00:00:01: Erfahren Sie, wie eine gelungene Datenstrategie Ihren Unternehmenserfolg nachhaltig steigert?

00:00:12: Einblicke, Erfahrungswerte und Tipps gibt es von den Datenexperten Michael Jungschläger und Sven Göllner.

00:00:18: Wenn man vielleicht auch mal um die Ecke denken muss.

00:00:20: Mit großer Wirkung.

00:00:20: Eine gute Sache!

00:00:30: Zwei Maschinen – gleiche Vibration, gleiche Wartung.

00:00:34: Die eine produziert gerade einen Bauteil für euren wichtigen Kunden, die andere läuft morgen ohnehin in die Wartung.

00:00:40: Was glaubt ihr wie euer Predictive Maintenance System hier reagiert?

00:00:44: Es behandelt bestimmt beide gleich oder es sieht das Signal, es berechnet die Wahrscheinlichkeit und es zeigt euch eine Warnung.

00:00:52: was ist nicht weiß dass die eine Maschine gerade geschäftskritig ist und die Andere einfach nicht.

00:00:59: genau da drüber Möchte ich mit euch in den nächsten zwanzig Minuten im Podcast Wertgeschätzt sprechen.

00:01:06: Warum erkannte Risiken noch keine Entscheidung sind und warum Dashboards keine Einordnung ersetzen?

00:01:11: Und was die neue Kategorie Contextual Intelligence, also CI damit wirklich zu tun hat.

00:01:18: Also starten wir direkt und hören rein!

00:01:22: Mein Name ist Sven von der BIMANO Ich bin Kaufminker Geschäftsführer und mich begleitet das Thema seit über fünfzehn Jahren.

00:01:31: Jetzt gehen wir aber direkt mal aufs Thema drauf und starten.

00:01:35: Predictive Maintenance klingt einfach zu gut, sehe ich immer wieder dass immer noch die Unternehmen in der Praxis Schwierigkeiten haben, aber ich bin der Meinung jetzt geben wir nochmal einen Schritt weiter und predictive maintenance reicht aber nicht mehr.

00:01:50: so wenn Unternehmen schon soweit sind Hut ab das muss man klipp und klar sagen da sind manche noch nicht sondern die haben dann vielleicht eine reine zustandsüberwachung der anlage.

00:01:59: Aber dass dann wirklich eine vorausschauende Wartung, also in diesem Fall Predictive Maintenance mithilfe von KI erfolgt haben doch die wenigsten im Griff.

00:02:10: Schauen wir mal rein!

00:02:11: Also klassisch ist der Weg, die Maschinenstationen senden Daten und Modelle erkennen Auffälligkeiten.

00:02:17: Wartungen passiert bevor etwas ausfällt?

00:02:19: Das ist ja eigentlich das eigentliche Thema vom Predictives Maintenance.

00:02:22: Zumindest wird das Thema genau so erzählt Und auf jeder Folie, die ihr bestimmt schonmal gesehen habt sieht es alles toll aus.

00:02:30: Aber jetzt in der Praxis bleibt fast immer ne Lücke übrig, damit eine erkannte Anomalie ist halt noch keine Entscheidung.

00:02:41: also das genau der Punkt.

00:02:42: es wird euch jetzt angezeigt im Dashboard aber was ist denn dann nach?

00:02:45: Was müsst ihr denn danach machen?

00:02:47: oder ein Risikowert ist auch noch keine Priorität?

00:02:51: und das technische Signal ja ist auch kein Wartungsplan.

00:02:55: ihr wisst jetzt okay da ist irgendwas passiert Und genau das ist der Kern des Problems.

00:03:01: Viele Unternehmen sehen, dass etwas passiert aber sie wissen nicht schnell genug was das konkret für Sie auch dann bedeutet.

00:03:08: Kurze Begriffserklärung falls hier jemand frech reinkommt predictive maintenance heißt auf Deutsch vorausschauende Wartung also nicht erst reparieren wenn die Maschine steht sondern vorher eingreifen werden.

