Welchen Einfluss hat KI auf KMU-Prozesse und Mitarbeiter? · 4 Herausforderungen von KI 5 Ansatzpunkte zur Implementierung 6 Zusammenfassung und Ausblick. do innovation ... 6 Zusammenfassung

do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.

0 |

do.innovation: Künstliche Intelligenz in der Logistik

13. November 2019, Hamburg

Prof. Dr. Dr. h. c. Wolfgang Kersten; Sebastian Lodemann, M. Sc.

Welchen Einfluss hat KI auf KMU-Prozesse und Mitarbeiter?Ein Einblick in den Bereich Supply Chain Management

Photo by NASA on Unsplash Photo by Markus Spiske on Unsplash


1 |

ForschungsschwerpunkteInstitut für Logistik und Unternehmensführung

Logistik und Supply Chain Management

Innovation

Risiko-management

Praxis

Komplexitäts-management

Digitalisierung & Industrie 4.0

AngewandteManagement-

methoden

Theorie

Nachhaltigkeit


2 |

Mittelstand 4.0-Kompetenzzentrum Hamburg (M4.0HH)Forschungsprojekt

▪ Unter der Förderinitiative „Mittelstand 4.0“ zielt das Projekt auf die Unterstützung von Mittelstand und Handwerk bei der digitalen Transformation der Wertschöpfung, der Vernetzung der Produktion und Anwendung von Industrie 4.0.

▪ Insb. Unternehmen der Metropolregion Hamburg sollen durch Veranstaltungsformate wie Workshops, Seminare, Vorträge, Messebesuche und Schulungen erreicht werden.

▪ Ein besonderer Fokus des Mittelstand 4.0-Kompetenzzentrums Hamburg liegt auf dem Bereich Logistik.

➢In der gerade gestarteten 2. Phase stellt die Einführung von KI einen Schwerpunkt dar!

Projektzeiträume:11/2016 – 10/201911/2019 – 10/2021

Projektinhalt/-zielsetzung:

Projektpartner:


3 |

Agenda

Umsetzungsstand in den Unternehmen3

Künstliche Intelligenz – wovon reden wir eigentlich1

KI und Data Analytics - Anwendungsfelder in Logistik und SCM2

Herausforderungen von KI4

Ansatzpunkte zur Implementierung5

Zusammenfassung und Ausblick6


4 |

Agenda





5


Ansatzpunkte zur Implementierung


5 |

Künstliche Intelligenz – ein unklarer BegriffDefinition und Motivation

BMWi (2018), Brain by Wes Breazell from the Noun Project

Die „schwache“ KI ist fokussiert auf die Lösung konkreter Anwendungsprobleme auf Basis der Methoden aus der

Mathematik und Informatik, wobei die entwickelten Systeme zur Selbstoptimierung fähig sind. Dazu werden auch Aspekte

menschlicher Intelligenz nachgebildet und formal beschrieben bzw. Systeme zur Simulation und Unterstützung

menschlichen Denkens konstruiert.

„Starke KI“ will allgemeine Intelligenz schaffen, die der des Menschen gleicht oder diese übertrifft


6 |

Agenda





5




7 |

Use Cases von KI in SCM: Eine ÜbersichtVerschiedene Anwendungsfälle von KI in der Wertschöpfungskette

Eigene Abbildung basierend auf Lambert et al (1998); DHL (2018), DHL (2013), Deloitte (2019)


8 |

Agenda





5




9 |

Innovative Technologien

Kersten et al. (2017)

Trends und innovative Technologien

▪ Blockchain

▪ Infrastructure as a Service

(IaaS)

▪ Plattform as a Service (PaaS)

▪ Software as a Service (SaaS)

▪ Kundenbindungsprogramme

▪ Enterprise-Resource-

Planning-Systeme (ERP)

▪ Warehouse Management-

Systeme (WMS)

