Industrie 4.0 kann Kreditwürdigkeit positiv beeinflussen

Studie des Finanzdienstleisters Creditshelf Industrie 4.0 kann Kreditwürdigkeit positiv beeinflussen Der Mittelstand öffnet sich immer mehr den Themen Industrie 4.0 und Digitalisierung: Das geht aus einer Umfrage des Finanzdienstleisters Creditshelf […]

Studie des Finanzdienstleisters Creditshelf

Industrie 4.0 kann Kreditwürdigkeit positiv beeinflussen

Bild: creditshelf GmbH

Der Mittelstand öffnet sich immer mehr den Themen Industrie 4.0 und Digitalisierung: Das geht aus einer Umfrage des Finanzdienstleisters Creditshelf unter rund 250 Finanzentscheidern aus mittelständischen Industrieunternehmen hervor. So haben in 2019 bereits 86 Prozent der befragten Unternehmen Echtzeit-Daten erfasst, um diese im Sinne einer Industrie 4.0 zu nutzen. Gegenüber 2017 ist das ein Anstieg um 9 Prozent.


Rund ein Drittel (53 Prozent) der Befragten und damit 10 Prozent mehr als im Vorjahr, rüsten ihre an Kunden ausgelieferten Produkte – zumindest teilweise – so aus, dass ihnen die wichtigsten Betriebsdaten (z.B, Laufzeiten oder Verbrauchswerte) zur Verfügung stehen. Diese Daten werden dann im Rahmen von Service- und Wartungsverträgen genutzt. Dreiviertel der für die Creditshelf-Studie Befragten setzen zudem selbst Anlagen, Maschinen oder Geräte ein, die Daten zu diesem Zweck an den Hersteller liefern.

Daten für Kreditgeber

„Durch die laufenden Nutzungsdaten kann der Anlagenbauer mögliche Probleme oder Ausfallzeiten beim Kunden frühzeitig erkennen. Er kann gegensteuern, noch bevor eine Krise oder ein Produktionsstopp eintritt“, sagt Dr. Daniel Bartsch, Vorstand bei Creditshelf. „Eine reibungslose Produktion und Planungssicherheit im laufenden Betrieb können sich positiv auf das Rating bezüglich der Kreditwürdigkeit eines Unternehmens auswirken. Damit haben sie durch die Digitalisierung der Produktion auch einen potenziellen Vorteil bei der Finanzierung künftiger Investitionsprojekte“, so Bartsch weiter. 91 Prozent der befragten Industrieunternehmen würden ihre Daten sogar Kreditgebern zur Verfügung stellen, um diese von einer geplanten Investition zu überzeugen, so die Studie. Mehr als die Hälfte der Befragten erhofft sich dadurch einen niedrigeren Zinssatz, eine schnellere Kreditentscheidung, eine flexiblere Laufzeit oder weniger Bürokratie. Ein Drittel der befragten Unternehmen arbeitet derzeit daran, bei Finanzierungsentscheidungen ein Modell zu nutzen, das industrielle Daten wie Verbrauchswerte, Durchlaufzeiten, Ausschussquote oder Reklamationen in einen Zusammenhang zu ihren Finanzkennzahlen stellt.

Nachholbedarf in der Qualifikation

Mehr als die Hälfte hat bereits so ein Modell im Einsatz. Davon bestätigen 97 Prozent, dass sich dadurch die Qualität der Finanzierungsentscheidungen verbessert hat. Nachholbedarf sehen die Unternehmen allerdings in der Qualifikation ihrer Mitarbeiter: beim Auswerten digitaler Daten der eigenen Maschinen oder der externen Geräte beim Kunden. Nur rund die Hälfte der befragten Mittelständler gibt ihren Mitarbeitern die Note ‚gut‘ oder ’sehr gut‘. Dieser Wert hat sich gegenüber 2017 kaum verändert. Ein ähnliches Stimmungsbild zeichnet sich bei der Bewertung der Hausbanken ab: Lediglich 44 Prozent der Befragten trauen es ihrer Bank zu, Industrie-4.0-Daten im Rahmen einer Finanzierung auszuwerten. Furcht vor Wandel bremst Investitionen.

Seiten: 1 2Auf einer Seite lesen

Thematik: Zahlenfutter
|
creditshelf GmbH
www.creditshelf.com

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige