Traceability-Systeme als Enabler für Process Mining
-
Markus Schreiber
Markus Schreiber, M. Sc., geb. 1988, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau und ist Wissenschaftlicher Mitarbeiter in der Gruppe Management industrieller Produktion (MiP) des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. Seine Forschungsinteressen liegen im Bereich Bauteil- und Betriebsmittel-Traceability sowie der Optimierung von Produktionsprozessen.
,
Phillip Bausch
Phillip Bausch, M. Sc., geb. 1991, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau und ist Wissenschaftlicher Mitarbeiter in der Gruppe Management industrieller Produktion (MiP) des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. Seine Forschungsinteressen liegen im Bereich Bauteil- und Betriebsmittel-Traceability sowie der Optimierung von Produktionsprozessen.
Max Windecker, M. Sc., geb. 1995, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau und ist als Prozessingenieur bei der Firma Procter & Gamble tätig.
Prof. Dr.-Ing. Joachim Metternich, geb. 1968, studierte und promovierte an der TU Darmstadt und ist gemeinsam mit Prof. Dr.-Ing Weigold Leiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen der TU Darmstadt. Seine Forschungsgebiete sind Lean Management, Lean 4.0, Industrie 4.0 sowie die Verbesserung von Produktionssystemen im Allgemeinen.
Abstract
In der Industrie steigt die Bedeutung Daten aus der Produktion wertschöpfend zu nutzen stetig. In dieser Arbeit wird die Ausgestaltung der Datenwertschöpfungskette von der Datengenerierung durch Traceability-Systeme bis zur Datenauswertung über Process Mining aufgezeigt. Die durchgeführte Interview-Studie gibt einen Einblick, wie Experten die Thematik bewerten.
Abstract
In industry the importance of using data from production to create value is constantly increasing. In this paper, the design of the data value chain from data generation through traceability systems to data evaluation via process mining is illustrated. As the interview study shows, experts surveyed from production companies do not yet see this connection holistically.
About the authors
Markus Schreiber, M. Sc., geb. 1988, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau und ist Wissenschaftlicher Mitarbeiter in der Gruppe Management industrieller Produktion (MiP) des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. Seine Forschungsinteressen liegen im Bereich Bauteil- und Betriebsmittel-Traceability sowie der Optimierung von Produktionsprozessen.
Phillip Bausch, M. Sc., geb. 1991, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau und ist Wissenschaftlicher Mitarbeiter in der Gruppe Management industrieller Produktion (MiP) des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. Seine Forschungsinteressen liegen im Bereich Bauteil- und Betriebsmittel-Traceability sowie der Optimierung von Produktionsprozessen.
Max Windecker, M. Sc., geb. 1995, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau und ist als Prozessingenieur bei der Firma Procter & Gamble tätig.
Prof. Dr.-Ing. Joachim Metternich, geb. 1968, studierte und promovierte an der TU Darmstadt und ist gemeinsam mit Prof. Dr.-Ing Weigold Leiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen der TU Darmstadt. Seine Forschungsgebiete sind Lean Management, Lean 4.0, Industrie 4.0 sowie die Verbesserung von Produktionssystemen im Allgemeinen.
