Leseprobe
Inhaltsverzeichnis
Abkürzungsverzeichnis
1 Einleitung
2 Technologische Grundlagen
2.1 Industrie 4.
2.1.1 Begriffsdefinition
2.1.2 Technologien
2.2 Big Data
2.2.1 Begriffsdefinition
2.2.2 Charakteristische Eigenschaften
2.3 Analytics
2.3.1 Begriffsdefinition
2.3.2 Klassifizierungen
3 Produktionsplanung und -steuerung
3.1 Produktionsplanung
3.2 Produktionssteuerung
4 Einsatz von Big Data Analytics
4.1 Anwendungsszenarien
4.2 Potenzialanalyse
4.2.1 Durchführung
4.2.1.1 Stärken (Strengths)
4.2.1.2 Schwächen (Weaknesses)
4.2.1.3 Chancen (Opportunities)
4.2.1.4 Risiken (Threats)
4.2.2 Strategieableitung
5 Fazit
6 Literaturverzeichnis
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
1 Einleitung
Unsere Gesellschaft befindet sich derzeit im Zeitalter der vierten industriellen Revolution. Die demzufolge für Unternehmen eintretenden disruptiven Veränderungen betreffen sämtliche Bereiche der Wertschöpfung. Dadurch entsteht ein Umschwung, welcher zu einer digitalen Ökonomie führt. Innovative Fortschritte bei technologischen Entwicklungen, wie z. B. cyber-physische Systeme (CPS), hochentwickelte Robotik, Internet of Things (IoT), Sensorik, Big Data und intelligente Software-Systeme führen dazu, dass sich die zukünftigen Arbeitsabläufe ändern (BMAS, 2015).
Der Bereich Big Data hat sich in diesem Zusammenhang mittlerweile zum regelrechten Top-Trend in der Informationstechnologie entwickelt (Gölzer, 2017). Im Hype Cycle for Emerging Technologies von Gartner aus dem Jahr 2014 erreichte Big Data bereits den Gipfel der überzogenen Erwartungen. Auf Basis der genannten Entwicklungszeiträume befindet sich die Disziplin aktuell auf der Zielgeraden zum Produktivitätsplateau. Diese Evolution hat ihren Ursprung im rasanten Wachstum von Datenmenge und Datenvielfalt im Zeitalter des Internets. Die Wurzeln liegen dabei in den primären Bereichen der Statistik und Datenanalyse. In Korrelation mit den modernen Entwicklungen der Informationstechnologie können große Datenmengen nahezu in Echtzeit erfasst, dokumentiert und analysiert werden, wodurch eine Vielzahl an potenziellen Anwendungen entsteht (Ahmadi, Dileepan & Wheatley, 2016).
Die gewonnenen Erkenntnisse sollen dabei nicht nur zur Bewertung vergangener Prozesse, sondern zur proaktiven Gestaltung des Unternehmens genutzt werden. In diesem Kontext sind die verfügbaren Daten mithilfe von Big Data Analytics zielgerichtet zu verarbeiten und in die jeweiligen Geschäftsprozesse miteinzubinden (Davenport 2007). Der wirtschaftliche Nutzen umfasst sämtliche Funktionsbereiche, wie z. B. Produktion, Logistik, Marketing und Vertrieb (BITKOM, 2012). Ein Großteil der heutigen Unternehmen ist jedoch noch weit davon entfernt, den Mehrwert zu erkennen, den eine derartige Analyse hervorbringen kann (Henke, Bughin & Chui, 2016).
In Verbindung mit Industrie 4.0 und der Zielsetzung einer Smart Factory resultieren im unternehmerischen Umfeld vielfältige Einsatzbereiche. Dabei bleiben die konventionellen Disziplinen der Produktionsplanung und -steuerung bestehen, müssen jedoch um technologiegetriebene Ansätze wie z. B. Big Data Analytics ergänzt werden. Verwendungsmöglichkeiten liegen diesbezüglich hauptsächlich in der Szenario-Simulation. Im Rahmen der Hausarbeit ermöglicht die Erstellung einer situationsbezogenen SWOT-Analyse auf Grundlage von Literaturrecherche die Evaluation des entstehenden Potenzials. Abschließend lässt sich anhand der Analyseergebnisse die Frage beantworten, welche Strategie in diesem Kontext für Unternehmen empfehlenswert ist.
