Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter June 22, 2021

Expertengestützte Data-Science-Projekte für die Produktion

Integration von Expertenwissen durch Prozessoptimierungsmethoden

Expert-supported Data Science Projects for Production
Integration of Expert Knowledge through Process Optimization Methods
Friedrich Morlock

Dr.-Ing. Friedrich Morlock, geb. 1986, studierte Maschinenbau an der Ruhr-Universität Bochum, Technischen Universität Dortmund und Linköping University in Schweden. Anschließend war er als Wissenschaftlicher Mitarbeiter und Gruppenleiter Produktionsmanagement am Lehrstuhl für Produktionssysteme (LPS) der Ruhr-Universität Bochum tätig. Seit 2016 arbeitet er beim Chemie-Konzern Evonik in verschiedenen Stellen im Bereich Prozessoptimierung. Darüber hinaus ist er parallel als Dozent und Lehrbeauftragter an der IU Internationale Hochschule im Bereich „Data Science Industry 4.0“ aktiv.

EMAIL logo
and Mario Boßlau

Prof. Dr.-Ing. Mario Boßlau, geb. 1980, studierte Wirtschaftsingenieurwesen mit Vertiefung Produktionstechnik an der Brandenburgischen Technischen Universität Cottbus. Nach Industrietätigkeit in der Geschäftsleitung eines industriellen Dienstleisters für die Automobilindustrie war er als wissenschaftlicher Mitarbeiter und Arbeitsgruppenleiter am Lehrstuhl für Produktionssysteme der Ruhruniversität Bochum tätig. Darüber hinaus war er mehrere Jahre in der Automobilzuliefererindustrie bei der Pierburg GmbH im Bereich Forschung und Entwicklung als Inhouse-Berater tätig. Seit 2018 ist er Inhaber einer Professur für das Fachgebiet Wirtschaftsingenieurwesen und forscht schwerpunktmäßig im Bereich smarte Produkt-Service-Systeme, Industrie 4.0 und Geschäftsmodelle.

Abstract

Technische Entwicklungen wie Datensammler und Analysewerkzeuge ermöglichen neue Optimierungspotenziale in der Produktion. Ein gutes Beispiel dafür ist das Themenfeld Data Science. Big-Data-Analysen oder Data-Science-Projekte können aus großen Datenmengen Hinweise und Optimierungspotenziale in der Produktion aufdecken. Für die Datenanalyse hat sich in Wissenschaft und Praxis der CRISP-DM-Ansatz durchgesetzt. Dieses Vorgehensmodell bietet eine gute Unterstützung für Data-Science-Projekte mit nützlichen Methoden und Werkzeugen zur Datenanalyse. In der Praxis ist jedoch oft zu beobachten, dass diese Projekte häufig von Datenexperten durchgeführt werden und die Verknüpfung von langjährigem Prozesswissen fehlt. In diesem Beitrag wird als Lösung eine Kombination von Prozessoptimierungsmethoden aus dem Lean-Management- und Six-Sigma-Werkzeugkasten sowie Projektmanagement-Methoden für jede Phase des CRISP-DM-Ansatzes vorgestellt.

Abstract

Digitization is both a challenge and an opportunity for production companies. New technical developments such as data collectors and analysis tools enable new optimization potential in production. A good example of this is the topic area of Data Science. Big Data analyses or Data Science projects can uncover optimization potential in production from large volumes of data. The CRISP-DM approach has become established in science and practice for data analysis. This procedure model offers good support for data science projects with useful methods and tools for data analysis. In practice, however, it is often observed that Data Science projects are often carried out by data experts and lack the linkage of long-standing process knowledge. In this paper, a combination of process optimization methods from the Lean Management and Six Sigma toolbox as well as project management methods for each phase of the CRISP-DM approach is presented as a solution to this challenge.


Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).



Tel.: +49 (0) 176 325 286 23

About the authors

Dr.-Ing. Friedrich Morlock

Dr.-Ing. Friedrich Morlock, geb. 1986, studierte Maschinenbau an der Ruhr-Universität Bochum, Technischen Universität Dortmund und Linköping University in Schweden. Anschließend war er als Wissenschaftlicher Mitarbeiter und Gruppenleiter Produktionsmanagement am Lehrstuhl für Produktionssysteme (LPS) der Ruhr-Universität Bochum tätig. Seit 2016 arbeitet er beim Chemie-Konzern Evonik in verschiedenen Stellen im Bereich Prozessoptimierung. Darüber hinaus ist er parallel als Dozent und Lehrbeauftragter an der IU Internationale Hochschule im Bereich „Data Science Industry 4.0“ aktiv.

Prof. Dr.-Ing. Mario Boßlau

Prof. Dr.-Ing. Mario Boßlau, geb. 1980, studierte Wirtschaftsingenieurwesen mit Vertiefung Produktionstechnik an der Brandenburgischen Technischen Universität Cottbus. Nach Industrietätigkeit in der Geschäftsleitung eines industriellen Dienstleisters für die Automobilindustrie war er als wissenschaftlicher Mitarbeiter und Arbeitsgruppenleiter am Lehrstuhl für Produktionssysteme der Ruhruniversität Bochum tätig. Darüber hinaus war er mehrere Jahre in der Automobilzuliefererindustrie bei der Pierburg GmbH im Bereich Forschung und Entwicklung als Inhouse-Berater tätig. Seit 2018 ist er Inhaber einer Professur für das Fachgebiet Wirtschaftsingenieurwesen und forscht schwerpunktmäßig im Bereich smarte Produkt-Service-Systeme, Industrie 4.0 und Geschäftsmodelle.

