Chancen und Risiken von Business Intelligence Ansätzen in der Distributionslogistik

Inhaltsverzeichnis

Inhaltsverzeichnis

1. Einleitung
1.1 Problemstellung
1.2 Zielsetzung
1.3 Aufbau der Arbeit

2. Business Intelligence (BI)
2.1 Data Warehouse (DWH)
2.2 Datenanalyse
2.2.1 OLAP (On-Line Analytical Processing)
2.2.2 Data Mining
2.3 Berichtswesen
2.4 Unternehmenssteuerung

3. Controlling in der Distributionslogistik
3.1 Auftragsabwicklung
3.2 Lagerhaltung und Bestandsplanung
3.3 Verpackung und Kommissionierung
3.4 Transportwesen und Tourenplanung

4. Logistikcontrolling mit Business Intelligence

5. Empirische Untersuchung
5.1 Methodische Vorgehensweise
5.1.1 Das Erhebungsinstrument
5.1.2 Gestaltung des Fragebogens
5.1.3 Auswahl der Fachexperten
5.1.4 Datenauswertung
5.2 Ergebnisse
5.2.1 Schnittstellen zu Softwaresystemen
5.2.2 Vorteile gegenüber klassischem Logistikcontrolling
5.2.3 Herausforderungen von BI im Logistikcontrolling
5.2.4 Trends in der Logistik
5.2.5 Handlungsempfehlungen
5.3 Diskussion der Ergebnisse

6. Schlussbetrachtung

Literaturverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

Abstract

Dieses Bachelorarbeit behandelt das Thema Business Intelligence in der Distributionslogistik mit besonderem Schwerpunkt auf das Controlling. Es wird das klassische Logistikcontrolling dem Logistikcontrolling mit Business Intelligence-Tools gegenüber gestellt und verglichen, inwieweit sich Potenziale und Nutzen ergeben können. Ebenfalls werden die Risiken und Herausforderungen beim Einsatz von Business Intelligence im Logistikcontrolling erläutert. Um die theoretischen Thesen der praktischen Anwendung gegenüber zu stellen, wird nach der Meinung von Fachexperten über Chancen und Risiken gefragt, welche diese BI-Tools bereits im Einsatz haben. Die Antworten werden in diese wissenschaftliche Arbeit integriert und im Rahmen einer qualitativen Inhaltsanalyse ausgewertet. Das letzte Kapitel bildet eine kurze Schlussbetrachtung.

1. Einleitung

In diesem Kapitel wird der Leser zuerst zur Problemstellung herangeführt. Danach wird die Zielsetzung aufgeführt und näher erläutert. Anschießend wird der Aufbau der Arbeit beschrieben, um eine einfachere Handhabung zu gewährleisten und die thematische Entwicklung darzustellen.

1.1 Problemstellung

Noch immer sind viele Unternehmen von statischen Excel-Listen geprägt, denn die vielen heterogenen Datenbestände in der Logistik ermöglichen nur unter großem Aufwand die Erstellung eines aussagekräftigen Berichtswesens. Weder eine Erweiterung von Logistikinformationssystemen (LIS) um meist starre Auswertungen, noch spezifische Analysen für Prozesskennzahlen bieten die notwendige Tiefe und Breite, die ein Tool für das analytische Controlling in der heutigen Zeit realisieren können muss.¹ Doch nicht nur die Erfassung von Daten aus unterschiedlichen Datenquellen, sondern auch die Auswertung und Analyse dieser Daten müssen berücksichtigt werden. Durch die Digitalisierung steigt die Anzahl heterogener Daten massiv an. In Unternehmen wird der Wissensbestand in unstrukturierter Form auf ganze 80 Prozent geschätzt.² Genau hier setzt Business Intelligence (BI) an.

Durch flexible Analyseverfahren haben Unternehmen die Möglichkeit, aus diesen Daten Informationen abzuleiten und Fehler, aber auch Potenziale in ihren Prozessen frühzeitig zu erkennen. Ergebnisse werden mithilfe von Visualisierungen benutzerfreundlich abgebildet und geben allen beteiligten Mitarbeitern von strategischer bis operativer Ebene einen Überblick über den aktuellen Stand der Geschäftsprozesse, der im Gegensatz zum statischen wöchentlichen oder monatlichen Berichtswesen jederzeit abrufbar ist.

