Das Digitalisierungsradar: Die Digitale Transformation im Produktlebenszyklus erfolgreich bewältigen

Es ist unbestritten, dass die Digitalisierung für die Unternehmen der Schweizer Maschinen-, Elektro- und Metall-Industrie (MEM) bedeutsame Chancen mit sich bringt. Das Spektrum reicht dabei von der Implementierung von einfachen Effizienzsteigerungen bis hin zur Realisierung von innovativen Geschäftsmodellen. Dennoch steht die produzierende Industrie mit dem Lebenszyklusmanagement ihrer Produkte und Dienstleistungen (Product Lifecycle Management) bei der Bewältigung der digitalen Transformation weiterhin vor tiefgreifenden Herausforderungen.

Um den Status der MEM-Industrie zu charakterisieren und erfolgsrelevante Handlungsfelder und -ansätze zu evaluieren, hat das Product Management Center der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) rund 400 Unternehmen in Deutschland, Österreich und der Schweiz befragt. In Zusammenarbeit mit Dolff, Pyschny & Piper, einer Unternehmensberatung im Bereich Product Lifecycle Management, wurde daraus das Digitalisierungsradar entwickelt: Ein praktisch umsetzbares Reifegradmodell, um die Transformation im Lebenszyklusmanagement industrieller Produkte systematisch in Angriff zu nehmen.

Das Digitalisierungsradar: Struktur und Anwendung

Im Detail kann ein Reifegradmodell als ein Satz an Reifegradstufen angesehen werden, die schrittweise durchlaufen werden müssen. Die unterste Stufe repräsentiert so den niedrigsten, die oberste Stufe den höchsten Reifegrad. Üblicherweise sind derartige Referenzmodelle mehrdimensional. Durch diese Aufteilung auf Einzelaspekte können zum einen schnelle Erfolge bereits mit wenig Aufwand erreicht werden, zum anderen kann der Gesamtreifegrad durch die Erhöhung aller Dimensionen gesteigert werden.

Während in der Literatur viele generische und theoriebasierte Ansätze existieren, wurde bei der Entwicklung des vorliegenden Modells besonderer Wert auf Detailtiefe sowie Anwendbarkeit in der industriellen Praxis gelegt. In enger Zusammenarbeit zwischen Wirtschaft und Wissenschaft wurde so das Digitalisierungsradar entwickelt und an verschiedenen Business Cases evaluiert.

Abbildung 1: Struktur des Digitalisierungsradars

Abbildung 1 gibt eine Übersicht über die Struktur des Digitalisierungsradars. Zentraler Gedanke ist die Einteilung des Produktlebenszyklus entlang der Wertschöpfungskette in neun konfigurierende Elemente: (1) Requirements, (2) Product Innovation, (3) Product Development, (4) Product Supply, (5) Things Management, (6) Things Visualization, (7) Change Management, (8) Platforms und (9) Collaboration. Gemäss dem Verständnis von Product Lifecycle Management als ganzheitlicher, sozio-technischer Ansatz wird jedes dieser konfigurierenden Elemente in den vier Dimensionen (1) Prozesse, (2) Organisation, (3) Methoden und Tools sowie (4) Key Performance Indicators abgebildet. Dabei erlaubt deren Analyse eine Reifegradbeurteilung in drei aufsteigenden Reifegrad-Levels: (1) Basic, (2) Advanced und (3) Professional.

Abbildung 2: Anwendung des Digitalisierungsradars

Um nun den digitalen Reifegrad eines Unternehmens zu erhöhen, also vom Ist-Zustand über bestimmte Pfade zum Soll-Zustand zu gelangen, wird folgende Vorgehensweise angewendet: In einem ersten Schritt wird mittels eines Fragebogens der Status Quo für jedes konfigurierende Element erhoben. Ein typisches Ergebnis dieser Stufe sind stark unterschiedliche Reifegrade, sowohl zwischen diesen Elementen als auch innerhalb deren Teilbereiche. In einem zweiten Schritt werden im Sinne einer Homogenisierung alle «unreifen» Dimensionen auf den Reifegrad der konstituierenden Dimension nachgezogen. Die Festlegung einer konstituierenden Dimension berücksichtigt dabei die komplexen Abhängigkeiten zwischen den Dimensionen. So müssen zum Beispiel vor einer Weiterentwicklung der Methoden und Tools zunächst die Prozesse auf ein entsprechendes Niveau gebracht werden. Hierzu werden handhabbare Arbeitspakete systematisch in eine Roadmap aufgetragen und umgesetzt. In einem dritten Schritt werden final alle Dimensionen professionalisiert. Hierbei kommt erneut das Konzept des Roadmapping zum Einsatz. Diese Anwendung des Digitalisierungsradars zeigt Abbildung 2 in konzeptioneller Form.