▪ Augmented Reality oder Pick

by Vision

▪ Einsatz von Wearables

▪ Pick by Voice

▪ Pick by Light

▪ Mobiler Datenzugriff für

Mitarbeiter

▪ Unternehmensübergreifende

Maschine-zu-Maschine-

Kommunikation

▪ Analyse von Daten aus

Social Media-Plattformen

▪ Mobiler Datenzugriff für

Kunden

▪ Webbasierte

Kommunikationsplattformen

▪ Prädiktive Wartung

▪ Prädiktive Analyse

▪ RFID zur Objektverfolgung

▪ Lokalisierungstechnologien

▪ Sensorik zur Überwachung

▪ 2D-Codes

▪ Drohnen

▪ Selbstfahrende

Landfahrzeuge

▪ Fahrerlose Transportsysteme

▪ Roboter

künftiges Wachstum

Prädiktive Analyse

Mobiler

Datenzugriff für

Kunden

Sensorik zur

Überwachun

g

sehr

hoch

sehr hoch

sehr

gering

sehr gering

Rele

van

z d

er

Techn

olo

gie

kon

ze

pte

Stand der

Umsetzung

künftiges Wachstum

Predictive

Analytics

Drohnen

Selbstfahrende

Landfahrzeuge

Analyse von Daten

aus Social Media-

Plattformen

Webbasierte

Kommunikations-

plattformen

Enterprise-Resource-

Planning-Systeme

(ERP)

Augmented Reality

oder Pick by Vision

Predictive

Maintenance

Infrastructure

as a Service (IaaS)

Autonome

Systeme

IT-Services

Informationsaustausch

Datenerhebung

Assistenzsysteme

Datenanalyse

Advanced Analytics Anwendungen wurden in der BVL Studie bereits 2017 als zentrale Handlungsfelder identifiziert. In vielen Unternehmen werden die Voraussetzungen geschaffen und erste Anwendungsfälle implementiert.


10 |

Relevanz und Umsetzungsstand von Supply Chain AnalyticsUnsere Umfrage zeigt eine Diskrepanz zwischen der Relevanz und dem Status Quo auf

Lodemann & Kersten (2020, in press)

n = 76

5%

4%

7%

5%

29%

50%

UNBEKANNT

SEHR GERING

GERING

MITTEL

HOCH

SEHR HOCH

0% 10% 20% 30% 40% 50% 60%

Relevanz Supply Chain Analytics

17%

5%

17%

24%

28%

9%

NICHT GEPLANT

UMSETZUNG GEPLANT IN > 5 JAHREN

UMSETZUNG GEPLANT IN < 5 JAHREN

BEREITS JETZT GERINGFÜGIG UMGESETZT

BEREITS JETZT TEILWEISE UMGESETZT

BEREITS JETZT UMFASSEND UMGESETZT

0% 5% 10% 15% 20% 25% 30%

Umsetzungsstand Supply Chain Analytics

Relevanz und Umsetzungsstand von Data Analytics im Supply Chain Management weisen Diskrepanz auf. Besonders Unternehmen in einem initialen Stadium benötigen oft strukturierte Unterstützung.


11 |

SC Analytics - Status Quo in den Unternehmen

BVL Workshop “Supply Chain Analytics“ vom 20.02.19

Mittelständler in der Metropolregion Hamburg wiesen Anfang 2019 einen diversen Wissensstand und einen überwiegend niedrigen Umsetzungsstand auf


12 |

Agenda


Künstliche Intelligenz – wovon reden wir eigentlich?1



5




13 |Deloitte (2019)

Herausforderungen aus verschiedenen Perspektiven

Meistgenannte Herausforderungen bei KI-Initiativen

An 1. Stelle genannt Innerhalb Top 3 genannt

Data Issues 20 % 40 %

Fehlende Kompetenzen 9 % 36 %

Nachweis des Mehrwerts von KI 4 % 35 %

Einbindung von KI in bestehende Prozesse 14 % 34 %

Identifizieren der richtigen Use Cases 11 % 33 %

KI-Entwicklungskosten 12 % 31 %

Hürden bei Implementierung 8 % 30 %


14 |

▪ Situation:Konkurrenz bei der Anlagenoptimierung durch branchenfremde Wettbewerber (IBM, SAP, Start-up-Unternehmen)

▪ Lösung: Sensoren und Cloud-basierte Plattformen,Fähigkeiten zur Datenanalyse(Kooperationen & Beteiligungen) Angebot neuer datengestützter Dienstleistungen:Echtzeitanalyse der Daten für effizientere Nutzung der Windenergieanlagen

▪ Ertragsmechanik: prozentualer Anteil des Kundennutzensfestgelegt in Contractual Service Agreements(durch Kostenreduzierung oder Umsatzsteigerung)

Photo by Karsten Würth (@karsten.wuerth) on Unsplash

Herausforderung Geschäftsmodell - Beispiel General Electric (GE)

Die auf Hardware-Verkauf ausgerichtete Branchenlogik wird durchbrochen. Software-Entwicklung und Datenanalyse wurde auch in anderen Geschäftsbereichen implementiert.