Doch bestehen auch Herausforderungen und Risiken beim Einsatz von BI. Wie bei jedem neuen IT-Projekt bedarf es einer Anpassung an die Unternehmensstrategie. Weiter bestehen Herausforderungen in der Komplexität der Systemintegration.

1.2 Zielsetzung

Zielsetzung dieser Arbeit ist es, Chancen und Risiken von BI im Controlling der Distributionslogistik zu erkennen. Dazu wird sowohl ein theoretischer Teil, als auch die Methodik einer qualitativen Inhaltsanalyse aufgestellt. Hier gilt es Potenziale zu erkennen, die besonders für Logistikdienstleister und Spediteure interessant sind, aber auch Unternehmen aus dem Handels- und Industriesektor ansprechen.

Auch werden die aktuellen Herausforderungen und Risiken für DWH und BI in der Distributionslogistik erwähnt. Hier werden neben den technisch realisierbaren Problemen wie Architektur und Infrastruktur auch organisatorische Probleme wie mangelnde Projektinvestition, sowie sicherheitsrelevante Probleme wie Datenschutz angesprochen.

Diese Arbeit soll Unternehmen Anregungen geben, ihr Logistikcontrolling mit einer BI-Lösung zu steuern. Es werden diesbezüglich Potenziale durch BI-Tools aufgedeckt und analysiert, inwieweit sich das Controlling in der Distributionslogistik durch Digitalisierung optimieren lassen kann. Auch haben nicht längst alle Unternehmen überhaupt ein eigenes Logistikcontrolling implementiert. Nun wäre jetzt ein guter Zeitpunkt ein solches Controlling spezifisch in der Logistik einzuführen, denn besonders in Verbindung mit BI lässt sich eine zunehmende Benutzerfreundlichkeit erkennen.

Ebenfalls kann diese wissenschaftliche Arbeit interessant sein für wissenschaftliche Mitarbeiter und Studenten aus den Fachbereichen Wirtschaftsinformatik und Logistik. Es lassen sich zwischen beiden Gebieten Gemeinsamkeiten beobachten: Sowohl die Entwicklungsphase der Wirtschaftsinformatik, als auch die der Logistik verläuft von einer Spezialisierung auf betriebliche Funktionen hin zur integrierten Prozessorientierung der Wertschöpfungskette – sei es durch die Integration der Auftragsabwicklung vom Lieferanten bis zum Endkunden als Aufgabe der flussorientierten Logistik oder die Integration der Transaktionsdaten und Workflows durch die Wirtschaftsinformatik.³ Somit können neue Denkanstöße und Anregungen entstehen für weitere und intensivere Forschungsarbeiten auf diesem Gebiet.

1.3 Aufbau der Arbeit

Die Arbeit ist insgesamt in sechs Kapitel unterteilt. Nach der Problemstellung, der Zielstellung und der Gliederung der Arbeit im ersten Kapitel wird im weiteren Verlauf des zweiten Kapitels die Definition von BI und DWH erläutert.

Hier werden die einzelnen Prozessschritte von der Datensammlung über die Datenfilterung bis hin zur Datenpräsentation und Datenanalyse vorgestellt. Das Kapitel beschäftigt sich auch mit dem Aufbau verschiedener Architekturen, Berichtswesen und Unternehmenssteuerung.

Das dritte Kapitel behandelt das Controlling in der Distributionslogistik. Hier werden die Hauptfunktionen der Distributionslogistik (Auftragsabwicklung, Lagerhaltung und Bestandsplanung, Verpackung und Kommissionierung, Transportwesen und Tourenplanung), sowie die entsprechenden Informationssysteme und Controlling-Kennzahlen erwähnt.

Passend dazu wird sich das vierte Kapitel mit dem BI-gestützten Logistikcontrolling intensiv beschäftigen. Dazu werden die Veränderungen und Vorteile durch den Einsatz von BI-Tools im Logistikcontrolling verdeutlicht. Am Ende des Kapitels werden mögliche Risiken und Herausforderung bei der Implementierung und beim Produktiveinsatz erläutert.