00:03:19: die Daten zeigen dass sich etwas ankündigt.

00:03:21: als ein Beispiel Ein Limsmittelproduzent, der zum Beispiel oder eine Brauerei, die jetzt Bierflaschen befüllt geht hin und alle vier Wochen wird mal die Produktion angehalten.

00:03:36: Das Montageteam geht durch die Heine und kontrolliert die Anlagen oder weiß okay da gibt es bestimmte Ersatzteile, die müssen immer wieder ausgetauscht werden.

00:03:43: also das ist der alte Weg der Neu-Wegheit, die fauschale Erwartung ist.

00:03:47: Ich kriege Signale und weiß zum Beispiel das ein bestimmtes Bauteil innerhalb von vier Wochen entsprechend aushält und ich muss entsprechend

00:03:55: handeln.".

00:03:57: Die entscheidende Frage ist ja eigentlich – Ist es gerade kritisch?

00:04:02: Welche Auswirkungen hätte tatsächlich dieser Ausfall?

00:04:06: muss ich jetzt sofort reagieren oder reicht zum Beispiel ein Wartungsfenster, was fester mit dem Team eingeplant werden kann.

00:04:12: Weil es kann ja auch sein ist sehr schön das jetzt predictive Maintenance euch die ganzen Daten liefert aber ihr gar kein Personal habt weil eure zwei Personen der eine ist auf einer Fortbildung und der andere ist gerade krank dann hilft euch das hier auch nicht.

00:04:25: Und genau an dieser Stelle beginnt der Unterschied zwischen dem klassischen predictive maintenance Der Kontext, also der Kontext der Mitdenkt.

00:04:35: Das ist das Thema dieses Contextual Intelligence die neue Kategorie abgekürzt CI.

00:04:41: Die Daten haben wir – das wissen wir alle!

00:04:43: Wir haben genügend Daten aber die ein Ort noch nicht.

00:04:46: In vielen Unternehmen fehlt es definitiv nicht an Daten ob in der Produktion oder im Kaufmännchen-March.

00:04:52: was aber fehlt und das stellen viereit immer mehr fest auch wenn man jetzt schon anfängt entsprechende Berichte aufzuwahren.

00:04:58: Der Sports es fehlt der Zusammenhang.

00:05:01: Also es gibt zum Beispiel dann konkret bei diesem Beispiel die Maschindaten aus der Produktion.

00:05:05: Es gibt Wartungsdatum in Standhaltungssystemen, es gibt Aufträge, Liefertermine und Auslastung aus dem ERP also eine ganze Menge Quellen und ganz viele unterschiedliche Datenkategorien.

00:05:18: Es gib Qualitätsdaten zum Beispiel auch noch aus der Prüfung Und dazu kommen fast immer noch ein paar Exelisten aus den Fachbereichen.

00:05:24: weil sagen wir mal ehrlich ihr macht das jetzt also ihr holt euch die Daten da raus und es wird trotzdem noch irgendwie auf bereiten Ja, dann werden diese Exelisten aus den Fachbereichen genommen die irgendjemand mal bei euch aufgebaut hat und seitdem fasst ihr auch keine mehr an weil meistens sind sie auch sehr kompliziert.

00:05:39: So vielleicht nochmal zurück kleine Ordnung.

00:05:41: ich habe eben ERP gesagt steht für Enterprise Resource Planning.

00:05:45: das ist also euer System für Aufträge Lager Abläufe SAPs ein eines der bekanntesten ERP-Systeme aber für bestimmte Bronzen gibt es natürlich viele andere.

00:05:57: Jede dieser Systeme kennt einen Teil der Wahrheit, aber keins kennt das ganze Bild und das ist halt wichtig zu verstehen.

00:06:04: Ihr habt immer nur das operative System was ihr euch anschaut also kein übergreifendes.