Datenanalyse für Windenergieanlagen


15 |

Agenda


Künstliche Intelligenz – wovon reden wir eigentlich?1



5




16 |

Roadmap zum datengetriebenen UnternehmenEntwicklungsprozess: Modular und sequenziell

Eigene Darstellung, Porter (1986)

KI in Logistik/SCM

Transparenz von Prozessen

Sammlung und Aufbereitung von Daten

Wissen und Qualifikationen erwerben

Verständnis bei Mitarbeitern schaffen

Basis:Daten, Prozesse,

Menschen

Betrachtung von Supply Chain Daten

Hinzufügen von externen Daten

Interne Erweiterung der Datenbasis

Lernen am konkreten aber

begrenzten Problem

Plan: Analyse Ist-Situation / Abgleich

Vision

Do: Umsetzung von Maßnahmen

Check: Bewertung der Ergebnisse

Act: Ergebnisse standardisieren

Plan: Analyse Ist-Situation / Abgleich

Vision

Do: Umsetzung von Maßnahmen

Check: Bewertung der Ergebnisse

Act: Ergebnisse standardisieren


17 |

Problemgetrieben:„Wie kann ich mein operativesProblem mit Daten lösen?“

Technologiegetrieben:„Wie kann ich diese Technologiezur Datenanalyse einsetzen?“

Transparenzgetrieben:„Wie kann ich mein Verständnis für diesen Bereich mit Daten verbessern?“

Transfergetrieben:„Wie kann ich eine zu einer anderen Institution passende Anwendung aufbauen?“

Datengetrieben:„Wie kann ich diese vorliegendenDaten wertschöpfend nutzen?“

Mögliche Treiber für Advanced Data Analytics mit verknüpften Erfolgsfaktoren

Lodemann & Kersten (2020, in press)

Was motiviert Analytics in meinem Unternehmen?

Inhaltlich

Check Daten-verfügbarkeit

Inhaltlich

Stakeholder (Intern)

Konkreter Problem-

bezug Extern

Stake-holder

(Extern)

Use Case Identifikation

Ressourcen (Intern)

Extern

Bezug

Erfolgs-faktor


18 |Lodemann & Kersten (2020, in press)

Strategisches Mindset impliziert verschiedene Vorgehensweisen

Unternehmensweite strukturelle Reife Analytics

Geschwindigkeit Implementierung neuer Anwendungen

Anwendungsbetontes Vorgehen

Strukturell betontes Vorgehen

Schnell umzusetzende, prototypische Anwendungen„fast failure“ Herangehensweise

Dateninfrastruktur unternehmensweit aufsetzenDatengetriebene Kultur etablieren


19 | Trends und Strategien: Supply Chain quo vadis?von See & Kersten (2018): Arbeiten im Zeitalter des Internets der Dinge

19

Diskussion fokussiert

aktuell stark auf KI als

Technologie

Potenzial der KI in

Logistik und Supply

Chain Management

kann nur gehoben

werden, wenn

Mensch, Technik und

Organisation

ganzheitlich

betrachtet werden

Daten

Digitale Transformation

Technologien

Technik

Nutzen für Kunden

Schlüssel zum Erfolg: Ganzheitliche Betrachtung von Mensch, Technik und Organisation


20 |Kersten et al (2017) ; Eigene Darstellung

0

20

40

60

80

100

Intuitiver Umgangmit IT

Fähigkeit zurAnalyse großerDatenmengen

UmfangreicheProgrammier-

kenntnisse

Umgang mit neuenKommunikations-

medien

InterdisziplinäresDenkvermögen

Experimentier-/Innovationsfreude

Positiver Umgangmit Fehlern

Agilität:anpassungsfähiges,flexibles Handeln

bei Fach- und Führungskräften

bei Fachkräften

bei Führungskräften

Fast Failure-Kompetenzen

IT-Kenntnisse

Zukünftig benötigte Schlüsselkompetenzen (Praxis)

n = 363

Einfluss von KI auf Prozesse und Mitarbeiter – zentrale Erfolgsfaktoren

Technik

OrganisationskulturMethodenauswahlKosten/AufwandIntegration

Technische Infrastruktur Datensicherheit Datensammlung/Verfügbarkeit Datenqualität Datenkomplexität

Know HowKooperation

Erfolgsfaktoren für die Implementierung in SCM (Theorie)

11

12

22

233

33


21 |

Agenda





Ansatzpunkte zur Implementierung5



22 |

KernerkenntnisseZusammenfassung und Ausblick

Data Analytics und die sog. schwache KI sind von

zunehmender Relevanzfür Logistik und Supply Chain Management und bieten Möglichkeiten zur

Differenzierung.

