Das Ziel der vorliegenden Arbeit besteht darin, in Zusammenarbeit mit dem Fraunhofer Institut für Produktionstechnik und Automatisierung, den Anforderungen an die Produktionsunternehmen und insbesondere deren Herzstück, der Produktion mit intelligenten Data-Mining-Anwendungen, gerecht zu werden. Sich ständig verändernde Umweltbedingungen und der mit der Globalisierung immer härter werdende Wettbewerb hinsichtlich Kosten, Qualität und Zeit fordern von Unternehmen kontinuierlich steigende Anstrengungen, bestehende Verschwendungen von Zeit, Ressourcen und Personal in den Geschäftsprozessen systematisch zu identifizieren, zu eliminieren bzw. zu reduzieren. In Unternehmensbereichen wie Marketing, Finanzen oder Vertrieb hat sich das Data Mining mittlerweile als Hilfsmittel bei Entscheidungsfindungen gut bewährt. In dem Bereich Produktion und dem bereichsübergreifend begleitenden Prozess der Logistik ist aber Potenzial für Data Mining vorhanden, das noch nicht voll ausgeschöpft wurde, obwohl hier mit zunehmender Automatisierung und fortschreitendem technischem Wandel Prozessdaten anfallen, die eine Grundlage für Analysen bilden können. Die Erfüllung der Anforderungen produzierender Unternehmen, in einem stetig komplexer werdenden Produktionsumfeld verborgene Wirkungszusammenhänge und Mechanismen durch vorhandene Datenbestände aufzudecken und dabei die eigenen Prozesse besser zu verstehen, ergibt dabei die Zielsetzung. Die umgesetzten gewonnenen Erkenntnisse können anschließend Optimierungen in den Prozessen anregen. Eine Aufgabe der vorliegenden Arbeit besteht darin, anhand von Data-Mining-Anwendungen in der Produktion und Logistik deren Nutzen für produzierende Unter-nehmen aufzuzeigen. Weiterhin soll an einem Praxisbeispiel ein Prozessdatensatz aus dem Produktionsumfeld anhand einer einheitlichen Vorgehensweise nach Erkenntnissen untersucht werden, die die Anwendbarkeit von Data Mining im Produktionsumfeld bestätigt. Verbunden mit den Aufgabenstellungen kristallisiert sich die Forschungsfrage heraus, auf die eine Antwort während der Arbeit gefunden werden soll:
Wo wird im Produktions- und Logistikumfeld Data Mining eingesetzt
und welchen Nutzen bietet es für Unternehmen?
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
2.5.1 Clusterverfahren im Rahmen der Segmentierung
Mit Clusterverfahren wird die Absicht verfolgt, Elemente eines Datensatzes derart aufzuteilen, dass sie danach innerhalb der gebildeten Klassen möglichst ähnlich und zwischen den Klassen möglichst verschieden sind. Clusterverfahren ergeben somit typische Werkzeuge, um die Segmentierung des Datenbestandes durchzuführen. Dabei erfolgt die Clusterbildung nach identifizierten logisch verwandten Zusammenhängen, ohne dass die zu bildenden Klassen a priori bekannt sind. Essenziell für die Anwendung von Clusterverfahren ist die Vorab-Festlegung darüber, wie die Distanz bzw. Ähnlichkeit zweier Datenobjekte zu messen ist.
Die Literatur enthält unterschiedliche Kategorisierungsansätze für Clusterverfahren, die je nach Ausgangszustand der Daten und dem Ziel der Analyse genutzt werden können. Verbreitet ist die Unterscheidung zwischen unvollständigen/geometrischen, deterministischen sowie probabilistischen Verfahren. Relevant für das Data Mining sind die deterministischen Verfahren, die sich einerseits in hierarchische und anderseits in partitionierende Verfahren unterteilen. Die hierarchischen Verfahren bilden iterativ Partitionen des Datenbestandes, indem eine neue Partition aus einer Operation auf einer bestehenden Partition resultiert.
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.
- Arbeit zitieren
- Yasin Yakut (Autor:in), 2013, Anwendungsfelder für Data Mining in Produktion und Logistik, München, GRIN Verlag, https://www.hausarbeiten.de/document/281670