Die empirische Untersuchung wird in Form einer qualitativen Inhaltsanalyse im fünften Kapitel durchgeführt. Hier sprechen Experten aus der Praxis über die möglichen Chancen und Risiken für den Einsatz von BI im Logistikcontrolling. Die Ziele und Systematik des Fragebogens werden in der methodischen Vorgehensweise genannt und die Auswertungsergebnisse im Anschluss vorgestellt.

Im sechsten Kapitel wird ein Fazit gezogen und ein Ausblick gegeben. Hier werden die wichtigsten Erkenntnisse der vorherigen Kapitel zusammengefasst und Ansätze für die Zukunft erläutert.

2. Business Intelligence (BI)

Mit Business Intelligence (BI) wird zunächst eine Reihe von Tools und Methoden für die Bereitstellung, Aufbereitung und Analyse von Daten definiert.⁴ Damit sind weniger Systeme künstlicher Intelligenz gemeint, als vielmehr die Generierung von Business-Informationen, denn Intelligenz ist eine menschliche Eigenschaft.⁵

„Unter Business Intelligence versteht man das Integrieren von Strategien, Prozessen und Applikationen, um aus verteilten und oft inhomogenen Unternehmensdaten, wozu auch externe Daten gehören können (Markt- und Wettbewerberdaten), Wissen über Potenziale und Perspektiven des Unternehmens zu erzeugen.”⁶ BI betrifft alle Aktivitäten in einer Unternehmung, die der Integration, der Qualitätsverbesserung, der Transformation und der statistischen Datenanalyse der internen und externen Daten mit dem Ziel dienen, Wissen innerhalb eines vordefinierten Planungs-, Entscheidungs- und Controllingrahmens zu generieren.⁷

Es handelt sich um ein interdisziplinäres Fachgebiet, wo die Informatik, die Mathematik und die Statistik mit den Wirtschaftswissenschaften vereint werden. I.d.R. ist BI dem Fachbereich Wirtschaftsinformatik zugeordnet und wird von manchen Hochschulen auch als eigener Schwerpunkt angeboten.

Die IT-gestützte Managementunterstützung besitzt dabei eine lange Historie. Bereits mit der elektronischen Datenverarbeitung in den 60er Jahren begannen erste Versuche, Führungskräfte mit Hilfe von Manageme nt-Informationssystemen (MIS) zu unterstützen. In der betrieblichen Praxis hat sich der Begriff Business Intelligence (BI) jedoch erst seit Mitte der 90er Jahre etabliert. BI lässt sich auf Überlegungen der Gartner Group aus dem Jahre 1996 zurückführen.⁸

Während herkömmliche MIS die Versorgung mit entscheidungsrelevanten Daten lediglich auf die Unternehmensführung beschränken, organisiert das BI-System alle internen und externen Quellen, Datenbanken und Archive so, dass sie für alle Mitarbeiter von strategischer bis zur operativer Ebene verfügbar sind. Bei der Datensammlung ist darauf zu achten, nicht nur aktuelle Daten, sondern auch Vergangenheits- und Plandaten zu sichern, um Vergleiche aufzustellen.⁹

Das BI-Reifegradmodell besteht aus fünf Stufen. Traditionell wurde BI häufig isoliert in den ausgewählten Funktionseinheiten eingesetzt. Typische Anwendungsfelder waren die Bereiche Finanzen/Controlling und Marketing/Vertrieb. Aktuell ist eine deutliche Ausweitung in die Bereiche Produktion/Logistik zu erkennen. Eine prozessorientierte Entwicklung zeigt Stufe 2 auf. Bei der dritten Stufe etabliert sich BI weiter als wertvolles Unterstützungsinstrument in Partnernetzwerken, wie z.B. die unternehmensübergreifende Steuerung der Wertschöpfungskette in Echtzeit. Zu guter Letzt verwenden die Stufen 4 und 5 die Ressource Information zur Generierung neuer Geschäftsmodelle. Auch wenn BI als Instrument einer analytischen Unternehmenssteuerung in den letzten Jahren vielfach diskutiert wurde, befindet sich eine nicht unerhebliche Anzahl der Unternehmen leider immer noch erst auf den ersten beiden Stufen.¹⁰

Dabei ist BI sehr dynamisch und verfügt über innovative Modelle¹¹:

