One of the claims the OER movement makes is that availability of (open) digital learning materials improves the quality of education. The promise is the ability to offer educational programs that take into account specific demands of the learner. The question is how to reach a situation where a customized demand can be met using OER with acceptable quality against acceptable costs. This situation resembles mass customization as is common in industry for several decades now. Techniques from an industry where an end product is assembled with the demands of the customer as a starting point can be translated to the field of education where courses and learning paths through a curriculum are assembled using a mixture of open and closed learning materials and learning services offered by an institution. Advanced IT support for both the modeling of the learning materials and services and a configurator to be used by a learner are necessary conditions for this approach.
MULTIFILE
Mass-customization challenges the one-size-fits-all assumption of mass production, allowing customers to specify the options that best fit their requirements when choosing a product or a service. In business process management, to achieve mass-customization, providers offer to their customers the opportunity to customize the way in which a process will be enacted. We focus on monitoring as a specific customization aspect. We propose a multidimensional classification of modeling patterns for customized monitoring infrastructures. Patterns enable the provider to offer a set of customizable options to customers and design a monitoring infrastructure that fits the preferences specified by customers on such options. An example in the online advertising industry demonstrates how our framework can improve the services currently offered by providers.
Informatie- en communicatietechnologie (ICT) is doorgedrongen tot alle niveaus van de economie en samenleving. Bestaande grenzen tussen markten, bedrijven en consumenten worden opengebroken en nieuwe producten en diensten zijn steeds sneller, slimmer en goedkoper beschikbaar voor grote groepen consumenten. Door het toepassen van ICT kunnen transacties efficiënter en effectiever tot stand komen, als we tenminste met de nieuwe technologie leren omgaan. In E-business your business beschrijft de auteur het multidisciplinaire karakter van e-business. Het boek gaat over de invloed van ICT op de organisatie, de strategie en de marketing. Belangrijke ontwikkelingen zoals e-marketing, weblogs, RFID, internettelefonie, co-creatie, offshore outsourcing en mass customization worden op een heldere manier beschreven. Daarnaast geeft de auteur vijftig concrete tips om de omzet via internet te verhogen. Met dit boek raken studenten en managers vertrouwd met de wereld van e-commerce, e-business en internet.
MULTIFILE
Mkb-bedrijven hebben twee gerelateerde vragen: hoe gaan we om met de steeds groter wordende variatie in klantvraag en kunnen we de toenemende beschikbare productiedata hiervoor inzetten? De klantvraag variatie in productmix, volume en frequentie wordt veroorzaakt door mass customization en geopolitieke invloeden. De variatie bemoeilijkt het realiseren van korte betrouwbare levertijden. Het is een uitdaging voor bedrijven om de beschikbare productiedata effectief in te zetten om kort op de bal te sturen en zo grip te krijgen op levertijden. In het lopende RAAK-onderzoek ‘Organized Digital Factory’ (ODF) constateren we dat traditionele methoden om de klantvraag te analyseren, zoals de Glenday Sieve/Syntetos niet voldoen voor mkb-bedrijven met een hoge variatie in hun klantvraag. Wij zien terug dat de klantvraag analyses: 1. Niet toereikend zijn door het hoge aantal one-of-a-kind producten in de klantvraag. 2. Mede hierdoor, onvoldoende inzicht bieden in de impact van de klantvraag het productiesysteem. Het ontbreken van dit inzicht leidt tot beperkte en vertraagde mogelijkheden om bij te sturen. Het doel van dit onderzoek is om samen met mkb-bedrijven met een hierboven beschreven klantvraagpatroon, klantvraag analyses te ontwikkelen die inzicht bieden in de gevolgen hiervan op hun productiesysteem. Deze analyses moeten bedrijven inzicht geven in hoe zij het reactievermogen van hun productiesysteem kunnen verbeteren door: 1. Aanpassingen in hun productiesysteem 2. Snellere bijsturingsmogelijkheden tijdens productie. De praktijkvraag vanuit discrete mkb-productiebedrijven voor deze KIEM-aanvraag is dan ook: ‘Hoe kunnen we onze klantvraag analyseren zodat wij inzicht krijgen in de impact van deze klantvraag op ons productiesysteem?’ De hieruit voortvloeiende onderzoeksvraag: “Hoe kunnen we de klantvraag voor discrete mkb-productiebedrijven zodanig in kaart brengen dat er een directe koppeling naar de impact op het productiesysteem te maken is?”
