Einsatzpotentiale von Cognitive Computing zur ...Einsatzpotentiale von Cognitive Computing zur...

Julia Peretzke / Gregor Sandhaus

Einsatzpotentiale von Cognitive Computing

zur Unterstützung der Entscheidungsfindung

im Supply Chain Management

Matthias Klumpp / Torsten Marner / Thomas Hanke (Hrsg.)

Schriftenreihe Logistikforschung Bd. 53: Einsatzpotentiale von Cognitive Computing

III

Inhaltsverzeichnis

Abstract................................................................................................................ V

Abbildungsverzeichnis ........................................................................................ VI

Tabellenverzeichnis ........................................................................................... VII

Abkürzungsverzeichnis ..................................................................................... VIII

1 Einleitung ...................................................................................................... 1

1.1 Motivation und Zielsetzung ...................................................................... 1

1.2 Methodik und Aufbau der Arbeit .............................................................. 2

2 Theoretische Grundlagen des Cognitive Computings .................................. 4

2.1 Definition und Funktionsweise ................................................................. 4

2.2 Entstehung, aktueller Verbreitungsgrad und Ausblick ............................. 7

2.3 Abgrenzung zu verwandten Technologien ............................................ 10

2.4 Praktische Anwendungsbeispiele .......................................................... 13

3 Theoretische Grundlagen des Supply Chain Managements ...................... 15

3.1 Definition ................................................................................................ 15

3.2 Aufgabenbereiche .................................................................................. 18

3.3 Komplexität und Zielkonflikte ................................................................. 21

3.4 Einsatz von Informationstechnologie ..................................................... 24

4 Identifikation von Verbesserungspotentialen im Supply Chain Management ............................................................................................... 27

4.1 Forschungsdesign ................................................................................. 27

4.1.1 Expertenbefragung ................................................................................ 27

4.1.2 Qualitative Inhaltsanalyse ...................................................................... 29

4.2 Praktische Durchführung der Forschung ............................................... 32

4.2.1 Leitfadengestützte Experteninterviews .................................................. 32

4.2.2 Induktive Kategorienbildung .................................................................. 37


IV

5 Verbesserungspotentiale durch Cognitive Computing im Supply Chain Management .............................................................................................. 39

5.1 Entscheidungssituationen und kritische Aspekte ................................. 40

5.2 Aktuelle Unterstützungsmaßnahmen durch Informationstechnologie .. 52

5.3 Gewünschte Funktionen der Informationstechnologie ......................... 56

5.4 Einsatzmöglichkeiten von Cognitive Computing ................................... 62

5.4.1 Allgemeine Einsatzmöglichkeiten ......................................................... 62

5.4.2 Konkrete Einsatzbeispiele .................................................................... 64

6 Fazit ........................................................................................................... 72

6.1 Kritische Betrachtung ............................................................................ 72

6.2 Zusammenfassung der Erkenntnisse und Ausblick .............................. 73

Literaturverzeichnis ............................................................................................ 75

Internetquellen ................................................................................................... 80

Anhang A: Leitfaden für Experteninterviews ..................................................... 81

Anhang B: Übersicht befragter Experten ........................................................... 83

Anhang C: Kategoriensysteme .......................................................................... 84


V

Abstract

Decisions in supply chain management involve a rising and ever changing

amount of information. Supply chain professionals are facing increasing

requirements on their decision making capabilities in an environment of high

complexity. Enterprises are looking towards innovative technologies in order to

support decision making. Especially developments in the area of cognitive

computing are considered to improve decision making processes. This study

aims at identifying possible improvements of supply chain decision making

processes by cognitive computing.

Theoretical background on cognitive computing and supply chain management

is presented at the beginning of the study. Cognitive computing systems can be

characterized by their ability to learn and adapt to a changing environment.

Cognitive systems interact with the user in an intuitive manner and support

human decision making by developing recommendations on best actions. The

decision making support of cognitive systems is considered as very useful in

highly data intensive and dynamic environments such as supply chain

management.

Critical decisions in practice are identified through interviews with supply chain

experts. The participants of the study have been asked to describe decision

making processes and the current technology used to support these processes.

Based on the explanations, the experts were asked to give ideas about possible

improvements of the existing technology. The interviews were analyzed by

applying inductive category development.

Finally, the actual pain points in supply chain decision making as well as the

desired technology requirements can be compared to the capabilities of cognitive

computing to support these processes. The study concludes by describing

possible applications of cognitive computing in supply chain management. The

existing pain points in supply chain decision making can be addressed by

cognitive technologies.


VI

Abbildungsverzeichnis

Abbildung 1: Iterativer Lernprozess ..................................................................... 5

Abbildung 2: Komponenten kognitiver Systeme ................................................ 11

Abbildung 3: Order-to-Payment-S ..................................................................... 16

Abbildung 4: SCOR-Modell ............................................................................... 19

Abbildung 5: Prozessmodul induktiver Kategorienbildung. ............................... 31

Abbildung 6: Zusammensetzung der Expertenbasis ......................................... 33

Abbildung 8: Übersicht der Kategoriensysteme ................................................ 39

Abbildung 9: Anzahl der kritischen Aspekte in den Entscheidungssituationen . 41

Abbildung 10: Häufigkeitsverteilung zu Kategoriensystem 2 ............................ 50

Abbildung 11: Anzahl der kritischen Aspekte in den Entscheidungssituationen 51

Abbildung 12: Häufigkeitsverteilung zu Kategoriensystem 3a .......................... 54

Abbildung 13: Häufigkeitsverteilung zu Kategoriensystem 3b .......................... 58

Abbildung 14: Vergleich aktueller und gewünschter Unterstützungs-maßnahmen................................................................................ 61


VII

Tabellenverzeichnis

Tabelle 1: Transkriptionsregeln ......................................................................... 36

Tabelle 2: Übersicht der Kategoriendefinitionen und Abstraktionsniveaus ....... 37

Tabelle 3: Kategoriensysteme 1 - Kritische Entscheidungssituationen ............ 40

Tabelle 4: Kategoriensysteme 2 - Kritische Aspekte ......................................... 42

Tabelle 5: Kategoriensysteme 3a - Aktuelle Hilfsmittel ..................................... 52

Tabelle 6: Kategoriensysteme 3b - Gewünschte Hilfsmittel. ............................. 56

Tabelle 7: Kritische Aspekte in der Leistungsbewertung. ................................. 65

Tabelle 8: Kritische Aspekte in der Bedarfsplanung und

Materialflusssteuerung. ................................................................... 67

Tabelle 9: Kritische Aspekte in der Ressourcenallokation. ............................... 70


VIII

Abkürzungsverzeichnis

CC Cognitive Computing

CRM Customer Relationship Management

ERP Enterprise Resource Planning

GPS Global Positioning System

IT Informationstechnologie

KPI Key Performance Indicator

RFID Radio Frequency Identification

SC Supply Chain

SCM Supply Chain Management

SCOR Supply Chain Operations Reference

QR Quick Response


1

1 Einleitung

1.1 Motivation und Zielsetzung

Problemlösungsfähigkeiten zählen laut einer Studie der Unternehmensberatung Deloitte aus dem Jahr 2015 zu den wichtigsten Anforderungen an einen Mitarbeiter im Supply Chain Management, kurz SCM.1 Für 74% der befragten Unternehmen ist die Fähigkeit der strukturierten Problemlösung in diesem Unternehmensbereich von zunehmender Bedeutung in der Zukunft.2 Aktuell geben jedoch lediglich 43% der befragten Experten an, dass diese Fähigkeiten bereits in einem hohen Maße im Unternehmen vorhanden sind.3 Gleichzeitig nimmt mit der Anzahl der Produkte, Varianten, Lieferanten und Distributionskanäle auch die Komplexität innerhalb des SCM stetig zu.4 In der Entscheidungsfindung sind vielfältige Faktoren zu berücksichtigen, wodurch die zeitnahe Entscheidung erschwert wird.5

Insbesondere Entwicklungen aus dem Bereich des Cognitive Computing (CC), einer innovativen Technologie zur Datenanalyse, sollen die Problemlösung und Entscheidungsprozesse unterstützen.6 Die Funktionsweise ist der menschlichen Informationsverarbeitung nachempfunden und die Systeme agieren als beratende Instanz.7 Alleinstellungsmerkmale bestehen unter anderem in der Lernfähigkeit der Systeme und deren Form der Interaktion mit dem Nutzer.8 CC kann komplexe Entscheidungsprobleme verarbeiten und damit vor allem in sehr dynamischen Unternehmensfunktionen, die von starker Unsicherheit betroffen sind, Vorteile bieten.9 Geschäftsführerin des IT-Beratungsunternehmens IBM Virginia Rometty geht davon aus, dass in naher Zukunft jede Entscheidung der Menschheit in irgendeiner Form durch ein kognitives System unterstützt werden wird.10

Nichtsdestotrotz herrscht in vielen Unternehmen Skepsis bezüglich der tatsächlichen Verbesserungspotentiale und konkreter Einsatzmöglichkeiten der

1 Vgl. Marchese, K., Dollar, B. (2015), S. 10. 2 Vgl. Marchese, K., Dollar, B. (2015), S. 10. 3 Vgl. Marchese, K., Dollar, B. (2015), S. 10. 4 Vgl. Schulze, U. (2009), S. 2f. 5 Vgl. Chen, D. Q et al. (2015), S. 11ff. 6 Vgl. Reynolds, H. (2016a), S. 6f. 7 Vgl. Feldman, S. (2016), S. 38ff. 8 Vgl. Reynolds, H. (2016a), S. 6f. 9 Vgl. Chen, D. Q. et al. (2015), S. 4ff. 10 Vgl. Friedman, L. (2015).


2

Technologie.11 Das Ziel der vorliegenden Arbeit ist das Aufzeigen solcher Einsatzpotentiale von CC im SCM. Es erfolgt die Identifikation von kritischen Entscheidungssituationen im SCM und die Ableitung von Verbesserungspotentialen in diesen Bereichen.

1.2 Methodik und Aufbau der Arbeit Das Vorgehen orientiert sich an den folgenden übergeordneten Forschungsfragen:

1. Welche Fragestellungen im SCM sind schwer zu beantworten? 2. Welche Faktoren erschweren die Entscheidungsfindung? 3. Können diese Schwierigkeiten durch den Einsatz von CC behoben

werden?

Zunächst sind die Bereiche und konkrete Fragestellungen innerhalb des SCM zu benennen, in denen allgemein eine stärkere Unterstützung der Entscheidungsfindung vonnöten ist. Als kritisch werden dabei diejenigen Fragestellungen angesehen, deren Beantwortung durch den Mitarbeiter als problematisch eingestuft wird. Um ein genaueres Verständnis der kritischen Entscheidungssituationen zu schaffen, sind die konkreten Ursachen der Problematik zu identifizieren. Im Anschluss lassen sich Maßnahmen ableiten, um die aufgezeigten Problemfelder zu beheben. Abschließend kann eine Aussage dazu getroffen werden, inwieweit die Entscheidungsfindung durch den Einsatz von CC verbessert werden kann.

In Vorbereitung auf die Untersuchung ist zu klären, worum es sich bei kognitiven Systemen handelt. Kapitel 2 wird auf die Definition von CC, Alleinstellungsmerkmale der Technologie und die Abgrenzung zu weiteren neuartigen Entwicklungen aus dem Bereich der Datenanalyse eingehen. Außerdem werden die Entstehungsgeschichte und der aktuelle Entwicklungs- und Verbreitungsgrad von CC in Kapitel 2.3 beschrieben. Kapitel 2 schließt mit der Nennung einiger allgemeiner Anwendungsbeispiele von CC.

Ebenso sind die theoretischen Grundlagen des SCM zu erläutern. Kapitel 3 definiert den Begriff und beschreibt seine Herkunft. Es folgt ein Überblick der Aufgabenbereiche und Funktionen des SCM. Aus diesen Tätigkeitsfeldern und der allgemeinen Struktur des SCM lassen sich erste Entscheidungsprobleme in

11 Vgl. Chen, D. Q. et al. (2015), S. 4ff.


3

diesem Bereich ableiten. Abschließend werden Ansätze zur Unterstützung durch Informationstechnologie, kurz IT, in diesen Situationen beschrieben.

In Kapitel 4.1 erfolgt die Ableitung des entsprechenden Forschungsdesigns aus den Forschungsfragen und die theoretische Beschreibung des methodischen Vorgehens. Im Rahmen von Experteninterviews sollen konkrete Problemfelder und entsprechende Verbesserungspotentiale innerhalb des SCM identifiziert werden. Die Auswertung der Interviews erfolgt mittels induktiver Kategorienbildung entsprechend der qualitativen Inhaltsanalyse nach Mayring. Kapitel 4.2 enthält die Beschreibung des praktischen Vorgehens zur Erhebung und Auswertung der gewonnenen Information.

Es folgt die Präsentation der Forschungsergebnisse in Kapitel 5. Die Ausführungen gliedern sich entsprechend der entwickelten Kategoriensysteme. Kapitel 5.1 beschreibt die als problematisch eingestuften Entscheidungssituationen und deren Charakteristika. Die Kapitel 5.2 und 5.3 geben anschließend einen Überblick der aktuellen und gewünschten Unterstützungsmaßnahmen durch IT innerhalb der benannten Problemstellungen. Kapitel 5.4 befasst sich schließlich mit der Ableitung konkreter Verbesserungspotentiale durch CC in den Aufgabenbereichen des SCM.

Die Arbeit endet mit dem Fazit in Kapitel 6. An dieser Stelle wird das methodische Vorgehen zur Erhebung und Auswertung reflektiert und kritisch betrachtet. Die Ausarbeitung schließt mit einer Zusammenfassung der Ergebnisse und dem Ausblick.

Die Arbeit richtet sich an Leser, die bereits mit dem Konzept des SCM vertraut sind. In Kapitel 3 soll lediglich ein einheitliches Verständnis des Terminus geschaffen werden. Um ein umfassendes Verständnis der in den Experteninterviews ermittelten Problemstellungen gewährleisten zu können, ist die tiefere Kenntnis des Themenbereichs jedoch von Vorteil.


4

2 Theoretische Grundlagen des Cognitive Computings

CC lässt sich allgemein dem Bereich der IT-gestützten Datenanalyse zuordnen.12 Während die Technologie beispielsweise von Reynolds als Innovation eingestuft wird13, bezeichnet Mattys den Ausdruck Cognitive Computing vielmehr als Marketingbegriff14. Die folgenden Abschnitte schaffen ein grundlegendes Verständnis kognitiver Systeme und ihrer Einsatzmöglichkeiten.

2.1 Definition und Funktionsweise

Die Kognitionswissenschaft erforscht das menschliche Denken und somit unter anderem die Wahrnehmung, das Bewusstsein und das Gedächtnis sowie Lern- und Entscheidungsprozesse.15 Im Rahmen des Lernens kommt es zunächst zur Informationsbeschaffung und -verarbeitung.16 Zusätzlich gewinnt der Mensch durch Erfahrung an Wissen und kann aus dieser im Anschluss neue Regeln und erforderliche Anpassungen seines Verhaltens ableiten (vgl. Abbildung 1).17 Das vorhandene Wissen wird in sämtlichen Entscheidungsprozessen genutzt.18 Diese bestehen aus der Identifikation und der Lösung von Problemen.19 Das Entwickeln und anschließende Beantworten relevanter Fragestellungen führt zu einer systematischen Reduktion von Unsicherheiten bezüglich vorhandener Alternativen.20 Auch die Entscheidungsfindung selbst lässt sich als ein nichtlinearer, iterativer Prozess beschreiben, bei dem zu jedem Zeitpunkt Kriterien und Alternativen neu gewählt und bewertet werden können.21

12 Vgl. Reynolds, H. (2016a), S. 6f. 13 Vgl. Reynolds, H. (2016a), S. 6f. 14 Vgl. Mattys, K. (2014), S. 26ff. 15 Vgl. Modha, D. S. et al. (2011), S. 62ff. 16 Vgl. Shi, Z. (2011), S. 15ff. 17 Vgl. Shi, Z. (2011), S. 15ff. 18 Vgl. Shi, Z. (2011), S. 15ff. 19 Vgl. Modha, D. S. et al. (2011), S. 62ff. 20 Vgl. Modha, D. S. et al. (2011), S. 62ff. 21 Vgl. Modha, D. S. et al. (2011), S. 62ff.


5

Abbildung 1: Iterativer Lernprozess

Quelle: Eigene Abbildung nach: Shi, Z. (2011): S.18.

Wie sich aus der Namensgebung schließen lässt, ist die Funktionsweise des CC an die menschlichen Denk- und Entscheidungsprozesse angelehnt.22 Kognitive Systeme sollen diese Abläufe nachahmen und unterstützen.23 Das Cognitive Computing Consortium entwickelte im Jahr 2014 eine Definition des Begriffs in einem multidisziplinären Team: „Cognitive Computing makes a new class of problems computable. It adresses complex situations that are characterized by ambiguity and uncertainty; in other words it handles human kinds of problems“.24 In der Literatur finden sich zahlreiche weitere Definitionen des Begriffs, die alle Lernfähigkeit, iteratives Vorgehen und Anpassungsfähigkeit als Merkmale eines kognitiven Systems nennen.25 Ein weiteres Alleinstellungsmerkmal besteht in der Form der Interaktion mit dem Nutzer.26

Um alle relevanten Informationsquellen nutzen und integrieren zu können, ist die Verarbeitung unstrukturierter Daten erforderlich.27 Hierzu zählen unter anderem Informationen in Form von natürlicher Sprache oder Bildern.28 Roberts geht

22 Vgl. Earley, S. (2016); Feldman, S. (2016), S. 8f. 23 Vgl. Feldman, S. (2016), S. 38ff.; Kent, E. L. (2015), S. 22f.; Reynolds, H. (2016a), S.

6f. 24 O.V. (2016). 25 Vgl. Feldman, S. (2016), S. 38ff.; Gausemeier, J. et al. (2013), S. 49ff.; Kent, E. L.

(2015), S. 22f.; Reynolds, H., Feldman, S. (2014). 26 Vgl. Earley, S. (2015); Feldman, S. (2016); Furbach, U. et al. (2015); Kent, E. L.

(2015); Mattys, K. (2014); Reynolds, H., Feldman, S. (2014), S. 22; Reynolds, H. (2016a), S. 6f.; Reynolds, H. (2016b), S. 6f.

27 Vgl. Furbach, U. et al. (2015), S. 29ff.; Reynolds, H. (2016a), S. 6f. 28 Vgl. Furbach, U. et al. (2015), S. 29ff.; Reynolds, H. (2016a), S. 6f.


6

davon aus, dass 80% der verfügbaren Daten in Unternehmen in unstrukturierter Form vorliegen.29 Auch hinsichtlich des Ursprungs der Information sind neue Quellen zu berücksichtigen, wie zum Beispiel bei der Informationsgewinnung aus Zeitungen30 oder sozialen Netzwerken31. Ebenso ist die Erkennung und Bewertung widersprüchlicher Daten nötig.32 Kognitive Systeme sind dazu in der Lage, große Mengen dieser unstrukturierten Daten in kurzer Zeit zu analysieren.33 Dementsprechend ist auch die Informationsversorgung der Systeme in Echtzeit von Vorteil.34

Im Zuge der anschließenden Informationsverarbeitung untersucht das kognitive System die Datengrundlage auf Muster. Im Rahmen des CC erfolgt zu diesem Zweck keine starre Programmierung, sondern vielmehr ein Training der Systeme entsprechend des bestimmten Anwendungsbereichs. Im CC können so auch neue, unerwartete Muster und Verknüpfungen aufgedeckt werden. Die Systeme schaffen Erkenntnisse, ohne zunächst mit einer konkreten Fragestellung beauftragt werden zu müssen. Dieses Vorgehen ist ebenfalls an menschliche Denkprozesse und Entscheidungsprobleme angelehnt, die von Unsicherheit und Zielkonflikten geprägt sind und für die keine alleinige richtige Lösung existiert. Darüber hinaus interpretieren kognitive Systeme Informationen auf Basis des Kontexts. Sie erfassen, in welchem Stadium der Entscheidung beziehungsweise in welcher Situation sich der Nutzer befindet und berücksichtigen diese Informationen bei der Entwicklung von Lösungsvorschlägen.35

Die Ausarbeitung der Handlungsempfehlungen erfolgt unter Angabe eines Vertrauensniveaus für die einzelnen Alternativen.36 Das System selbst bewertet den eigenen Wissensstand und kann so die Richtigkeit und Erfolgswahrscheinlichkeit der generierten Alternativen einschätzen.37 Zusätzlich erfasst das System Feedback über den tatsächlichen Erfolg der ausgewählten

29 Vgl. Rozados, I. V., Tjahjono, B. (2014), S. 8. 30 Vgl. Furbach, U. et al. (2015), S. 29ff. 31 Vgl. Chen, D. Q. et al. (2015), S. 4ff. 32 Vgl. Reynolds, H. (2016a), S. 6f. 33 Vgl. Furbach, U. et al. (2015), S. 29ff. 34 Vgl. Feldman, S. (2016), S. 38ff. 35 Vgl. Feldman, S. (2016), S. 38ff. 36 Vgl. Reynolds, H. (2016a), S. 6f. 37 Vgl. Furbach, U. et al. (2015), S. 29ff.


