Home Datenanalyse in Produktionsprozessen
Article
Licensed
Unlicensed Requires Authentication

Datenanalyse in Produktionsprozessen

Potenziale und Herausforderungen des Process-Mining-Einsatzes in Theorie und betrieblicher Praxis
  • Markus Schreiber , Phillip Bausch , Julian Best and Joachim Metternich
Published/Copyright: May 22, 2020
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 115 Issue 5

Kurzfassung

Process Mining ist zur Datenanalyse in der Produktion noch wenig verbreitet. In diesem Beitrag wird untersucht, welche Potenziale der Einsatz von Process Mining in der Produktion bietet. Dabei werden die unmittelbaren Zusammenhänge von Input-Daten und der resultierenden Wissensextraktion aufgezeigt. Der beispielhafte Einsatz von Process Mining in einem Industrieunternehmen zeigt darüber hinaus, welche Faktoren bei der Anwendung besonders erfolgskritisch sind.

Abstract

Process Mining is not widely used for data analysis in manufacturing, yet. Therefore, this article examines the potentials being associated with the use of process mining. It displays the direct connections between input data and the resulting knowledge extraction. Additionally, the use of process mining in an industrial company shows that in practice a number of other influencing factors are crucial for success.

Markus Schreiber, M. Sc., geb. 1988, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau und ist seit 2018 als Wissenschaftlicher Mitarbeiter am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt tätig. 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 seit 2019 als Wissenschaftlicher Mitarbeiter am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt tätig. Seine Forschungsinteressen liegen im Bereich Bauteil- und Betriebsmittel-Traceability sowie der Optimierung von Produktionsprozessen.

Julian Best, M. Sc., geb. 1994, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau und ist seit Anfang 2020 als Wissenschaftlicher Mitarbeiter am Fachgebiet Produktion und Supply Chain Management (PSCM) an der TU Darmstadt 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

Vogel-Heuser, B.: Herausforderungen und Anforderungen aus Sicht der IT und der Automatisierungstechnik. In: ten Hompel, M.; Vogel-Heuser, B.; Bauernhansl, T. (Hrsg.): Handbuch Industrie 4.0. Springer-Vieweg-Verlag, Wiesbaden2017, S. 33–4410.1007/978-3-662-53254-6_2Search in Google Scholar

Wieland, U.; Pfitzner, M.: Interdisziplinäre Datenanalyse für Industrie 4.0. Controlling & Management Review58 (2014) 1, S. 80–8510.1365/s12176-014-0896-5Search in Google Scholar

Banerjee, A.; Bandyopadhyay, T.; Acharya, P.: Data Analytics: Hyped Up Aspirations or True Potential?Vikalpa: The Journal for Decision Makers38 (2013) 4, S. 1–1110.1177/0256090920130401Search in Google Scholar

IBM: IBM Analytics Maturity Model. Online unter https://www.pinterest.de/pin/482448178815065071/?nic_v1=1aGn07YDzTQjHfjMcSZPBtLihZqWJMGqmmDFMyOks5ra7oIE4VidkSAlAKipsbm0RSSearch in Google Scholar

Falkenberg, G.; Kisker, H.; Urbanski, J.: Big-Data-Technologien - Wissen für Entscheider. Leitfaden. Online unter https://www.bitkom.org/sites/default/files/pdf/noindex/Publikationen/2014/Leitfaden/Big-Data-Technologien-Wissen-fuer-Entscheider/140228-Big-Data-Technologien-Wissen-fuer-Entscheider.pdfSearch in Google Scholar

van der Aalst, W.: Process Mining – Data Science in Action. Springer-Verlag, Berlin, Heidelberg201610.1007/978-3-662-49851-4Search in Google Scholar

Stanula, P.; Metternich, J.; Glockseisen, T.: Selbstlernendes, dezentrales Produktionssystem in der Kleinserienfertigung. ZWF114 (2019) 6, S. 332–33510.3139/104.112103Search in Google Scholar

de Weerdt, J.; Schupp, A.; Vanderloock, A. et al.: Process Mining for the Multi-faceted Analysis of Business Processes – A Case Study in a Financial Services Organization. Computers in Industry64 (2013) 1, S. 57–6710.1016/j.compind.2012.09.010Search in Google Scholar