Ausblick: Der Digital Value Proposition Navigator

In der Praxis zeigte der Einsatz des Digitalisierungsradars bei Industrieunternehmen dessen einfache Anwendbarkeit und Nützlichkeit bei der digitalen Transformation des Product Lifecycle Management. Aus wissenschaftlicher Sicht hat sich bestätigt, dass der digitale Reifegrad in weiten Teilen der produzierenden Industrie immer noch sehr gering ist. Weiterhin konnte in diesem Zusammenhang festgestellt werden, dass Unternehmen das detaillierte Wertversprechen eines hohen digitalen Reifegrades häufig unklar ist.

In einem Anschlussprojekt zwischen dem Product Management Center der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) und Dolff, Pyschny & Piper soll daher nicht nur näher erforscht werden, wie man die Produktlebenszyklus-Prozesse digitalisieren kann, sondern auch welche spezifische Wertversprechen sie bieten: Der Digital Value Proposition Navigator.

Ansprechpartner:

Prof. Dr. Rainer Fuchs (rainer.fuchs@zhaw.ch) ist Professor mit Fokus Produktmanagement am Institut für Marketing Management (IMM) der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW).

Thomas Pyschny (thomas.pyschny@dpp-plm.com) ist Gründer und Geschäftsführer von Dolff, Pyschny & Piper, einer Unternehmensberatung im Bereich Product Lifecycle Management.

Ein Rennen gegen die Digitalisierung: Verdrängt künstliche Intelligenz menschliche Übersetzer?

Von Tatjana Gelmetti

Texte auf Knopfdruck übersetzen lassen. Was vor mehreren Jahren noch undenkbar war, ist heute Alltag. Die künstliche Intelligenz (KI) macht das möglich – und verändert damit die ganze Übersetzungsbranche. Doch was auf den ersten Blick verlockend klingt, birgt einige Gefahren.

Innovationsführer sind meistens auch Marktführer. Das haben viele Übersetzungsdienstleister erkannt. Immer mehr ambitionierte Start-ups versuchen, mit originellen Lösungen den Übersetzungsmarkt aufzuwirbeln. Gleichzeitig möchten auch die Grossen ganz vorne mitmischen. Die Konkurrenz ist gross. Wem als Erster der technologische Durchbruch gelingt, wird das Rennen für sich entscheiden. Das scheint das Ziel aller Anbieter zu sein. Und als Schlüssel zum Erfolg winkt die neuronale maschinelle Übersetzung (NMT, Neural Machine Translation).

Übersetzungen boomen und der Markt bietet diverse Möglichkeiten © Pixabay

Mit Innovation zum Durchbruch?

Die grosse Neuheit der NMT besteht darin, dass die Maschine über ein grosses Netzwerk, das nach dem Vorbild des menschlichen Gehirns aufgebaut ist, übersetzen lernt. Die Maschine wird mit zweisprachigen Texten gefüttert und trainiert und speichert Übersetzungsdaten ab. Je grösser die Datenmenge an bestehenden zweisprachigen Texten ist und je genauer die Thematik mit dem zu übersetzenden Text übereinstimmt, desto besser sind die Übersetzungsresultate.

Auf verschiedenen Gratis-Übersetzungsplattformen wie Google Translate und DeepL wird dieses Prinzip bereits angewendet. Diesem Trend möchten jetzt immer mehr Übersetzungsdienstleister folgen. Doch reicht Innovation allein, um auf dem Markt durchzustarten? Es scheint immer schwieriger zu werden, sich von der Konkurrenz zu differenzieren. Denn jeder möchte der Innovativste sein.

Künstlich. Aber auch intelligent?

Die NMT ist einigen Übersetzern jedoch ein Dorn im Auge. Denn damit können Übersetzungen immer schneller verfügbar gemacht werden. Die Produktivität steigt, doch gleichzeitig auch der Druck auf die Preise. Nicht nur fürchten sich Übersetzer vor sinkenden Löhnen, sie sehen auch die Zukunft ihres Handwerks bedroht. Die fortschreitende Digitalisierung und Automatisierung bringen den privilegierten Beruf des Übersetzers je länger je mehr ins Wanken. Wie lassen sich die Preise für Qualität und Fachkompetenz noch rechtfertigen, wenn scheinbar vergleichbare Resultate in viel kürzerer Zeit angeboten werden? Ist es überhaupt noch notwendig, auf professionelle Übersetzer zu setzen, wenn eine Maschine die gleiche Arbeit leisten kann?

