AppliedIDS Schulung: Digitalisierung in der Produktion
Daten verstehen. Probleme lösen - Industrial Data Science praxisnah erklärt.
Applied Schulung in Dortmund vom 20.04. bis 24.04.2026
Die Teilnehmenden sind nach Abschluss in der Lage, ein Industrial-Data-Science-Projekt fachlich zu strukturieren, Daten zu bewerten, einfache Analysen umzusetzen und Ergebnisse entscheidungsrelevant aufzubereiten.
Die Schulung richtet sich an Fach- und Führungskräfte, Projektleitende sowie sogenannte Citizen Data Scientists, die im industriellen Umfeld datengetriebene Entscheidungen treffen oder vorbereiten. Angesprochen sind insbesondere Personen aus den Bereichen Produktion, Instandhaltung, Qualitätssicherung, IT und Prozessmanagement, die ihre analytischen Kompetenzen erweitern und ein besseres Verständnis für datenbasierte Methoden entwickeln möchten.
Die Teilnehmenden benötigen keine tiefgehenden Programmierkenntnisse, sollten jedoch ein grundlegendes technisches oder betriebswirtschaftliches Verständnis industrieller Abläufe mitbringen. Ziel ist es, Entscheidungsträger:innen zu befähigen, Potenziale der Industrial Data Science zu erkennen, Datenprojekte kompetent zu steuern und die Zusammenarbeit zwischen Domänenexpert:innen, Data Scientists und IT-Fachleuten zu verbessern.
Damit adressiert die Schulung jene Berufsgruppen, die an der Schnittstelle zwischen Technik, Datenanalyse und Management agieren und die Transformation hin zu einer datenorientierten Organisation aktiv mitgestalten möchten.
Tag 1 – Problemverständnis & Projektinitiierung
Theorie:
- Einordnung industrieller Problemstellungen in Datenanalyseprojekte
- Business-, Prozess- und Datenperspektive
- Zielstellungen und Formalisierung von ML-Projekten
- Zielgrößen, KPIs, Annahmen und Randbedingungen
- CRISP-DM und industrielle Varianten
- Rollen, Verantwortlichkeiten und Projektorganisation
Praxis:
- Sammlung und Diskussion möglicher Use Cases aus den Unternehmen der Teilnehmenden
- Strukturierte Problemdefinition entlang von Ziel, Prozess, Randbedingungen und Annahmen
- Ableitung messbarer Analyseziele und Erfolgskriterien
- Diskussion
Ergebnis:
Ein klar formulierter, praxisnaher Industrie-Use-Case pro Team inklusive Zielsetzung, Analysefokus und Bewertungskriterien, der als durchgängige Grundlage für die folgenden Tage dient.
Tag 2 – Einführung in Industrial Data Science und digitale Wertschöpfung
Theorie:
- Abgrenzung Data Science, Industrial Data Science, KI
- Datenwertschöpfungskette in der Industrie
- Digitale Zwillinge als konzeptioneller Rahmen
- Typische industrielle Anwendungsfelder
- Internationale Industrie-4.0-Ansätze
Praxis:
- Überführung des priorisierten Use Cases in eine strukturierte Datenwertschöpfungskette
- Identifikation relevanter interner und externer Stakeholder entlang des Use Cases
- Ableitung des erwarteten fachlichen, wirtschaftlichen und organisatorischen Mehrwerts
- Diskussion Skalierbarkeit und Wirtschaftlichkeit
Ergebnis:
Formalisiertes Use Case Dokument
Tag 3 – Datenerfassung in industriellen Systemen
Theorie:
- Industrielle Datenquellen: Sensorik, Maschinen, IT-Systeme
- IIoT-Architekturen und Datenflüsse
- Digitale Vernetzung und Datenintegration in Produktionsumgebungen
- Überblick über Standards und Schnittstellen (z. B. OPC UA, MQTT, REST)
- Bedeutung von IoT im industriellen Kontext
- Datenerfassung aus industriellen Gesamtsystemen (ERP, MES, SCADA, IoT-Plattformen)
Praxis:
- Identifikation relevanter Datenquellen (intern/extern) für den Use Case
- Datenakquise und -persistierung industrieller Daten an cyber-physischem Demonstrator (Forschungsbrauerei: Sudhaus)
- Visualisierung von IIoT-Informationen
Ergebnis:
Dokumentierte Datenlandschaft; Datenflüsse vom Asset bis zur Analyseebene; Identifizierte Risiken, Lücken und Annahmen in der Datenerfassung
Tag 4 – Datenmanagement und Datenbanktechnologien
Theorie:
- Nutzen von Datenbanken in industriellen Informationssystemen
- Aufbau und Funktionsweise relationaler Datenbanksysteme
- Zentrale Komponenten: Tabellen, Relationen, Schlüssel und Indizes
- Überblick über Abfragesprachen und deren Rolle in Datenbanksystemen
- Einführung in die Grundprinzipien und Syntax von SQL
- Vergleich relationaler und nicht-relationaler Datenmodelle (NoSQL, Zeitreihen, Graphen)
- Einordnung von Datenbanken in industrielle Gesamtsysteme (ERP, MES, SCADA, IoT-Plattformen)
Praxis:
- Zuordnung geeigneter Datenbanktypen zu den identifizierten Datenarten
- Ableitung grundlegender Datenmodelle und Abfragebedarfe (konzeptionell, nicht implementierungsnah)
- Analyse eines realitätsnahen Datensatzes
Ergebnis:
Strukturierte Übersicht der relevanten Datenquellen und Datenarten; Begründete Auswahl geeigneter Datenbanktypen je Use Case; Konzeptionelles Datenmodell inkl. Abfrage- und Analyseanforderungen
Tag 5 – KI und Maschinelles Lernen in der Industrie
Theorie:
- Abgrenzung zwischen klassischer Statistik, Data Mining und Maschinellem Lernen
- Typen von ML-Verfahren: Supervised Learning, Unsupervised Learning, Reinforcment Learning
- Überblick typischer Algorithmen (Lineare Regression, Entscheidungsbäume, Clustering-Verfahren)
- Charakteristika industrieller ML-Anwendungen: Datenverfügbarkeit, Rauschen, Labeling, Interpretierbarkeit
- Bedeutung von Domänenwissen und Feature Engineering
- Struktur und Ablauf einer ML-Pipeline – von der Datenaufbereitung bis zur Modellbewertung
- Beispiele für industrielle Anwendungsfelder (Qualitätsprognosen, Energieoptimierung, vorausschauende Wartung)
Praxis:
- Aufbau einer einfachen ML-Pipeline
- Modelltraining und -bewertung
- Interpretation der Ergebnisse im Prozesskontext
- Ableitung von Handlungsempfehlungen
Ergebnis:
Bewerteter Analyse- und Modellansatz für den definierten industriellen Use Case; Abgeleitete Handlungsempfehlungen auf Basis der Analyseergebnisse