Eine Betrachtung der wertvollsten Unternehmen zeigt, dass auf den weltweit größten Ölproduzenten Saudi Aramico zunächst Unternehmen folgen deren Geschäftsmodelle zu einem Großteil der Sammlung, Verarbeitung und Nutzung von Daten abhängt. Googles Suchmaschine, der Newsfeed von Facebook oder die Shoppingempfehlung auf der Startseite von Amazon gehen aus der Sammlung und Verarbeitung von Massendaten hervor.
Nicht nur Öl muss im Laufe des Verarbeitungsprozesses verfeinert werden, dies geschieht ebenso mit einer großen Menge an gesammelten Daten, welche weiterverarbeitet und verändert werden, so dass neue Daten entstehen, aus welchen Unternehmen einen Nutzen ziehen können.
Auch für den Produktionsprozess eines Unternehmens spielt Big Data eine große Rolle da durch Big Data der gesamte Produktionsprozess optimiert werden kann. Im Aufbau dieser Arbeit werden zunächst relevante Grundbegriffe erläutert. Es folgt eine Klassifizierung der möglichen Analysezwecke. Aufgabe der Arbeit ist die Recherche von Anwendungs- und Forschungsbeispielen. Diese werden anschließend vorgestellt und entsprechend nach den vorgestellten Analysezwecken klassifiziert.
Anschließend erfolgt die Beurteilung des Potentials prädiktiver Analysen in der Produktion. Zum Abschluss erfolgt in der Schlussbetrachtung eine kurze Zusammenfassung der Ergebnisse.
Inhaltsverzeichnis
- Abbildungsverzeichnis
- 1 Einleitung
- 2 Grundbegriffe
- 2.1 Big Data
- 2.2 Produktion
- 3 Klassifikation von Analysezwecken
- 4 Anwendungsbeispiele und Forschungsbeispiele
- 4.1 Anwendungsbeispiele
- 4.2 Forschungsbeispiele
- 5 Potential prädiktiver Analysen in der Produktion
- 6 Zusammenfassung und Fazit
- Literaturverzeichnis
Zielsetzung und thematische Schwerpunkte
Die vorliegende Arbeit untersucht die Einsatzfelder von Big Data in der Produktion, mit dem primären Ziel, relevante Anwendungs- und Forschungsbeispiele zu identifizieren, diese zu klassifizieren und das Potenzial prädiktiver Analysen in diesem Bereich zu bewerten. Im Aufbau der Arbeit werden zunächst relevante Grundbegriffe erläutert, eine Klassifizierung der Analysezwecke vorgenommen und anschließend die Anwendungs- und Forschungsbeispiele vorgestellt und klassifiziert.
- Grundbegriffe von Big Data und Produktion
- Klassifikation von Analysezwecken basierend auf dem Gartner Reifegradmodell
- Praktische Anwendungsbeispiele von Big Data Analytics in der Industrie
- Aktuelle Forschungsbeispiele im Bereich Big Data in der Produktion
- Potenzial und Methoden prädiktiver Analysen zur Produktionsoptimierung
- Herausforderungen und Vorteile datengesteuerter Produktionsprozesse
Auszug aus dem Buch
5 Potential prädiktiver Analysen in der Produktion
Prädiktive Analysen haben ein großen Potential in der Produktion. Ziel ist die Vorhersage zukünftiger Ereignisse. Um diese Vorhersagen zu treffen ist eine angemessene Datengrundlage notwendig. Diese setzen sich aus historischen und aktuellen Daten aus der Produktion zusammen. Mit Methoden wie Data Mining, Text Mining und mathematischen Vorgehensweisen können zukünftige Trends prognostiziert werden. Als weitere Verfahren kommen dabei die Künstliche Intelligenz sowie Machine Learning und Statistik zum Einsatz.
