Content

Hans-Georg Kemper, Henning Baars, Heiner Lasi, 8. Business-Intelligence-Systeme in produzierenden Unternehmen – Neue Ansätze einer ganzheitlichen Informationsversorgung in:

Hans-Georg Kemper, Burkhard Pedell, Henry Schäfer (Ed.)

Management vernetzter Produktionssysteme, page 122 - 136

Innovation, Nachhaltigkeit und Risikomanagement

1. Edition 2011, ISBN print: 978-3-8006-4224-3, ISBN online: 978-3-8006-4225-0, https://doi.org/10.15358/9783800642250_122

Bibliographic information
Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 117 8. Business-Intelligence-Systeme in produzierenden Unternehmen – Neue Ansätze einer ganzheitlichen Informationsversorgung Hans-Georg Kemper, Henning Baars und Heiner Lasi Kapitelübersicht 8.1 Traditionelle Konzepte zur IT-basierten Management- Unterstützung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 8.2 Business Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 8.3 Industrial Intelligence – Neue Business-Intelligence-Konzepte für industrielle Unternehmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 8.4 Umsetzungshemmnisse und die strategische Bedeutung der Digitalisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 8.5 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 Management Summary Industrielle Unternehmen stehen vor der Herausforderung, ihre wertschöpfenden Prozesse hinsichtlich Wandlungsfähigkeit, Ressourceneffizienz und Time-to-Market permanent zu verbessern. Grundlage hierfür ist eine wirksame Entscheidungsunterstützung auf allen operativen und dispositiven Ebenen, die auf einer ganzheitlichen Informationsversorgung basiert. Dieser Beitrag thematisiert die Erweiterung etablierter Business-Intelligence- Konzepte (BI-Konzepte) um die Belange industrieller Unternehmen und stellt Lösungsansätze einer technischen, inhaltlichen und organisatorischen BI-Integration vor. 8.1 Traditionelle Konzepte zur IT-basierten Management- Unterstützung Wandlungsfähigkeit, Ressourceneffizienz und Time-to-Market sind Schlüsselfaktoren für den Erfolg industrieller Unternehmen. Die genannten Größen werden maßgeblich durch die wertschöpfenden Prozesse determiniert, weshalb deren Planung, Überwachung und Steuerung ein zentraler Stellenwert Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 118 118 8. Business-Intelligence-Systeme in produzierenden Unternehmen zugesprochen wird. Eine Gemeinsamkeit dieser Aufgaben ist die zentrale Bedeutung des Faktors Information, woraus sich wiederum die Relevanz einer effektiven und effizienten Unterstützung durch Informationstechnik (IT) ergibt. Traditionelle Konzepte der IT-basiertenManagement- und Entscheidungsunterstützung konzentrieren sich vor allem auf taktische und strategische betriebswirtschaftliche Ergebnisgrößen. Da sich jedoch wesentliche Determinanten für den Unternehmenserfolg in operativen Prozessstrukturen sowie in diversen technischen Prozessparametern verbergen, wird hierdurch Potential verschenkt. RelevanteWeichen für die spätere Prozessperformanz werden oftmals bereits in den frühen Phasen des Produktentwicklungsprozesses sowie bei der Fabrik- und Produktionsplanung gestellt. Bislang mangelt es an Konzepten, die dies berücksichtigen und eine ganzheitliche produkt- und fabriklebenszyklus- übergreifende Planung, Steuerung und Kontrolle unterstützen. Inhalt des vorliegenden Beitrags sind neue Business-Intelligence-Konzepte, die eine entsprechend integrierte Informationsversorgung erlauben und dabei gleichermaßen technische, inhaltliche und organisatorische Fragestellungen berücksichtigen. Im Folgenden wird zunächst der Begriff „Business Intelligence“ (BI) als integrierter Ansatz für die IT-basierte Entscheidungsunterstützung eingeordnet. Hierbei werden gängige Komponenten der zum Tragen kommenden IT-Systeme anhand eines dreistufigen Ordnungsrahmens vorgestellt. Es wird ausgeführt, dass der ganzheitlich-integrative Charakter der BI technische, inhaltliche und organisatorische Aspekte umfasst, und anschließend erörtert, mit welchen Ansätzen BI auf prozessorientierte Anwendungsfelder übertragen werden kann. Hierauf setzt ein an der Universität Stuttgart entwickeltes Konzept für „Industrial Intelligence“ auf. Der Beitrag schließt mit einer kritischen Würdigung sowie einem Ausblick. 8.2 Business Intelligence Dem Phänomen „Business Intelligence“ wird bereits seit einiger Zeit erhebliche Aufmerksamkeit gewidmet. So belegt BI seit Jahren Spitzenplätze in der Liste der wichtigsten IT-Themen im Gartner-CIO-Panel1. Diverse Fachzeitschriften, Konferenzen und Kongresse tragen „Business Intelligence“ im Titel und fast alle namhaften Softwarehäuser haben Systeme und/oder Konzepte für „Business Intelligence“ im Angebot2. Der Begriff ist darüber hinaus mittlerweile auch in der akademischen Welt fest etabliert3. Für den Begriff „BI“ findet sich eine Vielzahl begrifflicher Definitionen. So verstehen einige Autoren BI abstrakt als Prozess der Informations- und Wis- 1 Vgl. Gartner (2006–2009). 2 U.a. SAP, Oracle, IBM, Microsoft und Infor. Auf dem Markt aktiv sind auch diverse Spezialanbieter, z.B. SAS, Teradata, Microstrategy oderQliktech. Eine Übersicht über die im deutschsprachigen Raum aktiven Anbieter findet sich beispielsweise im jährlich erscheinenden „BARC-Guide Business Intelligence“. 