Im Jahr 2012 setzte die Bundesregierung Arbeitskreise ein, um die Wettbewerbsrolle Deutschlands im Welthandel zu festigen. Als Ergebnis entstand das Zukunftsprojekt „Industrie 4.0“, welche die Stärken der deutschen Industrie im Maschinen- und Anlagenbau mit den Möglichkeiten der aktuellen Informations- und Kommunikationstechnologien verbinden soll. Ziel dieser Digitalisierung ist die vernetzte und schlaue Produktion, also Systeme die durch Sensoren und Aktuatoren selbständig kommunizieren, entscheiden und agieren.
Zusammen mit Industrie 4.0 und der Digitalisierung fallen oft auch weitere Begriffe wie „Big Data“ oder „Smart Data“ und den dazugehörigen Problemstellungen:
Wie kann der Datenfluss gesteuert werden? Welche Infrastruktur wird benötigt? Wie kann Nutzen aus den Daten erwirtschaftet werden?
Diese interdisziplinären Probleme stellen nicht nur für Großkonzerne eine große Herausforderung dar, sondern vor allem auch für Kleinst-, kleine und mittlere Unternehmen (KMU).
Industrie 4.0 endet nicht mit der Implementierung von modernen Produktionssystemen. Da ein komplett autonomes Produktionssystem, welches kein menschliches Entscheiden und Eingreifen benötigt, weder realistisch noch anzustreben ist (vgl. [1]), sind auch Mensch-Technik Schnittstellen ein wichtiger Baustein der Digitalisierung. Somit sind für Projekte der Digitalisierung immer Teams aus Fachbereichen der Produktion, Prozessanalyse, IT und der Datenanalyse zusammenzustellen.
Für KMU kann dieses bereits aufgrund der limitierten Personalressourcen zu Schwierigkeiten führen. Zusätzlich kann es durch fehlendes Verständnis in der Thematik der Digitalisierung dazu führen, diese komplett zu verpassen und somit im Wettbewerb abgehängt zu werden.
Durch die Digitalisierung entstehen in den Unternehmen eine hohe Anzahl von Daten, die bisher nur in großen Speichersystemen gesammelt werden konnten.
Aufgabe des Data Mining ist es, neuartige und potentiell nützliche Muster in den Daten zu erkennen. Mit den gewonnenen Erkenntnissen ist es dann möglich die Prozesse und Produkteigenschaften zu verbessern. Hierzu sind Expertenwissen und spezielle Software notwendig.
Aufgrund der meist fehlenden Expertise und Kapazitäten, ist es für KMU besonders schwierig geeignete Data Mining Prozesse in Geschäftsprozesse zu integrieren und mit geeigneter Software durchzuführen.
Es soll daher ein Überblick von Data Mining Prozessmodellen, Verfahren und geeigneter Softwarelösungen erstellt werden.
Inhaltsverzeichnis
- A Einführung
- A 1 Industrie 4.0 & die großen Daten
- A 2 Problemstellung
- A 3 Herangehensweise
- A 4 Business-Intelligence-Infrastruktur: Data Warehouse und Data Marts
- A 5 Definition Data Mining
- B Data Mining Prozessmodelle
- B 1 Daten-Wertschöpfungskette (Data Value Chain)
- B 2 Knowledge Discovery in Databases (KDD)
- B 3 Cross-Industry Standard Process for Data Mining - CRISP-DM
- C Data Mining Verfahren und Methoden
- C 1 Auffinden von Zusammenhängen
- C 1.1 Klassifikationsverfahren
- C 1.2 Prognosemodell
- C 2 Auffinden von Regeln: Assoziationsverfahren
- C 3 Auffinden von Strukturen: Clusterverfahren
- C 3.1 Partitionierende Clusterbildung
- C 3.2 Hierarchische Clusterbildung
- C 3.3 Dichtebasierte Clusterbildung
- C 4 Visualisierung von Datenräumen
- D Vorstellung ausgewählter Data Mining Tools
- D 1 Allgemeine Marktsituation
- D 2 Auswahl von Data Mining Tools
- D 2.1 KNIME Analytics Platform
- D 2.2 IBM SPSS Modeler
- D 2.3 Vergleich im Fallbeispiel
- D 3 Bewertungsschema & Auswertung
- E Zusammenfassung
Zielsetzung und Themenschwerpunkte
Diese Studie befasst sich mit dem Einsatz von Data Mining in kleinen und mittleren Unternehmen (KMU) im Kontext der Digitalisierung und Industrie 4.0. Die Arbeit soll einen Überblick über verschiedene Prozessmodelle für Datenanalyse, Standard-Data-Mining-Algorithmen und -Methoden sowie die aktuelle Marktsituation von Data-Mining-Tools liefern. Darüber hinaus soll ein Vergleich zwischen ausgewählten Data-Mining-Softwarelösungen mit einer Bewertung der Implementierung in KMU als Entscheidungshilfe dienen.
- Einführung in Data Mining und die Bedeutung im Kontext von Industrie 4.0
- Analyse von Prozessmodellen für Data Mining, insbesondere CRISP-DM
- Beschreibung von Standardalgorithmen für Data-Mining-Aufgaben wie das Finden von Zusammenhängen, Regeln und Strukturen
- Bewertung der aktuellen Marktsituation von Data-Mining-Software
- Vergleich und Bewertung ausgewählter Data-Mining-Softwarelösungen für KMU
Zusammenfassung der Kapitel
Die Einführung erläutert die Bedeutung von Data Mining im Kontext der Digitalisierung und Industrie 4.0 sowie die Herausforderungen für KMU bei der Implementierung von Data-Mining-Tools. Kapitel B stellt verschiedene Prozessmodelle für Data Mining vor, einschließlich der Data Value Chain, Knowledge Discovery in Databases (KDD) und dem Cross-Industry Standard Process for Data Mining (CRISP-DM). Kapitel C beschreibt Standardalgorithmen für Data-Mining-Aufgaben wie das Finden von Zusammenhängen, Regeln und Strukturen. Kapitel D behandelt die aktuelle Marktsituation von Data-Mining-Software, stellt ausgewählte Tools wie KNIME Analytics Platform und IBM SPSS Modeler vor und führt einen Vergleich zwischen den beiden Lösungen durch.
Schlüsselwörter
Data Mining, Industrie 4.0, Digitalisierung, KMU, Business Intelligence, CRISP-DM, Data Value Chain, Knowledge Discovery in Databases (KDD), Klassifikationsverfahren, Prognosemodell, Assoziationsverfahren, Clusterverfahren, Visualisierung, KNIME Analytics Platform, IBM SPSS Modeler.
- Arbeit zitieren
- Tobias Hänsel (Autor:in), 2017, Data Mining für KMU. Wie kann Nutzen aus den Daten erwirtschaftet werden?, München, GRIN Verlag, https://www.grin.com/document/369375
