In Zeiten der „Digitalen Revolution“ kommt der Datenanalyse eine bedeutende Rolle zu. Aber wie trennt man das Nützliche von Spielerei? Design of Experiments (DoE) bildet in Zeiten von Big Data, Data Mining und KI eine beständige Konstante. Im DoE Kongress und Erfahrungsaustausch „… how to get most out of data“ gehen wir dem wahren Nutzen der Datenanalyse nach. Das geht, im Jargon der Kausalitätsforschung, nur über Intervention, also geplante Experimente, denn bloße Korrelationen sind oft nur „Irrlichter im Dunkeln“.
Max Siebert und Gerhard Krennrich, TU-München, starten mit der Kombination DoE und Machine Learning, um die Optimierung eines chemischen Reduktionsprozesses zu zeigen.
Andreas Doering, Continental, berichtet über den DoE-Einsatz insbesondere im Automobilbereich, insbesondere über den neuen Ansatz DOE+, welcher methodisch Replikat– und Design-Bestimmung mit Modelldiagnose kombiniert.
Vor der Mittagspause verlagert sich der Schwerpunkt thematisch in die Pharma-Industrie. Birgit Niederhaus, Sanofi, berichtet über ihre Erfahrung mit Definite-Screening Designs, die in den letzten Jahren Furore gemacht haben. Ihr folgt Winfried Geis, Sartorius Stedim, mit einem Vortrag aus einem Bereich, in dem wirklich die Versuchsanzahl zählt. Zwischendurch gibt es einen Ausflug in das Innovationsthema 3D-Druck. Mounir Jebabli von der Fra-UAS, setzt ein Design in Derived Factors, also solchen, die nicht direkt kontrolliert werden können, für die Optimierung des Selektiven Schweißens um.
Nach der Kaffeepause folgt der Vortrag von Stefan Körkel, der in den Einsatz von DoE für nicht-lineare dynamische Prozesse einführt und zum Abschluss berichtet Andreas Orth über die „Hype“-Begriffe „Prescriptive Analysis“ und „Structured Causal Models“ und was sie mit DoE zu tun haben.