Big Data im Supply Chain Management
Prof. Dr. Boris Otto
Paderborn, 20.11.2013
© Fraunhofer IML Fraunhofer IML 2013
Slide 2
Big Data bedeutet in der Praxis die Erfassung, Verarbeitung
und Auswertung von Daten aus unterschiedlichsten Quellen
46
54
Social Media
(Facebook, Twitter, Blogs usw.)
66
34
Internet-Daten
(Click Streams usw.)
47
53
Smart Grid
(Sensordaten, Betriebsdaten usw.)
43
57RFID Tags und Strichcodes
39
61GPS-Daten
51
49Finanzdaten
51
49Nutzungsdaten mobiler Endgeräte
Welche Datenquellen nutzt Ihr Unternehmen?
Quelle: The Economist Intelligence Unit Limited: Big Data – Lessons from the leaders, 2012, n = 752, Angaben in Prozent.
Legende: bereits genutzt Nutzung geplant.
© Fraunhofer IML Fraunhofer IML 2013
Slide 3
Big Data Management ist „Befähiger“ für unterschiedliche
Geschäfts- und Innovationstreiber wie Industrie 4.0
„Ambient Intelligence“ in der Fabrik der Zukunft
Eingebettete,
drahtlose Sensoren
Manual
data input
Virtuelle Welt
Physische
Welt
Smart
Cards BarcodeEinfachheit der
DatenerfassungRFID
Informations- und Datenqualität für
adaptive Prozesse
Cyber-physikalische Systeme (CPS)„High Resolution
Management“
Hochfrequente Datenerfassung und -analyse
Quelle: Kagermann, 2013 (zitierend Wahlster, DFKI).
© Fraunhofer IML Fraunhofer IML 2013
Slide 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?“
■ „Tracking & Tracing“ in Echtzeit und jederzeit
■ Verfügbarkeit von Produkten, Materialien, Anlagegütern
■ Transparenz über Kundenlieferungen
Nutzen in der
Supply Chain
© Fraunhofer IML Fraunhofer IML 2013
Slide 5
Teig
Weizenmehl(Pfalzmühle Mannheim,
Deutschland)
Weizen(Feld in Hochborn,
Deutschland)
Backmischung(Deutschland)
Vollmilchpulver
Sojalecithin(Brasilien)
Edamerkäse
Beta-Carotin
Milch(Höfe in Bayreuth,
Deutschland)
Tomatensauce
Tomaten(Emilia-
Romagna und
Latium, Italien)
Gewürzmischung(Deutschland)
Pfeffer(Muntok,
Indonesien)
Knoblauch(Shandong, China)
Chili(Muntok,
Indonesien)
Oregano(Türkei)
Rosemarin(Marokko)
Basilikum(Kairo, Ägypten)
Thymian(Aschersleben,
Deutschland)
Salami
Buchenhölzer(Deutschland)
Salami(Deutschland)
Salz
Schweinehälften(Belgien, Dänemark,
Frenkreich, [Vital-Fleisch]
Deutschland, Niederlande)
Speck
Natriumnitrat
Maltodextrin(EU, USA)
Gewürze(China, Deutschland,
Thailand)
Ascorbinsäure(China, Deutschland,
Thailand)
Buchenbäume(Westerwald, Deutschland)
Schwein(Belgien, Dänemark,
Frankreich, Deutschland,
Niederlande)
L30827017F10647 Arbeitsbedingungen
Schweinezuchtbed.
Nutzung von Pestiziden
(Bayernland, Germany) (Haas, Deutschland)
Hygienevorschriften
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.
Ein einfaches Beispiel: Der Pizza-Code
© Fraunhofer IML Fraunhofer IML 2013
Slide 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.“
© Fraunhofer IML Fraunhofer IML 2013
Slide 7
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 …
Ein kleiner Test dazu
© Fraunhofer IML Fraunhofer IML 2013
Slide 8
Unternehmen brauchen eine neue Datenarchitektur, um die
Potentiale von Big Data zu nutzen
Daten außen sind von höherer Unschärfe,
Volumen, Vielfalt, Änderungsfrequenz…
Daten außen sind weniger
kontrollierbar, geschäftskritisch, eindeutig…
„Nukleus-Daten“
(Kundenstammdaten,
Produktstammdaten
usw.)
„Community-Daten“
(Geoinformation,
GTIN, Adressen, ISO-
Codes, GS1-Daten
usw.)
“Open Big Data”
(Tweets, Social Media
Streams, Sensordaten usw.)
Megabytes
Gigabytes
Terabytes
Petabytes
© Fraunhofer IML Fraunhofer IML 2013
Slide 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
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.
© Fraunhofer IML Fraunhofer IML 2013
Slide 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-44227 Dortmund
Tel.: +49-231-755-5959
Fraunhofer-Institut für Materialfluss
und Logistik
Director Information Management &
Engineering
Joseph-v.-Fraunhofer-Straße 2-4
D-44227 Dortmund
Tel.: +49-231-943-655
Top Related