Die Churn-Prediciton ist eine wichtige Methode um anhand maschinellen Lernens und Data Mining Kundenabwanderung vorherzusagen. Die Herausforderung besteht drain präzise und zeitnahe Vorhersagen zu treffen, so dass das Unternehmen ausreichend Zeit hat, seine Kunden zu halten. Der bisherigen Forschung im B2B-Kontext, wie auch im B2C-Kontext fehlt der dynamische Aspekt makroökonomischer Variablen im Zeitverlauf. Ziel dieser Arbeit ist es ein Kundenabwanderung-Vorhersagemodell, durch den Einsatz von maschinellen Lernalgorithmen, wie Random Forest und Neuronalen Netzwerken, zu erstelle und zu untersuchen ob die Einbeziehung dynamischer Aspekte zu einer verbesserten Vorhersage führt.

Eine bessere Planung für den Einsatz von Materialien bei der Herstellung von Möbeln war Ziel der Potentialanalyse des Möbelherstellers Vitra und dem SDSC-BW. Die Herausforderung für die Produktprognose des Unternehmens war die breite Palette an Farben und Materialien. Die SDSC-BW Experten entwickelten ein Vorhersagemodel auf Basis der Vertriebszahlen des Vorjahres um verborgene Informationen und Muster in den Daten zu finden.

Das Forschungsprojekt „Smarte Techniker-Einsatzplanung“ (STEP) arbeitet daran Technikereinsätze effizienter zu planen und gleichzeitig die Maschinenverfügbarkeit zu erhöhen. Mit einem im Rahmen des Forschungsprojektes entwickeltes Simulationsmodell sollen auf Basis realer Einsatzdaten einzelne Maßnahmen quantitativ bewertet werden können.

Während der Planung und Produktion von Schnittholz fallen unterschiedlichste Daten an: von Daten zur Holzqualität über entstehende Daten an der Sägelinie bis hin zu den Verkaufsdaten. Das Schwarzwälder Sägewerk Karl Streit optimierte in einem gemeinsamen Projekt mit dem SDSC-BW seine Vorgehensweise bei der Planung von Rundholzeinschnitten.

Die Sedus Stoll AG ist ein Komplettanbieter für Büroeinrichtungen und Arbeitsplatzkonzepte. Die flexible und individuelle Konfigurierbarkeit der Einzelmerkmale von Bürostühlen bei der Kundenbestellung erschwerten insbesondere die präzise Planbarkeit des Produktionsprozesses. Das Ziel der Analyse war die Suche nach Abhängigkeiten in den Daten, die es ermöglichen, Prognosen für die Produktionsmengen von spezifischen Ausstattungsvarianten für den Folgemonat durchzuführen.

Die da-cons GmbH vertreibt Produkte zur Ermittlung einer Vielzahl von Pflanzeneigenschaften. Dazu hat sie das System PhenoScreen entwickelt, das die Saatgutindustrie in der Pflanzenzüchtung unterstützt und sensorbasiert agiert. Im Rahmen der Potentialanalyse untersuchte das SDSC-BW die Frage, ob es digital möglich ist, in den Bilddateien Pflanzen zuverlässig zu erkennen.

Die qualitativ hochwertige und planmäßige Produktion einer großen Menge von Bauteilen ist ein komplexer Prozess, der aus unterschiedlichen Einzelschritten besteht. Verzögert sich einer dieser Schritte, muss der Zeitverlust an anderer Stelle kompensiert werden. Das Projektteam aus SDSC-BW und Erdrich-Experten konnte neben wichtigen Einflussgrößen, die häufig zur Produktionsverzögerung führen, auch verschiedene Verarbeitungsketten identifizieren, mit denen die zeitliche Abschätzung der Produktion verbessert werden kann.