7

Alternative durch den Nutzer.38 Es folgt eine ständige dynamische Anpassung des Systems.39

Nicht zuletzt zeichnen sich kognitive Systeme auch durch die Form der Interaktion mit dem Nutzer aus.40 Dieser tritt möglichst intuitiv in natürlicher Sprache mit dem System in Dialog.41 In der Literatur wird vielfach betont, dass die Einführung eines kognitiven Systems nicht darauf abzielen sollte, die menschliche Arbeitskraft zu ersetzen.42 Ziel ist der effizientere Austausch zwischen Mensch und Maschine, um schließlich die Fähigkeiten beider Einheiten bestmöglich auszuschöpfen.43 CC kann so Ergebnisse hervorbringen, die in dieser Form weder durch menschliche noch maschinelle Einwirkung allein zustande kommen können.44

Allgemein eignet sich CC damit vor allem zum Einsatz als beratende Instanz zur Unterstützung in der Entscheidungsfindung. Vor allem in einem informations- und datenintensiven Umfeld mit stark veränderlichen Einflussgrößen erweisen sich die Systeme als vorteilhaft. Kognitive Systeme eignen sich zur Bearbeitung von Fragestellungen wie sie im Alltag des Menschen typisch sind. CC unterstützt den Nutzer bei der agilen und zeitgerechten Lösung komplexer und von Unsicherheit geprägter Problemstellungen unter Berücksichtigung aller relevanten Faktoren.45

2.2 Entstehung, aktueller Verbreitungsgrad und Ausblick

Das Bestreben, körperliche und mentale Arbeit vom Menschen an die Maschine zu übertragen, reicht bis in die Zeit vor Christus zurück.46 Erste Gedanken hierzu wurden beispielsweise von Aristoteles (384-322 v.Chr.) entwickelt und später unter anderem von Francis Bacon (1561-1626) aufgegriffen.47 Aristoteles sah zu seiner Zeit eine Befreiung der Menschheit von physischer Arbeit nur dann als

38 Vgl. Mattys, K. (2014), S. 26ff.; Reynolds, H. (2016a), S. 6f. 39 Vgl. Feldman, S. (2016), S. 38ff. 40 Vgl. Earley, S. (2015), S. 8f.; Feldman, S. (2016), S. 38ff.; Reynolds, H., Feldman, S.

(2014), S. 22; Reynolds, H. (2016b), S. 6f. 41 Vgl. Earley, S. (2015), S. 8f.; Feldman, S. (2016), S. 38ff.; Reynolds, H., Feldman, S.

(2014), S. 22. 42 Vgl. Earley, S. (2015), S. 8f. 43 Vgl. Feldman, S. (2016), S. 38ff.; Reynolds, H., Feldman, S. (2014), S. 22; Reynolds,

H. (2016a), S. 6f. 44 Vgl. Earley, S. (2015), S. 8f.; Furbach, U. et al. (2015), S. 29ff. 45 Vgl. Feldman, S. (2016), S. 38ff. 46 Vgl. Modha, D. S. et al. (2011), S. 62ff. 47 Vgl. Modha, D. S. et al. (2011), S. 62ff.


8

möglich „wenn … jedes einzelne Werkzeug auf einen Befehl hin, oder einen solchen schon voraus ahnend, seine Aufgaben erfüllen könnte …“.48 Bacon konkretisierte diese Annahmen und sah in technischen Erfindungen das Mittel zur Entlastung des Menschen.49 Der Begriff Artificial Intelligence, der künstlichen Intelligenz, wurde erstmals im Jahr 1956 verwendet.50 In den 1980er Jahren wurden erste Machine-Learning-Technologien zur Verarbeitung natürlicher Sprache eingesetzt.51 Im Jahr 2011 gewann das von dem IT-Unternehmen IBM entwickelte kognitive System Watson in der US-amerikanischen Quizshow Jeopardy! gegen zwei menschliche Konkurrenten.52 Das Unternehmen selbst bezeichnet CC als durchschlagende Technologie von disruptiver Natur53 und erhält in dieser Aussage Zuspruch durch Feldman, Reynolds und zahlreiche weitere Quellen.54

Aktuell erfolgt in rund 18% der Unternehmen weltweit die systematische Auswertung großer Mengen entscheidungsrelevanter Daten im Sinne von Big Data Analytics.55 Hindernisse für die Nutzung entsprechender Technologien bestehen beispielsweise in Form von Skepsis bezüglich der tatsächlichen Verbesserungsvorteile oder Unsicherheit in Fragen des Datenschutzes.56 Ebenso behindern Unwissen im Umgang mit den Daten und Einschränkungen durch vorhandene Systeme die Einführung neuer Technologien zur Datenanalyse.57 Außerdem kann die fehlende Akzeptanz seitens der Nutzer die Einführung der Technologien erschweren.58 An dieser Stelle ist unter anderem die Angst vor Verlust des Arbeitsplatzes aufgrund von Automatisierung aber auch mangelndes Vertrauen in die Systeme zu nennen.59

48 Schweppenhäuser, G. (2001), S. 105. 49 Vgl. Laucken, U. et al. (1996), S. 68. 50 Vgl. Modha, D. S. et al. (2011), S. 62ff. 51 Vgl. Furbach, U. et al. (2015), S. 29ff. 52 Vgl. Reynolds, H., Feldman, S. (2014), S. 22. 53 Vgl. Lamont, J. (2015), S. 8f. 54 Vgl. Feldman, S. (2016), S. 38ff.; Kent, E. L. (2015), S. 22f.; Mattys, K. (2014), S. 26ff.;

Reynolds, H., Feldman, S. (2014), S. 22; Reynolds, H. (2016b), S. 6f.; Vaske, H. (2015).

55 Vgl. Vaske, H. (2015). 56 Vgl. Pellengahr, K. et al. (2016), S. 21ff. 57 Vgl. Pellengahr, K. et al. (2016), S. 21ff. 58 Vgl. Feldman, S. (2016), S. 38ff. 59 Vgl. Feldman, S. (2016), S. 38ff.


9

Währenddessen gewinnt die Information als Rohstoff in den Unternehmen an Bedeutung.60 Die Analyse großer Datenmengen wird zur Voraussetzung für den Erhalt der Wettbewerbsfähigkeit.61 Die zunehmende Komplexität der vorhandenen IT-Systeme stellt eine weitere Problemstellung dar, die durch Einführung neuer Technologien bewältigt werden kann.62 Auch die Erwartungen der Nutzer verschieben sich in Richtung intuitiver Interaktionsmöglichkeiten mit den Systemen.63 Der Nutzer verlangt vermehrt nach personalisierten Softwarelösungen und integrierten, übergreifenden Systemen.64 Gleichzeitig wird der Erwerb und die Einführung neuer Technologien mit der zunehmenden Verbreitung von Cloud- und Open-Source-Software für Unternehmen vereinfacht.65

Unternehmen erkennen den Bedarf nach Systemen, welche an die spezifischen Fragestellungen angepasst sind. Selten existiert in einem komplexen Netzwerk aus verschiedenen Unternehmen und unter Einfluss zahlreicher externer Umweltfaktoren eine einzelne richtige Lösung. Entscheider in den Unternehmen verlangen nach Systemen, die solche dynamischen Entscheidungssituationen erfassen und sie bei der Lösungsfindung unterstützen können. Im Gegensatz zur menschlichen Arbeitskraft vergessen oder übergehen die Systeme keine Information und sie verlieren über die Zeit nicht an Leistungsfähigkeit. Die Fähigkeiten zur Datenverarbeitung einer Maschine übersteigt die des Menschen um ein Vielfaches. Entsprechende Systeme können Entscheider in diesem Bereich unterstützen indem sie die menschliche Auffassungsgabe erweitern.66

Das Thema CC wird aktuell noch als neuartig eingestuft und Voraussagen über die weitere Entwicklung werden damit erschwert.67 Zahlreiche Quellen gehen dennoch von einer rasanten Weiterentwicklung und Verbreitung der Technologie aus.68 Der IT-Branchenverband Bitkom prognostiziert bis zum Jahr 2020 ein Marktvolumen von 13 Milliarden Euro für Hardware, Software und Dienstleistungen aus dem Bereich des CC.69 Diese Entwicklung ist unter anderem auch auf eine veränderte strategische Ausrichtung in zahlreichen

60 Vgl. Feldman, S. (2016), S. 38ff.; Herforth, S. (2014), S. 18. 61 Vgl. Feldman, S. (2016), S. 38ff.; Vaske, H. (2015). 62 Vgl. Feldman, S. (2016), S. 38ff. 63 Vgl. Herforth, S. (2014), S. 18; Weiss, H. (2014), S. 20. 64 Vgl. Herforth, S. (2014), S. 18; Weiss, H. (2014), S. 20. 65 Vgl. Feldman, S. (2016), S. 38ff.; Vaske, H. (2015). 66 Vgl. Feldman, S. (2016), S. 38ff. 67 Vgl. Feldman, S. (2016), S. 38ff. 68 Vgl. Feldman, S. (2016), S. 38ff.; Lamont, J. (2015), S. 8f. 69 Vgl. o.V. (2015a), S. 30.


10

Unternehmen unter dem Schlagwort der digitalen Transformation zurückzuführen.70 Mit der weiteren Verbreitung kognitiver Technologien wird sich die Art der Interaktion mit den Systemen weiter verändern.71 Intuitive Kommunikationsformen, die der menschlichen Diskussion ähneln, werden zur Voraussetzung.72 Ziel der Entwicklungen soll die ständige Verfügbarkeit der Technologien sein, ohne dass sie von dem Nutzer bewusst wahrgenommen wird.73

2.3 Abgrenzung zu verwandten Technologien

Zu Beginn des Kapitels 2 wird CC bereits dem Bereich der Analytics zugeordnet.74 CC wird in der vorhandenen Literatur teilweise mit Machine Learning, Predictive beziehungsweise Prescriptive Analytics oder künstlicher Intelligenz gleichgesetzt.75 Die einzelnen Technologien können allerdings auch als Bestandteile kognitiver Lösungen betrachtet werden.76

70 Vgl. Vaske, H. (2015). 71 Vgl. Feldman, S. (2016), S. 38ff. 72 Vgl. Feldman, S. (2016), S. 38ff.; Weiss, H. (2014), S. 20. 73 Vgl. Feldman, S. (2016), S. 38ff. 74 Vgl. Reynolds, H. (2016b), S. 6f. 75 Vgl. Earley, S. (2015); Mattys, K. (2014), S. 26ff. 76 Vgl. Feldman, S. (2016), S. 38ff.


11

Abbildung 2: Komponenten kognitiver Systeme

Quelle: Eigene Darstellung.

Der Begriff Analytics lässt sich nicht einer einzelnen Technologie oder Methodik zuordnen.77 Vielmehr beschreibt der Ausdruck eine Kombination verschiedener IT-gestützter Anwendungen, welche die Datenverarbeitung und -analyse zum Ziel haben.78 Zu Methoden im Bereich der Predictive beziehungsweise Prescriptive Analytics, der IT-gestützten Zukunftsforschung79, zählen unter anderem die mathematische Optimierung und Simulationen.80

77 Vgl. Chae, B. et al. (2014), S. 4695ff. 78 Vgl. Chae, B. et al. (2014), S. 4695ff. 79 Vgl. Marlinghaus, S., von der Gracht, H. (2013). 80 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.


12

Die Begriffe Business Analytics und Business Intelligence beschreiben jeweils Konzepte der Nutzung datenanalytischer Technologien zur Verbesserung der Unternehmensleistung. Während sich der Bereich der Business Analytics auf die Analyse relevanter Daten zur Früherkennung von Trends und Schwachstellen im Unternehmen konzentriert, liegt der Fokus im Rahmen der Business Intelligence auf unternehmensinternen Key Performance Indicators, KPIs. Beide Ansätze nutzen zu diesem Zweck ebenfalls eine Kombination verschiedener Technologien und Methoden.81

Im Rahmen des sogenannten Machine Learning kommt es ebenfalls zur Untersuchung von Daten auf bisher unbekannte Muster und Trends.82 Die IT-Systeme nutzen verschiedene Informationsquellen, um Fragestellungen unter Berücksichtigung ihres Ursprungs und Kontexts zu beantworten.83 Teil des Machine Learning ist dabei auch die Bewertung der zurate gezogenen Quellen hinsichtlich ihrer Vertrauenswürdigkeit.84 Auf Basis der gewonnenen Information passt das System sich selbst an, um stetig bessere Ergebnisse zu erzielen.85

Das Konzept der Artificial Intelligence verfolgt die Nachahmung und Erweiterung menschlicher Intelligenz.86 Es beinhaltet Technologien, die auf eine natürliche Art mit dem Nutzer interagieren.87 Hierzu sind Funktionen nötig, wie beispielsweise die Verarbeitung natürlicher Sprache, also der Fähigkeit Worte hinsichtlich ihres Kontexts zu verstehen.88 Diese Funktion kann zusätzlich mit Technologien zur Spracherkennung gepaart werden.89

Unter Big Data sind Datenansammlungen von großem Volumen, hoher Schnelllebigkeit und großer Vielfalt zu verstehen.90 Technologien zum Umgang mit Big Data umfassen sowohl Speicherkapazitäten als auch Systeme zur Organisation der Daten.91 Entsprechend verfolgen Entwicklungen unter dem

81 Vgl. Brannan, M. (2011), S. 38ff.; Chae, B. K., Olson, D. L. (2013), S. 9ff. 82 Vgl. Earley, S. (2015), S. 12ff. 83 Vgl. Kent, E. L. (2015), S. 22f. 84 Vgl. Kent, E. L. (2015), S. 22f. 85 Vgl. Kent, E. L. (2015), S. 22f. 86 Vgl. Shi, Z. (2011), S. 1. 87 Vgl. Koplowitz, R. (2015), S. 1. 88 Vgl. Koplowitz, R. (2015), S. 1. 89 Vgl. Koplowitz, R. (2015), S. 1. 90 Vgl. Chen, D. Q. et al. (2015), S. 4ff.; Reynolds, H., Feldman, S. (2014), S. 22. 91 Vgl. Reynolds, H. (2016b), S. 6f.


13

Schlagwort Big Data Analytics die Datenverarbeitung und Interpretation dieser Informationsquellen.92

Business Intelligence, Artificial Intelligence, Machine Intelligence und Analytics sollen somit als Komponenten kognitiver Systeme betrachtet werden.93 CC greift wenn nötig auf große Datenmengen im Sinne von Big Data zurück.94 Die Verfügbarkeit vieler Daten ist für die stetige Verbesserung eines kognitiven Systems von Vorteil.95 Lösungsvorschläge können so auf Basis einer größeren Datengrundlage entwickelt werden und weisen damit tendenziell eine höhere Genauigkeit auf.96 Grundsätzlich ist der Einsatz von CC jedoch nicht zwingend an die Verfügbarkeit von Big Data gebunden.97

2.4 Praktische Anwendungsbeispiele

Das bis zum jetzigen Zeitpunkt bekannteste kognitive System ist IBMs Watson.98 Einzelne Anwendungen aus dem Bereich des CC lassen sich dabei zu größeren Lösungen kombinieren.99 IBM bietet aktuell 16 unterschiedliche Programmierschnittstellen an, darunter Anwendungen zur Analyse von Sprache, Kommunikation oder Bildmaterial.100 Die Watson-Plattform wird von zahlreichen Unternehmen und Projekten zur Entwicklung unterschiedlicher Services genutzt.101 Weitere Projekte und Lösungen stammen unter anderem von dem Standardsoftwareentwickler SAP.102 Das deutsche Unternehmen Blue Yonder entwickelte außerdem die kognitive Softwarelösung Neurobayes.103

Konkrete Anwendung findet Watson-Technologie zum Beispiel in der Krebstherapie.104 Hierzu analysiert das System unter anderem Krankenakten und medizinische Studien, um daraufhin eine erfolgsversprechende

92 Vgl. Chen, D. Q. et al. (2015), S. 4ff. 93 Vgl. Feldman, S. (2016), S. 38ff. 94 Vgl. Reynolds, H. (2016b), S. 6f. 95 Vgl. Reynolds, H. (2016a), S. 6f.; Reynolds, H. (2016b), S. 6f. 96 Vgl. Reynolds, H. (2016a), S. 6f.; Reynolds, H. (2016b), S. 6f. 97 Vgl. Reynolds, H. (2016b), S. 6f. 98 Vgl. Feldman, S. (2016), S. 38ff. 99 Vgl. o.V. (2015b). 100 Vgl. IBM (2016). 101 Vgl. Feldman, S. (2016), S. 38ff. 102 Vgl. Mattys, K. (2014), S. 26ff.; Spies, R. (2014). 103 Vgl. Mattys, K. (2014), S. 26ff. 104 Vgl. o.V. (2015b).


14

Behandlungsmethode für den jeweiligen Patienten vorzuschlagen.105 Weitere Anwendungsbeispiele verfolgen die Voraussage des Kundenverhaltens mittels CC.106 Blue Yonders Softwarelösung Neurobayes findet beispielsweise Einsatz zur Artikelabsatzprognose des Handelsunternehmens Otto.107 Weitere Beispiele finden sich im Bildungssektor, dem Finanzwesen oder in Servicefunktionen.108 Auch in selbstfahrenden Autos kommen kognitive Systeme zum Einsatz.109

Grenzen für den Einsatz kognitiver Systeme bestehen in Aufgabenbereichen, die Kreativität voraussetzen. Die App mit dem Titel Chef Watson erarbeitet jedoch Rezeptvorschläge auf Basis verfügbarer und saisonaler Zutaten sowie unter Berücksichtigung von Ernährungseinschränkungen. Watson wurde hierzu hinsichtlich verschiedener Kochstile und typischer Zutatenzusammenstellungen trainiert. In diesem Fall kann ein kognitives System den Nutzer bei der Entwicklung kreativer Ideen bereits unterstützen.110

105 Vgl. o.V. (2015b). 106 Vgl. Lamont, J. (2015), S. 8f. 107 Vgl. Mattys, K. (2014), S. 26ff. 108 Vgl. Mattys, K. (2014), S. 26ff. 109 Vgl. Feldman, S. (2016), S. 38ff. 110 Vgl. o.V. (2015c), S. 6.


15

3 Theoretische Grundlagen des Supply Chain Managements

Der Begriff Supply Chain Management wurde erstmals zu Beginn der 1980er Jahre durch die Unternehmensberater Oliver und Weber verwendet.111 Bis heute findet sich keine einheitliche Definition des Ausdrucks.112

3.1 Definition

Der Begriff Supply Chain, kurz SC, lässt sich mit Versorgungs- oder Lieferkette ins Deutsche übersetzen.113 Ellram und Cooper betrachten die SC als die Verknüpfung von Wertschöpfungsprozessen bis hin zur endgültigen Bereitstellung der Produkte an den Endkunden.114 Fisher sieht die SC als Absatzkanal über den die einzelnen Produktionsstätten mit dem Endkunden verbunden sind.115 Ein ähnliches Konzept stellt Porters Value Chain dar, welches die Integration von Unternehmensprozessen beinhaltet.116 Christopher beschreibt die SC vielmehr als ein Netzwerk aller an der Wertschöpfung beteiligten Partner, ebenfalls unter Einbezug des Endkonsumenten.117 Auch Chopra, Meindl, La Londe, Masters und Lambert betrachten den Endkunden als Teil der SC.118 Die SC umfasst sämtliche Partner und Aktivitäten von der Gewinnung natürlicher Rohstoffe bis hin zur Lieferung an den Endkunden sowie damit verbundene Prozesse zur Entsorgung beziehungsweise dem Recycling.119

Im Kontext der vorliegenden Arbeit soll die SC verstanden werden als „… eine Folge von Wertschöpfungsprozessen .., die über Input-Output-Beziehungen miteinander verknüpft sind, um Kunden beziehungsweise Märkte zu versorgen“120. Diese Betrachtung schließt ebenso Informations- und Finanzströme mit ein.121 Das sogenannte Order-to-Payment-S beschreibt diese Abläufe (vgl. Abbildung 3).122 Im ersten Schritt des Order-to-Payment-Prozesses ist ein Informationsfluss in Form einer Bestellung vom Kunden an das

111 Vgl. Köhler, R. et al. (2007), S. 1721ff.; Werner, H. (2013), S. 3. 112 Vgl. Köhler, R. et al. (2007), S. 1721ff.; Werner, H. (2013), S. 3. 113 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 5. 114 Vgl. Mentzer, J. T. et al. (2001), S. 1ff.; Werner, H. (2013), S. 5. 115 Vgl. Werner, H. (2013), S. 5. 116 Vgl. Werner, H. (2013), S. 5. 117 Vgl. Mentzer, J. T. et al. (2001), S. 1ff. 118 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.; Mentzer, J. T. et al. (2001), S. 1ff. 119 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 5. 120 Schulze, U. (2009), S. 35. 121 Vgl. Werner, H. (2013), S.7 ff. 122 Vgl. Werner, H. (2013), S.7 ff.


16

Unternehmen zu beobachten.123 Die Information wird innerhalb des Unternehmens an die jeweils vorgelagerte Wertschöpfungsstufe weitergereicht.124 Im Zuge der Erfüllung des Kundenauftrags erfolgt der Warenfluss in die entgegengesetzte Richtung über die involvierten Unternehmensbereiche hinweg zum Kunden.125 Nach Ablieferung der vereinbarten Leistungen leitet der Kunde den Finanzmittelfluss ein, der wiederum durch das Unternehmen gelenkt und teilweise an die jeweiligen Vorlieferanten weitergeführt wird.126

Abbildung 3: Order-to-Payment-S

Quelle: Eigene Abbildung nach: Werner (2013): S.68.

