...

Mehr erfahren
Mehr erfahren
Information
Supply Chain Transparenz neu definiert – Chancen durch föderierte Datenökosysteme

In der zunehmend vernetzten Wirtschaft, die schnellere Entscheidungen und weiteren Vorausblick erforderlich macht, wird ...

Mehr erfahren

Die Bedeutung der Nachhaltigkeit für kleine und mittlere Unternehmen (KMU) nimmt aufgrund globaler Herausforderungen wie dem Klimawandel zu. Nachhaltige Geschäftspraktiken können nicht nur ökologische Vorteile bringen, sondern auch Kosten senken. KMU müssen sich angesichts rechtlicher Neuerungen wie dem European Green Deal mit nachhaltigen Finanzpraktiken auseinandersetzen und Umwelt-, Sozial- und Governance-Faktoren (ESG-Faktoren) in ihre Prozesse integrieren. In diesem Kontext wird beleuchtet, was kleine und mittlere Unternehmen beachten müssen.

Nachhaltige Finanzierung – Herausforderung für KMU

Der Green Deal, Europas ehrgeiziges Nachhaltigkeitsprojekt, nimmt immer konkretere Formen an.[1] Besonders wichtig ist dabei das Konzept des Sustainable Finance, das darauf abzielt, Finanzströme und Investitionen nachhaltiger zu gestalten. Durch den Green Deal strebt die Europäische Union (EU) eine umfassende Transformation der europäischen Wirtschaft an, um Umweltschutz, den Stopp des Klimawandels, faire Arbeitsbedingungen und die Durchsetzung der Menschenrechte zu fördern. Sogenannte Umwelt-, Sozial- und Governance-Faktoren (ESG-Faktoren) dienen als Leitprinzipien und Bewertungskriterien, die in verschiedenen rechtlichen Instrumenten zur Umsetzung des Green Deals integriert sind. Dabei setzt die EU vor allem auf drei regulatorische Maßnahmen, um Kapital in nachhaltige Projekte zu lenken: die EU-Taxonomie, die Corporate Sustainability Reporting Directive (CSRD) und die Sustainable Finance Disclosure Regulation (SFDR). Während einige dieser Vorschriften bereits für Banken, Finanzvermittler und Großunternehmen gelten, sollen bald auch größere Mittelständler und schließlich kleine und mittlere Unternehmen die neuen Vorschriften umsetzen müssen. Was bedeutet das insbesondere für KMU?

Rolle der EU-Taxonomie auf dem Weg zur grünen Wirtschaft

Kurz gesagt: Die EU plant, finanzielle Mittel künftig unter Berücksichtigung ihrer Nachhaltigkeitsziele zu vergeben. Das bedeutet, dass Projekte, die diesen Zielen nicht entsprechen, entweder gar nicht oder zu weniger vorteilhaften Konditionen finanziert werden. Dies soll zu einem grüneren Kredit- und Kapitalmarkt führen. Unternehmen stehen vor der Herausforderung festzustellen, wann ihre Geschäfts- oder Investitionsvorhaben als nachhaltig gemäß den Vorgaben der EU und der Bundesregierung gelten und wie dies dokumentiert werden kann. Hierbei spielt die EU-Taxonomie eine zentrale Rolle, indem sie wirtschaftliche Aktivitäten identifiziert, die als nachhaltig betrachtet werden können, und sich an sechs definierten Nachhaltigkeitszielen orientiert:

  • Klimaschutz,
  • Anpassung an den Klimawandel,
  • nachhaltige Nutzung und Schutz von Wasser- und Meeresressourcen,
  • Übergang zur Kreislaufwirtschaft,
  • Vermeidung von Umweltverschmutzung sowie
  • Schutz und Wiederherstellung von Biodiversität und Ökosystemen.[2]

Bislang sind vor allem die Ziele Klimaschutz und Anpassung an den Klimawandel ausgearbeitet, während die anderen sukzessive folgen sollen. Eine wirtschaftliche Tätigkeit wird als nachhaltig gemäß der Taxonomie betrachtet, wenn sie wesentlich zu mindestens einem der sechs Ziele beiträgt, keine erheblichen Schäden an anderen Zielen verursacht und soziale Mindeststandards einhält.

Wenn ein KMU beispielsweise seine Verpackungen auf umweltfreundliche Materialien umstellt, seine Lieferkette auf faire Arbeitsbedingungen prüft oder erneuerbare Energien in seinen Betrieb integriert, könnte dies als nachhaltige Maßnahme gemäß der Taxonomie betrachtet werden. Um jedoch einen Mehrwert daraus zu ziehen, ist es wichtig, Kund:innen und Investor:innen über diese Maßnahmen zu informieren. Die Corporate Sustainability Reporting Directive (CSRD) für Unternehmen und die Sustainable Finance Disclosure Regulation (SFDR) für Finanzdienstleister und Investmentgesellschaften legen fest, wie über solche Initiativen berichtet werden soll. Im Wesentlichen erfordern sie einen nichtfinanziellen Bericht, der neben dem Geschäftsbericht Details wie Klimaschutzaktivitäten und ihre quantitativen Auswirkungen enthält.

EFRAG-Initiative – freiwilliger KMU-Standard für nachhaltige Berichterstattung

Die SFDR ist bereits in Kraft und zielt darauf ab, die Nachhaltigkeit von Finanzprodukten wie Investmentfonds transparent zu machen. Dies hat dazu geführt, dass sowohl Investmentgesellschaften als auch Verbraucher:innen vermehrt auf nachhaltige Investitionen setzen. KMU stehen jedoch noch vor Herausforderungen. Die CSRD-Vorschriften der EU müssen bis Juli 2024 in nationales Recht umgesetzt werden.[3] Dann wird voraussichtlich die Anzahl der Unternehmen, die einen Nachhaltigkeitsbericht vorlegen müssen, von derzeit 500 kapitalmarktorientierten Unternehmen auf 15.000 steigen, schätzt die Deutsche Industrie- und Handelskammer – und wird damit auch den deutschen Mittelstand betreffen.[4] Zunächst sind kleine und mittlere kapitalmarktorientierte Betriebe von der Berichtspflicht betroffen, später dann auch kleinere, nicht-kapitalmarktorientierte Unternehmen.

Um diesem Problem entgegenzuwirken, hat die European Financial Reporting Advisory Group (EFRAG), die die Europäische Kommission bei der Entwicklung von Nachhaltigkeitsstandards unterstützt, nun einen Entwurf für einen freiwilligen KMU-Standard (Voluntary SME Standard) vorgestellt.[5] Dieser Standard soll es KMU ermöglichen, Anfragen nach ESG-Informationen von größeren Unternehmen oder Finanzinstitutionen einheitlich zu beantworten. Der Erfolg dieses Standards hängt von der Selbstverpflichtung der größeren Marktteilnehmer ab. Eine Konsultation zum Voluntary SME Standard wird im Januar stattfinden, wobei die endgültigen Standards voraussichtlich bis Ende 2024 fertiggestellt sein werden und als Empfehlung veröffentlicht werden, um sich im Markt zu etablieren.