- Self Service BI: Benutzerfreundliche Funktionen, die Fachbereiche mehr Eigenständigkeit in den BI-Anwendungen gewährleisten
- Cloud BI: Bezug von BI-Leistungen aus externem Server. Dabei müssen Datenschutz, Vertraulichkeit und Sicherheit berücksichtigt werden.
- Mobile BI: Analyse- und Berichtfunktionen auf mobilen Endgeräten unter Anwendung bestimmter Bedienkonzepte wie Touchscreen-Steuerung

2.1 Data Warehouse (DWH)

Operative Anwendungssysteme zeichnen sich durch eine relativ hohe Anwenderzahl und einem hohen dynamischen Datendurchsatz aus. Es werden simultan ständig neue Datensätze generiert, gelesen, editiert oder gelöscht, sodass pro Sekunde mehrere Tausende Transaktionen ausgeführt werden können.¹² Auch wenn die verschiedenen Systeme immer öfters über Funktionen der Analyse, Planung und Simulation verfügen, ist der Datenbestand i.d.R. auf die jeweilige Abteilung beschränkt. So verfügt ein Lohnbuchhaltungs-System hauptsächlich über Personstammaldaten und ein Logistik-System über Lagerverwaltungsdaten. Hierbei arbeiten die Systeme mit einer internen Datenbank, die diese spezifischen Daten sammelt und archiviert.

Ein Data Warehouse (DWH) bildet die Basis von BI und kann sowohl Softwaresysteme jeglicher Art, als auch Daten aus externen Quellen wie Texte aus sozialen Netzwerken oder Messwerte aus Sensoren etc. miteinander verknüpfen und daraus wichtige Kennzahlen und Informationen ableiten. Im Gegensatz zu einer klassischen Datenbank archiviert das DWH die Daten langfristig, was den Vorteil hat, Prognosen und Vergleiche mit Vergangenheitsdaten erstellen zu können.

Allerdings ist auch hier der Aufwand nicht zu unterschätzen. So fallen beim Aufbau von BI-Architekturen mindestens 80 Prozent des Aufwandes für die Etablierung leistungsfähiger Zugriffsstrategien auf die vorgelagerten Informationsspeicher an.¹³ Die Schnittstellen zwischen operativen und analytischen Informationssystemen müssen deshalb besonders berücksichtigt werden.

Oft wird nicht ganz klar der Unterschied zwischen BI und DWH erkannt. Während DWHs hauptsächlich auf das Datenmanagement abzielen, dienen BI-Tools der unmittelbaren Unterstützung von Entscheidungsprozessen und sind eher managementorientiert. Die beiden Ansätze sind jedoch sich nicht als unabhängig zu betrachten, vielmehr setzt BI ein DWH voraus. Im Rahmen dieser wissenschaftlichen Arbeit werden beide Begriffe synonym verwendet.

Das zentrale DWH stellt eine Ansammlung von Daten dar, die periodisch aktualisiert werden, um den direkten Zugriff auf aufbereitete Daten zu ermöglichen. Besonders die Speicherung und schnelle Abfrage sind wesentliche Vorteile von DWHs.¹⁴

Extraktion-Transformation-Laden (ETL) bildet dabei die aufwändigste Funktion des DWH. Die vielen Datenquellen, das hohe Datenvolumen, sowie die komplexen Konsolidierungsvorgänge zur stetigen Datenversorgung des DWH stellen hohe Anforderungen an die IT-Abteilung, die involvierten Systeme und Werkzeuge dar.¹⁵

Häufig sind zusätzlich Data Marts im Einsatz. Diese sind dezentrale DWHs, die nur für die entsprechende Abteilung bereitgestellt werden. Somit wird durch den Fokus auf nur abteilungsrelevante Kennzahlen die Leistung verbessert und die Anwendung eines unberechtigten Mitarbeiters verhindert. Data Marts können das DWH von wiederholten Abfragen wie Analysen oder Auswertungen zum Ende jeder Woche entlasten und den Aufwand erheblich verringern.¹⁶ Die Kombination von DWH und Data Marts nennt man Hub&Spoke-Architektur. Über 40 Prozent der BI-Lösungen in Unternehmen basieren auf diese Technologie.¹⁷

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: BI-Prozess (Quelle: Müller et al., 2013, S.19)

2.2 Datenanalyse

Zwei beliebte Verfahren für die Datenanalyse sind OLAP und Data Mining, welche heute zumindest in größeren Unternehmen gängige Praxis darstellen.¹⁸

2.2.1 OLAP (On-Line Analytical Processing)

OLAP steht für On-Line Analytical Processing und stellt die Datenanalyse mithilfe eines Würfelsystems dar. Dabei soll eine kritische Sichtweise auf Daten mit betriebswirtschaftlichen Dimensionen eingenommen werden. Dazu gibt es verschiedene Operationen für die Analyse. OLAP kann z.B. darstellen, welches Produkt in welcher Region in welchem Zeitraum eingekauft wurde.

