Ziel dieser Arbeit ist es, die Notwendigkeit von Big Data Analytics in der Produktion aufzuzeigen.
Nach einer allgemeinen Einordnung des Begriffs Big Data Analytics, erfolgt die Klassifizierung von möglichen Analysezwecken. Eine mögliche Unterscheidungsart ist aus dem Bereich der Business Intelligence hinreichend bekannt und hält die Begrifflichkeiten über die „Unterscheidung nach der Art der adressierten Fragestellung“ auseinander. Auf dieser Basis werden die Rechercheergebnisse existierenden Anwendungsbeispielen (national und international) zugeordnet. Im letzten Kapitel wird schließlich das Potenzial prädiktiver Analysen für die Anwendungen im Bereich von Produktionssysteme bewertet.
Inhaltsverzeichnis
1 EINLEITUNG
2 BIG DATA GRUNDLAGEN
3 KLASSIFIKATION MÖGLICHER ANALYSEZWECKE
3.1 DESKRIPTIVE ANALYTIK
3.2 DIAGNOSTISCHE ANALYTIK
3.3 PRÄDIKTIVE ANALYTIK
3.4 PRÄSKRIPTIVE ANALYTIK
4 ZUORDNUNG DER RECHERCHEERGEBNISSE
4.1 BUSINESS INTELLIGENCE & ANALYTICS
4.2 PREDICTIVE MAINTENANCE
4.3 INTERNET OF THINGS
5 BEWERTUNG DES POTENZIALS VON PRÄDIKTIVEN ANALYSEN
6 ZUSAMMENFASSUNG UND FAZIT
Zielsetzung und Themen
Die vorliegende Arbeit untersucht die Notwendigkeit und Anwendungsmöglichkeiten von Big Data Analytics in modernen Produktionsprozessen, um datengetriebene Entscheidungsfindungen zu ermöglichen und Unternehmen wettbewerbsfähig zu halten.
- Grundlagen und Definition von Big Data sowie deren Kenngrößen.
- Klassifikation verschiedener Analysezwecke (deskriptiv bis präskriptiv).
- Systemische Einordnung von Business Intelligence & Analytics im Kontext der Produktion.
- Praktische Anwendungsbeispiele wie Predictive Maintenance und Internet of Things.
- Bewertung des strategischen Potenzials prädiktiver Analysen für die industrielle Praxis.
Auszug aus dem Buch
3.2 Diagnostische Analytik
Mit dem Wissen über die verschiedenen Methoden der deskriptiven Analytik können wir nun wiedergeben was passiert ist. Wenn wir die Komplexität etwas erhöhen, werden wir mit der diagnostischen Analytik auch künftig die Frage beantworten können aus welchem Grund etwas passiert ist. Diese Gründe werden über verschiedene Methoden von Data Mining ermittelt also die Extraktion von Wissen aus Daten. Im Rahmen der deskriptiven Analyse beschränkt man sich hier in der Regel auf das Bilden von Gruppen (Clustering) und das Aufzeigen von Abhängigkeiten (Assoziationsanalyse), welche unter dem Begriff des unüberwachten Lernens zusammengefasst werden. Konkrete Techniken lassen sich dazu wie folgt kategorisieren:
Das Identifizieren von Anomalien, d. h. der Analyst muss Bereiche in den Daten finden, die unbeantwortete Fragen zurücklassen. Das könnte als Beispiel ein steigender Umsatz ohne zusätzliche Ausgaben im Marketingbereich sein.
Das Aufdecken von versteckten Beziehungen innerhalb der Daten. Der Analyst sucht dabei nach bestehenden Mustern, um Anomalien zu erklären. Für diese Methodik ist erforderlich Daten aus externen Quellen zu erhalten.
Das Erkennen von kausalen Beziehungen, indem man die Ursachen in identifizierten Anomalien untersucht. Das Aufstellen einer Korrelationsanalyse oder einfaches Filtern können Werkzeuge sein diese Kausalitäten zu identifizieren.
