nach oben

Erschienen in:

2020 | OriginalPaper | Buchkapitel

4. Big Data und Analytics

verfasst von : Johannes Pistorius

Erschienen in: Industrie 4.0 – Schlüsseltechnologien für die Produktion

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Die zunehmende Verschmelzung der physikalischen mit der digitalen Welt sowie die fortschreitende Digitalisierung führen zu einem rapiden Wachstum der Datenbestände im Internet of Things. Unter Big Data versteht man die Verwendung von großen Datenmengen zur Erzeugung eines wirtschaftlichen Nutzens. Drei Dimensionen, nämlich die Menge an Daten (Volume), die Vielfalt der Daten (Variety) und die Geschwindigkeit der Datenerzeugung und -verarbeitung (Velocity) kennzeichnen Big Data-Anwendungen. Der harte Wettbewerb zwingt Unternehmen künftig ihre Daten gezielter auszuwerten, um mit dem gewonnen Wissen auf dem Markt erfolgreich zu sein. Viele Industrieunternehmen setzen zunehmend Anwendungen aus dem Bereich Big Data ein. Unter den Big Data-Technologien zeichnen sich derzeit große Chancen beim Einsatz von Data Mining, Machine Learning und Predictive Maintenance ab.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Internet der Dinge

Nächstes Kapitel Visualisierung und Simulation

[All18]

Alley-Young, G.: Data mining. In: Schintler, Laurie A., McNeely, Connie L. (Hrsg.) Encyclopedia of Big Data, S. 1. Springer International Publishing, Basel (2018)

[Ana18]

Anand, V. Top 10 benefits of data mining. https://www.microstrategy.com/us/resources/blog/bi-trends/top-10-benefits-of-data-mining (2018). Zugegriffen: 13. Mai 2019

[Bay19]

Bayer, M. Artificial Intelligence – das Training macht den Unterschied. Deep Learning. https://www.computerwoche.de/a/artificial-intelligence-das-training-macht-den-unterschied,3546899 (2019). Zugegriffen: 19. Mai 2019

[Bit12]

Bitkom e. V.: Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte, S. 7–11. Bitkom, Berlin (2012)

[Bit14]

Bitkom e. V. Big-Data-Technologien – Wissen für Entscheider. Leitfaden, S. 12–13. 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.pdf (2014). Zugegriffen: 26. Juni 2019

[Bit18]

Bitkom e. V. Markt für Big Data wächst in Deutschland zweistellig. https://www.bitkom.org/Presse/Presseinformation/Markt-fuer-Big-Data-waechst-in-Deutschland-zweistellig.html (2018). Zugegriffen: 14. Mai 2019

[BmWi18]

Bundesministerium für Wirtschaft und Energie: Monitoring-Report Wirtschaft DIGITAL 2018, S. 44. BMWi, Berlin (2018)

[Del17]

Deloitte GmbH. Predictive maintenance: Taking pro-active measures based on advanced data analytics to predict and avoid machine failure, S. 5–11. https://www2.deloitte.com/content/dam/Deloitte/de/Documents/deloitte-analytics/Deloitte_Predictive-Maintenance_PositionPaper.pdf (2017). Zugegriffen: 21. Juni 2019

[Dia13]

Diamond, S., Marfatia, A.: Predictive Maintenance for Dummies, S. 9, 20–21. Wiley, Hoboken (2013)

[eodOJ]

eoda GmbH: Predictive Maintenance (mit R): Leistung immer und überall dank vorausschauender Wartung basierend auf statistischen Modellen, S. 9–10 https://www.eoda.de/files/Use_Case_Seiten/Whitepaper/Predictive_Maintenance_mit_R.pdf (o. J.). Zugegriffen: 22. Juni 2019

[Fay96]

Fayyad, U., Piatetsky-Shapiro, G., Smyth, P.: From Data Mining to Knowledge Discovery in Databases. In: AI Magazine. 3/17, S. 37–54 (1996)

[Fer18]