 

[1] https://www.bafin.de/DE/Aufsicht/Fokusrisiken/Fokusrisiken_2024/RIF_Trend_2_Nachhaltigkeit/RIF_Trend_2_Nachhaltigkeit_node.html
[2] https://www.bmuv.de/faqs/taxonomie-und-die-rechtliche-grundlage
[3] https://www.csr-in-deutschland.de/DE/CSR-Allgemein/CSR-Politik/CSR-in-der-EU/Corporate-Sustainability-Reporting-Directive/corporate-sustainability-reporting-directive-art.html
[4] https://www.dihk.de/de/ueber-uns/die-ihk-organisation/neue-nachhaltigkeitsberichterstattung-93090
[5] https://www.haufe.de/sustainability/strategie/konsultationsentwuerfe-esrs-kmu-veroeffentlicht_575772_614368.html

Das könnte Sie auch interessieren

Mehr erfahren
Information
Nachhaltigkeit in KMU – wie KI auf dem Weg zur nachhaltigen Finanzierung unterstützt

Kleine und mittlere Unternehmen (KMU) stehen zunehmend vor der Herausforderung, umfangreiche Nachhaltigkeitsdaten zu ...

Mehr erfahren
Mehr erfahren
Information
Digitaler Produktpass – wie KMU profitieren können

Der Digitale Produktpass (DPP) soll umfassende Informationen über Produkte während ihres gesamten Lebenszyklus ...

Mehr erfahren
Mehr erfahren
Information
Supply Chain Transparenz neu definiert – Chancen durch föderierte Datenökosysteme

In der zunehmend vernetzten Wirtschaft, die schnellere Entscheidungen und weiteren Vorausblick erforderlich macht, wird ...

Mehr erfahren

Die Produktionsplanung und -steuerung (PPS) hat das Ziel für eine hohe Auslastung und geringe Bestände zu sorgen, indem sie alle Vorgänge der Herstellung operativ, zeitlich und mengenmäßig plant, steuert und kontrolliert. Eine genaue Informationsgrundlage ist dafür essenziell. Maschinell lernende Systeme können einen wertvollen Beitrag liefern, um den Aufwand zur Informationsbereitstellung in PPS-Systemen zu reduzieren.

Wirkungsvolles Planen auf Basis einer genauen Informationsgrundlage

Die Produktionsplanung sorgt durch die zielgerichtete Terminierung von Produktionsaufträgen und Abstimmung der Kapazitäten der Produktionsressourcen dafür, dass eine hohe Termintreue sowie Produktivität des Produktionssystems erzielt wird und dabei die Bestände niedrig gehalten werden. Sie kann jedoch nur dann wirkungsvoll durchgeführt werden, wenn die in den Informationssystemen der PPS bereitgestellten Informationen, die die Eigenschaften der Produktionsressourcen beschreiben, möglichst genau sind. Weichen die tatsächlichen Ist-Daten von den Plan-Daten ab, führt das zu negativen Auswirkungen wie nicht eingehaltene Termine, eine geringere Auslastung der Produktionsressourcen oder wie die nötige Einplanung von Pufferzeiten, die wiederum einen höheren Bestand mit sich bringen.

Gerade die Bestände werden als Reaktion auf ein regelmäßig ungenaues Planungsergebnis schrittweise erhöht. Das führt dann zu stärkeren Planabweichungen, die sich immer weiter negativ auswirken – eine Abwärtsspirale, die der „Fehlerkreis der PPS“ genannt wird. Transparenz über die Prozesse in der Produktion und realistischere Plan-Daten sind entscheidend, um gar nicht erst in solche Situationen zu gelangen.

Aufwendige Abbildung von Produktionsressourcen

Zur informationstechnischen Unterstützung werden in der Produktionsplanung Informationssysteme wie ERP-, ME- und APS-Systeme sowie Materialflusssimulationsmodelle eingesetzt. In diesen PPS-Systemen werden die Produktionsressourcen, auf denen die Vorgänge der Produktionsaufträge eingeplant werden (z. B. Maschinen und Anlagen), mit ihren Eigenschaften wie Rüst- und Bearbeitungszeiten, Fehlerraten sowie Verfügbarkeiten, abgebildet. Die Eigenschaften müssen für ein gutes Planungsergebnis möglichst genau durch die hinterlegten Informationen beschrieben werden. Vorgabewerte, die auf Grundlage von technologischen Vorgaben oder durch Schätzungen von Expert:innen ermittelt werden, weichen häufig von den tatsächlichen Ist-Daten ab. Sinnvoll ist deshalb, die nötigen Informationen durch eine Datenanalyse anhand von erfassten Betriebsdaten zu beschaffen. So lassen sich die Produktionsaufträge realistischer planen.

Ressourcenparameter wie Rüst- und Bearbeitungszeiten, Fehlerraten sowie Verfügbarkeiten können stark streuen, da unterschiedliche Vorgangsvorgaben wie bestimmte Produktmerkmale oder variierende Prozessbedingungen wie die Beschaffenheit der Produktionsressourcen (z. B. Abnutzungserscheinungen) auftreten. Einfach einen Durchschnittswert zu ermitteln würde die Realität also nicht genau abbilden. Einflussgrößen, die für die Planung ermittelt werden können, sollten somit berücksichtigt werden. Die fortschreitende Digitalisierung und das Industrielle Internet der Dinge (IIot) verschaffen hier Möglichkeiten für eine detailliertere Datengrundlage. Wird beispielsweise an der jeweiligen Produktionsressource ein Vorgang rückgemeldet, können unter anderem spezifische Rüstzeiten den Vorgänger- und Nachfolgerprodukten oder Bearbeitungszeiten den Produktmerkmalen zugeordnet werden. Weitere Parameter wie Maschinenzustände und -beschaffenheiten lassen sich mittels Sensoren erfassen und mithilfe von Vernetzungslösungen direkt in der PPS-Software nutzen.

Weil sich Prozessbedingungen im Laufe der Zeit außerdem wandeln können, ist eine kontinuierliche Datenerfassung und -auswertung nötig. Der Aufwand dafür ist entsprechend hoch. Eine automatisierte Informationsermittlung kann helfen, die Aufwände zu verringern.

Automatisierte Informationsermittlung durch maschinelles Lernen

Ein Lösungsansatz, eine solche kontinuierliche Datenanalyse zu automatisieren, ist das maschinelle Lernen. Algorithmen ermitteln dabei aus den erfassten Betriebsdaten die benötigten Informationen und deren Zusammenhänge zu den genannten Einflussgrößen. Überwachte Lernverfahren, die für diesen Zweck angewendet werden, haben sich als verlässliche Methoden erwiesen.

Zunächst wählen Expert:innen auf Basis ihres Wissens aus, welche Zusammenhänge und Daten relevant erscheinen. Der Aufwand nicht benötigte Daten zu erfassen wird so möglichst gering gehalten und die Abbildung von nicht-kausalen Korrelationen kann vermieden werden.
Außerdem ist eine definierte Datenstruktur, die vorgibt, wie die unterschiedlichen Betriebsdaten einheitlich erfasst werden können, Voraussetzung für die Verarbeitung dieser Daten durch einen Lernalgorithmus. Für die Bestimmung der Parameter der Produktionsressourcen bieten sich beispielsweise Entscheidungsbäume als maschinelles Lernverfahren an. Der Entscheidungsbaum bildet für alle auftretenden Kombinationen die aus den Ist-Daten ermittelten Plan-Daten ab (z. B. Produktmerkmal x mit Maschinenzustand y führt zu Plan-Wert z).
Die nötige laufende Anpassung an die sich ändernden Bedingungen kann in einem festen Zyklus durchgeführt werden. Das passiert dann ohne Aufwand automatisch im System.

