Unter den Buzz-Words, die die Titel der Fachpresse in letzter Zeit f\u00fcllten, ragen die Begriffe Internet der Dinge, Industrie 4.0 und Big Data deutlich heraus. Und bei Big Data assoziiere ich prim\u00e4r die Googles, Facebooks und Handy-Apps dieser Welt; Datenkraken, die moralisch eher schlecht als recht alles an Informationen sammeln, was ihnen in die Fangarme ger\u00e4t. Big Data ist, wie Viktor Mayer-Sch\u00f6nberger vom Oxford Internet Institute es charakterisiert, \u201ewenn sich aus einer gro\u00dfen Menge Daten Einsichten in die Wirklichkeit gewinnen lassen, die sich mit einer kleineren Menge nicht h\u00e4tten gewinnen lassen\u201c.<\/strong><\/p>\n In meinem Arbeitsumfeld, dem Material Management, finden sich auch in unseren Unternehmen gro\u00dfe Mengen von Daten, die uns Einsichten zur Optimierung unserer Materialwirtschaftsstrategien vermitteln k\u00f6nnten, die wir aus kleineren Datenmengen nicht gewinnen w\u00fcrden. Einsichten, die Unternehmen heute fehlen, wenn ihnen die geeigneten Big Data Werkzeuge fehlen, sie auszuwerten.<\/p>\n Zudem besteht das Problem solcher Big Data Anwendungen darin, dass in der Vielzahl der gefundenen zuf\u00e4lligen Korrelationen die Kausalit\u00e4ten versteckt bleiben. Der Wald der Pseudo-Wahrheiten verbirgt den Baum der Erkenntnis; Obfuscation nennt sich das im Neusprech.<\/p>\n Doch werfen wir einmal einen Blick in die Zukunft, die schon l\u00e4ngst begonnen hat. Die ersten Werkzeuge, um dem Datenschatz des Material Managements strategische Erkenntnisse abzuringen und damit die Planungs- und Steuerungsabl\u00e4ufe wirtschaftlicher und effizienter zu gestalten, sind l\u00e4ngst dem Labor entstiegen und haben sich im Praxiseinsatz bew\u00e4hrt.<\/p>\n Um dem Problem der Obfuscation zu entkommen, besteht der Kern der Methodik aus Simulationen, mit denen anhand empirischer Daten \u00fcberpr\u00fcft wird, wie sich unterschiedliche Einstellungen von Planungs-, Steuerungs- Dispositionsparametern und Stammdaten auf die Wirtschaftlichkeit des Materialstroms durch die Wertsch\u00f6pfungskette auswirken. Auf dieser Basis l\u00e4sst sich der gesamte Wertstrom durch eine Supply Chain hindurch strategisch optimieren und wirtschaftlich verbessern.<\/p>\n Der Ansatz ist durchaus vergleichbar mit andern Simulationsans\u00e4tzen, z.\u2009B. der Crash-Simulation neuentwickelter Karosserien im CAD-System. Gecrasht wird der Wertstrom allerdings nicht gegen idealtypische Hindernisse (= Planbedarfe), sondern gegen die reale empirische Bedarfssituation der Vergangenheit. Eine solche Materialwirtschaftssimulation ersetzt dabei nicht den Fachmann, der die Simulationsergebnisse interpretieren und daraus Schl\u00fcsse ziehen kann. Optimierungsprozesse werden jedoch drastisch beschleunigt, Risiken deutlich verringert, es werden qualitativ weit bessere Ergebnisse erreicht und Planungs- wie Dispositionsprozesse k\u00f6nnte massiv automatisiert werden.<\/p>\n Die Simulationsergebnisse werden einerseits in Dispositionsregelwerken abgebildet. Andererseits k\u00f6nnen besonders dynamische Parametereinstellungen durch Simulationsprozesse \u00fcberpr\u00fcft und automatisch nachjustiert werden. Im Handels-, Beschaffungs- und Distributionsbereich reichen die Ergebnisse weiter als in der Produktion. Speziell die Unternehmen Hansa-Flex (Hydrauliksystemanbieter), Trost (Independent Automotive Aftermarket) und STO (Fassadenfarben und W\u00e4rmed\u00e4mmverbundsysteme) sind hier der tr\u00e4gen Masse weit voraus.<\/p>\n Kein anderes Handlungsfeld in der Materialwirtschaft bietet solche Verbesserungsspr\u00fcnge. Wann springen Sie?<\/p>\n","protected":false},"excerpt":{"rendered":" Big Data hat auch die Materialwirtschaft erreicht Unter den Buzz-Words, die die Titel der Fachpresse in letzter Zeit f\u00fcllten, ragen die Begriffe Internet der Dinge, Industrie 4.0 und Big Data deutlich heraus. Und bei Big Data assoziiere ich prim\u00e4r die Googles, Facebooks und Handy-Apps dieser Welt; Datenkraken, die moralisch eher schlecht als recht alles an<\/p>\n","protected":false},"author":25,"featured_media":30237,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"categories":[1585,1588],"tags":[656,654,31,657,37,429],"class_list":["post-11660","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-digitale-transformation","category-materialdisposition","tag-big-data","tag-industrie-4-0","tag-management","tag-materialwirtschaft","tag-simulation","tag-wertstrom"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t