Gast ::
| 001 | 1008873 | ||
| 005 | 20250625095632.0 | ||
| 020 | _ | _ | |a 978-3-98555-267-2 |
| 024 | 7 | _ | |2 HBZ |a HT030991383 |
| 024 | 7 | _ | |2 Laufende Nummer |a 44180 |
| 024 | 7 | _ | |2 datacite_doi |a 10.18154/RWTH-2025-03209 |
| 037 | _ | _ | |a RWTH-2025-03209 |
| 041 | _ | _ | |a German |
| 082 | _ | _ | |a 620 |
| 100 | 1 | _ | |0 P:(DE-82)IDM03786 |a Mendl-Heinisch, Michael Otto |b 0 |u rwth |
| 245 | _ | _ | |a Bewertung technischer Produktänderungen mittels prädiktiver Datenanalyse |c Michael Mendl-Heinisch |h online, print |
| 246 | _ | 3 | |a Evaluation of technical product change by using predictive analytics |y English |
| 250 | _ | _ | |a 1. Auflage |
| 260 | _ | _ | |a Aachen |b Apprimus Verlag |c 2025 |
| 300 | _ | _ | |a 1 Online-Ressource : Illustrationen |
| 336 | 7 | _ | |0 2 |2 EndNote |a Thesis |
| 336 | 7 | _ | |0 PUB:(DE-HGF)11 |2 PUB:(DE-HGF) |a Dissertation / PhD Thesis |b phd |m phd |
| 336 | 7 | _ | |0 PUB:(DE-HGF)3 |2 PUB:(DE-HGF) |a Book |m book |
| 336 | 7 | _ | |2 BibTeX |a PHDTHESIS |
| 336 | 7 | _ | |2 DRIVER |a doctoralThesis |
| 336 | 7 | _ | |2 DataCite |a Output Types/Dissertation |
| 336 | 7 | _ | |2 ORCID |a DISSERTATION |
| 490 | 0 | _ | |a Ergebnisse aus der Produktionstechnik |v 2025,7 |
| 500 | _ | _ | |a Druckausgabe: 2025. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University |
| 502 | _ | _ | |a Dissertation, RWTH Aachen University, 2024 |b Dissertation |c RWTH Aachen University |d 2024 |g Fak04 |o 2024-09-30 |
| 520 | 3 | _ | |a Produzierende Unternehmen sehen sich beim Management von Änderungen entlang des Produktentstehungsprozess mit einer Vielzahl an Herausforderungen konfrontiert. Starke Marktdynamiken und die Verkürzung von Produktlebenszyklen verschärfen diese Herausforderungen zunehmend. Vor diesem Hintergrund sowie angesichts des zunehmenden Wandels des Marktes von einem Verkäufer zu einem Käufermarkt ist die effektive und effiziente Bearbeitung von technischen Änderungen heute eine Pflichtaufgabe. Dabei werden jedoch i.d.R. noch keine modernen Datenanalyseverfahren wie der Random Forest Algorithmus zur Prognose eingesetzt. Bezugnehmend auf die beschriebene Ausgangssituation war die effiziente Gestaltung des Umgangs mit technischen Änderungen das Ziel dieser Arbeit. Dazu zählen insbesondere die Auswahl der zu bearbeitenden technischen Änderungen sowie eine Minimierung der Gesamtänderungskosten durch die Bündelung von technischen Änderungen mit ähnlicher Ressourcenbeanspruchung. Die Methodik fokussierte dabei die Zuordnung technischer Änderungen mittels eines Beschreibungsmodells und die Ermittlung von Grundtypen technischer Änderungen. Weiterhin erfolgte die Beschreibung von Aufwand und Nutzen technischer Änderungen, wobei der Aufwand durch prädiktive Datenanalyse ermittelt wurde. Abschließend wurden die technischen Änderungen zur Minimierung des Gesamtänderungsaufwands gebündelt. In Kapitel 1 dieser Arbeit wurde die Motivation der Arbeit vorgestellt und daraus folgend wurde die Zielsetzung abgeleitet. In Kapitel 2 wurden die relevanten Grundlagen und Definitionen eingeführt. Hierzu wurden der Objektbereich und der Zielbereich sowie die Lösungshypothese der Arbeit entwickelt. Dabei wurde zuerst das technische Änderungsmanagement als Teil der Produktentwicklung beschrieben, um anschließend die Bedeutung technischer Änderungen hervorzuheben. In Kapitel 3 wurden Theorie- und Praxisdefizite ermittelt, um die Relevanz der Arbeit sicherzustellen. Die Erkenntnisse der ersten Kapitel wurden in Kapitel 4 genutzt, um die Methodik zu konzipieren. In Kapitel 5 folgte die Detaillierung der Methodik zur Bewertung technischer Änderungen mittels prädiktiver Datenanalyse. Zur Sicherstellung der Anwendbarkeit der Methodik wurde in Kapitel 6 eine Validierung der Methodik durchgeführt. Die hier gewonnenen Erkenntnisse wurden anschließend kritisch reflektiert und weitere Optimierungspotenziale für die Methodik wurden entwickelt. |l ger |
