Refine
Document Type
- Contribution to a Periodical (2)
- Report (2)
- Book (1)
- doctorallecture (1)
- Doctoral Thesis (1)
- Lecture (1)
- Master's Thesis (1)
Language
- German (8)
- Multiple languages (1)
Is part of the Bibliography
- no (9)
Keywords
- Data-Analytics (9) (remove)
Institute
Das Ziel des Forschungsprojekts "Future Data Assets" bestand in der monetären Bewertung des unternehmerischen Datenkapitals. Dazu wurden die Entwicklung und Instanziierung einer sogenannten "Datenbilanz" angestrebt. Die Datenbilanz soll dem Reporting der unternehmerischen Fähigkeit der Datenbewirtschaftung dienen und damit eine Lücke im Hinblick auf die klassische Berichterstattung schließen, in der Daten kaum betrachtet bzw. systematisch bewertet werden.
In dem Vortrag sollen die Projektziele für das gemeinsame Forschungsprojekt FlaixEnergy vorgestellt werden. Das Projekt umfasst die Konzeption, Entwicklung und prototypische Implementierung einer Plattform zur Interaktion zwischen zu Clustern zusammengefassten industriellen Energieverbrauchern und virtuellen Kraftwerken, die dezentrale Erzeuger von regenerative Energie zusammenschalten. Kernelement der Plattform ist ein Mechanismus, der die Flexibilität der industriellen Verbraucher bewertet und ihnen damit eine Möglichkeit zur Partizipation am Energiemarkt ermöglicht. Dabei soll grundsätzlich ein Ausgleich auf lokaler Ebene (Verteilnetz) einem Ausgleich auf überregionaler Ebene (Übertragungsnetz) vorgezogen werden. Das Ziel des Projektes ist die prototypische Umsetzung der Plattform in der Modellregion Aachen.
Die EU-Kommission ist dabei, eine Datenökonomie aufzubauen. Diese soll bis 2028 ein zusätzliches Bruttoinlandsprodukt von 270 Milliarden Euro generieren. Speziell für ein Land wie Deutschland, das über keine nennenswerten Bodenschätze verfügt, klingt das zunächst einmal lukrativ. Eine solche Datenökonomie wird aber nicht nur einen neuen Markt, neue Akteure und neue Geschäftsmodelle hervorbringen. Sie greift auch tief in das aktuelle Verständnis der Hersteller von Maschinen und Anlagen ein, wie mit Daten aus ihren Maschinen umgegangen werden soll, und zwingt sie zum Umdenken. Der juristische Hebel zur Schaffung der Datenökonomie, der EU-Data-Act, macht neue und verpflichtende Vorgaben zur technischen Gestaltung von Maschinen und Anlagen und verschafft deren Nutzer:innen ein Zugriffsrecht auf Maschinendaten.
„If you can’t measure it, you can’t manage it.“ Peter Druckers berühmte Weisheit ist in Zeiten des digitalen Wandels aktueller denn je. Der Unternehmenswert der weltweit wertvollsten Unternehmen, wie beispielsweise Google, Amazon, Alphabet und Microsoft, ergibt sich zum größten Teil nicht durch physische Vermögenswerte, sondern durch informationstechnische Dienste und datengetriebene Geschäftsmodelle. Der Zugriff und die Nutzung von Daten sind zunehmend ein wettbewerbsentscheidender Schlüsselfaktor und begründen die Notwendigkeit zur digitalen Transformation etablierter Geschäftsmodelle und -prozesse, nicht zuletzt innerhalb der produzierenden Industrie in Deutschland und Europa. Das vom Bundesministerium für Wirtschaft und Klimaschutz geförderte Forschungsprojekt ‚Future Data Assets', Laufzeit 01.08.2019 – 31.01.2023, diente folgerichtig dem Ziel, zunächst neue Möglichkeiten der Datenbewertung, insbesondere im Bereich des monetären Nutzens, und daran anschließend Kanäle zur Kommunikation der ermittelten Werte zu erforschen.
Das Ziel dieser Arbeit ist es, Komponenten industrieller, datenbasierter Dienstleistungen zu beschreiben und darauf aufbauend Idealtypen dieser abzuleiten. Zudem werden Handlungsempfehlungen entwickelt, die besonders kleine und mittlere Unternehmen befähigen, datenbasierte Dienstleistungen auf Basis physischer Produkte zu entwickeln und diese auf internetbasierten Plattformen anzubieten.
In dem Doktorvortrag werden unter Supply-Chain-Analytics statistische und mathematische Verfahren zur Mustererkennung und Prognose sowie technologischen Lösungen zur Datenerfassung und -verarbeitung zusammengefasst, die die Gestaltung und Umsetzung einer digital vernetzten sowie intelligenten und vorausschauenden Supply-Chain ermöglichen.
n the broadest sense, data analytics can be defined as "the application of processes and techniques that transform raw data into meaningful information to improve decision making." According to PwC's Global Data and Analytics Survey 2016, companies are seeking ways to use data analytics in order to understand risk and leverage data.
There is a vast amount of data in the companies' supply chain such as transactional, time phased and sensor data that can be used in order to understand operational risks. Especially, companies having extremely complex supply chains with thousands of suppliers that are more fragile to risks and try to come up with data analytics solutions to increase supply chain resilience by detecting potential risks in advance.
The thesis will follow an inductive research approach. A systematic literature review will be done in order to understand useful data analytics methods such as predictive and prescriptive analytics for the supply chain risk management. A comparative case study will also be done based on the already conducted supply chain risk management data analytics projects to analyse what type of data analytics method can be useful with which type of supply chain risk.
The methods determined by the systematic procedure will be evaluated and placed in a framework, which has to be developed. The framework will help to understand levers that influence successful applications of supply chain risk management data analytics methods. Also it will provide a structured approach about how to use quantitative data in order to increase supply chain resilience with the help of data analytics. Validation of the framework will be done by working in a cooperation with a German automotive supplier company.
Im Forschungsprojekt „Analytics for Innovation“ wurde ein Konzept zur schnellen kundenzentrierten Entwicklung von Dienstleistungen mittels Business Analytics-Methoden für den Maschinen- und Anlagenbau entwickelt. Dieses Vorgehen ermöglicht kleinen und mittelständischen
Unternehmen (KMU) den Sprung zur smarten Dienstleistungsentwicklung. Diese zeichnet sich durch die Nutzung von einer Informationsflut bei der Entwicklung von Dienstleistungen aus. Zentrale Voraussetzung ist die digitale Verfügbarkeit aller erforderlichen Informationen
und deren Verarbeitung in einer Schnittstelle.
Traditionelle Unternehmen aus dem Maschinenbau erhalten durch die Entwicklung von datenbasierten Dienstleistungen die Chance, ihr Angebotsportfolio auszubauen und sich von Marktbegleitern
abzugrenzen. Jedoch erschweren der hohe Kostendruck, unzureichende IT-Kenntnisse sowie die Verschmelzung von Branchengrenzen im Maschinenbau die Entwicklung von digitalen Dienstleistungsangeboten. Während zunehmend auch Unternehmen anderer Branchen, z. B. Amazon oder Alibaba, ihren Kunden technische Dienstleistungen anbieten, geraten
besonders kleine und mittlere Unternehmen bei der Entwicklung von innovativen After-Sales-Services ins Hintertreffen.
In den ersten Phasen des Forschungsvorhabens wurden zunächst in der Praxis angewendete Prozesse der Dienstleistungsentwicklung bzw. -innovation aufgenommen.