Refine
Document Type
- Part of a Book (2)
- Conference Proceeding (5)
- Contribution to a Periodical (15)
- Doctoral Thesis (1)
- Report (1)
Language
- German (13)
- English (6)
- Multiple languages (5)
Is part of the Bibliography
- no (24)
Keywords
- 01 (4)
- 02 (3)
- 03 (1)
- 04 (1)
- Business Analytics (1)
- Business analytics (3)
- Business-Analytics (3)
- Capacity Utilization (1)
- Capacity utilization (1)
- Data collection (1)
Institute
Die Nahrungsmittelindustrie führt jährlich ca. 40 000 neue Produkte auf den Markt ein. Diese Veränderungen haben einen großen Einfluss auf die Nahrungsmittelindustrie und führen durch die Vielzahl der zusätzlichen Optionen zu deutlich komplexeren Entscheidungsproblemen. Die Ergebnisse des Forschungsprojekts BASuccess (Laufzeit des Projekts : 01.04.2019 – 30.09.2020) sollen die Unternehmen bei der Einführung von Business-Analytics unterstützen, wodurch eine gezielte Datenanalyse mög- lich wird und eine fundierte Basis für unternehmerische Entscheidungen entstehen kann. Zunächst werden im Projekt Best Practices anderer Branchen analysiert und Erfolgsfaktoren für den effizienten Einsatz von Business-Analytics identifiziert. Dabei werden sowohl technische als auch organisatorische Aspekte berücksichtigt. Anschließend wird ein Einführungsmodell entwickelt. Die umfassende Expertise für das Forschungsprojekt wird durch ein gemeinsames Konsortium, bestehend aus den Instituten FIR e. V. an der RWTH Aachen, IPRI – International Performance Research Institute GmbH in Stuttgart und dem Forschungsinstitut für Unternehmensführung, Logistik und Produktion der Technischen Universität München gestellt.
Mit der erfolgreichen Durchführung des dritten Expert Circles hat der
Bereich Business Transformation des FIR e. V. an der RWTH Aachen ein
neues Gesprächsformat zum Thema Digital Leadership etabliert. Im
Rahmen der Expert-Circle-Treffen werden aktuelle und zukunfts-
weisende Themen betrachtet. Vorträge aus Praxis und Forschung
schaffen die Basis für spannende Diskussionen
Das Forschungsvorhaben ‚PROmining‘ , mit Laufzeit vom 01.01.2021 bis 31.12.2022, dient dem Ziel, die Digitalisierung in der deutschen Steine- und Erdenindustrie zu initiieren und auszuweiten. Innerhalb des Projekts soll für KMU durch den Einsatz eines Demonstrators einer Plattformlösung eine datenbasierte Entscheidungsgrundlage geschaffen werden. Branchenweit wurde ein Mangel an datenbasierten Entscheidungsgrundlagen identifiziert, die meisten Entscheidungen basieren auf Erfahrungswerten. Des Weiteren gilt es, die Kapazitätsauslastung der Betriebe mithilfe des Demonstrators zu optimieren. Jene gestaltet sich aufgrund regionaler sowie konjunktur- und saisonbedingter Nachfrageschwankungen sehr volatil. Der Demonstrator soll Unternehmen motivieren, ihre Datenhaltung zu verbessern und den Transformationsprozess hin zu einem digitalen Unternehmen anzustoßen.
Ziel des Forschungsprojekts ‚PROmining‘ war die unternehmensneutrale Konzeptionierung, Entwicklung und Realisierung eines webbasierten Demonstrators zur Verbesserung der Prognosefähigkeit und Erhöhung der Kapazitätsauslastung von KMU in der deutschen Steine- und Erdenindustrie. Mit dem geplanten Demonstrator einer Plattformlösung sollte ein Anreiz für KMU geschaffen werden, die digitale Transformation anzugehen und die interne Datenhaltung zu verbessern. Das Projekt wurde vom FIR e. V. an der RWTH Aachen in Kooperation mit dem Institute of Mineral Resources Engineering der RWTH Aachen durchgeführt.