Der Endanwender kann sich seinen Wünschen nach schrittweise navigieren. Eine Dimension entspricht einer Menge mit mindestens zwei Elementen, nach der sich Daten eindeutig zuordnen und gliedern lassen. Kombiniert man zwei Dimensionen miteinander, entsteht eine Tabelle, während die Kombination von drei Dimensionen die Modellierung eines Würfels ergibt. Gibt es keinerlei Beschränkungen von Dimensionen, so spricht man von einem Hyperwürfel.¹⁹

2.2.2 Data Mining

Data Mining verbindet Methoden der Statistik, Künstlichen Intelligenz (KI), Machine Learning und Informatik.²⁰ Erste computergestützte Datenanalysen zur Mustererkennung lassen sich bis in die 60er Jahre zurückverfolgen.²¹ Data Mining erlaubt ein effizientes Forecasting. Der Forcast ist ein signifikantes Controllinginstrument und erstellt, basierend auf bereits analysierten Daten, eine Modellbildung, um Vorhersagen über zukünftige Ereignisse treffen zu können.²²

2.3 Berichtswesen

„Berichtswesen dient dazu, die Geschäftslage (Zustand eines Unternehmens) bzw. die Geschäftsentwicklung aktuell, informativ, in benutzerfreundlicher Form und in angestrebter Datenqualität dem Management profilgerecht am gewünschten Ort jederzeit bereitzustellen.”²³ Das Berichtswesen ist auch unter dem Begriff Reporting bekannt.

Da Fachkompetenzen und Lizenzen für MS-Excel in Unternehmen i.d.R. vorhanden sind, hat sich daraus ein Standardvorgehen entwickelt. Doch eignet es sich schlecht für den parallelen Zugriff mehrerer Anwender, ein Metadatenmanagement ist nicht vorgesehen und es ist aufwendig, unterschiedliche Datenquellen zu integrieren.²⁴

Statt in rein numerischer Form lassen sich Daten in BI-Tools in benutzerfreundlichen Grafiken darstellen. So stehen Informationen schneller zur Verfügung (z.B. nach drei Minuten anstatt erst nach fünf Wochen).²⁵ Dashboards bieten zur Visualisierung eine gute Möglichkeit, Zeitreihen-, Betriebs- und Soll-/Ist-Vergleiche zu simulieren.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Management Dashboard (Quelle: Meyer-Seidt, o. J., S.28)

2.4 Unternehmenssteuerung

Eine wichtige Aufgabe von BI ist die Unterstützung in der Unternehmenssteuerung. Nach dem Sammeln, Filtern, Analysieren und Visualisieren der Daten ist es von Relevanz, Strategien und Handlungen für das Management abzuleiten. Wurde Controlling anfangs seiner Schöpfung den Bereichen Rechnungswesen und Finanzen zugeordnet, bewegt es sich zunehmend zu einer verantwortungsvollen Beratungsfunktion für die Planung, Steuerung und Entscheidungsunterstützung.

„Die Methoden der Unternehmenssteuerung [...] stellen dem mittleren und höheren Management in allen Funktionsbereichen eines Unternehmens und dort bei allen Planungs-, Entscheidungs- und Kontrollaufgaben die gewünschten Daten und Informationen [...] nutzerspezifisch zur Verfügung.”²⁶ Während Daten die Fakten sind, die in einer Datenbank verwaltet werden, bilden Informationen die während des ETL-Prozesses erfolgte Darstellung der ursprünglich aufbereiteten Daten in einer Form, dass eine Entwicklung, ein Trend oder ein Konzept klar erkennbar ist.²⁷

