Big Data im Supply Chain Management

Transkript

1 Big Data im Supply Chain Management Prof. Dr. Boris Otto Paderborn,

2 Big Data bedeutet in der Praxis die Erfassung, Verarbeitung und Auswertung von Daten aus unterschiedlichsten Quellen Welche Datenquellen nutzt Ihr Unternehmen? Social Media (Facebook, Twitter, Blogs usw.) Internet-Daten (Click Streams usw.) Smart Grid (Sensordaten, Betriebsdaten usw.) RFID Tags und Strichcodes GPS-Daten Finanzdaten Nutzungsdaten mobiler Endgeräte Quelle: The Economist Intelligence Unit Limited: Big Data Lessons from the leaders, 2012, n = 752, Angaben in Prozent. Legende: bereits genutzt Nutzung geplant. Slide 2

3 Big Data Management ist Befähiger für unterschiedliche Geschäfts- und Innovationstreiber wie Industrie 4.0 Cyber-physikalische Systeme (CPS) High Resolution Management Virtuelle Welt Manual data input Smart Cards Barcode RFID Eingebettete, drahtlose Sensoren Einfachheit der Datenerfassung Physische Welt Ambient Intelligence in der Fabrik der Zukunft Informations- und Datenqualität für adaptive Prozesse Hochfrequente Datenerfassung und -analyse Quelle: Kagermann, 2013 (zitierend Wahlster, DFKI). Slide 3

4 Wettbewerbsvorteile durch Big Data Management erfordern drei grundsätzliche Fähigkeiten Ad-hoc-Abfragen Fähigkeit jede Anfrage jederzeit beantworten zu können Beispiel: Welche Rohstoffe haben wir in welchem Umfang in einem Umkreis von 50 km um das KKW in Fukushima in den ersten drei Tagen nach dem Unfall bezogen? Echtzeittransparenz Fähigkeit der vollständigen Transparenz zu Material- und Informationsflüssen Beispiel: Was ist der Value at Risk unseres weltweiten Logistiknetzwerks in Echtzeit? Prediction Fähigkeit, Daten zur proaktiven Geschäftssteuerung zu nutzen nicht als Quelle für Probleme Beispiel: Wie können Wetter- und Verkehrsdaten zur Steuerung des Distributionsnetzwerks genutzt werden? Nutzen in der Supply Chain Tracking & Tracing in Echtzeit und jederzeit Verfügbarkeit von Produkten, Materialien, Anlagegütern Transparenz über Kundenlieferungen Slide 4

5 Ein einfaches Beispiel: Der Pizza-Code Sojalecithin (Brasilien) Vollmilchpulver Weizen (Feld in Hochborn, Deutschland) Backmischung (Deutschland) Weizenmehl (Pfalzmühle Mannheim, Deutschland) Teig L F10647 Tomatensauce Gewürzmischung (Deutschland) Tomaten (Emilia- Romagna und Latium, Italien) Arbeitsbedingungen Knoblauch (Shandong, China) Pfeffer (Muntok, Indonesien) Chili (Muntok, Indonesien) Oregano (Türkei) Nutzung von Pestiziden Thymian (Aschersleben, Deutschland) Basilikum (Kairo, Ägypten) Rosemarin (Marokko) Buchenbäume (Westerwald, Deutschland) Schweinezuchtbed. Hygienevorschriften Milch (Höfe in Bayreuth, Deutschland) Edamerkäse Salami Buchenhölzer (Deutschland) Salami (Deutschland) Schweinehälften (Belgien, Dänemark, Frenkreich, [Vital-Fleisch] Deutschland, Niederlande) Schwein (Belgien, Dänemark, Frankreich, Deutschland, Niederlande) (Bayernland, Germany) (Haas, Deutschland) Beta-Carotin Ascorbinsäure Natriumnitrat (China, Deutschland, Gewürze Thailand) (China, Deutschland, Maltodextrin Slide 5 Thailand) (EU, USA) NB: Das Beispiel folgt der Argumentation von Rohwetter, M.; Willmann, U.: Der Pizza-Code. In: Zeit Online Wirtschaft; ( ), abgerufen am Salz Speck

6 Die Quintessenz laut Transparenz und Rückverfolgbarkeit sind möglich, dank moderner Informationstechnik bis in den letzten Winkel der Erde. Wer sagt, er wisse etwas nicht, der lügt, ist schlecht organisiert oder kriminell. Slide 6

7 Ein kleiner Test dazu Frage 1: Mein Unternehmen ist in der Lage, sämtliche Informationen zu unseren Produkten, den Komponenten und Rohstoffen transparent in Echtzeit bis in den letzten Winkel der Erde zurückzuverfolgen. Ja. Nein. Bei Nein weiter mit Frage 2. Frage 2: Der Grund für diese Unfähigkeit ist: In meinem Unternehmen nimmt man es mit der Wahrheit nicht so genau. Mein Unternehmen ist vom Zufall getrieben und schlecht organisiert. Mein Unternehmen agiert öfters kriminell. NB: Mehrfachnennungen möglich Slide 7

8 Unternehmen brauchen eine neue Datenarchitektur, um die Potentiale von Big Data zu nutzen Daten außen sind weniger kontrollierbar, geschäftskritisch, eindeutig Daten außen sind von höherer Unschärfe, Volumen, Vielfalt, Änderungsfrequenz Petabytes Terabytes Nukleus-Daten (Kundenstammdaten, Produktstammdaten usw.) Gigabytes Megabytes Open Big Data (Tweets, Social Media Streams, Sensordaten usw.) Community-Daten (Geoinformation, GTIN, Adressen, ISO- Codes, GS1-Daten usw.) Slide 8

9 Fallstudien liefern Aufschluss über Best Practices für Big Data Management im Supply Chain Management Unternehmen Fallstudienfokus Plan Source Make Deliver Return Liquiditätsmanagement O O (X) O O Stammdatenmanagement O (X) (X) (X) (X) Bestandsmanagement, Personalwirtschaft O X X O O Personalwirtschaft O O O O O Berichtswesen für das Beschaffungsmanagement O (X) O O O IT-Infrastruktur O O O O O Instandhaltung, Vertrieb, Marketing Technische Entwicklung, Supply Chain O O X X O (X) (X) (X) (X) O Legende: O nicht adressiert; (X) in Teilen adressiert; X adressiert. NB: In Kooperation mit Universität St. Gallen, Fokus auf In-Memory-Technologien. Slide 9

10 Ihr Ansprechpartner für weitere Informationen Univ.-Prof. Dr. Ing. Boris Otto Technische Universität Dortmund Audi-Stiftungslehrstuhl Supply Net Order Management LogistikCampus Joseph-v.-Fraunhofer-Straße 2-4 D Dortmund Tel.: Fraunhofer-Institut für Materialfluss und Logistik Director Information Management & Engineering Joseph-v.-Fraunhofer-Straße 2-4 D Dortmund Tel.: Slide 10