Die SC kann heute nicht mehr als lineare Kette verstanden werden, vielmehr existieren Unternehmensnetzwerke.127 Innerhalb dieser Netzwerke agieren unter anderem Zulieferer, Produzenten, Großhändler, Speditionen und weitere Dienstleister sowie Einzelhändler.128 Jede der Parteien kann Teil mehrerer unterschiedlicher Netzwerke sein.129 Die Partner sind durch eine Infrastruktur in Form von Transporten, Informations- und Finanzströmen miteinander verbunden.130

123 Vgl. Werner, H. (2013), S.7 ff. 124 Vgl. Werner, H. (2013), S.7 ff. 125 Vgl. Werner, H. (2013), S.7 ff. 126 Vgl. Werner, H. (2013), S.7 ff. 127 Vgl. Schulze, U. (2009), S. 35. 128 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.; Köhler, R. et al. (2007), S. 1721ff. 129 Vgl. Mentzer, J. T. et al. (2001), S. 1ff. 130 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.


17

Das SCM beschäftigt sich mit der firmenübergreifenden Koordination und Optimierung sämtlicher Aktivitäten innerhalb dieser Unternehmensnetzwerke.131 Es hat die Ausschöpfung von Rationalisierungspotentialen und Kostenoptimierung durch kontinuierliche Prozessverbesserung als Ziel.132 Die Entwicklung des SCM wurde beispielsweise geprägt durch die Beobachtung des Bullwhip Effect.133 Der Peitschenschlageffekt entsteht aufgrund mangelnder Abstimmung der einzelnen Wertschöpfungsstufen.134 Im Zuge des Austauschs zwischen den Partnern erfolgt die Interpretation und Anpassung der Information auf jeder Stufe.135 Eine Fehlinterpretation und anschließende Falschinformation der jeweils nachgelagerten Stufe kann dazu führen, dass sich leichte Schwankungen in der Nachfrage entlang der Kette kumulieren und überschüssige Bestände verursachen.136 Große Optimierungspotentiale bestehen demzufolge an den Schnittstellen innerhalb der SC.137 Sowohl in der unternehmensinternen Betrachtung als auch an den externen Schnittstellen zu den Partnern sind Transaktionskosten zu senken.138

Einigkeit der vorhandenen Definitionen besteht außerdem darüber, dass es sich bei SCM um ein ganzheitliches Führungsverständnis zur umfassenden Effizienzsteigerung und Erhöhung der Wettbewerbsfähigkeit handelt.139 SCM beinhaltet verschiedene Konzepte, Werkzeuge und Methoden zur umfassenden Betrachtung und effizienten Koordination unternehmensübergreifender Aktivitäten mit dem Ziel der Realisierung von Optimierungspotentialen über die gesamte SC hinweg.140 Auch im SCM findet sich die konsequente Ausrichtung auf den Endkunden wieder.141 Handfield und Nichols definieren das SCM beispielsweise als ein Aktivitätenbündel zur optimalen Gestaltung des Waren- und Informationsflusses bis zum Endkunden.142 Diese Beschreibung konzentriert

131 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 7; Werner, H. (2013), S. 6ff. 132 Vgl. Werner, H. (2013), S. 6ff. 133 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 10ff. 134 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 10ff. 135 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 10ff. 136 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 10ff.; Werner, H. (2013), S. 46ff. 137 Vgl. Schulze, U. (2009), S. 3; Werner, H. (2013), S. 46ff. 138 Vgl. Werner, H. (2013), S. 46ff. 139 Vgl. Köhler, R. et al. (2007), S. 1721ff.; Kortus-Schultes, D., Ferfer, U. (2005), S. 5ff.;

Mentzer, J. T. et al. (2001), S. 1ff.; Schulze, U. (2009), S. 1ff. 140 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 5ff.; Mentzer, J. T. et al. (2001), S. 1ff.;

Schulze, U. (2009), S. 1ff.; Werner, H. (2013), S. 6. 141 Vgl. Köhler, R. et al. (2007), S. 1721ff.; Kortus-Schultes, D., Ferfer, U. (2005), S. 5ff.;

Werner, H. (2013), S. 5f. 142 Vgl. Werner, H. (2013), S. 12.


18

sich auf die logistische Komponente des SCM.143 SCM kann allerdings auch losgelöst von der Logistik betrachtet werden, als Management von Geschäftsprozessen und Kooperationen.144 Die reine Logistik befasst sich dagegen vielmehr mit dem physischen Materialfluss.145 Sie wird damit zwar innerhalb des SCM genutzt, allerdings geht das SCM über diese Tätigkeiten hinaus.146 Logistische Funktionen innerhalb des SCM bestehen in der Planung, Implementierung und Kontrolle der nötigen Aktivitäten zur effizienten Steuerung des Warenflusses.147 Des Weiteren umfasst das SCM Tätigkeiten im Rahmen der Marktforschung, des Verkaufs und der Vermarktung sowie der Forschung und Entwicklung.148

3.2 Aufgabenbereiche

Die Aufgaben des SCM lassen sich zunächst aus den übergeordneten gesellschaftlichen und volkswirtschaftlichen Zielen ableiten und werden darüber hinaus durch die Unternehmensleitlinien beeinflusst.149 Die hauptsächlichen Aufgaben des SCM bestehen somit in der Versorgung des Unternehmens sowie in damit einhergehenden Entsorgungs- und Recyclingprozessen.150 Die Bereitstellung der richtigen Güter, in der richtigen Menge, der richtigen Qualität, zum richtigen Preis, am richtigen Ort, zur richtigen Zeit ist sicherzustellen.151 Neben der Gewährleistung der Versorgungssicherheit erwachsen aus den gesellschaftlichen Zielen auch Anforderungen hinsichtlich der Nachhaltigkeit der SC.152 Es wird gefordert, dass sich Unternehmen mit Sozial- und Umweltproblemen auseinandersetzen.153 Im Rahmen dessen ist die nachhaltige Nutzung der Ressourcen anzustreben.154 Ein nachhaltiges SCM kann dazu beitragen, die Qualität, die Kunden- und Mitarbeiterzufriedenheit sowie die Innovationskraft des Unternehmens zu erhöhen.155 Die Berücksichtigung von

143 Vgl. Werner, H. (2013), S. 12. 144 Vgl. Werner, H. (2013), S. 12. 145 Vgl. Werner, H. (2013), S. 12. 146 Vgl. Köhler, R. et al. (2007), S. 1721ff.; Werner, H. (2013), S. 12. 147 Vgl. Mentzer, J. T. et al. (2001), S. 1ff. 148 Vgl. Mentzer, J. T. et al. (2001), S. 1ff. 149 Vgl. Werner, H. (2013), S. 29. 150 Vgl. Werner, H. (2013), S. 29. 151 Vgl. Werner, H. (2013), S. 29. 152 Vgl. Ansari, Z. N., Qureshi, M. N. (2015), S. 24ff. 153 Vgl. Ansari, Z. N., Qureshi, M. N. (2015), S. 24ff. 154 Vgl. Ansari, Z. N., Qureshi, M. N. (2015), S. 24ff. 155 Vgl. Ansari, Z. N., Qureshi, M. N. (2015), S. 24ff.


19

Nachhaltigkeitsaspekten ist über die gesamte SC hinweg und in allen Aufgabenbereichen des SCM sicherzustellen.156

Eine Möglichkeit zur detaillierteren Betrachtung der Aufgaben innerhalb des SCM stellt das Supply-Chain-Operations-Reference-Modell, kurz SCOR-Modell, dar.157 Das Modell wurde im Jahr 1996 durch den Supply Chain Council entwickelt und bildet die fünf hauptsächlichen Prozesskategorien einer typischen SC ab, bestehend aus der Planung, Beschaffung, Produktion, Lieferung und Rückführung (englisch: Plan, Source, Make, Deliver, Return).158 Innerhalb dieser Bereiche sind Entscheidungen auf der strategischen, der taktischen und der operativen Ebene zu treffen.159 Die einzelnen Prozesse sind nicht losgelöst voneinander zu betrachten.160 Sie fließen vielmehr ineinander und beeinflussen sich gegenseitig.161

Abbildung 4: SCOR-Modell

Quelle: Eigene Abbildung nach: Werner (2013): S.68.

156 Vgl. Ansari, Z. N., Qureshi, M. N. (2015), S. 24ff. 157 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Köhler, R. et al. (2007), S. 1721ff.; Kortus-

Schultes, D., Ferfer, U. (2005), S. 17ff.; Werner, H. (2013), S. 64ff.; Zhou, H. et al. (2011), S. 332ff.

158 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Köhler, R. et al. (2007), S. 1721ff.; Kortus-Schultes, D., Ferfer, U. (2005), S. 17ff.; Werner, H. (2013), S. 64ff.; Zhou, H. et al. (2011), S. 332ff.

159 Vgl. Haehling von Lanzenauer, C., Pilz-Glombik, K. (2002), S. 59ff. 160 Vgl. Zhou, H. et al. (2011), S. 332ff. 161 Vgl. Zhou, H. et al. (2011), S. 332ff.


20

Auf Ebene der Planung sind Kundenbedürfnisse und die voraussichtliche Nachfrage zu betrachten sowie mögliche Lieferquellen und eigene Ressourcen zu bewerten.162 In diesem Schritt werden interne und externe Informationsquellen verarbeitet.163 Die jeweiligen Anforderungen werden einander gegenübergestellt und verglichen.164 Mittels Simulationen sollen Lücken identifiziert werden.165 Ziel des Planungsprozesses ist die möglichst effiziente Befriedigung der Kundenwünsche mit den gegebenen Kapazitäten und Ressourcen.166

Die Beschaffungsaktivitäten konzentrieren sich auf die Steuerung der Lieferantenbeziehungen.167 Konkrete Aufgaben beinhalten das Management der Lieferantenbasis, die Lieferantenbewertung und die Material- und Bestandsplanung.168 Lieferanten sind dabei auch hinsichtlich nachhaltiger und sozialer Gesichtspunkte zu bewerten.169 Auf operativer Ebene sind unter anderem Bestellungen aufzugeben, Anlieferungen zu planen und Wareneingänge abzuwickeln.170

Im Zuge der Produktion gilt es, Güter und Rohstoffe in Fertigwaren zu transformieren beziehungsweise Dienstleistungen zu erfüllen.171 Die Produktionsabläufe sind dazu zeitlich und mengenmäßig auf die Nachfragesituation abzustimmen.172 Des Weiteren sind Aktivitäten des Qualitätsmanagements, der Maschinenplanung und -wartung und des Personalmanagements zu etablieren.173 Es erfolgt eine ständige Optimierung der Losgrößen und Reihenfolgenplanung.174 Ein nachhaltiger Einsatz der Ressourcen ist zu gewährleisten, Abfälle und Emissionen sind möglichst gering zu halten.175

162 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Werner, H. (2013), S. 65ff. 163 Vgl. Zhou, H. et al. (2011), S. 332ff. 164 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Werner, H. (2013), S. 65ff. 165 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Zhou, H. et al. (2011), S. 332ff. 166 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff. 167 Vgl. Zhou, H. et al. (2011), S. 332ff. 168 Vgl, Chae, B. K., Olson, D. L. (2013), S. 9ff.; Werner, H. (2013), S. 65ff.; Zhou, H. et

al. (2011), S. 332ff. 169 Vgl. Ansari, Z. N., Qureshi, M. N. (2015), S. 24ff. 170 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Werner, H. (2013), S. 65ff. 171 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Zhou, H. et al. (2011), S. 332ff. 172 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Zhou, H. et al. (2011), S. 332ff. 173 Vgl. Zhou, H. et al. (2011), S. 332ff. 174 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff. 175 Vgl. Ansari, Z. N., Qureshi, M. N. (2015), S. 24ff.


21

Die Lieferung beinhaltet sämtliche Aktivitäten zur Nachfragebefriedigung.176 Der Prozess umfasst den Informationsaustausch mit den nachgelagerten Wertschöpfungsstufen zur Abstimmung der Bestellungen und der Sendungsnachverfolgung.177 Es sind die geeigneten Transportmittel und Dienstleister auszuwählen und effizient einzusetzen.178 Weitere Aufgaben bestehen zum Beispiel in der Bündelung von Bestellungen oder dem Management der Kundenbeziehung.179 Auch an dieser Stelle ist eine ressourcen- und umweltschonende Planung anzustreben, die sowohl übermäßige Emissionen als auch Verpackungsabfälle im Rahmen des Transportes vermeidet.180

Die Rückführung befasst sich schließlich mit der Rückgabe von Waren an Lieferanten beziehungsweise dem Empfang und der Abwicklung von Retouren des Kunden.181 Ebenso sind Recyclingprozesse zu etablieren und zu betreuen.182 Die Rückführungsaktivitäten sind auf eine effiziente Bearbeitung von Garantiefällen und Rückrufen auszurichten.183 Defekte Produkte und Abfälle sollen möglichst wiederverwertet werden.184

3.3 Komplexität und Zielkonflikte

Das SCM zeichnet sich durch eine zunehmend hohe Komplexität aus.185 Dieser Trend setzt sich aufgrund der steigenden Arbeitsteilung und der daraufhin abnehmenden Fertigungstiefe in den einzelnen Unternehmen stetig fort.186 Mit der wachsenden Komplexität nehmen die in Entscheidungsprozessen zu

176 Vgl. Werner, H. (2013), S. 65ff. 177 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Werner, H. (2013), S. 65ff.; Zhou, H. et

al. (2011), S. 332ff. 178 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Werner, H. (2013), S. 65ff. 179 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Werner, H. (2013), S. 65ff.; Zhou, H. et

al. (2011), S. 332ff. 180 Vgl. Ansari, Z. N., Qureshi, M. N. (2015), S. 24ff. 181 Vgl. Werner, H. (2013), S. 65ff. 182 Vgl. Werner, H. (2013), S. 65ff. 183 Vgl. Mann et al. (2010), S. 52ff. 184 Vgl. Mann et al. (2010), S. 52ff. 185 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.; Haehling von Lanzenauer, C., Pilz-

Glombik, K. (2002), S. 59ff.; Göpfert, I. (2016), S. 320ff.; Isik, F. (2010), S. 3681ff.; Kortus-Schultes, D., Ferfer, U. (2005), S. 32ff.; Liu, S. et al (2013), S. 2123ff.; Surana, A. et al. (2005), S. 4235ff.

186 Vgl. Maienschein, B. (2010), S. 24f.


22

berücksichtigenden Einflussfaktoren und Informationen zu.187 Die Partner sind meist über zahlreiche unterschiedliche IT-Systeme miteinander verbunden.188 Die Verfügbarkeit sämtlicher für eine Entscheidung relevanter Informationen ist so für einzelne Parteien nicht immer gegeben.189 Auch die Qualität, der Detaillierungsgrad und die Aktualität der Daten sind zu bewerten.190 Gleichzeitig befindet sich die SC unter ständiger Anpassung und Optimierung, wodurch sich die Komplexität zusätzlich erhöht.191 Die zeitnahe Entscheidungsfindung wird erschwert.192

Ein weiteres Problem stellt die quantitative und objektive Bewertung der Einflüsse dar.193 Die Beziehungen zwischen den Partnern einer SC zeichnen sich durch gegensätzliche Ziele oder Kommunikationsprobleme aus.194 In einem Netzwerk können Entscheidungen komplexe und schwer vorhersehbare Wechselwirkungen nach sich ziehen.195 Die einzelnen Parteien können dabei Teil mehrerer Netzwerke sein.196 Ebenso wirken sich Machtverhältnisse innerhalb eines Netzwerkes auf die Entscheidungsfindung aus.197 Bestimmte Faktoren sind nicht von einem einzelnen Partner der Kette beeinflussbar.198 Die Effizienz und Profitabilität der gesamten Kette soll an dieser Stelle über die der einzelnen Akteure gestellt werden.199 Die Berücksichtigung aller Beteiligten, inklusive ihrer

187 Vgl. Isik, F. (2010), S. 3681ff.; Kortus-Schultes, D., Ferfer, U. (2005), S. 32ff.; Liu, S.

et al (2013), S. 2123ff.; Surana, A. et al. (2005), S. 4235ff. 188 Vgl. o.V. (2010), S. 34. 189 Vgl. Haehling von Lanzenauer, C., Pilz-Glombik, K. (2002), S. 59ff.; Kortus-Schultes,

D., Ferfer, U. (2005), S. 33; o.V. (2010), S. 34. 190 Vgl. Benz, M. (2016), S. 46f. 191 Vgl. Brannan, M. (2011), S. 38ff. 192 Vgl. Göpfert, I. (2016), S. 320; Haehling von Lanzenauer, C., Pilz-Glombik, K. (2002),

S. 59ff. 193 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 33. 194 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.; Isik, F. (2010), S. 3681ff.; Schulze, U.

(2009), S. 40 195 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.; Haehling von Lanzenauer, C., Pilz-

Glombik, K. (2002), S. 59ff.; Kortus-Schultes, D., Ferfer, U. (2005), S. 33. 196 Vgl. Blackhurst, J. et al (2004), S. 1639ff. 197 Vgl. Schulze, U. (2009), S. 40ff. 198 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.; Haehling von Lanzenauer, C., Pilz-

Glombik, K. (2002), S. 59ff.; Lee, H. L., Billington, C. (1993), S. 835ff.; Wu, T. et al. (2007), S. 1665ff.

199 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 34.


23

Ziele, des jeweiligen Unternehmenshintergrundes und des Status innerhalb des Netzwerks, ist erforderlich.200

Des Weiteren sind selten sämtliche Teile der SC vollkommen transparent für alle Partner.201 In der Folge agieren die einzelnen Parteien isoliert voneinander und konzentrieren sich auf die Optimierung interner Prozesse.202 Diese dezentrale Entscheidungsfindung resultiert in einer lokalen Suboptimierung.203 Auch die Entstehung des Bullwhip Effect beruht vorrangig auf einer dezentralen Entscheidungsfindung auf Basis lokal verfügbarer Informationen.204

Die benannten Problemfelder führen zu Unsicherheiten in der Entscheidungsfindung.205 Entscheidungsprobleme sind aus unterschiedlichen Blickwinkeln zu betrachten, wodurch die Priorisierung einzelner Faktoren erschwert wird.206 Unbeeinflussbare äußere Einwirkungen tragen zusätzlich zu Unsicherheiten in der Entscheidung bei.207 In der Folge kommt es zum Einsatz von kostenintensiven Puffern in Form von zusätzlichen Beständen, Kapazitäten und Finanzmitteln.208 Im Umkehrschluss können solche Pufferbestände durch entsprechende Informationen und deren Verarbeitung ersetzt und die Effizienz der SC gesteigert werden.209

200 Vgl. Isik, F. (2010), S. 3681ff.; Kortus-Schultes, D., Ferfer, U. (2005), S. 33ff.; Liu, S.

et al. (2013), S. 2123ff.; Surana, A. et al. (2005), S. 4235ff. 201 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.; Lee, H. L., Billington, C. (1993), S. 835ff. 202 Vgl. Lee, H. L., Billington, C. (1993), S. 835ff.; Wu, T. et al. (2007), S. 1665ff. 203 Vgl. Lee, H. L., Billington, C. (1993), S. 835ff.; Wu, T. et al. (2007), S. 1665ff. 204 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 11f. 205 Vgl. Blackhurst, J. et al. (2004), S. 1639ff. 206 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.; Kortus-Schultes, D., Ferfer, U. (2005), S.

33; Schulze, U. (2009), S. 40. 207 Vgl. Blackhurst, J. et al. (2004), S. 1639ff.; Lee, H. L., Billington, C. (1993), S. 835ff.;

Sengupta, S. (2013), S. 58ff.; Wu, T. et al. (2007), S. 1665ff. 208 Vgl. Chen, D. Q. et al. (2015), S. 4ff. 209 Vgl. Chen, D. Q. et al. (2015), S. 4ff.


24

3.4 Einsatz von Informationstechnologie

IT-Systeme sollen bei der Entscheidungsfindung unterstützen und zu einer Überwindung der genannten Problemfelder beitragen.210 Sie dienen als verbindendes Element zwischen den unterschiedlichen Partnern der SC.211 Hierzu finden verschiedene Technologien und Systeme Anwendung.

Die Begriffe SC Analytics und SC Intelligence beschreiben beispielsweise Systeme zur Datenanalyse speziell im Umfeld der SC.212 Allgemein sollen mit dem Einsatz der Systeme operative Prozesse verbessert werden.213 Es finden sich Anwendungsmöglichkeiten in allen Bereichen, die auch durch das in Kapitel 3.2 beschriebene SCOR-Modell betrachtet werden.214 Verbesserungspotentiale durch den Einsatz von SC Analytics können beispielsweise in der Nachfragevorhersage, der Analyse des Kundenverhaltens oder der Angebotsoptimierung, dem Lieferantenmanagement sowie in der Material-, Bestands- und Produktionsplanung beobachtet werden.215 Die Datengrundlage kann unter anderem aus den vorhandenen Enterprise-Ressource-Planning- (ERP) und Customer-Relationship-Management-Systemen (CRM) stammen.216 Unstrukturierte Daten im Umfeld der SC bestehen in Form von E-Mail-Kommunikation, Wetter- und Verkehrsinformationen oder aufgezeichneter Gespräche.217

Ein konkretes Beispiel für den Einsatz von Analytics im Umfeld des SCM stellt das SC Event Management dar. Ziel dieser Systeme ist die frühzeitige Erkennung von Störungen innerhalb der SC. Auf diese Weise lässt sich zusätzliche Zeit zur Problembehebung gewinnen beziehungsweise das Auftreten gravierender Störungen proaktiv eindämmen. Die Systeme können zusätzlich durch Funktionen zur Unterstützung der anschließenden Lösungsfindung ergänzt werden. Der Ansatz fußt auf einer Akzeptanz der für das SCM typischen Unsicherheiten und der allgemeinen Störanfälligkeit der SC. Die Ansätze des SC Event Management können Störungen nicht gänzlich verhindern, allerdings

210 Vgl. Kortus-Schultes, D., Ferfer, U. (2005), S. 79; Schulze, U. (2009), S. 2ff.; Werner,

H. (2013), S. 142ff. 211 Vgl. Haehling von Lanzenauer, C., Pilz-Glombik, K. (2002), S. 59ff. 212 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Chae, B. et al. (2014), S. 4695ff. 213 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Chae, B. et al. (2014), S. 4695ff.;

Langdale, P. (2008), S. 26f. 214 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff. 215 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff. 216 Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Chae, B. et al. (2014), S. 4695ff. 217 Vgl. Rozados, I. V., Tjahjono, B. (2014), S. 7.