In der Produktion ergeben sich in verschiedenen Teilbereichen Nutzungspotentiale. Im Bereich der Instandhaltung kann vorausgesagt werden, wann eine Maschine gewartet werden muss. So kann die Produktion auf andere Produktionslinien verteilt werden, so dass keine größeren Produktionsausfälle entstehen.
In der Logistik kann die Personalplanung auf saisonale Besonderheiten angepasst werden, ebenfalls kann Personal zwischen verschiedenen Standorten vorrausschauend verteilt werden, so dass keine lokalen Engpässe entstehen. Bei der Lagerung von einzelnen Materialen können diese so verteilt werden, dass diese zusammen zu den Produktionsstätten gebracht werden können.
Regelmäßige Qualitätskontrollen können die Produktqualität steigern, das Risiko, das minderwertige Waren die Produktion verlassen sinkt, Rückrufaktionen können vermindert werden. Somit kann eine Qualitätsverbesserung und eine Kostenreduktion ermöglicht werden. Dies kann zusätzlich zu einer Erhöhung der Kundenzufriedenheit führen, Kunden können an ein Unternehmen gebunden werden und somit können weitere Umsatzpotentiale generiert werden. Der Computerhersteller Lenovo konnte durch diese Qualitätsverbesserungen die Gewährleistungskosten um 10-15% senken.
In der industriellen Produktion können prädiktive Analysen in den Teilgebieten Qualitätssicherung, Maschinenzuständen, Instandhaltungsmaßnahmen und Ressourcenverwaltung angewandt werden. Ein großer Vorteil hierbei ist, dass diese Analysen in Echtzeit erfolgen können, so dass notwendige Anpassungen zeitnah erfolgen können.
Prädiktive Analysen können dadurch die Grundlage für den nächsten Schritt im Rahmen vom prescriptive Analytics sein. Hierdurch kann eine weitere Optimierung des Produktionsprozesses erzielt werden und eine optimale Ausnutzung der vorhandenen Produktionsfaktoren erzielt werden.
Zusammenfassung der Kapitel
Kapitel 1 Einleitung: Dieses Kapitel führt in die Thematik ein, beleuchtet die steigende Bedeutung von Daten und Big Data in der heutigen Wirtschaft und stellt die Struktur sowie die Ziele der vorliegenden Arbeit dar.
Kapitel 2 Grundbegriffe: Hier werden die fundamentalen Definitionen von "Big Data" und "Produktion" erläutert, um ein gemeinsames Verständnis für die weitere Analyse zu schaffen.
Kapitel 3 Klassifikation von Analysezwecken: Das Kapitel stellt das Reifegradmodell nach Gartner vor, welches vier Ausprägungen von Datenanalysen (Descriptive, Diagnostic, Predictive, Prescriptive Analytics) unterscheidet und deren zentrale Fragestellungen definiert.
Kapitel 4 Anwendungsbeispiele und Forschungsbeispiele: In diesem umfangreichen Kapitel werden diverse reale Anwendungsfälle aus der Industrie sowie aktuelle Forschungsprojekte vorgestellt, die Big Data Analytics in der Produktion nutzen und nach Analysezwecken klassifiziert werden.
Kapitel 5 Potential prädiktiver Analysen in der Produktion: Dieses Kapitel bewertet das immense Potenzial prädiktiver Analysen zur Vorhersage zukünftiger Ereignisse in der Produktion, wobei Methoden wie Data Mining, KI und maschinelles Lernen sowie konkrete Nutzungspotenziale in Instandhaltung, Logistik und Qualitätssicherung beschrieben werden.
Kapitel 6 Zusammenfassung und Fazit: Das abschließende Kapitel fasst die zentralen Ergebnisse der Arbeit zusammen, betont die wachsende Relevanz prädiktiver Analysen und diskutiert Aspekte wie Datenqualität, Datenschutz und die Herausforderungen bei der Prognosefähigkeit.