Oft kommt es vor, dass das Controlling die Ressourcen, die sich mit der Erfassung, der Aufbereitung und der Weiterverarbeitung von Rohdaten beschäftigen, für die Analyse nutzen möchte, doch die IT schafft es nicht, das konsolidierte Material zu liefern, deshalb möchte es das Controlling selbst erledigen.²⁸ Damit wird sich das Tätigkeitsfeld des Controllers erweitern und es werden zunehmend IT-Kenntnisse verlangt. Jedoch sollen die vielen neuen Big Data-Berufe nicht unbedingt den Controller ersetzen, sondern lediglich ergänzen. Doch werden gerade kleine und mittelständige Unternehmen nicht die verfügbaren Ressourcen für Big Data-Spezialisten haben.²⁹ Hier sind Controller gefordert, sich weiterzuentwickeln, wobei die hierfür erforderliche Informations- und Methodenkompetenz rund um BI und Big Data einen nicht unerheblichen Aus- und Weiterbildungsbedarf impliziert.³⁰

3. Controlling in der Distributionslogistik

Das Logistikcontrolling unterstützt das Logistikmanagement durch eine Informationsbeschaffung bei der Planung, Koordination und Steuerung.³¹ Dabei geben Kennzahlen Auskunft über Prozesse, Leistungen und Kosten.³² Zudem kann man Kennzahlen logisch zu ganzen Kennzahlensystemen verknüpfen.

Die Distributionslogistik ist ein Teilgebiet der Unternehmenslogistik. „Die Aufgabe der Distributionslogistik ist die art- und mengenmäßige Bereitstellung von Produkten und/oder Handelswaren für die nachfragenden Kunden und Abnehmer.”³³ Operative Aufgaben der distributionslogistischen Planung sind: Auftragsabwicklung, Lagerhaltung, Kommissionierung und Verpackung, Transportmanagement und Tourenplanung.³⁴ Dabei spielen Informationssysteme eine zentrale Rolle.

„In großen Logistikunternehmen laufen heute bis zu 500 unterschiedliche Programme, von der Zollabwicklung über die Lagerverwaltung bis hin zur Pick-by-Light-Kommissionierung.”³⁵ Eine Informationslogistik muss dabei die richtigen Informationen, zur richtigen Zeit, im richtigen Format, in der richtigen Qualität, für den richtigen Adressaten, am richtigen Ort, zu den richtigen Kosten zur Verfügung stellen.³⁶ Informationen können dem Materialfluss vorauseilen (Bestellungen), den Materialfluss begleiten (Lieferscheine), oder nach den Materialfluss übermittelt werden (Eingangsbestätigungen).³⁷ Gerade die Distributionslogistik ist im Gegensatz zu den anderen Logisitkprozessen stark von der Informationstechnologie durchdrungen.³⁸ Der Informationsfluss erfolgt durch die administrative Ebene, Bestandsmanagementebene, Transportmanagementebene und operative Ebene.³⁹

3.1 Auftragsabwicklung

Der Prozess in der Distributionslogistik beginnt i.d.R. mit einem Auftrag. Um den Auftragsdurchlauf zu planen und zu überwachen, wird für jeden distributionslogistischen Prozessschritt ein Auftragsstatus festgelegt. Für jeden Prozessschritt wird ein Soll-Termin geplant. Wurde der Prozessschritt erfolgreich durchgeführt, wird der Ist-Termin dokumentiert. Damit entsteht für jeden Kundenauftrag ein Überblick, wie weit er bereits bearbeitet ist und wie viel Zeit die Auftragsbearbeitung noch in Anspruch nehmen wird. Durch die Soll-/Ist-Kontrolle kann die Leistungsfähigkeit des Auftragsabwicklungsprozesses überwacht und Kennzahlen wie die Lieferzeit oder Lieferzuverlässigkeit ermittelt werden.⁴⁰

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Auftragsdurchlauf (Quelle: Koether, 2014, S.28)

Bei dieser Kontrollfunktion des Logistikcontrollings unterstützen passende Informationssysteme bei der Transaktion, Auftragserfassung und Auftragssteuerung. Ein bekanntes System ist Enterprise Resource Planning (ERP).

