Sadush Zeqiri: Data Science bei wienerberger

Es ist eine echte Herausforderung, die Sadush Zeqiri und ihr Team angehen. Seit 2022 arbeitet sie als Data Scientist bei wienerberger daran, aus großen Datenmengen nützliche Erkenntnisse zu ziehen. Das Ziel ist eine datengetriebene Produktionsoptimierung: Durch data based decision making soll die Produktion intelligenter, effizienter und zukunftsfähig werden. 

Auf dem Weg zur Smart Factory 

Der Wandel hat längst begonnen – und das Potenzial ist enorm. „Unsere Aufgabe ist es, die digitale Transformation bei wienerberger voranzutreiben. Dabei verfolgen wir drei Hauptziele: Die Reduktion von Stillständen, die Verbesserung unserer Produktqualität und die Einsparung von Material", erklärt Sadush Zeqiri. Wie das in der Praxis aussieht, lässt sich anhand von drei Beispielen veranschaulichen:

• Stillstand vermeiden: Mithilfe der gesammelten Daten können die operativen Teams Muster und Ursachen für Ausfälle erkennen. Sie können rasch eingreifen und längere Unterbrechungen in der Produktion vermeiden.
• Ausschuss verringern: Aus den Daten werden automatisch relevante Kennzahlen berechnet, die dabei helfen, Qualitätsabweichungen frühzeitig zu erkennen. So kann rechtzeitig gegengesteuert werden, bevor noch mehr Material verschwendet wird.
• Ressourcenverbrauch reduzieren: In der Rohrproduktion der Lösungsmarke Pipelife helfen sogenannte Mass-Balance-Dashboards dabei, den Materialverbrauch zu kontrollieren. Sie zeigen, wenn zu viel oder zu wenig Material verwendet wird. Beides ist problematisch: Das eine treibt die Kosten in die Höhe, das andere gefährdet die Produktqualität. Mithilfe der Dashboards konnte der Materialeinsatz im Pipelife-Werk ohne Kompromisse bei der Qualität bisher deutlich gesenkt werden.

Mit Data Science zu mehr Nachhaltigkeit und Kostenreduktion 

Fragt man Sadush Zeqiri nach dem größten Potenzial ihrer Arbeit als Data Scientist bei wienerberger, ist die Antwort klar: Energieoptimierung durch Data Science. Denn hier liegt auch ein wichtiger Hebel, um die Nachhaltigkeitsziele des Unternehmens voranzubringen. Datenanalysen zu Material- und Energieverbrauch liefern dabei nicht nur wertvolle Einblicke, sondern bieten auch die Grundlage, um Ressourcen zu sparen und CO₂-Emissionen wirksam zu reduzieren.

„Die Daten zeigen uns, wie wir den Materialeinsatz optimieren, den Energieverbrauch in der Produktion senken und in Folge unsere CO₂-Emissionen reduzieren können“, führt Sadush Zeqiri aus.

Ein erster Anwendungsfall wurde bereits umgesetzt: In einem Werk in Polen berechnet ein KI-Modell, unter welchen Bedingungen Produkte mit möglichst niedriger Energie und gleichzeitig hoher Qualität gebrannt werden können. So lässt sich die Energieeffizienz im Brennofenprozess optimieren und der CO₂-Ausstoß senken. 

Kleines Team, große Herausforderung

Bevor Daten einen Mehrwert schaffen können, müssen sie zunächst gesammelt, verarbeitet und auf unserer zentralen Datenplattform, nämlich Databricks, intelligent verknüpft werden.

Eine Herausforderung für das Data-Science-Team, das inklusive Sadush Zeqiri aus drei Personen besteht. Denn die Realität ist alles andere als homogen. „Wir sammeln Daten von mehr als 50 Standorten. Sie kommen aus verschiedensten Quellen, in verschiedensten Formaten, oft mit uneinheitlichen Bezeichnungen“, schildert die Expertin. Das Team steht vor drei großen Herausforderungen: 

1. Dezentralisierte Datenquellen: Die Informationen werden lokal in unterschiedlichen Systemen gespeichert. „Es ist eine große Herausforderung, sie zentral zusammenzuführen“, sagt Sadush Zeqiri.
2. Uneinheitliche Bezeichnungen: „Oft gibt es in den verschiedenen Ländern, in denen wir tätig sind, unterschiedliche Bezeichnungen von Sensorwerten. Das erschwert eine Standardisierung“, erklärt Sadush Zeqiri. 
3. Komplexe Integration großer Datenmengen: Als Team von nur drei Personen stoßen Sadush Zeqiri und ihre Kollegen bei der großen Verarbeitungsmenge von Millionen von Datenpunkten an ihre Grenzen.

Doch welche Daten benötigt Sadush Zeqiri überhaupt für ihre Arbeit? 

