Refine
Year of publication
Document Type
- Conference Proceeding (115)
- Part of a Book (66)
- Contribution to a Periodical (27)
- Article (13)
- Lecture (7)
- Working Paper (4)
- Book (3)
- Internet Paper (2)
- Report (2)
Is part of the Bibliography
- no (239)
Keywords
- 02 (15)
- 03 (10)
- 04 (1)
- 5G (2)
- 7. EU-Forschungsrahmenprogramm (1)
- AI (2)
- APMS (1)
- APS (1)
- Aachener PPS-Modell (1)
- Ablauforganisation (1)
Institute
- FIR e. V. an der RWTH Aachen (239)
- Produktionsmanagement (120)
- Dienstleistungsmanagement (68)
- Informationsmanagement (52)
- Business Transformation (10)
Distributionslogistik
(2013)
Die Umgebung von Industrie- und Handelsunternehmen hat sich in den letzten Jahren tiefgreifend verändert. Beispielhafte Auslöser waren der Wandel vom Produzenten zum Käufermarkt, der faktische Wegfall der nationalen Grenzen und die damit verbundene Intensivierung des europäischen Binnenmarktes sowie die zunehmende Bedeutung ökologischer Anforderungen. Um die Kundenbedürfnisse dennoch befriedigen zu können und damit dem Wettbewerb gewachsen zu sein, müssen sich die Distributionsstrukturen der Unternehmen immer schneller an diese Veränderungen anpassen. Nur so können die Waren flexibel, kostengünstig und schnell an die Kunden geliefert werden. In diesem Spannungsfeld kommt der Planung und Steuerung der Distributionsabläufe eine immer wichtigere Bedeutung zu.
Ziel dieses Kapitels ist nicht nur die Vermittlung grundlegender Begrifflichkeiten und Zusammenhänge der Distributionslogistik, sondern weiterhin auch Methoden zur Distributionsplanung und steuerung sowie Kennzahlen zur Messung der Distributionsleistung und -kosten.
European machinery and equipment manufacturers face multiple logistical challenges in their daily business. Interacting in complex non-hierarchical production networks and thus living with the consequences of a lack of transparency, temporal instability, or imbalanced share of market power finally leads to an inadequate OEM’s delivery adherence which in many cases can be traced back to suppliers’ late deliveries.
This paper presents a framework for improving delivery reliability in non-hierarchical production networks by applying market mechanisms. Knowing the financial consequences of a supplier’s belated delivery provides useful information which can be applied in terms of financial incentives. The framework is supported by the results of a study which has been conducted by the authors throughout German, Spanish, and Italian machine tool manufacturers and their suppliers.
Ziel des Forschungsvorhabens war die Erhöhung der Effizienz und Effektivität von Suchanfragen in ERP-Systemen. Dabei sollte der Aufwand für den Nutzer reduziert und die Qualität der Ergebnisse verbessert werden. Die Erreichung der Ziele wurde durch die Entwicklung einer selbstlernenden, kontextbasierten Suchmaschine für ERP-Systeme realisiert. Mit der Berücksichtigung des Kontexts einer Suchanfrage, des Benutzerverhaltens und einer Ergebnisbewertung durch den Anwender wurde die Ergebnisqualität von Suchanfragen kontinuierlich gesteigert. Durch die Entwicklung eines Demonstrators wurde der Nutzen des Konzepts nachgewiesen, indem dieser in verschiedenen Szenarien erprobt und anhand einer Wirtschaftlichkeitsbetrachtung bewertet wurde.
One major problem of today’s producing companies is to reach a high adherence to delivery dates while considering the volatile market situation as well as economic aspects. This problem can only be solved by using a production control that is optimally adapted to the processes. A good working, process-oriented production control is essential for being able to control the production situation and to ensure a high adherence to delivery dates. Data generation and processing determine the success of production control. Current processes and IT systems have several shortcomings in meeting these challenges.
The solution for this problem is the so called “cyber physical production control” (CPPC). It optimally supports the production scheduler in his decision making process based on real-time high-resolution data. With the help of data analytics, the production controller receives decision support over various steps. Due to CPPC, the overall goal of a high adherence to delivery dates can be fundamentally increased.
Zusammenfassung und Ausblick
(2012)
Einführung
(2012)
Ein ständig wachsender Preisdruck und immer individuellere Kundenaufträge sind nur zwei Kennzeichen der industriellen Produktion im europäischen Wirtschaftsraum. Gerade in Deutschland ansässige Unternehmen können im internationalen Wettbewerb in den wenigsten Fällen allein aufgrund des Produktpreises konkurrenzfähig bleiben. Stattdessen bauen diese Unternehmen ihre Wettbewerbsvorteile anderweitig aus und verfolgen vielmehr eine konsequente Kundenorientierung, hohe Logistikleistung oder Prozessbeherrschung. In diesem Umfeld setzten zahlreiche Unternehmen bereits frühzeitig auf eine Reduzierung ihrer Wertschöpfungstiefe und verlagerten verschiedene Entwicklungs- oder Produktionsschritte auf andere Unternehmen mit komplementären Kompetenzen. Damit rückte die überbetriebliche Zusammenarbeit bzw. Koordination der Auftragsabwicklung entlang einer mehrstufigen Lieferkette oder innerhalb eines polyzentrischen Unternehmensnetzwerks zunehmend in den Mittelpunkt betrieblicher Anstrengungen. So gilt es also heute, in Netzwerkstrukturen zu denken, diese ganzheitlich zu gestalten und effizient zu organisieren. Der Beitrag konkretisiert am Beispiel des Aachener PPS-Modells geeignete Referenzmodelle und zeigt Entwicklungspfade einer wertorientierten Logistikgestaltung auf.
Aufgrund kürzer werdender Produktzyklen und steigender Produktvielfalt werden produzierende Unternehmen mit einer zunehmenden Anzahl von Produktanläufen konfrontiert. Ziel aktueller Forschungsaktivitäten ist es daher, anlaufintensive Unternehmen zu befähigen, verlässliche Produktionsprogramme in kurzer Zeit zu erstellen. Lerneffekte sollen genutzt werden können ohne Diversifikationseffekte zu vernachlässigen. Zur Erreichung dieser Zielsetzung wird ein Modell für eine kybernetische PPP bei Produktanläufen entwickelt.
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.
Methods of machine learning (ML) are difficult for manufacturing companies to employ productively. Data science is not their core skill, and acquiring talent is expensive. Automated machine learning (Auto-ML) aims to alleviate this, democratizing machine learning by introducing elements such as low-code or no-code functionalities into its model creation process. Due to the dynamic vendor market of Auto-ML, it is difficult for manufacturing companies to successfully implement this technology. Different solutions as well as constantly changing requirements and functional scopes make a correct software selection difficult. This paper aims to alleviate said challenge by providing a longlist of requirements that companies should pay attention to when selecting a solution for their use case. The paper is part of a larger research effort, in which a structured selection process for Auto-ML solutions in manufacturing companies is designed. The longlist itself is the result of six case studies of different manufacturing companies, following the method of case study research by Eisenhardt. A total of 75 distinct requirements were identified, spanning the entire machine learning and modeling pipeline.