Informationsbereitstellung durch die Verwaltungsschale

Doch wie können die ermittelten Plan-Daten schließlich im PPS-System genutzt werden? Die sogenannte Verwaltungsschale ermöglicht dem PPS-System, die Plan-Daten über eine vereinheitlichte Schnittstelle abzurufen – so wird Interoperabilität möglich. Die Verwaltungsschale kann als eine schlanke Datenbank verstanden werden, die eine einzelne Produktionsressource beschreibt und von verschiedenen Software-Systemen genutzt werden kann.

Davor sind die Daten durch das maschinelle Lernverfahren schon zu Informationen verarbeitet worden. Ein Beispiel: Ein Sensor an einer Produktionsmaschine misst die Geschwindigkeit der Antriebswelle als Zeitreihe. Diese Werte werden vorverarbeitet zum Beispiel um den Maschinenzustand (läuft/steht) zu erfassen und im nächsten Schritt mithilfe des Algorithmus die Auslastung pro Monat (Verhältnis produktiv zu Stillstand) zu ermitteln. Diese Informationen werden in der Verwaltungsschale strukturiert zur Verfügung gestellt – d. h. mit einer einheitlichen Bezeichnung an einer definierten Stelle – und von verschiedenen Software-Systemen (z. B. MES, ERP-System) genutzt.

Die Möglichkeit, Informationen über die reale Produktionsressource anhand von aktuell erfassten Daten abzubilden, entspricht außerdem der Idee des digitalen Zwillings.

Für die Produktionsplanung ergeben sich mithilfe von maschinellem Lernen und der Verwaltungsschale deutliche Vorteile: Die Informationsgrundlage, anhand der die realistischen Plan-Werte bestimmt werden, ist nicht nur aktuell und detailliert, sondern der Aufwand, um diese Informationen bereitzustellen dabei auch noch verhältnismäßig gering.

Das könnte Sie auch interessieren

Mehr erfahren
Information
Nachhaltigkeit in KMU – wie KI auf dem Weg zur nachhaltigen Finanzierung unterstützt

Kleine und mittlere Unternehmen (KMU) stehen zunehmend vor der Herausforderung, umfangreiche Nachhaltigkeitsdaten zu ...

Mehr erfahren
Mehr erfahren
Information
Digitaler Produktpass – wie KMU profitieren können

Der Digitale Produktpass (DPP) soll umfassende Informationen über Produkte während ihres gesamten Lebenszyklus ...

Mehr erfahren
Mehr erfahren
Information
Supply Chain Transparenz neu definiert – Chancen durch föderierte Datenökosysteme

In der zunehmend vernetzten Wirtschaft, die schnellere Entscheidungen und weiteren Vorausblick erforderlich macht, wird ...

Mehr erfahren

Sie möchten in Ihrem Unternehmen KI-Methoden einsetzen? Dann sollten Sie zuerst Ihren Datenbestand in den Blick nehmen. In diesem Beitrag erfahren Sie, welche Rolle die Datenbasis für die erfolgreiche Umsetzung von KI-Projekten bei kleinen und mittleren Unternehmen (KMU) spielt.

Das Schlagwort „Künstliche Intelligenz“ (KI) ist längst auch im deutschen Mittelstand angekommen: Vom Einsatz von sogenannten Machine-Learning-Modellen wie Random Forest oder Deep-Learning-Modellen wie neuronalen Netzen können nicht nur große Unternehmen wie Amazon, Google oder Zalando profitieren, auch bei KMU gibt es zahlreiche Möglichkeiten. Beispielhaft seien hier Personal-Einsatz-Planung und Optimierung von Produktionsabläufen genannt. Aber auch die Disposition kann mithilfe von KI optimiert werden und so manuellen Bearbeitungsaufwand und Einkaufs- sowie Lagerkosten einsparen. In immer mehr mittelständischen Unternehmen rückt dieses Thema in den Fokus und es werden erste Projekte zur KI-Anwendung für spezifische Use Cases auf den Weg gebracht. Wofür es häufig noch an Bewusstsein fehlt, ist die Bedeutung der Datenbasis.

KI-Modelle müssen „lernen“

Die meisten KI-Modelle sind stark abhängig von der Menge und der Qualität der vorliegenden Daten. Sollen beispielsweise mithilfe von sogenannten rekurrenten neuronalen Netzen zukünftige Absätze prognostiziert werden, ist es nötig, dass eine Datenhistorie vorliegt, also Aufzeichnungen über vergangene Absätze. Diese Art von Daten, bei denen eine zeitliche Abhängigkeit zwischen aufeinanderfolgenden Beobachtungen besteht, nennt man in der Statistik Zeitreihe.

Ein KI-Prognosemodell kann auf vergangenen Absätzen lernen, wie sich diese über die Zeit verändern. Dieses Lernen der Muster und Abhängigkeiten in den Daten nennt man das Trainieren des Modells. Je weniger vergangene Daten vorliegen, desto weniger kann das Modell auch aus der Vergangenheit lernen. Besonders zum Tragen kommt dies bei saisonalen Einflüssen, z. B. wiederkehrenden jährlichen Verläufen. Damit diese aus den Daten erkannt werden können, müssen vollständige Zyklen aufgezeichnet sein. Ein Beispiel: Damit ein Modell rein aus den Daten erkennt, dass beispielsweise Sonnencreme vor allem im Sommer verkauft wird, müssen die Sonnencreme-Verkäufe aus mehreren vergangenen Jahren vorliegen.

Bleiben wir beim Beispiel der Absatzprognose. Um Absätze vorherzusagen, kann es sehr hilfreich sein, zusätzliche Informationen zu den vergangenen Absätzen zu betrachten. Häufig spielen zeitliche Aspekte eine Rolle, wie Wochentage oder die Jahreszeit. Erfahrene Dispositionsmitarbeitende wissen beispielsweise, dass vor dem Schulstart die Verkäufe an Heften und Stiften steigen. Damit das Prognosemodell diesen Zusammenhang ebenfalls lernen kann, muss die Information über den anstehenden Schulstart in den Daten hinterlegt sein, z. B. über eine Monatsangabe. Andere Aspekte können Rabattaktionen oder Werbekampagnen sein, die die Verkäufe ankurbeln. Sind diese nicht in den Vergangenheitsdaten hinterlegt, kann das KI-Modell den Effekt dieser Marketingmittel nicht erkennen und so auch nicht vorhersagen, wie sich die Absätze bei einer zukünftigen Aktion verhalten werden.

Welche Daten sind für mich relevant und wie erhebe ich sie?