Mahendrawathi, E. R.; Astuti, H. M.; Nastiti, A.: Analysis of Customer Fulfilment with Process Mining – A Case Study in a Telecommunication Company. Procedia Computer Science72 (2015), S. 588–59610.1016/j.procs.2015.12.167Search in Google Scholar

Gombotz, R.; Dustda, S.: On Web Services Workflow Mining. In: Bussler, C. J.; Haller, A. (Hrsg.): Business Process Management Workshops. Springer-Verlag, Berlin, Heidelberg, New York2006, S. 216–22810.1007/11678564_19Search in Google Scholar

Rebuge, Á.; Ferreira, D. R.: Business Process Analysis in Healthcare Environments – A methodology based on Process Mining. Information Systems37 (2012) 2, S. 99–11610.1016/j.is.2011.01.003Search in Google Scholar

Lee, S.-K.; Kim, B.; Huh, M. et al.: Mining Transportation Logs for Understanding the After-assembly Block Manufacturing Process in the Shipbuilding Industry. Expert Systems with Applications40 (2013) 1, S. 83–9510.1016/j.eswa.2012.07.033Search in Google Scholar

Urnauer, C.; Metternich, J.: Die digitale Wertstrommethode – Process Mining als digitale Stütze der Wertstromanalyse. ZWF114 (2019) 12, S. 855–85810.3139/104.112203Search in Google Scholar

Ziegler, S.; Braunreuther, S.; Reinhardt, G.: Process Mining zur dynamischen Wertstromaufnahme. ZWF114 (2019) 6, S. 327–33110.3139/104.112093Search in Google Scholar

van der Aalst, W.; Weijters, T.; Maruster, L.: Workflow Mining: Discovering Process Models from Event Logs. IEEE Transactions on Knowledge and Data Engineering16 (2004) 9, S. 1128–114210.1109/TKDE.2004.47Search in Google Scholar

Nyhuis, P.; Mayer, J.; Kuprat, T.: Die Bedeutung von Industrie 4.0 als Enabler für logistische Modelle. In: Kersten, W.; Koller, H.; Lödding, H. (Hrsg.): Industrie 4.0 – Wie intelligente Vernetzung und kognitive Systeme unsere Arbeit verändern. GITO Verlag, Berlin2014, S. 79–100Search in Google Scholar

Schuh, G.; Schmidt, C.: Produktionsmanagement. Springer-Verlag, Berlin, Heidelberg201410.1007/978-3-642-54288-6Search in Google Scholar

Park, S.; Kang, Y. S.: A Study of Process Mining-based Business Process Innovation. Procedia Computer Science91 (2016), S. 734–74310.1016/j.procs.2016.07.066Search in Google Scholar

de Weerdt, J.; Schupp, A.; Vanderloock, A. et al.: Process Mining for the Multi-faceted Analysis of Business Processes - A Case Study in a Financial Services Organization. Computers in Industry64 (2013) 1, S. 57–6710.1016/j.compind.2012.09.010Search in Google Scholar

Krüger, J.; Fleischer, J.; Franke, J. et al.: KI in der Produktion. Künstliche Intelligenz erschliessen für Unternehmen. Online unter https://wgp.de/wp-content/uploads/WGP-Standpunkt_KI-final_20190906-2.pdfSearch in Google Scholar
Online erschienen: 2020-05-22
Erschienen im Druck: 2020-05-28

