Moderne OR-Anwendungen im Umfeld von Industrie 4.0 und Big Data

Inhaltsverzeichnis

1 EINLEITUNG

1.1 AUSGANGSITUATION

1.2 PROBLEMSTELLUNG

1.3 ZIELSETZUNG UND FORSCHUNGSFRAGE

2 THEORETISCHE GRUNDLAGEN

2.1 OPERATIONS RESEARCH

2.1.1 Definition und Überblick

2.1.2 Geschichte

2.2 AKTUELLE ENTWICKLUNGEN

2.2.1 Industrie 4.0

2.2.2 Big Data

2.2.3 (Business) Analytics

3 METHODEN

3.1 QUALITATIVES EXPERTENINTERVIEW

3.1.1 Leitfaden

3.2 DURCHFÜHRUNG

3.2.1 Interviewpartner

3.3 AUSWERTUNGSMETHODE

3.3.1 Transkription

3.3.2 Inhaltsanalyse

4 ERGEBNISSE

4.1 SCHWERPUNKTE DER ANWENDUNG VON OR

4.2 IMPLEMENTIERUNG

4.3 STÄRKEN UND SCHWÄCHEN IN DER PRAKTISCHEN ANWENDUNG

4.4 ENTWICKLUNG UND ZUKUNFT VON OR

4.4.1 Allgemeine Entwicklung

4.4.2 Chancen für OR durch Industrie 4.0 und Big Data?

5 DISKUSSION

5.1 METHODENDISKUSSION

5.2 ERGEBNISDISKUSSION

5.3 FAZIT

Zielsetzung & Themen

Die Arbeit untersucht den aktuellen Anwendungsstand von Operations Research (OR) in Deutschland sowie dessen Wechselwirkungen mit den technologischen Entwicklungen Industrie 4.0 und Big Data. Ziel ist es, ein praxisnahes Bild der Implementierung, der Stärken und Schwächen sowie der Zukunftsperspektiven von OR-Methoden zu zeichnen.

• Aktueller Anwendungsstand von OR in der deutschen Industrie.
• Wechselwirkungen zwischen OR, Industrie 4.0 und Big Data.
• Herausforderungen bei der Implementierung von Optimierungsverfahren.
• Stärken und Schwächen in der praktischen Anwendung von OR.
• Zukunftsperspektiven für OR-Methoden und das Feld der Analytics.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 EINLEITUNG: Definiert den Überblick über OR-Anwendungsszenarien und die Untersuchung von Auswirkungen durch Industrie 4.0 und Big Data mittels Expertenbefragungen.

2 THEORETISCHE GRUNDLAGEN: Legt das theoretische Fundament für OR, Industrie 4.0 und (Business) Analytics und erläutert die technologischen Zusammenhänge.

3 METHODEN: Beschreibt das methodische Vorgehen mittels qualitativer Experteninterviews, deren Durchführung sowie die nachfolgende Inhaltsanalyse.

4 ERGEBNISSE: Analysiert die Schwerpunkte der OR-Anwendung, Implementierungswege sowie Stärken, Schwächen und Zukunftschancen der Disziplin.

5 DISKUSSION: Reflektiert kritisch die gewählte qualitative Erhebungsmethode und diskutiert die gewonnenen Ergebnisse im Kontext der industriellen Praxis.

Schlüsselwörter

Operations Research, Industrie 4.0, Big Data, Business Analytics, Mathematische Optimierung, Smart Factory, Dezentrale Intelligenz, Implementierung, Entscheidungsunterstützung, Wertschöpfungskette, Prozessoptimierung, Simulation, Experteninterview.

Häufig gestellte Fragen

Worum geht es in dieser Bachelorarbeit grundsätzlich?

Die Arbeit analysiert den aktuellen Anwendungsstand von Operations Research (OR) in deutschen Unternehmen und wie sich neue technologische Trends wie Industrie 4.0 und Big Data darauf auswirken.

Was sind die zentralen Themenfelder der Arbeit?

Die zentralen Felder sind die Anwendung von OR-Methoden in verschiedenen Branchen, die Rolle der (Business) Analytics sowie die Integration von Daten in der modernen Produktion.

Was ist das primäre Ziel oder die Forschungsfrage?

Das Ziel ist die Klärung, wie OR-Verfahren aktuell in Deutschland genutzt werden, welche Implementierungshürden bestehen und welches Potenzial für die Zukunft besteht.

Welche wissenschaftliche Methode wird verwendet?

Der Autor führt qualitative Experteninterviews mit Anwendern, Lehrenden und Vertretern relevanter Institutionen durch, die anschließend inhaltlich analysiert werden.

Was wird im Hauptteil behandelt?

Der Hauptteil gliedert sich in theoretische Grundlagen, methodisches Vorgehen und die detaillierte Ergebnispräsentation inklusive einer abschließenden Diskussion.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die wichtigsten Schlagworte sind Operations Research, Industrie 4.0, Big Data, mathematische Optimierung und Prozessoptimierung.

Wie unterscheidet sich die "klassische" OR-Anwendung von modernen Analytics-Ansätzen?

Klassisches OR basiert oft auf spezifisch entwickelten, komplexen Modellen, während Analytics-Ansätze oft einen moderateren, datengetriebenen Einstieg wählen und stärker visualisierungsorientiert sind.

Welchen Einfluss hat die Unternehmensführung auf den Einsatz von OR?

Der Erfolg von OR-Projekten hängt stark von der Offenheit der Führungsebene gegenüber quantitativen Methoden und dem vorhandenen Know-how der Mitarbeiter ab.

Welche Rolle spielt die Datenqualität für OR-Verfahren?

Eine solide Datenbasis ist entscheidend. Ohne qualitativ hochwertige und verfügbare Daten, wie sie durch Industrie 4.0 gefördert werden, ist eine sinnvolle Anwendung von OR-Verfahren kaum möglich.

Warum wird OR oft als "overkill" bezeichnet?

Manchmal werden OR-Verfahren für Probleme eingesetzt, die auch mit einfacheren Methoden lösbar wären, was zu einer falschen Wahrnehmung als zu komplexe oder starre Technologie führt.