Digitalization offers companies strategic advantages through the
simplification and optimization of business processes and is an
important lever for long-term growth. Numerous industries already
benefit from optimized coordination of capacities and resources by
integrating digital technologies into business processes. Digital platforms enable, e. g., the demand-based adjustment of asset capacities at peak loads on the basis of data-based forecasts. In particular, small and medium-sized enterprises in the German quarrying industry have so far been denied access to such technologies due to high investment and operating costs, high implementation efforts and heterogeneous machine fleets. This paper presents the functions of the data-centric platform demonstrator “PROmining” developed in
an AiF research project and validates them using case studies with
companies in the industry. The platform demonstrator offers marginally digitalised companies a tool with functions ranging from simple
operational data collection, the evaluation of capacity utilization,
to scenario development for regional demand, which can be used
as a blueprint within their own company. Thus, companies in the
quarrying sector are provided with a low-effort entry into the digital
transformation and a contribution to long-term competitiveness.
In zunehmend disruptiven Märkten wird die Fähigkeit, Latenzen in Bezug auf die organisatorische Adaptions- und Entscheidungsfähigkeit zur Reaktion auf neue Marktbedingungen zu minimieren, für das langfristige Bestehen von Unternehmen immer bedeutsamer. In Reaktion auf diese Entwicklungen realisieren immer mehr Unternehmen Strategien, um durch die informationstechnologiebasierte Generierung, Speicherung und Verarbeitung von Daten die datengetriebene Entscheidungsfindung voranzutreiben und datenbasierte Entscheidungen zu treffen. In der Konsequenz generieren und speichern die Unternehmen zunehmend große Mengen an Daten. Um diese in umsetzbare Erkenntnisse zu überführen und eine datenbasierte Entscheidungsfindung zu realisieren, sind fortgeschrittene statistische Verfahren und Funktionen (Analytics) notwendig, die unter dem Begriff Business-Analytics zusammengefasst werden. Trotz der hohen zu erwartenden Potentiale stehen viele Unternehmen großen Herausforderungen gegenüber, welche durch den Einsatz der hochkomplexen Systeme und Technologien induziert werden und große Auswirkungen auf die Organisation und ihre Mitarbeiter haben. In Abwesenheit geeigneter Hilfestellungen und Instrumente zur Berücksichtigung und Gestaltung der relevanten technischen und sozialen Faktoren, welche den erfolgreichen Einsatz von Business-Analytics beeinflussen, bleiben die Unternehmen auf sich allein gestellt. Die Arbeit hat zum Ziel, den erfolgreichen Einsatz verschiedener Typen von Business-Analytics durch soziotechnische Gestaltungsinstrumente sicherzustellen. Das Ergebnis besteht somit in der systematischen Entwicklung konkreter Gestaltungsinstrumente, um unter Berücksichtigung des wechselseitigen Einflusses zwischen Technologieeinsatz sowie der Organisation und deren Mitarbeiter den erfolgreichen Einsatz verschiedener Typen von Business-Analytics zu gewährleisten.
Dieser Artikel beschreibt ein ausführliches, mit Praxispartnern validiertes Einführungskonzept, um Unternehmen der Nahrungsmittelindustrie mit Hilfe von BA zu unterstützen. Dies soll die zielgerichtete Einführung von BA in der Nahrungsmittelindustrie erleichtern und somit die Konkurrenz- sowie Zukunftsfähigkeit der deutschen Nahrungsmittelindustrie sicherstellen. Für die komfortable Übertragung in die Praxis werden die Ergebnisse dieser Untersuchung sowie weitere Hintergrundinformationen zusätzlich in einem IT-Tool zusammengefasst. Gestützt auf unternehmensindividuellen Eingabeparametern werden dabei typspezifische Handlungsempfehlungen vorgeschlagen. Dieses Tool ist frei verfügbar unter https://projekt-basuccess.de
Die Nutzung von datengetriebenen Analysen eröffnet eine Vielzahl an Möglichkeiten. Mehr als zwei Drittel aller Unternehmen haben dieses Potenzial erkannt und Pilotprojekte für den Einsatz von Business-Analytics ins Leben gerufen. Dennoch sehen sich viele von ihnen mit einer hohen Misserfolgsquote und ausbleibenden Renditen konfrontiert.
Hier mangelt es meist an einem standardisierten und strukturierten Verfahren zur Auswahl und Priorisierung von nutzenoptimalen Business-Analytics-Projekten. Der Überblick zur Strukturierung und Klassifizierung von Business-Analytics, den Anwendungsgebieten sowie einer Systemlandkarte fehlt. Darüber hinaus gibt es kaum Hilfestellungen bei der Ermittlung von Kosten und Aufwand, auch sind sich viele nicht über die beim Einsatz entstehenden Risiken bewusst. Im Projekt ‚BAValue‘ wird ein Entscheidungsmodell realisiert, das mithilfe konkreter Handlungsempfehlungen KMU in die Lage versetzt, BA-Projekte umsetzen zu können und mit ihnen den Unternehmensnutzen zu optimieren.
