Data Science

Die Nutzung von Daten ist für Unternehmen heutzutage von entscheidender Bedeutung. Sie helfen den Unternehmen dabei, fundierte Entscheidungen zu treffen und dadurch ihre Effizienz zu verbessern. Gerade die Logistikbranche bietet viele Ansatzpunkte für den Einsatz von Daten. So können etwa Warenströme präzise verfolgt werden, die Lagerverwaltung effektiver gestaltet oder Routen besser geplant werden. All diese Optimierungsansätze münden in einer Kostenreduzierung und schnelleren Lieferungen, welche die Wettbewerbsfähigkeit steigern können und den Anforderungen nach einer schnellen, zuverlässigen und transparenten Lieferkette gerecht werden. Im Forschungsprojekt Datenfabrik.NRW erarbeiten Expertinnen und Experten aus den Bereichen Produktion und Logistik an datengetriebenen Lösungen im realen Produktionsumfeld der Unternehmen CLAAS Selbstfahrende Erntemaschinen GmbH und der Schmitz Cargobull AG. Unter anderem wird ein neuer Ansatz zur Optimierung der intralogistischen Prozesse ...

Data Science ist ein etabliertes Mittel, beispielsweise für die Wissensgewinnung aus betriebswirtschaftlichen Daten. Die fortschreitende Digitalisierung von Produkten und Produktionssystemen ermöglicht die breite Anwendung von Data Science in technischen Systemen. Die Anforderungen und Rahmenbedingungen, z. B. zur Regelung und Optimierung von Fertigungsprozessen, unterscheiden sich jedoch signifikant von etablierten Data Science Anwendungen. Industrial Data Science legt den Schwerpunkt auf die Anwendung von Datenanalyse- und maschinelle Lernverfahren für technische Systeme im industriellen Umfeld. Dieser Beitrag charakterisiert die Herausforderungen von Industrial Data Science, beschreibt Anwendungsfälle und zeigt generelle Anwendungsindikatoren für Industrial Data Science auf.

Die Bedeutung von Data Science für Produktion und Logistik nimmt stetig zu, da durch Industrie 4.0-Technologien zunehmend mehr Daten anfallen und für Prozess- und Systemoptimierungen genutzt werden können. Darüber hinaus erlauben verbesserte Methoden und Werkzeuge der Datenanalyse eine einfachere Bearbeitung anwendungsspezifischer Fragestellungen, als es bislang mit vornehmlich wissenschaftlichen Softwareapplikationen möglich war. Dieser Beitrag ist der zweite Teil zum Thema Data Science in Produktion und Logistik. Während sich der erste Teil mit der Begriffsdefinition, den allgemeinen Potenzialen der Datenanalyse und aktuellen Trends in diesem Bereich auseinandergesetzt hat, widmet sich dieser zweite Teil der Anwendung von Data Science in Produktion und Logistik. Im Folgenden werden typische Vorgehensweisen präsentiert und es wird durch mehrere Anwendungsbeispiele ein Einblick in die aktuellen Möglichkeiten von Data Science gegeben.

In den letzten zehn Jahren hat es im IT-Bereich rasante Entwicklungen gegeben, um immer größere Datenmengen speichern und performant verarbeiten zu können. Dadurch wurde eine wesentliche Voraussetzung für die Umsetzung der vernetzten Produktion im Sinne von Industrie 4.0 geschaffen. Die vernetzte Produktion verfolgt die Idee, dass mittels des Internet der Dinge eine Kommunikation zwischen Maschinen, Transportmitteln und Werkstücken stattfindet, um gemeinsam mit dem Menschen bislang unerschlossene Effizienzpotenziale im Hinblick auf Materialbereitstellungs-, Instandhaltungs- und Fertigungskonzepte auszuschöpfen. Zur Umsetzung dieser Konzepte bedarf es in Analogie zur Business Intelligence eines neuartigen Verständnisses der Datenverarbeitung für den Produktionsbereich. Mit Verweis auf das übergeordnete Rahmenkonzept der Data Science ist hierzu ein integrierter Ansatz bestehend aus mathematischer Modellierung, performanter Softwareimplementierung und spezifischem ...

Die Bestellung von Kleidung, Schuhen und Büchern bis hin zu Lebensmitteln über das Internet ersetzt für viele Kunden den Gang ins Kaufhaus. Online-Portale bieten einen komfortablen Weg, ein breites Spektrum von Waren bequem von Zuhause aus beziehen zu können. Um auch wirklich sicherzugehen, das Richtige zu kaufen, wird bspw. ein Kleidungsstück oft in unterschiedlichen Farben und Größen bestellt, das Passende evtl. behalten, der Rest zurückgeschickt. Diese gängige und gewollte Praxis stellt Online-Shops beim Versand, aber vor allem beim Retourenmanagement vor sehr große logistische Herausforderungen. Um ein Maß für die Rücksendewahrscheinlichkeit bestimmter Waren zu erhalten, werden Techniken des maschinellen Lernens eingesetzt. Diese berechnen aus Kundenprofilen und Bestelldaten Modelle, um die Wahrscheinlichkeit für eine Retoursendung zu prognostizieren. Basierend auf dieser Wahrscheinlichkeit können nachgelagerte logistische Prozesse deutlich effizienter gestaltet ...