3 Vgl. für die deutschsprachigeWirtschaftsinformatik Steininger et al. (2009), S. 487 sowie stellvertretend für die internationale Schwesterdisziplin „Information Systems“ die Ankündigung des Special Issue des Journals Management Information Systems Quarterly, vgl.MISQ (2010). Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 119 8.2 Business Intelligence 119 sensgenerierung für die Entscheidungsunterstützung4. Andere listen in diesem Kontext lediglich konkrete Softwarekomponenten auf5. Weitere Autoren engen hingegen den Begriff BI auf das Architekturkonzept der IT-basierten Managementunterstützung ein6 und an wieder anderer Stelle wird BI als generischer Sammelbegriff für sämtliche Ansätze und Systeme der IT-basierten Managementunterstützung verwendet7. Bei genauerer Betrachtung der von den diversen Autoren diskutierten Sachverhalte zeigt sich jedoch, dass die verschiedenen Abgrenzungen alle den gleichen Gegenstandsbereich mit ähnlichen Dimensionen fokussieren. Im Zentrum steht in allen Fällen die IT-basierte Entscheidungs- und Managementunterstützung, die mithilfe einer Reihe dedizierter IT-Komponenten zur Datengewinnung, -vorhaltung, -aufbereitung und -verteilung umgesetzt wird. Diese Komponenten sind auch in industriellen Unternehmen bereits häufig anzutreffen8, wenngleich der Einsatzschwerpunkt der BI derzeit eher in der Unterstützung betriebswirtschaftlich-administrativer Funktionsbereiche liegt. In originär industriellen Aufgabenmit ausgeprägten technischen Bezügen ist BI bislang noch selten anzutreffen9. Den folgenden Ausführungen wird ein in drei Schichten unterteilter BI-Ordnungsrahmen zugrunde gelegt (vgl. Abb. 1)10. Dieser bezieht explizit auch Komponenten zur Verarbeitung unstrukturierter Inhalte mit ein, etwa PDF-, HTML- oder Textdokumente. Einer Berücksichtigung derartiger Inhalte in der BI wird zunehmend Aufmerksamkeit gewidmet. Unstrukturierte Inhalte sind gerade auch für industrielle Unternehmen relevant, etwa in Form von Patentdokumenten, Prüfberichten, Kundenkontaktprotokollen, der Dokumentation von Produktmängeln etc. Datenbereitstellung: Den Sockel der BI bildet eine auf die Entscheidungsunterstützung ausgerichtete Datenhaltung. Im Mittelpunkt stehen hier „Data Warehouses“ (DWHs) als unternehmens- oder unternehmensbereichsweit integrierte Datensammlungen. Teilweise werden abgegrenzte Datenbereiche auch anwendungsbezogen in „DataMarts“ vorgehalten. DesWeiteren kommen häufig zusätzlich ergänzende Komponenten für die zeitnahe Bereitstellung von Detaildaten in „Operational Data Stores“ (ODS) zum Einsatz. Unstrukturierte Dokumente werden in eigenen Datenhaltungssystemen hinterlegt, den sog. „Content and Document Management Systems“ (CMS/DMS). Die Datenbereitstellung erfordert die Extraktion von Quelldaten aus diversen internen und externen Quellsystemen, die inhaltliche und syntaktische Be- 4 Vgl. z B. Golfarelli/Rizzi/Cella (2004), S. 2; Gansor/Totok/Stock (2010), S. 29. 5 Vgl. Negash (2004), S.178; Eckerson (2006), S.46. 6 Vgl. Moss/Atre (2003), S.4. 7 Vgl. z.B. Gluchowski/Gabriel/Dittmar (2008). 8 So hatten in einer Umfrage der Autoren aus dem Jahr 2007 produzierende Unternehmen einen Anteil von 36% (66) an der Gesamtstichprobe von insgesamt 185 teilnehmenden Anwenderunternehmen. 9 Vgl. TDWI (2010), S. 7. 10 Vgl. Kemper/Baars/Mehanna (2010), S. 10 ff., 15 ff. und 85ff. Vergleichbare Ansätze finden sich auch bei anderen Autoren, so z.B. bei Gluchowski/Gabriel/Dittmar (2008), S.108 ff. Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 120 120 8. Business-Intelligence-Systeme in produzierenden Unternehmen reinigung und Zusammenführung dieser Quelldaten sowie die Definition konsistenter Verdichtungspfade und Kennzahlen. Quellsysteme sind dabei klassischerweise betriebswirtschaftliche Standardanwendungssysteme (z.B. ERP-, CRM- und SCM-Systeme). Zunehmende Beachtung finden auch Extraktionen aus mengenorientiert-technischen Systemen in DWHs, etwa aus MES-, PDM/PLM-, PPS- oder CAx-Systemen. Informationsgenerierung/-distribution: Erst mit der Verfügbarkeit harmonisierter und fehlerfreier Datenwird der Einsatz von Reporting- undAnalysewerkzeugen sinnvoll. Hierfür kannmittlerweile auf eine große Bandbreite an IT-Werkzeugen zurückgegriffen werden: Zusätzlich zu den Systemen für die Berichtserstellung, für die flexible Zusammenfassung von Daten anhand verschiedener Analysedimensionen (OLAP) oder für die Datenmustererkennung (Data Mining) werden auch Werkzeuge angeboten, die spezifische betriebswirtschaftliche Konzepte umsetzen, z.B. für Balanced-Scorecard-Lösungen, für die legale Konsolidierung etc. Des Weiteren können auch Systeme für Planung und Simulation in die BI eingebunden werden. Hiermit werden auch die Antizipation und Bewertung zukünftiger Szenarien möglich, im industriellen Kontext etwa für das Supply Chain Management. Für die Verteilung von Berichten und Analyseergebnissen (Informationsdistribution) werden neben den bereits erwähnten CMS/DMS- Systemen auch weitere Werkzeuge eingesetzt werden, beispielsweise Wikis. Informationszugriff:Auf die diversen Teilsysteme wird heute zunehmend über integrierte und webbasierte Benutzerschnittstellen zurückgegriffen, für