00:06:11: und dass genau für so einem Alltag den wahrscheinlich viele von euch kennen.

00:06:16: Also wir haben das Dashboard.

00:06:18: es zeigt eine Auffälligkeit.

00:06:20: die Entstandhaltung schaut auf die Technik Die Produktion schaut auf den Ausstoß Und vielleicht schaut auch nochmal die IT drauf und schaut auf die Datenqualität.

00:06:30: Die Geschäftsleitung fragt euch, was heißt das denn jetzt für unser Geschäft?

00:06:34: Ihr bekommt vier Perspektiven aus diesen Bereichen.

00:06:36: Vier Tubs im Browser von eurer Auswertung und im schlimmsten Fall vier verschiedene Meinungen.

00:06:42: Die Daten sind alle da.

00:06:44: Das wissen wir jetzt, das haben wir ja eben besprochen.

00:06:46: aber die Einordnung passt immer noch nicht in den Köpfen manuell, im Meeting oft auch nach hinein und das kostet viel Zeit.

00:06:53: Es macht nicht nur Entscheidungen langsam, es kann sogar passieren dass die Entscheidung falsch getroffen werden.

00:06:58: Wenn ein System nur sagt das gibt hier eine Abweichung dann ist es noch keine echte Hilfe, es ist eine reine Beobachtung.

00:07:05: Echter Mehrwert entsteht erst wenn ein System auch versteht warum diese Abweichen relevant sind.

00:07:10: und genau das ist der Punkt an dem die meisten Predictive Maintenance Projekte hängen bleiben Nicht weil das Modell schlecht wäre sondern weil die Informationen die für die Einordnung nötig wären gar nicht erst am Tisch sitzen.

00:07:26: Jetzt könnten manche sagen, aber wir haben doch schon das klassische BI für Business Intelligence und eine tolle Datenplattform.

00:07:33: Und wir haben auch noch schon KI bei uns!

00:07:34: Wir haben die Maschinenlearning-Modelle, die das unser... Aber ganz ehrlich es reicht trotzdem nicht weil auch dort haben wir unterschiedliche Betrachtungen.

00:07:44: Ja beides ist wirklich sehr gut und wenn ihr das schon habt Glückwunsch.

00:07:47: dann seid ja schon malenweit entfernt von Unternehmen, die noch gar nichts haben und vielleicht in der Exo sind.

00:07:53: Ich würde nochmal erklären warum Das nicht ausreicht.

00:07:57: Fangen wir bei dem klassischen BI an, also bei dem Thema Business Intelligence.

00:08:03: Also Software, Plattformen die zahlen aus euren System in Dashboards und berichten Sicht beim Mann.

00:08:09: Power BI Tablo klickt das sind Berichtswerkzeuge beispielsweise.

00:08:13: oder unsere Lösungen, die wie Manu Cloud ist eine automatisierende Datenintegrationsplattform.

00:08:18: ihr kennt alle die Namen und habt ihr auch schon mal gehört Fabrik etc.. Das ist wirklich stark, wenn ihr das schon bei euch im Unternehmen habt oder einsetzen wollt und kann dich direkt mitnehmen.

00:08:26: Ihr braucht es auch, wenn wir gleich zu der eigentlichen Lösung kommen.

00:08:30: Das BI kann eure Kennzahlen sich bemachen, Abweichung zeigen, Zeitverläufe darstellen also die Datenhistorik gegenüberstellen, Transferren schaffen – das ist mega!

00:08:40: Aber BI beantwortet nicht automatisch die nächste operative Frage.

00:08:44: Das Dashboard kann zwar zeigen dass die Ausschussquote steigt Seit wann?

00:08:52: Es kann sogar zeigen, auf welcher Linie.

00:08:54: Was es aber definitiv nicht kann den nächsten besten Schritt für euren konkreten Betrieb ableiten.

