Denken Sie an die Daten, die Gepäckabfertigungsanlagen generieren. All die Daten, die für Betriebsinformationen unerlässlich sind. Wie nützlich und wertvoll könnten sie sein, wenn sie analysiert würden, um Trends aufzudecken und den Gepäckabfertigungsprozess an einem Flughafen besser zu verstehen.
Hinweis: Dieser Text wurde ursprünglich auf Englisch verfasst und mithilfe von KI übersetzt.
Von Per Engelbrechtsen
Datenanalysen sind zu einem wesentlichen Bestandteil aller Geschäftsabläufe geworden, und Gepäckabfertigungsanlagen bilden da keine Ausnahme. Ein datengesteuerter Ansatz für Gepäckabfertigungsanlagen birgt ein enormes Potenzial für Einsparungen bei den Betriebskosten (OPEX), da er eine größere Transparenz der Abläufe ermöglicht.
Das Sammeln und Speichern großer Informationsmengen – oft als Big Data bezeichnet – zur Analyse kann an jedem Punkt der Gepäckabfertigungsanlage erfolgen. Die Echtzeitanalyse dieser Daten kann dann die Entscheidungsfindung in allen Organisationseinheiten unterstützen:
Durch Datenanalysen können Flughäfen aussagekräftige Einblicke in ihre Gepäckabfertigungsprozesse gewinnen, die es ihnen ermöglichen, ihre Leistung und Prozesse zu optimieren.
Aber wie ermöglichen Datenanalysen die Optimierung des Prozesses der Gepäckabfertigungsanlage? Nun, es gibt eine Reihe von Möglichkeiten, wie Analysen von Daten dazu beitragen können, die Betriebskosten der Gepäckabfertigung zu senken.
Hier sind drei Beispiele, wie Sie Datenanalysen nutzen können, um die Betriebskosten zu senken:
Datenanalysen können auch eine vorausschauende Wartung für ungeplante Reparaturen ermöglichen, die erforderlich sind, wenn ein Systemausfall einen Alarm auslöst. Es ist möglich, diese reaktiven Reparaturen durch den Einsatz von Datenanalysen zu minimieren, die die Wartungsplanung verbessern können. So können beispielsweise Wartungsmitarbeiter eine vorausschauende Wartung auf der Grundlage von Daten und Echtzeitleistung durchführen, anstatt einer Wartung auf der Grundlage von Routinen oder Zeitplänen. Teile einer Gepäckabfertigungsanlage können einen Leistungsabfall von fünf Prozent erleiden, den niemand durch bloße Beobachtung der Anlage oder des Outputs feststellen könnte. Mit prädiktiven Datenanalysen muss das niemand: Die Daten halten sie auf dem Laufenden.
Datengesteuerte Wartung kann die Wartungsarbeiten optimieren, da das System nur dann inspiziert werden muss, wenn die Daten dies genau anzeigen. Dies liegt daran, dass Datenanalysen es den Wartungsmitarbeitern des Flughafens ermöglicht haben, von einem kalender- oder messgerätebasierten Ansatz zur Identifizierung von Elementen und Komponenten, die für eine Inspektion fällig sind, zu einem Ansatz überzugehen, der die vorausschauende Wartung nutzt. Datenanalysen ermöglichen es den Gepäckabfertigungsteams des Flughafens, Wartungsbedürfnisse vorherzusagen, darauf zu reagieren und sie zu verhindern, bevor eine Einheit ausfällt. Die Daten bieten einen einfachen Überblick über aktive Probleme innerhalb verschiedener Elemente und Arten von Einheiten und weisen vorausschauend auf die spezifischen Teile der BHS hin, die inspiziert werden müssen.
Lesen Sie mehr: „5 ways to reduce costs and improve operational efficiency in baggage handling“.