die insbesondere sog. „Portalwerkzeuge“ herangezogen werden. Business Intelligence(BI) M et ad at en Data Mart Core Data Warehouse Operational Data Store Analysesysteme Informationsdistribution BI-Portal Content & Document Mgmt. Externe und operative Systeme mit strukturierten und unstrukturierten Daten Externe Daten Datenbereitstellung Informationsgenerierung/ -distribution Informationszugriff Sy st em in te g ra ti o n E-Proc.SCM ERP CRM CAx PPS MES PDM/PLM … … Abb.1: Business Intelligence – Ordnungsrahmen Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 121 8.2 Business Intelligence 121 Neben den vorgestellten Komponenten für die drei Schichten erfordern die oftmals komplexen BI-Infrastrukturen Querschnittsfunktionalität zur Steuerung und Administration der Systeme sowie zur Vorhaltung vonMetadaten (Daten, mit denen BI-Inhalte spezifiziert und/oder erläutert werden). Der ganzheitliche Charakter der Business Intelligence Ein wesentliches Charakteristikum der Business Intelligence ist die Ausrichtung an einer anwendungsübergreifenden Abstimmung von Inhalten und Systemenmit dem Ziel einer ganzheitlichen Informationsversorgung. Dies spiegelt sich auf der Systemebene u.a. in der Etablierung von DWHs als integrierte Datenhaltungssysteme, in der Bereitstellung einheitlicher Zugangssysteme sowie in der Einrichtung einer abgestimmten Metadatenhaltung wider. Motiviert wird eine derart anwendungsübergreifend-infrastrukturelle Ausrichtung u.a. durch die Notwendigkeit einer effizienten Systemerstellung und -wartung, die Bedeutung bereichsübergreifender Anwendungen sowie durch die Zielsetzung einer konsistenten Unternehmenssteuerung. Der Aspekt der Integration geht in der BI deutlich über eine rein technische Ebene hinaus. Er erstreckt sich auch auf fachlich-inhaltliche sowie organisatorische Fragestellungen (vgl. Abb.2). Eine integrierte Managementunterstützung erfordert abgestimmte Kennzahlen, Dimensionen, Metadaten etc., was v.a. in größeren Unternehmungen mit heterogenen Anwendergruppen jedoch nur auf der Basis systematisch konzipierter Strukturen, Prozesse und 11 Kemper/Baars/Mehanna (2010), S. 11. Business Intelligence O rg an is at o ri sc h e In te g ra ti o n Inh altlich e In teg ratio n Technische Integration ■ Data Warehouses ■ Integrierte CMS/DMS ■ Portale ■ Integrierte Administrationsschnittstellen ■ … ■ Übergreifende Kennzahlensysteme ■ Definierte Aggregationspfade ■ Abgestimmte Analysedimensionen ■ Einheitliche Metadaten ■ … ■ BI-Governance (Lenkungs- und Kontrollstrukturen) ■ BI-Competence Center (BICC) ■ BI-Servicekonzepte ■ … Business Intelligence (BI) bezeichnet einen integrierten, unternehmensspezifischen, IT-basierten Gesamtansatz zur betrieblichen Entscheidungsunterstützung. Abb.2: Business Intelligence als ganzheitlicher Ansatz11 Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 122 122 8. Business-Intelligence-Systeme in produzierenden Unternehmen Regelungen gewährleistet werden kann12. Dies konkretisiert sich über die Einrichtung spezialisierter Einheiten, den so genannten BI-Competence Centern (BICC)13, die Entwicklung BI-spezifischer Service- und Betriebskonzepte14 sowie über die Etablierung dedizierter BI-Governance-Konzepte i.S. übergeordneter Lenkungs- und Kontrollstrukturen15. Alle entsprechenden Maßnahmen auf technischer, inhaltlicher und organisatorischer Ebene sind gemäß den jeweils individuellen betrieblichen Anforderungen auszuformen. Auf Grundlage dieser Vorüberlegungen soll „Business Intelligence“ im Folgenden als unternehmensindividueller, integrierter Ansatz für die betriebliche IT-basierte Entscheidungsunterstützung16 verstanden werden, wobei sich die Integration auf technische, inhaltliche und organisatorische Aspekte bezieht (vgl. Abb.2). Wie im weiteren Verlauf diskutiert wird, ist der integrative Charakter der BI auch für neuere prozessbezogene Erweiterungen, die insbesondere in produzierenden Unternehmungen zum Tragen kommen, maßgeblich. Operational BI, Prozessorientierte BI und der Weg zur Industrial-BI Im Laufe der Zeit wurde das Einsatzfeld der BI erheblich erweitert. Dieses betrifft sowohl die betrieblichen Funktionen, die Hierarchieebenen als auch die in den Berichten und Analysen berücksichtigten Gegenstände. Von den diversen Erweiterungen der BI sind für produzierende Unternehmen v.a. solche von besonderer Bedeutung, die einen expliziten Bezug der BI zu operativen Geschäftsprozessen herstellen und damit zu den originär-industriellen Aufgaben mit ihren diversen technisch-ingenieursorientierten Besonderheiten (vgl.Abb.3). Diese Entwicklung zeigt sich auf zwei Ebenen: 1. BI-Komponenten werden in sog. „Operational-BI-Anwendungen“ unmittelbar für eine integrierte Überwachung und Steuerung aktueller Prozessinstanzen eingesetzt, etwa zur Überwachung eines Liefervorgangs. 2. BI-Komponenten werden genutzt, um –wie auch bisher in der BI üblich – kumulierte Datenbestände zu analysieren, wobei jedoch explizit auch prozessorientierte und physikalisch-technische Größen berücksichtigt werden. Hierfür werden zum einen „klassische“ BI-Anwendungen eingesetzt, mit denen technische und betriebswirtschaftliche Kennzahlen zu Prozessergebnissen aufbereitet werden. Eine zweite Anwendungsklasse sind sog. „Business- Process-Intelligence-Lösungen“, mit denen prozessuale Zusammenhänge untersucht und somit Prozessstrukturen analysiert werden können. Drittens werden Anwendungen zur Aufdeckung von Zusammenhängen zwischen technischen Prozessparametern und betriebswirtschaftlichen Phänomenen entwickelt. Sie werden im Folgenden als Deep-Root-Cause-Analysen bezeichnet. 