Literatur
1 Schuh, G.; Anderl, R.; Dumitrescu, R. et al.: Industrie 4.0 Maturity Index. Managing the Digital Transformation of Companies – UP-DATE 2020 – (acatech STUDY). Online unter https://www.acatech.de/publikation/industrie-4-0-maturity-index-update-2020/ [Zugriff am 07.04.2021]Suche in Google Scholar
2 Kroker, M.: Zwei Drittel der Unternehmen erwarten, dass sich die Datenmengen bis 2025 verfünffachen. Internet: https://blog.wiwo.de/look-at-it/2020/08/31/zwei-drittelder-unternehmen-erwarten-dass-sich-diedatenmenge-bis-2025-verfuenffachen/#:~:text=Zwei%20Drittel%20der%20Unternehmen%20weltweit,verf%C3%BCnffachen%20wird%20(67%20Prozent).&text=Die%20Studienergebnisse%20aus%20Deutschland%20zeigen,im%20Vergleich%20zu%20heute%20rechnen [Zugriff am 07.04.2021]Suche in Google Scholar
3 Industry Today: Value of Data Increasing Exponentially in Manufacturing (2020). Online unter https://industrytoday.com/valueof-data-increasing-exponentially-inmanufacturing/ [Zugriff am 07.04.2021]Suche in Google Scholar
4 Schuh, G.; Anderl, R.; Dumitrescu, R. et al.: Using the Industrie 4.0 Maturity Index in Industry – Current Challenges, Case Studies and trends (acatech COOPERATION). Managing the Digital Transformation of Companies – UPDATE 2020. Online unter https://en.acatech.de/publication/using-theindustrie-4–0-maturity-index-in-industrycase-studies/ [Zugriff am 07.04.2021]Suche in Google Scholar
5 Buhrmann, C.: Bosch: Process Mining – A Corporate Consulting Perspective. In: Reinkemeyer, L. (Hrsg.): Process Mining in Action – Principles, Use Cases and Outlook. Springer ProQuest eBook Central, Cham, Ann Arbor 2020, S. 129–133 DOI: 10.1007/978-3-030-40172-6_1610.1007/978-3-030-40172-6_16Suche in Google Scholar
6 Lechner, P.: BMW: Process Mining @ Production. In: Reinkemeyer, L. (Hrsg.): Process Mining in Action. Springer International Publishing, Cham 2020, S. 65–73 DOI: 10.1007/978-3-030-40172-6_1110.1007/978-3-030-40172-6_11Suche in Google Scholar
7 Olsen, P.; Borit, M.: How to define traceability. Trends in Food Science & Technology 29 (2013) 2, S. 142–150 DOI: 10.1016/j.tifs.2012.10.00310.1016/j.tifs.2012.10.003Suche in Google Scholar
8 Budak, A.; Ustundag, A.; Kilinc, M. S.et al.: Digital Traceability Through Production Value Chain. In: Ustundag, A.; Cevikcan, E. (Hrsg.): Industry 4.0: Managing The Digital Transformation. Springer International Publishing, Cham 2018, S. 251–265 DOI: 10.1007/978-3-319-57870-5_1510.1007/978-3-319-57870-5_15Suche in Google Scholar
9 Wank, A.: Methodik zur Wertstromintegration einer aktiven Bauteilrückverfolgung in die diskrete Variantenfertigung. Shaker Verlag, Herzogenrath 2019Suche in Google Scholar
10 Urnauer, C.; Schreiber, M.; Bausch, P. et al.: Anwendungen aktiver Traceability-Systeme. Datennutzung in der digitalisierten Produktion. ZWF 116 (2021) 3, S. 166–170 DOI: 10.1515/zwf-2021-003310.1515/zwf-2021-0033Suche in Google Scholar
11 Günther, C.W.; Rinderle-Ma, S. et al.: Using Process Mining to Learn from Process Changes in Evolutionary Systems. International Journal of Business Process Integration and Management (2008) 3, S. 61–78 DOI: 10.1504/IJBPIM.2008.01934810.1504/IJBPIM.2008.019348Suche in Google Scholar
12 van der Aalst, W: Process Mining. Communications of the ACM 55 (2012) 8, S. 76–83 DOI: 10.1145/2240236.224025710.1145/2240236.2240257Suche in Google Scholar
13 van der Aalst, W.: Process Mining. Data Science in Action. Springer-Verlag, Berlin 2016 DOI: 10.1007/978-3-662-49851-410.1007/978-3-662-49851-4Suche in Google Scholar