Dit voorstel richt zich op het verkennen van machine learning (ML) mogelijkheden om mkb-bedrijven te onder-steunen bij het verbeteren van hun productieplanning en besturing. Uit interviews met verschillende bedrijven is gebleken dat ze worstelen met plannings- en besturingsproblemen, zoals hoge variatie in de klantvraag, onbe-trouwbare voorcalculaties van capaciteitsbehoefte. Bedrijven zijn continu bezig om hun productieproces en de planning- en besturing hiervan te verbeteren. Ze verwachten hierin een volgende stap te zetten door gebruik te maken van de steeds ruimere (real-time) beschikbaarheid van orderstatus en productiedata. Ze worstelen ech-ter met het waarde toevoegend inzetten van de beschikbare data. Dit KIEM-onderzoek verkent welke bestaande machine learning modellen toepasbaar zijn om de productie planning en besturing van mkb-bedrijven te verbeteren. Deze machine learning modellen kunnen worden inge-zet bij voorspellende analyses om zo te kunnen acteren op bijvoorbeeld bottlenecks in het productieproces. Het onderzoek vloeit voort uit de het RAAK-mkb project ‘Organized Digital Factory’, waar we met mkb-bedrijven bezig zijn hun data te ontsluiten met digital twinning. Mkb-bedrijven verwachten de ontsloten data met ML-modellen in te zetten om zo de hoge variatie in de klantvraag beter te plannen én de productie sneller bij te sturen. Met dit KIEM-onderzoek sluiten we aan bij de roadmap Smart Industry op de volgende punten: Cyber Physical Systems, Digital Twin, Mass Customization, Production Management. Daarnaast sluit het aan bij KIA sleutel-technologieën: Data sciencie and data analystics, digital twinning and immersive tecnologies.
De Mass Customization-Twin (de McTwin) is een proces digital twin voor de ondersteuning van doorlooptijdbeheersing van mass customized productie. Consumenten vragen korte levertijden en bij voorkeur (mass) customized producten. Dit is voor veel Mkb-maakbedrijven lastig: de planning en besturing van de productieprocessen is complex met als gevolg lange onbeheerste doorlooptijden en lage leverbetrouwbaarheid. De McTwin is een digitaal model van de productie en loopt ‘live’ mee met de werkelijke productie. Wijzigingen op de werkvloer (en verwachte wijzigingen) rekent de McTwin realtime door om advies te geven over de beste keuzes. De McTwin bieden we aan als App in de cloud en we koppelen de McTwin aan bestaande Manufacturing Execution Systems (MES) via een universele interface. We berekenen real time de doorlooptijd van orders te op basis van de actualiteit op de shopfloor. Op dit moment bestaan geen werkende proces digital twins voor de ca. 30.000 mkb maakbedrijven die Mass Customized producten aanbieden. Bestaande werkende Digital Twins zijn modellen van machines of producten en niet van werkende processen. Laat staan dat deze twins real time gekoppeld zijn. We sluiten aan bij de topsector Hightech Systemen & Materialen en sleuteltechnologie Smart Industry in de nationale kennis- en innovatieagenda. Tijdens deze haalbaarheidsstudie integreren we de bestaande McTwin modules en koppelen deze koppelen aan een MES in een praktijksituatie bij een klant. Daarnaast ontwikkelen een strategisch marketingplan waarbij we gedetailleerd de (technische, organisatorische en financiële) eisen van het technisch mkb verder uitwerken om een levensvatbare ontwikkelrichting te ondersteunen.