Ein ERP-System stellt das zentrale administrative Informationssystem dar und sichert, verwaltet und verarbeitet Daten aus den Bereichen Produktion, Materialwirtschaft, Anlagenwirtschaft, Forschung und Entwicklung, Personalwesen, Vertrieb, Finanzwesen und Controlling, die über eine gemeinsame Datenbasis in Form einer relationalen Datenbank miteinander verknüpft sind.⁴¹

Bei den Daten im ERP-System handelt es sich um Stammdaten und Bewegungsdaten. Während Stammdaten sich durch eine gewisse Statik kennzeichnen lassen, von mehreren Unternehmensbereichen angewendet werden (z.B. Materialstammdaten in Konstruktion, Vertrieb), bei analytischen Auswertungen die Kriterien bilden, nach denen ausgewertet werden soll (z.B. Produkt, Filiale) und meistens langfristig gesichert werden (z.B. Kundendaten, Artikelnummern), sind Bewegungsdaten dynamisch und werden nur zeitlich begrenzt benötigt und demnach kurz- oder mittelfristig vorgehalten (z.B. Lagerzugangs- und -abgangsdaten, Bestell- und Auftragsdaten).⁴² Allerdings weist das Management der Stammdaten eine hohe Komplexität auf, denn je nach Zuschnitt eines Artikels bedarf es einer Optimierung von bis zu 130 logistischen Parametern.⁴³ Größere Unternehmen haben abgesehen davon meist eine Vielzahl unterschiedlicher ERP-Systeme im Einsatz.⁴⁴

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Kennzahlen im Bereich Warenausgang (in Anlehnung an: Ehrhardt, 2012, S.70)

3.2 Lagerhaltung und Bestandsplanung

Das Distributionslager bzw. der Warenausgang ist zuständig für das Verpacken der ausgelagerten und kommissionierten Güter, die Bereitstellung der verpackten Güter zum Versand und das Abbuchen der ausgelagerten Güter vom Lagerbestand.⁴⁵ Immer wichtiger wird dabei die Informationstechnik. „Der Stillstand eines Lagers bei nicht reibungslos funktionierender IT bedeutet heute ein Schadensausmaß wie es in der Vergangenheit nur bei Produktionsprozessen bekannt war.”⁴⁶ Diese Aussage verdeutlicht die Relavanz eines Warehouse Management Systems (WMS). Warehouse Management bezeichnet die Steuerung, Kontrolle und Optimierung komplexer Lager- und Distributionssysteme und hat neben der Lagerplatz- und Fördermittelverwaltung auch Funktionen zur Kontrolle der Systemzustände.⁴⁷

Die Lagerhaltung und damit auch das WMS sind von vielen Daten geprägt. Beispiele sind Kennzahlen über Fehlmengendokumentation aus Inventur, Kommissionier-Picks, Einlagerung pro Staplerfahrer, Wartezeiten pro Fahrzeug, Laufzeiten, Ausfallzeiten, Wartungskosten etc.⁴⁸ Big Data wird mit hoher Wahrscheinlichkeit in WMS Einzug halten und die aktuellen Auswertungen und Kennzahlen erweitern.⁴⁹ Ein weiterer Aspekt sind die Kosten. Je mehr Lagerstandorte, desto höher sind die Bestände, desto höher die Bestands- und Lagerkosten, und desto geringer ist der Lagerumschlag an jedem Standort.⁵⁰

Eine typische Planungsaufgabe ist die Bestandsplanung. Kennzahlen können bei der Bestandsanalyse hilfreich sein. Das Bestandsmanagement stellt jedoch hohe Anforderungen an die erforderlichen Kennzahlen. Diese müssen eindeutig sein und die Relation zwischen Bestand und Kennzahl klar ableitbar. In der Praxis werden verstärkt Verhältniskennzahlen angewendet (z.B. Umschlaghäufigkeit), die eine frühere Auskunft über die Bestandsentwicklung geben können als Inventurdaten.⁵¹

Das Supply Chain Management (SCM) stellt auch hohe Anforderungen. Nur eine kollaborative Planung mit einem aussagekräftigen Controlling führt zu reduzierten Sicherheitsbeständen, verkürzten Durchlaufzeiten und zur Gewinnsteigerung entlang der gesamten Wertschöpfungskette.⁵² Abb. 4 illustriert die Bestandsentwicklung eines Distributors im Rahmen des Bullwhip-Effektes, welche von Überbeständen und Nullbeständen geprägt ist. Dieser Effekt beschreibt eine immer größere Nachfrageschwankung vom Einzelhändler bis hin zum Produzenten.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Bestandsentwicklung beim Distributor (Quelle: Laverentz, o.J., S.12)