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.
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.
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.
Viele Branchen stehen am Anfang der digitalen Transformation bzw. werden bereits grundlegend von ihr verändert. Im Zeitalter der digitalen Transformation steht somit die Frage im Mittelpunkt, wie Unternehmen die notwendigen Veränderungen angehen und den Erfolg der Transformation gewährleisten können. Datenbasierte Dienstleistungen sind dabei ein konsequenter nächster Schritt im Wandel der Unternehmen vom Investitionsgüterhersteller zum Lösungsanbieter. Nichtsdestotrotz scheitern viele Premiumhersteller trotz ihrer hohen digitalen Wettbewerbsfähigkeit bei der Entwicklung und Einführung von datenbasierten Dienstleistungen. Der Beitrag zeigt zunächst Merkmale und Ausprägungen datenbasierter Dienstleistungen auf. Da sich die klassischen Methoden des Service Engineerings nicht ausreichend schnell an digitalisierte Komponenten und geänderte Voraussetzungen angepasst haben, wird mit dem Smart Service Engineering ein neuer Ansatz vorgestellt, der agile und kundenorientierte Methoden implementiert. Zuletzt werden Muster und Entwicklungspfade der digitalen Transformation detailliert analysiert und Handlungsempfehlungen für Anbieter datenbasierter Dienstleistungen abgeleitet.
Die Nahrungsmittelindustrie bringt jährlich ca. 40.000 neue Produkte auf den Markt. Die daraus resultierenden Veränderungen haben einen großen Einfluss auf die Nahrungsmittelindustrie und führen durch die
Vielzahl der zusätzlichen Optionen zu deutlich komplexeren Entscheidungsproblemen. Eine Strategie zur Bewältigung dieser Herausforderung ist die Verankerung der datengesteuerten Entscheidungsfindung, die zu einem zunehmenden Einsatz fortschrittlicher Informationstechnologien wie Business-Analytics
führt. Trotz aller Vorteile sind die Unternehmen mit der Implementierung von Business-Analytics überfordert, was sich in einer Misserfolgsquote von 65 bis 80 Prozent widerspiegelt. In diesem Artikel werden Erfolgsfaktoren aufgezeigt und Handlungsempfehlungen abgeleitet, um Unternehmen bei der Einführung von Business-Analytics und dem Aufbau einer fundierten Basis für unternehmerische Entscheidungen zu unterstützen. Die umfassende Expertise für das Forschungsprojekt wird durch ein gemeinsames Konsortium, bestehend aus den Instituten FIR e. V. an der RWTH Aachen, IPRI – International Performance Research Institute GmbH in Stuttgart und dem Forschungsinstitut für Unternehmensführung, Logistik und Produktion der Technischen Universität München gestellt.
In an increasingly changing market environment, the long-term survival of companies depends on their ability to reduce latencies in adapting to new market conditions. One strategy to meet this challenge is the anchoring of data-driven decision making, which leads to an increasing use of advanced information technologies and, subsequently, to an increase in the amount of data stored. The complexity of processing these data spurred the demand for advanced statistical methods and functions called Business Analytics. Companies are, despite all promised benefits, overwhelmed with the implementation of Business Analytics as indicated by a failure rate of 65 to 80 %. This paper provides an empirically validated, multi-dimensional model that takes an integrative look at critical success factors for the implementation
of Business Analytics and based on which management recommendations can be generated. For this purpose, constructs of the model are conceptualized, before a structural equation model is developed. This model is then validated with data from 69 industrial partners in the food industry. It is shown amongst others, that the three success factors top management support, IT infrastructure and system quality are pivotal to increase the company performance.
While digitization is a strategic advantage in numerous industries such as the automotive industry or mechanical engineering, other industries like the German quarrying industry have not yet established a transformation towards a digitized industry. This leads to inefficient work and inaccurate forecasting capabilities. To address these challenges, digital platforms can incentivize digitization
by supporting the capacity utilization and forecasting capability of these companies. In this paper, the quarrying industry is analyzed by a morphology and different types of companies are identified. Knowing the digital maturity of these companies and by determining the key factors to forecast demands and the capacity utilization, different operating models are derived. Combined with a morphology and the value creation system, different scenarios for the identification of platform services are examined. These scenarios are weighted in a utility analysis to get an operating model blueprint to develop and establish digital platforms in less digitized industries.
