net/publication/221338369
Sumber: DBLP
CITATIONS Dibaca
4 484
3 penulis . termasuk:
MELIHAT PROFIL
Semua konten berikut halaman ini diunggah oleh Helmut Krcmar pada 28 Januari 2016.
Abstrak. Tujuan dari penelitian ini adalah untuk menerapkan knowled ge Penemuan di
Database untuk memperoleh pola Teknik Ganti Re quests. Pekerjaan kita
menjelaskan kasus penggunaan dengan klaim untuk meningkatkan Prod SLT Proses Pembangunan.
Pendekatan itu dilakukan dengan mempertahankan busi ness pemahaman di
konteks industri otomotif. Untuk mendapatkan Bette sebuah r rasa domain kita
Wawancara dilakukan untuk dapat memilih relevan yang data uji t ditetapkan. Kami dimodelkan
Proses Pertambangan teks untuk menganalisis seluruh rangkaian catatan . Hasil penelitian menunjukkan bahwa
permintaan memiliki kesamaan dalam konten, misalnya ca penggunaan Perubahan Teknik.
kesamaan ini dapat digunakan sebagai sumber untuk devel bantuan lebih lanjut op untuk
mengubah pelamar permintaan. Untuk mencapai tujuan ini Tex Proses Pertambangan t sekarang dapat
1 pengantar
KDD untuk tujuan pengembangan produk. Mengambil tampilan di pasar pertumbuhan yang tinggi dengan
siklus hidup produk pendek, waktu Developm Produk Proses ent (PDP) dapat memiliki
dampak yang signifikan terhadap laba [2]. Sebagai konsekuensi semakin sulit untuk konvensional
PDP untuk memenuhi berubah dengan cepat persyaratan [3]. Es pecially lingkungan
industri otomotif tunduk konstan perubahan o kondisi f (misalnya teknologi,
hukum, persaingan) dan sebagai konsekuensinya harus berubah produk, proses dan
produksi sering [4]. PDP di bidang teknik memiliki s karakteristik pecial, seperti
keterlibatan beberapa perusahaan, informasi yang tinggi butuhkan dan kreativitas. Karena itu
domain ini membutuhkan tindakan terkoordinasi untuk mematuhi dengan misalnya kontrol kompleksitas,
keandalan perencanaan dan kerangka peraturan.
2 Armin Sharafi1, Petra Wolf1, Helmut Krcmar1
Pelaksanaan Teknik Perubahan Permintaan (ECR) adalah salah satu representasi untuk
dasar untuk berulang unsur-unsur ECR atau untuk mengidentifikasikan template fy untuk ECRs. Mereka
h kualitas data yang lebih tinggi. Berdasarkan
digunakan untuk menghasilkan permintaan perubahan baru yang lebih cepat dan kecerdasan
hasil dari proses KDD dan kualitatif wawancara, konsep dukungan akan
dikembangkan pada langkah berikutnya. Penelitian ini akan b e dipandu oleh penelitian berikut
Pertanyaan: Apa adalah pendekatan yang tepat untuk menganalisis data ECRs sejarah dan yang
pola dapat ditemukan?
Memahami
Bisnis
Gambar. 1. Diperpanjang gambaran dari langkah-langkah yang membentuk KD Proses D berikut [10]
kasus penggunaan kami adalah manufactu mobil Jerman besar rer, yang memiliki kompleks,
Proses ECM federal dan didistribusikan didukung oleh di sistem formasi. Itu
produsen mengembangkan beberapa mobil setiap ya r dan karenanya memiliki besar
Divisi pengembangan produk. Dalam perusahaan tersebut yang jumlah ECRs telah mencapai
dimensi yang membuat tidak mungkin untuk mengelola mereka m pertahun. proses untuk mengeksekusi
ECRs karena itu ditentukan sebelumnya dan didukung oleh IT sistem. Menganalisis kasus penggunaan kami
kita tahu, bahwa sekitar 70 ECRs baru ditulis per hari. Setiap ECRs ini
berisi data tentang karakteristik sebagai berikut:
Dalam rangka untuk mendapatkan pemahaman yang lebih baik dari doma yang di, wawancara pedoman berdasarkan
dengan 40 dari pencipta ECR paling berkontribusi berada direncanakan, dari yang 16 itu
bersedia untuk diwawancarai. Isi kualitatif analisis (dibantu komputer dengan
ATLAS.ti) digunakan untuk evaluasi transc yang wawancara ribed [12, 13]. Di
Rata-rata, wawancara ini mengambil 90 menit. Mereka semua dasar pada wawancara yang sama
pedoman yang berisi 21 pertanyaan tentang seperti apa situa tion dan potensi dari
proses perubahan rekayasa. Selain itu, timbul p roblems dalam proses
penciptaan, potensi untuk perbaikan dan dirasakan kesamaan diidentifikasi.
