Anwendungsfelder für Data Mining in Produktion und Logistik

Inhaltsverzeichnis

1 Einführung

1.1 Aufgabenstellung

1.2 Vorgehensweise und Aufbau der Arbeit

2 Datenanalyse für die Wissensgenerierung

2.1 Business Intelligence als Ordnungsrahmen

2.2 Datenbereitstellung im Data Warehouse

2.3 Datenqualität

2.4 Wissensgenerierung in der Datenanalyseebene

2.4.1 Data Mining im Rahmen des Knowledge Discovery in Databases

2.4.2 Umsetzung in der Praxis anhand von CRISP-DM und SEMMA

2.5 Ausgewählte Werkzeuge für das Data Mining

2.5.1 Clusterverfahren im Rahmen der Segmentierung

2.5.2 Entscheidungsbaumverfahren im Rahmen der Klassifikation

2.5.3 Künstlich neuronale Netze im Rahmen der Zukunftsprognose

2.5.4 Assoziationsanalysen im Rahmen der Beziehungsaufdeckung

2.6 Darstellung und Datenzugriff von Ergebnissen in der Visualisierungsebene

3 Produktion und Logistik

3.1 Stellenwert der Produktion und Logistik im Unternehmensumfeld

3.2 Logistische Zielgrößen

3.3 Anwendungsbereiche von Data Mining in der Produktion und Logistik

4 Anwendung von Data Mining in einem verketteten Produktionsprozess

4.1 Business-Understanding-Phase

4.2 Data-Understanding-Phase

4.3 Data-Preparation-Phase

4.4 Data-Modelling-Phase

4.4.1 Auftragsdurchlaufanalyse an der CNC-Drehmaschine

4.4.2 Bivariate Datenanalyse zur Bestimmung der wichtigsten Faktoren

4.4.3 Konstruktion eines Entscheidungsbaumes

4.5 Evaluationsphase

4.6 Deployment-Phase

5 Schlussbetrachtung

Zielsetzung & Themen

Die Arbeit untersucht das Potenzial von Data-Mining-Methoden zur Optimierung von Produktions- und Logistikprozessen. Die zentrale Forschungsfrage lautet, wo Data Mining in diesem Bereich eingesetzt wird und welchen konkreten Nutzen es für Unternehmen bietet, wobei die Anwendbarkeit anhand eines Prozessdatensatzes einer CNC-Drehmaschine validiert wird.

• Grundlagen von Business Intelligence und Data Mining
• Methoden des Data Mining (Clusteranalyse, Entscheidungsbäume, Neuronale Netze, Assoziationsanalysen)
• Anforderungen und Zielgrößen in Produktion und Logistik
• Anwendungsfelder von Data Mining in der industriellen Praxis
• Praktische Umsetzung eines Data-Mining-Projekts mittels CRISP-DM

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einführung: Die Einleitung beleuchtet die zunehmende Bedeutung von Entscheidungsunterstützungssystemen angesichts komplexer werdender Märkte und steigender Datenmengen.

2 Datenanalyse für die Wissensgenerierung: Dieses Kapitel erläutert Business Intelligence, die Bedeutung der Datenqualität sowie grundlegende Methoden wie Clusteranalysen, Entscheidungsbäume, Neuronale Netze und Assoziationsanalysen.

3 Produktion und Logistik: Hier werden die spezifischen logistischen Zielgrößen sowie der Stellenwert und die Potenziale von Data Mining innerhalb der Produktionslogistik dargelegt.

4 Anwendung von Data Mining in einem verketteten Produktionsprozess: Der Praxisteil beschreibt die Anwendung des CRISP-DM-Modells zur Analyse von Prozessdaten einer CNC-Drehmaschine, um Faktoren für Terminabweichungen zu identifizieren.

5 Schlussbetrachtung: Das Fazit fasst die Ergebnisse zusammen und bewertet die Anwendbarkeit sowie die Hemmnisse von Data Mining in produzierenden Unternehmen.

Schlüsselwörter

Data Mining, Produktion, Logistik, Business Intelligence, CRISP-DM, Entscheidungsbaum, Clusteranalyse, Neuronale Netze, Assoziationsanalyse, Termintreue, Prozessdaten, Datenqualität, Knowledge Discovery in Databases, Wissensgenerierung, Fertigungssteuerung

Häufig gestellte Fragen

Worum geht es in der Arbeit grundsätzlich?

Die Arbeit beschäftigt sich mit der Identifikation und Analyse von Anwendungsfeldern für Data Mining in der industriellen Produktion und Logistik zur Verbesserung von Entscheidungsprozessen.

Was sind die zentralen Themenfelder?

Die zentralen Themen sind die mathematisch-statistischen Methoden der Datenanalyse und deren gezielte Anwendung auf logistische Zielgrößen wie Durchlaufzeiten und Termintreue.

Was ist das primäre Ziel der Arbeit?

Ziel ist es, den Nutzen von Data Mining in produzierenden Unternehmen aufzuzeigen und die praktische Anwendbarkeit anhand eines spezifischen Prozessdatensatzes zu demonstrieren.

Welche wissenschaftliche Methode wird verwendet?

Es wird das standardisierte Vorgehensmodell CRISP-DM verwendet, ergänzt durch diverse Data-Mining-Algorithmen wie Entscheidungsbäume und Clusteranalysen.

Was wird im Hauptteil behandelt?

Im Hauptteil werden zunächst theoretische Grundlagen und Werkzeuge des Data Mining erörtert, gefolgt von einer Analyse der Produktions- und Logistikanforderungen und einer praktischen Fallstudie an einer CNC-Drehmaschine.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die Arbeit wird primär durch Begriffe wie Data Mining, Produktion, Logistik, Termintreue und Prozessoptimierung charakterisiert.

Warum spielt die Datenqualität eine so große Rolle?

Ohne qualitativ hochwertige und konsistente Daten können keine validen Muster oder Zusammenhänge erkannt werden; schlechte Datenqualität führt unweigerlich zu fehlerhaften Analyseergebnissen („Garbage in, garbage out“).

Welche Rolle spielt der Entscheidungsbaum in der Fallstudie?

Der Entscheidungsbaum wird eingesetzt, um Aufträge basierend auf Prozessfaktoren in die Klassen "pünktlich" und "verzögert" zu klassifizieren, um so die Vorhersehbarkeit von Terminabweichungen zu verbessern.

Was ist das Haupthindernis für den Einsatz von Data Mining in der Praxis?

Laut den Umfrageergebnissen der Arbeit sind mangelndes Fachwissen und die Unkenntnis über den tatsächlichen Zusatznutzen sowie die hohen Implementierungskosten die primären Hürden.

Können die Ergebnisse verallgemeinert werden?

Nein, die Arbeit stellt fest, dass die Durchführung nicht generalisierbar ist, da jeder Prozess spezifische Besonderheiten aufweist, die eine individuelle Anpassung der Methoden und Parameter erfordern.