2 Technologische Grundlagen
Im Vorfeld ist es unumgänglich, ein grundlegendes Verständnis für die in der Hausarbeit verwendeten Begrifflichkeiten zu schaffen. Aufgrund einer Vielzahl an revolutionären technischen Entwicklungen sind die jeweiligen Bezeichnungen aus dem konventionellen Sprachgebrauch nicht mehr wegzudenken. Aus diesem Grund erfolgt eine prägnante Beschreibung der technologiegetriebenen Termini Industrie 4.0, Big Data sowie Analytics.
2.1 Industrie 4.0
Der Begriff steht prinzipiell für die vierte Entwicklungsstufe der industriellen Revolution und hat seit der Veröffentlichung des Berichts „Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0“ durch die Forschungsunion und acatech im Jahr 2013 eine regelrecht dynamische Entwicklung erfahren. Längst wird unter diesem Terminus nicht nur die triviale Anwendung neuer technologischer Möglichkeiten in der Produktion verstanden (Gölzer, 2017). Die Auslegung in der Wissenschaftskommunikation reicht dabei von Geschäftsmodellinnovationen (Emmerich et al., 2015) über neue Arbeitswelten (Spath et al., 2013) bis hin zur digitalen Transformation ganzer Branchen und Industrien und geht somit weit über das Zukunftsprojekt der deutschen Bundesregierung hinaus (Bloching et al., 2015; Koch et al., 2014). Im Folgenden wird zunächst auf die Begriffsdefinition eingegangen. Anschließend erfolgt eine Darstellung der möglichen Konzepte und der in diesem Kontext verwendeten Technologien.
2.1.1 Begriffsdefinition
Industrie 4.0 ist grundsätzlich ein Marketingbegriff, welcher die Individualisierung bzw. Hybridisierung von Produkten (Koppelung der Produktion und Dienstleistung) und eine Integration von Kunden und Geschäftspartnern in die Geschäfts- und Wertschöpfungsprozesse beschreibt (Bendel, 2019). Dieser Vorgang erfordert eine neue Stufe der Organisation und Steuerung der gesamten unternehmerischen Wertschöpfungsbereiche über den Lebenszyklus von Produkten. Die Basis hierfür bildet ein ganzheitliches Management, die permanente Verfügbarkeit sämtlicher relevanter Informationen in Echtzeit, eine Vernetzung aller beteiligten Instanzen und die Fähigkeit, aus den vorliegenden Daten zu jedem Zeitpunkt den optimalen Wertestrom abzuleiten (BITKOM, 2014).
Der Kerninhalt umfasst die konsequente Weiterentwicklung der bisherigen Digitalisierungsvorhaben und beschreibt die zunehmende Informatisierung der Fertigungstechnologien. Das übergeordnete Ziel besteht in der Entwicklung einer sogenannten Smart Factory (Kreutzer, Neugebauer & Pattloch, 2017). Durch internetbasierte Technologien werden intelligente Produktionssysteme, IT-Systeme und Individuen miteinander vernetzt, wodurch gänzlich neue Formen einer betrieblichen Produktionsorganisation ermöglicht werden (BITKOM, 2014). Industrie 4.0 tangiert somit zunächst alle vorhandenen Funktionsbereiche eines Industriebetriebes inkl. einer Integration komplexer physischer Maschinen und Geräte in vernetzte Sensoren und Software (Shafiq et al., 2015). Einhergehend mit dem Internet of Everything (IoE) und der Shared Economy stellt diese informatorische Verbindung den Enabler des bereits erwähnten Aufbaus von wandlungsfähigen, echtzeitoptimierten, sich selbst gestaltenden und übergreifenden Wertschöpfungsnetzwerken dar. Infolgedessen können vorhandene Effizienz- und Effektivitätsreserven bei der Leistungserbringung ausgeschöpft und unterschiedliche Kriterien wie z. B. Kosten, Ressourcenverbrauch und Maschinenverfügbarkeit optimiert werden (BITKOM, 2014; Kreutzer et al., 2017).
