TY - JOUR A1 - Bräutigam, Volker A1 - Hofmann, Jan A1 - Waschik, Monika T1 - Aufbau und Etablierung eines Lehrformates zur praxisnahen Vermittlung von Methoden und Kompetenzen zur Geschäftsmodellentwicklung und zur Sensibilisierung der Gründungskultur JF - FHWS Science Journal N2 - Nach Schulte ist in vielen akademischen Ausbildungen die transzendentale Integration von ökonomischen Querfunktionen, insbesondere das heranwachsende »Gründertum-Gen« ausbaufähig. Ein Studium zum Intra- oder Entrepreneurship bildet zunächst die Grundlage. Darüber hinaus muss zusätzlich ebenfalls praktisch ausprobiert und erlebt werden. Dieses Erfahrungslernen gilt auch in der heutigen Zeit der digitalen Transformation... Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:863-opus-19251 UR - https://opus4.kobv.de/opus4-fhws/files/1925/9_Braeutigam_Lehrformat.pdf VL - 5 IS - 1 SP - 82 EP - 90 ER - TY - JOUR A1 - Hofmann, Jan A1 - Waschik, Monika A1 - Bräutigam, Volker T1 - Erfahrungslernen und Selbstdisziplin mit der Campus Startup Night zur Steigerung der Praxisfitness JF - FHWS Science Journal N2 - Aufgrund der konträren Situation zwischen Wirtschaftskraft und Gründungszahlen in Mainfranken gilt es, ein regional wirkendes Format zu schaffen. Das Ziel ist es, die FHWS-initiierten Gründungsaktivitäten zu unterstützen und zukünftig aufrecht zu erhalten... Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:863-opus-19261 UR - https://opus4.kobv.de/opus4-fhws/files/1926/10_Hofmann_Campus_Startup_Night.pdf VL - 5 IS - 1 SP - 91 EP - 96 ER - TY - CHAP A1 - Fischer, Sophie A1 - Hofmann, Jan A1 - Waschik, Monika A1 - Bräutigam, Volker T1 - Agile Lehre für eine interaktive Gründungskultur T2 - Kompetenzen für die digitale Transformation 2020: Digitalisierung der Arbeit-Kompetenzen-Nachhaltigkeit 1. Digitalkompetenz-Tagung N2 - In der Region Mainfranken ist ein Rückgang der Gründungszahlen zu beobachten. Ein Ansatz, um dieser Entwicklung idealerweise entgegenzuwirken, sind die thematische Sensibilisierung und Erhöhung von Innovationspotenzialen bei Studierenden sowie der Ausbau von hochschulübergreifenden Netzwerkstrukturen. Dafür wurden in dem vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Projekt „PIONIER“ (Förderkennzeichen 01PL17019) kompetenzbasierte Lehrmodule entwickelt, bei denen Studierende zielgerichtet bei ihrer Kompetenzentwicklung und Formung der Gründerpersönlichkeit unterstützt werden. Das Kompetenzprofil von Lehmann & Wilke (2019) wurde ergänzt und diente als Grundlage für die neu entwickelten agilen Lehrformate. Aus dem Projekt resultieren das GRÜNDUNGS:portfolio, das die erbrachten Leistungen und durchlaufenen Module zugänglich macht, sowie der interaktive GRÜNDUNGS:leitfaden als Unterstützungswerkzeug. Die Maßnahmen werden von Expertinnen und Experten aus hochschulinternen Abteilungen, Städten und Kommunen sowie Start-ups und Unternehmenspartnerinnen und Unternehmenspartnern begleitet, um den Studierenden entsprechende Unterstützungsstrukturen mittels Beratung, Coaching und Erfahrungsaustausch zukommen zu lassen. Ziel dieses ganzheitlichen Ansatzes ist einerseits, das Thema Gründertum bekannter, attraktiver und nahbarer zu machen, andererseits nachhaltige Angebote für Studierende zu schaffen, um der regional rückläufigen Gründerquote entgegenzuwirken. Gleichzeitig verfolgt das Vorhaben eine Erhöhung des Praxisbezugs von Forschung und Lehre sowie die Erhöhung der Innovationsfähigkeit von Studierenden. Somit werden die Studierenden zum Gründen animiert und auch für den schnelllebigen und anspruchsvollen Arbeitsmarkt qualifiziert. Y1 - 2021 U6 - https://doi.org/10.1007/978-3-662-62866-9_20 SP - 289 EP - 304 PB - Springer CY - Berlin, Heidelberg ER - TY - JOUR A1 - Hofmann, Jan A1 - Eberhardt, Lars A1 - Heusinger, Moritz A1 - Dobhan, Alexander A1 - Engelmann, Bastian A1 - Schleif, Frank-Michael T1 - Optimierung von Prozessen und Werkzeugmaschinen durch Bereitstellung, Analyse und Soll-Ist-Vergleich von Produktionsdaten JF - FHWS Science Journal N2 - Mit einem Umsatz von 103 Milliarden Euro ist die Metallindustrie eine der größten deutschen Industriebranchen. Diese ist von volatilen Marktbedingungen und hohem Wettbewerb geprägt [1][2]. Kleine und mittlere produzierende Unternehmen (sogenannte KMU) sehen zunehmend gravierende Probleme bei der Einhaltung von Lieferterminen bedingt durch hohe Durchlaufzeiten in der Produktion [3]. Neben kaufmännischen Planungssystemen zur Erstellung von Produktionsplänen nutzen Unternehmen als Planungsgrundlage weiterhin Excel mit 31 % und manuelle Prozesse mit 10 % [4]. Gleiches gilt für Produktwechselvorgänge auf Maschinen (Rüsten). Aufgrund dieser Aspekte ist es notwendig, die Rentabilität der KMU in der Metallindustrie zu steigern. Das wird durch effiziente Produktionsplanung und -steuerung, sowie der daraus resultierenden hohen Reaktionsfähigkeit und Flexibilität realisiert. Daher ist die Produktionsplanung auf die Markt- und Kundenanforderungen und die Anlageneffektivität auf ein hohes und stabiles Niveau auszurichten [5]. Hier bietet die Erfassung von Echtzeitdaten eine adäquate Reaktion auf die genannten Anforderungen. Ebenfalls liefert sie großes Potenzial für die Produktionsplanung und -steuerung, um die Disposition und Koordination von Arbeitsaufträgen zu optimieren. Weiterhin werden Störgrößen oder unvorhergesehene Planungsabweichungen reduziert [4][6]. Zusätzlich ist eine erhöhte Transparenz und Verbesserung menschlicher Entscheidungsprozesse notwendig. Dies kann durch datengetriebene Methoden unterstützt und sichergestellt werden [7]. Ein Ansatz zur Optimierung des Produktionsergebnisses kann durch die Erhöhung der Anlagenproduktivität selbst realisiert werden. Dazu muss die Verfügbarkeit der Anlagen durch Lokalisierung und Reduzierung von Verlusten erhöht werden. Die Umrüstungsprozesse tragen stark negativ zur Verfügbarkeit einer Produktion bei. Eine Steigerung der Gesamtanlageneffektivität (overall equipment effectiveness oder kurz OEE) in einer Fertigungsumgebung ist jedoch möglich durch eine intelligente Nutzung von Sensordaten mit Techniken wie z. B. Machine Learning (ML). KW - produktionsdaten KW - metall Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:863-opus-20012 UR - https://nbn-resolving.org/urn:nbn:de:bvb:863-opus-19389 SN - 2196-6095 VL - 5 IS - 2 SP - 135 EP - 142 ER -