© 2020, Carl Hanser Verlag, München

Articles in the same Issue

  1. Editorial
  2. Im Angesicht der Ohnmacht
  3. Inhalt/Contents
  4. Inhalt
  5. Maschinelles Lernen
  6. Detektion von Anomalien in automatisierten Schraubprozessen
  7. Mensch-Roboter-Kollaboration
  8. Vorgehensmodell zur Integration der Mensch-Roboter-Kollaboration
  9. Smart Devices
  10. Informationsaufbereitung für Smart Devices
  11. Datenbasierte Dienstleistung
  12. Temperaturüberwachung und automatisierte Bestandsbuchungen im intelligenten Ladungsträgermanagement
  13. Produktionsstrategien
  14. Über den Wertkettenansatz zur Customer Centricity
  15. Ki-Basierte Systeme
  16. KI-gestützte Prozessüberwachung in der Zerspanung
  17. Sensornetzwerk
  18. Optisches Multi-Sensornetzwerk zur Instandhaltung
  19. Traceability-Systeme
  20. Implementierung von unternehmensübergreifender Traceability
  21. Process Mining
  22. Datenanalyse in Produktionsprozessen
  23. Supply-Chain-Management
  24. Verbreitungsgrad von Supply-Chain-Management-Methoden
  25. Suppy-Chain-Management
  26. Supply-Chain-Management 4.0
  27. Montage
  28. Webbasiertes Framework und Apps für die Montage
  29. Werkzeugmaschinen
  30. Dynamische Schmierzustandserkennung Öl-Luft-geschmierter Spindellager
  31. Energieeffizienz
  32. Ganzheitliche Energieeffizienz in Produktionsstätten
  33. Instandhaltung
  34. Vorausschauende Instandhaltung – Wenn der Digitale Schatten an seine Grenzen stößt
  35. Digitaler Zwilling
  36. Modelle als Grundlage für den Digitalen Zwilling
  37. Digitalisierung
  38. Interoperabilität als Erfolgsfaktor für die vernetzte, adaptive Produktion
  39. Informationssystem
  40. Effektives Wertstromdesign 4.0
  41. Cyber-Physische Systeme
  42. Beschreibungsmodell zur Standardisierung von Schnittstellen für Cyber-Physische Module
  43. Vorschau/Preview
  44. Vorschau
https://doi.org/10.3139/104.112285

Articles in the same Issue

  1. Editorial
  2. Im Angesicht der Ohnmacht
  3. Inhalt/Contents
  4. Inhalt
  5. Maschinelles Lernen
  6. Detektion von Anomalien in automatisierten Schraubprozessen
  7. Mensch-Roboter-Kollaboration
  8. Vorgehensmodell zur Integration der Mensch-Roboter-Kollaboration
  9. Smart Devices
  10. Informationsaufbereitung für Smart Devices
  11. Datenbasierte Dienstleistung
  12. Temperaturüberwachung und automatisierte Bestandsbuchungen im intelligenten Ladungsträgermanagement
  13. Produktionsstrategien
  14. Über den Wertkettenansatz zur Customer Centricity
  15. Ki-Basierte Systeme
  16. KI-gestützte Prozessüberwachung in der Zerspanung
  17. Sensornetzwerk
  18. Optisches Multi-Sensornetzwerk zur Instandhaltung
  19. Traceability-Systeme
  20. Implementierung von unternehmensübergreifender Traceability
  21. Process Mining
  22. Datenanalyse in Produktionsprozessen
  23. Supply-Chain-Management
  24. Verbreitungsgrad von Supply-Chain-Management-Methoden
  25. Suppy-Chain-Management
  26. Supply-Chain-Management 4.0
  27. Montage
  28. Webbasiertes Framework und Apps für die Montage
  29. Werkzeugmaschinen
  30. Dynamische Schmierzustandserkennung Öl-Luft-geschmierter Spindellager
  31. Energieeffizienz
  32. Ganzheitliche Energieeffizienz in Produktionsstätten
  33. Instandhaltung
  34. Vorausschauende Instandhaltung – Wenn der Digitale Schatten an seine Grenzen stößt
  35. Digitaler Zwilling
  36. Modelle als Grundlage für den Digitalen Zwilling
  37. Digitalisierung
  38. Interoperabilität als Erfolgsfaktor für die vernetzte, adaptive Produktion
  39. Informationssystem
  40. Effektives Wertstromdesign 4.0
  41. Cyber-Physische Systeme
  42. Beschreibungsmodell zur Standardisierung von Schnittstellen für Cyber-Physische Module
  43. Vorschau/Preview
  44. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2025 De Gruyter Brill
Downloaded on 16.9.2025 from https://www.degruyterbrill.com/document/doi/10.3139/104.112285/html
Scroll to top button