Flyer_IDSBasic

Basic Schulung in vier Modulen vom 29.01. bis 12.03.2026

Ziel der Schulung ist es, grundlegendes Wissen und anwendungsorientierte Kompetenzen im Bereich Industrial Data Science zu vermitteln. Die Teilnehmenden lernen, wie industrielle Daten aus Sensorik, Maschinen und IT-Systemen erfasst, aufbereitet und in datenbasierte Entscheidungen überführt werden. Ergänzend werden zentrale Themen wie das Internet of Things, Datenbanken und maschinelles Lernen behandelt, um typische Problemstellungen des industriellen Alltags besser verstehen und lösen zu können. Unsere Expert:innen führen die Teilnehmenden durch bewährte Methoden und Werkzeuge und vermitteln praxisnah die Grundlagen datenbasierter Problemlösungsfähigkeit in der modernen Industrie.

Zielgruppe

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 sollten keine tiefgehenden Programmierkenntnisse besitzen, 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.

Struktur

Format: 4 Module × 90 Minuten
Gesamtumfang: ca. 6 Stunden

Termine

• Do., 29.01.2026, 13:30–15:00 Uhr Modul 1: Einführung in Industrial Data Science und digitale Wertschöpfung
• Do., 05.02.2026, 13:30–15:00 Uhr Modul 2: Datenquellen und Datenerfassung in industriellen Systemen
• Do., 26.02.2026, 13:30–15:00 Uhr Modul 3: Grundlagen des Datenmanagements und der Datenbanktechnologien
• Do., 05.03.2026, 13:30–15:00 Uhr Modul 4: Grundlagen des maschinellen Lernens in der Industrie
• Do., 12.03.2026, 13:30–15:00 Uhr optional Modul 5: Unterstützung bei Ideenfindung zu einem eigenen Use Case für Teilnehmende pro Bono

Module

Modul 1: Einführung in Industrial Data Science und digitale Wertschöpfung

Ziel: Die Teilnehmenden entwickeln ein grundlegendes Verständnis für die Rolle von Daten als strategische Ressource in der Industrie. Sie erkennen, wie datengetriebene Wertschöpfung entsteht und welche technologischen, organisatorischen und methodischen Grundlagen hierfür notwendig sind.

Inhalte:

• Begriffliche Grundlagen
• Industrie4.0 und die Datenwertschöpfungskette im industriellen Umfeld
• Der Digitale Zwilling als Enabler datenbasierter Prozessoptimierung
• Typische Anwendungsfelder und Beispielprojekte aus Produktion, Energie- und Prozessindustrie
• Internationale Initiativen und Vergleich von Industrie 4.0-Ansätzen
• Rollenprofile in datengetriebenen Organisationen
• Grundlagen des Projektmanagements in industriellen Datenanalyseprojekten

Dauer: 90 Minuten
Format: Vortrag mit Visualisierungen, Praxisbeispielen und kurzer Q&A-Phase

Modul 2: Datenquellen und Datenerfassung in industriellen Systemen

Ziel: Die Teilnehmenden verstehen die Rolle des Industrial Internet of Things (IIoT) als zentrale technologische Grundlage der Industrie 4.0. Sie lernen die wesentlichen technischen und organisatorischen Elemente vernetzter Produktionssysteme kennen und können den Nutzen von IIoT einordnen.

Inhalte:

• Einordnung des IIoT innerhalb der Industrie 4.0
• Typische technische Elemente in IIoT-Architekturen (Sensorik, Gateways, Kommunikationsprotokolle, Cloud- und Edge-Systeme)
• Grundlagen der digitalen Vernetzung und Datenintegration in Produktionsumgebungen
• Überblick über Standards und Schnittstellen (z. B. OPC UA, MQTT, REST)
• Bedeutung von IoT im industriellen Kontext
• Best Practices aus Projekten

Dauer: 90 Minuten
Format: Vortrag mit Beispielen aus industriellen Anwendungen und Diskussionsphasen

Modul 3: Grundlagen der Datenmanagement und -banktechnologien

Ziel: Die Teilnehmenden verstehen die grundlegende Bedeutung von Datenbanken für moderne IT- und Produktionssysteme. Sie lernen die zentralen Konzepte, Strukturen und Funktionsweisen relationaler Datenbanksysteme kennen und können deren Rolle innerhalb industrieller Datenarchitekturen einordnen.

Inhalte:

• Notwendigkeit und 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)

Dauer: 90 Minuten
Format: Vortrag mit Beispielen aus industriellen Anwendungen und Diskussionsphasen

Modul 4: Grundlagen des maschinellen Lernens in der Industrie

Ziel: Die Teilnehmenden verstehen grundlegende Prinzipien, Zielsetzungen und Anwendungsfelder des Maschinellen Lernens (ML) in industriellen Kontexten. Sie lernen, ML-Methoden von klassischen statistischen Verfahren zu unterscheiden und deren Nutzen zur Prozessoptimierung, Qualitätsüberwachung und Entscheidungsunterstützung einzuordnen.

Inhalte:

• Abgrenzung zwischen klassischer Statistik, Data Mining und Maschinellem Lernen
• Typen von ML-Verfahren: Supervised und Unsupervised 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)

Dauer: 90 Minuten
Format: Vortrag mit praxisnahen Beispielen aus Produktions- und Prozessindustrien

Format

Online: modulbasiert, mit Live-Sessions, begleitenden Materialien (PDFs, Quiz, Austauschforum)

Material

• Handout: Folien + weiterführende Links
• Teilnahmezertifikat

Zur Anmeldung