Refine
Document Type
- Article (4)
- Part of a Book (3)
- Conference Proceeding (10)
- Contribution to a Periodical (9)
- Internet Paper (2)
- Preprint (1)
- Report (3)
- Working Paper (2)
Language
- German (16)
- English (14)
- Multiple languages (4)
Is part of the Bibliography
- no (34)
Keywords
- 01 (2)
- 02 (10)
- 03 (4)
- Agility (1)
- Agilität <Management> (1)
- Business Ecosystems (1)
- Business analytics (2)
- Business ecosystems (1)
- Business-Ecosystems (1)
- Capacity Utilization (1)
Institute
- Business Transformation (34) (remove)
Das Branchenbild der deutschen Steine- und Erdenindustrie (S&E-Industrie) wird von kleinen und mittleren Unternehmen (KMU) dominiert. Als Rückgrat der deutschen Industrie sehen sich die KMU der S&E-Industrie mit komplexen Herausforderungen, insbesondere hinsichtlich der Digitalisierung, konfrontiert. Daraus folgt, dass eine Vielzahl an Risikobarrieren und Hemmschwellen zu einer Einschränkung in der Anpassung an neue Technologien führt und die damit verbundene Ausweitung der Digitalisierung innerhalb der Branche ausbleibt. Die Implementierung aktueller Soft- und Hardwarelösungen erzeugt bislang ein erhöhtes Maß an Mehraufwand, welches aufgrund begrenzter Ressourcen, insbesondere für kleine Betriebe, parallel zum Tagesgeschäft kaum zu bewältigen ist. Darüber hinaus herrscht oftmals ein unzureichendes Datenmanagement vor, welches neben den bisher nicht ausreichend differenziert betrachteten Nachfrageschwankungen zu einer Minderung der Prognostizierbarkeit in S&E-Betrieben führt. Resultierend aus diesen Defiziten ist die betriebsinterne Optimierung der Auslastung nur bedingt möglich. Zudem können andere Betriebe des Unternehmensverbunds zur Verfügung stehende ungenutzte Kapazitäten nicht erkennen. Im Rahmen des Forschungsprojekts 'PROmining' konnte über qualitative Expertengespräche ebenfalls identifiziert werden, dass eine differenzierte, also unternehmensspezifische Art der Erfassung, Speicherung und Nutzung von Daten vorliegt. Es ist folglich keine einheitliche Struktur in der Handhabung von Daten in der Branche festzumachen. Dadurch findet die Analyse von vorhandenen Zustandsdaten häufig nicht statt und die Potenziale der Digitalisierung finden keinen Eingang in die Unternehmensprozesse. Die betriebsinterne Optimierung von Prozessschritten und der Auslastung ist infolge unzureichenden Datenmanagements aktuell nur bedingt möglich. Daher bedarf es Filterung und konkretisierter Bündelung der Daten, um eine zielführende Auswertung und darauffolgende Umsetzung zu initiieren.
In diesem Beitrag werden aktuelle Ergebnisse des AiF-Forschungsprojekts PROmining mit Bezug zur Fördertechnik in der S&E-lndustrie vorgestellt. Neben großen Defiziten in der Digitalisierung konnten Herausforderungen in der Kapazitätsplanung und -auslastung von Betriebsmitteln identifiziert werden. Digitale Plattformlösungen haben das Potenzial, beide Aspekte zu bewältigen. Im Forschungsprojekt 'PROmining' wird untersucht, wie durch die Digitalisierung von bisher unzureichend digitalisierten Unternehmensprozessen und dem Einsatz einer Plattformlösung die Auslastung mobiler Betriebsmittel erhöht werden kann.
Studien zeigen, dass die meisten Business-Ecosystems langfristig an unzureichender Governance scheitern. Daher hat das FIR an der RWTH Aachen eine Entscheidungshilfe entwickelt, die eine Unterstützung zur Auswahl vertragsrechtlicher Instrumente liefert. Dieses Werkzeug richtet sich an Orchestratoren, um Rechtssicherheit zu schaffen und den langfristigen Erfolg des Business-Ecosystems zu fördern.
Ziel des Forschungsprojekts RAcceptance war die dauerhafte Nutzung der Effizienzpotenziale von Robotic-Process-Automation (RPA) in KMU durch die Förderung der Akzeptanz. Es wurden diejenigen Faktoren bestimmt und adressiert, welche die Akzeptanz der Nutzung von RPA-Software positiv sowie negativ beeinflussen.
The use of Business Analytics (BA) helps to improve the quality of decisions and reduces reaction latencies, especially in uncertain and volatile market situations. This expectation leads a continuously rising number of companies to make large investments in BA. The successful use of Business Analytics is increasingly becoming a differentiator. At the same time, the use of BA is not trivial, rather, it is subject to high socio-technical requirements. If these are not addressed, high risks arise that stand in the way of successful use. In particular, it is important to consider the risks in relation to the different types of BA in a differentiated way. So far, there is a lack of suitable approaches in the literature to consider these type-specific risks with regard to the socio-technical dimensions: people, technology, and organization. This paper addresses this gap by initially identifying risks in the use of Business Analytics. For this purpose, possible risks are identified using a systematic literature review and verified with a Delphi survey with various partners experienced in dealing with BA. Subsequently, the identified and validated risks are assigned to three different types of Business Analytics (Descriptive, Predictive and Prescriptive Analytics) and assessed in order to systematically address and reduce the risks. The result of this paper is an overview of the interactions between the socio-technically assigned risks, summarized in a risk catalog, and the different types of Business Analytics.
