Durch Kaffee Predictive Analytics verstehen

Predictive Analytics – ein gehyptes Buzzword rund um Digitalisierung und Industrie 4.0, oder doch eine Überlegung wert?

Viele Überlegungen gehen in folgende Richtungen:
– Was kann ich damit in meinem Unternehmen anfangen,
– das brauche ich nicht,
– es ist doch viel zu komplex.
Das sind die typischen Vorbehalte, die der Thematik entgegentreten.

Deshalb haben wir uns gesagt – bringen wir Licht ins Dunkle und erklären es an dem Lieblingsdrink schlechthin – dem Kaffee.

Was macht eigentlich einen guten Kaffee aus? Hierzu haben wir den charismatischen Experten Antonino eingeladen.

Im folgenden Video erklärt uns Antonino, was einen guten Kaffee ausmacht:

Nun da wir wissen, was den besten Kaffee ausmacht, fassen wir nochmals zusammen, welche Faktoren auf die Qualität einen Einfluss haben und welche hiervon am relevantesten sind.

Die Faktoren für einen guten Kaffee*:

  • Qualität & Herkunft der Bohnen
  • Mahlung
  • Röstung
  • Zusammensetzung des Wassers
  • Wassertemperatur
  • Pumpendruck
  • Tassenform

*Zum einfacheren Verständnis wurden nur einige Werte berücksichtigt.

Auf Basis dieser Faktoren lässt sich eine einfache Tabelle erstellen, in der für jeden Kaffee ausgewertet wird, welche exakten Werte verwendet wurden. Die Aufnahme dieser Daten ist im Hausgebrauch relativ begrenzt. In der Produktion würden hierfür exakte Sensoren verwendet werden. Zu diesen Werten wird die Qualität (Geschmack) korreliert, wie in der Tabelle auf der rechten Seite zu sehen ist.
Auf dieser Basis erhalten wir also einen direkten Zusammenhang zwischen den Fertigungsparametern und der Qualität, also dem Geschmack. Dieser basiert natürlich auf individueller Basis. Und diese Informationen sammeln wir nun über längere Zeiträume.

Somit ist die Vorarbeit für das Verfahren „Predictive Analytics“ geleistet. In diesem Verfahren sprechen wir nicht von Einflussfaktoren und der Qualität, sondern von unabhängigen und abhängigen Variablen. In unserem Fall wären die abhängigen Variablen die Einflussparameter (Röstung, etc.) und die unabhängige Variable ist die Qualität – sprich schmeckt der Kaffee oder nicht?

Über die vorhandene Datenbasis – also die gesammelten Informationen, wie in der Tabelle zu sehen ist, können nun Methoden des maschinellen Lernens laufen. Diese Methoden haben so „melodische“ Bezeichnung, wie K-Nearest-Neighboor, Support Vector Machine oder Bayesian Network. Einfach erklärt, erkennen diese Methoden Muster in den vorhandenen Daten. Das bedeutet, dass sie erkennen, dass in bestimmten Kombination der unabhängigen Variablen ( Fertigungsparameter / Röstung, usw.) die abhängige Variable (Geschmack / Qualität) ein gutes Ergebnis liefert.

Basierend auf den erkannten Mustern kann somit, mit zunehmenden Daten, immer spezifischer ermittelt werden, welche Rezeptur (die Wertebereiche der jeweiligen Fertigungsparameter) den besten Kaffee ergibt.

Über „Predictive Analytics“ werden also, basierend auf historischen Daten, Prognosen erstellt. Um noch einen Schritt weiterzugehen, soll uns dieses Verfahren nun nicht nur sagen, dass mit den jetzigen Einstellungen der Kaffee schlecht werden würde. Spätestens beim Trinken würden wir es sehr schnell selbst merken. Wir wollen während der Zubereitung wissen, was wir genau bei dem aktuellen Schritt besser machen können, falls etwas nicht optimal läuft.

Hierfür werden die wichtigsten Einflussfaktoren über eine Parametervariation (mehr dazu im nächsten Artikel) aufgenommen. Sprich – die Fertigungsparameter, wie zum Beispiel die Wassertemperatur. Sind diese Paramater erkannt, kann während der Zubereitung nun ein Signal ausgegeben werden. Dieses Signal gibt dann an, dass beispielsweise die Wassertemperatur erst bei 88° Celsius ist und noch nicht aufgebrüht werden darf.

Wir haben nun also gelernt, wie wir durch „Predictive Analytics“ nie wieder einen schlechten Kaffee zubereiten. Und für die Fertigung soll es auch ganz nützlich sein – natürlich der Kaffee. 😉

Benötigen Sie Unterstützung – wir helfen Ihnen gerne.

Recommend
  • Facebook
  • Twitter
  • Google Plus
  • LinkedIN
Share
Tagged in