Industrielle Datenanalyse: Entwicklung einer Datenanalyse-Plattform für die wertschaffende, kompetenzorientierte Kollaboration in dynamischen Wertschöpfungsnetzwerken (German Edition)

Vorwort der Herausgeber
Inhaltsverzeichnis
Abbildungsverzeichnis
Teil I Einleitung
1 Einleitung
	1.1	Ausgangssituation
	1.2	Verbundprojektziel
	1.3	Forschungspartner
	1.4	Vorgehensweise
	Literatur
2 Industrielle Datenanalysen im Mittelstand
	2.1	Rahmen der Forschungsförderung
	2.2	Ausgangssituation und Status Quo im Mittelstand
	2.3	Nutzenpotenziale für Kleine und Mittlere Unternehmen
	2.4	Ausblick
	Literatur
3 Ausgangssituation und technische Grundlagen
	3.1	Einleitung
	3.2	Technische Grundlagen
		3.2.1	Referenzmodelle und -architekturen
		3.2.2	Plattformkonzepte und Kollaborationsplattformen
	3.3	Status Quo der vier Leistungsbereiche
		3.3.1	Integrierte Datenvernetzung
		3.3.2	Industrielle Datenanalyse
		3.3.3	Kompetenzaufbau und -sicherung
		3.3.4	Kollaborationsmöglichkeiten und Geschäftsmodelle
	3.4	Ausblick
	Literatur
4 Prozesskette der industriellen Datenanalyse
	4.1	Motivation und Hintergrund
	4.2	Prozesskette der industriellen Datenanalyse im Referenzbaukasten
	4.3	Bausteine im Referenzbaukasten
	4.4	Ausblick
	Literatur
Teil II Leistungsbereiche im Referenzbaukasten
5 Konzeption und Entwicklung eines integrierten Datenbackends für die industrielle Datenanalyse
	5.1	Anforderungen an das Datenbackend
	5.2	Allgemeines Vorgehen zum Aufbau des Datenbackends
	5.3	Lösungsbausteine
		5.3.1	Dezentrale Datenvernetzung mit SP2IDER
		5.3.2	Aufbau eines zentralen Datenmodells mit der Contact Elements-Plattform
		5.3.3	Data Warehouse-Ansatz mit Power-BI
	5.4	Diskussion und Entscheidungshilfe zur Auswahl der entwickelten Lösungsbausteine
	5.5	Zusammenfassung
	Literatur
6 Abstraktion und Übertragbarkeit von Datenanalysen im industriellen Kontext
	6.1	Einleitung
	6.2	Anforderungen an die Generalisierung von Datenanalysen
	6.3	Modularisierung industrieller Datenanalysen
		6.3.1	Methodische Idee der Datenanalysemodule
		6.3.2	Technischer Hintergrund der modularisierten Datenanalysen
	6.4	AI-Toolbox als Enabler für das Nutzen und Teilen der Module
	6.5	Zusammenfassung
	Literatur
7 Kompetenzentwicklung und -sicherung in der industriellen Datenanalyse von Wertschöpfungsnetzwerken
	7.1	Einleitung und Motivation
	7.2	Analyse und Anforderungsdefinition zum Themenfeld „Kompetenzaufbau und -sicherung in Wertschöpfungsnetzwerken“
	7.3	Konzeptuelle Entwicklung des Leistungsbereichs „Kompetenzen und Handlungsempfehlungen“
	7.4	Entwicklung und Implementierung im Bereich „Kompetenzen und Handlungsempfehlungen“
	7.5	Validierung und Optimierung
	7.6	Zusammenfassung
	Literatur
8 Entwicklung neuer Kollaborationsmöglichkeiten und Geschäftsmodelle
	8.1	Motivation
	8.2	Kollaboration für Data-Science-Projekte
		8.2.1	Nutzungskonzept
		8.2.2	Kollaborations-Werkzeuge
	8.3	Datengetriebene Geschäftsmodellverbesserung
		8.3.1	Nutzungskonzept
		8.3.2	Lösungsarchitektur
		8.3.3	Geschäftsmodellanalyse-Bausteine
	8.4	Zusammenfassung
	Literatur
Teil III Erfolgsgeschichten aus der Anwendung
9 Datengetriebene Arbeitsplangestaltung in der Automobilfertigung
	9.1	Motivation
	9.2	Datenbasierte Optimierung und Gestaltung von Montagelinien
	9.3	Umsetzung der datenbasierten Entscheidungsunterstützung
	9.4	Fazit
	Literatur
10 Kollaborative, modulare Datenanalyse als Werkzeug im Qualitätsmanagement
	10.1	Motivation
	10.2	Datenwissenschaft und Feldbeobachtung im Qualitätsmanagement
		10.2.1	Datenwissenschaft im Qualitätsmanagement
		10.2.2	Feldbeobachtung
	10.3	Zielsetzung im Forschungsvorhaben
		10.3.1	Befähigung und gezielte Qualifikation von Mitarbeitern
		10.3.2	Niederschwelliger Einstieg in Datenanalysen für konkrete Anwendungsfälle
