4.1 Datenmanagement digitaler Champions Flashcards
Digitale Transformation von Wertschöpfungsketten - Nutzung von …
- Industrie 4.0
- digitalen Plattformen
Digitale Transformation von Wertschöpfungsketten - Nutzung von … führt dazu …
dass die SC Teil eines bzw. mehrerer sogenannter „selbstorchestrierender [Supply-Chain-]Ökosysteme“ ist
Ökosysteme - allgemein
- sind dynamisch
- besitzen die Eigenschaft, sich selbst organisierend an die sich verändernde Umwelt anzupassen
Digitale Plattformen - agieren als …
Infrastruktur zur Verknüpfung von Datenanbietern und -nutzern
Komplexe Ökosysteme - nutzen …
Daten als zentrale Ressourcen
Komplexe Ökosysteme - Daten als zentrale Ressourcen
-> Verwendung von Big Data und dem damit einhergehenden Datenmanagement essenzielle Bedeutung
Big Data - erste Begriffsnutzung
im Zusammenhang mit Problem, große Datenmengen zu verwalten
Big Data - gängige Definitionen
- high-volume, high-velocity and/or high-variety information assets
- that demand cost-effective, innovative forms of information processing
- that enable enhanced insight, decision making, and process automation
Quellen von Big Data
- Warenwirtschaftssysteme
- Barcode/RFID Scan
- Sensoren/Kameras
- Archive
- Internet
- Soziale Netzwerke
Warenwirtschaftssysteme - Datentyp
- Nachfrage
- Verkäufe
- Kapazität
- SC-Pläne
Warenwirtschaftssysteme - Datengröße
groß
Warenwirtschaftssysteme - Strukturierungsgrad der Daten
strukturiert
Warenwirtschaftssysteme - Datenqualität
mittel
Warenwirtschaftssysteme - Besitzer
privat
Barcode/RFID Scan - Datentyp
- Standort
- Zeitpunkt
- ID
Barcode/RFID Scan - Datengröße
groß
Barcode/RFID Scan - Strukturierungsgrad der Daten
strukturiert
Barcode/RFID Scan - Datenqualität
hoch
Barcode/RFID Scan - Besitzer
privat
Sensoren/Kameras - Datentyp
- Qualität
- Luftfeuchtigkeit
- Temperatur
- Bilder
Sensoren/Kameras - Datengröße
groß
Sensoren/Kameras - Strukturierungsgrad der Daten
strukturiert und unstrukturiert
Sensoren/Kameras - Datenqualität
hoch
Sensoren/Kameras - Besitzer
privat
Archive - Datentyp
- Finanzstatistiken
- Preisdaten
- Wetterdaten
Archive - Datengröße
mittel
Archive - Strukturierungsgrad der Daten
strukturiert
Archive - Datenqualität
mittel/hoch
Archive - Besitzer
öffentlich und privat
Internet - Datentyp
- Treffer
- Kommentare
- Statistiken
- Clicks
Internet - Datengröße
sehr groß
Internet - Strukturierungsgrad der Daten
unstrukturiert
Internet - Datenqualität
niedrig/mittel
Internet - Besitzer
öffentlich und privat
Soziale Netzwerke - Datentyp
- Präferenzen
- Texte
- Entwicklungen
Soziale Netzwerke - Datengröße
sehr groß
Soziale Netzwerke - Strukturierungsgrad der Daten
unstrukturiert
Soziale Netzwerke - Datenqualität
niedrig
Soziale Netzwerke - Besitzer
öffentlich und privat
Big Data - präzise Beschreibung der Eigenschaftenn
- über die sogenannten Vs
- Eigenschaften sind nicht isoliert zu betrachten, sondern bedingen einander gegenseitig
Big Data - Vs
- Volume
- Variety
- Velocity
- Veracity
- Visualization
Big Data - Volume
- Menge der zur Verfügung stehenden Daten,
- welche eine Organisation zur Auswertung nutzen kann
Big Data - Variety
- Unterschiede in Datenquellen und Datenstrukturen:
- strukturell unstrukturiert, semi-strukturiert, strukturiert
Big Data - Variety - strukturierte Daten
- folgen einer vordefinierten Syntax
- werden beispielsweise in Tabellenform direkt zur Analyse weiterverarbeitet werden können
Big Data - Variety - unstrukturierte Daten
- beispielsweise Texte, Bilder, Videos oder Audioaufnahmen
- folgen keiner festgelegten Syntax bzw. keinem gleichmäßigen Muster
-> schwieriger, die Daten für weitere Analysen aufzubereiten
Big Data - Variety - semi-strukturierte Daten
zwischen strukturierten und unstrukturierten Daten eingeordnet
Big Data - Variety - optimale Verfahren und Tools
Je nach Datenstruktur gilt es, optimale Verfahren und Tools zur Analyse dieser Daten anzuwenden
Big Data - Velocity
Geschwindigkeit der Datengenerierung, -analyse, -verarbeitung