Um also die Potenziale von KI voll zu nutzen, ist es sinnvoll, im Vorfeld ein Konzept zur Datenerhebung und -sammlung aufzustellen. Dazu zählt die Analyse, welche Daten für die vorliegende Fragestellung relevant sind, aber auch, wie diese erhoben und so abgespeichert werden können, dass sie für Auswertungen und KI-Anwendungen verwendet werden können. Eventuell werden Marketingkampagnen schon getrackt, allerdings nur mithilfe eines Kalenders oder einer lokal abgelegten Excel-Tabelle. Viel besser ist es, wenn auch diese Daten zentral gespeichert werden, sodass sie zusammen mit den Absatzdaten direkt ausgelesen und zusammengeführt werden können.

Ein entscheidender Faktor dafür ist, dass das ERP-System flexibel genug ist, um an die Bedürfnisse des Unternehmens angepasst zu werden. Dabei spielt es erst einmal keine Rolle, ob es sich um eine eigens programmierte IT-Lösung handelt oder ein ERP-System eines großen Anbieters eingekauft wurde. Wichtig ist nur, dass es für das Unternehmen mit annehmbarem Aufwand möglich ist, zusätzlich Daten zu erfassen und Daten auch unkompliziert zu exportieren. Ebenfalls sollten gewisse Qualitätskriterien klar sein:

  • Wie können menschliche Schwächen wie Tippfehler vermieden werden, z. B. durch Automatisierung?
  • Gibt es Pflichtfelder, die hinterlegt werden müssen, und optionale, die nur unter bestimmten Umständen relevant sind?
  • Werden leere Felder durch Standardwerte gefüllt?
  • Können wir auf Konsistenz in den Eingaben prüfen und so frühzeitig Fehler vermeiden?
  • Was passiert, wenn Fehler korrigiert werden müssen?

Dabei sollte auch immer der Arbeitsaufwand bzw. die Bedienbarkeit durch Mitarbeitende mitgedacht werden. Felder und Spalten müssen so benannt werden, dass klar ist, welcher Eintrag gefordert ist. Wo möglich sollten Einträge automatisch gefüllt oder Menüs mit Auswahlmöglichkeiten integriert werden. Ist den Mitarbeitenden der Nutzen dieser Daten nicht klar oder bedeutet das Erheben einen großen Mehraufwand in ihrer täglichen Arbeit, droht die Gefahr, dass Einträge fehlerhaft sind oder ganz fehlen. Sind dies nicht nur Ausnahmen, sondern ist ein größerer Anteil der Daten fehlerhaft, wird ein KI-Modell Zusammenhänge fehlerhaft lernen. Die Motivation der Mitarbeitenden spielt also auch für die Datenerhebung eine zentrale Rolle.

Ein Beispiel für diese Gefahr ist das Erfassen von Nein-Verkäufen, also Anfragen von Kunden, welche aufgrund von fehlender Verfügbarkeit nicht bedient werden können. Für Unternehmen ist es eine enorm wichtige Information, wie häufig und unter welchen Umständen eine Kundennachfrage nicht erfüllt werden konnte. Sind Mitarbeitende allerdings nicht ausreichend geschult oder haben sie Angst, dass Nein-Verkäufe für die Bewertung ihrer Arbeit eine negative Rolle spielen könnten, werden diese nicht korrekt erfasst. Eine mögliche Konsequenz ist, dass die Prognose der Kundennachfrage auf Basis der reinen Verkaufszahlen die tatsächliche Nachfrage unterschätzt. So werden auch in Zukunft nicht mehr Artikel auf Lager gelegt und das wahre Umsatzpotenzial wird nicht erreicht.

Grundlage, um verschiedene anfallende Daten im Unternehmen von unterschiedlichen Mitarbeitenden korrekt zu erfassen und für Auswertungen nutzbar zu machen, ist eine Dokumentation des Systems bzw. der Datenstruktur. Das Aufstellen einer detaillierten Dokumentation scheint zunächst einen unnötig hohen Aufwand zu bedeuten. Allerdings lassen sich so langfristig Zeit und Ressourcen sparen. Wissen zum ERP-System und der Datenstruktur ist somit nicht an einzelne Mitarbeitende gebunden. Nicht nur innerhalb des Unternehmens können so die Monitoring- und Analysepotenziale auf Basis der Daten besser genutzt werden, auch für KI-Projekte mit externen Partnern stellt dies einen großen Vorteil dar. So lässt sich der Zeitaufwand in der ersten Phase eines KI-Projekts, in der ein gemeinsames Verständnis der Datenbasis geschaffen werden muss, stark verringern. Außerdem sind so die Informationen gesichert, sodass auch nach Personalwechsel problemlos vorhandene Systeme weiter genutzt werden können.

Das Beispiel Absatzprognose

Gerade wenn es um Prognosefragestellungen geht, sind meistens zwei Arten von Daten interessant:

  • zeitabhängige (dynamische) Daten, auch Bewegungsdaten genannt, wie z. B. Absatz- und Auftragsdaten, Feiertage, Ferien, Wochentage, aber auch Wetterdaten oder Rohstoffpreise
  • statische Daten (Stammdaten), die sich nicht über die Zeit verändern, aber sich zwischen den Zeitreihen unterscheiden. Beim Absatzprognose-Beispiel können das Eigenschaften sein, wie Artikelgruppenzugehörigkeiten, die Einteilung in Saison- und Nicht-Saisonware, Warenumfang, Gewicht usw.

All diese Daten können als relevante Eingangsdaten einem Modell übergeben werden, um auf dieser Basis die Absätze noch besser prognostizieren zu können als nur mit Blick auf die vergangenen Absätze. Gerade bei Bewegungsdaten ist es also sinnvoll, sich frühzeitig Gedanken zu machen, wie diese aufgezeichnet und abgespeichert werden können.

Eine große Herausforderung bei Prognosen allgemein ist, gute Vorhersagen auch für Fälle zu treffen, in denen noch keine oder nur wenige vergangene Werte vorliegen. Wie prognostiziert man beispielsweise die Absätze eines neu eingeführten Artikels? Eine große Hilfe ist dabei, wenn Informationen zu Ähnlichkeiten zwischen Artikeln vorliegen. Nimmt man eine neue Marke Schrauben ins Sortiment auf, wird sich diese eher verkaufen wie andere Schrauben, d. h. in ähnlichen Mengen und in ähnlicher Häufigkeit, als Wärmepumpen. Sind diese Ähnlichkeiten hinterlegt, z. B. indem jedem Artikel eine Gruppe zugeordnet ist („Schrauben“, „Rohre“, „Fußleisten“, etc.), können die Artikel allein aus den Daten gruppiert werden, ohne dass hier aufwendig das Fachwissen aus dem Unternehmen an die beauftragen KI-Expert:innen durch Workshops, Interviews oder lange Befragungen extrahiert werden muss.

So ist es also möglich, mehrere Prognosemodelle zu trainieren, die jeweils auf eine Gruppe angepasst sind. Das Schrauben-Prognosemodell kann gut die zukünftigen Absätze von Artikeln vorhersagen, die zur Gruppe Schrauben zählen. Und da das Modell auf den Daten von Schrauben trainiert wurde, kann es auch sinnvolle Prognosen für eine neue Schraubenart im Sortiment erstellen.