Ferber, S.: Das Internet der Dinge auf dem Weg in die Fabrik. VDMA Nachrichten 03(2018), 18 (2018)

[Gir04]

Girdhar, P.: Practical Machinery Vibration Analysis and Predictive Maintenance, S. 7. Newnes, Oxford (2004)

[Gla19]

Gladis, A.: Wettbewerbsfähig mit Machine Learning. SCOPE – Industriemagazin für Produktion 4(2019), 50–51 (2019)

[Gro19]

Gross, B.: IoT-Plattformen im Einsatz. Computer & Automation – Fachmedium der Automatisierungstechnik 1(2019), 19 (2019)

[Hen19]

Hensel, M., Litzel, N.: KI soll zwei Billionen Euro an Unternehmensumsätzen beeinflussen. https://www.bigdata-insider.de/ki-soll-zwei-billionen-euro-an-unternehmensumsaetzen-beeinflussen-a-800506/ (2019). Zugegriffen: 21. Mai 2019

[Hur18]

Hurwitz, J., Kirsch, D.: Machine Learning for Dummies: IBM Limited Edition, S. 4, 12–13. Wiley, Hoboken (2018)

[IDG19]

IDG Business Media GmbH: Studie Machine Learning/Deep Learning 2019, S. 19–20, 24–25. IDG, München (2019)

[InsOJ]

Institut für angewandte Datenanalyse GmbH: Vorteile des Data Mining. https://www.ifad.de/services/data-mining-alt/vorteile-des-data-mining/ (o. J.). Zugegriffen: 13. Mai 2019

[Klo19]

Klostermeier, J.: Audi nutzt Machine Learning in der Serienproduktion. https://www.cio.de/a/audi-nutzt-machine-learning-in-der-serienproduktion,3591147 (2019). Zugegriffen: 22. Mai 2019

[Kun18]

Kunze, S.: Einfach einsteigen: So kann die vernetzte Fabrik entstehen. Software-Lösung. https://www.elektrotechnik.vogel.de/einfach-einsteigen-so-kann-die-vernetzte-fabrik-entstehen-a-777235/ (2018). Zugegriffen: 24. Juni 2019

[Luc17]

Lucks, K.: Pfade der BMW-Werke zu Smart Factories der Industrie 4.0. In: Lucks, K. (Hrsg.) Praxishandbuch Industrie 4.0, S. 380. Schäffer-Poeschel, Stuttgart (2017)CrossRef

[LuK17]

Lucks, K., Klawon, M.: Realtime Due Diligence. In: Lucks, K. (Hrsg.) Praxishandbuch Industrie 4.0, S. 769. Schäffer-Poeschel, Stuttgart (2017)CrossRef

[Mey18]

Meyer, A., et al.: Decision Support Pipelines – Durchgängige Datenverarbeitungsinfrastrukturen für die Entscheidungen von morgen. In: Wischmann, S., Hartmann, E. (Hrsg.) Zukunft der Arbeit – eine praxisnahe Betrachtung, S. 218. Springer Vieweg, Wiesbaden (2018)

[Mob02]

Mobley, R.K.: An Introduction to Predictive Maintenance: Second Edition, 2. Aufl, S. 5, 60–61. Butterworth-Heinemann, Amsterdam (2002)

[Mue16]

Mueller, J.P., Massaron, L.: Machine Learning for Dummies, S. 16–17, 33. Wiley, Hoboken (2016)

[Nie17]

Niemann, A: Machine Learning: Künstliche Intelligenz bei Audi. https://blog.audi.de/machine-learning-kuenstliche-intelligenz-bei-audi/ (2017). Zugegriffen: 22. Mai 2019

[Pöt14]

Pötter, T., Folmer, J., Vogel-Heuser, B.: Enabling Industrie 4.0 – Chancen und Nutzen für die Prozessindustrie. In: Bauernhansl, Thomas, Hompel, Michael ten, Vogel-Heuser, Birgit (Hrsg.) Industrie 4.0 in Produktion, Automatisierung und Logistik, S. 168. Springer Vieweg, Wiesbaden (2014)

