%0 Journal Article %1 FreitagKueckEtAl15im-gito2 %A Freitag, Michael %A Kück, Mirko %A Alla, Abderrahim Ait %D 2015 %J Industrie 4.0 Management %K 01841 gito paper embedded ai factory logistics data analysis pattern recognition science learn zzz.big zzz.i40 %N 6 %P 40--46 %T Potenziale von Data Science in Produktion und Logistik: Teil 2 -- Vorgehensweise zur Datenanalyse und Anwendungsbeispiele %V 31 %X Die Bedeutung von Data Science für Produktion und Logistik nimmt stetig zu, da durch Industrie 4.0-Technologien zunehmend mehr Daten anfallen und für Prozess- und Systemoptimierungen genutzt werden können. Darüber hinaus erlauben verbesserte Methoden und Werkzeuge der Datenanalyse eine einfachere Bearbeitung anwendungsspezifischer Fragestellungen, als es bislang mit vornehmlich wissenschaftlichen Softwareapplikationen möglich war. Dieser Beitrag ist der zweite Teil zum Thema Data Science in Produktion und Logistik. Während sich der erste Teil mit der Begriffsdefinition, den allgemeinen Potenzialen der Datenanalyse und aktuellen Trends in diesem Bereich auseinandergesetzt hat, widmet sich dieser zweite Teil der Anwendung von Data Science in Produktion und Logistik. Im Beitrag werden typische Vorgehensweisen präsentiert und es wird durch mehrere Anwendungsbeispiele ein Einblick in die aktuellen Möglichkeiten von Data Science gegeben.

@article{FreitagKueckEtAl15im-gito2, abstract = {Die Bedeutung von Data Science für Produktion und Logistik nimmt stetig zu, da durch Industrie 4.0-Technologien zunehmend mehr Daten anfallen und für Prozess- und Systemoptimierungen genutzt werden können. Darüber hinaus erlauben verbesserte Methoden und Werkzeuge der Datenanalyse eine einfachere Bearbeitung anwendungsspezifischer Fragestellungen, als es bislang mit vornehmlich wissenschaftlichen Softwareapplikationen möglich war. Dieser Beitrag ist der zweite Teil zum Thema Data Science in Produktion und Logistik. Während sich der erste Teil mit der Begriffsdefinition, den allgemeinen Potenzialen der Datenanalyse und aktuellen Trends in diesem Bereich auseinandergesetzt hat, widmet sich dieser zweite Teil der Anwendung von Data Science in Produktion und Logistik. Im Beitrag werden typische Vorgehensweisen präsentiert und es wird durch mehrere Anwendungsbeispiele ein Einblick in die aktuellen Möglichkeiten von Data Science gegeben.}, added-at = {2017-11-05T10:44:23.000+0100}, author = {Freitag, Michael and K{\"u}ck, Mirko and Alla, Abderrahim Ait}, biburl = {https://www.bibsonomy.org/bibtex/281a5ed78bcff4fd684a933dcb581dfa1/flint63}, file = {Gito Download:2015/FreitagKueckEtAl15im-gito2.pdf:PDF}, groups = {public}, interhash = {1dc65ab8437e5defbdd7684144956179}, intrahash = {81a5ed78bcff4fd684a933dcb581dfa1}, issn = {1434-1980}, journal = {Industrie 4.0 Management}, keywords = {01841 gito paper embedded ai factory logistics data analysis pattern recognition science learn zzz.big zzz.i40}, number = 6, pages = {40--46}, timestamp = {2018-04-16T12:28:59.000+0200}, title = {{Potenziale von Data Science in Produktion und Logistik: Teil 2 -- Vorgehensweise zur Datenanalyse und Anwendungsbeispiele}}, username = {flint63}, volume = 31, year = 2015 }