| 520 | _ | _ | |a Manufacturing companies face a variety of challenges when managing changes along the product development process. Strong market dynamics and the shortening of product life cycles are increasingly exacerbating these challenges. Against this background and in view of the increasing transformation of the market from a seller's to a buyer's market, the effective and efficient processing of technical changes is now a mandatory task. However, modern data analysis methods such as the Random Forest Algorithm are generally not yet used for forecasting. With reference to the initial situation described above, the aim of this work was to efficiently design the handling of technical changes. This includes in particular the selection of the technical changes to be processed as well as minimizing the overall change costs by bundling technical changes with similar resource requirements. The methodology focused on the allocation of technical changes using a description model and the determination of basic types of technical changes. Furthermore, the costs and benefits of technical changes were described, whereby the costs were determined using predictive data analysis. Finally, the technical changes were bundled to minimize the overall change effort. In chapter 1 of this thesis, the motivation for the work was presented and the objectives were derived from this. Chapter 2 introduced the relevant principles and definitions. For this purpose, the object area and the target area as well as the solution hypothesis of the thesis were developed. Technical change management was first described as part of product development in order to then emphasize the importance of technical changes. In chapter 3, theoretical and practical deficits were identified in order to ensure the relevance of the work. The findings of the first chapters were used in Chapter 4 to design the methodology. Chapter 5 detailed the methodology for evaluating technical changes using predictive data analysis. To ensure the applicability of the methodology, a validation of the methodology was carried out in chapter 6. The insights gained here were then critically reviewed and further optimization potentials for the methodology were developed. |l eng |
| 588 | _ | _ | |a Dataset connected to Lobid/HBZ |
| 591 | _ | _ | |a Germany |
| 700 | 1 | _ | |0 P:(DE-82)IDM00801 |a Schuh, Günther |b 1 |e Thesis advisor |u rwth |
| 700 | 1 | _ | |0 P:(DE-82)IDM01294 |a Boos, Wolfgang |b 2 |e Thesis advisor |u rwth |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1008873/files/1008873.pdf |y OpenAccess |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1008873/files/1008873_source.doc |y Restricted |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1008873/files/1008873_source.docx |y Restricted |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1008873/files/1008873_source.odt |y Restricted |
| 909 | C | O | |o oai:publications.rwth-aachen.de:1008873 |p openaire |p open_access |p VDB |p driver |p dnbdelivery |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM03786 |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM00801 |a RWTH Aachen |b 1 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM01294 |a RWTH Aachen |b 2 |k RWTH |
| 914 | 1 | _ | |y 2025 |
| 915 | _ | _ | |0 StatID:(DE-HGF)0510 |2 StatID |a OpenAccess |
| 920 | 1 | _ | |0 I:(DE-82)417210_20140620 |k 417210 |l Lehrstuhl für Produktionssystematik |x 0 |
| 920 | 1 | _ | |0 I:(DE-82)417200_20140620 |k 417200 |l Werkzeugmaschinenlabor WZL der RWTH Aachen |x 1 |
| 980 | 1 | _ | |a FullTexts |
| 980 | _ | _ | |a I:(DE-82)417200_20140620 |
| 980 | _ | _ | |a I:(DE-82)417210_20140620 |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a book |
| 980 | _ | _ | |a phd |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|