00:09:03: BI zeigt also sehr gut was passiert, weil nicht was jetzt getan werden sollte und genau das erleben viele Unternehmen.

00:09:11: Dashboards irgendwann nicht mehr als Entlastung sondern als zusätzliche Interpretätesarbeit.

00:09:18: Das bedeutet ihr habt auf einmal ganz viele Berichte Und ihr braucht die Expertise, um das zu werten.

00:09:23: Also das was ich gerade gesagt habe jemand der da sehr tief in der Materie kann das lesen und kann für sich diese ganzen Ergebnisse auch entsprechend einsortieren und weiß was die nächsten Handlungen sind.

00:09:36: Was wir aber feststellen wenn man zum Beispiel den Weg geht aus der alten Welt Ich möchte meine Exelisten ablösen und bauein so genanntes BI oder zentrale Datenplattform auf dann nehme ich dem Controller oder den Mitarbeiter erstmal die Expertise.

00:09:48: Das heißt, das ist ja schon da und jetzt wäre seine Expertise genau diese Fragestellung zu beantworten.

00:09:54: und das klappt in der Regel nicht weil es wieder was Neues ist so dass mal abgegrenzt zu dem Thema warum BI nicht ausreicht?

00:10:02: Und jetzt schauen wir uns mal für AI an.

00:10:05: KI also künstliche Intelligenz als das AI steht hier für Artificial Intelligence also Künstliche intelligence, Chatchity Beauty, Claude Gemini aber auch die Maschinen-Learning-Modelle, die in Predictive Maintenance Systeme rechnen.

00:10:21: Also wenn ihr es richtig macht, nehmt ihr euer BI und nutzt dann entsprechende Maschinearningmodelle.

00:10:27: also füttert die Daten aus eurer zentralen Datenplattform in das Maschinenearning, die Maschinenenmodelle rechnet und schreiben euch die Daten zurück ganz grob.

00:10:36: natürlich gehört er jetzt ein bisschen mehr zu aber ich will das jetzt auch nicht so tief betrachten.

00:10:41: Auch AI ist sehr stark.

00:10:43: AI kann Muster kennen, Ausreißer identifizieren aber auch die Wahrscheinlichkeiten berechnen und halt die erforderlichen Prognosen.

00:10:52: Oft früher als das was vielleicht der erfahrene Mechaniker oder derjenige der in der Produktion Arbeit.

00:10:58: Das ist wichtig!

00:11:00: Aber jetzt kommt das große Arbeit.

00:11:02: Aber die technische Intelligenz ist nicht automatisch die betriebliche Intelligenze.

00:11:06: Also ich wiederhole das nochmal, weil es ein ganz wichtiger Satz für euch ist... Die technischeintelligenz isst NICHT AUTOMATISCH DIE BETRIBLICHE INTELLIGENZ!

00:11:14: Was meine ich damit?

00:11:16: Ein Modell kann erkennen dass ein Muster außer also ungewöhnlich ist.

00:11:20: Es weiß aber nicht welche Priorität hat das jetzt im Fall im Gesamtbetrieb.

00:11:26: also welche Restriktion gelten hier überhaupt?

00:11:29: Welche wirtschaftlichen Folgen entstehen, das ist dann die Frage von eurem Geschäft zu hören.

00:11:32: Welche Maßnahmen ist gerade überhaupt realistisch?

00:11:35: Das Thema wie stehen denn jetzt gerade meine Mitarbeiter zur Verfügung?

00:11:39: oder kann ich überhaupt das Ersatzteil ordnen wenn ein Ei ohne Unternehmenskontext liefert?

00:11:44: sie formal richtige aber praktische unvollständige Ergebnisse.

00:11:48: Das Modell erkennt also dass klassische Risiko und die Organisation muss immer noch selbst zusammensetzen, was das jetzt konkret bedeutet.

00:11:59: Und genau hier an dieser Stelle von beiden setzt dieses sogenannte Sea-Iron die neue Kategorie Contextual Intelligence

00:12:08: Wert geschätzt ab.

