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
- Business Analytics (2)
- Business-Analytics (3)
- Capacity Utilization (1)
- Data-Centric Platform (1)
- Datenmanagement (1)
- Demand Forecasting (1)
- Digitale Transformation (2)
- Digitalisierung (6)
- Digitization (1)
- Digitization of SMEs (1)
Institute
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 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.
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.
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.
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 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.
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.
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.
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.