2.1.2 Technologien
Der im Vorfeld beschriebene Ansatz basiert auf einer Vielzahl an technischen Aspekten, die im Kontext der Industrie 4.0 zum Einsatz kommen. Zunächst wird ein Überblick der drei grundlegenden Integrationsstrategien geschaffen. Eine Einteilung erfolgt dabei anhand der nachfolgenden Konzepte (Kagermann, Wahlster & Helbig, 2013):
- Horizontale Integration über Wertschöpfungsnetzwerke:
Durchgängige Integration von IT-Systemen zur Ausgestaltung von Wertschöpfungsketten. Die Einbettung in z. B. Forschungs-, Entwicklungs- und Produktionsbereiche wird über Unternehmensgrenzen hinweg vorgenommen. Eine Umsetzung neuer Geschäftsmodelle und -strategien steht im Vordergrund.
- Vertikale Integration und vernetzte Produktionssysteme:
Der Gestaltungsrahmen dieser Strategie ist die Fabrik. In der zukünftigen Smart Factory erfolgt der Aufbau und die Realisierung flexibler und rekonfigurierbarer Produktionssysteme innerhalb eines Unternehmens. Die digitale Integration der Systeme umfasst dabei sämtliche Hierarchieebenen.
- Durchgängigkeit des Engineerings über die gesamte Wertschöpfungskette:
Integration aller Systeme, die während des gesamten Produktlebenszyklus benötigt werden. Daraus resultiert eine zunehmende Verschmelzung der digitalen und realen Welt. Das Konzept geht zur Beherrschung der Komplexität über Unternehmensgrenzen hinweg und bezieht Kundenanforderungen gezielt mit ein.
Im Zentrum von Industrie 4.0 stehen cyber-physische Systeme (CPS), welche die Entwicklung von smarten Systemen erst ermöglichen (Anderl, 2015). Darunter sind intelligente Maschinen, Speichersysteme und Produktionsanlagen zu verstehen. Diese stellen eingebettete Systeme mit erweiterten Fähigkeiten dar. Hierzu zählen insbesondere der autonome Austausch von Informationen, die Auslösung von Aktionen und die Möglichkeit der eigenständigen Verknüpfung mit weiteren CPS (Kagermann et al., 2013). Die wesentlichen Komponenten umfassen dabei u. a. Sensoren, Aktoren und Schnittstellen. Jede Anlage besitzt neben einer physischen auch eine digitale, virtuelle Repräsentanz (Broy, 2010).
Eine Kommunikation und Kooperation cyber-physischer Systeme soll dabei über internet-basierte Plattformen erfolgen. In diesem Zusammenhang entsteht eine Verschmelzung von physischen Erzeugnissen mit digitalen Services zu hybriden Lösungen, was völlig neue Perspektiven verspricht (Fleisch, Weinberger & Wortmann, 2015). Deswegen wird das Internet der Dinge (Internet of Things, IoT) als weiterer zentraler Bestandteil eng mit Industrie 4.0 assoziiert (Gölzer, 2017).
Durch die lückenlose Vernetzung und Sensorisierung der Fertigung werden große Datenmengen erzeugt (Leveling, Edelbrock & Otto, 2014). Für die effiziente Nutzung dieser Information spielen Big-Data-Technologien und Analytics-Verfahren eine entscheidende Rolle. Im Zeitalter der Industrie 4.0 wird dieser datengetriebene Ansatz sukzessive die Vorgehensweisen der bisherigen Produktionsorganisation substituieren, wodurch diesem Bereich ein besonders hoher Stellenwert zuzuschreiben ist (Emmerich et al., 2015). Dementsprechend werden die beiden Begriffe im Folgenden einer genaueren Betrachtung unterzogen.