Dengan demikian kami juga menemukan bahwa ECRs lama tidak kita ed untuk memperoleh pengetahuan untuk
mendukung terciptanya ECRs baru. Fakta ini bahkan lebih mengejutkan dan menarik
mengingat dataset sekitar 120.000 EC Rs dikumpulkan selama sepuluh terakhir
tahun.
4 Armin Sharafi1, Petra Wolf1, Helmut Krcmar1
3 hasil
Menggunakan wawancara kami mampu mempertahankan busines sebuah s pemahaman dalam konteks
analisis. Komponen penting adalah untuk ident opsi dukungan ify untuk ECRs masa depan
dengan menggunakan dan menganalisis sejarah permintaan. pada itu dasar kita berasal target untuk kami
analisis dalam rangka untuk merencanakan proyek KDD. foll tabel yg berhutang menunjukkan tujuan
dan kemungkinan untuk mencapai tujuan. Mereka de rived dari isi kualitatif
analisis.
Tabel 3. Tujuan dari proyek KDD dan atribut yang relevan database ECR
Untuk menguji pendekatan kami kami memilih kumpulan data yang c ontains 1,402 permintaan perubahan
dari proyek-proyek pembangunan 3 (masing-masing mewakili seri-produksi kendaraan) dalam
masa pengembangan lebih dari 3 tahun. Ini kumpulan data incl udes informasi antara lain tentang
itu penyebab perubahan, mungkin solusi dari masalah, itu Manfaat dari solusi dan terkait komentar. Berdasarkan
tabel 3 kami memilih beberapa kriteria de tertunda pada
laporan yang diwawancara. Mereka direkomendasikan loo Raja setelah kesamaan
tentang penyebab perubahan, yang menginduksi kebutuhan dari ECR. Setiap permintaan perubahan memiliki medan
teks bebas, di mana insinyur d escribes penyebab dalam beberapa kalimat.
Oleh karena itu proses KDD kami menyiratkan par Text Mining t. Proses Data Mining
dan Text Mining adalah (semi) proses otomatis untuk de pola tect di data yang ada
basa [1, 14]. Perbedaan utama antara kedua disiplin adalah sifat
Knowledge Discovery di Database pada Contoh Teknik Manajemen perubahan
5
menganalisis informasi. penawaran Data Mining dengan struct Data ured dan Teks Mining dengan
Data terstruktur sebagai dasar analisis. Pertambangan teks ekstrak baru, yang sebelumnya tidak diketahui
dan informasi yang berguna dari teks-teks dan categorises t hem [15, 16]. Tapi Text Mining di
dimensi tersebut hanya dapat dilakukan dengan alat pendukung ing proses KDD secara keseluruhan. Kita
memilih RapidMiner [17] untuk analisis kami dan dimodelkan proses dengan berikut
tangga:
1. Baca Excel 2. Data Konversi (Nominal Teks) 3. Pilih Atribut 4. Pasang
bagian dokumen khusus 5. dokumen tokenize 6. Filter Token oleh panjang 7. Filter stopwords 8. Stemming 9.
