Data mining för resurseffektivaretillverkning och produktion
SammanfattningHur går en organisation från att vara informationsrik till att bli insiktsfull - och hur tar man bästa beslut utifrån denna insikt? Det strömmar otroligt stora mängder data genom produktion- och tillverkningssystem. Företag saknar ofta kunskap kring hur denna information skall användas. Data mining är de verktyg som kan användas för att ta reda på den informationen. Genom att upptäcka mönster och relationer i stora mängder data har Data mining gjort det möjligt att finna den kunskap man tidigare inte trodde fanns. Syftet med denna rapport är att undersöka om dessa verktyg kan användas för att öka resurseektiviteten i tillverkning och produktion.Inom forskning, foretagsekonomi, finansbranchen, myndigheter samt produktionsbolag appliceras Data mining till problemlösning och optimering. Läkemedelnsbranchen använder Data mining i syfte att effektivisera i produktionscykeln, men också till att upptäcka kundmönster som ar kopplade till läkemedlet. Data mining ar uppbyggd av matematiska och statistiska metoder så som, beslutstrad, regressionsanalys, genetiska algoritmer och neurala nätverk. Dessa gör det möjligt att upptäacka mönster och relationer i data. För att kunna utnyttja dessa metoder med goda resultat är det viktigt att den data man analyserar är specifik. Det innebär att data bör filtreras från anomaliteter, saknade värden och felaktigt insamlad data. I Microsoft Excel är det möjligt att använda Data mining som analysverktyg. Genom verktyget Associate observeras relationer och möonster i en uppsattning data. Forecast är ett verktyg som beraknar ett sannolikt utfall genom att analyser historisk data, medan Highlight Exceptions identifierar undantag.En empirisk studie utfördes i syfte att identifiera kritiska systemfel i en process, resultatet tyder på att Associateverktyget är användbart vid resurseektivisering. Utfallet i studien för Highlight Exceptions visar sig vara begränsad, vi fann dock att verktyget är användbart vid data hantering. Vid förutsägande modeller ifrågasäatter vi tillförlitligheten till resultaten då verktyget är datakänsligt. Rapporten visar att Data mining är ett användbart verktyg i syfte öka resurseektiviteten.