1

Der Umsetzungsstandvon KI in den

Unternehmen hängt der Relevanz nach.

2 3

Eine umfassende Analyse des Datenbestands der

Datenqualität erhöht die Erfolgschancen von KI

Projekten.

4

Die Einführung sollte mit prototypischen

Leuchtturm-Projekten beginnen und dann iterativ fortgeführt

werden

5Eine datengetriebene

Unternehmenskultur ist hilfreich für die

Weiterentwicklung von Entscheidungsprozessen

mit AnalyticsUnterstützung

6Bei verschiedenen

Zielstellungen führen angepasste

Herangehensweisen und spezifische zu

berücksichtigende Erfolgsfaktoren zum Ziel

7

Qualifikation und Akzeptanz der

Mitarbeiter und Führungskräfte sowie

Mut und Ausdauer sind der Schlüssel zum Erfolg!

8

Die use-cases von KI und Analytics sind divers und

über Supply Chain Funktionsbereiche

verteilt.


23 |

Technische Universität HamburgInstitut für Logistik und Unternehmensführung (W-2)

Am Schwarzenberg-Campus 4, Gebäude D 21073 Hamburg

Tel.: 040-42878-3525Fax: 040-42878-2200E-Mail: [email protected]: www.logu.tuhh.de

Prof. Dr. Dr. h. c. Wolfgang KerstenSebastian Lodemann, M. Sc.

kompetenzzentrum-hamburg.digital

Wir freuen uns über Ihren Besuch

Chancen der digitalen Transformation

Vielen Dank für Ihre Aufmerksamkeit!


24 |

Quellen

▪ Deloitte (2019): https://www2.deloitte.com/de/de/pages/technology-media-and-telecommunications/articles/ki-studie-2019.html

▪ DHL (2018): https://www.logistics.dhl/content/dam/dhl/global/core/documents/pdf/glo-core-trend-report-artificial-intelligence.pdf

▪ Kersten, W., Seiter, M., von See, B., Hackius, N. & Maurer, T. (2017). Trends und Strategien in Logistik und Supply Chain Management. Chancen der digitalen Transformation. Hamburg: DVV Media Group.

▪ Bughin et al (2017): Notes from the AI frontier – Modeling the impact of AI on the world economy.

▪ Reinsel et al (2017): Data Age 2025: The Evolution of Data to Life-Critical Don’t Focus on Big Data; Focus on the Data That’s Big.

▪ Gartner (2018): Augment and Automate Supply Chain Decision Making With Advanced Analytics and Artificial Intelligence

▪ Logg et al (2018) Algorithm Appreciation: People prefer algorithmic to human judgment

▪ Ilie-Zudor, E., A. Ekárt, Z. Kemeny, C. Buckingham, P. Welch, and L. Monostori (2015): “Advanced Predictive-analysisbased Decision Support forCollaborative Logistics Networks.” Supply Chain Management: An International Journal 20 (4)

▪ Intel (2019): https://www.intel.com/content/dam/www/public/us/en/images/iot/guide-to-iot-infographic.png

▪ DHL (2013): https://www.dhl.com/content/dam/downloads/g0/about_us/innovation/CSI_Studie_BIG_DATA.pdfvon See, B. & Kersten, W. (2018):Arbeiten im Zeitalter des Internets der Dinge. Wie Qualifikation, Organisation und Führung digital transformiert werden. Industrie 4.0 Management, 34(3), S. 8–12.

▪ Lodemann, S. & Kersten, W. (2020, in press): Identifikation und Umsetzung der Potentiale von Data Analytics im Supply Chain Management. In: Wissenschaft trifft Praxis

▪ Lambert, Douglas M.; Cooper, Martha C.; Pagh, Janus D. (1998): Supply chain management: implementation issues and research opportunities, In: The international journal of logistics management

https://www2.deloitte.com/de/de/pages/technology-media-and-telecommunications/articles/ki-studie-2019.html

Documents

Welchen Einfluss hat KI auf KMU-Prozesse und Mitarbeiter? · 4 Herausforderungen von KI 5 Ansatzpunkte zur Implementierung 6 Zusammenfassung und Ausblick. do innovation ... 6 Zusammenfassung