Business Transformation
Filtern
Dokumenttyp
Sprache
- Deutsch (13)
- Englisch (6)
- Mehrsprachig (5)
Gehört zur Bibliographie
- nein (24)
Schlagworte
- 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)
Institut / FIR-Bereiche
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.
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 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.
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.
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.
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.
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.
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.