00:12:09: zum Neustart

00:12:13: Ich muss dich leider stören, wir haben eine Unterbrechung und die haben wir aus gutem Grund.

00:12:17: Wir würden dir gerne was schenken!

00:12:19: Und zwar...

00:12:42: Jetzt kommt noch mal die Geschichte ganz am Anfang mit der ich eingestiegen bin.

00:12:45: Zwei Maschinen, beide steigende, also zeige steigenden Vibrationen.

00:12:49: Beide liegen außerhalb der Normenbereiche.

00:12:51: Beider bekommen vom Modell ein erhöhtes Ausfallrisiko.

00:12:54: Also technisch sehen beide Maschine fast gleich aus aber geschäftlich ist das komplett was anderes und das ist wirklich sehr interessant.

00:13:04: Die Maschine eins produziert gerade ein zentrales Bauteil für einen wichtigen Auftrag.

00:13:08: es gibt Alternatives Kapazität, einen Ausfall hätte direkt folgen in der Lieferfähigkeit.

00:13:14: Also eure Lieferkette ist betroffen.

00:13:15: Maschine zwei läuft in einem weniger kritischen Bereich die Auslastung ist geringer und für morgen ist eh das Wartungsfester eingeplant.

00:13:23: also dann die Frage an euch was macht würdet ihr denn jetzt machen?

00:13:27: So wenn ihr nur auf das Signal schaut würde ihr ja beide Maschinen absolut gleich behandeln aber der Kontext ist euch ja nicht klar.

00:13:37: so und dass es eben Dann wird nämlich aus einer Warnung eine saubere Entscheidung.

00:13:42: Erster Fall sofort prioritisieren, weil wirtschaftlich kritisch.

00:13:46: die Lieferkette bricht gegebenenfalls ein.

00:13:48: Falls zwei beobachten und dann ganz normal ins Wartungsfenster aufnehmen.

00:13:53: Genau das ist der Unterschied nicht mehr um die Daten, um ihre selbst willen sondern um die bessere Einordnung.

00:13:59: Und für genau diese Art von Einordnung gibt es den Begriff CI also Contextual Intelligence.

00:14:05: Sorry dass ich denn immer wieder Wiederhole, er soll sich bei euch einbrennen weil der wird in Zukunft der Wettbewerbsfall der Unternehmen sein.

00:14:15: Also Contextual Intelligence bedeutet also nicht nur das Signal betrachten sondern das Umfeld des Signals mitdenken.

00:14:22: was läuft gerade auf der Maschine wie sieht die Historie aus?

00:14:25: Welche Wartung gab es denn zuletzt?

00:14:27: und wie kritisch ist die Anlage für den aktuellen Betrieb?

00:14:30: welche Geschäftsregeln gelten?

00:14:32: Und jetzt gibt's eine Formel, die ich euch bitte euch zu merken.

00:14:35: Weil wir vom BIMANO werden diese in Zukunft so oft immer nennen dass sie gar nicht mehr an euch vorbeigehen könnt.

00:14:42: aber sie ist genial weil sie fasst das ganze in drei Zeichen zusammen.

00:14:46: Wir haben das AI plus.

00:14:49: BI ist gleich.

00:14:51: CI also Artificial Intelligence Plus Business Intelligence ergibt Contal Contextual Intelligence.

00:14:59: Oder jetzt gebe ich euch mal mit, was es konkreter bedeutet.

00:15:02: BI zeigt also, was passiert bei euch?

00:15:05: AI zeigt wie es weitergeht und CI warum es relevant ist und was als nächstes zu tun ist.

00:15:12: Und nochmal zurück an dem Beispiel beider Maschinen.

00:15:15: BI sagt Vibration steigt.

00:15:18: AI sagt Auswahl wahrscheinlich in den nächsten achtundvierzig Stunden.