14 van der Aalst, W.: van der Aalst, W.: Process Mining. ACM Transactions on Management Information Systems 3 (2012) 2, S. 1–17 DOI: 10.1145/2229156.222915710.1145/2229156.2229157Suche in Google Scholar
15 Schreiber, M.; Bausch, P.; Best, J. et al.: Datenanalyse in Produktionsprozessen. Potenziale und Herausforderungen des Process-Mining-Einsatzes in Theorie und betrieblicher Praxis. ZWF 115 (2020) 5, S. 309–313 DOI: 10.3139/104.11228510.3139/104.112285Suche in Google Scholar
16 Becker, W.; Eierle, B.; Fliaster, A. et al. (Hrsg.): Geschäftsmodelle in der digitalen Welt. Springer Fachmedien Wiesbaden, Wiesbaden 2019 DOI: 10.1007/978-3-658-22129-410.1007/978-3-658-22129-4Suche in Google Scholar
17 Lichtenberger, S.: Entwicklung eines Modells zur Darstellung von Traceabilitydaten in Abhängigkeit von Traceabilityanwendungsfällen. Dissertation, 2016Suche in Google Scholar
18 Bose, R. Jagadeesh C.P.; Mans, Ronny S.; van der Aalst, W.: Wanna Improve Process Mining Results? It‘s High Time We Consider Data Quality Issues Seriously. IEEE Symposium on Computational Intelligence and Data Mining (CIDM) (2013), S. 1–24 DOI: 10.1109/CIDM.2013.659722710.1109/CIDM.2013.6597227Suche in Google Scholar
19 Benfer, M.; Gartner, P.; Treber, S. et al.: Implementierung von unternehmensübergreifender Traceability. Entwicklung, Implementierung und Bewertung von Traceability-Systemen entlang des gesamten Produktlebenszyklus 115 (2020) 5, S. 304–308 DOI: 10.3139/104.11228410.3139/104.112284Suche in Google Scholar
20 Flack, C.; Dreher, S.; Birk, A. et al.: Process Mining in der Produktion. Spezifische Herausforderungen bei der Anwendung. ZWF 115 (2020) 11, S. 1–5 DOI: 10.3139/104.11245910.3139/104.112459Suche in Google Scholar
21 Reinkemeyer, L. (Hrsg.): Process mining in action. Principles, use cases and outlook. Springer; ProQuest eBook Central, Cham, Ann Arbor, 2020 DOI: 10.1007/978-3-030-40172-610.1007/978-3-030-40172-6Suche in Google Scholar
22 Hansen, H. R.; Neumann, G.: IT-Lexikon, Aufgaben und Lösungen. Lucius & Lucius; Fischer, Stuttgart 2007Suche in Google Scholar
23 Peßl, E.: ERP- und MES-Systeme. Einsatz in der Produktionsplanung und -steuerung. ZWF 103 (2008) 4, S. 271–275 DOI: 10.3139/104.10127610.3139/104.101276Suche in Google Scholar
24 Schmidt, C.; Meier, C.; Kompa, S.: Informationssysteme für das Produktionsmanagement. In: Schuh, G.; Schmidt, C. (Hrsg.): Produktionsmanagement. Springer-Verlag, Berlin, Heidelberg 2014, S. 281–378 DOI: 10.1007/978-3-642-54288-6_710.1007/978-3-642-54288-6_7Suche in Google Scholar
25 Wissenschaftliche Gesellschaft für Produktionstechnik WGP e. V.: WGP-Standpunkt Industrie 4.0Suche in Google Scholar
26 Bitkom: Industrie 4.0- Die Bedeutung von Interoperabilität im Referenzarchitekturmodell Industrie 4.0 (RAMI 4.0). Bitkom, Berlin 2017Suche in Google Scholar
27 Helfferich, C.: Leitfaden- und Experteninterviews. In: Baur, N.; Blasius, J. (Hrsg.): Handbuch Methoden der empirischen Sozialforschung. Springer Fachmedien Wiesbaden, Wiesbaden 2019, S. 669–686 DOI: 10.1007/978-3-658-21308-4_4410.1007/978-3-658-21308-4_44Suche in Google Scholar
28 Meuser, M.; Nagel, U.: ExpertInneninterviews – vielfach erprobt, wenig bedacht. Ein Beitrag zur qualitativen Methodendiskussion. In: Garz, D.; Kraimer, K. (Hrsg.): Qualitativ-empirische Sozialforschung: Konzepte, Methoden, Analysen. Westdt. Verlag, Opladen 1991, S. 447–471 DOI: 10.1007/978-3-322-97024-4_1410.1007/978-3-322-97024-4_14Suche in Google Scholar
