Supply Chain Analytics Mangelnde Datenqualität Lücken in der Informations-Supply Chain Dr. Jack Thoms
Komplexitätstreiber im automobilen Wertschöpfungsnetzwerk
Supply Chain Management 27 Jahre Theorie Oliver, R. K.; Webber, M. D. (1982): Supply Chain Management: Logistics Catches up with Strategy. Christopher, M. (1998): Logistics and Supply Chain Management. Strategies for Reducing Cost and Improving Service. 2nd Ed. London. Ballou, R. H. (2004): Business Logistics/Supply Chain Management. Planning, Organizing, and Controlling the Supply Chain. 5th Ed., Upper Saddle River. Chen, I. J.; Paulraj, A. (2004): Towards a theory of supply chain management: the constructs and measurements. In: Journal of Operations Management. Vol. 22 No. 2, pp. 119 150. Chopra, S.; Meindl, P. (2006): Supply Chain Management. Strategy, Planning, and Operation. 3rd Ed. Upper Saddle River. Simchi-Levi, D.; Kaminsky, P.; Simchi-Levi, E. (2008): Designing and Managing the Supply Chain: Concepts, Strategies and Case Studies. 3rd Ed. Boston. Zwischen den Jahren 2000 und 2008 konnten allein in Deutschland mehr als 6400 wissenschaftliche Artikel, über 650 deutschsprachige Bücher und 160 Konferenzen gezählt werden.
Planungsaufgaben im Supply Chain Management
Die Triple A Supply Chain nach Hau L. Lee
Von der Lean Supply Chain zur Intelligenten Supply Chain Supply Chain Management ist Datenmanagement!!?! Supply Chain Analytics Supply Chain Management Data Sourcing Data Integration Data Analysis Planning Design Operation Datenqualität? Granularität? Aktualität? Datenverfügbarkeit? Datennutzung? SAP APO i2... Kanban Pull Outsourcing BPR... Kaizen TQM KVP... Die Effizienzsteigerung von Prozessen beschränkt sich heute häufig auf die (oberflächliche) Optimierung von Prozessabläufen, Prozessgestaltung und Prozessplanungsalgorithmen. Die Qualität der Datenbasis wird dagegen allzuoft sträflich vernachlässigt. Dies führt zu häufigen Fehlplanungen ( garbage in garbage out ). Für die Verbesserung der Datenbasis und damit der Planungsgrundlagen fehlt oft die Aufmerksamkeit und die Verantwortungszuordnung ( not my job )
Ziele des Projektes 1. Identifikation wesentlicher Schwachstellen in der automobilen Wertschöpfungskette hinsichtlich Qualität der eingesetzten Planungsdaten Transparenz und Verfügbarkeit von relevanten Planungsdaten Methoden und Tools zur Entscheidungsunterstützung Güte und Belastbarkeit von Planungsergebnissen 2. Neue, wissenschaftlich begründete und belegbare Erkenntnisse zum Zusammenhang zwischen Datenintegrationsgrad und Prozesseffizienz in der Automobilindustrie 3. Identifikation von wesentlichen heutigen und zukünftigen Komplexitätstreibern und Störfaktoren in Planungsprozessen 4. Ermittlung zukünftiger Anforderungen an Datenverfügbarkeiten, Datenqualität und hochflexible Planungssysteme 5. Konkrete Handlungsempfehlungen für die Automobilindustrie ( Fit for the Future )
Vorgehen 1 2 3 4 Planungssysteme und Datenverfügbarkeit in der Automobilindustrie heute Neue Anforderungen an den Planungsprozess der Zukunft Zukünftige Anforderungen an die (zentralisierte) Datenverfügbarkeit Handlungsoptionen Trends in der Automobilindustrie Fragebogen Fallstudien Fallstudien: Deep-dive - Interviews zu konkreten Planungsaufgaben in Automobilunternehmen hinsichtlich der für die notwendigen Analysen verwendeten Datenquellen, insbesondere deren Datenqualität und Datenkonsistenz Ermittlung wichtiger Geschäftsfragen, die gegenwärtig nicht beantwortet werden können Aufnahme einer Datenlandkarte: Wo werden welche Daten vorgehalten und wie genutzt? Empirische Analyse mit breit gestreutem Fragebogen zur Identifikation wesentlicher Schwachstellen heutiger und Anforderungen an zukünftige Planungs- und Analysemethoden Entwicklung eines Wirkungsgradmodells zur Ermittlung des Status quo des Datenintegrationsgrads bei Automobilherstellern Erhebung bei 63 Experten in der Automobilindustrie
Fallstudie Erstellung einer Datensilo- und Datenflusslandkarte für ein Unternehmen 1. Aufnahme der Datenlandschaft Wer arbeitet mit welchen Daten? (Quelle, Zweck, System, Ziel) 2. Analyse der Datenkonsistenz Wo wird mit gleichen Daten gearbeitet? 3. Analyse des Datenflusses In welcher Geschwindigkeit werden Datenänderungen in den Systemen weitergegeben? 4. Analyse von Datenbedarfen Welche zusätzlichen Daten fehlen?
Zusammenhang von Datenmanagement und Supply Chain Management im Planungsmodell
Wirkungsmodell Beschreibung (WAS) Bewertung/Messen (WIE) Analysekompetenz Planungskompetenz Kompetenz Datenbasis + + Prozesseffizienz Analyse- Ergebnis Datenverfügbarkeit Analysepotenzial Analysequalität Analyseumfang + Technologie Prozessergebnis + Analysegeschwindigkeit Planungsgeschwindigkeit Planungsergebnis Prozesseffektivität Planungsgüte Datenintegrationsgrad Datentransparenz Datenqualität Datenmenge
Ergebnisse
Alignment die Datenverfügbarkeit Wieviel Prozent der für Ihre Planungsaufgabe benötigten Daten stammen nicht aus Ihrem Verantwortungsbereich zugehörigen Systemen?
Agility die Planungsgeschwindigkeit Welchen Anteil Ihrer Gesamtzeit wenden Sie für die Beschaffung und Aufbereitung der für Ihre Analysen notwendigen Daten auf?
Adaptability das Antizipieren von Veränderungen
Supply Chain Excellence Vision oder Realität?
Fazit Die Bedeutung eines professionellen Informationsmanagements wird heute insbesondere in organisatorisch stark fragmentierten Wertschöpfungsprozessen wie der Automobilproduktion noch immer stark unterschätzt. Wichtige Kundentrends, drohende Kapazitätsengpässe oder -überhänge, Qualitätsprobleme sowie versteckte Prozessineffizienzen werden so oftmals nicht frühzeitig genug erkannt. Durch die dezentrale Haltung von Daten in unterschiedlichen Systemen ( Silos ) können wichtige Geschäftsfragen hinsichtlich der Planung, Steuerung und Kontrolle von Prozessen nicht oder nur in unzureichender Qualität beantwortet werden. Die steigende Komplexität bereichsübergreifender Planungsprozesse erfordert eine höhere Datentransparenz und verfügbarkeit, diese stellen jedoch de facto zumeist den Planungsengpass dar
Vielen Dank für Ihre Aufmerksamkeit!