Aktuell dienen die Kennzahlen des Management- und Reportingsystems (MARS) im Wesentlichen dem Performance-Tracking. Die übergeordnete Ambition ist jedoch eine aktive, ursachenbasierte Steuerung zur nachhaltigen Verbesserung der Fabrikleistung.
Eine zentrale Herausforderung: Maßnahmen zur Verbesserung einzelner Kennzahlen erzeugen häufig Wechselwirkungen/Quereffekte auf andere Kennzahlen – positiv wie negativ (z. B. Kostenreduktion durch geringere Personalbereitstellung kann Programmerreichung oder Durchlaufzeiten negativ beeinflussen). Für fundierte Entscheidungen fehlt damit häufig ein ganzheitliches Ursache-Wirkungs-Verständnis zwischen Kennzahlen.
Aufgaben
Aufbau eines methodischen und technischen Fundaments, um
- Wechselwirkungen zwischen produktionsrelevanten Kennzahlen zu identifizieren und zu verstehen,
- ursächliche Zusammenhänge mittels Data-Science (Causal-Inference-Methoden) abzuleiten und
- diese Zusammenhänge strukturiert und nachhaltig zu modellieren/zu speichern, um Kennzahlen besser zu interpretieren, Maßnahmen ganzheitlich zu bewerten und Nebenwirkungen frühzeitig zu erkennen.
Zentrale Forschungsfragen:
- Wie kann ein übergreifendes Gesamtverständnis der Wechselwirkungen aller relevanten Kennzahlen geschaffen werden?
- Inwiefern eignen sich Causal-Inference/Causal-Discovery-Methoden zur Identifikation von Ursache-Wirkungs-Beziehungen in einem realen Produktionsumfeld?
- Wie können identifizierte Wirkungszusammenhänge strukturiert modelliert und gespeichert werden?
- Optional: Wie lassen sich Maßnahmen und deren erwartete direkte & indirekte Effekte auf Kennzahlen abbilden und erklären?
Anforderungen
Studiengänge:
- Wirtschaftswissenschaften
- Wirtschaftsingenieurwesen
- Statistik
- Mathematik
- Wirtschaftsinformatik, Informatik oder vergleichbare Studiengänge
Studienschwerpunkte:
- Data Science
- Produktion
- Machine Learning, Künstliche Intelligenz
- Datenstrukturen & Algorithmen
- Produktionssteuerung, Produktionsorganisation, Produktionsmanagment
Fachkenntnisse:
- Grundlagen der Mathematik & Statistik
- Kenntnisse/Vorerfahrung im Bereich Produktion/Logistik von Vorteil
- Machine Learning oder Causal-Inference Methoden von Vorteil
IT-Kenntnisse:
- Python (Programmiersprache)
Sprachkenntnisse:
- Sehr gute Englisch und Deutsch-Kenntnisse (Wort & Schrift)
Soft Skills:
- Gute Präsentations- und Kommunikationsfähigkeit
- Lernbereitschaft
- Teamfähigkeit
- Belastbarkeit
- Selbständiges Arbeiten