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Kennzahlen im Bereich Lager (in Anlehnung an: Ehrhardt, 2012, S.70)

3.3 Verpackung und Kommissionierung

Bei der Verpackung der Güter gilt es folgende Logistikfunktionen zu erfüllen⁵³:

- Schutzfunktion: Mengenverlust, Verunreinigung, Klima, Beschädigung
- Lager- und Transportfunktion: Ausnutzung von Lagerflächen
- Rationalisierungsfunktion: einheitenbildend, stapelbar, flächensparend
- Identifikations-/Verkaufsfunktion: Kennzeichnung, Vorsichtsmarkierung
- Verwendungsfunktion: leicht zu öffnen, wiederverschließbar, nachhaltig

[...]

---

¹ Vgl. Krupp et al., 2010, S.78

² Vgl. Müller et al., 2013, S.252

³ Vgl. Krupp et al., 2010, S.17 f.

⁴ Vgl. Gluchowski et al., 2016, S.286

⁵ Vgl. Bachmann et al., 2011, S.22

⁶ Groß et al., 2017, S.75

⁷ Vgl. Müller et al., 2013, S.3

⁸ Vgl. Kemper et al., 2006, S.1 f.

⁹ Vgl. Frodl, 1998, S.27 ff.

¹⁰ Vgl. Gleich et al., 2014, S.29

¹¹ Vgl. Gluchowski et al., 2016, S.34 f.

¹² Vgl. Meyer-Seidt, o. J., S.22

¹³ Vgl. Gluchowski et al., 2016, S.9

¹⁴ Vgl. Wannenwetsch, 2005, S.89

¹⁵ Vgl. Gomez et al., 2006, S.33

¹⁶ Vgl. Westerman, 2000, S.30

¹⁷ Vgl. Bachmann et al., 2011, S.79

¹⁸ Vgl. Gluchowski et al., 2006, S.19

¹⁹ Vgl. Alpar et al., 2014, S.240

²⁰ Vgl. Müller et al., 2013, S.75

²¹ Vgl. Kemper et al., 2006, S.106

²² Vgl. Grönke et al., 2017, S.35 f.

²³ Müller et al., 2013, S.238

²⁴ Vgl. Groß et al., 2017, S.73

²⁵ Vgl. Westerman, 2000, S.41

²⁶ Müller et al., 2013, S.121

²⁷ Vgl. Westerman, 2000, S.41

²⁸ Vgl. Bachmann et al., 2011, S.28 f.

²⁹ Vgl. Gleich et al., 2014, S.60

³⁰ Vgl. Gleich et al., 2014, S.23

³¹ Vgl. Czenskowsky et al., 2007, S.36 f.

³² Vgl. Luczak et al., 2004, S.33

³³ Martin, 2014, S.7

³⁴ Vgl. Wagschal, o. J., S.35

³⁵ ten Hompel, 2012, S.5

³⁶ Vgl. Groß et al., 2017, S.34

³⁷ Vgl. Koether, 2014, S.147

³⁸ Vgl. Hausladen, 2014, S.168

³⁹ Vgl. Martin, 2014, S.504

⁴⁰ Vgl. Koether, 2014, S.28

⁴¹ Vgl. Göpfert et al., 2014, S.43

⁴² Vgl. Vallée et al., o. J. A, S.30

⁴³ Vgl. Capellmann, 2014, S.108

⁴⁴ Vgl. Krupp et al., 2010, S.37

⁴⁵ Vgl. Koether, 2014, S.102

⁴⁶ Arnold et al., 2006, S.28 f.

⁴⁷ Vgl. ten Hompel et al., 2005, S.8

⁴⁸ Vgl. ten Hompel et al., 2005, S.60

⁴⁹ Vgl. Totz, 2016, S.61

⁵⁰ Vgl. Koether, 2014, S.92

⁵¹ Vgl. Stern, o.J., S.65

⁵² Vgl. Wannenwetsch, 2005, S.I

⁵³ Vgl. Martin, 2014, S.71