Autor: Iris Gräßler

Die Strategische Produktplanung (SPP) muss sich aktuellen Herausforderungen wie Kreislaufwirtschaft, Digitale Geschäftsmodelle und Interdisziplinarität stellen. Etablierte Vorgehensmodelle sind beispielsweise nur bedingt auf Produkt-Service-Systeme anwendbar. In diesem Beitrag wird ein neues Modell der SPP vorgestellt, das auf einer Analyse von 230 existierenden SPP-Ansätzen basiert und Digitale Zwillinge zur kontinuierlichen Informationsrückführung aus dem gesamten Produktlebenszyklus integriert. Dies ermöglicht eine vorläufige Produktüberwachung und eine dynamische Anpassung der SPP. Das Modell folgt einem agilen, iterativen Ansatz bestehend aus fünf zyklischen Kernaktivitäten, die entlang der zunehmenden Reife durch fünf Kontrollpunkte strukturiert werden. Die frühzeitige Berücksichtigung der Kreislauffähigkeit sorgt für ressourcenschonende Produkte und Produktionsprozesse. Durch Flexibilität, Informationszirkularität und Nachhaltigkeit ist das Modell zukunftsfähig ...

Im Entwicklungsprozess werden Entscheidungen mit Wirkung auf die Nachhaltigkeit von Produkten getroffen. Mit zunehmendem Entwicklungsfortschritt können auch Aussagen zur Nachhaltigkeit konkretisiert werden. Während zunächst nur Abschätzungen anhand von verwandten Produkten und Prozessen möglich sind, können später etwa Betriebs- und Maschinendaten genutzt werden. Werden Metriken für Kennzahlen verwendet, sollte die Qualität der verwendeten Daten nachvollziehbar sein. Dazu werden relevante Datenqualitätskriterien und -indikatoren ausgewählt und in Bezug gesetzt. Die Verfügbarkeit von Daten kann gesteigert werden, indem die Produktentwicklung auf Partner in Datenökosystemen zurückgreift. Die Grundlage bilden Datenräume wie Gaia-X, Catena-X und Manufacturing-X.

Technische Systeme sind durch eine zunehmende Interdisziplinarität, Komplexität und eine immer stärkere Vernetzung gekennzeichnet. Produkt und Produktionssystem erfordern eine disziplinübergreifende Mehrzieloptimierung. Durch den Anspruch auf Nachhaltigkeit und Kreislauffähigkeit steigt die Komplexität nochmals. Die Leistungsfähigkeit bislang etablierter Verfahren der Ingenieurwissenschaften stößt an ihre Grenzen – die sich wiederum nur durch die systematische Einbeziehung von Daten überwinden lassen. Das ist Ziel einer „Hybriden Entscheidungsunterstützung“: Data Science und Künstliche Intelligenz sollen zur Ergänzung der menschlichen Fähigkeiten in Verbindung mit bisherigen Heuristiken, Methoden, Modellbildung und Simulation genutzt werden können, um die Leistungsfähigkeit der Produktentstehung zu erhöhen.