25

tragen sie zu einer Erhöhung der Reaktionsfähigkeit bei, um weitreichende Folgen möglichst einzudämmen.218

Die Verfügbarkeit relevanter Daten in allen Aufgabenbereichen der SC wird durch Entwicklungen unter dem Schlagwort Internet der Dinge beziehungsweise im Zuge von Industrie 4.0 weiterhin verbessert.219 In den sogenannten cyber-physischen Systemen sind Objekte und Maschinen vernetzt und dazu in der Lage, miteinander zu kommunizieren.220 Mit Radio Frequency Identification, kurz RFID, oder klassischen Bar- und Quick-Response-Codes versehene Container, Paletten oder einzelne Packstücke können mittels zugehöriger Erkennungssysteme automatisch identifiziert und geortet werden.221 Ebenso ist die Vernetzung mit dem Global Positioning System (GPS) und Telematiksystemen in Transportfahrzeugen möglich.222 Das von der Europäischen Union geförderte Forschungsprojekt Eyes of Things soll zusätzlich die Bildverarbeitung in cyber-physischen Systemen ermöglichen.223 Während im Rahmen der RFID- und Barcode-Erfassung strukturierte Daten erzeugt werden, entstehen aus der Nutzung GPS-gestützter Telematiksysteme und dem Einsatz intelligenter Transportsysteme unstrukturierte Daten.224 Die Technologien tragen zu einer lückenlosen Überwachung des Warenflusses in Echtzeit bei.225 Es entsteht eine valide Datenbasis und infolgedessen Transparenz über die gesamte SC.226 „Industrie 4.0 ist die Digitalisierung der Wertschöpfungskette zu einem internetbasierten Wertschöpfungsnetzwerk.“, meint Prof. Dieter Wegener, Vizepräsident und Koordinator für das Thema Industrie 4.0 in der Digital Factory Division bei Siemens.227

Projekte zur Einführung neuer IT-Systeme im SCM zeichnen sich meist durch überdurchschnittliche Komplexität aus. Diese resultiert unter anderem aus den unternehmensübergreifenden Aufgabenstellungen innerhalb des SCM. Die

218 Vgl. Bretzke, W.-R., Ploenes, P. (2004), S. 40f. 219 Vgl. Blanchard, D. (2014), S. 28; Cassidy, W. B. (2014), S. 4. 220 Vgl. Blanchard, D. (2014), S. 28; Cassidy, W. B. (2014), S. 4. 221 Vgl. Blanchard, D. (2014), S. 28; Cassidy, W. B. (2014), S. 4; Chae, B. K., Olson, D.

L. (2013), S. 9ff.; Chae, B. et al. (2014), S. 4695ff. 222 Vgl. Blanchard, D. (2014), S. 28. 223 Vgl. o.V. (2015d), S. 8. 224 Vgl. Rozados, I. V., Tjahjono, B. (2014), S. 7. 225 Vgl. Cassidy, W. B. (2014), S. 4; Vgl. Chae, B. K., Olson, D. L. (2013), S. 9ff.; Chae,

B. et al. (2014), S. 4695ff. 226 Vgl. Blanchard, D. (2014), S. 28; Cassidy, W. B. (2014), S. 4; Vgl. Chae, B. K., Olson,

D. L. (2013), S. 9ff.; Chae, B. et al. (2014), S. 4695ff. 227 O.V. (2014), S. 66.


26

benötigten Systeme sind über verschiedene Unternehmen hinweg zu etablieren. Zuvor sind Interessen und Ziele abzustimmen, wobei wiederum komplexe Machtverhältnisse zu berücksichtigen sind. Zudem bestehen besondere Anforderungen an die Datensicherheit. Die Systeme sind an branchen- und unternehmensspezifische Besonderheiten anzupassen, wodurch zusätzliche Kosten verursacht werden. Um schließlich die operativen Entscheidungen innerhalb des SCM effizient unterstützen zu können, müssen die Systeme die Datenintensität der Aufgabenstellungen bewältigen. Die Natur des SCM setzt außerdem eine flexible Anpassbarkeit der Systeme an sich ändernde Rahmenbedingungen voraus.228

228 Vgl. Schulze, U. (2009), S. 76-106.


27

4 Identifikation von Verbesserungspotentialen im Supply Chain Management

Um konkrete Einsatzpotentiale von CC im SCM zu identifizieren, werden in der Praxis kritische Entscheidungssituationen und deren Merkmale betrachtet. Zu diesem Zweck erfolgt eine Expertenbefragung und anschließende Auswertung der Ergebnisse. Die folgenden Abschnitte beschreiben die theoretischen Grundlagen des zugrundeliegenden Forschungsdesigns sowie die praktische Durchführung der Forschung.

4.1 Forschungsdesign

Die Konzeption des Forschungsdesigns erfolgt in Abhängigkeit der in Kapitel 1.2 definierten Forschungsfragen:229

1. Welche Fragestellungen im SCM sind schwer zu beantworten? 2. Welche Faktoren erschweren die Entscheidungsfindung? 3. Können diese Schwierigkeiten durch den Einsatz von CC behoben

werden?

Zur Beantwortung der genannten Fragestellungen wird im Kontext dieser Arbeit die Befragung von Experten aus dem Umfeld des SCM durchgeführt. Die anschließende Auswertung des gewonnenen Materials erfolgt mittels der qualitativen Inhaltsanalyse nach Mayring. Es handelt sich damit um eine qualitative Forschung zur Betrachtung beispielhafter Problemstellungen in der Praxis.

4.1.1 Expertenbefragung

Die verschiedenen Methoden der Experteneinbindung lassen sich in vier Formen klassifizieren. Experten können einzeln, in der Gruppe oder auch mehrmals befragt werden, wie es im Rahmen der sogenannten Delphi-Methode erfolgt. Im Zuge einer Schätzklausur liegt der Fokus auf der Beobachtung gruppendynamischer Aspekte. Die Methoden lassen sich darüber hinaus nach ihrem Vorgehen untergliedern. Im Gegensatz zum dialogischen Vorgehen, bei dem der Austausch mit beziehungsweise zwischen den Experten forciert werden soll, verfolgt das analytische Vorgehen die Erfassung von Expertenurteilen. Die

229 Vgl. Buber, R., Holzmüller, H. H. (2009), S. 671f.


28

für die vorliegende Arbeit ausgewählte analytische Erhebung in einer Einzelbefragung der Experten kann über Interviews erfolgen.230

Qualitative Experteninterviews zählen zu der Methodik leitfadengestützter Interviews, mit dem Ziel der Erzeugung qualitativer Daten.231 Die Befragung erfolgt dabei meist einzeln.232 Experteninterviews zeichnen sich durch die Befragung eines speziellen Personenkreises aus.233 Ausschlaggebend für die Einstufung als Experte ist das spezifische Rollenwissen der Person.234 Dieses Funktionswissen kann aus der Berufsrolle des Befragten oder außerberuflichen Tätigkeiten resultieren.235 Außerdem lässt sich das abgefragte Expertenwissen in Betriebswissen und Kontextwissen unterscheiden.236 Um Betriebswissen zu gewinnen, werden Ansprechpartner befragt, die in dem zu untersuchenden Umfeld selbst aktiv sind.237 Experten, die in diesem Bereich selbst nicht aktiv agieren, können dagegen Kontextwissen vermitteln.238 Das Wissen beschränkt sich in beiden Fällen auf einen klar abgesteckten Bereich.239 Dieses Sonderwissen soll im Rahmen des Interviews abgefragt werden240, weshalb allgemein eine stärkere Strukturierung der Experteninterviews vorzunehmen ist.241

Der Leitfaden dient dem Interviewer zur systematischen Gestaltung des Interviewablaufs.242 Des Weiteren stellt er den Transfer der übergeordneten Forschungsfragen in konkrete Interviewfragen dar.243 Der Leitfaden ist vorab anzufertigen und sollte verschiedene optionale Elemente beinhalten.244 Zu

230 Vgl. Niederberger, M., Wassermann, S. (2015), S. 35-36. 231 Vgl. Baur, N., Blasius, J. (2014), S. 559; Niederberger, M., Wassermann, S. (2015),

S. 40. 232 Vgl. Niederberger, M., Wassermann, S. (2015), S. 40. 233 Vgl. Baur, N., Blasius, J. (2014), S. 559; Niederberger, M., Wassermann, S. (2015),

S. 52. 234 Vgl. Baur, N., Blasius, J. (2014), S. 571; Niederberger, M., Wassermann, S. (2015),

S. 52. 235 Vgl. Baur, N., Blasius, J. (2014), S. 571; Niederberger, M., Wassermann, S. (2015),

S. 51. 236 Vgl. Niederberger, M., Wassermann, S. (2015), S. 52f. 237 Vgl. Niederberger, M., Wassermann, S. (2015), S. 52f. 238 Vgl. Niederberger, M., Wassermann, S. (2015), S. 52f. 239 Vgl. Niederberger, M., Wassermann, S. (2015), S. 16. 240 Vgl. Baur, N., Blasius, J. (2014), S. 571; Niederberger, M., Wassermann, S. (2015),

S. 51ff. 241 Vgl. Baur, N., Blasius, J. (2014), S. 571. 242 Vgl. Baur, N., Blasius, J. (2014), S. 560. 243 Vgl. Kaiser, R. (2014), S. 52ff. 244 Vgl. Baur, N., Blasius, J. (2014), S. 560.


29

diesen Komponenten können sowohl vorformulierte Fragen, Erzählaufforderungen als auch einzelne Stichworte zählen.245 Die Elemente sind so einzusetzen, dass dem Interviewer die Strukturierung des Interviews erleichtert wird.246 Gleichzeitig ist eine größtmögliche Offenheit für die Ausführungen des Experten zu gewährleisten.247 Für die Ausgestaltung des Interviewleitfadens gilt der Leitsatz: „So offen wie möglich, so strukturierend wie nötig.“248 Ein möglichst einheitlicher Leitfaden schafft dennoch eine Basis zum Vergleich der Aussagen.249 Der Leitfaden kann, sofern erforderlich, von Interview zu Interview angepasst werden.250

Die Identifikation geeigneter Experten kann nach Gläser und Laudel auf Basis drei relevanter Kriterien geschehen. Zunächst muss der Experte über relevante Informationen verfügen sowie im zweiten Schritt auch dazu in der Lage sein, diese Informationen zu vermitteln. Das letzte Kriterium besteht in der tatsächlichen Verfügbarkeit und Bereitschaft zum Austausch.251

Zur weiteren Auswertung der Interviews ist die Transkription derselben erforderlich.252 Diese hat nach festen Regeln zu erfolgen.253

4.1.2 Qualitative Inhaltsanalyse

Im Anschluss an die Erhebung ist das gewonnene Textmaterial systematisch auszuwerten.254 Hierzu eignet sich die qualitative Inhaltsanalyse nach Mayring.255 Es handelt sich um eine Methode zur Auswertung, Datenanalyse und Textinterpretation fixierter Kommunikation.256 Das Vorgehen ist zunächst qualitativ orientiert, erfolgt jedoch systematisch und regelgeleitet.257 Im Rahmen

245 Vgl. Baur, N., Blasius, J. (2014), S. 560. 246 Vgl. Baur, N., Blasius, J. (2014), S. 560. 247 Vgl. Baur, N., Blasius, J. (2014), S. 560; Nohl, A.-M. (2009), S. 21f. 248 Baur, N., Blasius, J. (2014), S. 560. 249 Vgl. Nohl, A.-M. (2009), S. 21. 250 Vgl. Niederberger, M., Wassermann, S. (2015), S. 58. 251 Vgl. Kaiser, R. (2014), S. 72. 252 Vgl. Mayring, P. (2015), S. 55. 253 Vgl. Kaiser, R. (2014), S. 55; Gläser, J., Laudel, G. (2010), S. 194. 254 Vgl. Niederberger, M., Wassermann, S. (2015), S.40 f. 255 Vgl. Baur, N., Blasius, J. (2014), S. 543ff.; Buber, R., Holzmüller, H. H. (2009), S.

670ff.; Niederberger, M., Wassermann, S. (2015), S. 61. 256 Vgl. Buber, R., Holzmüller, H. H. (2009), S. 670; Mayring, P. (2015), S. 11-13. 257 Vgl. Mayring, P. (2015), S. 12-17.


30

dessen erfolgen auch quantitative Arbeitsschritte, weshalb die Methodik als hybrider Ansatz bezeichnet wird.258

Innerhalb der qualitativen Inhaltsanalyse finden verschiedene Techniken Einsatz. Mayring beschreibt Ansätze zur Zusammenfassung, Explikation und Strukturierung von Texten, die jeweils in Abstimmung auf die zu beantwortende Forschungsfrage zu wählen sind. Sowohl im Zuge der Zusammenfassung als auch der Strukturierung eines Textes werden dabei Textbestandteile Kategorien zugeordnet. Im Rahmen der deduktiven Kategorienanwendung wird das Hauptkategoriensystem vorab aus der Theorie abgeleitet und festgelegt. Bei der induktiven Kategorienbildung dagegen werden die Kategorien aus dem Textmaterial selbst abgeleitet. Die induktive Kategorienbildung gilt unter anderem deshalb als vorteilhaft, da sie Verzerrungen durch Vorannahmen des Forschers vorbeugt. Das Vorgehen eignet sich vor allem zur Auswertung von Fragestellungen, die mit dem Fragewort „Welche“ beginnen und eine Aufzählung nach sich ziehen.259

258 Vgl. Mayring, P. (2015), S. 12-17. 259 Vgl. Mayring, P. (2015), S. 67-88.


31

Abbildung 5: Prozessmodul induktiver Kategorienbildung.

Quelle: Eigene Abbildung nach: Mayring, P. (2015): S. 86.

In Abhängigkeit des Ausgangsmaterials, der zugrundeliegenden Theorie und des übergreifenden Themas der Kategorienbildung, wird zunächst das Selektionskriterium bestimmt. Dieses legt den Ausgangspunkt der Kategoriendefinition fest und hilft dabei, Irrelevantes auszuschließen. Außerdem ist das Abstraktionsniveau, der Detailgrad der Kategorienformulierung, zu bestimmen. Des Weiteren sind die Analyseeinheiten festzulegen. Die Kodiereinheit bezeichnet den kleinsten Textteil der ausgewertet werden kann und einer Kategorie zugeordnet werden darf. Bei der Kontexteinheit handelt es sich


32

um den maximalen Materialbestandteil, der unter eine Kategorie fallen darf. Die Auswertungseinheit legt fest, welche Textteile nacheinander ausgewertet werden.260

Auf Basis dieser Festlegung ist das Ausgangsmaterial zu bearbeiten. Sobald das Selektionskriterium im Text zum ersten Mal erfüllt ist, erfolgt die Kategorienformulierung entsprechend des Abstraktionsniveaus. Wird das Selektionskriterium das nächste Mal erfüllt, ist zu entscheiden, ob die Textstelle der zuvor definierten Kategorie zugeordnet werden kann oder eine neue Kategorie gebildet werden muss. Auf diese Weise ist für das gesamte Textmaterial zu verfahren. Es empfiehlt sich, im Laufe der Kategorienbildung immer wieder das Kategoriensystem zu überprüfen und gegebenenfalls anzupassen. Hierbei ist zum Beispiel darauf zu achten, dass die Kategorien dem Ziel der Analyse zuträglich sind und ob Selektionskriterium und Abstraktionsniveau sinnvoll festgelegt wurden. Infolge erforderlicher Anpassungen, ist die Analyse von vorne zu beginnen.261

Das Ergebnis stellt ein Kategoriensystem zu dem untersuchten Thema dar, das im Anschluss wiederum analysiert werden kann. Möglich sind beispielsweise die Interpretation des Systems, eine induktive Bildung von Hauptkategorien oder verschiedene quantitative Analysen, wie eine Häufigkeitsverteilung der Kategorien.262

4.2 Praktische Durchführung der Forschung

Die Erhebung und Auswertung der gewonnenen Informationen erfolgt entsprechend der beschriebenen Methodik. Die transkribierten Experteninterviews dienen als Ausgangsmaterial für die induktive Kategorienbildung im Rahmen der qualitativen Inhaltsanalyse nach Mayring.

4.2.1 Leitfadengestützte Experteninterviews

Im Zeitraum vom 13.04.2016 bis 24.06.2016 sind elf Interviews geführt und so zwölf Experten befragt worden. Mit Ausnahme eines Interviews fanden alle Experteninterviews in Einzelgesprächen statt. Insgesamt wurden 15

260 Vgl. Mayring, P. (2015), S. 67-87. 261 Vgl. Mayring, P. (2015), S. 86-87. 262 Vgl. Mayring, P. (2015), S. 87.


33

Ansprechpartner kontaktiert. Dazu wurde sowohl das private wie berufliche Netzwerk der Autorin genutzt. In Anlehnung an das sogenannte Schneeballverfahren263 wurden die befragten Experten im Anschluss an das Interview außerdem um die Empfehlung weiterer Kontaktpersonen aus dem eigenen Netzwerk gebeten. Die Abbildung 6 gibt Auskunft über relevante Charakteristika der Experten.

Abbildung 6: Zusammensetzung der Expertenbasis


263 Vgl. Mayring, P. (2015), S. 56.


34

Fortsetzung Abbildung 6: Zusammensetzung der Expertenbasis


Die befragten Experten sind in den Branchen IT, Spedition und Logistik, Automotive, Technologie, Chemie und Pharmazie sowie in Forschungs- und Bildungseinrichtungen mit Logistikbezug tätig. Alle Befragten stammen aus dem


35

SC-Umfeld und verfügen über mehrjährige Berufserfahrung in diesem Bereich. Die durchschnittliche Erfahrung im SCM beträgt 13 Jahre. Die Experten verfügen über Erfahrungen aus Unternehmen verschiedener Größen, wobei die Zahl der Mitarbeiter im Durchschnitt bei rund 110.000 Beschäftigten liegt. Detaillierte Informationen zu den einzelnen Befragten sind außerdem dem Anhang B zu entnehmen.

Die Interviews wurden anhand eines zuvor erstellten Leitfadens durchgeführt, der Anhang A zu entnehmen ist. Zunächst fanden eine Vorstellung des Interviewers und eine Erläuterung zum Hintergrund der Befragung statt. Im Rahmen dessen war ursprünglich auch eine kurze Einführung in das Thema CC vorgesehen. Diese Ausführungen zu kognitiven Systemen wurden allerdings nach Interview Nr. 2 aus dem Leitfaden entfernt, da somit eine zu starke Fixierung der Experten auf diesen Themenbereich zu beobachten war. Stattdessen wurde den Experten im Anschluss an das Interview angeboten, nähere Informationen zu CC zu erhalten. Im Anschluss an eine Vorstellung des Experten, erfolgte die Befragung in vier Frageblöcken, die jeweils in Anlehnung an die zuvor definierten Forschungsfragen entwickelt wurden. Die Experten wurden gebeten zunächst den eigenen Aufgabenbereich zu beschreiben, um anschließend besonders kritische Entscheidungssituationen innerhalb dieser Tätigkeiten zu benennen. In Fragenblock Nr. 3 erfolgte die Identifikation der kritischen Aspekte entsprechend der Forschungsfrage 2. An dieser Stelle wurden die Entscheidungssituationen unter anderem hinsichtlich der zu berücksichtigenden Datengrundlage, Unsicherheit, Zeitdruck und Relevanz bewertet. Wie in Kapitel 2 erläutert, erweist sich der Einsatz von CC in Situationen, die von den genannten Aspekten geprägt sind, als besonders vorteilhaft. Um erste Ansätze für kognitive Unterstützungs- und Verbesserungsmaßnahmen ableiten zu können, wurden die Experten abschließend zu vorhandenen und wünschenswerten Hilfsmitteln befragt.

Der Leitfaden wurde für die einzelnen Interviewpartner jeweils leicht angepasst. Diejenigen Ansprechpartner, die aktiv im SCM beruflich tätig sind, wurden im ersten Themenblock zu den eigenen Aufgaben und zu bearbeitenden Problemstellungen befragt. An dieser Stelle sollte Betriebswissen264 von den Experten gewonnen werden. Kontaktpersonen bei Instituten sind dagegen nicht aktiv im SCM tätig und wurden hinsichtlich ihres Kontextwissens265 interviewt. Die Fragestellungen wurden dahingehend angepasst und die Experten dementsprechend nicht nach ihren konkreten Aufgaben, sondern vielmehr nach

264 Vgl. Niederberger, M., Wassermann, S. (2015), S. 52f. 265 Vgl. Niederberger, M., Wassermann, S. (2015), S. 52f.


36

von ihnen untersuchten Aufgabenstellungen befragt. Die Interviews wurden telefonisch oder persönlich geführt.

