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
- 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.
- Arbeit zitieren
- Yasin Yakut (Autor:in), 2013, Anwendungsfelder für Data Mining in Produktion und Logistik, München, GRIN Verlag, https://www.hausarbeiten.de/document/281670