Eine weitere Möglichkeit, wie sogenannte Hierarchien in den Daten wertvolle Beihilfe leisten können, sind konsistente Prognosen über mehrere Aggregationsebenen. Damit die strategische und die operative Planung zusammenpassen ist es z. B. wichtig, dass sich die Prognosen auf Monatsebene zu den Prognosen auf Jahresebene aufaddieren. Gleichzeitig soll auf keiner Aggregationsebene die Prognose an Genauigkeit verlieren. Ein weiteres Beispiel ist die Aggregation über mehrere Standorte des Unternehmens. Hier sind diejenigen Unternehmen im Vorteil, welche unternehmensweit einheitliche Datenformate etablieren, sodass Daten leicht zusammengeführt werden können.

Fazit – Datenfrage immer mitdenken

Für den Einsatz von KI in KMU gibt es also zwei Möglichkeiten: Entweder ein Use Case wird aus den bereits zur Verfügung stehenden Daten abgeleitet oder aber aus dem angestrebten Use Case entstehen Anforderungen an eine Datenbasis. In beiden Fällen muss die Datenfrage immer mitgedacht werden. Da sich die Performance der meisten KI-Modelle mit der Menge an bereitgestellten Trainingsdaten verbessert, muss dies in der Zeitplanung von KI-Projekten berücksichtigt werden, gerade wenn historische Verlaufsdaten verwendet werden sollen. Insbesondere bei KMU ist es wichtig, ein passendes Datenkonzept zu erstellen, das mit den vorhandenen Ressourcen umgesetzt werden kann und diejenigen Anwendungsfälle für KI ermöglicht, die dem Unternehmen den größten Vorteil verschaffen. Deshalb sollte dieses Datenkonzept bereits zusammen mit KI-Expert:innen erarbeitet werden.

Sie brauchen Hilfe bei der Erstellung eines Datenkonzepts? Unsere Expert:innen können Sie kostenfrei im Rahmen einer Potenzialanalyse oder eines Projekts unterstützen!

Weitere Infos zu Potenzialanalysen und Projekten

Das könnte Sie auch interessieren

Mehr erfahren
Information
Nachhaltigkeit in KMU – wie KI auf dem Weg zur nachhaltigen Finanzierung unterstützt

Kleine und mittlere Unternehmen (KMU) stehen zunehmend vor der Herausforderung, umfangreiche Nachhaltigkeitsdaten zu ...

Mehr erfahren
Mehr erfahren
Information
Digitaler Produktpass – wie KMU profitieren können

Der Digitale Produktpass (DPP) soll umfassende Informationen über Produkte während ihres gesamten Lebenszyklus ...

Mehr erfahren
Mehr erfahren
Information
Supply Chain Transparenz neu definiert – Chancen durch föderierte Datenökosysteme

In der zunehmend vernetzten Wirtschaft, die schnellere Entscheidungen und weiteren Vorausblick erforderlich macht, wird ...

Mehr erfahren

Gesellschaftliche Herausforderungen wie Nachhaltigkeit, Endkundenansprüche und Wettbewerbsfaktoren wie eine effektive Qualitätssicherung fordern von Unternehmen der Lebensmittelindustrie neue Lösungen. KI-basierte Dienste können nicht nur einzelnen Betrieben, sondern auch Wertschöpfungsnetzwerken helfen, diese umzusetzen.

Warum KI?

Der Vorteil von Verfahren auf Basis von Künstlicher Intelligenz (KI) liegt darin, dass sie komplexe Zusammenhänge erfassen, verarbeiten und neue Entwicklungen lernen sowie berücksichtigen können. So können sie Entscheidungen optimieren, bei denen übliche Prozesse an ihre Grenzen stoßen.

In der Bestandsüberwachung und einer intelligenten Logistik für Nachbestellungen sorgen KI-Dienste beispielsweise dafür, überfüllte Bestände zu vermeiden. Wetter- und Suchdienst-Daten können Kundenpräferenzen vorhersagen, wodurch die Verkaufsmenge geplant werden kann. An sonnigen Tagen wird zum Beispiel der Absatz von Grillgut höher sein, als in einer Regenperiode. In der Qualitätssicherung kommen Computer-Vision-Systeme zum Einsatz, die vor Abweichungen warnen und Korrekturen der Einstellungen empfehlen. Maschinelles Lernen, ein Teilgebiet von KI, wird auch von mittelständischen Unternehmen in der Maschinenüberwachung eingesetzt – so gibt die KI Empfehlungen, die Mitarbeitende dann einstellen können.

In außerordentlich komplexen Konstellationen kommen die Potenziale von KI jedoch besonders zum Tragen: dort, wo Unternehmen gemeinsam versuchen, gesellschaftlichen Herausforderungen zu begegnen. Auf Lebensmittel- und Ressourcenverschwendung wirken sich beispielsweise so viele Faktoren aus, dass intelligente Systeme nötig sind, um sie zu reduzieren. KI-Plattformen können hier Unternehmen in der Lebensmittelindustrie helfen, Verschwendungen zu minimieren und gleichzeitig Gewinne zu maximieren.

Wie funktioniert’s?

Eine Supermarktkette sammelt alle Daten, die für eine intelligente Optimierung der Plan- und Steuerbarkeit der Filialen erforderlich sind. Daraus wird ein virtuelles Abbild einer jeden lokalen Filiale erstellt, das die zukünftige Kaufentwicklung simulieren kann. Neben unternehmensinternen Zuständen und externen Einflüssen wie Google-Trends oder Wetterdaten, die eine Produktnachfrage vorhersagen, berücksichtigen die KI-Services auch das Einkaufsverhalten der Kund:innen je Filiale und Produkt, etwa ihre Reaktionen auf Preisanpassungen.

Durch die Simulation der Endfiliale erhält die Supermarktkette Informationen, durch die sie

  • die laut KI genau richtige Menge zum richtigen Preis vorrätig hat – beispielsweise, um Produkte nah am Mindesthaltbarkeitsdatum noch zu verkaufen – sowie
  • schneller auf externe Einflüsse wie lokale Veranstaltungen reagieren und
  • eine gewinnmaximierende Preisgestaltung der Produkte möglich machen kann.

Erst durch die KI-Verfahren mit datenintensiven Lernprozessen können filial- oder sogar unternehmensübergreifend alle Faktoren berücksichtigt und Handlungsalternativen wie Mengenanpassungen nach Nachhaltigkeitskriterien bewertet werden.

Hemmend wirkt sich auf ein solches Zusammenarbeiten eine traditionelle Skepsis seitens der Unternehmen aus, interne Daten weiterzugeben. Daher muss der Nutzen für die einzelnen Unternehmen bei solchen Projekten klar erkennbar sein. Um modernen Nachhaltigkeitsherausforderungen zu begegnen, müssen Unternehmen allerdings auch die Bereitschaft entwickeln, für ein Zusammenarbeiten Daten auszutauschen.

Das Projekt Resource-efficient, Economic and Intelligent Food Chain (REIF) mit 18 Projektpartnern zeigt beispielhaft, wie mithilfe von KI Mehrwerte zur Vermeidung von einer Lebensmittelverschwendung generiert werden können.