„Für die aktuellen Anwendungsfälle stützen wir uns auf Daten aus dem Manufacturing Execution System (MES). Damit können wir strukturierte, standardisierte Informationen erfassen, Produktionspläne visualisieren und Kontext für Produktionsaktivitäten bereitstellen. Dazu gehören die Erfassung von Schichtdetails, Aufträgen, Ausfallzeiten, Produktionsmengen und Qualitätskennzahlen. Außerdem erfassen wir Daten von Maschinensensoren, wie Temperaturmessungen, Förderbandgeschwindigkeiten und eine Vielzahl anderer Betriebsparameter.“

Vom Problem zum Anwendungsfall

Vor jedem Projekt stellen sich für Sadush Zeqiri drei zentrale Fragen:

1. Business Impact: Welchen konkreten Nutzen soll das Projekt bringen?
2. Verfügbarkeit: Sind die nötigen Daten überhaupt vorhanden und zugänglich?
3. Strategische Relevanz: Passt das Vorhaben zu den strategischen Zielen von wienerberger?

Diese Fragen helfen dabei, aus Ideen umsetzbare Anwendungsfälle zu entwickeln. Dabei arbeitet das Data-Science-Team eng mit den Produktionsteams zusammen. Denn nur mit deren Erfahrung und Praxiswissen lassen sich sinnvolle und realisierbare Anwendungsfälle finden.

„Der Austausch mit den Produktionsmitarbeitenden ist entscheidend. Sie kennen die Maschinen, die täglichen Herausforderungen und die Grenzen der Praxis“, erklärt Sadush Zeqiri. „Für jeden Use Case starten wir zunächst ein Pilotprojekt. So sehen wir schnell, ob die Idee funktioniert – und welchen echten Mehrwert sie liefert.“

Großer Nutzen im operativen Betrieb

Dabei weiß Sadush Zeqiri ganz genau: „Daten sind nur dann wertvoll, wenn sie verstanden und genutzt werden.“ Sie nimmt daher auch die Rolle als Brückenbauerin ein: zwischen abstrakter Datenanalyse und den Anforderungen des operativen Betriebs.

Vor allem zu Beginn ihrer Zeit bei wienerberger hat sie Mitarbeitende im Umgang mit Dashboards geschult und ihnen gezeigt, wie sie aus diesen relevante Daten für ihre Entscheidungen ziehen können.

Mittlerweile ist der Einsatz datenbasierter Tools bei wienerberger aus dem Alltag nicht mehr wegzudenken. Über die Dashboards können die Produktionsmitarbeitenden einfach und auf einen Klick unterschiedlichste Parameter wie Liniengeschwindigkeit, Maschinenlaufzeiten oder Ausschussquoten über den Zeitverlauf abrufen und die Produktionsprozesse danach ausrichten.

„Die Teams greifen vor allem in den täglichen Frühbesprechungen auf die Daten zurück, um zu prüfen, wie die Produktion am Vortag gelaufen ist. Die Daten bringen mehr Transparenz in die Prozesse und unterstützen dabei, schnelle und fundierte Entscheidungen zu treffen“, erzählt Sadush Zeqiri. 

Machine Learning in der Fertigung

Zusätzlichen Schub erhält Sadush Zeqiris Arbeit durch Technologiepartnerschaften, wie jene mit dem Datenanalysten SAS. „Hier erhalten wir Unterstützung dabei, Data Science in der Produktion umzusetzen“, erzählt sie. So hat SAS wienerberger bei der Energieoptimierung im Brennofenprozess mit Machine Learning unterstützt.

Weitere Anwendungsfälle – etwa intelligente Monitoring-Systeme – sind in Aussicht. In Zukunft sollen bei wienerberger verstärkt Machine-Learning-Modelle in der Produktion zum Einsatz kommen. 

Wartungsqualität: Vorhersage und Kontrolle

Durch die Nutzung von Echtzeitanalysen der Prozessparameter kann die Produktqualität während der Produktion prognostiziert werden, sodass Abweichungen frühzeitig erkannt werden können. „Dadurch können wir sofort Korrekturmaßnahmen ergreifen, Ausschuss reduzieren und eine gleichbleibende Produktqualität sicherstellen." sagt sie. 

Produktionsplanung optimieren

Als dritten Bereich mit großem Zukunftspotenzial für Data Science nennt Sadush Zeqiri die datengetriebene Optimierung der Produktionsplanung: Daten aus Auftragsmanagement, Schichtplanung, Instandhaltung und Lagerlogistik werden zusammengeführt und ausgewertet, um Bestellungen besser zu planen, Wartungsbedarf frühzeitig zu erkennen und Materialengpässe zu vermeiden.

Das verbessert die Liefertreue. „Die nächste Stufe wäre, das alles zu automatisieren“, skizziert Sadush Zeqiri in Hinblick auf die Zukunft.

Mit dieser klaren Zukunftsagenda vor Augen gestaltet Sadush Zeqiri die digitale Transformation bei wienerberger maßgeblich mit. Ihr Wissen und ihr Engagement machen sie zu einer treibenden Kraft für eine Industrie, die effizienter und nachhaltiger produziert. Denn Data Science ist nicht nur Analyse – sie ist der Schlüssel zu einer neuen industriellen Realität.

Erfahren Sie mehr über die Tätigkeit erfolgreicher Frauen bei wienerberger in unserem Blogbeitrag Barrieren durchbrechen: Erfolgreiche Frauen in männlich dominierten Bereichen bei wienerberger