Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

Masterprüfung (online)
B7 Digitalisierung Industrieller Prozesse
SS 2021

Studiengang: Maschinenbau Prüfer: Prof. Dr. Gölzer

Prüfungs-
Semester: MIEM1 10.07.2020, 11:30 Uhr
termin:
B7 Digitalisierung Zugelassene
Prüfungsfach: alle
Industrieller Prozesse Hilfsmittel:
Erreichbare
Dauer: 90 min 90 Punkte
Punkte:
Anzahl der Aufgabenblätter: 13 Seiten incl. Deckblatt

Name: …………………………. Matrikel-Nr.: ………………………….

Vorname: …………………………. Unterschrift: ………………………….

Wichtige Hinweise zur Bearbeitung der folgenden Aufgaben:

• Keinen Rotstift verwenden!
• Jede Aufgabe direkt im Freiraum unter der jeweiligen Aufgabenstellung bearbeiten.
• Sollte Ihnen der vorgegebene Platz nicht ausreichen, fahren Sie auf der Rückseite fort.
• Tragen Sie Ihre Ergebnisse unbedingt in die dafür vorgesehenen Kästen ein!

Aufgabe 1 2 3 Σ Note
mögl.
15 P 30 P 45 P 90 P
Punkte
erreichte
Punkte

Erst-
korrektor

Zweit-
korrektor

1 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

1 Aufgabe: Anwendungsfallidentifikation (15 Punkte)

Entwickeln Sie für eines der beiden Praxisbeispiele einen potenziellen Anwendungsfall für
datengetriebene Entscheidungsprozesse. Orientieren Sie sich an den Leitfragen und tragen
Sie die Ergebnisse für Entscheidung, Hypothese, beteiligte Entitäten und deren relevante
Daten in die Tabelle ein.

Leitfragen zu Identifikation potenzieller Anwendungsfälle:

• Welche Entitäten (z. B. Kunden, Maschinen, Fahrzeuge, Softwaresysteme, Mitarbeiter,
…) sind Teil der Wertschöpfungskette und haben durch ihr Verhalten oder ihre Leistung
Einfluss auf die Zielsetzung?
• Welche Entscheidungen entlang der Wertschöpfungskette haben einen großen
Stellhebel und Einfluss auf die Zielsetzung?
• Formulierung von Hypothesen mit denen die Entscheidungen positiv (im Sinne der
Zielsetzung) beeinfluss werden könnten. „Wenn wir wüssten ob, wann, was, wo …
könnten wir dies, das, jenes, … besser machen!“
• Welche Daten der Entitäten sind notwendig oder vorhanden und könnten genutzt
werden, um die formulierte Hypothese zu falsifizieren?

Hinweise zur Bearbeitung:

• Wählen Sie einen der beiden Praxisbeispiele aus
• Folgen Sie den Leitfragen zur Identifikation potenzieller Anwendungsfälle
• Tragen Sie nur eine Hypothese und eine Entscheidung ein
• Es müssen nicht alle Entitäten und deren Daten ausgefüllt werden

2 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

Praxisbeispiel 1: Joghurtproduzent
Ausgangssituation
Das Unternehmen BioEdel produziert verschiedene
hochwerte Bio-Milchprodukte (z. B. Joghurt) mit einer
relativ kurzen Mindesthaltbarkeit. Mit den Produkten
werden direkt Bio-Supermärkte in der Region beliefert.
Problemstellung
Aufgrund der kurzfristigen täglichen Abrufe der
Supermärkte kann es vorkommen, dass entweder zu
wenig Produkte vorrätig sind und Umsatzverluste
resultieren oder dass Produkte nicht vor dem
Halbbarkeitsdatum abgenommen werden und entsorgt
werden müssen.
Zielsetzung
Vermeidung von Über-/Unterproduktion

Praxisbeispiel 2: Servicetechniker
Ausgangssituation
Das Unternehmen CleanoMatic bietet für seine
Produkte (Waschmaschinen, Geschirrspüler) Repa-
raturservices an. Die Servicetechniker werden auf
Basis der Fehlerbeschreibung der Kunden mit
Ersatzteilen versorgt und fahren vor Ort zu Reparatur.
Problemstellung
Der Servicetechniker hat nicht die richtigen Ersatzteile
dabei und kann die Reparatur erst bei einem zweiten
Besuch beheben.
Ziel
Erhöhung der Ersterfüllungsquote (d.h. Vollständige
Reparatur beim 1. Besuch) und weniger Retouren von
nicht benötigter Ersatzteile im Lager.

