Anwendungsfelder für Data Mining in Produktion und Logistik

Inhaltsverzeichnis

• Begleitbogen
• Abkürzungsverzeichnis
• Abbildungsverzeichnis
• Tabellenverzeichnis
• 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
• Literaturverzeichnis
• Erklärung

Zielsetzung und Themenschwerpunkte

Die Diplomarbeit „Anwendungsfelder für Data Mining in Produktion und Logistik" befasst sich mit der Erforschung des Potenzials von Data Mining-Verfahren in der Produktion und Logistik. Ziel ist es, die Einsatzmöglichkeiten von Data Mining in diesen Bereichen aufzuzeigen und den weiteren Forschungsbedarf zu ermitteln. Die Arbeit basiert auf einer Online-Befragung, die Erkenntnisse über den aktuellen Stand der Data Mining-Anwendung in produzierenden Unternehmen liefert. Anhand eines beispielhaften Anwendungsfalls werden die Potenziale von Data Mining in einem verketteten Produktionsprozess untersucht.

• Data Mining in der Produktion und Logistik
• Wissensgenerierung aus Produktions- und Logistikdaten
• Optimierungspotenziale in der Produktion und Logistik
• Anwendungsbeispiele für Data Mining in der Praxis
• Bewertung der Potenziale von Data Mining in der Produktion und Logistik

Zusammenfassung der Kapitel

Die Arbeit beginnt mit einer Einführung in das Thema Data Mining und erläutert die grundlegenden Begrifflichkeiten, Zusammenhänge und Methoden. Im zweiten Teil werden die Anwendungsfelder von Data Mining in der Produktion und Logistik beleuchtet. Es werden die wichtigsten logistischen Zielgrößen und die Herausforderungen der Datenanalyse in diesem Bereich betrachtet.

Der dritte Teil der Arbeit widmet sich der Anwendung von Data Mining in einem verketteten Produktionsprozess. Es wird ein beispielhafter Anwendungsfall vorgestellt, der die einzelnen Phasen des CRISP-DM-Prozesses (Business Understanding, Data Understanding, Data Preparation, Data Modelling, Evaluation, Deployment) illustriert. Die Analyse umfasst die Auftragsdurchlaufanalyse an einer CNC-Drehmaschine, die bivariate Datenanalyse zur Bestimmung der wichtigsten Faktoren sowie die Konstruktion eines Entscheidungsbaumes.

Schlüsselwörter

Die Schlüsselwörter und Schwerpunktthemen des Textes umfassen Data Mining, Produktion, Logistik, Wissensgenerierung, Optimierung, Anwendungsfelder, CRISP-DM, Entscheidungsbaum, Clusteranalyse, Künstliche neuronale Netze, Assoziationsanalyse, Online-Befragung, Potenzialanalyse, CNC-Drehmaschine, Auftragsdurchlaufanalyse, Bivariate Datenanalyse.