00:15:22: Und jetzt kommt es, die AI sagt Maschine eins sofort prioritisieren weil Geschäftskritik Maschine zwei ins geplante Wartungsfenster verschieben und das ist der Moment an dem die Daten aufhören nur zahlen zu sein und Anfang Entscheidungen zu tragen.

00:15:35: Das finde ich total cool!

00:15:37: Weil wenn ihr in den Terminen seid jeder interpretiert doch die Daten anders.

00:15:41: wir haben ständig diskutiert Diskussionen darum und wenn jetzt der Kontext dabei ist, hilft mir das doch noch mal viel besser einzuordnen.

00:15:50: Eine kleine Fußnote die muss ich hier mitgeben, die Entwickler unter euch also Software-Entwickler kennen CI unter einem ganz anderen Begriff.

00:15:58: Das nennt sich Continuous Integration.

00:16:00: für uns steht CI in dieser Folge oder bei BIMANO immer für das Thema oder für die Kategorie Contextual Intelligence.

00:16:08: Also die Formel hilft euch das sauer auseinanderzuhalten plus BI gleich CI.

00:16:15: Jetzt die Frage, die sich jetzt viele stellen ist das wieder eines dieser neuen Konzepte für DAX-Konzerne?

00:16:21: Ist das ein Marketing-Buswort

00:16:24: etc.,

00:16:24: oder brauche ich jetzt zehn Data Scientists und zwei Jahre Projektlaufzeit?

00:16:29: Ich bin ehrlich nein!

00:16:31: Voraussetzung kommt gleich... Gerade im Mittelstand ist dieser Unterschied besonders wichtig und aus einem besonderen Grund.

00:16:38: Im Mittelstand gibt es selten Spezialteams, das wisst ihr selber.

00:16:40: Ihr habt nicht die entsprechenden Ressourcen oder nur hau bei euch... also ihr holt euch externe rein!

00:16:46: Es gibt keine eigene BI-Abteilung mit zwanzig Leuten.

00:16:48: Das habt ihr in der Konzernwelt.

00:16:50: Es gibt eine KI-Mannschaft, DataScientist

00:16:51: etc.,

00:16:52: keine Zeit für monatliche Projekte und sichtbare Nutzen.

00:16:55: Das passiert in den Konzernen.

00:16:57: Die Realität sieht doch bei euch komplett anders aus.

00:17:01: Die IT macht höchstwahrscheinlich viele Dinge gleichzeitig.

00:17:04: Server, Netzwerk, Security, Betreuung der Bestandssystemen, operativen System

00:17:11: etc.,

00:17:11: etc.

00:17:12: Und dann kommt nochmal ein Berichtsdruck von der Geschäftsleitung oder den anderen Bereichen.

00:17:16: Viele operative Anforderungen gleichzeitig.

00:17:19: Wenig Personal und viele manuelle Prozesse.

00:17:22: Genau das ist der klassische Weg!

00:17:24: Wir bauen jetzt einfach mal perfekt eine Zielarchitektur Anaktiv zu komplex, zu technisch langsam.

00:17:30: Und die entscheidende Frage im Mittelstand lautet nicht wie bauen wir das beste System?

00:17:36: Sondern die Frage lautet tatsächlich Wie kommen wir schnell von verteidendaten zu besseren Entscheidungen?

00:17:41: also lasst es mal auf der Zunge zergehen.

00:17:44: und genau deshalb ist das Thema Contextual Intelligence für den Mittelstand zu spannen weil CI nicht bei der Technik stehen wird sondern direkt auf der Entscheidungsqualität einzahlt.

00:17:54: Es geht nicht darum einen weiteren Algorithmus, ein neues KI-Modell einzuführen.

00:17:58: Es geht darum dass die Person, die am Montag bei euch um neun Uhr im Büro sitzt entscheidet was muss denn heute privatisiert werden?

00:18:04: Dass die Person?

00:18:05: wirklich eine echte Antwort nicht in der Warnung, nicht nur ein reines Dashboard?