29 Kuckartz, U.: Qualitative Inhaltsanalyse – Methoden, Praxis, Computerunterstützung. Beltz Juventa, Weinheim, Basel 2018Suche in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Digitale Transformation im Vormarsch
- Arbeitsplanung
- Deep Learning zur Unterstützung der Arbeitsplanung
- Automatisierung
- Wie Automatisierung die Zukunft der Produktion verändern wird
- Mensch und Roboter
- Wirtschaftliche Mensch-Roboter-Arbeitssystemgestaltung
- Qualitätsmanagement
- Prädiktive Qualität in der Prozesslenkung
- Instandhaltung
- Predictive Maintenance – Voraussetzungen und Potenziale
- Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze
- Störungsmanagement
- Innovatives Störungsmanagement in der XXL-Montage
- Laser-Technologie
- Steuerung von Laser-induzierten periodischen Oberflächenstrukturen
- Elektromobilität
- Cell-to-Pack-Technologie für Li-Ionen-Batterien
- Identifikation qualitätskritischer Parameter
- Additive Fertigung
- Digitale Assistenz in der Additiven Fertigung
- Einführung einer In-situ-Prozess-Überwachung in der additiven Materialextrusion
- Spannsysteme
- Sichere Werkstückspannung bei der Fräsbearbeitung mit Dreibackenfuttern
- Arbeitssicherheit
- Augmented Reality zur Steigerung der Arbeitssicherheit von Mobilkranen
- Studie
- Traceability-Systeme als Enabler für Process Mining
- Mensch und KI
- Mensch-KI-Teaming: Mensch und Künstliche Intelligenz in der Arbeitswelt von morgen
- Digitale Technologien
- Vergleich von Methoden zur Auswahl Digitaler Technologien für KMU
- Digitale Assistenzsysteme
- Einführung neuer Produktvarianten in digitalen Montage-Assistenzsystemen
- Virtuelle Realität
- Automatisierte Erstellung von Virtual-Reality-Schulungen
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Digitale Transformation im Vormarsch
- Arbeitsplanung
- Deep Learning zur Unterstützung der Arbeitsplanung
- Automatisierung
- Wie Automatisierung die Zukunft der Produktion verändern wird
- Mensch und Roboter
- Wirtschaftliche Mensch-Roboter-Arbeitssystemgestaltung
- Qualitätsmanagement
- Prädiktive Qualität in der Prozesslenkung
- Instandhaltung
- Predictive Maintenance – Voraussetzungen und Potenziale
- Qualitätsmanagement und vorausschauende Instandhaltung auf der Basis synthetischer Datensätze
- Störungsmanagement
- Innovatives Störungsmanagement in der XXL-Montage
- Laser-Technologie
- Steuerung von Laser-induzierten periodischen Oberflächenstrukturen
- Elektromobilität
- Cell-to-Pack-Technologie für Li-Ionen-Batterien
- Identifikation qualitätskritischer Parameter
- Additive Fertigung
- Digitale Assistenz in der Additiven Fertigung
- Einführung einer In-situ-Prozess-Überwachung in der additiven Materialextrusion
- Spannsysteme
- Sichere Werkstückspannung bei der Fräsbearbeitung mit Dreibackenfuttern
- Arbeitssicherheit
- Augmented Reality zur Steigerung der Arbeitssicherheit von Mobilkranen
- Studie
- Traceability-Systeme als Enabler für Process Mining
- Mensch und KI
- Mensch-KI-Teaming: Mensch und Künstliche Intelligenz in der Arbeitswelt von morgen
- Digitale Technologien
- Vergleich von Methoden zur Auswahl Digitaler Technologien für KMU
- Digitale Assistenzsysteme
- Einführung neuer Produktvarianten in digitalen Montage-Assistenzsystemen
- Virtuelle Realität
- Automatisierte Erstellung von Virtual-Reality-Schulungen
- Vorschau
- Vorschau