Sämtliche Interviews wurden aufgezeichnet und im Anschluss an die Befragung transkribiert. Hierzu wurden die in Tabelle 1 genannten Transkriptionsregeln in Anlehnung an Gläser und Laudel festgelegt:

Tabelle 1: Transkriptionsregeln

1. Die Aufzeichnungen werden vollständig, jedoch ohne Einleitung und

Schluss transkribiert.

2. Es werden nur themenrelevante Inhalte transkribiert.

3. Dialekte und Umgangssprache werden in Hochdeutsch übersetzt.

4. Paraverbale Äußerungen werden nicht transkribiert („Ähm“, „Hm“).

5. Nichtverbale Äußerungen werden nur dann transkribiert, wenn sie

inhaltstragend sind (Lachen, Räuspern).

6. Die Aussagen und Fragen werden mit den jeweiligen Initialen der

sprechenden Person gekennzeichnet.

Quelle: Eigene Darstellung nach: Gläser, J., Laudel, G. (2010): S.164.

Zwei der Interviews wurden in englischer Sprache geführt und im Zuge der Transkription ins Deutsche übersetzt, um ein einheitliches Sprachniveau aller Interviews zu schaffen. Die transkribierten Interviews finden sich in Anhang C.


37

4.2.2 Induktive Kategorienbildung

Zur weiteren Auswertung der transkribierten Interviews wurde die induktive Kategorienbildung im Rahmen der qualitativen Inhaltsanalyse nach Mayring durchgeführt. Diese Methode unterstützt die Auswertung entsprechend der Forschungsfragen und der Interviewfragen beginnend mit dem Fragewort „Welche“.266 Entsprechend der übergeordneten Forschungsfragen wurden die folgenden Kategoriendefinitionen und Abstraktionsniveaus festgelegt:

Tabelle 2: Übersicht der Kategoriendefinitionen und Abstraktionsniveaus

Forschungsfrage 1 – Kritische Entscheidungssituationen

Kategoriendefinition 1 Subjektiv als problematisch wahrgenommene

Fragestellungen und Entscheidungssituationen

Abstraktionsniveau 1 Aufgabenbereiche innerhalb des SCM

Forschungsfrage 2 – Erläuterung der kritischen Aspekte

Kategoriendefinition 2 Kritische Faktoren in Bezug zur spezifischen

Entscheidungssituation

Abstraktionsniveau 2 Allgemeine Aspekte, durch die Entscheidungs-

findungsprozesse erschwert werden

Forschungsfrage 3 – Identifikation von Verbesserungspotentialen durch CC

Kategoriendefinition 3a Aktuell genutzte IT-Hilfestellungen in der

Bearbeitung der genannten Fragestellungen

Abstraktionsniveau 3a Unterstützungsmaßnahmen (Systeme,

Funktionen, Methoden etc.)

Kategoriendefinition 3b Gewünschte IT-Funktionen zur besseren

Unterstützung der genannten Fragestellungen

Abstraktionsniveau 3b Funktionen und Eigenschaften der Systeme


266 Vgl. Mayring, P. (2015), S. 88.


38

Als Kodiereinheit wurden bedeutungstragende Textbestandteile festgelegt. Die Kontexteinheiten bestanden jeweils aus einem Experteninterview. Als Auswertungseinheit wurde, wie bei der induktiven Kategorienbildung üblich267, das gesamte Material definiert. Das Ausgangsmaterial wurde in vier Durchgängen auf jeweils eine der Kategoriendefinition unter Berücksichtigung des jeweiligen Abstraktionsniveaus untersucht. Im Ergebnis entstanden vier erste Kategoriensysteme, wobei die Kategoriensysteme 1 und 3a in einem weiteren Arbeitsschritt zusätzlich verdichtet wurden. Zur weiteren Interpretation der Ergebnisse wurden die Kategorien teilweise nach der Häufigkeit ihrer Nennung untersucht.

Die vier Kategoriensysteme und die zugehörigen Fundstellen aus den Interviews finden sich im Anhang D. Eine ausführliche Präsentation und Interpretation der daraus entstandenen Erkenntnisse erfolgt in Kapitel 5. Der Verweis auf konkrete Fundstellen erfolgt dabei unter Angabe der entsprechenden Kategorie und des referenzierten Interviews in abgekürzter Form. Der Verweis Kat1.1Int1 bezieht sich dementsprechend auf die Fundstelle(n) aus Interview 1 zu Kategorie 1.1.

267 Vgl. Mayring, P. (2015), S. 88.


39

5 Verbesserungspotentiale durch Cognitive Computing im Supply Chain Management

Im Folgenden sind die kritischen Aspekte innerhalb des SCM und die daraus resultierenden Anforderungen an die IT-Systeme mit den Fähigkeiten des CC zu vergleichen. Der Aufbau des Kapitels 5 orientiert sich dazu an den übergeordneten Forschungsfragen und den entwickelten Kategoriensystemen (vgl. Abbildung 7).

Abbildung 7: Übersicht der Kategoriensysteme


Abschnitt 5.1 erläutert die durch die Experten als kritisch beschriebenen Entscheidungssituationen. Das Kategoriensystem 1 strukturiert an dieser Stelle die Entscheidungssituationen. Kategoriensystem 2 enthält die kritischen Aspekte innerhalb der Entscheidungssituation. Eine Auflistung der aktuell genutzten IT zur Unterstützung dieser Prozesse aus dem Kategoriensystem 3a erfolgt in Kapitel 5.2. Abschnitt 5.3 benennt die zusätzlich gewünschten Unterstützungsmaßnahmen aus dem Kategoriensystem 3b. In Kapitel 5.4 erfolgt zunächst die Ableitung allgemeiner Verbesserungspotentiale durch CC im SCM. Das Kapitel schließt mit der beispielhaften Beschreibung konkreter Lösungsansätze innerhalb ausgewählter Entscheidungssituationen.


40

5.1 Entscheidungssituationen und kritische Aspekte

Die in den Interviews als kritisch beschriebenen Entscheidungssituationen lassen sich in acht Kategorien zusammenfassen (vgl. Tabelle 3). Das daraus entstehende Kategoriensystem 1 kann in einem weiteren Schritt zusätzlich verdichtet werden, indem die Entscheidungssituationen den in Kapitel 3.2 beschriebenen Aufgabenbereichen des SCOR-Modells zugeordnet werden. Das zugehörige Abstraktionsniveau wurde hierzu entsprechend angehoben.

Tabelle 3: Kategoriensysteme 1 - Kritische Entscheidungssituationen

Nr. Kategorienbezeichnung Verdichtung zu

Hauptkategorien

1.1 Investitionsentscheidungen Plan

1.2 Leistungsbewertung (intern)

1.3 Vertragsmanagement

Source

1.4 Lieferantenmanagement

1.5 Bedarfsplanung

1.6 Materialflusssteuerung

(eingehend)

1.7 Gefahrgutversand

1.8 Ressourcenallokation Make

1.9 Materialflusssteuerung (ausgehend) Deliver


Auf der Planungsebene finden sich Investitionsentscheidungen und die kontinuierliche Leistungsbewertung des SCM. Das Vertrags- und Lieferantenmanagement, die Bedarfsplanung, die Steuerung des eingehenden Materialflusses und der Gefahrgutversand können den Beschaffungsaktivitäten zugeordnet werden. Im Rahmen der Produktion findet die Allokation der


41

verfügbaren Ressourcen statt. Aktivitäten zur Steuerung des ausgehenden Materialflusses zählen zu den Aufgaben der Lieferung. Die Aufgaben zur Materialflusssteuerung sind eingangs- und ausgangsseitig ähnlich, weshalb die Entscheidungssituation im weiteren Verlauf der Arbeit teilweise in Kategorie 1.6 zusammengefasst wird.

Abbildung 8: Anzahl der kritischen Aspekte in den Entscheidungssituationen


Die Abbildung 8 gibt Auskunft darüber, in welchem Umfang die einzelnen Entscheidungssituationen in den Interviews thematisiert werden. Der Flächeninhalt der einzelnen Kacheln repräsentiert hierzu die Menge der Interviews, in denen die konkrete Entscheidungssituation beziehungsweise der SCOR-Aufgabenbereich Beachtung findet. Auf die zwei planerischen Aktivitäten


42

bezüglich der Investitionsentscheidungen und der internen Leistungsbewertung wird in insgesamt drei Interviews eingegangen. Aufgaben aus dem Bereich der Beschaffung werden in fünf Entscheidungssituationen und neun Interviews erläutert. Die Ressourcenallokation als Aufgabe der Produktion wird in zwei Interviews angesprochen. Die Steuerung des Materialflusses zum Kunden wird von drei Experten beschrieben.

Die kritischen Aspekte innerhalb der Entscheidungssituationen lassen sich in einem weiteren Kategoriensystem bestehend aus 13 Kategorien abbilden (vgl. Tabelle 4).

Tabelle 4: Kategoriensysteme 2 - Kritische Aspekte

Nr. Kategorienbezeichnung

2.1 Menge der Einflussfaktoren

2.2 Veränderliche Einflussfaktoren

2.3 Menge der Information

2.4 Mangelhafte Datenqualität

2.5 Komplexität der Produkte / Projekte

2.6 Komplexität des Netzwerks

2.7 Mangelhafte Kommunikation

2.8 Fehlende Transparenz

2.9 Priorisierung der Faktoren

2.10 Bewertung subjektiver Faktoren

2.11 Ressourcenintensität

2.12 Zeitdruck

2.13 Folgen bei Fehlentscheidung



43

Investitionsentscheidungen

Die unter Kategorie 1.1 beschriebenen Investitionsentscheidungen betreffen die langfristige Bindung von Ressourcen (Kat1.1Int11) auch unter Berücksichtigung von Make-or-Buy-Analysen (Kat1.1Int4).

Schwierigkeiten in diesem Bereich ergeben sich beispielsweise durch die Menge der zu berücksichtigenden Einflussfaktoren (Kat2.1Int4). Bei der Auswahl von Dienstleistern beziehungsweise der Investition in unternehmenseigene Sachanlagen können hierzu neben den Kosten unter anderem Kundenzufriedenheit, Lieferzeit, Liefertreue und Lieferflexibilität zählen (Kat2.1Int4). Sowohl qualitative als auch quantitative Faktoren fließen in die Entscheidung mit ein (Kat2.1Int4). Vor allem die Bewertung der qualitativen Größen resultiert in einem weiteren kritischen Punkt, da dieser Prozess von subjektiver Wahrnehmung geprägt ist (Kat2.10Int4). Die letztliche Priorisierung der Faktoren wird somit vielfach als schwierig wahrgenommen (Kat2.9Int4). Zusätzlich erschweren weitere Aspekte, wie die Komplexität des Netzwerks und, im Rahmen dessen Abhängigkeiten oder Harmonie zwischen den Partnern, die Entscheidungsfindung (Kat2.6Int4). Oftmals hängen bedeutende Entscheidungen nicht nur vom eigenen Unternehmen ab, sondern sind in Abstimmung mit den verschiedenen Partnern der SC zu treffen und umzusetzen (Kat2.6Int4). Weitere Hindernisse ergeben sich außerdem aus unzureichender Kommunikation aufgrund unflexibler Entscheidungsverfahren (Kat2.7Int11). Ebenso stellt die Bindung von Ressourcen infolge von Investitionsentscheidungen einen kritischen Aspekt dar (Kat2.11Int11). Die Entscheidungsfindung wird durch die Mitarbeiter nicht zuletzt auch deshalb als problematisch wahrgenommen, da Fehlentscheidungen unter anderem in nicht realisierten Einsparungen resultieren (Kat2.13Int4) und darüber hinaus nicht kurzfristig rückgängig gemacht werden können (Kat2.13Int11).

Leistungsbewertung (intern)

Die Erhebung und Analyse relevanter Daten soll Transparenz über die eigene Unternehmensleistung und die Effizienz der Prozesse herstellen. Hierbei kommt es, wie im Bereich des Lieferantenmanagements, ebenfalls zur Bewertung von Dienstleistern. Die aus der Analyse hervorgehenden Handlungsempfehlungen beziehen sich an dieser Stelle allerdings vielmehr auf interne Prozessverbesserungen. (Kat1.2Int10)


44

Schwierigkeiten beim Schaffen der benötigten Transparenz ergeben sich nicht nur durch die große Zahl der zu berücksichtigenden Faktoren (Kat2.1Int10), sondern auch aus einem hohen Informationsumfang (Kat2.3Int10). Viele der unterschiedlichen Einflussfaktoren stehen zudem in Konflikt miteinander, wodurch die Priorisierung der einzelnen Aspekte erschwert wird (Kat2.9Int10). Größere Verfügbarkeiten können so prinzipiell die Versorgungssicherheit erhöhen und Lieferzeiten reduzieren. Je nach Relevanz des Kunden sollten die daraus entstehenden Kosten akzeptiert oder vermieden werden (Kat2.1Int10). Zusätzliche Komplexität kann aus der Beschaffenheit des Produktes resultieren, wenn beispielsweise Gefahrgüter oder temperaturkontrollierte Produkte spezielle Anforderungen an den Transport stellen (Kat2.5Int10). Auch die Komplexität des gesamten Netzwerks (Kat2.6Int10) sowie Probleme in der Kommunikation mit internen und externen Schnittstellen werden als kritischer Punkt genannt (Kat2.7Int10). Ein weiterer, die Priorisierung erschwerender Aspekt, besteht in fehlender Transparenz über die Ist-Leistung (Kat2.8Int10). Gründe hierfür sind unter anderem nicht verfügbare Daten oder eine unzureichende Aufbereitung der Daten im System (Kat2.8Int10). Eine mangelhafte Datenqualität und fehlerhafte Daten können ebenfalls zu Fehlentscheidungen führen (Kat2.4Int10). In Anbetracht der bereits genannten kritischen Aspekte beansprucht die letztliche Entscheidungsfindung einen hohen, teilweise auch manuellen Aufwand (Kat2.12Int10), weshalb außerdem Zeitverlust als kritischer Aspekt zu nennen ist (Kat2.12Int10).

Vertragsmanagement

Entlang einer jeden SC sind sowohl auf Lieferanten- als auch auf Kundenseite verschiedene Verträge in Kraft. Aufgabe des Vertragsmanagements ist es, die Verpflichtungen auf Kundenseite gleichermaßen mit den Lieferanten zu verankern. (Kat1.3Int1)

Schwierigkeiten in diesem Bereich ergeben sich zunächst durch die Menge an zu berücksichtigender Information (Kat2.3Int1). Auszuwerten ist eine Vielzahl an Verträgen von meist großem Umfang (Kat2.3Int1). Die Komplexität der betroffenen Produkte und Projekte erschwert die Aufgabenstellung, wenn beispielsweise Projekte mit staatlichen Einrichtungen die Berücksichtigung unterschiedlicher Gesetzesgrundlagen voraussetzen (Kat2.5Int1). Die Prüfung und der Abgleich der Vertragsvereinbarungen ist dementsprechend aufwändig und ressourcenintensiv (Kat2.11Int1). Gleichzeitig ist sicherzustellen, dass bei


45

der Spiegelung der Verträge keine Lücken offenbleiben (Kat2.13Int1). Fehleinschätzungen oder falsche Interpretationen können an dieser Stelle negative Folgen für das Unternehmen haben (Kat2.13Int1).

Lieferantenmanagement

In den Aufgabenbereich des Lieferantenmanagements zählen sowohl die Kommunikation mit den Lieferanten und die Lieferantenklassifizierung als auch die Bestimmung von Entwicklungsmaßnahmen (Kat1.4Int2). Ebenso sind geeignete Lieferanten auszuwählen und in die Lieferantenbasis aufzunehmen, beziehungsweise bei Schlechtleistung aus dem Lieferantenportfolio auszuschließen (Kat1.4Int4).

Die Entscheidungsfindung wird beeinflusst durch die Strategie und die Marktposition des eigenen Unternehmens und ist außerdem abhängig von der Leistung des Lieferanten (Kat2.1Int2). Auch an dieser Stelle weist sich die Berücksichtigung und Priorisierung aller relevanten Faktoren als problematisch aus (Kat2.9Int2, Kat2.9Int4). Darüber hinaus schließt die Bewertung der Lieferantenleistung qualitative Größen mit ein, die nicht eindeutig messbar sind (Kat2.10Int4). Eine Fehleinschätzung kann an dieser Stelle das Lieferantenverhältnis nachhaltig schädigen (Kat2.13Int2). In einem komplexen SC-Netzwerk existieren des Weiteren nicht immer direkte Zugriffsmöglichkeiten auf einzelne Lieferanten sowie Vorlieferanten (Kat2.6Int4), wodurch außerdem die Transparenz über die genauen Strukturen des Netzwerks eingeschränkt wird (Kat2.8Int1). Der Handlungsspielraum im Unternehmen wird so begrenzt und zusätzlich durch das Machtgefüge innerhalb der SC vorgegeben (Kat2.6Int4). Einzelne Entscheidungen können die verschiedenen Parteien in unterschiedlichem Maße beeinflussen (Kat2.6Int4). Zusätzliche Komplexität kann durch räumliche Entfernung zum Lieferanten entstehen (Kat2.6Int2), woraus sich besondere Anforderungen an die Kommunikation ergeben (Kat2.7Int2). In der externen Kommunikation mit dem Lieferanten sind beispielsweise kulturelle Unterschiede und Besonderheiten zu berücksichtigen (Kat2.7Int2). Mit der Entfernung der Lieferanten steigt allgemein der Aufwand des Lieferantenmanagements (Kat2.11Int2). Der mit Lieferantenaudits verbundene finanzielle und zeitliche Aufwand nimmt zu (Kat2.11Int2). Auch intern ergeben sich Lücken in der Kommunikation mit angrenzenden Unternehmensbereichen (Kat2.7Int2). Der fehlende Austausch beeinträchtigt die Effizienz (Kat2.7Int2).


46

Bedarfsplanung

Im Rahmen der Bedarfsplanung soll zunächst eine Vorhersage über die zukünftige Nachfrage getroffen werden. Anschließend ist die Nachfrageprognose in eine Bedarfsplanung auf Produkt- beziehungsweise Teilebasis zu überführen. (Kat1.5Int1, Kat1.5Int7, Kat1.5Int9)

Die Nachfrageprognose basiert auf der voraussichtlichen Entwicklung verschiedener Faktoren, wie beispielsweise des Verbrauchs, des Kunden- und Kaufverhaltens oder saisonaler Trends, doch auch Wiederbeschaffungszeiten und der jeweilige Preis eines Teils sind in der Planung zu berücksichtigen (Kat2.1Int1, Kat2.1Int7, Kat2.1Int9). Damit ist ein großer Teil der relevanten Einflussfaktoren unkontrollierbar und häufigen Veränderungen unterworfen (Kat2.2Int1, Kat2.2Int7, Kat2.2Int9). Der zu berücksichtigende Informationsumfang ist erheblich (Kat2.3Int1). Die Bedarfsplanung setzt außerdem die Priorisierung der Vielzahl an Faktoren voraus, um einerseits die gewünschte Versorgungssicherheit gewährleisten zu können, andererseits aber übermäßige Kapitalbindungskosten zu vermeiden (Kat2.9Int7, Kat2.9Int9). Die Aufgabenstellung kann durch spezielle Charakteristika der Produkte, Projekte oder der Netzwerkausgestaltung weiterhin erschwert werden (Kat2.5Int1, Kat2.5Int9, Kat2.6Int7). Die Berücksichtigung eines komplexen und variantenreichen Produktportfolios erhöht den Planungsaufwand (Kat2.5Int1). Die Verarbeitung individuell angefertigter Komponenten (Kat2.5Int1) sowie Materialien von hohem Wert stellen besondere Anforderungen an die Planung (Kat2.5Int9). Ein stark verflochtenes Unternehmensnetzwerk, lange Transportwege oder ein heterogener Kundenstamm tragen ebenfalls zu einer erhöhten Komplexität des Netzwerks bei (Kat2.6Int7). Probleme ergeben sich daraufhin beispielsweise in der Kommunikation mit den jeweils vorgelagerten Wertschöpfungsstufen, wobei Fehlinformationen an dieser Stelle zum Auftreten des Bullwhip Effect führen können (Kat2.7Int7). Eine fehlerhafte Bedarfsplanung kann ebenso zur Folge haben, dass die Nachfrage am Markt nicht ausreichend befriedigt werden kann (Kat2.13Int1). Es entstehen Kosten aus entgangenem Umsatz sowie für kurzfristige Maßnahmen zur Steigerung der verfügbaren Mengen (Kat2.13Int1). Aus Fehlentscheidungen resultiert Zeitdruck bei der kurzfristigen Bedienung der Kundennachfrage (Kat2.12Int1). Um diese Folgen bestmöglich einzudämmen, erfolgt eine aufwändige Bedarfsplanung, die eine große Menge an Arbeitskraft, Zeit und finanziellen Mitteln beansprucht (Kat2.11Int1, Kat2.11Int7).