2.2 Big Data
Mit der rapiden Entwicklung von innovativen Netzwerken, Datenspeicherungssystemen und Datenerhebungskapazitäten ist Big Data aus sämtlichen Bereichen der Wirtschaft, Wissenschaft und Technik nicht mehr wegzudenken (Wu et al., 2014). In den vergangenen 20 Jahren hat die Anzahl an verfügbaren Informationen in beträchtlichem Umfang zugenommen. Der Datenbestand wird sich künftig weiterhin etwa alle zwei Jahre verdoppeln (Moore, 1965). Im Kontext dieser explorativen Zunahme wird der Terminus hauptsächlich zur Beschreibung enormer Datenmengen herangezogen (Chen, Mao & Liu, 2014). Obwohl der Begriff mittlerweile allgegenwärtig ist, herrscht in der fachspezifischen Literatur beträchtliche Unstimmigkeit hinsichtlich der exakten Bedeutung (Hartmann et al., 2014). Im Laufe der Zeit hat sich eine große Anzahl verschiedener Definitionen herausgebildet. Die Gründe liegen in der Variabilität des Themas und in unterschiedlichen Perspektiven beteiligter Interessensgruppen, wodurch auch Verwirrungen in der Gesellschaft entstanden sind (Gandomi & Haider, 2015; Gölzer, 2017). Deswegen wird zunächst ein einheitliches Begriffsverständnis geschaffen. Anschließend erfolgt die Beschreibung der für Big Data charakteristischen Eigenschaften.
2.2.1 Begriffsdefinition
Eine Vielzahl der Definitionen von Big Data konzentriert sich lediglich auf die Menge der gespeicherten Daten. Jedoch werden mit dem Terminus u. a. auch eine hohe Datenkomplexität, neue technologische Möglichkeiten der Datenverarbeitung sowie wirtschaftliche Potenziale assoziiert (BITKOM, 2012). Diese Sichtweise entspricht der Definition von Gartner, wonach es sich bei Big Data um hochvolumige, rasant verändernde und vielfältige Datenbestände handelt, die auf kostengünstige und innovative Formen der Informationsverarbeitung zurückgreifen, um die zukünftige Entscheidungsfindung sowie Prozessautomatisierung zu verbessern (Gartner, o. J.). Dabei stehen eine wirtschaftlich sinnvolle Gewinnung und Nutzung entscheidungsrelevanter Erkenntnisse im Vordergrund (BITKOM, 2012).
Im Vergleich zu herkömmlichen Datensätzen handelt es sich hierbei hauptsächlich um unstrukturierte bzw. semistrukturierte Daten, welche auf einer Echtzeitanalyse basieren. Eine Herausforderung besteht dabei in einer effektiven und effizienten Organisation und Verwaltung der Datensätze (Chen et al., 2014). Der Umfang erreicht dabei solche Ausmaße, dass diese nicht mit herkömmlichen Methoden verarbeitet werden können (Dumbill, 2010).
Die in der Wissenschaft und Praxis vorhandenen Definitionen enthalten im Wesentlichen drei grundlegende Aspekte, die mit dem Terminus assoziiert werden. Zum einen wird Big Data als Synonym für große Datenmengen mit einer hohen Komplexität angesehen. Darüber hinaus steht der Begriff für neue Technologien und eine effiziente Verarbeitung und Analyse der gewonnenen Informationsinhalte. Die Nutzung wirtschaftlicher Potenziale sowie die Entwicklung neuer Geschäftsmodelle durch die Auswertung der Datenmengen stellt den abschließenden Aspekt dar (Gölzer, 2017). Die Betrachtung der drei Perspektiven ermöglicht eine vollumfängliche Definition und widerlegt den Mythos, wonach es sich bei Big Data lediglich um das immense Datenvolumen handelt (Russom, 2011).
2.2.2 Charakteristische Eigenschaften
Die gängigen Definitionen schreiben Big Data drei oder vier spezifische Eigenschaften zu. Mittlerweile wurden zur Beschreibung des abstrakten Konzepts weitere Merkmale entwickelt (Chen et al., 2014). Nachfolgend werden die 5 V´s von Big Data dargestellt.
- Volumen (Volume)
[...]