Wir analysierten Marktbedürfnisse und befragten Knowledge Manager.
Wir haben den Funktionsumfang für das MVP definiert und die Prioritäten für Design und Entwicklung festgelegt
Wir haben die erste Iteration entworfen und interviewbasierte Tests im Team und mit Testnutzern durchgeführt.
Wir haben das MVP mit den Kernfunktionen entwickelt und die Website gelauncht.
Wir analysierten Marktbedürfnisse, Kundenprobleme und entwickelten ein Geschäftsmodell.
Definierung von High-Priority Funktionen in Zusammenarbeit mit Stakeholdern und Erstellung von Wireframes
Design einer benutzerfreundlichen Oberfläche, und Entwicklung des Backends.
Einführung des MVPs mit Pilotkunden, deren Feedback zur Produktverfeinerung und Funktionsvalidierung genutzt wurde.
Benutzer- und Stakeholderforschung durch die Verwendung von Personas, User Journey Maps und Interviews.
Definition der Wertschöpfung, Geschäftsmodell und Planung.
Definition des Funktionsumfangs für das MVP, Spezifikation der Funktionalität und Sammlung von Feedback
Technische Machbarkeit, Aufwandseinschätzung und Implementierungsplanung
Durchführung von Interviews mit Fachleuten, um Schmerzpunkte in den manuellen Arbeitsabläufen zu identifizieren
Entwurf der ersten Prototypen zur Validierung des Konzepts
Durchführung von Interviews zur Sammlung von Feedback und Identifizierung von Problemen
Entwicklung eines MVP und Veröffentlichung für den ersten Nutzer, um Feedback zu sammeln
Mitarbeiter verbrachten übermäßig viel Zeit mit der Verarbeitung unstrukturierter Texte aus komplexen Dokumenten, die oft bis zu 300 Seiten lang waren.
Hohe Genauigkeitsanforderungen unter engen Fristen führten zu häufigen Fehlern und verpassten Chancen. Bis zu 30 % der Unternehmen wurden aufgrund von Fehlern von Ausschreibungen disqualifiziert.
Obwohl GAEB-Formate zunehmend verwendet werden, bleiben viele Dokumente in inkonsistenten PDF-Formaten, was die manuelle Zuordnung mühsam macht.
Das Fehlen strukturierter Trainingsdaten behinderte anfangs die Anwendung von Machine-Learning-Modellen.
Gemeinsam haben wir das IoT-Maschinenüberwachungstool Notify entwickelt. Wir haben das Produkt konzipiert und eine Go-to-Market-Strategie erarbeitet. Der Kern war der Aufbau einer Echtzeit-API für Maschinendaten, Aggregation von Produktionsdaten und Anzeige der Ergebnisse in einem attraktiven Frontend.
NETZSCH Notify überwacht kontinuierlich Parameter wie Temperatur, Druck und Vibrationen und sendet sofortige Benachrichtigungen, wenn diese die sicheren Betriebsbedingungen überschreiten.
Das System nutzt historische Datenanalysen, um Wartungsbedarf vorherzusagen, Ausfallzeiten zu minimieren und die Lebensdauer der Geräte zu verlängern. Notify erkennt Ineffizienzen und schlägt Optimierungen zur Produktivitätssteigerung vor.
Intuitive Dashboards und Berichte präsentieren Maschinendaten klar, sodass Betreiber schnell fundierte Entscheidungen treffen können.
Betreiber haben die Möglichkeit, von jedem Gerät aus auf Maschinendaten zuzugreifen, was eine schnellere Reaktion und effizientere Verwaltung ermöglicht.
Wir haben die Lösung innerhalb des Zeit- und Budgetrahmens entwickelt und dabei komplexe Maschinendaten aus Produktionsumgebungen in einem ansprechenden Frontend verarbeitet. Innerhalb von sechs Monaten wurde das erste MVP an NETZSCH-Kunden ausgeliefert und innerhalb des ersten Jahres waren 50 Kunden an Bord.
"Es war eine wahre Freude, mit triebwerk.ai zu arbeiten. Das Team war sehr professionell und hat das gesamte Projekt pünktlich und innerhalb des Budgets durchgeführt und ein voll funktionsfähiges MVP und eine begleitende Geschäftsstrategie geliefert."