Big Data - Veracity
- Aspekte der Reliabilität und Datenqualität:
- richtig, sicher, vertrauenswürdig und verlässlich
Big Data - Value
Mehrwert, der durch die Analyse der generierten Daten erreicht werden kann
Big Data - Variability
- stellt dar, inwiefern sich Daten trotz gleicher Struktur voneinander unterscheiden können,
- beispielsweise hinsichtlich des Datentyps oder ihrer Geschwindigkeit
Big Data - Visualization
- zielt darauf ab, große Mengen komplexer Daten mittels Graphen und Diagrammen visuell zu veranschaulichen,
- statt beispielsweise Berichte und Tabellen zu nutzen
-> Nutzung der Daten wird vereinfacht
Volume in Supply-Chain-Funktionen - Beschaffung
- Beschaffungsart
- Lieferzeit
- Kosten
- Menge
- Uhrzeit
- Datum
- Lieferantendaten
Volume in Supply-Chain-Funktionen - Lagerbestand
permanenter Bestand an mehreren Standorten
Volume in Supply-Chain-Funktionen - Transport
Sensordaten zur Erkennung des Standorts:
* im Lager
* im Distributionszentrum
* in der Transporteinheit
Volume in Supply-Chain-Funktionen - Produktion
- Maschineneinrichtung
- Sensordaten zur Überwachung des Fertigungsprozesses
- Ergebnisse der Qualitätskontrolle
Volume in Supply-Chain-Funktionen - Vertrieb
- Preis
- Menge
- verkaufte Artikel
- Uhrzeit
- Datum und Kundendaten
Volume in Supply-Chain-Funktionen - Kund:innen
- Entscheidungs- und Kaufverhalten
- Häufigkeit
- Wert
- Zeitpunkt
Velocity in Supply-Chain-Funktionen - Beschaffung
- von monatlich und wöchentlich
- bis täglich und stündlich
Velocity in Supply-Chain-Funktionen - Lagerbestand
- von monatlichen Updates
- bis zu stündlichen Updates
Velocity in Supply-Chain-Funktionen - Transport
regelmäßige Updates für neue Standorte und Bewegungen
Velocity in Supply-Chain-Funktionen - Produktion
- vom Batch-Processing
- bis zur Echtzeiterfassung
Velocity in Supply-Chain-Funktionen - Vertrieb
- von monatlich und wöchentlich
- bis täglich und stündlich
Velocity in Supply-Chain-Funktionen - Kund:innen
- vom Klick
- bis zur Kartennutzung
Variety in Supply-Chain-Funktionen - Beschaffung
- interne Daten, die von ERP bereitgestellt werden
- öffentlich verfügbare Informationen
Variety in Supply-Chain-Funktionen - Lagerbestand
Bestand in:
* Lagern
* Geschäften
* in Internetshops
* bei einer Vielzahl von Online-Händlern
Variety in Supply-Chain-Funktionen - Transport
- nicht nur, wo er sich befindet,
- sondern auch, was sich in seiner Nähe befindet, wer ihn bewegt hat
Variety in Supply-Chain-Funktionen - Produktion
- strukturierte Daten wie SQL-Datenbanken,
- unstrukturierte Daten wie Bilder
Variety in Supply-Chain-Funktionen - Vertrieb
- Direktvertrieb
- Vertrieb von Distributoren
- Internetvertrieb
Variety in Supply-Chain-Funktionen - Kund:innen
Kundenstimmungen über gekaufte Produkte und Produktbewertungen
Supply Chain - Datenmengen
In einer Supply Chain werden riesige Datenmengen generiert
Supply Chain Management - Aufgabe
Daten zu sammeln, auszuwerten und zu nutzen
Supply Chain Management - Datenquellen
- interne Daten aus dem ERP- oder SCM-System
- externe Datenquellen
Datenauswertung
mittels Methoden, die als Data Analytics bezeichnet werden
Data Analytics - allgemein
das Anwenden von Analytics-Methoden auf Big Data
Data Analytics - Einordnung
Data-Science-Feld
Data Analytics - Definition
- Analysieren und Interpretieren umfassender, oft heterogener Datenbestände,
- um Muster und Zusammenhänge in den Daten aufzudecken
- Entscheidungsgrundlagen für betriebliche Abläufe oder für private Zwecke zu erhalten
Data-Analytics-Methoden - Einordnung
in die Bereiche Business Intelligence und Advanced Analytics
Business Analytics - Definition
- oder Business Intelligence
- systematisches Erarbeiten und Analysieren von Leistungskennzahlen im Unternehmen,
- um mit den erarbeiteten Entscheidungsgrundlagen den Unternehmenserfolg zu sichern oder auszubauen
Business Analytics - Verfahren
- vergangenheitsorientierte Verfahren
- Descriptive und Diagnostic Analytics
