%0 Journal Article %1 WenkingBenninghausGroggert17im-gito %A Wenking, Marian %A Benninghaus, Christoph %A Groggert, Sebastian %D 2017 %J Industrie 4.0 Management %K 01841 gito paper embedded ai factory data analysis learn zzz.big zzz.i40 %N 4 %P 33--37 %T Die Zukunft von Manufacturing Data Analytics: Implikationen für eine erfolgreiche Datennutzung im produzierenden Umfeld %V 33 %X Im Zuge der 2017 veröffentlichten Studie Manufacturing-Data-Analytics der Universität St. Gallen in Kooperation mit der RWTH Aachen wurden vielfältige Aspekte der industriellen Datennutzung untersucht. Hierbei wurden verschiedene Themenfelder wie beispielsweise technische Systeme, Implementierungsstatus und organisatorische Umsetzung analysiert. Während sich viele produzierende Unternehmen noch in einem rudimentären Einführungsstadium befinden, sind andere Unternehmen bereits heute in der Lage, durch umfassende Datenerhebung und -auswertung Vorhersagen treffen zu können und so ihre Effizienz in der Produktion erheblich zu steigern. Dabei sind besonders die Datenqualität und eine systematische Evaluierung von Anwendungsfällen von entscheidender Bedeutung. Ebenso konnte gezeigt werden, dass strategische Partnerschaften sinnvoll sind, um die Implementierung zu beschleunigen und einfacher zu gestalten.

@article{WenkingBenninghausGroggert17im-gito, abstract = {Im Zuge der 2017 veröffentlichten Studie Manufacturing-Data-Analytics der Universität St. Gallen in Kooperation mit der RWTH Aachen wurden vielfältige Aspekte der industriellen Datennutzung untersucht. Hierbei wurden verschiedene Themenfelder wie beispielsweise technische Systeme, Implementierungsstatus und organisatorische Umsetzung analysiert. Während sich viele produzierende Unternehmen noch in einem rudimentären Einführungsstadium befinden, sind andere Unternehmen bereits heute in der Lage, durch umfassende Datenerhebung und -auswertung Vorhersagen treffen zu können und so ihre Effizienz in der Produktion erheblich zu steigern. Dabei sind besonders die Datenqualität und eine systematische Evaluierung von Anwendungsfällen von entscheidender Bedeutung. Ebenso konnte gezeigt werden, dass strategische Partnerschaften sinnvoll sind, um die Implementierung zu beschleunigen und einfacher zu gestalten.}, added-at = {2017-11-17T10:19:39.000+0100}, author = {Wenking, Marian and Benninghaus, Christoph and Groggert, Sebastian}, biburl = {https://www.bibsonomy.org/bibtex/2f0dfe3500d65d8553c9a53ae112be0c0/flint63}, file = {Gito Download:2017/WenkingBenninghausGroggert17im-gito.pdf:PDF}, groups = {public}, interhash = {1a738bd066e1fd36f44ea52b2e77b8f0}, intrahash = {f0dfe3500d65d8553c9a53ae112be0c0}, issn = {1434-1980}, journal = {Industrie 4.0 Management}, keywords = {01841 gito paper embedded ai factory data analysis learn zzz.big zzz.i40}, number = 4, pages = {33--37}, timestamp = {2018-04-16T11:35:32.000+0200}, title = {{Die Zukunft von Manufacturing Data Analytics: Implikationen f{\"u}r eine erfolgreiche Datennutzung im produzierenden Umfeld}}, username = {flint63}, volume = 33, year = 2017 }