Predictive Maintenance im Bahnbetrieb: Warum die Daten nicht das Problem waren

1. 01

   Warum Governance — nicht Tech — in Konzernen regelmäßig der eigentliche Engpass ist

2. 02

   Wie 3 Monate offene Vorhersage-Historie mehr Vertrauen schaffen als jede Modell-Erklärung

3. 03

   Wann Schatten-Läufe legitim sind — und wann sie die Verhandlungen beschleunigen

4. 04

   Warum Werkstattleiter Entscheider bleiben sollten — auch mit ML-Modell daneben

Ungeplante Ausfälle einer Flotte verursachten allein in 12 Monaten siebenstellige Folgeschäden. Die Werkstätten arbeiteten mit 14 lokalen Datenständen, jede mit eigener Auswertung. Übergreifende Muster blieben unsichtbar. Erste Versuche eines Predictive-Modells scheiterten an Datenqualität — vermutete man.

Statt direkt ein Modell zu trainieren, haben wir zuerst die Datenfreigabe-Wege analysiert. Es zeigte sich: Die Daten waren da. Aber jede Werkstatt brauchte eine eigene Genehmigung, sie freizugeben. Erst diese Governance-Kette wurde aufgelöst — danach lief das Modell in 6 Wochen.

1. 1
   Phase 1 · Governance-Mapping

   Identifikation aller 14 Datenfreigabe-Wege. Aufbau einer einzigen, übergreifenden Freigabe-Architektur in Abstimmung mit Konzern-Datenschutz.

2. 2
   Phase 2 · Daten-Konsolidierung

   Zusammenführung der 14 lokalen Datenstände in ein zentrales Lake. Bereinigung im Hintergrund — nicht als Vorbedingung.

3. 3
   Phase 3 · Modell-Training

   Predictive-Modell auf 4 Jahre Wartungshistorie. Erste belastbare Vorhersagen nach 6 Wochen.

4. 4
   Phase 4 · Werkstatt-Integration

   Wartungs-Kalender wurde mit Vorhersagen angereichert. Werkstattleiter sahen die Empfehlung, blieben aber Entscheider.

• ⌇

  Datenfreigabe-Verhandlungen dauerten 14 Monate — länger als das gesamte technische Projekt.

• ⌇

  Werkstattleiter misstrauten initialen Vorhersagen — bis wir 3 Monate Vorhersage-Historie offen neben den realen Ausfällen zeigten.

• ⌇

  Das Modell war anfangs zu konservativ und hat zu oft alarmiert — wir mussten die Schwellen mit Werkstatt-Erfahrung nachjustieren.

• 01

  In etablierten Konzernen ist Governance regelmäßig der eigentliche Engpass, nicht die Technik.

• 02

  Vertrauen entsteht durch Transparenz: 3 Monate offene Vorhersage-Historie hat mehr bewirkt als jede Modell-Erklärung.

• 03

  Werkstattleiter als Entscheider zu lassen war richtig — sie tragen die Verantwortung im Realbetrieb.

Predictive-Modell läuft auf konsolidierter Datenbasis aller Werkstätten. Ungeplante Ausfälle sanken um 27 % pro Flotteneinheit, geplante Wartungsfenster konnten um durchschnittlich 9 % verlängert werden. Die Governance-Architektur dient inzwischen als Vorlage für drei weitere konzernweite Datenprojekte.