Hartfolienprodukte werden mittels sogenannter Kalander, also großen beheizten oder gekühlten Walzen, durch die das Rohmaterial geführt wird, hergestellt. Die Daten einer solchen Kalanderanlage, ausgestattet mit Rotations- und Temperatursensoren an den Walzen, standen im Fokus dieser Smart-Data-Analyse. Der Hartfolienhersteller Bilcare sammelte dazu über einen Zeitraum von sechs Monaten hochauflösende Sensorwerte verschiedener Kalander und stellte diese den Datenanalysten vom Smart Data Solution Center Baden-Württemberg (SDSC-BW)zur Verfügung. Insgesamt erfasste das Unternehmen die Fertigung von 13.000 Einzelaufträgen mit einem durchschnittlichen Gewicht von je 2 Tonnen in 1.500 Produktionsschichten.

Statistische Aussagen auf Basis von Webseitenbesuchsprotokollen, wie beispielsweise die Click-Through-Rate, also die Anzahl der Klicks auf gelistete Angebote im Verhältnis
zu den gesamten Besuchen auf der Webseite, sind durch den deutlich dominierenden Bot-Anteil unter den Nutzern stark verfälscht. Preisvergleichsportale wie billiger.de haben das Bedürfnis, Nutzer ihrer Webseite in homogene Gruppen zu unterteilen, um präzise und zuverlässige betriebswirtschaftliche Kennzahlen aus den Gruppen zu berechnen.

Eine moderne Produktion von Ölen und Schmierstoffen ist bei der Fuchs Schmierstoffe GmbH heute ohne Informationstechnologie nicht denkbar. Die hierbei anfallenden Daten sind Gold wert: Sie geben Auskunft über das Produkt selbst (im Ressourcenplanungssystem – ERP) und über die eingesetzten Materialien (im Prozessleitsystem – PLS). Um die gewünschte Produktqualität zu erreichen, gilt es, den komplexen Prozess an verschiedenen Stellen zu überwachen und zu kontrollieren. Dazu gehören neben den Arbeitsschritten auch die einzelnen Inhaltsstoffe und Arbeitsmittel.

Echobot Media Technologies GmbH analysiert für ihre Kunden täglich Millionen Texte von Websites, sozialen Medien und Nachrichtenseiten. Die Analysen helfen zum Beispiel bei Marketing, Vertrieb oder der Optimierung der Pressearbeit. Um digitale Inhalte im Netz zu analysieren, muss Echobot im ersten Schritt eine automatische Klassifikation der erfassten Texte vornehmen.

Flugzeug-Fahrwerke stellen erhebliche Anforderungen an Dichtungssysteme. Daher werden diese in umfangreich instrumentierten Tests hohen Belastungen ausgesetzt. Der Zusammenhang der erfassten Messgrößen und ihre Auswirkung auf das Dichtungssystem soll mit Hilfe von Data-Mining-Verfahren untersucht werden.

Im Rahmen des Projekts werden Produktionsdaten aus der WolframDrahtproduktion aus dem OSRAM Werk Schwabmünchen auf der SDIL Plattform gespeichert und mithilfe von IBM Tools analysiert. Infolge der Analyse werden Datenmodelle erstellt, die durch bestimmte Prognosen und Regeln die Drahtqualität („Spaltigkeit und Länge) optimieren. Für das Data-Mining wird das Standard-Prozess-Modell CRISP-DM implementiert.

Smart-Data-Analysen unterstützen die Ablaufplanung der Komponentenfertigung beim Maschinenbauer für den Tunnelvortrieb Herrenknecht AG. Ein Kundenauftrag besteht aus vielfältigen Komponenten. Die Kernkomponenten werden in einzelnen Produktionsaufträgen am Konzernsitz in Schwanau hergestellt. Bei der Komponentenherstellung fallen unter anderem Kosten-, Planungs-, Produktions- und Qualitätsdaten an.