Das könnte Sie auch interessieren

Mehr erfahren
Information
Nachhaltigkeit in KMU – wie KI auf dem Weg zur nachhaltigen Finanzierung unterstützt

Kleine und mittlere Unternehmen (KMU) stehen zunehmend vor der Herausforderung, umfangreiche Nachhaltigkeitsdaten zu ...

Mehr erfahren
Mehr erfahren
Information
Digitaler Produktpass – wie KMU profitieren können

Der Digitale Produktpass (DPP) soll umfassende Informationen über Produkte während ihres gesamten Lebenszyklus ...

Mehr erfahren
Mehr erfahren
Information
Supply Chain Transparenz neu definiert – Chancen durch föderierte Datenökosysteme

In der zunehmend vernetzten Wirtschaft, die schnellere Entscheidungen und weiteren Vorausblick erforderlich macht, wird ...

Mehr erfahren

Mitarbeitende stehen heutzutage vor immer neuen Herausforderungen, die unter anderem durch die digitale Transformation hervorgerufen werden. Wie Sie Ihre Mitarbeitenden dabei unterstützen können, erfahren Sie im Beitrag.

Die Rahmenbedingungen für Mensch, Unternehmen und Wirtschaft ändern sich immer schneller: In kürzeren Abständen kommen technische Innovationen auf den Markt, die Welt wird komplexer und unübersichtlicher, die Globalisierung führt zu einer zunehmenden Vernetzung und interkulturellen Zusammenarbeit. Hinzu kommen der den Arbeitsmarkt verändernde demografische Wandel, Wirtschaftskrisen und ein sich rasant verändernder Wettbewerb.

Nicht nur Führungskräfte müssen hierbei neue Rollen einnehmen, auch die Mitarbeitenden stehen vor der Herausforderung neue Aufgaben zu bewältigen und sich hierfür neue Kompetenzen aneignen zu müssen. Letztlich geht es dabei auch um eine Anpassung an die Digitalisierung: Neue Technologien verändern den Arbeitsplatz von Mitarbeitenden und fordern neue Kompetenzen sowie ein neues Verständnis von Arbeit. Diese Umstände erzeugen bei vielen Mitarbeiter:innen Unsicherheit und Widerstand, denn: Herausforderungen, die nicht als bewältigbar angesehen werden, erzeugen Stress und demotivieren.

Mitarbeitende bei Veränderungen mitnehmen

Nicht zuletzt durch die Pandemie wurden in den letzten Jahren mehr und mehr Arbeitsplätze „digitalisiert“ – durch die Nutzung von digitaler Kommunikation und Kollaboration wie Microsoft Teams oder anderen Enterprise Collaboration Systems wird nicht nur die Kommunikation virtuell und somit ortsungebunden, sondern auch Arbeitsabläufe und -prozesse können zeitgleich von unterschiedlichen Standorten aus komplett virtuell abgebildet und bearbeitet werden. Diese Einführung neuer Technologien sowie neuer Arbeitsplatzkonzepte (beispielsweise mobiles Arbeiten oder Activity Based Working) ist stets mit einer grundsätzlichen Veränderung für Unternehmen und Mitarbeitende verbunden. Diese Veränderungen kommen immer öfter und schwerwiegender vor.

Enterprise Collaboration Systems (ECS; Schubert & Williams, 2013) sind Kommunikations- und Kollaborationstools und -softwares wie JIRA, Microsoft Teams etc., die ortsunabhängige Kommunikation und paralleles Arbeiten an Dokumenten und Projekten ermöglichen. Sie werden für die Kommunikation, Projektorganisation und für das Wissensmanagement eingesetzt (Koch & Richter, 2009).

Activity Based Working ist ein Begriff für Arbeitsplatzkonzepte, meist in Büroumgebungen, die durch ihre Flexibilität und ihrem Design Aktivität, Kreativität und Leistungsfähigkeit fördern sollen.

Durch die Beschleunigung neuer technologischer Innovationen schreitet die Digitalisierung aller relevanten Lebens- und Arbeitsbereiche rasant voran und die Krisen der heutigen Zeit geben dem weiteren Weg eine höhere Unsicherheit. Diese Umstände sind auch gemeinhin als „VUKA-Welt“ bekannt. VUKA beschreibt mit den Begriffen Volatilität, Unsicherheit, Komplexität sowie Ambiguität sich schnell ändernde Bedingungen:

  • Volatilität (= Veränderungen innerhalb einer kurzen Zeitspanne)
  • Unsicherheit (= Unvorhersehbarkeit von Veränderungen)
  • Komplexität (= Vielschichtigkeit, Vernetzung)
  • Ambiguität (= Mehrdeutigkeit)

Für Unternehmen bedeutet VUKA letztlich jederzeit auf Veränderungen vorbereitet sein zu müssen, wobei Changemanagement einen wichtigen Beitrag zur Unterstützung bei Veränderungsprozessen leisten kann. Im Changemanagement wird vor allem Vertrauen als ein wesentlicher Faktor angesehen. Damit Vertrauen aufgebaut werden kann, sind Kommunikation und Transparenz äußerst wichtig. Nur durch eine zielgerichtete, kontinuierliche und vorausschauende Kommunikation können Missverständnisse, Ablehnung und Ärger vermieden oder Ängste abgebaut werden. Gleichzeitig sind die Sorgen und Ängste der Mitarbeitenden zu erfragen und ernst zu nehmen, um die Veränderungsbereitschaft zu erhöhen.

Die Mitarbeitenden sollten aktiv in den Veränderungsprozess involviert werden. Durch die aktive Beteiligung der Mitarbeitenden kann die Identifikation mit dem Veränderungsprojekt und damit die Motivation gesteigert werden. Den Mitarbeitenden kann hierbei Handlungsspielraum, z. B. bei der Entscheidungsfindung, eingeräumt werden. Für einen erfolgreichen Change ist es zudem wichtig zu überlegen, welche Kompetenzen Mitarbeitende und Führungskräfte für die Veränderung brauchen und diese zu fördern. Hier bedarf es guter Führung in der Digitalisierung.

Passender Führungsstil in der digitalen Transformation

Die Digitalisierung verändert nicht nur die Art des Wirtschaftens und Arbeitens, sondern auch die Art und Weise, wie wir Unternehmen führen – man spricht deshalb auch von Führung 4.0. Doch was ist mit Führung in Unternehmen eigentlich gemeint? „Führung umfasst die Fähigkeiten, Mitarbeiter optimal einzusetzen, diese zum Handeln zu bringen und zu motivieren sowie ihnen eine Richtung aufzuzeigen, um ein (gemeinsames) unternehmensrelevantes Ziel zu erreichen“ (Deutsche Gesellschaft für Personalführung e. V., 2016).

Führung ist jedoch nicht gleich Führung! Gerade für die digitale Transformation müssen traditionelle Vorstellungen von Führung hinterfragt und wenn nötig an die Veränderungen, die die Digitalisierung im Unternehmenskontext mit sich bringt, angepasst werden. Das Bild der klassischen Führungskraft, die in streng hierarchischen Strukturen delegiert, hat offenbar ausgedient. Mitarbeitende in einer agilen und auf Flexibilität ausgerichteten Arbeitswelt haben mittlerweile völlig andere Ansprüche an Führungskräfte. Dadurch ergeben sich nicht nur neue Rollen für eine Führungskraft, sondern auch neue Führungsstile.