Buat vektor kata
Langkah-langkah ini umum untuk aplikasi Pertambangan Teks dan dapat diperluas dengan
metode lain seperti misalnya klasifikasi dan regresi ion, clustering dan segmentasi dan
korelasi dan ketergantungan perhitungan. Berdasarkan th e atribut penyebab perubahan kita
dieksekusi proses dan dihitung terjadinya jangka s untuk semua permintaan perubahan dengan
menciptakan vektor kata. 5,783 istilah yang berbeda yang ditemukan dalam data, yang dapat
dianalisis melalui perspektif yang berbeda. tindak Tabel ing menunjukkan anonim
hasil dalam kasus yang terjadi kata-kata. Temuan sh ow bahwa lokasi masalah adalah salah satu
yang paling isinya terjadi. fakta lain adalah Deskripsi dari bagian yang terkena.
Hampir setiap record dari ECR termasuk bagian yang terkena s. Dalam meta-level ini hasil
tidak mengejutkan. Tapi mereka memberikan t kemungkinan o melaksanakan rinci dan spesifik
evaluasi.
...
...
...
...
...
Distribusi kata kunci adalah titik awal fo r perhitungan lebih lanjut dan
visualisasi. Sebagai contoh, Gambar 2 menunjukkan semua 1,403 catatan dan analisis kejadian
kata kunci daerah dan majelis. Kita bisa melihat bahwa 7 permintaan meliputi kata kunci dan berasal dari dua proyek
yang berbeda (warna titik). Selanjutnya Pertambangan Teks
perhitungan dan interpretasi dan evaluasi o Hasil ur adalah langkah-langkah yang diperlukan selanjutnya.
Hal ini direncanakan untuk meningkatkan kumpulan data dan untuk Analy se catatan hampir semua tersedia dari
ECRs.
6 Armin Sharafi1, Petra Wolf1, Helmut Krcmar1
ABC Proyek
kejadian jangka
majelis
4 Diskusi
bantuan lebih lanjut untuk mengubah pelamar permintaan. Fo r contoh, data menunjukkan bahwa
relevan ketika menggambarkan penyebab perubahan untuk menemukan masalah dan menyatakan keluar
bagian yang terkena. Untuk mempermudah proses, localizati pada masalah dapat diwujudkan misalnya
dengan daftar bagian yang dapat diklik.
Fungsi dari RapidMiner memungkinkan relativel sebuah pemodelan sederhana y dari Teks
proses penambangan. Berbagai macam operator dapat dipilih untuk membangun yang tepat
Proses analisis dalam alat ini, yang memungkinkan differen t perspektif pada data. Itu
kemungkinan untuk memvisualisasikan hasilnya juga hel pful untuk mendeteksi pola yang menarik dalam
data.
Knowledge Discovery di Database pada Contoh Teknik Manajemen perubahan
7
Saat ini, masalahnya adalah bukan kurangnya data, tapi ra Ther untuk menemukan informasi yang berguna
dalam database yang ada. Kesulitan-kesulitan ini juga Appe ar dalam kasus ECM, di mana
penciptaan ECR dapat diikat atau dicegah dengan ide ntifying pengetahuan tersembunyi di
sejarah data yang dihasilkan dan dicatat. Jika knowledg e ditemukan, pengembang dapat
lebih berkonsentrasi pada tugas-tugas utama mereka, yaitu creati vely desain produk.
proses pembangunan menjadi kurang memakan waktu yang d perusahaan dapat menawarkan mereka
mengkoordinasikan proses yang didukung oleh Koperasi sistem kerja tive. Ini menyatakan keluar
informasi yang tentang proses yang ada adalah rele vant untuk menurunkan kemungkinan untuk
pengembangan dan penggunaan pendukung konsep. Ini ther efore berfungsi sebagai motivasi untuk
memperpanjang integrasi proses KDD ke Menginformasikan asi Teknologi (IT). Maimon
[19] menyatakan bahwa proses KDD menjadi lebih dan lebih bagian dari terintegrasi IT. Itu
penulis melihat manfaat dalam lebih mudah dan lebih nyaman langkah preprocessing mulai dari
sumber data, diikuti oleh alat Teks Pertambangan dan Gudang data. Ini bahkan
lebih penting karena kebanyakan mengkonsumsi bagian dalam waktu Proses KDD adalah pembersihan dan
mengubah data. Integrasi pro ini cesses menciptakan kesadaran akan
pentingnya manajemen data yang tepat dan penggunaan data. Inilah sebabnya mengapa itu bisa