Hauptziel des Projekts ist die Reduzierung der Nacharbeit und die Vermeidung von Fehlern bei der Fertigung von Traktoren in der John Deere Fabrik in Mannheim. Das wird durch eine Datenanalyse der Fehlerinformationen, der Prüfprotokollen und ihrer Wirkungszusammenhänge realisiert. Infolge der Ergebnisse aus der Datenauswertung können Prognosen und Regeln für die Fertigungsplanung erstellt werden, die das Unternehmen ein Schritt weiter zur Selbstoptimierung bringen.

Im Kontext von sogenannten Long-Time-Buy- oder All-Time-Buy-Entscheidungen erstellt ATP eine Prognose bezüglich der Nachfrage nach Serviceteilen (vor allem in der Automobilindustrie). Solche zukünftigen Nachfragen können die nächsten 10-20 Jahre betreffen und sind schwer abzuschätzen, weshalb oft zu viel (ein-)gekauft wird. Daraus folgt, dass nach jahrelanger Lagerung letztlich große Menge verschrottet werden müssen, was hohe Warenbestands- und Lagerkosten verursacht. Diese können durch präzisere Bedarfsprognosen deutlich gesenkt werden. Die ATP-Lösung der IBM wurde genau zu diesem Zweck entwickelt: um mit hoher Genauigkeit die Allzeit-Nachfrage vorherzusagen.

Mit der hohen Geschwindigkeit, in der IT-Themen mittlerweile vorangetrieben werden, müssen sich auch Medienunternehmen immer flexibler und schneller anpassen. Hierzu zählen besonders Aktivitäten im Bereich des Marketings und Vertriebs, um die Kundschaft weiterhin zufrieden zu stellen und zusätzliche Potentiale zu heben. Für das Analyseprojekt des Smart Data Solution Center Baden-Württemberg (SDSC-BW) stellte der Huber Verlag für Neue Medien anonymisiert Informationen über abgeschlossene Verträge ihrer Dienstleistung zur Verfügung. Die zugehörigen Vertrags- und Kundendaten sowie die damit verknüpften Marketingaktionen wurden über einen Zeitraum von 72 Monaten gesammelt. Insgesamt wurden Informationen aus 943 Datenbanktabellen verarbeitet und eine Viertel Million Datensätze analysiert und ausgewertet.

Wasser spielt in vielen industriellen Prozessen eine wesentliche Rolle. Ein reibungsloser Ablauf komplexer Prozesswassersysteme ist die Voraussetzung für einen funktionierenden Kühlprozess. Dabei sind unterschiedliche Größen und Messwerte ausschlaggebend. Hierzu zählen u.a. der pH-Wert, der Redox-Wert oder die Leitfähigkeit des Systemwassers. Um eben diese Werte zu überwachen, müssen unterschiedlichste Sensoren Daten erfassen und zur Verfügung stellen.

Die Schnittoptimierung von Naturleder ist ein hoch ausgefeilter Prozess, der bereits unterschiedlichste Qualitätsmerkmale der einzelnen Lederhäute in die Platzierung der Schnittschablonen mit einbezieht. Nicht nur das zugrundeliegende Naturprodukt Leder, sondern auch die daraus individuell „just-in-time“ produzierten Möbel sind in vielen Varianten erhältlich. Aus diesem Grund war für Rolf Benz als Individualfertiger eine flexible und individuelle Beratung in Sachen Smart Data besonders wichtig.

Die weltweite Einführung von Smart Metern eröffnet ein neues Geschäftsparadigma für Versorgungseinrichtungen mit Datenerfassung/-Transaktion bei derart hohem Volumen und hoher Geschwindigkeit. Im Rahmen dieses Projekts entwickeln wir auf Basis von In-Memory-Datenmanagement und paralleler Datenverarbeitung in der GPU eine Werkzeugkette. Unser Ziel ist es, die Rechenleistung der GPU sowie den hohen Durchsatz und die niedrige Latenz von In-Memory Datenbanken zu nutzen für die Entwicklung einer adäquaten Big Data-Analyseplattform. Auch wenn das Projekt auf den Anwendungsfall von Smart-Meter-Daten ausgerichtet ist, lässt sich die Werkzeugkette ebenso auf Big Data-Analysen in anderen Bereichen anwenden.

