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
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.
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.
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.
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.
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.
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.
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.
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.