Schlüsselwörter
Big Data, Produktion, Datenanalyse, Predictive Analytics, Prescriptive Analytics, Diagnostic Analytics, Descriptive Analytics, Industrie 4.0, IoT, Maschinelles Lernen, Künstliche Intelligenz, Qualitätssicherung, Instandhaltung, Logistik, Prozessoptimierung, Datenmanagement.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit den Einsatzfeldern von Big Data in der Produktion, untersucht Anwendungs- und Forschungsbeispiele und bewertet das Potenzial prädiktiver Analysen zur Optimierung von Produktionsprozessen.
Was sind die zentralen Themenfelder?
Die zentralen Themenfelder sind die Definition und Anwendung von Big Data, die Klassifikation verschiedener Datenanalysetypen (nach Gartner), konkrete Einsatzszenarien in der Produktion und die Bewertung der Möglichkeiten prädiktiver Analysen.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist es, Anwendungs- und Forschungsbeispiele für Big Data in der Produktion zu recherchieren, diese zu klassifizieren und das Potenzial prädiktiver Analysen zu beurteilen, um den Produktionsprozess zu optimieren.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer deskriptiven Recherche und Analyse von Literatur, Anwendungs- und Forschungsbeispielen, die systematisch nach einem etablierten Klassifikationsmodell (Gartner Reifegradmodell) eingeordnet werden.
Was wird im Hauptteil behandelt?
Im Hauptteil werden die Grundbegriffe erläutert, eine Klassifikation von Analysezwecken vorgenommen, ausführliche Anwendungs- und Forschungsbeispiele vorgestellt und das Potenzial prädiktiver Analysen in verschiedenen Bereichen der Produktion detailliert erörtert.
Welche Schlüsselwörter charakterisieren die Arbeit?
Schlüsselwörter sind unter anderem Big Data, Produktion, Datenanalyse, Predictive Analytics, Industrie 4.0, Maschinelles Lernen, Prozessoptimierung, Qualitätssicherung und Instandhaltung.
Wie wird das Reifegradmodell von Gartner im Kontext von Big Data Analysen in der Produktion eingesetzt?
Das Reifegradmodell nach Gartner wird genutzt, um die verschiedenen Arten von Datenanalysen (deskriptiv, diagnostisch, prädiktiv, präskriptiv) zu klassifizieren und zu zeigen, wie Unternehmen von einer passiven Vergangenheitsbetrachtung zu einer aktiven Zukunftsgestaltung durch Daten übergehen können.
Können Sie ein konkretes Anwendungsbeispiel für Predictive Analytics in der Produktion nennen?
Ja, der Turbinenhersteller Rolls-Royce nutzt Predictive Analytics zur Simulation neuer Turbinen in der Entwicklung, um Schwachstellen frühzeitig zu erkennen und so Kosten zu reduzieren sowie die Qualität zu verbessern, noch bevor die Turbinen in Produktion gehen.
Welche Herausforderungen oder Einschränkungen ergeben sich bei der Anwendung von Predictive Analytics in der Produktion?
Herausforderungen umfassen die Sicherstellung einer hohen Datenqualität für präzise Prognosen, die Gewährleistung des Datenschutzes und der Datenhoheit, sowie die Berücksichtigung sich ändernder Rahmenbedingungen oder nicht-linearer Trends, die die Prognosegenauigkeit beeinflussen können.
In welchen spezifischen Bereichen der Produktion können prädiktive Analysen das größte Potenzial entfalten?
Prädiktive Analysen zeigen besonders großes Potenzial in der vorausschauenden Instandhaltung von Maschinen, der optimierten Personal- und Lagerkapazitätsplanung sowie in der Qualitätskontrolle zur Reduzierung von Ausschuss und Steigerung der Produktqualität.
- Quote paper
- Sven Schindler (Author), 2021, Einsatzfelder von Big Data in der Produktion, Munich, GRIN Verlag, https://www.grin.com/document/1474067
