Data Science in der Fertigung2020-09-21T11:00:29+02:00

Data Science in der Fertigung

Künstliche Intelligenz steigert Termintreue

Die fertigende Industrie hat den Vorteil, dass viele Daten bereits in etlichen Systemen zur Verfügung stehen. Der Nachteil: Die gesammelten Daten sind meist weit entfernt von realistischen Werten. Die Konsequenz sind sehr ungenaue Planungen, die es erschweren, Kunden genaue Liefertermine zu nennen.

 

98% Operational Excellence
42% bessere Daten
90% präzisere Planung

Machine Learning verbessert Planungswerte im Maschinen- und Anlagenbau

Maschinen- und Anlagenbauer kennen diese Problematik. Die sehr komplexe Planung von Zukaufteilen und Eigenproduktion einer variantenreichen Fertigung ist schon ohne ungenaue Planungswerte eine schwierige Herausforderung. Der Einsatz von Machine Learning hilft hier, starke Verbesserungen zu erzielen, beispielsweise um Wiederbeschaffungszeiten zuverlässiger und präziser zu bestimmen. Denn die Daten stimmen häufig nicht mit der Realität überein, die Produktionsplanung wird dann zum Beispiel mit 10 anstatt 20 Tagen kalkuliert. Das Ergebnis sind sehr ungenaue Liefertermine und häufige Terminverschiebungen. Diese können durch eine Datenbereinigung mittels Machine Learning behoben und die Stammdatenqualität langfristig gesteigert werden. Historische SAP-Daten zu beispielsweise Lieferant, Materialien oder Bestellungen helfen, Wiederbeschaffungszeiten um bis zu 42 Prozent zu verbessern.

Die präzisen Planungswerte können dann unter anderem in ein mobiles, dynamisches Shopfloor Management, bei dem Produktivitätskennzahlen an jeder Maschine via Dashboard direkt in der Fertigung einsehbar sind, integriert werden. So kann auch die Produktion digital und papierlos gestaltet werden.

0% schnellere Reaktionszeit
0überwachte Sensoren
0Jahre Trainingsdaten

Die häufigsten Datenqualitätsprobleme

Datenqualität klingt zunächst nach einem harmlosen Begriff. Bei der ersten Begegnung besteht die Assoziation in der Regel mit großen, teils fehlerhaften, Tabellen, Mathematik und komplexen Statistiken. Die Folgen können jedoch sehr real sein. In meinem früheren Artikel "Datenbereinigung: Fallstricke und Lösungen" habe ich bereits einen näheren Blick auf einige der Formen geworfen, in denen Datenqualitätsprobleme auftreten können. Darin ging es auch um verschiedene Ansätze zur Verbesserung der Datenqualität, sowie Einblicke in die Auswirkungen einer unzureichenden Datenqualität auf das Geschäft. Heute [...]

Load More Posts

Sie wollen mehr über Data Analytics und Science in der Industrie sowie weitere erfolgreiche Projekte erfahren?

Jetzt anfordern
New call-to-action

Events

Recent Posts

Data Revolution Virtual Summit

Oktober 28 @ 10:00 - 15:00

Online-Event

Write! Gantt Release Webinar

Oktober 30 @ 10:00 - 10:45

Webinar

TDWI VIRTUAL II

November 10 @ 10:00 - 15:00

Online-Event

Qlik-Schulung „Getting Started“

November 23 @ 9:30 - 16:30

Schulung

Qlik-Schulung – Qlik und SAP

November 24 @ 9:30 - 16:30

Schulung

Qlik-Schulung – Designer Essentials

November 25 @ 9:30 - 16:30

Schulung

Qlik-Schulung – Developer Essentials

November 26 @ 9:30 - November 27 @ 16:30

Zweitägige Schulung

Qlik-Schulung „Getting Started“

November 30 @ 9:30 - 16:30

Schulung

Latest Blog

Social Media

Werden Sie zum #Qlik Experten und nehmen Sie an unseren Schulungen teil - ganz einfach online! Ob Anfänger, Designer oder Developer - erfahren, wie Sie das Beste aus Ihrer Lösung herausholen!

Jetzt anmelden: https://hubs.la/H0ydmc30
#qliksense #dataanalytics #businessintelligence

What are the most common #dataquality problems and how can you clean up the data in your company?

Read more about data quality disasters and #datacleansing methods: https://hubs.la/H0ycH4D0

Load More...
Nach oben