Big Data im Supply Chain Management

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.


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).


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


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


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.“


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


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


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.


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

[email protected]

Fraunhofer-Institut für Materialfluss

und Logistik

Director Information Management &

Engineering

Joseph-v.-Fraunhofer-Straße 2-4

D-44227 Dortmund

Tel.: +49-231-943-655

[email protected]

Business

Big Data im Supply Chain Management