00:18:09: Ja das Dashboard wird weiter geben.

00:18:10: ich habe auch schon mal einen Beitrag gemacht, Dashboard ist tot.

00:18:13: Ich glaube Das Eine andere Richtung eingeschlagen wird und Die wird in den nächsten Wochen Monaten sehr sehr spannend werden.

00:18:21: Das ist nämlich ein ziemlich großer Unterschied vor allem wenn ihr nur noch ein zwei Leute habt die diese Entscheidung treffen.

00:18:27: Wahrscheinlich fragen sich jetzt manche und wie soll das konkret gehen?

00:18:31: Genau an dieser Stelle haben wir ein neues Produkt entwickelt, das BIMANONE.

00:18:37: Ich erkläre das gleich aber noch eins vorab wenn ihr die Hausaufgaben gemacht habt und ich habe ein zentrales Datensystem eine Datenplattform, ein sogenanntes Data Warehouse oder wie er die Sachen nenne dann ist es ein wunderbares Fundament wo wir aufsetzen können dass nochmal zurück zu unserer Formel AI plus bi, gleich ci die Komponente dann schon gesetzt hätte.

00:18:59: So wenn wir nochmal auf unsere Lösung schauen, die b-manu one da könnte man zum Beispiel hingehen und predictive maintenance scheitert ja wenn man mal drauf schaut nicht am Modell weil eure KI Experten da sicherlich was ganz tolles zusammen gebaut haben und das auch funktioniert.

00:19:18: aber es scheiterte daran dass ihre relevanten Informationen nicht zusammenkommen.

00:19:21: Wie gesagt, die Maschine liefert eure Signale.

00:19:25: Das Wartungssystem kennt die Historie das ERP-System kennt auch den Auftrag dazu und die Produktion weiß wie hoch die Auslastung ist.

00:19:33: aber diese Informationen stehen meist nebeneinander nicht nebeneiner.

00:19:37: Genau das machen.

00:19:37: wir vom Bivano One verbinden genau diesen Daten in der zentralen Datenplattform.

00:19:41: das wäre quasi die Komponente BI Also Maschindaten, Wartungssystemen, Auftragsdaten, Prozessdaten.

00:19:48: Alles an einem Ort automatisch historisiert und in Beziehung setzt.

00:19:52: Und erst auf dieser Basis lässt sich dann CI also Contextual Intelligence überhaupt umsetzen.

00:19:58: Was heißt das jetzt konkret für das Thema Predictive Maintenance?

00:20:01: Vorausstellende Wartungen?

00:20:02: Ein klassischer Ansagt sagt hier gibt es eine Auffälligkeit.

00:20:05: Mit BIMANU ONE also mit unserer Lösung zeigt die auffälligkeit ist soweit relevant weil sie gerade einen kritischen Prozess betrifft.

00:20:11: Die Historie zeigt ein wiederkehrendes Muster.

00:20:14: das nächste sinnvolle Wartungsfenster liegt in zwei Wochen und deshalb solltest du jetzt handeln.

00:20:20: Das ist der Unterschied zwischen der alten Wartung, was ja auch schon super ist wenn man es hat aber mit einer Entscheidungsgrundlage weil wir haben eben gesehen Wir wollen nicht zwei Anlagen gleichermaßen warten.

00:20:30: Wenn die eine Ebenwartungsfenste liegt und nicht wichtig ist dann konzentriere ich mich doch auf die Prio-Einsanlage Und das ist mir besonders wichtig.

00:20:40: niemand dafür muss dafür die perfekte Zielarchitektur auf einmal bauen.

00:20:44: Der bessere Weg ist tatsächlich schrittweise, also use-case getrieben, anwendungsgetrieben.

00:20:48: Am Anfang steht nicht das große Versprechen am Anfang steht wirklich dieser konkrete Anwendung.