3 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

Anwendungsfall für Praxisbeispiel __________________________

Entschei-
dung

Hypo-
these

Entitäten

Daten

4 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

2 Aufgabe: Digitale Geschäftsmodelle (30 Punkte)

Die Firma ServoCompact stellt hochdynamische Servoantriebe mit integriertem Servoregler
für industrielle Anwendungen in der Produktion her, z. B. für Werkzeugmaschinen oder
Textilmaschinen. Die Firma verspricht ihren Kunden Wettbewerbsvorteile durch höhere
Produktivität der Maschine und gleichzeitig höhere Präzision. Das bisherige Geschäfts-
modell der Firma ServoCompact sieht bisher ausschließlich den Verkauf der Servomotoren
vor. Als Aftersales-Services werden zusätzlich Technischer Service, Instandhaltung und
Ersatzteile angeboten. Im Zuge der Digitalisierung möchte sich das Unternehmen
strategisch neu positionieren, um sich von der Konkurrenz abzusetzen. Die Servomotoren
liefern bereits heute vielfältige Sensordaten, die heute jedoch nur von den Kunden selbst
genutzt werden.

Servoantriebe der Firma ServoCompact

Aufgabe:
2.1 Entwerfen Sie ein Digitales Geschäftsmodell für die Firma ServoCompact. Nutzen Sie
dazu das Framework von Bock und Wiener 2017. Wählen Sie für jede Dimension eine
Ausprägung und erläutern Sie die konkrete Ausgestaltung für ServoCompact. (Sollte
eine Dimension nicht relevant sein, bitte Begründung eintragen) (20P)

Framework für Digitale Geschäftsmodelle von Bock und Wiener 2017

5 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

Dimension Gewählte Ausprägung Erläuterung der Ausprägung für ServoCompact

Digitales
Angebot

Digitales
Erlebnis

Digitale
Plattform

Daten-
analyse

Digitale
Preis-
gestaltung

6 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

2.2 Welche Vorteile könnte ServoCompact durch das digitale Geschäftsmodell für sich und
seine Kunden/Partner realisieren? Nennen Sie je drei Vorteile. (6P)

Vorteile ServoCompact Vorteile Kunden/Partner

2.3 Für die Umsetzung Digitaler Geschäftsmodelle werden IT-Plattformen (Cloud, IoT)
benötigt. Beschreiben Sie vier Aufgaben/Funktionen die diese Systeme im neuen
Digitalen Geschäftsmodell von ServoCompact übernehmen? (4P)
Aufgaben/Funktion von Cloud/IoT Plattformen

7 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

3 Aufgabe: Data Science (45 Punkte)

Die Firma ErgoSeat fertigt Sitze und Sitzgruppen für verschiedene Automobilhersteller. Am
Ende des Fertigungsprozesses findet eine teilautomatisierte Qualitätsprüfung statt. Sitze die
diese Prüfung nicht bestehen müssen nachgearbeitet werden. In diesem Anwendungsfall
soll untersucht werden, welche Faktoren zu einer höheren Nacharbeitsquote führen damit
der Fertigungsprozess optimiert werden kann.
Dazu steht Ihnen ein historischer Datensatz („data_seats“) mit vier Variablen zur Verfügung.
• Die Zielvariable „Rework“ gibt an ob der jeweilige Sitz nachgearbeitet werden musste
(„Yes“ bzw. „1“) oder nicht („No“ bzw. „0“).
• Die Variable „Budget“ drückt aus, ob der Sitz zu einem Auto einer günstigen Preisklasse
zählt („Yes“ bzw. „1“) oder ins Premiumsegments fällt („No“ bzw. „0“).
• Die Variable „Production.Time“ misst die Zeit, die für die Fertigung des jeweiligen Sitzes
benötigt wurde (in Minuten) und gibt Ihnen dementsprechend Aufschluss darüber wie
viele Fertigungsschritte benötigt wurden.
• Die Variable „Pressure“ gibt den Dampfdruck in bar an, mit welchem die Sitzbezüge
gebügelt und verklebt wurden.