Descriptive Analytics - Ziel
- Vergangenheit beschreiben
- somit Frage „Was ist passiert?“ beantworten
Diagnostic Analytics - Fokus
- die Frage „Warum ist es passiert?“
- identifiziert Datenzusammenhänge
-> Korrelationen und Kausalitäten, also Ursachen vergangener Ereignisse
Advanced Analytics - allgemein
Einordnung der letzten beiden Evolutionsstufen
Advanced Analytics - Bezug
zukunftsorientierten Analyseverfahren:
* Predictive Analytics
* Prescriptive Analytics
Predictive Analytics - Fokus
die Frage „Was wird passieren?“
Prescriptive Analytics - Fokus
die Frage „Wie lässt man es passieren?“
Data-Analytics-Methoden - wichtig für Unternehmen
- Nutzen aller Analyseverfahren zu berücksichtigen,
- denn für fundierte Entscheidungen, erfolgreiche Strategien und somit die Zielerreichung
- ist eine Betrachtung der Vergangenheit, Gegenwart sowie Zukunft notwendig
Abb. Schematische Darstellung des Begriffs Data Analytics
Data-Analytics-Methoden - im Supply-Chain-Kontext
werden in diesem Kontext angewandt
-> daher auch als Supply Chain Analytics (SCA) bezeichnet
Informationen und analytische Werkzeuge - Ziel
unternehmensinterne und -übergreifende Entscheidungen für die SC zu verbessern
Supply Chain Analytics - Einsatz
- Beschaffung
- Produktion
- Distribution
- Reverse Logistics
sowohl auf operativer und taktischer als auch auf strategischer Ebene
Supply Chain Analytics - Wandel
- von vergangenheitsbasierten Analysen
- zu zukunftsorientierten Verfahren
- Verschiebung des Fokus von Descriptive Analytics hin zu Predictive und Prescriptive Analytics
Supply Chain Analytics - Wandel - Folge
- proaktiv auf zukünftige Szenarien vorbereiten
- Prozesse optimieren
Anwendungsmöglichkeiten eines effizienten Datenmanagements in Supply Chains - Bereiche
- Absatz-, Bestands- und Betriebsplanung
- Beschaffung
- Produktion
- Lagerhaltung
- Transport
- Kunde
Anwendungsmöglichkeiten eines effizienten Datenmanagements in Supply Chains -
Absatz-, Bestands- und Betriebsplanung
- Lieferantenrisiko- management und Wareneingangsprognose
- Bestandsvorausschätzung und Szenarienplanung
- Bewertung und Optimierung der Vorhersagegenauigkeit
Anwendungsmöglichkeiten eines effizienten Datenmanagements in Supply Chains -
Beschaffung
- Kostenmodellierung zur Ermittlung der Kostentreiber
- automatische Analyse der Vertragserfüllung
- aggregierter Ausgleich von Angebot und Nachfrage
Anwendungsmöglichkeiten eines effizienten Datenmanagements in Supply Chains -
Produktion
- Planung der energieintensiven Produktion
- Losgrößenbestimmung und Terminierung unter Berücksichtigung von Kosten, Beständen und Kapazitäten
Anwendungsmöglichkeiten eines effizienten Datenmanagements in Supply Chains -
Lagerhaltung
- Zuweisung von Kommissionierzonen/Lagerflächen
- automatische Umlagerung in Hochregallagern
- Optimierung der Arbeitslast
Anwendungsmöglichkeiten eines effizienten Datenmanagements in Supply Chains -
Transport
- Echtzeit-Routing und Rampenzuweisung in Lagern
- Planung der Lieferungen entsprechend dem Verbraucherverhalten
- dynamisches Routing
Anwendungsmöglichkeiten eines effizienten Datenmanagements in Supply Chains -
Kunde
- Produktempfehlungen basierend auf der Kaufhistorie
- Betrugserkennung
Datennutzung im Verkauf - allgemein
Einzelhändler nutzen neue Datenquellen
-> verbessern ihre Planungsprozesse
-> verbessern ihre Fähigkeiten zur Bedarfsermittlung
Datennutzung im Verkauf - Folgen
hohe Vorhersagegenauigkeit
-> Unternehmen hat einen besseren Überblick über den Bedarf an Logistikkapazitäten
-» Reduzierung von Veralterung, Lagerbeständen und Fehlbeständen
Datennutzung in der Beschaffung - Datenquellen
- Kartierung der Lieferketten
- Nutzung von Informationen im Stil von „Google Trends“
- sozialen Daten über Streiks, Brände oder Konkurse
Datennutzung in der Beschaffung - Möglichkeiten
- Lieferunterbrechungen im Transportwesen oder bei Zulieferern der zweiten oder dritten Ebene überwachen
-> vor seinen Wettbewerbern entscheidende Maßnahmen ergreifen.