Datenanalysen können Trends aufdecken, die für die Feinabstimmung von Abläufen nützlich und wertvoll sein können. Sie können beispielsweise Aufschluss darüber geben, warum Koffer falsch sortiert werden. Sie können die Bediener auch informieren, um Engpässe vorherzusagen und zu verhindern. Durch Datenanalysen können schlechte Betriebs- oder Planungsgewohnheiten transparent werden. Während die Bediener die Muster in ihren täglichen Abläufen nicht unbedingt erkennen, können Datenanalysen Trends im Laufe eines Jahres identifizieren. Selbst geringfügige Leistungsverbesserungen werden einen erheblichen Unterschied bei den Kosten ausmachen.
Datenanalysen können bei der operativen Prognose helfen, z. B. bei der Vorbereitung auf Spitzenzeiten und der Bereitstellung eines Überblicks über die Wartung. Sie ermöglichen es dem Management, den gesamten BHS-Betrieb auf der Grundlage von datengestützten Erkenntnissen zu strukturieren, die sonst nicht erkannt würden. Durch den Vergleich von Daten aus früheren Gepäckabfertigungs-„Produktionstagen“ und die Prognose zukünftiger Produktionen kann das Management aus früheren Erfahrungen lernen, um zukünftige Abläufe zu verbessern und die beste Nutzung der Ressourcen festzulegen. Das Management wird in der Lage sein, jeden Aspekt seiner Abläufe zu prognostizieren, wie z. B. Gepäckvolumen, Spitzenvolumen und Wartungsbedarf. Datenanalysen geben dem Management die einmalige Gelegenheit, die Zukunft zu planen und seine Betriebs- und Wartungsressourcen auf der Grundlage dieser Echtzeit- und transparenten Erkenntnisse zu optimieren.
In Zukunft muss das Management von Flughafen-BHS besser darin werden, aus Erfahrungen zu lernen und die zukünftige Gepäckabfertigung zu planen. Um dies zu erreichen, ist jedoch eine detaillierte und genaue Bewertung der vergangenen und zukünftigen Produktion erforderlich.
Glücklicherweise ist dies genau das, was Datenanalysen leisten.
Unternehmen setzen zunehmend Technologien des maschinellen Lernens ein, um Datenanalysen auf eine andere Ebene zu heben. Auch in Gepäckabfertigungsanlagen hat maschinelles Lernen das Potenzial, eine große Rolle bei der Reduzierung der OPEX-Kosten zu spielen. Oft sind traditionelle Datenanalysen statisch und begrenzt, wenn es um schnell wechselnde und unstrukturierte Daten geht. Es kann beispielsweise erforderlich sein, Korrelationen zwischen Dutzenden von Sensoreingängen und externen Faktoren zu identifizieren, die schnell Millionen von Daten erzeugen.
Durch das Lernen aus den Daten und das Erkennen von Mustern ermöglicht maschinelles Lernen dem System, Entscheidungen mit minimalem menschlichen Eingriff zu treffen. Es kann verwendet werden, um Bediener bei schnelleren und besseren Entscheidungen zu unterstützen. Maschinelles Lernen erfordert nach wie vor menschlichen Input und die kognitiven Fähigkeiten, die sie mitbringen. Maschinelles Lernen, das eine KI-basierte Kategorie ist, kann jedoch zu Decision Science und maschinenbasierten – anstelle von menschenbasierten – Vorschlägen zur Lösung von Problemen führen (bevor sie auftreten). Das System verfügt über die Erfahrung (maschinelles Lernen), die es „weise“ genug macht, um die „adaptive Geschwindigkeitsregelung“ für das BHS-Kontrollteam und das Management zu sein, um eine Parallele zur Automobilwelt zu ziehen.
Nur ein Bruchteil der riesigen Datenmengen, die an Flughäfen gesammelt werden, wird derzeit verwendet, um zum strategischen und operativen Entscheidungsprozess beizutragen. Dennoch haben die Daten, die von einer Gepäckabfertigungsanlage gesammelt werden, viel über die Leistung, den Zustand und die Effizienz eines Systems zu verraten. Datenanalysen können nützliche Erkenntnisse liefern, die Daten in einen wertvollen Vermögenswert verwandeln können, den Flughäfen dann nutzen können, um ihre Gepäckabfertigungsanlagen zu optimieren.
