Big Data im Supply Chain Management
Upcoming SlideShare
Loading in...5
×
 

Big Data im Supply Chain Management

on

  • 565 views

Die Präsentation beschreibt grundsätzliche Fähigkeiten zur Nutzung von Big-Data-Technologien im Supply Chain Management.

Die Präsentation beschreibt grundsätzliche Fähigkeiten zur Nutzung von Big-Data-Technologien im Supply Chain Management.

Statistics

Views

Total Views
565
Views on SlideShare
561
Embed Views
4

Actions

Likes
0
Downloads
8
Comments
0

2 Embeds 4

http://www.linkedin.com 3
https://twitter.com 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Big Data im Supply Chain Management Big Data im Supply Chain Management Presentation Transcript

  • Big Data im Supply Chain Management Prof. Dr. Boris Otto Paderborn, 20.11.2013
  • Big Data bedeutet in der Praxis die Erfassung, Verarbeitung und Auswertung von Daten aus unterschiedlichsten Quellen Welche Datenquellen nutzt Ihr Unternehmen? 46 Social Media (Facebook, Twitter, Blogs usw.) Internet-Daten (Click Streams usw.) 54 66 34 47 Smart Grid (Sensordaten, Betriebsdaten usw.) 53 43 RFID Tags und Strichcodes GPS-Daten 57 39 Finanzdaten Nutzungsdaten mobiler Endgeräte 61 51 49 51 49 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 © Fraunhofer IML Fraunhofer IML 2013
  • 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 © Fraunhofer IML Fraunhofer IML 2013 View slide
  • 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 Slide 4 © Fraunhofer IML ■ ■ ■ „Tracking & Tracing“ in Echtzeit und jederzeit Verfügbarkeit von Produkten, Materialien, Anlagegütern Transparenz über Kundenlieferungen Fraunhofer IML 2013 View slide
  • Ein einfaches Beispiel: Der Pizza-Code Sojalecithin (Brasilien) L30827017F10647 Arbeitsbedingungen Backmischung Tomaten (Deutschland) Teig Knoblauch (EmiliaRomagna und Latium, Italien) Tomatensauce Vollmilchpulver (Shandong, China) Pfeffer (Muntok, Indonesien) Weizenmehl Gewürzmischung Chili (Deutschland) (Pfalzmühle Mannheim, Deutschland) (Muntok, Indonesien) Weizen Oregano (Feld in Hochborn, Deutschland) (Türkei) Thymian Nutzung von Pestiziden (Aschersleben, Deutschland) Rosemarin Basilikum (Kairo, Ägypten) Buchenbäume (Marokko) Schweinezuchtbed. (Westerwald, Deutschland) Hygienevorschriften Buchenhölzer (Deutschland) Milch (Höfe in Bayreuth, Deutschland) Beta-Carotin Slide 5 © Fraunhofer IML Schweinehälften (Belgien, Dänemark, Frenkreich, [Vital-Fleisch] Deutschland, Niederlande) Schwein (Belgien, Dänemark, Frankreich, Deutschland, Niederlande) Speck Salami Edamerkäse (Bayernland, Germany) Salami (Deutschland) (Haas, Deutschland) Ascorbinsäure (China, Deutschland, Gewürze Thailand) (China, Deutschland, Thailand) Salz Natriumnitrat Maltodextrin (EU, USA) Fraunhofer IML 2013 NB: Das Beispiel folgt der Argumentation von Rohwetter, M.; Willmann, U.: Der Pizza-Code. In: Zeit Online Wirtschaft; http://www.zeit.de/2013/31/lebensmittelindustrie-der-pizza-code (25.7.2013), abgerufen am 8.8. 2013.
  • 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 © Fraunhofer IML Fraunhofer IML 2013
  • 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 © Fraunhofer IML Fraunhofer IML 2013
  • Unternehmen brauchen eine neue Datenarchitektur, um die Potentiale von Big Data zu nutzen Daten außen sind weniger kontrollierbar, geschäftskritisch, eindeutig… Petabytes Terabytes Daten außen sind von höherer Unschärfe, Volumen, Vielfalt, Änderungsfrequenz… „Nukleus-Daten“ (Kundenstammdaten, Produktstammdaten usw.) Gigabytes Megabytes “Open Big Data” (Tweets, Social Media Streams, Sensordaten usw.) Slide 8 © Fraunhofer IML „Community-Daten“ (Geoinformation, GTIN, Adressen, ISOCodes, GS1-Daten usw.) Fraunhofer IML 2013
  • 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 O O X X O Technische Entwicklung, Supply Chain (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 © Fraunhofer IML Fraunhofer IML 2013
  • 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-44227 Dortmund Tel.: +49-231-755-5959 Boris.Otto@tu-dortmund.de Slide 10 © Fraunhofer IML Fraunhofer-Institut für Materialfluss und Logistik Director Information Management & Engineering Joseph-v.-Fraunhofer-Straße 2-4 D-44227 Dortmund Tel.: +49-231-943-655 Boris.Otto@iml.fraunhofer.de Fraunhofer IML 2013