Im Folgenden ist Ihnen ein kurzer Auszug sowie die summary statistics des Datensatzes
dargestellt.

8 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

3.1 Nennen und beschreiben Sie kurz alle notwendigen Schritte, um ausgehend vom
Rohdatensatz („data_seats) in Form einer csv-Datei, ein Vorhersagemodell für die
Nacharbeitsquote und ein interaktives Tool in „R“ zu erstellen. (6 Punkte)

3.2 Um welches Machine Learning Problem handelt es sich im vorliegenden

Anwendungsfall mit den gegebenen Daten? Kreuzen Sie die richtige Lösung an und
begründen Sie Ihre Antwort. (3 Punkte)

Lösung: (1P)
( ) Regressionsproblem
( ) Dimensionsreduktionsproblem
( ) Klassifikationsproblem
( ) Optimierungsproblem

Begründung: (2P)

9 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

3.3 Benennen Sie den Datentypen der vier Variablen und beschreiben Sie kurz zwei
mögliche Ansätze zur Behandlung fehlender Werte für jeden Datentyp. Nutzen Sie
hierzu die Informationen der oben genannten summary statistics. (8 Punkte)

Variable Datentyp Ansatz zur Behandlung fehlender Werte

Rework

Budget

Production.time

Pressure

3.4 Als Vorhersagemodell wurde zunächst ein Entscheidungsbaum modelliert (7 Punkte).

a) Nennen Sie jeweils zwei Vor- und Nachteile von Entscheidungsbäumen (4P).
Vorteile von Entscheidungsbäumen Nachteile von Entscheidungsbäumen

b) Worin unterscheiden sich Entscheidungsbäume von einem Random Forest? (3P)

10 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

3.5 Der oben genannte Entscheidungsbaum hat auf den Trainingsdaten die folgenden
Ergebnisse erzielt. (10 Punkte)

a) Angenommen Sie haben in der Datenvorverarbeitung alle fehlenden Werte der

Einfachheit halber gelöscht, ermitteln Sie die Anzahl der Fehlklassifikationen für das
Feld b) in dem gilt: (2P)

b) Tragen Sie in die vier Felder der Konfusionsmatrix (a – d) die Bezeichnungen der
Prognoseergebnisse ein und interpretieren Sie die Ergebnisse jeweils kurz. (4P)

c) Berechnen Sie die „Fehlerrate“ (Error Rate) und die „Genauigkeit“ (Accuracy) anhand
der obigen Konfusionsmatrix. (4P)

11 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

3.6 Der oben skizzierte Datensatz ist stark unausgeglichen, d.h. es gibt deutlich mehr „0“
als „1“. Welche Probleme können sich hierdurch bei der Berechnung bzw. der
Interpretation der „Error Rate“ und „Accuracy“ ergeben und wie können Sie damit
umgehen? (4 Punkte)

3.7 Im Anschluss an den Entscheidungsbaum entscheiden Sie sich dazu einen Random
Forest („RF“) zu modellieren und möchten die Ergebnisse mit denen eines künstlichen
neuronalen Netzes („KNN“) vergleichen. Dazu seien Ihnen die folgenden Informationen
gegeben. (7 Punkte)

Tabelle 1 - Evaluation des RF Tabelle 2 - Evaluation KNN

a) Berechnen Sie den Anteil der korrekten Vorhersagen bzw. die „Accuracy“ für beiden
Modelle. (4P)

ACC_RF = __________

ACC_KNN = __________

12 von 13
Klausur B7 Digitalisierung Industrieller Prozesse (DIGIP) – SS 2021

b) Erläutern Sie welches Modell Sie für den praktischen Einsatz in dem vorliegenden
Anwendungsfall bevorzugen würden und begründen Sie Ihre Antwort? (3P)

13 von 13