Datennutzung in der Produktionsplanung - Beispiel Bäckereibetriebe
Einbeziehung von Temperatur- und Sonnenscheindaten
-> in der Lage, die Nachfrage für verschiedene Produktkategorien auf der Grundlage von Faktoren, die die Verbraucherpräferenzen beeinflussen, genauer vorherzusagen
Datennutzung in der Produktionsplanung - Beispiel Amazon
- hat „vorausschauenden Versand“ patentieren lassen
- Bestellungen werden verpackt und in das Liefernetzwerk eingespeist, bevor die Kund:innen sie tatsächlich bestellt haben
Nach Beherrschung von Big-Data-Prognosen - nächste Stufe der Raffinesse
Nachfrage aktiv gestalten
Nachfrage aktiv gestalten - Führende Online-Handelsunternehmen - Daten
- Big-Data-Analysen
- Bestandsdaten
- Prognosen
Nachfrage aktiv gestalten - Führende Online-Handelsunternehmen - Möglichkeiten
die Produkte ändern, die den Kund:innen empfohlen werden
-> Nachfrage effektiv auf Artikel gelenkt, die auf Lager sind
Big Data und Analytik - in der Produktion
- z. B. schwankende Strompreise nutzten, um energieintensive Produktionsabläufe darauf abzustimmen
- Archivierung von Daten von Montagevorgängen kann zur Fehler- und Ursachenanalyse genutzt werden
Neue Technologien, Datenquellen und Analysetechniken für die Lagerhaltung
schaffen neue Möglichkeiten:
Gabelstapler als Big-Data-Drehscheibe:
alle möglichen Daten in Echtzeit sammeln
-> mit ERP- und Lagerverwaltungssystemdaten (LVS) kombinieren
-» zusätzliche Verschwendung im Lagerprozess erkennen
Neue Technologien, Datenquellen und Analysetechniken für die Lagerhaltung - Beispiel Überwachung
- Analyse von Videobildern
- zusammen mit Sensoreingaben wie Temperatur, Regalgewicht und Gewicht des Gabelstaplers
- zur Überwachung in Echtzeit der:
Kommissioniergenauigkeit
Lagerproduktivität
Bestandsgenauigkeit
Neue Technologien, Datenquellen und Analysetechniken für die Lagerhaltung - Beispiel Fahrverhalten
Fahrverhalten der Stapler und Routenwahl bewerten und dynamisch optimieren
-> Produktivität bei der Kommissionierung steigern
Neue Technologien, Datenquellen und Analysetechniken für die Lagerhaltung - Beispiel Ursachenanalyse
Ursachenanalyse von Kommissionierfehlern nach Form, Farbe oder Gewicht verwendeen
-> Prozesse robuster gestalten
Analytics für Logistikdienstleister
Daten auswerten, um vorherzusagen, wann ein Kunde mit größerer Wahrscheinlichkeit zu Hause ist
-> Pakete mit weniger Zustellversuchen auszuliefern
Analytics auf strategischer Basis - Transportmittel
durch Wahl der richtigen Transportmittel
-> Kosten und Kohlendioxidemissionen senken
Analytics auf strategischer Basis - Datenmanagement
effizientes Datenmanagement
-> erkennen, wann Waren schnell per Lkw versandt werden müssen und wann Zeit für eine langsamere Lieferung per Schiff oder Zug bleibt
