CRISP-DM - Ein Ansatz zur Systematisierung von Digitalisierungsprojekten in Produktionsumfeldern

Zur Umsetzung von Digitalisierungsanwendungen bzw. datenbasierten Problemlösungen im Produktionsumfeld dienen in der Industrie und Forschung oft Methoden aus der Disziplin des Data Mining als Grundlage. Neben unternehmensinternen Methoden, dem Knowledge Discovery in Databases (KDD) und dem darauf aufbauenden Sample, Explore, Modify, Assess (SEMMA), kommt vor allem der CRISP-DM zum Einsatz. Da der CRISP-DM im Vergleich zu KDD und SEMMA durch die Phasen Business Understanding und Deployment im Ansatz ein breiteres Spektrum an Handlungsfeldern abdeckt und die umfangreicheren Beschreibungen notwendiger Phasen bei Data Mining Projekten liefert, kann dieser im Data Mining als etabliert betrachtet werden. Dennoch fehlen in allen, insbesondere aber in den Phasen Business und Data Understanding, Data Preparation und Deployment relevante Informationen für produzierende Unternehmen. Weiterhin wird aus Data Mining Sicht davon ausgegangen, dass alle zur Problemlösung notwendigen Daten verfügbar sind. Da dies in industriellen Produktionen nur selten der Fall ist, ist der CRISP-DM ohne weitere Anpassungen nur bedingt zur Durchführung von Digitalisierungsprojekten einsetzbar. Deshalb wurde der CRISP-DM Prozess von der Projektgruppe Prozessinnovation zunächst um die Phasen Cross Linking und Data Synthesis erweitert. Die beiden Phasen beinhalten Aktivitäten, Modelle und Methoden sowohl zur Ableitung von Datenbedarfen, als auch zur sensorischen Nachvernetzung von Anlagen, um identifizierte Bedarfe zu decken. Weiterhin sind Aktivitäten zur Datensynthese definiert, um Bestandsdaten mit Daten aus der Nachvernetzung zu einem Datenrahmen bzw. einer Datenbasis zu homogenisieren. Das dazu ergänzende Ziel der internationalen Zusammenarbeit ist es, eine Handlungshilfe für produzierende Unternehmen, insbesondere für kleine und mittlere Unternehmen (KMU) zu entwickeln, die diese dazu befähigt, eigenständig Digitalisierungsprojekte durchzuführen und nachhaltig zu verwerten. Zu diesem Zweck soll eine neuartige Kombination etablierter Methoden des Data Mining (bzw. des bereits erweiterten CRISP-DM), des Lean Managements sowie der Produkt- und Serviceentwicklung und Methoden weiterer Disziplinen erforscht werden.