[PwC17]

PwC GmbH: Digital Factories 2020: Shaping the future of manufacturing. S. 26. https://www.pwc.de/de/digitale-transformation/digital-factories-2020-shaping-the-future-of-manufacturing.pdf (2017). Zugegriffen: 7. Mai 2019

[Rob16]

Robert Bosch GmbH: Bosch steigert mit Industrie 4.0 seine Wettbewerbsfähigkeit. https://www.bosch-presse.de/pressportal/de/de/bosch-steigert-mit-industrie-4-0-seine-wettbewerbsfaehigkeit-44805.html (2016). Zugegriffen: 1. Aug. 2019

[Rok15]

Rokach, L., Maimon, O.: Data Mining with Decision Trees: Theory and Applications, 2. Aufl, S. 4, 5–8. World Scientific, Singapore (2015)MATH

[Rol17]

Roland Berger GmbH: Predictive Maintenance: Service der Zukunft – und wo er wirklich steht, S. 6–13. https://www.vdma.org/documents/105806/17180011/VDMA+Predictive+Maintenance+deutsch.pdf/1ebbb093-739e-43ff-a30a-2a75e7aa1c22 (2017). Zugegriffen: 24. Juni 2019

[Sch17]

Schröder, T.: The benefits of predictive maintenance. https://blog.softexpert.com/en/the-benefits-of-predictive-maintenance/ (2017). Zugegriffen: 23. Juni 2019

[Sha15]

Sharma, P.: Top 5 Data mining techniques. https://www.infogix.com/top-5-data-mining-techniques/ (2015). Zugegriffen: 12. Mai 2019

[Tep14]

Tepe, E., Patzer, A.: Große Messdatenmengen rationell und flexibel analysieren: Entwicklungswerkzeuge. https://www.elektroniknet.de/elektronik-automotive/software-tools/grosse-messdatenmengen-rationell-und-flexibel-analysieren-105572-Seite-2.html (2014). Zugegriffen: 14. Mai 2019

[TRS17]

The Royal Society: Machine Learning: The Power and Promise of Computers that Learn by Example, S. 28. The Royal Society, London (2017)

[The17]

Theobald, O.: Machine Learning For Absolute Beginners, 2. Aufl, S. 7. Scatterplot Press, o. O. (2017)

[VDE16]

V.D.E e. V.: VDE-Trendreport 2016: Internet der Dinge/Industrie 4.0. Technologien – Anwendungen – Perspektiven, S. 10. VDE, Frankfurt a. M. (2016)

[VDMA18]

VDMA e. V.: Machine Learning im Maschinen und Anlagenbau: Quick Guide, S. 7–9. https://ki.vdma.org/documents/15012668/19160693/Quick_Guide_Machine_Learning%20(3)_1557231153950.pdf/c91f9dc7-108d-7e84-4d5a-365b6269e83f (2018). Zugegriffen: 18. Mai 2019

[Wes14]

Weskamp, M. et al.: Studie: Einsatz und Nutzenpotenziale von Data Mining in Produktionsunternehmen. Ergebnisse. https://www.ipa.fraunhofer.de/content/dam/ipa/de/documents/Publikationen/Studien/Studie_DataMininginProduktionsunternehmen.pdf (2014). Zugegriffen: 8. Juli 2019

[Wil16]

Wilkens, A.: Internet der Dinge: Schaeffler kooperiert mit IBM. https://www.heise.de/newsticker/meldung/Internet-der-Dinge-Schaeffler-kooperiert-mit-IBM-3339855.html (2016). Zugegriffen: 22. Mai 2019

Titel: Big Data und Analytics
verfasst von: Johannes Pistorius
Verlag: Springer Berlin Heidelberg
Buch: Industrie 4.0 – Schlüsseltechnologien für die Produktion
Print ISBN: 978-3-662-61579-9

Electronic ISBN: 978-3-662-61580-5

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-662-61580-5_4

Premium Partner

Marktübersichten

Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen.

Zur Marktübersicht