12 Vgl. z.B. Dittmar/Ossendoth (2010); Gansor/Totok/Stock (2010). 13 Vgl.Miller/Bräutigam/Gerlach (2006), S.9 ff.;Unger/Kemper/Russland (2008);Gansor/Totok/ Stock (2010), S.33 f. 14 Vgl. Horakh/Baars/Kemper (2008). 15 Vgl. Gutierrez (2008); Dinter et al. (2008). 16 I. S.v. Kemper/Baars/Mehanna (2010), S.10 f. Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 123 8.2 Business Intelligence 123 Die neueren Anwendungsklassen werden im Folgenden weiter erörtert: Operational BI: Der Einsatz von BI-Technologien zur Steuerung und Überwachung von Prozessen wird üblicherweise als „Operational BI“ bezeichnet17. Hierbei stehen v.a. Funktionalitäten zur Sicherstellung der Datenintegration im Vordergrund, etwa für die Darstellung aktueller Prozesskennzahlen mit Business Activity Monitoring (BAM)-Werkzeugen18. Die BI-Systeme werden dabei zu einem Bestandteil des „Business Process Management“ (BPM), das auf die IT-basierte Überwachung und Steuerung von Prozessen ausgelegt ist. BPM- bzw. BAM-Anwendungen erfordern eine zeitnahe und detaillierte Datenbereitstellung („Real-time Data Warehousing“), die in aller Regel mit Hilfe von ODS-Komponenten umgesetzt wird19. Aus anwendungsorientierter Perspektive ist der Übergang von BAM/BPM- Lösungen zu rein operativen Anwendungen für die Prozessteuerung fließend, weshalb sie in diesem Beitrag nicht weiter vertieft werden. Potential entfalten sie aus BI-Sicht dort, wo sie engmit taktischen und strategischen BI-Anwendungen verzahnt werden, etwa bei einer Einbettung der Geschäftsprozessüberwachung in unternehmensweite Steuerungskonzepte aus dem Umfeld des Business PerformanceManagement20 oder zum unmittelbarenWechsel von der Prozess- überwachung in die Analyse oder Planung. Business Process Intelligence: Speziell für die Analyse der hinter einzelnen Prozessinstanzen (z.B. die Bearbeitung einer Kundenanfrage) stehenden Prozessstrukturen (z.B. der typische Ablauf der Bearbeitung einer Kundenabfrage) 17 Vgl. Gluchowski/Kemper/Seufert (2009), S. 9. 18 Vgl. Golfarelli/Rizzi/Cella (2004), S.3. 19 Vgl.Melchert/Winter (2004), S.536 f.;Golfarelli/Rizzi/Cella (2004), S.3; Kemper/Baars (2009), S.4 f. 20 Vgl. Golfarelli/Rizzi/Cella (2004). Operational BI: BPM- und BAM- Anwendungen (Monitoring und Steuerung von Prozessinstanzen) Geschäftsprozesse BPI- Anwendungen (Analyse von Prozessstrukturen) Deep-Root-Cause- Analysen (Analyse von Prozessparametern) Klassische BI-Anwendungen (Analyse von Prozessergebnissen) Grundlage: kumulierte und aufbereitete Datenbestände (historisch) Grundlage: integrierte Daten zu einzelnen Prozessinstanzen (neartime) DWH- und ODS-basierte Datenintegrationsplattform Abb.3: Prozessorientierte Ausrichtung der BI Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 124 124 8. Business-Intelligence-Systeme in produzierenden Unternehmen wurden im Laufe der 2000-er Jahre eine Reihe von technischen Ansätzen entwickelt, die unter der Überschrift „Business Process Intelligence“ (BPI) geführt werden21. Bekannt hierbei ist v.a. das „Process Mining“, bei dem aus technischen Protokolldaten Muster abgeleitet werden, z.B. in Form von typisierten Ist-Prozessen, Abweichungen zwischen Ist- und Sollprozessen, Entscheidungsregeln zum Prozessablauf oder Prozesskennzahlen22. Andere BPI-Ansätze überführen Daten zu den Prozessstrukturen in Datenmodelle, die eine Analyse mit etablierten BI-Analysewerkzeugen, wie etwa OLAP-Werkzeugen, erlauben23. Deep-Root-Cause-Analysen: Noch wenig durchdrungen ist die Verknüpfung der in industriellen Prozessen auftretenden technischen Parameter („Features“) mit betriebswirtschaftlichen Ergebnissen. Beispiele sind Geometriedaten von Werkstücken, Maschinenkonfigurationen oder Detailergebnisse aus Qualitätsprüfungen. Wie noch erörtert wird, verspricht eine solche Integration eine verbesserte und verfeinerte Aufdeckung von Ursachen für bestimmte Ergebnismuster oder Prozessverläufe. Den entsprechenden Potentialen eines solchen Ansatzes, aber auch den daraus resultierenden Herausforderungen wird im weiteren Verlauf dieses Beitrags besondere Aufmerksamkeit gewidmet. 8.3 Industrial Intelligence – Neue Business-Intelligence-Konzepte für industrielle Unternehmen Im Folgenden wird die Ausgestaltung einer ganzheitlichen Informationsversorgung für Industrieunternehmen fokussiert, die sich als technisch, inhaltlich und organisatorisch integrierter Ansatz der Entscheidungsunterstützung für alle Managementebenen versteht und – wie oben bereits ausgeführt – auf den Ebenen der Datenbereitstellung, der Informationsgenerierung/-distribution sowie des Informationszugriffs konkretisiert wird. Eine der besonderen Herausforderungen bei der Umsetzung dieses Konzeptes, das imWeiteren als „Industrial Intelligence“ bezeichnet wird, ist die Überwindung der in vielen Unternehmen vorzufindenden strikten organisatorischen und IT-bezogenen Trennung zwischen technischen