Digitalization offers companies strategic advantages through the simplification and optimization of business procedures and is an important lever for long-term growth. Numerous industries already benefit from optimized coordination of capacities and resources by integrating digital technologies into business processess. Digital platforms enable, e. g. the demand-based adjustment of asset capacities at peak loads on the basis of data-based forecasts. In particular, small and medium sized enterprises in the German quarrying indsutry have so far been denied access to such technologies due to high investment and operating costs, high implementation efforts and heterogeneous machine fleets. This paper presentes the functions of the data-centric platform demonstrator " PROmining" developed in an AiF research project and validates them using case studies in the industry. The platform demonstrator offers marginally digitalised companies a tool with functions ranging from simple operational data collection, the evaluation of capacity utilization, to scenario development for regional demand, which can be used as a blueprint within their own company. Thus, companies in the quarrying sector are provided with a low-effort entry into the digital transformation and a contributio to long-term competitiveness.
Die Unternehmen der blechumformenden Industrie und deren Zulieferer sind in besonderer Weise mit dem Druck und den Chancen der digitalen Transformation konfrontiert:
Die Mobilitäts-, Produktions- und Nachhaltigkeitswende, aber auch die Transformation der Arbeitswelt wirken auf die Unternehmen. Um diese bei der Digitalisierung zu unterstützen und die langfristige Wettbewerbsfähigkeit zu erhalten, führt das FIR gemeinsam mit dem Industrieverband Blechumformung (IBU) eine fünfteilige Workshopreihe im Themenfeld Digitalisierung durch. Die ersten drei Veranstaltungen wurden bereits erfolgreich durchgeführt, wobei ein Highlight der gemeinsame Werksbesuch bei MIELE in Gütersloh war.
Die Branche der Steine und Erden (S&E) ist durch eine große Vielfalt unterschiedlicher Digitalisierungsgrade geprägt, wodurch ein Großteil der Unternehmen nur bedingt eine datenbasierte, betriebsinterne Optimierung von Prozessschritten und der Auslastung umsetzen kann. Um diese Unternehmen in ihren unterschiedlichen Reifegraden zu unterstützen, können digitale Plattformen eingesetzt werden.
Die rasante Entwicklung digitaler Technologien und die Umstellung auf nachhaltige Praktiken sind zwei Auslöser dafür, dass immer mehr Unternehmen in Deutschland grundlegende Transformationen anstoßen. Die aktuellen Veränderungen erfordern von strategischen Entscheidungsträgern mehr denn je ein hohes Maß an Anpassungsfähigkeit. Während einige Unternehmen Vorreiter werden und davon profitieren, verlieren zögernde an Wettbewerbsfähigkeit. Doch wie können Unternehmen überhaupt messen, ob sie mit ihrer Transformation erfolgreich sind? Hierzu wurde am Forschungsinstitut für Rationalisierung (FIR) e. V. an der RWTH Aachen ein Modell entwickelt, das Unternehmen bei der Bewertung ihrer Transformationsprojekte unterstützt.
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.
Für Erfolge bei Transformationsprozessen ist eine starke Führung unabdingbar. Diese muss klassisches Führungswissen mit den Anforderungen einer digitalisierten Wirtschaft zusammenführen. Wie dies gelingen kann, erläutert im Interview Jonas Müller. Er ist Experte für Transformationserfolg (s. VÖ "Return on Transformation: Wie Sie mit der Kennzahl RoT den Erfolg messbar machen", https://epub.fir.de/frontdoor/index/index/searchtype/latest/docId/2605/start/0/rows/10) und hat sich auch mit der Rolle der Führungskräfte als Treiber der Transformationsprozesse auseinandergesetzt.
Das Forschungsvorhaben PROmining adressiert die Digitalisierung der deutschen S&E‑Industrie. Das Forschungsziel ist der Aufbau eines Demonstrators einer digitalen Plattform, mit der Unternehmen der S&E-Industrie befähigt werden mittels einer gesteigerten Prognosefähigkeit besser auf schwankende Nachfragen zu reagieren. Die gezielte Entwicklung und Implementierung der Digitalisierung in Form einer Plattformökonomie kann der S&E-Industrie mittelbaren und unmittelbaren Nutzen bieten.
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.