Man unterscheidet zwischen eher klassischen und eher modernen Führungsstilen. Klassische Führungsstile (direktive, transaktionale und strategische Führung) zeichnen sich dadurch aus, dass die Führungskraft Aufgaben delegiert, die Zielerreichung überprüft und Feedback einholt. Den Mitarbeitenden wird wenig Handlungsspielraum gelassen und sie werden entsprechend ihrer Leistung gelobt oder kritisiert. Moderne Führungsstile (Laissez-faire-Führung, ethische Führung und transformationale Führung) sind dadurch gekennzeichnet, dass die Führungskraft Vertrauen in die Arbeit der Mitarbeitenden hat und Ziele und Visionen kommuniziert. Die Mitarbeitenden haben einen großen Handlungsspielraum und arbeiten eigenverantwortlich.

Auf die Frage, was letztendlich der richtige Führungsstil ist, gibt es keine pauschale Antwort. Welcher Führungsstil gewählt wird, hängt vom jeweiligen Unternehmen und seiner Unternehmenskultur, den Arbeitsaufgaben, den Mitarbeitenden sowie dem Umfeld ab. In den meisten Unternehmen findet sich eine Mischung aus verschiedenen Führungsstilen. Dabei existieren drei Referenzdimensionen für Führung:

  1. Führung spielt sich in einer ganz bestimmten Umwelt ab, heutzutage häufig einer VUKA-Welt.
  2. Führung spielt sich innerhalb einer Organisation mit bestimmten Organisationsstrukturen und einer für die Organisation typischen Unternehmenskultur ab.
  3. Führung spielt sich in der Interaktion mit den Mitarbeitenden ab.

Wie sieht die optimale Führung in Zeiten der Digitalisierung also aus? Digital Leadership scheint ein neuer Führungsstil zu sein, durch den die digitale Transformation im eigenen Unternehmen begleitet und vorangetrieben wird, mit dem Ziel, die Unternehmensprozesse agiler und flexibler zu gestalten, wobei die Anforderungen der VUKA-Umwelt berücksichtigt werden.

Digital Leadership setzt das Verständnis digitaler Technologien und ihrer Logik voraus. Dabei werden die aktuellen technologischen Entwicklungen auf den eigenen Unternehmenskontext übertragen und genutzt, um das Zusammenspiel von Mensch, Technik und Organisation zu verbessern. Die Mitarbeitenden werden im Übergang von einer analogen zu einer digitalen Arbeitswelt von der Führungskraft begleitet.

Wie Sie Mitarbeitenden im Stress helfen können

Die Veränderungen der Arbeitswelt, die mit der Digitalisierung einhergehen, wirken sich nicht nur auf Organisations- und Führungsebene aus, sondern auch auf Seiten der Mitarbeitenden. So können, wie bereits eingangs beschrieben, die rasanten Veränderungen zu Stresssituationen führen.

Stress: Unter Stress wird die starke Beanspruchung eines Organismus durch innere oder äußere Reize verstanden (Bundeszentrale für gesundheitliche Aufklärung BZgA, 2022)

Zum einen dadurch, dass ein Ungleichgewicht zwischen steigenden Leistungsanforderungen und tatsächlichen oder wahrgenommenen Kompetenzen entsteht. Zum anderen können auch dauerhafte Erreichbarkeit oder steigende Komplexität der Aufgaben und Arbeitsverdichtung zu Stresserleben führen. Die Folgen von nicht bewältigtem Stress reichen von kurzfristigen körperlichen, emotionalen oder verhaltensbezogenen Reaktionen (z. B. Gereiztheit, Konzentrationsmangel, Schlafstörungen, Erschöpfung) bis hin zu langfristigen körperlichen oder psychischen Erkrankungen (z. B. Burn-Out-Syndrom).

Dieser Zusammenhang spiegelt sich auch in den steigenden Krankheitstagen von Beschäftigten wider, die auf stressbedingte psychische Erkrankungen zurückzuführen sind. Folglich sollten die durch die Digitalisierung ausgelösten Stressbelastungen ernst genommen und die psychosoziale Gesundheit der Mitarbeitenden gefördert werden. Was also kann dafür in der Organisation getan werden?

Generell empfiehlt sich vor der Einführung etwaiger gesundheitsfördernder und stressreduzierender Maßnahmen zunächst eine Ist-Analyse. Hierbei werden gegenwärtige Stressoren am Arbeitsplatz bzw. im Unternehmen identifiziert und können damit gezielt verbessert werden. Dies kann beispielsweise in Form einer Arbeitsplatzanalyse oder Gefährdungsbeurteilung psychischer Belastungen durch Expert:innen geschehen. Möchte man die Stressphänomene im Arbeitsumfeld präventiv (d. h. bereits vor deren Entstehung) verhindern bzw. minimieren, kann auf verschiedenen Ebenen angesetzt werden:

  • Mitarbeitende: Förderung des Bewusstseins der Mitarbeitenden für deren Stressoren und Aufzeigen von gezielten stressreduzierenden Maßnahmen

Obwohl für diese Maßnahmen vornehmlich die Mitarbeitenden selbst verantwortlich sind, kommt aufgrund ihrer Fürsorgepflicht auch hier der Organisation eine wichtige Rolle zu. So könnte der Arbeitgeber beispielsweise durch offene Angebote von Gesundheitskursen oder -trainings die psychosoziale Gesundheit der Mitarbeitenden fördern.

  • Organisation: Umgestaltung des Arbeitsumfelds und -platzes im Hinblick auf technische, organisatorische und/oder soziale Bedingungen
  • Schnittstelle zwischen Organisation und Mitarbeitenden: Kombination von Maßnahmen beider Ebenen

Obwohl im Zeitalter der Digitalisierung mehr technische Hilfsmittel und Algorithmen als jemals zuvor zum Einsatz kommen, ist es wichtiger denn je, eine Organisation menschzentriert zu führen und Mitarbeiterinnen und Mitarbeiter zur Partizipation und einem gesunden Arbeiten zu befähigen. Nur mit der Akzeptanz und der Motivation von Mitarbeiterinnen und Mitarbeitern gelingt die Transformation zu einer digitalen und resilienten Organisation.

Das könnte Sie auch interessieren

Mehr erfahren
Information
Nachhaltigkeit in KMU – wie KI auf dem Weg zur nachhaltigen Finanzierung unterstützt

Kleine und mittlere Unternehmen (KMU) stehen zunehmend vor der Herausforderung, umfangreiche Nachhaltigkeitsdaten zu ...

Mehr erfahren
Mehr erfahren
Information
Digitaler Produktpass – wie KMU profitieren können

Der Digitale Produktpass (DPP) soll umfassende Informationen über Produkte während ihres gesamten Lebenszyklus ...

Mehr erfahren
Mehr erfahren
Information
Supply Chain Transparenz neu definiert – Chancen durch föderierte Datenökosysteme

In der zunehmend vernetzten Wirtschaft, die schnellere Entscheidungen und weiteren Vorausblick erforderlich macht, wird ...