Danksagung

Die Autoren dieses Beitrags bedanken sich herzlich bei der IU Internationale Hochschule für die Unterstützung dieses Fachbeitrags.

Literatur

1 Lee, J.; Kao, H.-A.; Yang, S.: Service Innovation and Smart Analytics for Industry 4.0 and Big Data Environment. Procedia CIRP 16 (2014), S. 3–8 DOI: 10.1016/j.procir.2014.02.00110.1016/j.procir.2014.02.001Search in Google Scholar

2 Oesterreich, T. D.; Teuteberg, F.: Understanding the Implications of Digitisation and Automation in the Context of Industry 4.0: A Triangulation Approach and Elements of a Research Agenda for the Construction Industry. Computers in Industry 83 (2016) 12, S. 121–139 DOI: 10.1016/j.compind.2016.09.00610.1016/j.compind.2016.09.006Search in Google Scholar

3 Morlock, F.; Wienbruch, T.; Leineweber, S.; Kreimeier, D.; Kuhlenkötter, B.: Industrie-4.0-Transformation für produzierende Unternehmen. ZWF 111 (2016) 5, S. 306–309 DOI: 10.3139/104.11151410.3139/104.111514Search in Google Scholar

4 Morlock, F.; Kreggenfeld, N.; Louw, L.; Kreimeier, D.; Kuhlenkötter, B.: Teaching Methods-Time Measurement (MTM) for Workplace Design in Learning Factories. Procedia Manufacturing 9 (2017), S. 369–375 DOI: 10.1016/j.promfg.2017.04.03310.1016/j.promfg.2017.04.033Search in Google Scholar

5 Hoffmann, M.: Von Industrial Big Data zu Smart Data – Wie aus Produktionsdaten Erkenntnisse werden. Informatik Aktuell (03. 09. 2019). Online unter https://www.informatik-aktuell.de/management-und-recht/digitalisierung/von-industrial-big-data-zusmart-data.html[Abrufam14.12.2020]Search in Google Scholar

6 Morlock, F.; Boßlau, M.: Enable Customeroriented Data Analytics via Integration of Production Process Improvement Methods and Data Science Methods. In: Mourtzis, D. (Hrsg.): Proceedings of the 54th CIRP Conference on Manufacturing Systems, 2021. Procedia CIRP (2021) (in Druck)Search in Google Scholar

7 Fahmy, A. F.; Mohamed, H. K.; Yousef, A. H.: A Data Mining Experimentation Framework to Improve Six Sigma Projects. In: Proceedings of the 13th International Computer Engineering Conference (ICENCO). Egypt, Cairo, 27.–28.12.2017, S. 243–249 DOI: 10.1109/ICENCO.2017.828979510.1109/ICENCO.2017.8289795Search in Google Scholar

8 Schmitt, J.; Deuse, J.; Stemann, D.: Enhanced Six Sigma – Integration von Data Mining Verfahren in den DMAIC Zyklus. QZ Qualität und Zuverlässigkeit 64 (2019) 3, S. 32–37Search in Google Scholar

9 Schafer, F.; Zeiselmair, C.; Becker, J.; Otten, H.: Synthesizing CRISP-DM and Quality Management: A Data Mining Approach for Production Processes. In: Proceedings of the IEEE International Conference on Technology Management, Operations and Decisions (ICTMOD). Marrakech, Morocco, 21.- 23.11.2018, S. 190–195 DOI: 10.1109/ITMC.2018.869126610.1109/ITMC.2018.8691266Search in Google Scholar

10 Brook, Q.: Lean Six Sigma and Minitab. The Complete Toolbox Guide for Business Improvement. 6. Aufl., OPEX Resources Ltd, Winchester, United Kingdom 2020Search in Google Scholar

11 Liker, J. K.: The Toyota Way – 14 Management Principles from the World‘s Geatest manufacturer. McGraw-Hill, New York, NY 2004Search in Google Scholar

12 Chapman, P.; Clinton, J.; Kerber, R.; Khabaza, T.; Reinartz, T.; Shearer, C.; Wirth, R.: CRISP-DM 1.0 – Step-by-Step Data Mining Guide. SPSS 2000Search in Google Scholar

13 Wirth, R.; Hipp, J.: CRISP-DM. Towards a Standard Process Model for Data Mining. In: Mackin, N. (Hrsg.): Proceedings of the 4th International Conference on the Practical Application of Knowledge Discovery and Data Mining (11.–13.04.2000), Crowne Plaza Midland Hotel, Manchester, UK, S. 29–39. Practical Application Company, Blackpool, Lancashire 2000Search in Google Scholar

14 Statista: Statistiken zur Kunststoffindustrie in Deutschland 2008 bis 2019 (2021). Online unter https://de.statista.com/themen/3094/kunststoffindustrie-in-deutschland/[Abrufam12.04.2021]Search in Google Scholar

15 Morlock, F.; Dorka, T.; Meier, H.: Concept for a Performance Measurement Method for the Organization of the IPS2 Delivery. Procedia CIRP 16 (2014), S. 56–61 DOI: 10.1016/j.procir.2014.03.00310.1016/j.procir.2014.03.003Search in Google Scholar

Published Online: 2021-06-22
Published in Print: 2021-06-30

© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany

Downloaded on 1.2.2023 from https://www.degruyter.com/document/doi/10.1515/zwf-2021-0097/html
Scroll Up Arrow