und betriebswirtschaftlichen Funktionen. So ist der produktionsorientierte Bereich in der Mehrzahl industrieller Unternehmen eher als ein geschlossenes Konglomerat technischer Subsysteme zu verstehen. Hierbei kommen ausgehend vom wertschöpfenden Primärprozess der Leistungserstellung physischer Produkte eine Vielzahl an aufgabenbezogen IT-Systemen zum Einsatz, die meist über Schnittstellen miteinander kommunizieren, wie z.B. CAD-Systeme zur geometrischen Gestaltung von Bauteilen und Produkten, FEM-Systeme zur Unterstützung der Festkörpersimulation oder CAQ-Systeme zur Unterstützung des Qualitätsmanagements. Üblicherweise werden hierbei produktorientierte Konstruktionsdaten aus sog. Digitalen Produktmodellen (Digital Mock-Ups – DMUs) mittels vordefinierter Interfaces an produktionsnahe IT-Systeme übergeben. So können beispiels- 21 Vgl. Grigori et al. (2004), S. 322. 22 Vgl. Song/Van der Aalst (2008), S.301 f. 23 Vgl. z.B. Baars/Sun (2009). Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 125 8.3 Industrial Intelligence 125 weise gängige CAM-Systeme weitgehend automatisch Steuerungsprogramme generieren, die über Schnittstellen den jeweiligen Produktionsmaschinen zur Ausführung zur Verfügung gestellt werden. Darüber hinaus ermöglichen neue Technologien zunehmend die Anwendung etablierter Methoden der Produktentwicklung für die Zwecke der Fabrikgestaltung, indem das Fabriklayout mit Hilfe von CAD-Systemen geplant und der Ablauf von Fertigungsprozessen mittels Softwarewerkzeugen simuliert wird. Vor diesem Hintergrund kann festgehalten werden, dass die wachsende IT- Durchdringung in den Bereichen Produktentwicklung und Produktion erste wichtige Schritte hin zur gesamtheitlichen digitalen Abbildung der realen Fabrik darstellen. Der sich für diesen Ansatz etablierte Begriff der Digitalen Fabrik versteht sich dabei in Anlehnung an die VDI-Richtlinie 4499 als „[…] ein umfassendes Netzwerk von digitalen Modellen, Methoden und Werkzeugen – u. a. der Simulation und der dreidimensionalen Visualisierung – , die durch ein durchgängiges Datenmanagement integriert werden“24, wobei im Bereich der harmonisierten, konsistenten Haltung operativer Daten meist noch erheblicher Entwicklungsbedarf existiert25. Wenngleich auch erste Erfolge bei der Konzeption und Implementierung von Ansätzen der Digitalen Fabrik erkennbar sind, ist die Schnittstelle zwischen den produktionsorientierten und den betriebswirtschaftlichen IT-Landschaften bislang meist sehr rudimentär ausgelegt. Die Verbindung beider Welten beschränkt sich hierbei nicht selten ausschließlich auf die Weitergabe der in den technischen Systemen erzeugten Stücklisten. So werden dann auf der Basis übermittelter Stücklisten in Enterprise-Resource-Planning-Systemen (ERP- Systemen) z.B. Kalkulationen durchgeführt, Ausschreibungen vorgenommen und Make-or-Buy-Entscheidungen getroffen, wobei die Unterstützung weiterer betrieblicher Funktionen – wie Einkauf, Vertrieb und Service – in der Regel auf den ERP-Stammdaten aufbaut. Die Konsequenz hieraus ist, dass sich eine IT-basierte Entscheidungsunterstützung meist auf einen engen fachlichen Fokus beschränkt. Beispielsweise sind aktuelle IT-Systeminfrastrukturen meist nicht in der Lage, betriebswirtschaftliche Konsequenzen technischer Änderungen zum Zeitpunkt des Konstruktionsprozesses zu antizipieren und dem Aufgabenträger als Entscheidungshilfe adäquat zur Verfügung zu stellen. Zur Eliminierung dieser Schwächen, bezieht das hier entwickelte Business- Intelligence-Konzept sämtliche operative Systeme der Digitalen Fabrik als Datenquellen mit ein (vgl. Abb.4). Für die technische Integration auf der Ebene der Datenbereitstellung bedeutet dies, dass neue Technologien bei der Systemanbindung und der Formatkonversion berücksichtigt bzw. entwickelt werden müssen. Als Grundlage bietet sich hier z.B. die in den Ingenieurswissenschaften etablierte Feature-Technologie an. Auch die inhaltliche Integration, d.h. die semantische Bereinigung sowie die Modellierung technischer Daten in multidimensionalen Datenstrukturen 24 VDI (2008), S.3. 25 Vgl. Lasi/Hollstein/Kemper (2010). Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 126 126 8. Business-Intelligence-Systeme in produzierenden Unternehmen erfordert neue Ansätze. Ziel hierbei ist es, eine auf die Entscheidungsunterstützung ausgerichtete, dispositive Datenhaltung zu erstellen, die relevante Datenbereiche aus dem Konzept der Digitalen Fabrik umfasst. Im Mittelpunkt stehen somit zusätzliche DWHs, die als bereichsübergreifende, integrierte Datensammlungen produktorientierte und maschinenorientierte Daten für die Entscheidungsunterstützung beinhalten. Der Nutzen einer um produktionsorientierte Dimensionen erweiterten Datenbasis ergibt sich aus neuen Analysemöglichkeiten auf der Ebene der Informationsgenerierung/-distribution. Der Einbezug technischer Merkmale ermöglicht innovative Analysen, wobei durch die Verknüpfung betriebswirtschaftlicher und technischer Daten Ursachen-Auswirkungsanalysen realisiert werden können (Deep-Root-Cause-Analysen, vgl.Abb.5). Beispielsweise lassen sich auf diese Weise (betriebswirtschaftliche) Auswirkungen von Konstruktionsänderungen (technische Ursache) auf Basis historischer Daten