Mehr erfahren

Digitale Dienstleistungen und Services gewinnen im Bereich der Unternehmensfinanzierung immer mehr an Bedeutung. Mittlerweile besteht die Möglichkeit, Finanzierungen über Online-Kreditplattformen abzuwickeln. Diese Art der Finanzierung ist für kleine und mittlere Unternehmen (KMU) aber noch eine große Ausnahme. Welche Potenziale die digitale Finanzierungsalternative bietet, soll hier dargestellt werden.

Finanzierung im Mittelstand im Umbruch

Während der Corona-Pandemie erlebte das Thema Digitalisierung einen Auftrieb – insbesondere bei der Kreditgenehmigung und -vergabe. Denn gerade in den vergangenen Monaten wurde deutlich, wie existenzsichernd schnelle Kreditzusagen vor allem für kleine und mittlere Unternehmen mit Liquiditätsengpässen sind. Damit Betriebe laufenden Kosten beispielsweise mit Hilfe eines Betriebsmittelkredits decken oder Investitionen realisieren können, ist schnelles Fremdkapital unabdingbar, wenn die unternehmenseigenen Eigenkapitalreserven krisenbedingt schwinden.

Geprägt durch eine langjährige Geschäftsbeziehung ist dabei die Hausbank die erste Anlaufstelle vieler KMU. Doch gerade kleinere Unternehmen benötigen geringere Kreditvolumen, die jedoch aufgrund der internen Kostenstruktur für Banken oft nicht rentabel sind. Auch ist die Bereitschaft zur Kreditvergabe der Hausbank oftmals an Sicherheiten und eine bestimmte Höhe des Eigenkapitals geknüpft.

Das Angebot an digitalen Alternativen wächst jedoch und so haben sich mittlerweile neue Finanzierungsmöglichkeiten wie digitale Kreditplattformen entwickelt. Unter dem Begriff Online-Kreditplattform werden digitale Plattformen zur Beschaffung von externen Finanzierungsmitteln zusammengefasst.[1]

Kreditplattformen im Überblick

Online-Kreditplattformen lassen sich im Wesentlichen in drei Arten unterteilen: Vergleichsplattformen, Vertriebsplattformen und Kreditmarktplätze.[2]

Vergleichsplattformen unterstützen bei der Suche nach einem passenden Angebot, sie dienen als Vermittler zwischen Kreditnehmern und zahlreichen möglichen Finanzierungspartnern. Beispielhaft sind hierfür Compeon oder FinCompare. Diese Finanzierungsplattformen greifen auf ein Netzwerk aus über 250 Finanzdienstleistern zurück und bieten den Unternehmen eine Vielzahl an Finanzierungslösungen.

Dagegen gewähren Vertriebsplattformen Zugang zu bestimmten Kreditangeboten von einem oder wenigen Finanzierungspartnern. Klassische Kreditgeber wie beispielsweise die Direktbank ING, verbergen sich hinter Vertriebsplattformen wie Lendico. Sogenannte White Label Kreditgeber wie die Solaris nutzen ihre Banklizenz für die Kreditvergabe, bleiben jedoch im Hintergrund.

Auf Kreditmarktplätzen wie Creditshelf und Invesdor, treffen kreditsuchende Firmen auf potenzielle Investoren. Dabei stellen interessierte Unternehmen zunächst eine Finanzierungsanfrage und erhalten nach einer Risikobewertung ein entsprechendes Kreditangebot, welches von institutionellen oder privaten Anlegern finanziert wird.

Digitale Plattformen punkten bei Antragsabwicklung

Alle Arten von Kreditplattformen haben gemeinsam, dass sie über digitale, standardisierte und weniger persönliche Finanzierungsprozesse verfügen.[3] Während bei der Hausbank Kreditsachbearbeiter:innen den gesamten Antrag manuell prüfen, erfolgt die Begutachtung auf Plattformen mittels automatisierter Prozesse. Sobald die Prüfung abgeschlossen ist, liegt bereits ein Angebot, oftmals innerhalb einiger Minuten, vor. Je nach Plattformanbieter werden in der Regel zwischen 24 und 72 Stunden benötigt, um ein Kreditangebot zu erstellen. Automatische und digitale Abläufe ersetzen somit die klassische Prüfung und bieten genau in diesem Punkt einen erheblichen zeitlichen Vorteil und eine entsprechend zügige Planungssicherheit für die Unternehmen.

Auch haben jene KMU Chancen, die einen stabilen Kapitalfluss aufweisen, jedoch nicht über die bankenüblichen Sicherheiten verfügen. Außerdem reduziert das Angebot mehrerer Finanzierungsanbieter vor allem die Suchkosten, was gerade kleineren Unternehmen, mit oftmals geringen personellen Kapazitäten die Arbeit erleichtert. Durch die erhöhte Transparenz haben Unternehmen zudem bessere Möglichkeiten, sich die günstigsten Konditionen für die von ihnen gewünschte Finanzierung zu suchen. Infolgedessen können sie Abhängigkeiten reduzieren bzw. ihren Finanzierungsmix erweitern, was gerade in Krisenzeiten hilfreich sein kann.

Digitale Finanzierungslösungen gewinnen an Bedeutung

Kleine und mittlere Unternehmen, die auf der Suche nach einer passenden Finanzierung sind, sollten nicht nur Bankinstitute in Betracht ziehen. Online-Kreditplattformen punkten vor allem mit einem breiten Angebot, Schnelligkeit und Transparenz. Insbesondere die vergangenen Krisenmonate haben deutlich gezeigt, wie essenziell rasche Kreditzusagen für mittelständische Unternehmen im Hinblick auf bestehende Herausforderungen sein können. Es lohnt sich also für KMU, ihren Finanzierungsmix zu erweitern.

 

[1] https://www.kfw.de/%C3%9Cber-die-KfW/Newsroom/Aktuelles/News-Details_665152.html
[2] https://www.kfw.de/%C3%9Cber-die-KfW/Newsroom/Aktuelles/News-Details_665152.html
[3] https://www.ifm-bonn.org/forschung/strategische-unternehmensfuehrung/detailansicht/fintechs-chancen-fuer-den-deutschen-mittelstand

Das könnte Sie auch interessieren

Mehr erfahren
Information
Nachhaltigkeit in KMU – wie KI auf dem Weg zur nachhaltigen Finanzierung unterstützt

Kleine und mittlere Unternehmen (KMU) stehen zunehmend vor der Herausforderung, umfangreiche Nachhaltigkeitsdaten zu ...

Mehr erfahren
Mehr erfahren
Information
Digitaler Produktpass – wie KMU profitieren können

Der Digitale Produktpass (DPP) soll umfassende Informationen über Produkte während ihres gesamten Lebenszyklus ...

Mehr erfahren
Mehr erfahren
Information
Supply Chain Transparenz neu definiert – Chancen durch föderierte Datenökosysteme

In der zunehmend vernetzten Wirtschaft, die schnellere Entscheidungen und weiteren Vorausblick erforderlich macht, wird ...

Mehr erfahren