Advertisement

Controlling & Management Review

, Volume 58, Issue 7, pp 80–85 | Cite as

Interdisziplinäre Datenanalyse für Industrie 4.0

  • Uwe Wieland
  • Marcus Pfitzner
IT-Trends Analyseprozess

Viele Unternehmen stehen kurz vor der vierten industriellen Revolution — auch Industrie 4.0 genannt. Die reale und die virtuelle Welt sind dabei, zu einem großen „Internet der Dinge“ zu verschmelzen. Besonders bei der komplexen Interaktion zwischen Mensch und Maschine wird die Beherrschung dieser Prozesse zu einer interdisziplinären Herausforderung.

Aus der besonderen Bedeutung von Produktionsprozessen als Mittelpunkt der Wertschöpfung in Industrieunternehmen resultiert bekanntermaßen die unternehmerische Notwendigkeit, gewünschte Prozessergebnisse durch eine bewusste Beeinflussung zu erzielen. Die damit angestrebte Prozessbeherrschung zielt auf eine definierte Qualität von Prozessergebnissen bei hoher Wirtschaftlichkeit ab. Allerdings sind besonders industrielle Prozesse durch ihre hohe Individualität und Komplexität sowie wegen ständiger Flexibilitätserfordernisse nur schwer zu beherrschen. Um auch zukünftig Hochlohn-Standorte wettbewerbsfähig zu halten, müssen die Kosten dafür durch...

Literatur

  1. Fahner, G.: Skepsis tut Predicitive Analytics gut, in: BI Spektrum Heft 5 (2013), S. 11–13.Google Scholar
  2. Fayyad, U. M. /Piatetsky-Shapiro, G. /Smyth, P.: From Data Mining to Knowledge Discovery in Databases, in: AI Magazine Vol. 17 (1996), No. 3, S. 37–54.Google Scholar
  3. Grob, H. L. /Bensberg, F. /Coners, A.: Regelbasierte Steuerung von Geschäftsprozessen. Konzeption eines Ansatzes auf Basis von Process Mining, in: Wirtschaftsinformatik, 50 Jg. (2008), Heft 4, S. 268–281.CrossRefGoogle Scholar
  4. Kagermann, H. /Wahlster, W. /Helbig, J.: Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0. Abschlussbericht des Arbeitskreises Industrie 4.0, Deutsche Akademie der Technikwissenschaften e.V., München 2013.Google Scholar
  5. Kueng, P.: Process performance measurement system: a tool to support process-based organizations, in: Total Quality Management and Business Excellence, Jg. 11 (2000), Heft 1, S. 67–85.CrossRefGoogle Scholar
  6. Mariscal, G. /Marban, O. /Fernandez, C.: A survey of data mining and knowledge discovery process models and methodologies, in: The Knowledge Engineering Review, Vol. 15 (2010), No. 2, S. 137–166.CrossRefGoogle Scholar
  7. Otte, R. /Otte, V. /Kaiser, V.: Data Mining für die industrielle Praxis, 1. Aufl., München 2004.Google Scholar
  8. SAS Institute GmbH: Auswertung von Maschinendaten. Ergebnisse einer Befragung von Unternehmen des verarbeitenden Gewerbes, Forsa-Studie, http://www.sas.com/offices/europe/germany/download/files/pdf/BA_ST_Manufacturing_Forsa_03_2013.pdf (letzter Abruf: 16.04.2013).
  9. Spath, D. /Weisbecker, A.: Potenziale der Mensch-Technik Interaktion für die effiziente und vernetzte Produktion von Morgen, Stuttgart 2013.Google Scholar
  10. Watson, J. H.: The Necessary Skills for Advanced Analytics, in: Business Intelligence Journal, Vol. 17 (2013), No. 4, S. 4–7.Google Scholar
  11. Wieland, U. /Fischer, M. /Hilbert, A. (a): Prozessverbesserung im Kontext von Industrie 4.0 — ein Geschäftsmodell für IT-Unternehmen, in: HMD — Praxis der Wirtschaftsinformatik, 50. Jg. (2013), Heft 292, S. 63–72.CrossRefGoogle Scholar
  12. Wieland, U. /Fischer, M. /Hilbert, A. (b): Menschliches Expertenwissen und Prozessdaten im Verbund — Six Sigma und Data Mining im Kontext von Industrie 4.0, in: HMD-Praxis der Wirtschaftsinformatik, 50. Jg. (2013), Heft 294, S. 66–75.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2014

Authors and Affiliations

  1. 1.Technischen Universität DresdenDresdenDeutschland

Personalised recommendations