Case Study: KI im Produkt
Neuartige Kaffeevollautomaten
fürs B2B-Segment
Hintergrund
Ein schwäbischer Produzent von Kaffeevollautomaten möchte bei der neuen Serie für das B2B-Segment den Innovationsgrad deutlich steigern. Die Maschinen werden bereits zu einem Teil an Cafés und Restaurants vermietet.
Der Hersteller will sich sowohl technologisch wie auch über das Nutzungserlebnis deutlich vom Wettbewerb abheben. Konzeptionell befindet man sich noch in einem frühen Stadium. Limitierende Faktoren bilden das Pricing-Niveau sowie die üblichen B2C-kongruenten Generationszyklen (Timing).
Unser Vorgehen
Die Vielschichtigkeit der Aufgabe erfordert den Einbezug einer Vielzahl von Abteilungen und Interessengruppen, die letztendlich auch die Zukunftsoptionen abbilden. Gemeinsam wird zudem eine technologische und wirtschaftliche Einordnung in die Wettbewerbslandschaft vorgenommen. Die Prüfung und Evaluation möglicher Einzeltechnologien erlauben die Ableitung konkreter Gesamtkonzepte, die umfassende Kundenstrukturen (u. a. Kompetenzen, Constraints) und -prozesse sowie die Zielgruppe mit einbeziehen. Solche Konzepte beinhalten auf technischer Seite sowohl neue Einzelfunktionalitäten als auch ganze Systemarchitekturen für neue Anwendungsfälle und Produktionsweisen.
Unsere Lösung
Die Analysen und der Kundendiskurs ergaben ein Beibehalten der technisch geprägten und hochwertigen Gesamtausrichtung der Serie, die noch intensiver auf den Verleihmarkt setzen und sich durch einige USPs im Markt absetzen sollte. Ein datengetriebenes Pyramiden-Leasingmodell mit entsprechenden P/PM-Komponenten und Sensoren erschien für den Anwendungszweck und die Zielgruppe passend.
Kritische Ausfallkomponenten wie die Kaltwasserpumpe oder die Satzträger-Transportvorrichtung wurden ins Predictive-Maintenance-Konzept eingebettet. Durch die Integration von Ultraschallsensoren in die Bohnenbehälter kann fortan der Bohnenfüllstand bei schiefer Oberfläche genau erfasst werden. Für die intuitive Steuerung wird eine Time-of-Flight- bzw. kapazitive Technologie eingesetzt. Die KI-gestützten Elemente erkennen Gesten vor der Maschine. Diese Technologie erschien einer Stichwortspracherkennung in diesem User-Experience-Fall überlegen. Der Nutzer kann damit beispielsweise durch Winken nach rechts oder links die Spezialitätenauswahl vornehmen.
Ausblick
Durch fortdauernd neue Daten und Konstruktionsweisen werden die Algorithmen bei neuen Maschinen immer wieder durch Updates verbessert, sodass die Systeme stets höchstmögliche Erkennungsraten aufweisen.
Die technologische Integration neuer Produktmerkmale in Folgegenerationen gestaltet sich aufgrund der gewählten erweiterbaren Systemarchitektur einfach. Angedachte Erweiterungen sind die Integration einer kostengünstigen Kamera und/oder eines robusten mmWave-3-D-Radars mitsamt individualisierten Machine-Learning-Modellen. So könnten Tassen und Tassengrößen automatisch erkannt und Fehlbedienungen sowie falsche Positionen durch ein User-Feedback vermieden werden.