The automotive industry's transition to electromobility, marked by the replacement of traditional combustion engines with electric drives, significantly disrupts the existing product range of many companies. This transition is especially impactful in Germany, a major automotive hub employing about 786,000 people in 2021, where it's projected that around 21 percent of these jobs could be at risk by 2030. Therefore, there is an urgent need for German automotive suppliers to adapt to the evolving electromobility landscape, further intensified by concurrent trends like digitalization, work changes and sustainability. A notable gap in the current literature is the absence of a comprehensive capability model for these suppliers to manage this transformation effectively. This research aims to close this gap by identifying the essential transformation capabilities and developing a capability model, emphasizing 30 key capabilities clustered into superordinate dimensions and structured along the fields of action of human, technology and organization, the MTO approach.
Twin-Transition
(2022)
Wer am 19. Juli 2022 mit dem Zug von London nach York fahren wollte, musste auf die Abendstunden ausweichen. Aufgrund der beispiellosen Hitzewelle in Großbritannien mit über 40 Grad Celsius war das Schienennetz nicht mehr nutzbar und der Verkehr musste erheblich eingeschränkt werden. Die Infrastruktur ist darauf ausgelegt, in einer Temperaturspanne von 45 Grad Celsius zu operieren, was in Südengland -10 Grad Celsius bis 35 Grad Celsius entspricht.1 Nicht nur hier, und das zeigen gerade die Ereignisse der jüngsten Vergangenheit, sind die
Folgen des Klimawandels deutlich spürbar. Seit 1880 hat sich die Erde bereits um 1,2 Grad Celsius erwärmt und die Temperatur steigt jährlich weiter.
Die Industrie stellt nach den Energieerzeugern den zweitgrößten Verursacher von Treibhausemissionen dar. Sie steht damit in der Verantwortung, ihren ökologischen Fußabdruck zu verringern. Unausweichlich ist die Frage, inwiefern ein konstantes Wirtschaftswachstum im aktuellen Stil mit den Nachhaltigkeitsprinzipien und mit einem bewohnbaren Planeten vereinbar ist. Ein unendliches Wachstum wird mit den begrenzten Ressourcen der Erde nicht möglich sein.
Hat Ihr Unternehmen mehr als 500 Beschäftigte? Dann sind Sie bereits von den Berichtspflichten betroffen und müssen eine EU-Taxonomie-Konformitätsprüfung durchführen, die Ihren Umsatz und gegebenenfalls Ihre Investitionsausgaben umfasst. Ab 2024 soll diese Grenze auf 250 Beschäftigte, 20 Millionen Euro Umsatz oder 40 Millionen Euro Bilanzsumme sinken, sodass nur noch kleine und mittlere Unternehmen aus der Berichtspflicht ausgenommen sein werden. Wie nachhaltig
ein Unternehmen wirtschaftet, bewertet die EU-Taxonomie mithilfe der in Bild 1 (s. S. 9) dargestellten sechs Umweltzielen.
Wie können Sie nun einen wesentlichen Beitrag zu den Umweltzielen leisten?
The successful use of Business Analytics is increasingly becoming a differentiating competitive factor. The ability to extract data-driven insights and integrate them into decision-making is becoming growingly important. The underlying technologies are evolving exponentially, the value proposition differs from simple descriptive applications to automated decision-making. Existing approaches found in literature and practice to classify those levels only insufficiently mark down the boundaries between the different technology levels. As a consequence, it is often unclear which characteristics of the technology interact with the working environment, which can be described as a socio-technical system. Using a systematic literature review, this paper identifies the characteristics of Business Analytics and delineates three types of Business Analytics based on case studies. Thus, a starting point for the socio-technical system design and optimization for the use of Business Analytics is created.
Business ecosystems have become a novel type of value system in all economic sectors. Many of the world’s largest and most valuable companies operate with business ecosystem approaches. The lack of a uniform understanding of business ecosystems’ features and characteristics make it difficult for decision makers in companies to develop and implement effective business ecosystem strategies. We created a morphology that describes all value systems and applied it to business ecosystems. We link business ecosystem characteristics to current interorganizational research and also help practitioners
operationalize the concept of business ecosystems. Companies can use the managerial implications we provide to leverage ecosystems and co-create value.
The quarrying industry, which largely consists of less digitized SMEs, is an integral part of the German economy. More than 95% of the primary raw materials produced are used by the domestic construction industry. Quarrying companies operate demand-oriented with short planning horizons at several locations simultaneously. Due to the low level of digitization and the reluctance to share data, untapped efficiency potential in data-based demand forecasting and capacity planning arises. The situation is aggravated by the fact that SMEs have a heterogeneous mobile machinery so as not to become dependent on individual suppliers, and that transport distances of over 50 kilometers are uneconomical due to high transport costs and low material values. Within the research project PROmining a data-centric platform which improves demand forecast accuracy and multi-site capacity utilization is developed. One of the core functionalities of this platform is an industry-specific demand forecasting model. Against this background, this paper presents a methodology for establishing this forecasting model. To this end, expected demands of secondary industry sectors will be analyzed to improve mid-term volume-forecasting accuracy for the local quarrying industry. The data-centric platform will connect demand forecasting data with relevant key performance indicators of multi-site asset utilization. Following this methodology, operational planning horizons can be extended while significantly improving overall production efficiency. Thus, quarrying businesses are enabled to respond to fluctuating demand volumes effectively and can increase their personnel and machine utilization across multiple quarry sites.