47

Materialflusssteuerung

Die Materialflusssteuerung beschäftigt sich mit der Überwachung der eingehenden und ausgehenden Warenströme und dem Ergreifen von Maßnahmen bei Abweichungen. Konkrete Aufgaben bestehen in der Transportplanung, dem Schaffen von Transparenz über die Soll- und Ist-Leistung, dem frühzeitigen Erkennen von Störungen und der Einleitung geeigneter Schritte, um diese Störungen einzudämmen. (Kat1.6Int5, Kat1.6Int6, Kat1.6Int7, Kat1.6Int8)

Die innerhalb der Materialflusssteuerung wahrgenommenen kritischen Aspekte sind zahlreich. Die Einflussfaktoren in diesem Bereich reichen von Wetterbedingungen und anderen Umweltfaktoren (Kat2.1Int6, Kat2.1Int7) bis hin zur zukünftigen Entwicklung der Nachfrage (Kat2.1Int6). Die verschiedenen Transportmittel werden jeweils durch unterschiedliche Einflüsse auf die Verkehrsbedingungen, wie Staus und Streiks, oder ähnliche Störgrößen beeinträchtigt (Kat2.1Int7). Auch die starke Nachfragegebundenheit der Aufgabenstellung wird als kritisch wahrgenommen (Kat2.1Int6). Viele der Einflussfaktoren sind stark veränderlich und schwer kontrollier- oder vorhersehbar (Kat2.2Int7). Die Anforderungen hinsichtlich der Transparenz setzen die Erfassung und den ständigen Austausch großer Datenmengen voraus (Kat2.1Int5). Das Schaffen von Transparenz und die Zusammenstellung aller relevanten Informationen wird durch die Komplexität des Netzwerks zusätzlich erschwert (Kat2.6Int5, Kat2.6Int6, Kat2.6Int7, Kat2.6Int8). Die Steuerung der Warenströme über Länder- und Firmengrenzen hinweg, in Abstimmung mit sämtlichen an dem Transport beteiligten Parteien, stellt weitere Anforderungen an die Kommunikation (Kat2.6Int5, Kat2.6Int8). An dieser Stelle zeigt sich eine mangelhafte Bereitschaft des Informationsaustauschs (Kat2.7Int5). Die Kommunikation über verschiedene Partner und zwischengeschaltete Akteure stellt einen kritischen Punkt dar (Kat2.7Int6). Ein heterogener Kundenstamm mit zahlreichen Individualvereinbarungen erschwert die Entscheidungsprozesse weiterhin (Kat2.6Int7). Ebenso erwachsen besondere Herausforderungen aus der Komplexität der Produkte, beispielsweise aufgrund einer kundenindividuellen Fertigung oder der Verarbeitung einer großen Anzahl unterschiedlicher Komponenten (Kat2.5Int5). Die Berücksichtigung der Menge an Informationen gilt damit ebenfalls als kritisch in der Entscheidungsfindung (Kat3.8Int8). Die Priorisierung der Faktoren ist darüber hinaus von Zielkonflikten geprägt (Kat2.9Int5, Kat2.9Int6, Kat2.9Int8). Eine mangelhafte Datenqualität kann zu Fehleinschätzungen führen (Kat2.4Int6). In der Folge können


48

Produktionsengpässe oder -stillstände entstehen (Kat2.13Int5), wodurch wiederum ein Rückgang der Kundenzufriedenheit verursacht wird (Kat2.13Int7). Transportkosten nehmen in den Unternehmen einen großen Anteil der Gesamtkosten ein (Kat2.13Int8). Fehlentscheidungen haben daher vergebene Einsparpotentiale beziehungsweise zusätzliche Kosten zur Folge (Kat2.13Int8). Teilweise ist die nötige Transparenz über die Prozesse nicht gewährleistet (Kat2.8Int5, Kat2.8Int8). Fehlende Transparenz entsteht in der Materialflusssteuerung zum Beispiel mit mangelhafter Übersicht von Transportfortschritten (Kat2.8Int5) oder relevanter Charakteristika der Sendungen (Kat2.8Int8). Auch die Kenntnis der Netzwerkstrukturen über die gesamte SC hinweg ist oftmals nicht vorhanden (Kat2.8Int5). Gleichzeitig erfolgen die Entscheidungen meist unter Zeitdruck (Kat2.12Int6). Es gilt, die Kunden zeitnah zu bedienen (Kat2.12Int7, Kat2.12Int8). Auch ein frühzeitiges Erkennen möglicher Störungen ist zu forcieren, da so die Zahl der Handlungsmöglichkeiten und somit die Chancen auf eine erfolgreiche Lösung des Problems maximiert werden können (Kat2.12Int5).

Gefahrgutversand

Der Gefahrgutversand kann als eine spezielle Aufgabe innerhalb der Transportplanung betrachtet werden. Hierbei sind Sendungen verschiedener Gefahrgüter zu planen und zu überwachen. (Kat1.7Int3)

Der Gefahrgutversand wird als Aufgabe von besonderer Komplexität angesehen (Kat2.5Int3). Die besonderen Eigenschaften der Produkte setzen die Berücksichtigung vielfältiger Einflussfaktoren voraus (Kat2.1Int3). Im Zuge der Sendungsorganisation sind zahlreiche Richtlinien zu prüfen und einzuhalten (Kat2.1Int3). Diese Richtlinien umfassen verschiedene Versandvoraussetzungen und -bestimmungen sowie Sammelladeverbote und sind darüber hinaus für die einzelnen Transportmittel, Verladestellen und Dienstleister unterschiedlich (Kat2.1Int3). Zudem sind die Regularien häufigen aber unregelmäßigen Anpassungen unterworfen (Kat2.2Int3), worunter die Transparenz über mögliche Transportwege und -mittel leidet (Kat2.8Int3). Ebenso werden an verschiedenen Schnittstellen auf dem Transportweg Gefahrgutzuschläge erhoben, die ebenfalls ständigen Anpassungen unterzogen werden (Kat2.8Int3). In der Entscheidungsfindung sind sämtliche relevanten Richtlinien zu berücksichtigen und gegenüberzustellen (Kat2.3Int3). In die Priorisierung der Faktoren und Möglichkeiten sind außerdem die mit dem Transport verbundene Zeit und Kosten


49

einzubeziehen (Kat2.9Int3). Es handelt sich um eine zeitintensive Tätigkeit von hohem manuellen Aufwand (Kat2.11Int3). Gleichzeitig ist die Entscheidungsfindung zeitkritisch (Kat2.12Int1). Verspätete Lieferungen können beispielsweise zu Produktionsstillständen auf Kundenseite führen (Kat2.13Int3).

Ressourcenallokation

In Engpasssituationen sind Entscheidungen über den Einsatz und die Verteilung der verfügbaren Ressourcen zu treffen. Die Entscheidung erfolgt auf Basis einer Gegenüberstellung der vorhandenen Ressourcen und der geforderten Nachfrage sowie der anschließenden Priorisierung einzelner Interessen. Engpässe liegen in der Produktion standardmäßig vor. (Kat1.8Int9, Kat1.8Int11)

Die Steuerung von Engpasssituationen ist damit eine in der Industrie typische Aufgabenstellung (Kat2.5Int9, Kat2.5Int11). Ein bedeutender Einflussfaktor stellt an dieser Stelle die Relevanz des Kunden dar (Kat2.1Int11). Entscheidungsfindungsprozesse berücksichtigen hierzu unter anderem das aktuelle und erwartete Auftragsvolumen sowie vertragliche Verpflichtungen gegenüber dem Kunden (Kat2.1Int11). Die Priorisierung sämtlicher Faktoren wird auch in diesem Aufgabenbereich als Herausforderung wahrgenommen (Kat2.9Int9). Vor allem in der Prognose der zukünftigen Nachfrage sind dabei stark variable und schwer vorhersehbare Einflussfaktoren zu berücksichtigen (Kat2.2Int9, Kat2.2Int11). Ebenso sind Vorhersagen über die verfügbaren Ressourcen und Fähigkeiten des eigenen Unternehmens schwer zu treffen (Kat2.2Int9). So sind Maschinenausfälle beispielsweise nur bedingt vorausseh- und kontrollierbar (Kat2.2Int9). Der Planungsaufwand steigt mit der Komplexität der Produkte und des Netzwerks (Kat2.5Int9, Kat2.6Int9). Diese kann aus einer hohen Fertigungstiefe und Prozessvielfalt, einem heterogenen Anlagenpark oder auch der Bedienung unterschiedlicher Kundensegmente resultieren (Kat2.5Int9, Kat2.5Int9). Zur Vorhersage der konkreten Kundenbedarfe und der Ressourcenallokation bei Engpässen ist die regelmäßige Abstimmung mit angrenzenden Unternehmensbereichen auf der Vertriebsseite beziehungsweise den Key Account Managern erforderlich (Kat2.8Int9, Kat2.8Int11). Ein mangelhafter Austausch kann an dieser Stelle die Transparenz und richtige Einschätzung der Ist-Situation beeinträchtigen (Kat2.7Int11). Fehlende Informationen führen dabei zu Unsicherheiten in der Entscheidungsfindung (Kat.2.7Int11). Außerdem wird eine unzureichende Nachvollziehbarkeit der getroffenen Entscheidungen als kritischer Aspekt genannt (Kat2.8Int11). Auch


50

die Kommunikation mit dem Kunden ist von großer Bedeutung und falsche Signale oder Fehleinschätzungen können an dieser Stelle beispielsweise zum Auftreten des Bullwhip Effect (Kat2.7Int9) oder zu Vertrauensverlust führen (Kat2.13Int9). Bei ausbleibender Befriedigung der Kundenbedarfe entsprechend der Vertragsvereinbarungen können darüber hinaus Entschädigungszahlungen fällig werden (Kat2.13Int11). Die sorgfältige Entscheidungsfindung verursacht in der Folge einen hohen personellen Aufwand (Kat2.11Int11).

Eine Häufigkeitsverteilung der genannten kritischen Aspekte lässt sich Abbildung 9 entnehmen.

Abbildung 9: Häufigkeitsverteilung zu Kategoriensystem 2


Die Berücksichtigung und Priorisierung einer großen Menge unterschiedlicher Faktoren wird in jeweils sieben Entscheidungssituationen und damit in rund 90%

0%10%20%30%40%50%60%70%80%90%

100%

Häufigkeit der kritischen AspekteHäufigkeit der Nennung in den Entscheidungssituationen


51

der betrachteten Aufgabenbereiche als problematisch eingestuft. In 50% der Entscheidungssituationen wird außerdem die Entscheidungsfindung auf Basis stark veränderlicher Einflussfaktoren als schwierig eingeschätzt. In knapp 90% der betrachteten Entscheidungssituationen bestehen Schwierigkeiten durch eine unzureichende Kommunikation, die Ressourcenintensität der Entscheidungsfindung und durch weitreichende Folgen bei einer Fehleinschätzung. Weitere Schwierigkeiten entstehen in 75% der Situationen durch die Komplexität der Produkte, Projekte oder des Netzwerks. Die in fünf der Entscheidungssituationen bemängelte Transparenz kann unter anderem auf diese Faktoren zurückgeführt werden.

Abbildung 10: Anzahl der kritischen Aspekte in den Entscheidungssituationen


Die insgesamt meisten kritischen Aspekte werden im Bereich der Materialflusssteuerung genannt (vgl. Abbildung 10). Diese Beobachtung ist dahingehend zu relativieren, dass diesem Aufgabenbereich in insgesamt fünf Interviews größere Aufmerksamkeit geschenkt wird, verglichen mit den anderen Entscheidungssituationen. Das Vertragsmanagement wird dagegen beispielsweise lediglich in einem der Interviews betrachtet. Die relativ kleine


52

Menge an benannten kritischen Aspekten in diesem Bereich lässt sich dementsprechend auch auf eine weniger umfassende Beschreibung der Entscheidungssituation in einer geringeren Zahl an Interviews zurückführen. In den übrigen Entscheidungssituationen werden jeweils mindestens acht kritische Punkte aus dem Kategoriensystem benannt.

5.2 Aktuelle Unterstützungsmaßnahmen durch Informationstechnologie

Die beschriebenen kritischen Aspekte werden aktuell durch verschiedene Unterstützungsmaßnahmen der IT adressiert. Die Tabelle 5 zeigt eine Zusammenfassung der genannten Systeme zu 23 Kategorien. Diese lassen sich in Folge einer Anpassung des Abstraktionsniveaus zu fünf Hauptkategorien verdichten.

Tabelle 5: Kategoriensysteme 3a - Aktuelle Hilfsmittel

Nr. Kategorienbezeichnung Verdichtung zu

Hauptkategorien

1 SAP / ERP-Systeme

Allgemeine Systeme 2 Kollaborationsplattformen

3 Angrenzende Dienstleistersysteme

4 Systeme zur Planung und Steuerung

Systeme zur Unterstützung

konkreter Aufgabenstellungen

5 Risikomanagementsystem

6 Systeme zur Lieferantenbewertung

7 Vertragsmanagement

8 Spezialtools

9 Festlegung von Parametern Funktionen der Systeme


53

10 Auswertung externer Daten

11 Auswertung historischer Daten

12 Simulation

13 Optimierung

14 Vorausschau

15 Warnungen

16 Handlungsempfehlungen

17 Excel

Hilfsmittel außerhalb der

Systeme 18 E-Mail-Kommunikation

19 Telefonate

20 Prozesskostenanalyse

Methoden

21 Entscheidungsmatrizen

22 Interviews

23 ABC- / XYZ-Klassifizierung


Die Abbildung 11 gibt eine Übersicht der Häufigkeiten dieser Beobachtungen. Die Angaben beziehen sich jeweils auf die Nennungen in den Interviews. Es ist möglich und wahrscheinlich, dass die Unterstützungssysteme auch in weiteren Entscheidungssituationen zum Einsatz kommen, jedoch vom Experten in der Befragung nicht erwähnt wurden.


54

Abbildung 11: Häufigkeitsverteilung zu Kategoriensystem 3a


Im Bereich der allgemeinen Unterstützungssysteme kommen in 50% der Situationen SAP- und ERP-Systeme zum Einsatz (Kat3a.1Int4, Kat3a.1Int5, Kat3a.1Int9, Kat3a.1Int10, Kat3a.1Int11). Die Nutzung von Kollaborationsplattformen wird lediglich in zwei Entscheidungssituationen genannt (Kat3a.2Int2, Kat3a.2Int11). Die Arbeit mit den Systemen der angrenzenden Dienstleister wird im Bereich der Materialflusssteuerung

0%10%20%30%40%50%60%70%80%90%

100%

SA

P /

ER

P-S

yste

me

Kol

labo

ratio

nspl

attfo

rmen

Ang

renz

ende

Die

nstle

iste

rsys

tem

eS

yste

me

zur

Pla

nung

und

Ste

ueru

ng

Ris

ikom

anag

emen

tsys

tem

Sys

tem

e zu

r L

iefe

rant

enbe

wer

tung

Ver

trag

sman

agem

ent

Spe

zial

tool

sF

estle

gung

von

Par

amet

ern

Aus

wer

tung

ext

erne

r D

ate

nA

usw

ertu

ng h

isto

risch

er D

aten

Sim

ulat

ion

Opt

imie

run

gV

orau

ssch

auW

arnu

ngen

Ha

ndlu

ngse

mpf

ehlu

ngen

Exc

elE

-Mai

l-Kom

mun

ikat

ion

Tel

efon

ate

Pro

zess

kost

enan

alys

eE

ntsc

heid

ungs

mat

rizen

Inte

rvie

ws

AB

C-

/ XY

Z-K

lass

ifizi

erun

g

Häufigkeit der aktuellen Unterstützungsmaßnahmen

Häufigkeit der Nennung in den Entscheidungssituationen


55

beschrieben (Kat3a.3Int5, Kat3a.3Int6, Kat3a.3Int7). Insgesamt finden damit in 73% der Entscheidungssituationen diese allgemeinen Systeme Anwendung.

Zur Unterstützung konkreter Aufgabenstellungen existieren in den Unternehmen beispielsweise Systeme zur allgemeinen Planung und Steuerung (Kat3a.4Int1, Kat3a.4Int3, Kat3a.4Int5, Kat3a.4Int6, Kat3a.4Int7, Kat3a.4Int8, Kat3a.4Int11), dem Risiko- (Kat3a.5Int1, Kat3a.5Int2) und Vertragsmanagement (Kat3a.7Int2, Kat3a.7Int11) oder Systeme zur Lieferantenbewertung (Kat3a.6Int2) sowie einige Spezialtools, wie Hyperion (Kat3a.8Int4), inProLog (Kat3a.8Int4) oder das Dispo-Cockpit der Gesellschaft für Information und Bildung (Kat3a.8Int9). In sechs der betrachteten Entscheidungssituationen ist die Nutzung solcher Systeme beschrieben. Systeme zur Planung und Steuerung werden in 50% der Entscheidungssituationen genannt. Diese werden beispielsweise zur Produktionsplanung (Kat3a.4Int1, Kat3a.4Int11), dem Material- und Lagermanagement (Kat3a.4Int7) oder der Disposition (Kat3a.4Int5) und Transportplanung (Kat3a.4Int8) eingesetzt.

Darüber hinaus beschreiben die Befragten konkrete Funktionen der verwendeten Systeme. Diese reichen von der Auswertung externer (Kat3a.10Int3, Kat3a.10Int10, Kat3a.10Int11) oder historischer Daten (Kat3a.11Int7, Kat3a.11Int9, Kat3a.11Int11) über Möglichkeiten zur Simulation (Kat3a.12Int5), Optimierung (Kat3a.13Int5, Kat3a.13Int8) und Prognose (Kat3a.14Int1, Kat3a.14Int11) bis hin zu systemseitigen Warnungen (Kat3a.15Int3, Kat3a.15Int6, Kat3a.15Int7, Kat3a.15Int9, Kat3a.15Int11) und Handlungsempfehlungen (Kat3a.16Int3, Kat3a.16Int5, Kat3a.16Int7, Kat3a.16Int9). Funktionen zur Simulation und Optimierung stehen dabei aktuell in einer der genannten Entscheidungssituationen zur Verfügung. Am häufigsten werden die Generierung systemseitiger Warnungen und Handlungsempfehlungen als IT-Funktionen genannt. Diese Funktionen sind jeweils in 50% der Aufgabenbereiche vorhanden.

In 50% der Entscheidungssituationen wird außerdem auf IT-Hilfsmittel außerhalb der Systeme zurückgegriffen. In all diesen Entscheidungssituationen wird an dieser Stelle der Einsatz von Excel genannt (Kat3a.17Int4, Kat3a.17Int5, Kat3a.17Int9, Kat3a.17Int10). E-Mail-Kommunikation (Kat3a.18Int5, Kat3a.18Int10) und Telefonate (Kat3a.19Int5, Kat3a.19Int11) stellen weitere Hilfsmittel dar.

Die Anwendung grundsätzlicher Methoden wird in zwei der Entscheidungssituationen vertieft. Im Rahmen von Investitionsentscheidungen


56

sind Prozesskostenanalysen (Kat3a.20Int4) und Entscheidungsmatrizen (Kat3a.20Int4) zu erstellen sowie Interviews mit Mitarbeitern zu führen (Kat3a.22Int4). Die ABC- beziehungsweise XYZ-Klassifizierung der Komponenten und Produkte erweist sich dagegen im Bereich der Ressourcenallokation als hilfreich (Kat3a.23Int9).

5.3 Gewünschte Funktionen der Informationstechnologie

Die gewünschten Funktionen und Merkmale der Unterstützungssysteme lassen sich zu 22 Kategorien zusammenfassen (vgl. Tabelle 6).

Tabelle 6: Kategoriensysteme 3b - Gewünschte Hilfsmittel.

Nr. Kategorienbezeichnung

1 Integration der Systeme

2 Kollaboration und Informationsaustausch

3 Auswertung historischer Daten

4 Auswertung externer Quellen

5 Manuellen Aufwand reduzieren

6 Aktualität der Daten gewährleisten

7 Validitätsprüfung

8 Fähigkeit zum Verstehen und Interpretieren der Information

9 Training auf bestimmten Anwendungsbereich

10 Kreativität und Erfahrung des Menschen nutzen

11 Vorausschau

12 Warnungen

13 Übersichtsfunktion

14 Simulation


57

15 Priorisierung

16 Aufzeigen von Verbesserungspotentialen

17 Handlungsempfehlungen

18 Vertrauensniveau für Handlungsempfehlungen

19 Visualisierung

20 Individuelle Anpassbarkeit des Systems

21 Intuitive Bedienbarkeit

22 Cloud-Lösung


Informationen zur Anzahl der Nennungen der einzelnen Funktionen und Merkmale in den Situationen und Interviews lassen sich der Abbildung 12 entnehmen.


58

Abbildung 12: Häufigkeitsverteilung zu Kategoriensystem 3b


0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Häufigkeit der gewünschten Unterstützungsmaßnahmen

Häufigkeit der Nennung in den Entscheidungssituationen


59

In fünf der betrachteten Entscheidungssituationen besteht der Wunsch nach einer stärkeren Integration und Verknüpfung der bestehenden Systeme (Kat3b.1Int2, Kat3b.1Int3, Kat3b.1Int5, Kat3b.1Int6, Kat3b.1Int8, Kat3b.1Int9, Kat3b.1Int10). Die benötigten Informationen aus unterschiedlichen Quellen sollen hierzu in einem einheitlichen System gesammelt und verfügbar gemacht werden (Kat3b.1Int3, Kat3b.1Int5, Kat3b.1Int10). Ebenso ist die umfängliche Bearbeitung der Aufgabenstellung in dem gleichen System zu ermöglichen (Kat3b.1Int8, Kat3b.1Int9). Allgemein ist eine Verringerung des manuellen Aufwandes in vier der beschriebenen Aufgabenbereiche herbeizuführen (Kat3b.5Int3, Kat3b.5Int6, Kat3b.5Int9, Kat3b.5Int10). Dazu sind Funktionen zum schnellen und einfachen Einspielen der Daten (Kat3b.5Int3) sowie der Datenaufbereitung mit nur einem Mausklick zu integrieren (Kat3b.5Int6, Kat3b.5Int9, Kat3b.5Int10). Die Systeme sollen darüber hinaus dazu in der Lage sein, die Aktualität und Korrektheit der Daten zu prüfen und zu verbessern (Kat3b.6Int3, Kat3b.6Int8, Kat3b.7Int4, Kat3b.7Int10).

