Von Produktdaten zu KI:
Der nächste Schritt im Maschinenbau

Der Fakt, dass die Digitalisierung in allen Industriezweigen mittlerweile Einzug erhalten hat, ist nicht zu leugnen. Buzzwords wie „Industrie 4.0“, „Künstliche Intelligenz“, „Internet of Things“ sind in aller Munde und vor allem im deutschen Maschinenbau nicht mehr wegzudenken. Die Branche steht am Scheideweg zwischen Chancen und Scheitern, zwischen dem Behaupten des Marktführer-Daseins und dem Rutsch in die zweite Reihe. Denn wo Deutschland 2014 noch als Vorreiter im Bereich Digitalisierung und Industrie 4.0 eingestuft wurde, liegen wir schon 2020 laut Experten hinter China und der USA zurück.

Konzepte wie die „Smart Factory“, welches das Fraunhofer Institut vorschlägt, bieten digitale Lösungen für die Produktion. Produktdaten werden im ersten Schritt, oft in Kombination mit KI-Technologien wie neuronalen Netzen, bei der Fertigung genutzt, um diese zu optimieren. Logisch, das ist der vermeintlich direkteste Einfluss, den ein Unternehmen hat. Doch der Fakt, dass die Produkt-und Konfigurationsdaten aus der Produktion auch im Vertrieb eine große Rolle spielen können, bleibt oft außen vor. Auch hier kann die Kombination mit KI einen entscheidenden Hebel darstellen: Egal ob Unternehmen bereits mit herkömmlichen CPQ-Systemen arbeiten, oder nicht.

Realität: Vielfalt der Digitalisierungsgrade im Vertrieb

Unternehmen befinden sich heute auf verschiedenen Stufen der Digitalisierung, wenn es um Unternehmensdaten im Vertrieb und damit verbundene Automatisierung geht.

Manuelle Prozesse:

Angebote werden in Excel oder Word konfiguriert, Varianten werden manuell geprüft, Abstimmungen mit technischem Team dauern Tage oder Wochen

Produktkonfigurator:

Teile der Prozesse sind digitalisiert, hauptsächlich werden Daten aus der Produktion verwendet, um die Variantenkonfiguration zu vereinfachen

CPQ-System:

Umfassende Vertriebssoftware wird verwendet, große Teile der Sales-Kette finden digital statt. Zusätzlich zum Konfigurator können hier Preise und Angebote dynamisch angepasst werden

Vollständig integrierte Vertriebsplattform:

KI nutzt Unternehmensdaten, schlägt Varianten vor, erkennt wiederkehrende Angebotsmuster, prüft auf Fehlerfreiheit und automatisiert Angebotserstellung

‍

In den seltensten Fällen arbeiten Vertriebsteams mit Letzterem. Und dieser Vergleich macht es nachvollziehbar, wieso vor allem mittelständische Unternehmen mit tiefgreifenderem Ausbau von Digitalisierungsmaßnahmen zu kämpfen haben. Oft muss dafür fehlendes Fachpersonal eingestellt werden oder eine zentrale Datenbasis aus verschiedenen Quellen aufgebaut werden. Und die Wichtigkeit, in saubere Unternehmensdaten zu investieren steigt in den letzten Jahren stetig.

Doch möglicherweise ist der Weg zu diesem „aufbereiteten Datenschatz“ weniger kompliziert und abstrakt als häufig angenommen.

Datenursprung und Verwendung

Die Quellen der bestehenden Unternehmensdaten sind unterschiedlicher Natur.

-         ERP-Systeme liefern Informationen zu Aufträgen und Stücklisten

-         PLM-Systeme enthalten Produkt- und Fertigungsdaten, die bislang vor allem           in der Produktion genutzt werden

-         PIM-Systeme bündeln standardisierte Produktdaten und sorgen für            Konsistenz über alle Vertriebskanäle

-         Datenblätter dokumentieren technische Details, Leistungsdaten und           Compliance-Informationen

-         Historische Angebote spiegeln Entscheidungen und Varianten aus der            Vergangenheit wider

-         Variantenkataloge vervollständigen die möglichen baubaren Varianten

-         Weitere Quellen können bei Bedarf hinzugezogen werden

In viele Unternehmen liegen diese Daten jedoch fragmentiert vor. Verteilt auf verschiedenen Systemen, Excel-Tabellen oder PDF-Archiven. Gerade hier zeigt sich ein Hebel von KI: Mit minimalem Nutzeraufwand kann sie die unterschiedlichen Datenquellen zusammenführen, analysieren und in einen nutzbaren Kontext bringen.

