Refine
Document Type
- Contribution to a Periodical (15)
- Conference Proceeding (5)
- Part of a Book (2)
- 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)
- Data-Centric Platform (1)
- Datenmanagement (1)
- Demand Forecasting (1)
- Digital transformation (2)
- Digitale Transformation (2)
- Digitalisierung (6)
- Digitalization (2)
- Digitization (1)
- Digitization of SMEs (1)
- Digivation (1)
- Efficiency Improvement (1)
- Forecasting capability (1)
- Industrie 4.0 (1)
- Industry 4.0 (1)
- Key Performance Indicators (1)
- Konferenz (1)
- Long-term competitiveness (1)
- Morphology (1)
- Operating models (1)
- Optimized capacity utilization (1)
- Platform demonstrator (2)
- Platform economy (1)
- Plattformdemonstrator (1)
- Projekt Digivation (1)
- Prozessmanagement (1)
- Prozessoptimierung (1)
- Quarrying Industry (1)
- Quarrying industry (2)
- Risk assessment (1)
- Risks (1)
- SV7091 (1)
- SV7430 (1)
- Sociotechnical (1)
- Software (1)
- Software platform (1)
- Softwareplattform (1)
- Steine- und Erdenindustrie (4)
- Transformation (2)
- Type-specific (1)
- Typification (1)
- critical success factors (1)
- digitale Plattform (2)
- food industry (1)
- rev (4)
- small and medium enterprises (1)
- structural equation modeling (1)
Institute
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.