Referensi
1. Witten, IH, Frank, E .: Data Mining: Praktis Machine Learning Alat dan Teknik.
Morgan Kaufmann, San Francisco (2005)
2. Howe, V., Mathieu, RG, Parker, J .: n Mendukung pengembangan produk ew dengan internet.
100 ( 2000) 277-284
3. Eversheim, W., Roggatz, A., Zimmermann, H., Deric hs, T .: manajemen Informasi untuk
concurrent engineering. European Journal of operati Penelitian onal 100 ( 1997) 253-265
4. Huang, GQ, Mak, KL: praktik Saat insinyur manajemen perubahan neering di Inggris
industri manufaktur. International Journal of Operasi dan Manajemen Produksi
19 ( 1999) 21-37
5. Huang, GQ, Yee, WY, Mak, KL: Pembangunan o sistem berbasis web-fa untuk engineering
manajemen perubahan. Robotika dan Computer Integrated M anufacturing 17 ( 2001) 255-267
6. Vianello, G., Ahmed, S .: Teknik perubahan dur ing fase layanan. ASME 2008
International Design Engineering Teknis Conferenc es & Komputer dan Informasi di
Engineering Conference, New York (2008)
8 Armin Sharafi1, Petra Wolf1, Helmut Krcmar1
7. Jarratt, T., Eckert, C., Clarkson, P .: Pembangunan dari model produk untuk mendukung rekayasa
manajemen perubahan. Prosiding TMCE 2004 (200 4) 331-342
8. Conrad, J., Deubel, T., Köhler, C., Wanke, Sr, Weber, C .: Ubah dampak dan analisis risiko
(CIRA) - menggabungkan CPM / PDD teori dan FMEA-metode ology untuk ditingkatkan
manajemen perubahan rekayasa. ICED'07 - Internatina l konferensi tentang desain engineering,
Paris (2007)
9. Clark, K., Fujimoto, T .: Pengembangan Produk Perf ormance: Strategi, Organisasi, dan
Manajemen di Dunia Auto Industri, 1991. Harvar d Business School Press, Boston,
MA (1991)
10. Fayyad, U., Piatetsky-Shapiro, G., Smyth, P .: F rom data mining untuk penemuan pengetahuan di
database. Komunikasi ACM 39 ( 1996) 24-26
11. Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., Wirth, R .:
CRISP-DM 1.0: Langkah-langkah panduan data mining. SPSS di c 78 ( 2000)
12. Atteslander, P., Cromm, J., Grabow, B., Klein, H. . Maurer, A., Siegert, G .: Methoden der
empirischen Sozialforschung. E. Schmidt Verlag, Berl di (2008)
13. Gläser, J., Laudel, G .: Experteninterviews und Inhaltsanalyse kualitatif. VS Verlag für
Sozialwissenschaften, Wiesbaden (2009)
14. Fundel, K .: Teks Pertambangan dan Gene Expression Ana lisis Menuju Interpretasi Gabungan
Data High Throughput, München (2007)
15. Hearst, M .: Apa Text Mining. (2003)
16. Chen, L., Nayak, D .: Sebuah studi kasus kegagalan mod e analisis dengan metode text mining.
Australian Computer Society, Inc (2007) 49-60
17. mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., Euler, T .: YALE: Rapid prototyping
untuk tugas-tugas data mining yang kompleks. ACM (2006) 940
18. Soderberg, L .: Menghadapi hingga kesenjangan rekayasa . The McKinsey Quarterly (1989) 3-23
19. Maimon, O., Rokach, L .: Pengantar knowledg e Penemuan di Database. Dalam: Maimon,
O., Rokach, L. (eds.): Data Mining dan Knowledge Dis covery Handbook. Springer-Verlag
New York Inc (2005) 1-17
statistik publikasi
Lihat publikasi Lihat