Produktionsmanagement
Refine
Year of publication
Document Type
- Conference Proceeding (5)
- Book (3)
- Working Paper (3)
- Internet Paper (1)
Is part of the Bibliography
- no (12)
Keywords
- 02 (1)
- Beratung (1)
- Big Data (2)
- BigPro (1)
- Crisis management (1)
- Datenaustausch (1)
- Datenmanagement (1)
- Datensouveränität (1)
- Digitalisierung (1)
- Fallstudien (1)
Institute
- Informationsmanagement (12) (remove)
Failure management in the production area has been intensely analyzed in the research community. Although several efficient methods have been developed and partially successfully implemented, producing companies still face a lot of challenges. The resulting main question is how manufacturers can be assisted by a sustainable approach enabling them to proactively detect and prevent failures before they occur. A high-resolution production system based on analyzed real-time data enables manufacturers to find an answer to the main question. In this context, Big Data technologies have gained importance since the critical success factor is not only to collect real-time data in the production but also to structure the data. Therefore, we present in this paper the implementation of Big Data technologies in the production area using the example of an actual research project. After the literature review, we describe a Big Data based approach to prevent failures in the production area. This approach mainly includes a real-time capable platform including complex event processing algorithms to define appropriate improvement measures.
With big data-technologies on the rise, new fields of application appear in terms of analyzing data to find new relationships for improving process under-standing and stability. Manufacturing companies oftentimes cope with a high number of deviations but struggle to solve them with less effort. The research project BigPro aims to develop a methodology for implementing counter measures to disturbances and deviations derived from big data. This paper proposes a methodology for practitioners to assess predefined counter measures. It consists of a morphology with several criterions that can have a certain characteristic. Those are then combined with a weighting factor to assess the feasibility of the counter measure for prioritization.
In recent years supply chain participants are increasingly suffering the effects of disturbances in transportation supply chains. Both, dynamics in consumer demands and global supply chains lead to a growth in unplanned supply chain events. These can cause from rather manageable disturbances through to complete break-downs of transportation chains, resulting in high follow-up and penalty costs.
Consequently, concepts for an efficient supply chain disturbance management are needed, preferably with a real-time identification and reaction to disturbance events. Therefore in the following paper the research results of the German research project Smart Logistic Grids with the focus on designing an integrated model for the real-time disturbance management in transportation supply networks are presented. This includes the introduction of elaborated classification models for disturbances and action patterns as well as an associated costs and performance measurement system. Finally, a procedure model for the disturbance management is presented.
Industrie 4.0 ist in Politik, Medien, Wissenschaft und Wirtschaft derzeit omnipräsent. Intelligenter, individueller, effizienter, schneller, vernetzter – so lauten nur einige Versprechen dieses neuen industriellen Zeitalters. Tatsächlich sind die Potenziale gerade für den deutschen Maschinen- und Anlagenbau gewaltig: Sowohl für Anbieter als auch für Anwender von Technologien rund um das Thema Industrie 4.0. Aber noch existieren viele ungelöste Fragen, Unsicherheiten und Aufgaben. Hier wollen wir mit unserer Readiness-Studie ansetzen und Hilfestellung leisten. Denn ein Selbstläufer wird Industrie 4.0 nicht. Mit der vorliegenden Studie soll die große Vision näher an die betriebliche Realität gebracht werden. Auch zeigen wir die anspruchsvollen Wegmarken auf, die für viele Unternehmen hinsichtlich ihrer Industrie 4.0-Fähigkeit noch zu passieren sind. Die Studie untersucht, an welcher Stelle der Maschinen- und Anlagenbau aktuell bei der Umsetzung steht. Motivation und Hemmnisse der Unternehmen werden ebenso in den Blick genommen wie die Unterschiede, die sich zwischen Mittelstand und großen Unternehmen ergeben. Im Ergebnis ist es erstmals möglich, die „Industrie 4.0-Readiness“ der Maschinenbau-Industrie detailliert und systematisch abzubilden.
Industrie 4.0 is all around us today: in politics, in the media, and on the agendas of researchers and entrepreneurs. Smarter, faster, more personalized, more efficient, more integrated – those are just some of the promises of this new industrial era. The potential, especially for Germany ́s mechanical
engineering industry and plant engineering sector, is indeed great, both for providers and for users of technologies across the spectrum of Industrie 4.0.
But there are still many unresolved questions, uncertainties, and challenges. Our readiness study seeks to address this need and offer insight. Because Industrie 4.0 will not happen on its own.
This study is intended to bring the grand vision closer to the business reality. We also highlight the challenging milestones that many companies must still pass on the road to Industrie 4.0 readiness.
The study examines where companies in the fields of mechanical and plant engineering currently stand, focusing on what motivates them and what holds them back, and on the differences that emerge between small and medium enterprises on the one hand and large enterprises on the other.
The results make it possible for the first time to develop a detailed, systematic picture of Industrie 4.0 readiness in the engineering sector.
The study concludes with recommendations for action in the business community, complementing the diverse suite of programs and activities offered by VDMA’s Forum Industrie 4.0. We would like to take this opportunity to thank the two sponsors of this project from the VDMA Forum, Dietmar Goericke and Dr. Christian Mosch, whose efforts played a critical role in making this study a success.
We are convinced that Industrie 4.0 can become a success story for Germany’s engineering sector. May our “Industrie 4.0 Readiness” study do its part in this effort.
