Viele Megatrends führen zu einer zunehmenden Komplexität in der Lieferkette. Unternehmensführer müssen auf solche zunehmend komplexen Anforderungen angemessene Antworten finden, wenn sie die Wettbewerbsfähigkeit sowie eine ausreichende Flexibilität und Geschwindigkeit sicherstellen möchten. Die Logistik 4.0 mit ihren technologischen Möglichkeiten, etwa cyber-physischen Systemen und Cloud Computing, bietet hier effektive Lösungen. Dabei spielt die Mustererkennung eine erfolgskritische Rolle, um das Verhalten von Logistiksystemen (Kunden, Lieferanten, Dienstleister, Fertigungsstandorte, Infrastruktur etc.) vorherzusagen, d. h. aus großen Datenmengen (neudeutsch Big Data) entscheidungs- und steuerungsrelevante Information zu gewinnen und die Integration entlang der Lieferkette zu realisieren. Die Mustervorhersage basiert auf prediktiver Datenanalytik und multivariater Statistik.
%0 Book Section
%1 Wehberg17p377
%A Wehberg, Götz
%B Handbuch Industrie 4.0 Bd.\, 3: Logistik
%C Berlin
%D 2017
%E Vogel-Heuser, Birgit
%E Bauernhansl, Thomas
%E ten Hompel, Michael
%I Springer
%K 01624 springer paper embedded ai factory logistics data pattern recognition analysis zzz.big zzz.i40
%P 377--392
%R 10.1007/978-3-662-53251-5_92
%T Big Data -- Mustererkennung als Erfolgsfaktor der Logistik 4.0
%X Viele Megatrends führen zu einer zunehmenden Komplexität in der Lieferkette. Unternehmensführer müssen auf solche zunehmend komplexen Anforderungen angemessene Antworten finden, wenn sie die Wettbewerbsfähigkeit sowie eine ausreichende Flexibilität und Geschwindigkeit sicherstellen möchten. Die Logistik 4.0 mit ihren technologischen Möglichkeiten, etwa cyber-physischen Systemen und Cloud Computing, bietet hier effektive Lösungen. Dabei spielt die Mustererkennung eine erfolgskritische Rolle, um das Verhalten von Logistiksystemen (Kunden, Lieferanten, Dienstleister, Fertigungsstandorte, Infrastruktur etc.) vorherzusagen, d. h. aus großen Datenmengen (neudeutsch Big Data) entscheidungs- und steuerungsrelevante Information zu gewinnen und die Integration entlang der Lieferkette zu realisieren. Die Mustervorhersage basiert auf prediktiver Datenanalytik und multivariater Statistik.
%7 2
%@ 978-3-662-53250-8
@incollection{Wehberg17p377,
abstract = {Viele Megatrends führen zu einer zunehmenden Komplexität in der Lieferkette. Unternehmensführer müssen auf solche zunehmend komplexen Anforderungen angemessene Antworten finden, wenn sie die Wettbewerbsfähigkeit sowie eine ausreichende Flexibilität und Geschwindigkeit sicherstellen möchten. Die Logistik 4.0 mit ihren technologischen Möglichkeiten, etwa cyber-physischen Systemen und Cloud Computing, bietet hier effektive Lösungen. Dabei spielt die Mustererkennung eine erfolgskritische Rolle, um das Verhalten von Logistiksystemen (Kunden, Lieferanten, Dienstleister, Fertigungsstandorte, Infrastruktur etc.) vorherzusagen, d. h. aus großen Datenmengen (neudeutsch Big Data) entscheidungs- und steuerungsrelevante Information zu gewinnen und die Integration entlang der Lieferkette zu realisieren. Die Mustervorhersage basiert auf prediktiver Datenanalytik und multivariater Statistik.},
added-at = {2017-03-12T13:44:48.000+0100},
address = {Berlin},
author = {Wehberg, G\"{o}tz},
biburl = {https://www.bibsonomy.org/bibtex/28877d816d26ea5cf6a72301c7dbbf2a4/flint63},
booktitle = {Handbuch Industrie 4.0 Bd.\, 3: Logistik},
crossref = {VogelHeuserBauernhanslHompel2017c},
doi = {10.1007/978-3-662-53251-5_92},
edition = 2,
editor = {Vogel-Heuser, Birgit and Bauernhansl, Thomas and ten Hompel, Michael},
file = {SpringerLink:2017/Wehberg17p377.pdf:PDF},
groups = {public},
interhash = {f439d9ac7ba4100f4795c5d98bdf30c9},
intrahash = {8877d816d26ea5cf6a72301c7dbbf2a4},
isbn = {978-3-662-53250-8},
keywords = {01624 springer paper embedded ai factory logistics data pattern recognition analysis zzz.big zzz.i40},
pages = {377--392},
publisher = {Springer},
series = {Springer Reference Technik},
timestamp = {2017-07-13T18:16:07.000+0200},
title = {{Big Data -- Mustererkennung als Erfolgsfaktor der Logistik 4.0}},
username = {flint63},
year = 2017
}