00:20:53: Eine bestimmte Linie eine kritische Anlage Das wiederkehrende Störungsmuster in dem Fall bei predictive minten denn Die Datenquelle müssen identifiziert werden.

00:21:02: dann bauen wir die gemeinsame Sicht Auf Kontext ergänzen und dass wichtig kontext agenz müssen genau hinterlegen.

00:21:08: was bedeutet das ganze?

00:21:09: das heißt es reicht nicht mehr aus einer ein klassisches Startmodell zu verfügen, sondern der Kontext muss mal hinterlegt werden und konkrete Empfehlungen ableiten.

00:21:17: Nicht alles auf einmal, sondern einen Einstieg, der wirklich schnell zeigt.

00:21:21: das hier... Und das zeigt einfach dass dann hier eine echte Entscheidungs Unterstützung gesteht.

00:21:28: So genau an diesem Punkt wird aus einem Technik-Thema ein Geschäftsthema und das finde ich sehr spannend.

00:21:32: sonst hätten wir uns ja über diskutiert vielleicht mit dem Experten wie müssen wir denn die IoT Anbindung machen?

00:21:37: Mit welchem Verfahren?

00:21:40: Da gibt es ja auch mehrere.

00:21:43: Das ist natürlich immer noch wichtig, aber jetzt ist das wirklich ein Geschäftsthema und auch für die Geschäftsleitung relevant, warum wir das tatsächlich brauchen?

00:21:50: Weil manchmal war's halt so dass die Geschäftslagen unser Thema nie gegriffen hat sondern es isst ein Business-Thema.

00:21:57: Vielleicht noch ganz zum Schluss ein Gedanke, den ich am liebsten mitgeben möchte.

00:22:01: Weil aus meiner Sicht schon das Wichtigste... Aus der ganzen Folge, die ich jetzt hier gemacht habe zusammenfasst, der eigentliche Fortschritt in der Fahrerscheinwartung liegt nicht daran dass wir etwas früher kennen.

00:22:12: Der eigentliche Fortschritt liegt jetzt darin, die Bedeutung richtig einsagen.

00:22:15: Denn die Vorhersage haben wir ja gesehen.

00:22:17: alleine verändert noch nicht den Betrieb das Dashboard was jetzt gerade passiert auch nicht erst die Relevanz verändert die Entscheidung und deshalb ist Predictive Maintenance mit der neuen Kategorie Contextual Intelligence so spannend weil daraus einfach mehr wird als eine reine Mustererkennung.

00:22:35: Es geht nicht mehr um die reine Auffälligkeit sondern Und dass es mir nochmal wichtig zu betonen Die wahrscheinlich Ursache sind die Auswirkungen.

00:22:42: Und das ist der sinnvollste nächste Schritt, an diesem Punkt werden Daten endlich zu nutzen.

00:22:46: und genau dort beginnt der Unterschied zwischen Daten haben und Daten verstehen.

00:22:50: also merkt euch nochmal die Formel, die ich am Anfang genannt habe AI plus BI gleich CI weil Intelligenz ohne Kontext nur Lärm ist.

00:23:00: So, wollt ihr mehr wissen?

00:23:03: Dann würde ich sagen kommt auf uns zu ist wirklich ein sehr, sehr spannendes Thema.

00:23:06: Wir haben die ersten Bestandskunden mit denen wir das Konzept entsprechend umsetzen.

00:23:11: Die sind sehr interessiert an dem Thema.

00:23:13: wenn ihr sagt hey das hat mich heute sehr interessieren wie du das berichtet hast kommen auch von so und wir schauen mal wo du stehst und welche Maßnahmen bei den Ergriffen werden muss um dort hinzukommen.

00:23:22: also es gibt in Zukunft weitere Folgen zu diesem Thema weil mir das sehr an Herzen liegt weil es ein neues Thema ist wo der falsche Weg hinläuft.

00:23:33: Also bis zum nächsten Mal, macht es

00:24:04: gut!