identifizieren, die die Durchführung wirkungsvoller Ex-post-Analysen bzgl. der Ressour- Abb.4: Business Intelligence im Kontext der Digitalen Fabrik Business Intelligence (BI) M et ad at en Core Data Warehouse / ODS Analysesysteme Informationsdistribution BI -Portal Content & Document Mgmt. Produktorientiertes DWH Maschinenorientiertes DWH Transaktionsorientierte DWHs Operative/ externe Daten Produktlebenszyklus Vorphase Produktnutzung/ Service Produktentwicklung Produktion Absatz Recycling D i g i t a l e F a b r i k Produktportfolio Office CAI PDM/PLM SCM ERP CRM MESE-Proc.PPSCAx Web 2.0 Projektmgmt. … Externe Daten Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 127 8.3 Industrial Intelligence 127 ceneffizienz sowie des betriebswirtschaftlichen Erfolgs wandlungsfähiger Produktionsverfahren erlauben. Unter Einbezug der im zweiten Abschnitt dargestellten Entwicklungen wie Operational-BI oder BPI werden zudem prozessbegleitende Entscheidungsunterstützungssysteme denkbar, die auf der operativen Ebene technische Aspekte und deren betriebswirtschaftliche Abhängigkeiten berücksichtigen. Hierdurch wird aus der bisher dominierenden „Dokumentationsfunktion“ eine „Steuerungsfunktion“, die aktiv dazu beiträgt, die Wandlungsfähigkeit durch den gezielten Eingriff in laufende Prozesse zu verbessern. Durch die Implementierung bereits aus der Digitalen Fabrik bekannter Simulationsmethoden rücken zudem Entscheidungsunterstützungssysteme in den Fokus, die interaktiv die Auswirkungen von Handlungsalternativen ex-ante simulieren. Somit werden Szenarien denkbar, in denen zum Zeitpunkt der Produkt- bzw. Fabrikentwicklung bereits antizipierbare betriebswirtschaftliche Auswirkungen von Handlungsalternativen bei der Entscheidung mit berücksichtigt werden können. Aufgrund der dargestellten Erweiterungen von BI-Nutzergruppen umAnwender aus operativen Bereichen sowie der Implementierung interaktiver Analysemethoden ergeben sich neue Anforderungen in Bezug auf den Informationszugriff. Zum einen gilt es, den Aufgabenträgern in operativen Bereichen relevante Informationen in ihren etablierten Systemen (z.B. im CAD-System) zur Verfügung zu stellen. Deshalb müssen etablierte Systeme um zusätzliche Funktionalität erweitert werden. Zum anderen induzieren erweiterte Benutzerwünsche bzgl. Interaktivität undMobilität neue Anforderungen an bestehende Portale. Produktentwicklung Digitales Fabrikmodell und Fertigungskonzept Produktion Physisches Produkt Kunde Betriebswirtschaftliche Konsequenzen Digitales Produktmodell Technische Merkmale KennzahlenFeatures Entscheidungsunterstützung Operative Ebene Dispositive Ebene Abb.5: Entscheidungsunterstützung im Kontext der Digitalen Fabrik Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 128 128 8. Business-Intelligence-Systeme in produzierenden Unternehmen Neben diesen Aspekten der technischen und inhaltlichen Integration ergeben sich auch neue Anforderungen an die organisatorische Integration. Die Ausweitung von BI auf das gesamte Produktionsunternehmen führt dazu, dass neue Benutzerrollen – z.B. für Aufgabenträger in der Produktentwicklung – erforderlich werden. Es stellt sich daher die Frage, inwiefern BI-Anwendungen für industrielle Primärprozesse in unternehmensweite BI-Infrastrukturen integriert werden sollten und welcher (De-)Zentralisierungsgrad für deren Entwicklung und Betrieb erforderlich ist26. 8.4 Umsetzungshemmnisse und die strategische Bedeutung der Digitalisierung Eine vollständige Digitalisierung industrieller Unternehmen und eine Integration operativer und dispositiver IT-Landschaften zum Zwecke einer umfassenden Unternehmenssteuerung sind zweifellos umsetzbar. So existieren heute leistungsfähige Computeranlagen mit massiv parallelen Prozessorstrukturen, moderne Datenbanken stellen Datenreservoirs bis in den Petabyte-Bereich online zur Verfügung und breitbandige Netzübertragungskapazitäten lassen den Datentransport derzeit nicht mehr zum Engpass werden. Hemmnisse bei der Umsetzung leistungsfähiger Lösungen liegen somit nicht im IT-Bereich, sondern eher in produktionstechnischen und betriebswirtschaftlichen Kontexten. Hier mangelt es inWissenschaft und Praxis an leistungsfähigen Konzepten undMigrationsansätzen, mit deren Hilfe die historisch gewachsenen Insellösungen aus produktionsorientierten und betriebswirtschaftlichen Unternehmensbereichen in zukunftsfähige, nachhaltige Gesamtunternehmensmodelle überführt werden können. Vor dem Hintergrund zunehmender Ressourcenverknappung, rasch wachsender globaler Konkurrenz sowie steigender Komplexität und Zeitkritikalität der Wertschöpfungsprozesse wird es gerade für die etablierten Volkswirtschaften der traditionellen Industrieländer von strategischer Bedeutung sein, inwieweit in den nächsten Jahren hier leistungsfähige Lösungen entwickelt und erfolgreich in den Industrieunternehmen umgesetzt werden können. 8.5 Literatur Baars, Henning/Lasi, Heiner (2010), Innovative Business-Intelligence-Anwendungen in Logistik und Produktion, in: Chamoni, Peter/Gluchowski, Peter (Hrsg.), Analytische Informationssysteme. Business Intelligence-Technologien und -Anwendungen, 4.Aufl., Berlin u.a., S. 419–438. Baars, Henning/Sun, Xuanpu S. (2009), Multidimensional Analysis of RFID Data in Logistics, in: Proceedings of the 42th Hawaii International Conference on System Sciences (HICCS-42), Hawaii. Dinter, Barbara/Lahrmann, Gerrit/Meyer, Dirk/Schmaltz, Moritz (2008), Governance in der Informationslogistik am Beispiel eines Energieversorgers, in: Dinter, 26 Vgl. Baars/Lasi (2010). Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 129 8.5 Literatur 129 Barbara/Winter, Robert/Chamoni, Peter/Gronau, Norbert/Turowski, Klaus (Hrsg.), Tagungsband der DW 2008: Synergien durch Integration und Informationslogistik, Bonn, S.249–266. Dittmar, Carsten/Ossendoth, Volker (2010), Die organisatorische Dimension von Business Intelligence – Vorgehen und Erfahrungen bei der Gestaltung von Business Intelligence Organisationen, in: Chamoni, Peter/Gluchowski, Peter (Hrsg.), Analytische Informationssysteme – Business Intelligence Technologien und -Anwendungen, 4.Aufl., Berlin u.a., S. 59–86. Eckerson, Wayne W. (2006), Performance dashboards, Hoboken, NJ. Gansor, Tom/Totok, Andreas/Stock, Steffen (2010), Von der Strategie zum Business Intelligence Competency Center (BICC): Konzeption – Betrieb – Praxis, München. Gartner (2006–2010), Gartner EXPWorldwide Survey (jeweils für die Jahre 2007 bis 2010), auf den Seiten der Gartner Group: http://www.gartner.com/. Gluchowski, Peter/Gabriel, Roland/Dittmar, Carsten (2008), Management Support Systeme und Business Intelligence: Computergestützte Informationssysteme für Fach- und Führungskräfte, 2.Aufl., Berlin. Gluchowski, Peter/Kemper, Hans-Georg/Seufert, Andreas (2009), Innovative Prozess- Steuerung – Was ist neu an Operational BI?, in: BI-Spektrum, 4. Jg., S. 8–12. Golfarelli, Matteo/Rizzi, Stefano/Cella, Iuris (2004), Beyond Data Warehousing: What‘s next in Business Intelligence?, in: Proceedings of the 7th ACM International Workshop on Data Warehousing and OLAP, New York, S.1–6. Grigori, Daniela/Casati, Fabio/Castellanos, Malu/Dayal, Umeshwar/Sayal, Mehmet/ Shan, Ming-Chien (2004), Business Process Intelligence, in: Computers in Industry, Vol. 53, S.321–343. Gutierrez, Noe (2008), Business Intelligence (BI) Governance, URL: http://www. businessintelligence.com/article.asp?id=170, abgerufen am 01.04.2010. Horakh, Thomas A./Baars, Henning/Kemper, Hans-Georg (2008), Mastering Business Intelligence Complexity – A Service-based Approach as a Prerequisite for BI Governance, in: Proceedings of the 14th Americas Conference on Information Systems (AMCIS), 14.-17.08.2008, Toronto. Kemper, Hans-Georg/Baars, Henning (2009), From Data Warehouses to Transformation Hubs – A Conceptual Architecture, in: Proceedings of the 17th European Conference on Information Systems (ECIS 2009), 08.-10.06.2009, Verona. Kemper, Hans-Georg/Baars, Henning/Mehanna, Walid (2010), Business Intelligence – Grundlagen und praktische Anwendungen, 3.Aufl., Wiesbaden. Lasi, Heiner/Hollstein, Philip/Kemper, Hans-Georg (2010), Heterogeneous IT Landscapes in Innovation Processes – an Empirical Analyses of Integration Approaches, in: Proceedings of the International Conference Information Systems (IADIS) 2010, 18.-20.03.2010, Porto. Melchert, Florian/Winter, Robert (2004), The Enabling Role of Information Technology for Business PerformanceManagement, in:Meredith, Rob/Shanks, Graeme/ Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 130 130 8. Business-Intelligence-Systeme in produzierenden Unternehmen Arnott, David/Carlsson, Sven (Hrsg.), Proceedings of the DSS2004 – Decision Support in an Uncertain and ComplexWorld, 2004 THIP International Conference on Decision Support Systems (DSS2004), S. 535–546, Monash University, Melbourne. Miller, Gloria/Bräutigam, Dagmar/Gerlach, Stefanie V. (2006), Business Intelligence Competency Centers – A Team Approach to Maximizing Competitive Advantage, Hoboken, NJ. MISQ (2010), Call for Papers for the MIS Quarterly Special Issue on Business Intelligence Research, URL: http://ai.arizona.edu/CallsForPapers/MISQ_ CFP_short_2009.pdf, abgerufen am 01.04.2011. Moss, Larissa T./Atre, Shaku (2003), Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications, Boston, MA. Negash, Solomon (2004), Business Intelligence, in: Communications of AIS, Vol. 13, S.177–195. Song, Minseok/Van der Aalst, Wil M. P. (2008), Towards Comprehensive Support for Organizational Mining, in: Decision Support Systems, Vol. 46, S. 300–317. Steininger, Katharina/Riedl, René/Roithmayr, Friedrich/Mertens, Peter (2009), Moden und Trends in Wirtschaftsinformatik und Information Systems – Eine vergleichende Literaturanalyse, in: Wirtschaftsinformatik, 51. Jg., S. 478–495. TDWI (2010), The Data Warehouse Institute – 2010 TDWI Benchmark Report – Organizational and PerformanceMetrics for Business Intelligence Teams, zu beziehen über die Seiten des TDWI unter http://www.tdwi.org. Unger, Carsten/Kemper, Hans-Georg/Russland, Arvid (2008), Business Intelligence Center Concepts, in: Proceedings of the 14th Americas Conference on Information Systems (AMCIS), 14–17.08.2008, Toronto. VDI (2008), VDI-Richtlinie 4499: Digitale Fabrik Grundlagen, Düsseldorf. Kemper/Pedell/Schäfer – Management vernetzter Produktionssysteme – Allg. Reihe – Herst. Frau Deuringer – Stand: 10.10.11 – Imprimatur – Seite 131 Teil III Innovation und Dienstleistungen