Eine Maschine unterstützt, sie ist aber nicht perfekt © Pixabay

Ja, ist es. Gerade in Sachen Qualität hinkt die NMT hinterher. Insbesondere bei der Übersetzung kreativer Marketingtexte, sogenannten Transkreationen, kann die NMT nicht mit menschlichen Übersetzern mithalten. Hier sind Emotionen gefragt. Maschinen sind – zumindest zum jetzigen Zeitpunkt – überfordert, wenn es darum geht, rhetorische Figuren wie Metaphern, Hyperbeln oder Ironie zu übersetzen.

Laut Samuel Läubli, Doktorand am Institut für Computerlinguistik der Universität Zürich, stellen lange und komplexe Sätze eine weitere Knacknuss dar. Die Technologie sei noch nicht so weit, dass komplexe und verschachtelte Sätze in jedem Fall korrekt übersetzt werden können. «NMT-Systeme können momentan nur Sätze fliessend übersetzen – nicht aber ganze Dokumente», betont Läubli. Damit hängt auch das nächste Problem zusammen, die Kohärenz. Da die Sätze nur nacheinander übersetzt werden und der Kontext auf Dokumentebene fehlt, werden zum Beispiel Fachbegriffe nicht kohärent über mehrere Sätze hinweg übersetzt. Diese Ungenauigkeit in der Terminologie ist ein grosser Nachteil bei der Übersetzung von Fachtexten, wo die einheitliche Übersetzung von Fachbegriffen eine grosse Rolle spielt.

Bei Übersetzungen mit NMT-Systemen kann die Kohärenz nicht gewährleistet werden, weil jeder Satz einzeln übersetzt wird. © Samuel Läubli, Universität Zürich

Vorsicht, Datenschutz!

Die grösste Gefahr birgt aber der Datenschutz. Bei Gratis-Übersetzungsplattformen besteht bekanntlich das Risiko, dass vertrauliche Daten in der Cloud abgespeichert und für die Öffentlichkeit zugänglich gemacht werden. Für negative Schlagzeilen sorgte zum Beispiel ein Fall in Skandinavien, als wegen Translate.com sensible Kundendaten im Netz kursierten. Solche Probleme beweisen, dass es doch sinnvoll ist, auf menschliche Übersetzer zu setzen.

Wie sieht die Zukunft aus?

Dass man mit NMT komplett fehlerfreie Übersetzungen erhalten kann, ist bis heute nicht realistisch und wird es auch noch länger nicht sein. Zudem sind Fehler in einem neuronalen Netzwerk nur schwer zu beseitigen, weil die NMT wie eine Blackbox funktioniert und man nicht genau ermitteln kann, wo der Ursprung des Fehlers liegt.

Sicher ist, dass der digitale Fortschritt in den letzten Jahren rasant zugenommen hat – und auch weiter zunehmen wird. Die Ergebnisse im Bereich maschinelle Übersetzung werden sich verbessern. Ob die Maschine einen menschlichen Übersetzer jemals überholen wird, sei jedoch dahingestellt. Um als Übersetzungsdienstleister weiterhin auf dem Markt die Nase vorn zu haben und auf Marktveränderungen reagieren zu können, sollte man seinen USP und seine Positionierung stets überdenken. Neue Dienstleistungen wie Pre-Editing und Post-Editing, die auf die Vor- und Nachbearbeitung maschinell übersetzter Texte abzielen, werden in Zukunft boomen. Die Frage ist also nicht, ob man NMT beim Übersetzen anwenden soll, sondern wie.

Über die Autorin

Tatjana Gelmetti ist ausgebildete Linguistin und liebt Fremdsprachen. Sie wohnt in Dübendorf und hat an der ZHAW in Winterthur ihr Bachelorstudium in Übersetzen absolviert. Zurzeit besucht sie den CAS Marketing & Corporate Communications an der ZHAW. Ihre Leidenschaft für Sprachen hat sie zum Beruf gemacht. Tatjana arbeitet als Projektleiterin bei Supertext AG, einer Übersetzungs- und Textagentur. Der digitale Fortschritt, der sich auch in ihrem Arbeitsumfeld bemerkbar macht, beschäftigt sie sehr.