Ausgangssituation
Produzierende Unternehmen sehen sich seit Jahren mit einer steigenden Nachfrage nach kundenindividuellen Produkten konfrontiert. Um dieser Nachfrage gerecht zu werden, wird vielfach das Angebot an Produktvari- anten erhöht. Hierdurch erhöht sich die Komplexität sowohl in der Kon- struktion als auch in der Fertigung.
Dies setzt produzierende Unterneh- men im globalen Wettbewerb unter Druck, da Wettbewerbsvorteile durch Skaleneffekte und Automatisierung nur bedingt erzielt werden können.
Ein wesentlicher Stellhebel zur Redu- zierung interner Komplexität sind un- ter anderem Standardisierungsmaß- nahmen. So belegen Studien, dass übergreifende Standards in Bauteil und Prozess eine Verkürzung der Time-to-market um bis zu 30%, eine Reduzierung der Kosten in Entwick- lung und Supply Chain bis zu 20%
und eine Senkung der Durchlaufzei- ten in der Produktion um bis zu 60%
ermöglichen können. Die Herausfor- derung für Unternehmen besteht je- doch darin, die individuell wirksams- ten Standardisierungsmaßnahmen zu identifizieren und umzusetzen.
Zielsetzung
Im Rahmen der Arbeit sollen die in der Literatur bestehenden Ansätze zur Reduzierung interner Komplexität identifiziert und beschrieben werden.
Dazu soll eine systematische Litera- turreche durchgeführt werden, die an- hand zuvor definierter Fachbegriffe Li- teraturdatenbanken durchsucht und Ergebnisse extrahiert. Mittels Machine Learning sollen die Suchergebnisse systematisch auf relevante Veröffentli- chungen reduziert und diese anschlie- ßend zusammengefasst sowie hin- sichtlich ihres Anwendungsbereichs (Produkt, Prozess, Portfolio) klassifi- ziert werden.
Die Arbeit adressiert damit die für zahlreiche Industrieunternehmen vor- handene Herausforderung, Maßnah- men zur Reduzierung der internen Komplexität zu identifizieren und um- zusetzen. So kann das Dilemma zwi- schen individueller Produktion („eco- nomies of scope“) sowie Massenpro- duktion („economies of scale“) aufge- löst und die Wirtschaftlichkeit der Un- ternehmen erhöht werden. Die Erstel- lung der Arbeit erfolgt im Kontext ei- nes Forschungsprojektes mit Indust- riekonsortium.
Voraussetzungen:
– Motivation und Einsatzbereitschaft – Interesse an Machine Learning – Interesse an der Schnittstelle zwi-
schen Produktion und Entwicklung – Bereitschaft, sich in neue Themen
einzuarbeiten Geboten wird:
– Flexible Betreuung
– Abgegrenzte Aufgabenstellung – Schnelle Bearbeitung möglich – Umfangreiches Material zur Einar-
beitung
– Hoher Praxisbezug
Interesse geweckt?
Dann freue ich mich von dir zu hören.
Melde dich einfach per Mail mit Le- benslauf und Notenspiegel bei:
Ansprechpartner Marius Krug, M. Sc.
Campus-Boulevard 30 Gebäude 3B, Raum 534 D-52074 Aachen
Telefon +49 241 80-28390 m.krug@wzl.rwth-aachen.de