Durch die Auswertung relevanter externer und historischer Daten sollen Transparenz geschaffen und Zukunftsprognosen ermöglicht werden (Kat3b.3Int1, Kat3b.4Int1, Kat3b.4Int2, Kat3b.4Int3, Kat3b.4Int5). In vier der betrachteten Entscheidungssituationen wird die Möglichkeit zur Vorausschau gefordert (Kat3b.11Int1, Kat3b.11Int2, Kat3b.11Int5, Kat3b.11Int6, Kat3b.11Int9). Die Menge der zu berücksichtigenden Information soll bereits durch die Systeme interpretiert werden (Kat3b.8Int1, Kat3b.8Int11). Hierzu ist das Training auf den speziellen Aufgabenbereich erforderlich (Kat3b.Int1, Kat3b.9Int5, Kat3b.9Int10). Zu diesem Zweck ist auch die Lernfähigkeit des Systems und Entwicklung von Erfahrungswerten wünschenswert (Kat3b.9Int10). Gleichzeitig sollen ebenso die Erfahrung und Kreativität der Arbeitskraft in die Lösungsfindung integriert werden (Kat3b.10Int5, Kat3b.10Int6, Kat3b.10Int6, Kat3b.10Int11). Auf Basis dieser Wissensgrundlage sind anschließend Warnungen (Kat,3b.12Int1, Kat3b.12Int2, Kat3b.12Int5, Kat3b.12Int9) Handlungsempfehlungen (Kat3b.17Int1, Kat3b.17Int4, Kat3b.17Int5, Kat3b.17Int7, Kat3b.17Int9, Kat3b.17Int10) oder konkrete Verbesserungspotentiale auszuweisen (Kat3b.16Int9, Kat3b.16Int10). Die Entwicklung von Handlungsalternativen stellt die meistgewünschte Funktion in den betrachteten Entscheidungssituationen dar. Die Funktion wird in 75% der Entscheidungssituationen gefordert. In einer der Entscheidungssituationen wird außerdem darauf hingewiesen, dass systemseitige Handlungsempfehlungen ein bestimmtes Vertrauensniveau aufweisen sollten (Kat3b.18Int6). Daraus lässt sich schließen, dass bei der Entwicklung der Handlungsempfehlungen auch die


60

Angabe des zugehörigen Vertrauensniveaus beziehungsweise der erwarteten Erfolgswahrscheinlichkeit einer Lösung wünschenswert ist. Zur Ableitung und Bewertung der Handlungsalternativen werden außerdem Funktionen der Simulation (Kat3b.14Int4, Kat3b.14Int5, Kat3b.14Int9) und Priorisierung relevanter Faktoren gefordert (Kat3b.15Int6, Kat3b.15Int7).

Systeme zur Unterstützung der Kollaboration und des Informationsaustauschs zwischen den beteiligten Unternehmensbereichen und Partnern der SC werden in drei der Entscheidungssituationen gefordert (Kat3b.2Int3, Kat3b.2Int5, Kat3b.2Int7, Kat3b.2Int8). Die Systeme sollen sowohl den reinen Informations- (Kat3b.2Int5, Kat3b.2Int8) als auch den Wissens- und Erfahrungsaustausch (Kat3b.2Int3, Kat3b.2Int7) erleichtern. Zu diesem Zweck ist der Einsatz von Cloud-Lösungen auszuweiten (Kat3b.22Int 3, Kat3b.22Int8, Kat3b.22Int11).

Weitere allgemeine Merkmale der gewünschten Systeme beziehen sich darüber hinaus auf eine gesteigerte Benutzerfreundlichkeit. An erster Stelle wird hierzu in 50% der benannten Entscheidungssituationen nach einer individuellen Anpassbarkeit des Systems verlangt (Kat3b.20Int3, Kat3b.20Int5, Kat3b.20Int8, Kat3b.20Int9, Kat3b.20Int10). Sowohl die Übersicht zu aktuellen Problemstellungen (Kat3b.13Int3, Kat3b.13Int6) als auch die Eingabe individueller Anfragen und Erstellung spezifischer Reporte soll durch das System unterstützt werden (Kat3b.20Int3, Kat3b.20Int9, Kat3b.20Int10). Die intuitive Bedienbarkeit des Systems (Kat3b.21Int5, Kat3b.21Int9, Kat3b.21Int11, Kat3b.21Int10) in Kombination mit Möglichkeiten zur Visualisierung (Kat3b.19Int5, Kat3b.19Int9) soll die Nutzerfreundlichkeit der Systeme weiterhin verbessern.

Die Gegenüberstellung der Häufigkeiten aus Abbildung 11 mit denen aus Abbildung 12 zeigt, dass in einigen Bereichen Abweichungen zwischen der gewünschten und der tatsächlichen Verbreitung relevanter Funktionen bestehen. Die Abbildung 13 stellt diejenigen Funktionen und Merkmale gegenüber, die sowohl in Kategoriensystem 3a als auch 3b genannt werden und außerdem größere Abweichungen der Soll- und Ist-Angaben aufweisen. Aspekte, die nicht in beiden Kategoriensystemen zu finden sind, werden an dieser Stelle ausgeblendet.


61

Abbildung 13: Vergleich aktueller und gewünschter Unterstützungs- maßnahmen


Vor allem die Ausgabe vertrauenswürdiger Handlungsempfehlungen wird in den betrachteten Entscheidungssituationen vielfach gewünscht. In der Praxis wird diese Funktion lediglich in der Hälfte der Situationen als vorhandene IT-Unterstützung erwähnt. Ebenso entsprechen die aktuellen Möglichkeiten der systemgestützten Warnung, Simulation und Prognose noch nicht den Wunschvorstellungen der Experten. Die Auswertung externer Daten und die Kollaboration mit angrenzenden Partnern sind ebenfalls zu intensivieren.

0

1

2

3

4

5

6

7

Vergleich aktueller und gewünschter Unterstützungsmaßnahmen

Anzahl der Nennungen in den Entscheidungssituationen

aktuell gewünscht


62

5.4 Einsatzmöglichkeiten von Cognitive Computing

Die Ableitung konkreter Verbesserungspotentiale durch CC im SCM kann durch die Gegenüberstellung aktueller Schwachstellen in kritischen Entscheidungssituationen des SCM (vgl. Kapitel 5.1) sowie der gewünschten Unterstützungsmaßnahmen aus Kapitel 5.3 mit den Alleinstellungsmerkmalen kognitiver Systeme, wie sie in Kapitel 2.1 beschrieben werden, erfolgen.

5.4.1 Allgemeine Einsatzmöglichkeiten

CC als Lösung aus dem Bereich der Datenanalyse ist dazu in der Lage, große Mengen an Information zu verarbeiten, wie es im SCM erforderlich und oftmals problematisch ist (vgl. Kat2.1, Kat2.2, Kat2.3). Sowohl die Auswertung historischer als auch externer Informationsquellen kann erfolgen (vgl. Kat3b.3, Kat3b.4), wodurch die Fähigkeiten zur Simulation, Prognose und Vorausschau verbessert werden (vgl. Kat3b.11, Kat3b.12, Kat3b.14). Kognitive Systeme können dazu auch die verschiedenen im SCM zum Einsatz kommenden Informationsformate, wie beispielsweise natürliche Sprache und Bildmaterial, berücksichtigen. Die Datenanalyse erfolgt in kurzer Zeit, was wiederum im Umfeld des SCM von Vorteil ist (vgl. Kat2.12). Die Integration sämtlicher relevanter Informationen in einem einheitlichen System für alle Funktionen und Nutzer kann zu einer erheblichen Verbesserung der Transparenz beitragen (vgl. Kat2.8). Die Bedeutung dieses Überblicks wird auch in dem Gespräch mit Experte Nr. 6 deutlich: „Ohne diese Transparenz sind wir in der Vergangenheit in ein schwarzes Loch gelaufen.“268 Zu einer Verbesserung der Transparenz kann laut Experte Nr. 8 auch eine stärkere Nutzung von Sensortechnik über die SC hinweg beitragen.269 Technologien aus dem Bereich des Internet der Dinge ermöglichen die Vernetzung von Objekten und Maschinen sowie die automatisierte Erfassung relevanter und belastbarer Daten.270 Experte Nr. 8 ist der Meinung, „… dass eine Kombination aus der Geschäftsprozess- und der Sensorwelt die richtige Antwort ist.“271

Komplexe Sachverhalte werden anschließend durch das kognitive System verarbeitet und die Bearbeitung für den Nutzer somit stark vereinfacht (vgl. Kat2.5, Kat2.6). Zielkonflikte und Wechselwirkungen sind typische Merkmale von

268 Peretzke, J. (2016c), Interview. 269 Vgl. Peretzke, J. (2016d), Interview. 270 Vgl. Peretzke, J. (2016d), Interview. 271 Peretzke, J. (2016d), Interview.


63

Entscheidungsproblemen im SCM (vgl. Kat2.6, Kat2.9). „Das sind alles Fragen, die nicht binär zu beantworten sind“, meint hierzu Experte Nr. 4.272 Auch Experte Nr. 10 sagte im Interview: „Da kann es viele richtige Entscheidungen geben. … Im Logistikbereich gibt es leider viele Graubereiche, die dann zu vielen verschiedenen Lösungen führen können.“273 CC kann an dieser Stelle dennoch eine Priorisierung der Faktoren und Einzelziele vornehmen und Konsequenzen gegeneinander abwägen (vgl. Kat2.9). Schließlich erhält der Nutzer eine Auswahl vorgeschlagener Handlungsalternativen unter Angabe eines Vertrauensniveaus durch das System (vgl. Kat3b.17, Kat3b.18). Ein besonderes Alleinstellungsmerkmal kognitiver Lösungen besteht in der Lernfähigkeit des Systems. Durch das Training auf den speziellen Anwendungsbereich (vgl. Kat3b.8, Kat3b.9) ist das System dazu im Stande, bisher unbekannte Muster in den Daten zu erkennen. Diese Funktion ist vor allem für die Identifikation allgemeiner Verbesserungspotentiale im SCM von Vorteil (vgl. Kat3b.16). Kognitive Systeme lernen aus dem Feedback der Nutzer und aus Erfahrung. Aufgrund der Anpassung des Systems an die Aufgabenstellung wird auch die Validitätsprüfung der Daten ermöglicht (vgl. Kat2.4, Kat3b.7).

Eines der bedeutendsten Alleinstellungsmerkmale kognitiver Systeme besteht in der Interaktion mit dem Nutzer. Das System tritt auf eine intuitive Weise in einen Dialog mit dem Nutzer. CC erfüllt damit den Wunsch nach vereinfachter Bedienbarkeit und Anpassbarkeit der Systeme (vgl. Kat3b.19, Kat3b.20, Kat3b.21). Die Systeme tragen zu einer effizienten Kombination von Mensch und Maschine bei. Sie machen das fundierte Wissen und die Erfahrung der SC-Experten nutzbar (vgl. Kat3b.10) und erweitern es um die analytischen Fähigkeiten. Menschliche Defizite in der Berücksichtigung vieler sich ändernder Einflussfaktoren komplexer Entscheidungssituationen (vgl. Kat2.1, Kat2.2, Kat2.3, Kat2.5, Kat2.6, Kat2.9, Kat3b.15) werden kompensiert. „Aber in dem Umgang mit Unsicherheit ist, glaube ich, der Mensch ganz gut. Weil er seine Erfahrung mit einbringt und die Maschine nicht unbedingt“, meint dazu Experte Nr. 12.274 Diese Erfahrungswerte können beispielsweise durch die Fähigkeiten zur Verarbeitung natürlicher Sprache und den verstärkten Dialog mit dem Nutzer erfasst und verarbeitet werden.

Prinzipiell kann davon ausgegangen werden, dass zahlreiche Einsatzmöglichkeiten von CC im SCM bestehen, auch außerhalb der in den

272 Peretzke, J. (2016b), Interview. 273 Peretzke, J. (2016e), Interview. 274 Peretzke, J. (2016f), Interview.


64

Interviews betrachteten Aufgabenbereiche. Experte Nr. 4 sieht kritische Entscheidungssituationen in allen Bereichen des SCM.275 Gleichzeitig geht er von hohen Einsparpotentialen aus.276 „Hier ist die Zitrone noch nicht ganz ausgepresst.“277 Auch Experte Nr. 8 nimmt Bezug zu dem hohen Anteil der Logistikkosten in den Unternehmen: „Wir wissen, dass je nach Branche hier in Europa sechs bis zwölf Prozent des Umsatzes Transportkosten sind. Das sind dementsprechend sehr hohe Kosten für viele Unternehmen.“278 Die Verbesserungspotentiale beziehen sich dabei nicht ausschließlich auf eine Senkung der Kosten, sondern außerdem auf eine Erhöhung der Nachhaltigkeit der SC. Im Experteninterview Nr. 7 wird hierzu angemerkt: „Wir wollen natürlich den Kostenfaktor niedrig halten und auch das Thema Nachhaltigkeit im Hinterkopf behalten.“279 Experte Nr. 1 sagte im Interview, dass es sehr viele Beispiele für schwierige Entscheidungssituationen im SCM gibt. „… fast alles, was man sich nur vorstellen kann, könnte durch den Einsatz von kognitiven Systemen … verbessert werden.“280

5.4.2 Konkrete Einsatzbeispiele

In den Interviews werden bereits erste Ansätze konkreter Unterstützungssysteme gegeben. Die folgenden Abschnitte werden einige dieser Beispiele erläutern. Hierzu sollen Entscheidungssituationen aus den drei in der Befragung hauptsächlich betrachteten SCOR-Bereichen der Planung, Beschaffung und Produktion behandelt werden. Im Bereich der Planung wird eine kognitive Lösung der Leistungsbewertung beschrieben. Ebenso werden für die Beschaffungsaufgaben der Bedarfsplanung und Materialflusssteuerung sowie für die Ressourcenallokation im Rahmen der Produktion Beispiellösungen aufgezeigt.

Plan: Leistungsbewertung

Die interne Leistungsbewertung ist aktuell mit einem hohen manuellen Aufwand verbunden (Kat2.11Int10). Zur Bewertung der Effizienz und zur Optimierung der

275 Vgl. Peretzke, J. (2016b), Interview. 276 Vgl. Peretzke, J. (2016b), Interview. 277 Peretzke, J. (2016b), Interview. 278 Peretzke, J. (2016d), Interview. 279 Peretzke, J. (2016c), Interview. 280 Peretzke, J. (2016a), Interview.


65

Transporte sind Informationen unter anderem hinsichtlich der Produktspezifika, der genutzten Transportmittel und -wege, der damit verbundenen Kosten und Laufzeiten sowie Kundeninformationen zu berücksichtigen (Kat2.1Int10). Die Berücksichtigung und Priorisierung aller Faktoren (Kat2.1Int10, Kat2.3Int10, Kat2.9Int10) innerhalb des komplexen Aufgabenbereiches (Kat2.5Int10, Kat2.6Int10) stellt sich als problematisch dar. Die Kommunikation und der Informationsaustausch werden durch die Anzahl der involvierten Parteien und den Einsatz zahlreicher heterogener Systeme erschwert (Kat2.6Int, Kat2.7Int10). Fehlerhafte Daten (Kat2.4Int10), Zeitdruck (Kat2.12Int10) und mangelnde Transparenz (Kat2.8Int10) erhöhen das Risiko von Fehlentscheidungen zusätzlich.

Tabelle 7: Kritische Aspekte in der Leistungsbewertung.

Kritische Aspekte in der

Leistungsbewertung

Menge der Einflussfaktoren

Menge der Information

Mangelhafte Datenqualität

Komplexität der Produkte / Projekte

Komplexität des Netzwerks

Mangelhafte Kommunikation

Fehlende Transparenz

Priorisierung der Faktoren

Ressourcenintensität

Zeitdruck


Die kritischen Aspekte in diesem Bereich können durch CC unterstützt werden. Das System gewährleistet zunächst die Integration sämtlicher in der Entscheidungsfindung zu berücksichtigenden Daten. Alle relevanten


66

Informationen können in einem System zusammengeführt und umfassend analysiert werden, wodurch der manuelle Aufwand zur Zusammenführung der Daten erheblich reduziert wird. Das System schafft eine einheitliche Datenbasis und damit Transparenz über vergangene Transporte und Kostenstrukturen. Im nächsten Schritt soll ebenso die Aufbereitung der Information durch den Einsatz von CC vereinfacht werden. Die Anpassung und das Training des Systems auf den Aufgabenbereich der Leistungsbewertung ermöglicht eine Einschätzung der Datenqualität und das Erkennen fehlerhafter Daten. Diese werden entsprechend gekennzeichnet und können infolgedessen durch die Mitarbeiter korrigiert werden. Wenn möglich, kann das System solche Anpassungen auch eigenständig vornehmen. Das kognitive System erkennt Muster in der Datenbasis und ermittelt so Schwachstellen und Verbesserungspotentiale innerhalb der Prozesse. Das System kann eine Übersicht über die Effizienz vergangener Transporte geben und dieses Wissen zur Entwicklung konkreter Handlungsempfehlungen in gegenwärtigen und zukünftigen Entscheidungssituationen nutzen. Ein anschließendes Feedback über die tatsächliche Wirksamkeit der ausgewählten und eingeleiteten Aktionen fließt wiederum in die Wissensbasis des Systems ein und resultiert in Anpassungen. Die Mitarbeiter werden proaktiv bei der Transportplanung unterstützt. Die Bedienung des Systems erfolgt darüber hinaus intuitiv mit minimalem Zeitaufwand. Der Mitarbeiter hat an dieser Stelle die Möglichkeit entsprechende Vorgaben und Einstellungen im System anzuwenden. Eine individuelle Anpassung des Systems entsprechend der speziellen Entscheidungssituation und der konkreten Fragestellung ist möglich. Die Erfahrung des Mitarbeiters wird so ebenfalls eingebracht und durch das System auch für spätere Anfragen verarbeitet.

Source: Bedarfsplanung und Materialflusssteuerung

Die Bedarfsplanung kann als Auslöser des Materialflusses gesehen werden, weshalb eine gemeinsame Betrachtung dieser beiden Aufgabenstellungen erfolgt. Die Bedarfsplanung bezieht sich zunächst auf die Vorhersage der zukünftigen Nachfrage und die entsprechende Planung der benötigten Ressourcen, um diese Bedarfe befriedigen zu können (Kat1.5Int1, Kat1.5Int7, Kat1.5Int9). Die Menge (Kat2.1Int1, Kat2.1Int7, Kat2.1Int9) und Veränderlichkeit (Kat2.2Int1, Kat2.2Int7, Kat2.2Int9) der hierbei zu berücksichtigenden Einflussfaktoren stellt eines der Probleme in diesem Bereich dar. Es gilt, Aspekte wie saisonale Trends oder die Preissensibilität der Kunden aber auch den Preis


67

der Komponenten und deren Wiederbeschaffungszeiten zu berücksichtigen und zu priorisieren. Die Betrachtung wird durch die Komplexität der Produkte (Kat2.5Int1, Kat2.5Int9) und des Netzwerks (Kat2.6Int7, Kat2.6Int9) zusätzlich erschwert und beansprucht dementsprechend einen hohen Ressourcenaufwand (Kat2.11Int1, Kat2.11Int7). Fehlentscheidungen führen zu Kosten durch überschüssige Bestände beziehungsweise zu verlorenem Umsatz sowie zur Einleitung kurzfristiger und kostenintensiver Gegenmaßnahmen unter Zeitdruck (Kat2.13Int1, Kat2.13Int7, Kat2.13Int9).

Ähnliche Probleme ergeben sich in der anschließenden Steuerung des Materialflusses. Zu den Einflussfaktoren zählen wiederum stark veränderliche und unkontrollierbare äußere Störeinflüsse (Kat2.2Int5, Kat2.2Int6, Kat2.2Int7, Kat2.2Int8) wie auch die Charakteristika der oft komplexen Produkt- (Kat2.5Int5, Kat2.5Int6) und Netzwerkstrukturen (Kat2.6Int5, Kat2.6Int6, Kat2.6Int7, Kat2.6Int8). Aus unzureichender Kommunikation zwischen den zahlreichen in den Materialfluss involvierten Parteien (Kat2.7Int5, Kat2.7Int6) und fehlerhafter Information (Kat2.4Int6) resultieren Mängel in der Transparenz (Kat2.8Int5, Kat2.8Int6, Kat2.8Int8), wodurch die Priorisierung der Faktoren zusätzlich erschwert wird (Kat2.9Int5, Kat2.9Int6, Kat2.9Int8). Fehlentscheidungen haben an dieser Stelle unter Umständen negative Auswirkungen auf die Kundenzufriedenheit (Kat2.13Int5, Kat2.13Int7, Kat2.13Int8), weshalb die Umsetzung von Gegenmaßnahmen bei Störungen des Materialflusses ebenfalls unter Zeitdruck erfolgt (Kat2.12Int5, Kat2.12Int6, Kat2.12Int7, Kat2.12Int8).

