Analytics Der Weg zu datengetriebenen Geschäftsprozessen Dr.-Ing. Philipp Gölzer 1
Ziel der Digitalisierung ist die Realisierung datengetriebener Geschäfts-/Entscheidungsprozesse Ziele Höhere Qualität Höhere Produktivität Höhere Effizienz Höhere Sicherheit Geschäftsprozess Entscheidungsprozess Erkenntnisse aus Daten Prozesse überwachen Probleme erkennen Probleme vorhersagen Maßnahmen vorgeben Daten Neue Möglichkeiten durch Künstliche Intelligenz! 2
Wert Analytics Von Business Intelligence zu Data Science Business Intelligence Data Science Wie können wir Ziele erreichen? Warum ist es passiert? Was wird passieren? Prescriptive Analytics Was ist passiert? Predictive Analytics Descriptive Analytics Komplexität 3
Business Intelligence vs. Data Science Unterschiedliche Charakteristik Business Intelligence Data Science Reports, KPIs, Trends Fokus Muster, Beziehungen, Modelle statisch, vergleichend Ablauf explorativ, iterativ eindeutig, eine Wahrheit Ergebnis wahrscheinlich, gut genug retrospektiv, beschreibend Analyse vorhersagend, vorgebend 4
Business Intelligence vs. Data Science Unterschiedliche Vorgehensweise Business Intelligence 1. Datenmodell definieren 2. Datenabfragen definieren 3. SQL Befehle generieren 4. Berichte erstellen Data Science 1. Geschäftsprozesse verstehen und Hypothesen formulieren 2. Notwendige Daten sammeln 3. Daten visualisieren / verstehen 4. Datenmodell definieren BW? 5. Modelle erzeugen u. evaluieren? 5
Business Intelligence vs. Data Science Unterschiedliche Sicht auf relevante Entitäten Business Intelligence Data Science 360 -Betrachtung von Schlüsselentitäten z. B. Kunden, Maschinen, Produkte Erstellung von Profilen für Entitäten mit geschäftsrelevanten Metriken, Kennzahlen, Eigenschaften, Verhalten und Beziehungen 6
Analytics Fragestellungen zur Mustererkennung in Daten Fragestellung für Neuronale Netze Auswahl und Konfiguration von geeigneten Verfahren erfolgt spezifisch für jeden Anwendungsfall 7
Anwendungsbeispiele für Neuronale Netze Condition Monitoring Fragestellung: Wie kann die Verfügbarkeit einer Produktionsmaschine sichergestellt werden? Sensorwerte Kennwerte Maschinen- Parameter Bild: EMAG Betriebszustände Störungen, Fehler 23 Anwendungsfälle bei einer aktuell durchgeführten Literaturstudie (n=47) Nutzen/Ergebnis: Fehler erkennen und prognostizieren 8
Anwendungsbeispiele für Neuronale Netze Maschinensteuerung Fragestellung: Wie können Ausschuss und Nacharbeit nachhaltig eliminiert werden? Produkte, Chargen Bild: Müko Prüfergebnisse Werkzeuge Maschinenparameter QS- Messgrößen 5 Anwendungsfälle bei einer aktuell durchgeführten Literaturstudie (n=47) Nutzen/Ergebnis: Vorgaben für Maschinensteuerung 9
Anwendungsbeispiele für Neuronale Netze Inventory Management Fragestellung: Wie können die Lagerressourcen bedarfsgerecht geplant und eingesetzt werden? Bild: Hallenbau.com Stellplatznutzung Produktdaten Lagerinfrastruktur Ressourcennutzung Kundenbedarfe 4 Anwendungsfälle bei einer aktuell durchgeführten Literaturstudie (n=47) Nutzen/Ergebnis: Vorgaben für die Einlagerung 10
Der Weg zu datengetriebenen Geschäftsprozessen erfordert vielfältige Kompetenzen, Prozesse, Systeme Geschäftsstrategie Datengetriebener Geschäftsprozess Digitalisierungsstrategie Geschäftsprozess Entscheidungsprozess Vorgabe Anwendungsfälle Entscheidung, Validierung Ziele und Rahmenbedingungen Systemverständnis Systembeschreibung Hypothesen historische Daten Sensorik, IoT, Big Data aktuelle Daten Kennzahl, Vorhersagen Vorgaben iterativ, explorativ operativ Data Mining Maschinelles Lernen Künstliche Intelligenz Modelle Data Science IT-Anwendungssystem 11
Der Weg zu datengetriebenen Geschäftsprozessen Forschung und Leistungen am Fraunhofer SCS Innovation & Transformation Data Spaces & IoT Solutions Analytics & Optimization 12
Der Weg zu datengetriebenen Geschäftsprozessen Businessnutzen Neuronaler Netze Neuronale Netze können hochkomplexe Zusammenhänge abbilden und erklären. Leistungsfähigere IT-Systeme eröffnen Neuronalen Netzen immer neue Anwendungsbereiche. Der Mehrwert gegenüber alternativen Verfahren ist bis dato kaum wissenschaftlich untersucht. Die eingesetzten Verfahren sind immer Teil einer umfassenden komplementären Analytics-Prozesskette. Wirklicher Businessnutzen wird erst durch die Beherrschung der gesamten Prozesskette realisiert. 13
ADA-Center Kompetenzzentrum für Künstliche Intelligenz am Fraunhofer IIS (Start Q2/2018) Universitäten national und international ADA-Center Fraunhofer IIS Unternehmen Industrie, Automotiv, Handel, Kreativraum Kompetenznetzwerk KI Use Cases Plattform für Unternehmen Außeruniversitäre Forschungsinfrastruktur Lab LINK- Halle JOSEPHS Forschungs- und Industriekooperationen Nachwuchsförderung 14
Ansprechpartner Kontaktinformationen Dr.-Ing. Philipp Gölzer Gruppenleiter Data Science & Optimization Fraunhofer Supply Chain Services (SCS) Nordostpark 93, 90411 Nürnberg Tel.: +49 911 58061-9529 E-Mail: philipp.goelzer@scs.fraunhofer.de FhG/SCS behält sich alle Rechte an der Präsentation vor. Die Urheberrechte an der Präsentation liegen vollständig bei FhG/SCS. Die Nutzung oder der Ausdruck der Präsentation ist ausschließlich für den internen Gebrauch gestattet. Jede darüber hinaus gehende Verwendung, insbesondere die Weitergabe auch von Bestandteilen der Präsentation an Dritte sowie die kommerzielle Nutzung und Verbreitung sind grundsätzlich nicht gestattet. 15