Crises are becoming more and more frequent. Whether natural disasters, economic crises, political events, or a pandemic - the right action mitigates the impact. The PAIRS project plans to minimize the surprise effect of these and to recommend appropriate actions based on data using artificial intelligence (AI). This paper conceptualizes a cascading model based on scenario technique, which acts as the basic approach in the project. The long-term discipline of scenario technique is integrated into the discipline of crisis management to enable short-term and continuous crises management in an automated manner. For this purpose, a practical crisis definition is given and interpreted as a process. Then, a cascading model is derived in which crises are continuously thought through using the scenario technique and three types of observations are classified: Incidents, disturbances, and crises. The presented model is exemplified within a non-technical application of a use case in the context of humanitarian logistics and the COVID-19 pandemic. Furthermore, first technical insights from the field of AI are given in the form of a semantic description composing a knowledge graph. In summary, a conceptual model is presented to enable situation-based crisis management with automated scenario generation by combining the two disciplines of crisis management with scenario technique.
Künstliche Intelligenz (KI) hat als Technologie in den vergangenen Jahren Marktreife erlangt. Es existiert eine Vielzahl benutzerfreundlicher Produkte und Services, welche die Anwendung von KI im Alltag und im Unternehmen vereinfachen. Die Herausforderung, vor denen Anwendende, gerade im betriebswirtschaftlichen Kontext, stehen, ist nicht die technische Machbarkeit einer KI-Applikation, sondern deren organisatorisch und rechtlich zulässige Gestaltung. Zu einer zunehmenden Dynamik in der Gesetzgebung kommt ein gesellschaftliches Interesse an der Kontrolle und Transparenz über die für KI-Modelle erhobenen Daten. Die Diskussion über Datensouveränität im geschäftlichen und privaten Alltag rückt mehr und mehr in das Zentrum der öffentlichen Aufmerksamkeit.
Datenbasierte KI-Anwendungen stehen damit in einem Spannungsfeld zwischen den Potenzialen, die das Erheben und Teilen von Daten über Unternehmensgrenzen hinweg bietet, und der Herausforderung, die Datensouveränität der involvierten Personen zu wahren. Die vorliegende Studie soll erstens über die Auswirkungen der Datensouveränität und die damit verbundenen aktuellen und kommenden Regularien auf KI-Anwendungsfälle aufklären. Dafür wurden Expertinnen und Experten aus den Bereichen Recht, KI- und Organisationsforschung befragt. Zweitens zeigt die Studie Potenziale und Best Practices von KI-Anwendungsfällen mit überbetrieblichem Datenaustausch auf. Dafür wurden Fallstudien in Unternehmen durchgeführt, die bereits erfolgreich Datenaustausch in ihre Geschäftsmodelle integriert haben, um ihre KI-Applikationen zu betreiben und zu verbessern.
Klar Schiff
(2009)
Im Rahmen dieser Studie untersuchten das Forschungsinstitut für Rationalisierung e. V. an der RWTH Aachen und die Universität St. Gallen
(Lehrstuhl Produktionsmanagement) 24 Veröffentlichungen von 11 Beratungsunternehmen. Dabei wurden über 200 Aussagen zur Bewältigung der Krise bewertungsneutral identifiziert und analysiert.
Prinzipien zur erfolgreichen Umsetzung von KI-Geschäftsmodellinnovationen
In Zeiten des zunehmenden globalen Wettbewerbs und hoch vernetzter Wertschöpfungsketten entwickelt sich Künstliche Intelligenz zu einem immer wichtiger werdenden Wettbewerbsfaktor für Unternehmen am Wirtschaftsstandort Deutschland. Durch den Einsatz von KI-Verfahren können nicht nur interne Geschäftsprozesse kostensenkend optimiert, sondern auch neue, digitale Geschäftsfelder und -modelle erschlossen werden. Es lassen sich zum einen Trends identifizieren, denen der Einsatz von KI in deutschen Unternehmen folgt. Zum anderen zeigt sich, dass sich KI unterschiedlich stark auf verschiedene Dimensionen innovativer Geschäftsmodelle auswirkt. Insgesamt lassen sich so Prinzipien ableiten, die die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen beschreiben.
Neue Technologie- und Anwendungstrends kennzeichnen KI-Nutzung
Die tatsächliche KI-Landschaft in den Wertschöpfungsketten von KI-nutzenden Unternehmen ist durch Trends gekennzeichnet. Diese lassen sich in Technologie- und Anwendungstrends unterteilen. Experteninterviews zeigen beispielsweise, dass KI-Anwendungen bevorzugt auf Cloud-Infrastrukturen entwickelt und bereitgestellt werden. Das wiederum rückt die Frage nach der Wahrung der Datensouveränität in den Vordergrund. Anwendung findet KI tendenziell zur Prognose und Überwachung.
Sechs Prinzipien beeinflussen die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen
Fallstudien über ein breites Spektrum der deutschen Wirtschaft beleuchten, welche Aspekte eines KI-basierten Geschäftsmodells den größten Effekt auf das Unternehmen haben. Hier lässt sich ein besonders hoher Einfluss von KI auf das Nutzenversprechen neuartiger, digitaler Leistungen der Unternehmen an die Kundinnen und Kunden feststellen. So lassen sich sechs Erfolgsprinzipien zur erfolgreichen Implementierung von KI-Technologien identifizieren, um die wirtschaftliche Nutzung von KI für Unternehmen in Deutschland im globalen Wettbewerb weiter zu steigern. So empfiehlt es sich zum Beispiel – neben der Auswahl des richtigen KI-Anwendungsfalles – ebenfalls darauf zu achten, dass die KI-Anwendung sowohl den Anbietenden wie auch den Anwendenden nützt. Diese und weitere Erfolgsprinzipien werden detailliert in der Studie Künstliche Intelligenz – Geschäftsmodellinnovationen und Entwicklungstrends beschrieben.