Analytics

Die Bedeutung der Logistik hat sich in den vergangenen Jahrzehnten stark verändert. Während diese früher zu den Kernfunktionen der meisten Unternehmen zählte, werden Logistikdienstleistungen heutzutage häufig an Logistikdienstleister ausgelagert. Diese Verlagerung führt zu neuen organisatorischen Strukturen und ermöglicht ebenso die Umsetzung neuer innovativer Geschäftsmodelle. Durch die Digitalisierung der Logistik steigt der notwendige Integrations- und Koordinationsaufwand exponentiell an und kann nur durch den intelligenten Einsatz von IT beherrschbar gestaltet werden kann. Dieser Beitrag beleuchtet das Spannungsfeld der Logistik und IT und zeigt auf, welchen Herausforderungen die Logistik unterliegt und wie diese durch den adäquaten Einsatz von Big Data Technologien bewältigt werden können.

Im Zuge der 2017 veröffentlichten Studie „Manufacturing-Data-Analytics“ der Universität St. Gallen in Kooperation mit der RWTH Aachen wurden vielfältige Aspekte der industriellen Datennutzung untersucht. Hierbei wurden verschiedene Themenfelder wie beispielsweise technische Systeme, Implementierungsstatus und organisatorische Umsetzung analysiert. Während sich viele produzierende Unternehmen noch in einem rudimentären Einführungsstadium befinden, sind andere Unternehmen bereits heute in der Lage, durch umfassende Datenerhebung und -auswertung Vorhersagen treffen zu können und so ihre Effizienz in der Produktion erheblich zu steigern. Dabei sind besonders die Datenqualität und eine systematische Evaluierung von Anwendungsfällen von entscheidender Bedeutung. Ebenso konnte gezeigt werden, dass strategische Partnerschaften sinnvoll sind, um die Implementierung zu beschleunigen und einfacher zu gestalten.

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.

Wirtschaft, Unternehmen und Mitarbeiter werden nachhaltig vom digitalen Wandel erfasst. Besonders interessant sind hierbei die neuen Möglichkeiten für die Weiterbildung, Lernerverhalten digital auszuwerten. Learning Analytics kann zur konkreten Optimierung von Lernformen und Lerninhalten zum Wohle der Lernenden und des aus- und weiterbildenden Unternehmens eingesetzt werden.

Die Compliance-Organisation hat die Integrität der Organisation sowie die Umsetzung der im Konzern gesetzten Compliance-Vorgaben durch ein geeignetes Monitoring-Konzept zu überwachen. Die Unternehmensführung genügt ihrer Aufsichtspflicht erst dann, wenn sie sich über das CMS und seiner Wirkungsweise in angemessener Weise informiert. Der Beitrag diskutiert die Möglichkeiten der Compliance-Organisation, durch Big Data Analytics und der Entwicklung von spezifischen Key Performance Indicators (KPI) Compliance-Risiken transparent zu machen sowie die Compliance-Ziele zu überwachen und darüber zu berichten.

Im Kontext der vierten industriellen Revolution wird maßgeblich von einer zunehmenden Flexibilisierung und Individualisierung gesprochen. Der Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik kreiert und realisiert dafür Innovationen durch die Integration von Wissen aus unterschiedlichen Domänen und Fachbereichen der Produktion und gesamten Wertschöpfungskette. Das übergreifende Forschungsziel liegt in der Vernetzung aller Teilfunktionen einer Fabrik zu einem rechnerintegrierten Gesamtkonzept. Durch die Vielzahl der Kooperationen mit wissenschaftlichen Einrichtungen und industriellen Betrieben findet neben intensiver Forschung auch ein stetiger Technologieaustausch mit der Industrie statt. Sowohl langfristige Forschungsprojekte als auch kurzfristige Dienstleistungen werden in enger Zusammenarbeit mit den Partnern in den sechs Forschungsbereichen Elektronikproduktion, Elektromaschinenbau, Bordnetze, Biomechatronik, System Engineering und dem E|Home-Center ...

Die TECO Forschungsgruppe am KIT beschäftigt sich mit Technologien, die zur digitalen Transformation der Industrie beitragen, und deren Auswirkung auf den Nutzer. Das TECO forscht an wissenschaftlichen Kernfragen, transferiert in Entwicklungs- und Beratungsprojekten seine Technologie in die Industrie und engagiert sich in Gremien bzw. Zentren. Das TECO koordiniert das Smart Data Innovation Lab (SDIL) und leitet das Smart Data Solution Center Baden-Württemberg (SDSC-BW). Unsere Leistungen umfassen Beratung, Vorprojekte, Adaption und Integration von Technologien des Internet der Dinge, Studien sowie Forschungs- und Entwicklungsarbeiten.

In Fertigungen mit einem hohen Anteil an Personalkosten ist die Beherrschung der Arbeitsproduktivität eine der wichtigsten Herausforderungen. Etablierte Methoden zur Analyse der Arbeitsproduktivität wie die Primär-Sekundär-Analyse ermöglichen es, Potenziale zu identifizieren, und bilden so die Grundlage für Verbesserungen. Der Einsatz dieser Methoden ist jedoch aufwändig. Die Verwendung von 3D-Kameras ermöglicht es, Bewegungsabläufe von Mitarbeitern bei Montageaufgaben aufwandsarm zu analysieren und so Verbesserungspotenziale zu identifizieren. Dieser Beitrag stellt eine Methode zur Produktivitätsanalyse vor, die mit dieser Technologie teilautomatisiert durchführbar ist.

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 ...