Chapter Preview

References

Zusammenfassung

Die Erfolgsfaktoren vernetzter Produktionssysteme.

Die globale Vernetzung

von Produktionssystemen eröffnet einerseits große Chancen, andererseits aber auch erhebliche Risiken dadurch, dass hochinterdependente und verschlankte Lieferketten anfälliger gegen Störungen werden. So z.B. die Lieferengpässe, die in der Folge des Erdbebens in Japan am 11. März 2011 weltweit in unterschiedlichen Branchen auftraten.

Produktionssysteme: Erfolgsfaktoren erkennen

Dieses Werk beleuchtet detailliert und praxisnah das Management von vernetzten Produktionssystemen aus verschiedenen betriebswirtschaftlichen Blickwinkeln und zeigt die Erfolgsfaktoren auf. Im Mittelpunkt stehen

* Strategien in Produktionsnetzwerken,

* Optimierung des Produktionsverbundes,

* Innovation und Dienstleistungen,

* Risiko- und Resilienzmanagement.

Erfahrene Experten zu vernetzten Produktionssysteme

Herausgegeben von Prof. Dr. Hans-Georg Kemper, Inhaber des Lehrstuhls für Informationsmanagement, Prof. Dr. Burkhard Pedell, Inhaber des Lehrstuhls für Controlling, und Prof. Dr. Henry Schäfer, Inhaber des Lehrstuhls für Finanzwirtschaft an der Universität in Stuttgart.