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?
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