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.