	10.4	Einsatz Industrieller Datenanalysen in der Feldbeobachtung
		10.4.1	Inhaltliche und Methodische Umsetzung
		10.4.2	Technische und strategische Einbindung
	10.5	Fazit
	Literatur
11 Integrierte Datenanalyse zur Kollaboration in der Auftragsplanung
	11.1	Motivation
	11.2	Absatzprognose in der Auftragsplanung
		11.2.1	Zielsetzung und Vorgehensweise
		11.2.2	Modellbildung und Validierung der Absatzprognose
		11.2.3	Einführung der Prognose in die betrieblichen Entscheidungsprozesse
	11.3	Ergebnisse Validierung des Geschäftsmodells
	11.4	Data Science Reifegrad und Mittelstand
	11.5	Fazit
	Literatur
12 Potenzialanalyse industrieller Datenanalysen in der Produktion am Beispiel des Kunststoffschweißens
	12.1	Motivation
	12.2	Ablauf des Kunststoffschweißens
		12.2.1	Prozessparameter und Datenquellen beim Schweißen
	12.3	Nachrüstung zur Datenerfassung mittels ARENDAR
		12.3.1	Datenakquisition
		12.3.2	Webapplikation
	12.4	Datenauswertung
	12.5	Diskussion und Interpretation der Ergebnisse
	12.6	Fazit
	Literatur
13 Kompetenzentwicklung und -sicherung mit einem digitalen Wissensdienst
	13.1	Motivation
	13.2	Umsetzung des Anwendungsfalls mit den entwickelten Ergebnissen
		13.2.1	Definition und Ermittlung datenwissenschaftlicher Kompetenzen
		13.2.2	Entwicklung eines digitalen Wissensdienstes
		13.2.3	Generierung technologiebasierter Lernmodule
		13.2.4	Integration von Kollaborationsmöglichkeiten
		13.2.5	Erprobung in der praktischen Anwendung
	13.3	Transfermaßnahmen und Umsetzung im Referenzbaukasten
	13.4	Fazit
	Literatur
14 Retrofitting und Datenakquisition mittels Industrie 4.0-Technologien
	14.1	Motivation
		14.1.1	Herausforderungen nachträglicher Datenakquisition
		14.1.2	Gateways und Retrofitting im produzierenden Gewerbe
	14.2	Datenerfassung in AKKORD
		14.2.1	Die Testanlage von PolyMerge
		14.2.2	Der AKKORD-Autorenn-Demonstrator
		14.2.3	Die AKKORD Lernstation
	14.3	Fazit
	Literatur
15 Integration der Kundenmeinung ins Geschäftsmodell
	15.1	Motivation
	15.2	Kundensicht im Geschäftsmodell
	15.3	Bewertung des Geschäftsmodells anhand von Kundenbewertungen
		15.3.1	Auswahl von Kundenportalen als Datenquellen
		15.3.2	Sentiment-Analyse und Abbildung auf den Business Model Canvas
		15.3.3	Visualisierung der Analyse
	15.4	Fazit
	Literatur
16 Vorgehensweisen für menschzentrierte Datenanalyseprojekte
	16.1	Motivation
	16.2	Interviewstudie zum Erfolgsfaktor Mensch und abgeleitetes Reifengradmodell
	16.3	Mittelstandsstudie zu Hemmnissen bei der Einführung von Data Science und Künstlicher Intelligenz
	16.4	Vorgehensweisen in Data-Science-Projekten
		16.4.1	Die Dimension menschzentriertes Design im Vorgehensmodell
		16.4.2	Die Dimension Change-Management im Vorgehensmodell
	16.5	Fazit
	Literatur
Teil IV Verwendung der AKKORD-Plattform
17 Umsetzung des Backend im Autorenn-Demonstrator
	17.1	Konzept des Demonstrators
	17.2	Auslesen und Übertragen der Daten
	17.3	Verwaltung der Daten im Backend
	17.4	Weitergabe an die Analysemodule
	17.5	Fazit
	Literatur
18 Umsetzung der Analysebausteine im Autorenn-Demonstrator
	18.1	Konzeptionelle und technische Umsetzung des Demonstrators
	18.2	Zugriffsmodule des Demonstrators
	18.3	Analysemodule des Demonstrators
	18.4	Nutzungsmodule des Demonstrators
	18.5	Fazit
	Literatur
19 Realisierung eines I4.0-Lerndemonstrators im Rahmen des AKKORD-Projekts
	19.1	Motivation
	19.2	Hardware-technischer Aufbau und Funktion der Elemente der AKKORD-Lernstation
	19.3	Entwicklung des hybriden Lernkonzeptes
	19.4	Validierung und Optimierung
	19.5	Fazit
	Literatur
20 Industrielle Datenanalyse im Einklang mit Mensch, Technik und Organisation
	20.1	Ausgangssituation
	20.2	Schlussfolgerungen
		20.2.1	Herausforderungen
		20.2.2	Potenziale
	20.3	Fazit
	Literatur