TRUMPF Werkzeugmaschinen ist Weltmarktführer in der Produktion von Werkzeugmaschinen für die Blechbearbeitung (Laser-, Stanz- und Biegemaschinen). Zu bestimmten, aber unregelmäßigen Zeitpunkten wird an einer TRUMPF Werkzeugmaschine ein „digitales Abbild“ in Form einer Sammlung von Logging- und Konfigurationsinformationen erstellt. Im geplanten Projekt sollen anhand dieser Daten bestimmte Anomalien zum „Normalbetrieb“ entdeckt und die Zusammenhänge zu noch unbekannten Faktoren aufgezeigt werden.

Es gibt mehrere Herangehensweisen für Assoziationsregeln in großen Datensätzen, allerdings kaum bekannte Ansätze für Assoziationsregeln im Bereich der Stammdaten (engl. Master Data). Es ist wichtig, darauf zu verweisen, dass Stammdaten als einzige Quelle für Geschäftsobjekte im gesamten Unternehmen heutzutage jedoch ein Schlüsselfaktor sind. Das Ziel dieses Projekt ist es, mittels vorgeschlagener Validierungsregeln zu bewerten, inwiefern die Anwendung von Ansätzen wie denen der Assoziationsregeln den Experten für Stammdaten als mögliche Unterstützung dienen können.

Das BMBF-geförderte Projekt „Smart Data Innovation-Prozesse, -Werkzeuge und -Betriebskonzepte“ (SDI-X) erforscht geeignete Werkzeuge und Best Practices. Ziel dabei ist es, umfangreiche Datenanalyseprojekte zwischen verschiedenen Forschungs- und Industriepartnern zu fördern und ihre zeitnahe Umsetzung zu ermöglichen. Die Projektergebnisse werden vollständig in das SDIL und dessen Projekte integriert.

Das Projekt wird im Rahmen des Smart Data Solution Centers Baden-Württemberg (SDSC BW) vom Landesforschungsministerium (MWK) gefördert, um den Einsatz von geeigneten Smart Data-Technologien für den produzierenden Mittelstand zu erforschen. Ziel dieses Projektes ist es, den Einsatz von Datenanalysetechnologien für den Mittelstand durch einen vereinfachten Zugang zu erleichtern. Die Ergebnisse der durchgeführten Smart Data-Analysen von realen industriellen Datensätzen werden in Form von öffentlich zugänglichen Success-Stories veröffentlicht.

Die angestrebte, gemeinsame Forschungsarbeit von SDIL und SmartFactoryKL steht in engem Zusammenhang mit dem Forschungsthema „Industrie 4.0“ und „Internet der Dinge (Internet of Things, IoT). Eine große Anzahl von Sensoren, die kontinuierlich die für den Produktionsprozess relevanten Statusinformationen zur Verfügung stellen, ist charakteristisch für moderne Maschinen. Eine intelligente Überwachung, Speicherung und Analyse der Sensordaten kann vielfache positive Auswirkungen haben. Prädiktive Instandhaltung wird ein Schlüsselthema sein bei der zukünftigen Weiterentwicklung hochmodularer, Multi-Anbieter-Produktionssysteme.

Heutige industrielle Anlagen produzieren kontinuierlich Log-Daten über Messwerte, Fehlermeldungen oder dokumentierte Benutzereingriffe. Bestehende Lösungen weisen jedoch Einschränkungen auf. Der Hauptfokus dieses Projekts liegt auf der Nutzung des Analysepotentials von Log-Dateien, die in Bezug zur Systemebene im gesamten Produktions-und Prozesskontext stehen. Die Identifikation von Wirkzusammenhängen auf der Systemebene würde es erlauben, industrielle Anlagen und entsprechende Prozesse zu optimieren.