Herausforderung
Bei Nacharbeitstätigkeiten in der Produktion sind eine Vielzahl von Daten anzugeben, die Aufschluss über die genaue Nacharbeitstätigkeit geben. Diese Daten werden teilweise manuell eingepflegt, was zu Defiziten bezüglich Vollständigkeit und inhaltlicher Qualität führt.
Weiterführende Datenauswertungen und Visualisierungen, um notwendige Verbesserungsmaßnahmen in der Produktion zu identifizieren, verlieren so an Qualität und Aussagekraft.
Lösung
Mit Hilfe von ausgewählten Methoden aus dem Bereich Machine Learning werden Analysen auf den bestehenden Daten durchgeführt, um Korrelationen und Zusammenhänge zwischen den Daten festzustellen.
Aus diesen Erkenntnissen leiten sich konkrete Handlungsempfehlungen ab, die helfen die Datenqualität zu verbessern – im Allgemeinen Data Defect Prevention genannt.
Nutzen
- Durch eine Vorschlagsfunktion der KI kann eine schnellere Erfassung der Daten bei der Fehlereingabe erreicht werden.
- Die Datenpflege kann mittels dynamischer Plausibilitätsprüfungen verbessert werden.
- Reports und Auswertung können durch eine automatische, nachträgliche Ergänzung von Daten verbessert und fehlerhafte oder nicht plausible Daten entsprechend gekennzeichnet werden.
