Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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:
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
4 |
Agenda
Umsetzungsstand in den Unternehmen3
Künstliche Intelligenz – wovon reden wir eigentlich1
KI und Data Analytics - Anwendungsfelder in Logistik und SCM2
Herausforderungen von KI4
5
Zusammenfassung und Ausblick6
Ansatzpunkte zur Implementierung
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
6 |
Agenda
Umsetzungsstand in den Unternehmen3
Künstliche Intelligenz – wovon reden wir eigentlich1
KI und Data Analytics - Anwendungsfelder in Logistik und SCM2
Herausforderungen von KI4
5
Zusammenfassung und Ausblick6
Ansatzpunkte zur Implementierung
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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)
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
8 |
Agenda
Umsetzungsstand in den Unternehmen3
Künstliche Intelligenz – wovon reden wir eigentlich1
KI und Data Analytics - Anwendungsfelder in Logistik und SCM2
Herausforderungen von KI4
5
Zusammenfassung und Ausblick6
Ansatzpunkte zur Implementierung
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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.
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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.
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
12 |
Agenda
Umsetzungsstand in den Unternehmen3
Künstliche Intelligenz – wovon reden wir eigentlich?1
KI und Data Analytics - Anwendungsfelder in Logistik und SCM2
Herausforderungen von KI4
5
Zusammenfassung und Ausblick6
Ansatzpunkte zur Implementierung
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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 %
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
15 |
Agenda
Umsetzungsstand in den Unternehmen3
Künstliche Intelligenz – wovon reden wir eigentlich?1
KI und Data Analytics - Anwendungsfelder in Logistik und SCM2
Herausforderungen von KI4
5
Zusammenfassung und Ausblick6
Ansatzpunkte zur Implementierung
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
21 |
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
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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.
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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!
do innovation13. November 2019, Hamburg© Prof. Dr. Wolfgang Kersten / Sebastian Lodemann, MSc.
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