Technisch betrachtet basiert dieser Ansatz auf sogenannten Retrieval-Augmented-Generation (RAG)-Systemen. Dabei handelt es sich um eine Architektur, bei der KI-Modelle nicht isoliert arbeiten, sondern gezielt auf unternehmensinterne Datenquellen zugreifen. Im Kontext des Maschinenbaus sind das beispielsweisehistorische Angebote, technische Spezifikationen, Konfigurationsregeln oder Stücklisten.
Anstatt Antworten „aus dem Nichts“ zu generieren, durchsucht das System zunächst diese Datenbestände, extrahiert relevante Informationen und nutzt sie als Grundlage für die KI-gestützte Analyse. So können beispielsweise Angebotsvorschläge, technische Varianten oder Preisstrukturen auf Basis realer Erfahrungswerte erstellt werden.

Das Ergebnis der Analyse: Nicht nur ein digitales Archiv, sondern ein System, das wie ein erfahrener Vertriebsmitarbeiter konfiguriert, nur eben nicht auf der Basis von Erinnerung und Erfahrung, sondern auf der Basis aller Unternehmensdaten.

Wie Daten an Relevanz gewinnen

2017 gaben noch 83% der befragen Maschinenbauer an, Künstliche Intelligenz sei nicht relevant für sie. Beim Vergleich von Zahlen aus 2017 mit Zahlen aus 2022 stellt das Bundeswirtschaftsministerium einen ähnlichen Trend in der gesamten Industrie fest.

Allerdings waren auch die Erfolge bereits getroffener Maßnahmen schon 2017 spürbar. 69% der Befragten geben an, neues Wissen im Unternehmen erworben zu haben, 54% konnten durch Digitalisierungsmaßnahmen Kosten senken. Zu den größten Hemmnissen zählten, wie auch heute noch, zu hoher zeitlicher/organisatorischer Aufwand oder zu hohe Kosten.

Was Unternehmen heute tun können

Egal ob ein Unternehmen bereits digital arbeitet oder noch am Anfang steht, der Schlüssel zu Daten, die „KI-ready“ sind liegt in Datenqualität und Datenpflege.

Markus Herrmann, Manager bei Aveva erzählt Folgendes: „Aus unserer Erfahrung sind "richtige Daten" kontextualisiert, vertrauenswürdig und sie stehendem Nutzer in Echtzeit zur Verfügung. Denn nur dadurch werden wirkliche Nutzwerte geschaffen.“.

Gleichzeitig ist es entscheidend, nicht ausschließlich von den vorhandenen Daten aus zu denken. Der Ausgangspunkt sollte stets der konkrete Use Case sein: Welches Problem soll gelöst, welcher Prozess verbessert werden?
In den meisten Fällen ist es sogar sinnvoller, zuerst einen klaren Anwendungsfall aufzubauen und auch initial nur die Daten für diesen Fallumfassend zusammenzutragen. So vermeiden Sie riesige Datensammlungen, von denen Sie im Endeffekt doch nur einen Bruchteil verwenden. In einem zweiten Schritt kann diese Datenbasis dann systematisch erweitert, automatisiert und skaliert werden, um das volle Potenzial auszuschöpfen.

Das bedeutet, Daten für den Vertrieb sollten auch mit dem Ziel gesammelt werden, im Vertrieb genutzt zu werden. Und auch wenn ein Unternehmensvertrieb bereits professionell digitalisiert ist, bedeutet das nicht, das bereits genutzte Vertriebsdaten nicht noch weiter gewinnbringend verarbeitet werden können. Gerade Unternehmen, die sich am Zahn der Zeitbewegen, werden wissen, dass sich mit der Entwicklung neuer Technologien auch immer Möglichkeiten bieten, Unternehmensressourcen zu recyclen.

Sie möchten wissen ob Ihre Unternehmensdaten bereit für aktuelle KI-Technologien sind? Machen Sie jetzt den KI-Readiness-Check auf squareneo.de/maschinenbau.

‍