Zusammenfassung der Kapitel
1 EINLEITUNG: Die Einleitung beleuchtet die strategische Bedeutung von datengetriebenen Entscheidungen im Zuge von Industrie 4.0 und skizziert die methodische Vorgehensweise des Assignments.
2 BIG DATA GRUNDLAGEN: Dieses Kapitel definiert den Begriff "Big Data" anhand der vier V’s (Volume, Velocity, Variety, Veracity) und ordnet die Bedeutung der vernetzten Datenhaltung ein.
3 KLASSIFIKATION MÖGLICHER ANALYSEZWECKE: Hier werden die Stufen der Datenanalyse von der deskriptiven über die diagnostische und prädiktive bis zur präskriptiven Analytik systematisch differenziert.
4 ZUORDNUNG DER RECHERCHEERGEBNISSE: Dieses Kapitel veranschaulicht praktische Anwendungen wie Business Intelligence, Predictive Maintenance und das Internet of Things innerhalb einer Referenzarchitektur.
5 BEWERTUNG DES POTENZIALS VON PRÄDIKTIVEN ANALYSEN: Die Ausführungen bewerten, wie prädiktive Methoden Unternehmen dabei unterstützen, flexibel auf Marktanforderungen zu reagieren und Prozesse proaktiv zu steuern.
6 ZUSAMMENFASSUNG UND FAZIT: Das letzte Kapitel fasst die zentralen Ergebnisse zusammen und unterstreicht die Rolle der datengetriebenen Entscheidungsfindung als Kernkompetenz für künftige Wettbewerbsfähigkeit.
Schlüsselwörter
Big Data, Big Data Analytics, Produktion, Industrie 4.0, Deskriptive Analytik, Diagnostische Analytik, Prädiktive Analytik, Präskriptive Analytik, Business Intelligence, Predictive Maintenance, Internet of Things, Datenhaltung, Data Mining, Entscheidungsprozesse, Prozessoptimierung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt den Einsatz und Nutzen von Big Data Analytics in industriellen Produktionsumgebungen.
Welche zentralen Themenfelder werden bearbeitet?
Die Schwerpunkte liegen auf der methodischen Klassifizierung von Analysetechniken und der praktischen Implementierung dieser in Produktionsprozesse.
Was ist das primäre Ziel der Forschungsarbeit?
Das Ziel ist es, die Notwendigkeit von Big Data Analytics aufzuzeigen und das Potenzial prädiktiver Analysen für die industrielle Praxis zu bewerten.
Welche wissenschaftliche Methode kommt zur Anwendung?
Es erfolgt eine systematische Literaturanalyse sowie die Einordnung theoretischer Konzepte in bestehende Referenzarchitekturen.
Was umfasst der Hauptteil der Arbeit?
Der Hauptteil gliedert sich in die theoretischen Grundlagen von Big Data, die Klassifikation der Analysearten sowie die konkrete Darstellung von Anwendungsbeispielen.
Welche Schlüsselwörter charakterisieren das Werk?
Die Arbeit lässt sich primär über Begriffe wie Predictive Maintenance, Business Intelligence, Big Data und industrielle Prozesssteuerung definieren.
Wie unterscheidet sich die präskriptive von der prädiktiven Analytik?
Während die prädiktive Analytik vorhersagt, was passieren könnte, liefert die präskriptive Analytik konkrete Handlungsempfehlungen zur Optimierung.
Warum spielt die Datenqualität (Veracity) bei Big Data eine so wichtige Rolle?
Die Veracity stellt als einer der Hauptfaktoren sicher, dass die für Analysen verwendeten Datenquellen zuverlässig und interpretierbar sind.
Welche Bedeutung hat Predictive Maintenance für die Produktion?
Durch prädiktive Wartung können Reinigungs- oder Wartungsintervalle basierend auf dem tatsächlichen Zustand der Anlagen optimiert werden, statt an starren Zeitplänen festzuhalten.
- Arbeit zitieren
- Lukas Wenger (Autor:in), 2022, Einsatzfelder von Big Data in der Produktion, München, GRIN Verlag, https://www.grin.com/document/1361454
