UdZ 02.21

SPECTRUM – APPLIED RESEARCH 78 / UdZ 02.21 A ktuelle Megatrends wie Globalisierung und Digitalisierung fordern produzierenden Unter­ nehmen einiges ab: Eine echtzeitfähige und effiziente Produktionsplanung und -steuerung (PPS) als Basis einer fundierten und kurzfristigen Entscheidungsfindung ge­ hört dazu. Notwendige Bedingungen für eine zuverlässige EntscheidungsfindungsindnachwievoreinehoheDatenqualität und die anwendungsgerechte Informationsverfügbarkeit. Die zentrale Herausforderung bei der Steigerung der Datenqualität besteht in den Investitionskosten für die Implementierung von entsprechenden Maßnahmen. Besonders betroffen von einer eingeschränkten Investitionsfähigkeit sind kleine und mittlere Unternehmen (KMU). Eine Möglichkeit zur Senkung der Investitionskosten besteht darin, die Datenqualität eines Datensatzes zu erhöhen, indem man die Daten fusioniert oder verschiedene Datenquellen kom­ biniert. DasForschungsprojekt ‚DaFuER‘ knüpftegenauandiesem Punkt an. Ziel war es, die Datenqualität insbesondere für die Produktionssteuerung und das Produktionscontrolling mithilfe der Anwendung von Methoden der Datenfusion sicherzustellen. Dabei wurde im Projekt ein Leitfaden zur Anwendung der Datenfusion imKontext betrieblicher Rückmeldedaten erarbeitet, der als Entscheidungshilfe für Anwenderunternehmen und für Entwickler:innen betrieblicher Anwendungssysteme dient. Der Aufbau des Leitfadens ist an dem imForschungsprojekt ent­ wickelten Modell zur Anwendung der Datenfusion im Kontext betrieblicher Rückmeldedaten ausgerichtet. In einemersten Arbeitsschritt definieren die Anwendenden den aktuellen Anwendungsfall. Dabei ermitteln sie zunächst die wichtigsten Informationsbedarfe; dies geschieht auf Basis einer Übersicht, die die für die PPS relevanten Informationen zeigt. Die Anwendenden wählen diejenigen Informationen aus, die sich für sie aufgrund einer mangelhaftenDatenqualität als unzu­ verlässig erweisen. Die Informationsverfügbarkeit ermitteln sie auf Basis der verfügbaren Daten. Diese ergeben sich aus den demUnternehmen zur Verfügung stehenden Datenquellen. Im zweiten Arbeitsschritt werden die zu fusionierenden Datenquellen bestimmt. Für jede als relevant identifizierte Information werden in einer Übersicht potenziell dazugehörige Datenquellen aufgelistet, aus denen sich diese Informationen extrahieren lassen. Die Anwendenden können dadurch ihrem Informationsbedarf konkrete, verfügbare Datenquellen zuord­ nen. Darüber hinaus ermitteln siequalitativ für jedeDatenquelle, in welchem Maß diese die verschiedenen Kriterien der Daten­ qualität erfüllt. Auf Basis dieser Qualitätsmerkmale ist es den Anwendenden möglich, diejenigen verfügbaren Datenquellen für die Fusion auszuwählen, die, sich gegenseitig ergänzend, die Datenqualitätsmerkmale erfüllen. Schließlich werden die geeigneten Methoden der Datenfusion ermittelt. Auf Basis einer Klassifikation der betrachteten C urrent megatrends such as globalization and digitization make great demands on manufacturing companies: Real-time and efficient production planning and control (PPC) as the basis for sound and short-term decision-making is one of them. Necessary conditions for reliable decision-making continue to be high data quality and application-oriented information availability. The central challenge in increasing data quality lies in the investment costs for implementing appropriate measures. Small and medium-sized enterprises (SMEs) are particularly affected by a limited ability to invest. One way to reduce investment costs is to increase the data quality of a dataset by merging data or combining different data sources. The research project ‘DaFuER’ took up exactly this point. The aim was to ensure data quality, especially for production management and production controlling, by applyingdatafusionmethods.Theprojectdevelopedaguideline for the application of data fusion in the context of operational feedback data, which serves as a decision-making aid for user companies and developers of operational application systems. The structure of the guide is based on the model developed in the research project for the application of data fusion in the context of operational feedback data. In a first step, the users define the current use case. They first determine the most important information needs; this is done on the basis of an overview showing the information relevant for PPS. The users select the information that they consider unreliable due to poor data quality. They determine the information availability based on the available data. These are derived from the data sources available to the company. In the second step, the data sources to be merged are determined. For each piece of information identified as relevant, an overview lists potentially related data sources from which this information can be extracted. Users can thus assign concrete, available data sources to their information needs. In addition, they qualitatively determine for each data source to what extent it fulfills the various data quality criteria. Based on these quality characteristics, users are able to select those available data sources for fusion that, complementing each other, fulfill the data quality characteristics. Finally, the appropriate methods of data fusion are identified. Based on a classification of the considered data sources, the users first developed a morphology to describe a data source generically. By combining all possible types of data sources or their morphological characteristics, process-typical errors during fusion can be derived and error classes can be formed. During the project, it was determined towhat extent amethod for applying data fusion is resistant to a corresponding type of error. If it is known which data sources are to be fused, it is possible for the users to derive concrete methods of data