Tabelle 8: Kritische Aspekte in der Bedarfsplanung und Materialflusssteuerung.

Kritische Aspekte in der Bedarfsplanung und Materialflusssteuerung


Veränderliche Einflussfaktoren

Menge der Information

Mangelhafte Datenqualität




68





Zeitdruck

Folgen bei Fehlentscheidung


Die Verbesserungspotentiale durch CC zur Optimierung des gesamten Prozesses beginnen im Bereich der Nachfrageprognose mit einer umfassenden Analyse sämtlicher relevanter historischer wie auch externer Daten zur Vorhersage der Kundenbedarfe. Das kognitive System macht an dieser Stelle auch Informationen aus Social Media zur Analyse und Voraussage des Kundenverhaltens nutzbar. Material- und Teilepreise, Wiederbeschaffungszeiten und weitere für die Planung relevante Daten sind in dem System integriert und fließen in die Entscheidung mit ein. Es folgt die Simulation verschiedener Szenarien. Im Anschluss werden Handlungsempfehlungen zur Planung der Bedarfe ausgegeben. Durch ein einheitliches System über die gesamte Kette hinweg wird außerdem der Austausch mit den angrenzenden Wertschöpfungsstufen unterstützt. Fehleinschätzung und der Weitergabe falscher oder irreführender Informationen an die Partner wird vorgebeugt. Die Parteien arbeiten mit einer einheitlichen und gemeinsamen Datenbasis, die als Entscheidungsgrundlage dient. Die kollaborative Nutzung des einheitlichen Systems, auch über einzelne Unternehmensbereiche hinweg, ermöglicht das Ausschöpfen von Synergieeffekten im Unternehmen. Im Falle der Bedarfsplanung ist beispielsweise eine enge Zusammenarbeit mit der Produktion oder dem Marketing ratsam. Die Simulationen können auf diese angrenzenden Unternehmensbereiche entsprechend ausgeweitet werden.

Die anschließende Steuerung und Überwachung des initiierten Materialflusses erfolgt ebenfalls unter Einbezug externer und historischer Daten. Das System ist auf den konkreten Anwendungsbereich und die zu bearbeitenden Aufgabenstellungen angepasst. Proaktiv erkennt das kognitive System zu erwartende Störungen innerhalb der Transportrelationen und gibt Warnungen wie auch Handlungsempfehlungen aus, um daraus entstehende Folgen


69

einzudämmen. Zu diesem Zweck erstellt das System Simulationen, um die Konsequenzen der Störungen in der konkreten Ausgangssituation und nach Ergreifen der speziellen Maßnahmen voraussehen zu können. Hierzu werden ebenso Daten aus angrenzenden Systemen verarbeitet, um zum Beispiel eine Aussage über aktuell im Lager verfügbare Menge treffen zu können. Das System nimmt eine Priorisierung der unterschiedlichen Faktoren, wie beispielweise der Kosten von Gegenmaßnahmen, vor. An dieser Stelle sind ebenso Informationen zu vergangenen Problemstellungen und die damals gewählten Aktionen sowie deren Erfolg auszuwerten. Auf Basis dieser Information wird außerdem die Angabe einer Erfolgswahrscheinlichkeit der einzelnen Handlungsalternativen unterstützt. Die Einleitung der ausgewählten Maßnahmen erfolgt ebenfalls über das System, um den manuellen Aufwand zusätzlich zu reduzieren.

Die Kommunikation zwischen dem Mitarbeiter und dem System wird unterstützt durch die Visualisierung der Problemfelder, beispielsweise in Form einer geografischen Karte (vgl. Int5). Dem Mitarbeiter wird eine Übersicht der aktuellen Situation und Störungen inklusive einer Priorisierung derselben ausgegeben. Der Mitarbeiter erhält die Möglichkeit, individuelle Anpassungen des Systems vorzunehmen und auch die eigene Kreativität und Erfahrung einzubringen. Ebenso kann der Austausch in der Lösungsfindung zwischen den involvierten Mitarbeitern erfasst und ausgewertet werden. Die Fähigkeiten kognitiver Systeme zur Verarbeitung natürlicher Sprache sind bei der Berücksichtigung sämtlicher Kommunikation von Vorteil. Das Wissen des Menschen wird allgemein nutzbar gemacht. Die übergreifende Nutzung des Systems über alle betroffenen Partner der Kette hinweg fördert die Kollaboration und den Erfahrungsaustausch.

Make: Ressourcenallokation

Bei der effizienten Allokation der verfügbaren Ressourcen in Engpasssituationen sind unter anderem die Spezifika der betroffenen Produkte (Kat2.5Int9, Kat2.5Int11) und Kunden (Kat2.1Int9, Kat2.1Int11) sowie vertragliche Vereinbarungen und die aktuelle Auslastung der benötigten Prozesse, Anlagen und Maschinen zu berücksichtigen (Kat2.5Int9). Ein großer Teil dieser Faktoren ist von ständigen Anpassungen betroffen und nicht kontrollierbar (Kat2.2Int9, Kat2.2Int11). Die Zahl und Verflechtung der unterschiedlichen Faktoren erschwert das Schaffen von Transparenz und die Bewertung und Priorisierung einzelner Aspekte (Kat2.8Int9, Kat2.8Int11, Kat2.9Int9, Kat2.9Int11). Um


70

weitreichende Folgen in Form von rückläufiger Kundenzufriedenheit bis hin zu Strafzahlungen (Kat2.13Int9, Kat2.13Int11) zu vermeiden, erfolgt eine zeitaufwändige Analyse der Entscheidungssituation (Kat2.11Int11).

Tabelle 9: Kritische Aspekte in der Ressourcenallokation.

Kritische Aspekte in der

Ressourcenallokation


Veränderliche Einflussfaktoren







Folgen bei Fehlentscheidung


Ein kognitives System kann an dieser Stelle die benannten Einflussfaktoren einheitlich zusammenfassen und analysieren. In einer Übersichtsfunktion werden akute Engpasssituationen priorisiert abgebildet. Nach einer Anpassung und mit steigender Erfahrung in dem jeweiligen Anwendungsbereich ist das System dazu in der Lage, Verbesserungspotentiale aufzuzeigen. In dem beschriebenen Problemfeld der Ressourcenallokation sind damit auch Handlungsempfehlungen zu einer höheren Auslastung einzelner Maschinen oder der Empfehlung von auf den jeweiligen Prozess abgestimmten Wartungsstrategien möglich. Die allgemeine Prozesseffizienz wird erhöht. Darüber hinaus lassen sich potentielle


71

Engpässe früher erkennen. Mit der Vorlaufzeit erhöht sich die Anzahl der möglichen Gegenmaßnahmen bei gleichzeitiger Reduktion der Folgen des Engpasses. Zur Entwicklung und Bewertung der Handlungsalternativen sollen wiederum Fähigkeiten der Simulation zum Einsatz kommen. Der Mitarbeiter erhält die Möglichkeit, komplexe Sachverhalte abzubilden und Entwicklungen zu simulieren bei gleichzeitig möglichst intuitiver Bedienbarkeit des Systems. Die einfache Bedienung des Systems wird durch Funktionen zur Visualisierung der Informationen und zur individuellen Anpassung unterstützt. Insbesondere relevante Kennzahlen sind ohne hohen manuellen Aufwand zu ermitteln und visuell darstellbar. Die einfache Form der Datenaufbereitung und Darstellung vereinfacht die Abstimmung mit angrenzenden Unternehmensfunktionen.


72

6 Fazit

6.1 Kritische Betrachtung

Ziel der vorliegenden Arbeit war das Aufzeigen von Einsatzmöglichkeiten von CC im SCM. Die Identifikation solcher Verbesserungspotentiale erfolgte im Laufe der vorliegenden Forschung systematisch und orientierte sich an drei übergeordneten Forschungsfragen. Das Forschungsdesign wurde abgestimmt auf die Zielsetzung dieser qualitativen Forschung. Die Methodik als eine Kombination aus leitfadengestützten Experteninterviews und der anschließenden Analyse der Kommunikation mittels der induktiven Kategorienbildung eignete sich zur Beantwortung der Forschungsfragen.

Die Expertenbefragung erfolgte als leitfadengestütztes Interview. Der Interviewleitfaden orientierte sich ebenfalls an den der Arbeit zugrundeliegenden Forschungsfragen. Durch den Einsatz des Leitfadens wurde die Vergleichbarkeit der Interviews ermöglicht. Gleichzeitig gab der Leitfaden ausreichend Freiräume für die individuellen Ausführungen der Experten. Die Auswahl der Experten erfolgte aus dem persönlichen und beruflichen Netzwerk der Autorin heraus, wodurch eine erste Einschränkung auf einen bestimmten Personenkreis vorgenommen wurde. Alle Interviewpartner verfügen über mehrjährige Erfahrung im SCM und konnten damit im Rahmen der durchgeführten Forschung als Experte angesehen werden. In den Interviews fand die Konzentration auf einige ausgewählte Bereiche innerhalb des SCM statt. An dieser Stelle konnte nicht das gesamte Spektrum der existierenden Aufgabenbereiche des SCM abgedeckt werden. Dennoch war die Expertenbefragung für das Erreichen des Forschungsziels zuträglich. Dieses bestand in der Identifikation beispielhafter Einsatzmöglichkeiten von CC. Eine Abdeckung sämtlicher möglicher Bereiche war an dieser Stelle nicht erforderlich.

Die anschließende induktive Kategorienbildung aus den transkribierten Interviews ermöglichte die Zusammenfassung und Strukturierung der Expertenaussagen. Der Vergleich der Interviews wurde so weiterhin gefördert. Die Inhaltsanalyse erfolgte dabei streng regelgeleitet. Die induktive Kategorienbildung beugt prinzipiell der Verzerrung durch Vorannahmen des Forschers vor, wodurch die Objektivität des Vorgehens gewährleistet werden konnte. Anschließende Häufigkeitsanalysen der Kategoriennennungen ermöglichten darüber hinaus die quantitative Bewertung der Erkenntnisse.


73

6.2 Zusammenfassung der Erkenntnisse und Ausblick

Angesichts der zunehmenden Komplexität innerhalb des SCM gewinnen Problemlösungsfähigkeiten und Systeme zur Unterstützung der Entscheidungsfindung in diesem Unternehmensbereich an Bedeutung. Innovative Lösungen aus dem Bereich des CC gelten als besonders effektiv, um den Menschen in Entscheidungssituationen zu unterstützen. Die Systeme zur Datenanalyse zeichnen sich durch ihre Lernfähigkeit und Anpassbarkeit sowie die Form der Interaktion mit dem Nutzer aus. Sie sind dazu im Stande, große Mengen unstrukturierter Daten in kurzer Zeit zu analysieren und den Menschen anschließend mit Handlungsempfehlungen zu unterstützen.

Das SCM beschäftigt sich mit der unternehmensübergreifenden Optimierung von SC-Netzwerken unter konsequenter Ausrichtung der Aktivitäten auf den Endkunden. Entscheidungsprozesse innerhalb des SCM zeichnen sich durch besondere Komplexität aus. Diese erwächst unter anderem aus Zielkonflikten und Wechselwirkungen zwischen Partnern und Faktoren sowie der Beeinflussung durch externe Faktoren und der daraufhin hohen Störanfälligkeit der SC. Der Einsatz von SC-Analytics und Technologien aus dem Bereich des Internets der Dinge bieten Verbesserungspotentiale im Umgang mit der Komplexität.

Diese Annahmen aus der Theorie werden durch die Erkenntnisse aus den Experteninterviews bestätigt. Die zu diesem Zweck aufgestellten Forschungsfragen konnten beantwortet werden. Die Identifikation kritischer Entscheidungssituationen, entsprechend der Forschungsfrage 1, erfolgte in vier der fünf SCOR-Bereiche. Forschungsfrage 2 hatte die genauere Betrachtung der kritischen Aspekte zum Ziel. In den Experteninterviews wurden an dieser Stelle in jeweils knapp 90% der betrachteten Entscheidungssituationen die Menge der zu berücksichtigenden Faktoren und deren Priorisierung genannt. Komplexe Rahmenbedingungen durch Produkte, Projekte und das Netzwerk wurden in 75% der Entscheidungssituationen als problematisch eingestuft. Die Beantwortung der Forschungsfrage 3 erfolgte schließlich durch den Vergleich der aktuellen und gewünschten IT-Unterstützung unter Einbezug der Fähigkeiten des CC. Die meistgeforderte Funktion der systemseitigen Handlungsempfehlungen ist aktuell lediglich in 50% der betrachteten Entscheidungssituationen verfügbar. Dieser Wunsch sowie die Forderung nach Warnungen und Prognosen auf Basis von Simulation können durch kognitive Systeme realisiert werden. Aufgrund der Anpassungs- und Lernfähigkeit der Systeme ist die Entwicklung belastbarer Handlungsalternativen und Identifikation von Verbesserungspotentialen möglich.


74

Besondere Vorteile für den Einsatz von CC im SCM zeigen sich durch die Fähigkeiten im Umgang mit unstrukturierten Daten, da zahlreiche Informationsquellen im SCM in unstrukturierter Form vorliegen. CC kann so die in 63% der Entscheidungssituationen geforderte Integration der Informationen und Systeme unterstützen und die Transparenz erhöhen. Durch die Integration und die vereinfachte Bedienbarkeit der Systeme kann außerdem die Ressourcenintensität der Entscheidungsfindungsprozesse reduziert werden. Der Dialog der Systeme mit dem Nutzer macht Expertenwissen nutzbar und kombiniert es mit den maschinellen Fähigkeiten der Datenanalyse.

Die in der vorliegenden Arbeit beispielhaft aufgezeigten Einsatzmöglichkeiten von CC im SCM lassen darauf schließen, dass noch zahlreiche weitere Einsatzpotentiale bestehen. Die gewonnenen Erkenntnisse können als Ausgangspunkt für weitere Untersuchungen oder die Entwicklung konkreter Lösungen in den betrachteten Entscheidungssituationen genutzt werden. Die Natur der SC, ihre Störanfälligkeit und Anforderungen an Transparenz, und die in vielen Unternehmen hohen Logistikkosten erfordern die ständige Identifikation von Verbesserungspotentialen. Darüber hinaus ist die stetige Optimierung der SC auch hinsichtlich ihrer Nachhaltigkeit erforderlich. CC selbst kann an dieser Stelle die Effizienz innerhalb des SCM steigern, die Entscheidungsfindung verbessern und den Zeitaufwand reduzieren. Gleichzeitig sind kognitive Systeme dazu in der Lage, weitere Verbesserungspotentiale sichtbar zu machen und die SC nicht bloß hinsichtlich ihrer Kosten, sondern auch hinsichtlich ihrer Nachhaltigkeit und sozialen Verträglichkeit zu optimieren. CC kann so zu einem langfristigen Erhalt der Wettbewerbsfähigkeit beitragen.


75

Literaturverzeichnis

Ansari, Z. N., Qureshi, M. N. (2015): Sustainability in Supply Chain Management: An Overview, in: The IUP Journal of Supply Chain Management 2015, 12. Jg., Nr. 2, S. 24-46.

Baur, N., Blasius, J. (2014): Handbuch Methoden der empirischen Sozialforschung, Wiesbaden 2014.

Benz, M. (2016): Wer die Daten hat, macht das Geschäft, in: Logistik Heute 2016, o. Jg., o. Nr., S. 46-47.

Blackhurst, J., Wu, T., O’Grady, P. (2004): Network-based approach to modelling uncertainty in a supply chain, in: International Journal of Production Research 2004, 42. Jg., Nr. 8, S. 1639-1658.

Blanchard, D. (2014): Supply Chains Need to Be Ready for the Internet of Things, in: Industryweek 2014, o. Jg., o. Nr., S. 26-28.

Brannan, M. (2011): Improving the supply chain through business intelligence, in: Focus 2011, o. Jg., o. Nr., S. 38-42.

Bretzke, W.-R., Ploenes, P. (2004): Wenn‘s hinten und vorne nicht passt, in: Computerwoche 2004, o.Jg., Nr. 6, S. 40-41.

Brüsemeister, T. (2008): Qualitative Forschung, 2. Aufl., Wiesbaden 2008.

Buber, R., Holzmüller, H. H. (2009): Qualitative Marktforschung – Konzepte, Methoden, Analysen, 2. Aufl., Wiesbaden 2009.

Cassidy, W. B. (2014): The Internet of ‘Transportation Things’, in: The Journal of Commerce 2014, o. Jg., o. Nr., S. 4.

Chae, B. K., Olson, D. L. (2013): Business Analytics for Supply Chain: A Dynamic-Capabilities Framework, in: International Journal of Information Technology & Decision Making 2013, 12. Jg., Nr. 1, S. 9-26.

Chae, B., Olson, D., Sheu, C. (2014): The impact of supply chain analytics on operational performance: a resource-based view, in: International Journal of Production Research 2014, 52. Jg., Nr. 16, S. 4695-4710.

Chen, D. Q., Preston, D. S., Swink, M. (2015): How the Use of Big Data Analytics Affects Value Creation in Supply Chain Management, in: Journal of Management Information Systems 2015, 32. Jg., Nr. 4, S. 4-39.


76

Earley, S. (2015): Cognitive computing, machine learning and personalization – New marketing constructs or new capabilities?, in: KM World 2015, 24. Jg., Nr. 10, S. 8-9.

Earley, S. (2016): Getting started with cognitive computing, in: KM World 2016, 25. Jg., Nr. 4, S. 12-14.

Feldman, S., Reynolds, H. (2014): Cognitive computing: A definition and some thoughts, in: KM World 2014, 23. Jg., Nr. 10, S. 20.

Feldman, S. (2016): Cognitive Computing – If I Only Had A(Nother) Brain, in: Online Searcher 2016, o. Jg., o. Nr., S. 38-45.

Furbach, U., Schon, C., Stolzenburg, F. (2015): Cognitive Systems and Question Answering, in: Industrie 4.0 Management 2015, o. Jg., Nr. 31, S. 29-32.

Gausemeier, J., Tschirner, C., Dumitrescu, R. (2013): Der Weg zu intelligenten technischen Systemen, in: Industrie 4.0 Management 2013, o. Jg., Nr. 1, S. 49-52.

Gläser, J., Laudel, G. (2010): Experteninterviews und qualitative Inhaltsanalyse – Als Instrumente rekonstruierender Untersuchungen, 4. Aufl., Wiesbaden 2010.

Göpfert, I. (2016): Logistik der Zukunft, 7. Aufl., Wiesbaden 2016.

Haehling von Lanzenauer, C., Pilz-Glombik, K. (2002): Coordinating supply chain decisions: an optimization model, in: OR Spectrum 2002, o. Jg., Nr. 24, S. 59-78.

Herforth, S. (2014): Predictive Analytics – Digitales Gold schürfen, in: Beschaffung aktuell 2014, o. Jg., Nr. 11, S. 18.

Isik, F. (2010): An entropy-based approach for measuring complexity in supply chains, in: International Journal of Production Research 2010, 48. Jg., Nr. 12, S. 3681-3696.

Kaiser, R. (2014): Qualitative Experteninterviews – Konzeptionelle Grundlagen und praktische Durchführung, Wiesbaden 2014.

Kent, E. L. (2015): An evolution in computing, in: KM World 2015, 24. Jg., Nr. 10, S. 22-23.

Köhler, R., Küpper, H.-U., Pfingsten, A. (2007): Handwörterbuch der Betriebswirtschaft, Schäfer Poeschel Verlag 2007.


77

Koplowitz, R. (2015): Hey, enterprises, AI is in the house, in: KM World 2015, 24. Jg., Nr. 10, S. 1.

Kortus-Schultes, D., Ferfer, U. (2005): Logistik und Marketing in der Supply Chain – Wertsteigerung durch virtuelle Geschäftsmodelle, Wiesbaden 2005.

Lamont, J. (2015): Cognitive Computing: Real-World applications for an emerging technology, in KM World 2015, 24. Jg., Nr. 8, S. 8-9.

Langdale, P. (2008): Putting intelligence in your supply chain, in: Manufacturers’ Monthly 2008, o. Jg., o. Nr., S. 26-27.

Laucken, U., Schick, A., Höge, H. (1996): Einführung in das Studium der Psychologie, Stuttgart 1996.

Lee, H. L., Billington, C. (1993): Material Management in Decentralized Supply Chains, in: Operations Research 1993, 41. Jg., Nr. 5, S. 835-847.

Liu, S., Leat, M., Moizer, J., Megicks, P., Kasturiratne, D. (2013): A decision-focused knowledge management framework to support collaborative decision making for lean supply chain management, in: International Journal of Production Research 2013, 51. Jg., Nr. 7, S. 2123-2137.

Maienschein, B. (2010): Intelligente Supply Chains leben von ihrer Datenqualität, in: Maschinenmarkt 2010, o. Jg., Nr. 11, S. 24-25.

Mann, H., Kumar, U., Kumar, V., Mann, I. J. S. (2010): Drivers of Sustainable Supply Chain Management, in: The IUP Journal of Operations Management 2010, 9. Jg., Nr. 4, S. 52-63.

Marchese, K., Dollar, B. (2015): Supply Chain Talent of the Future – Findings from the third annual supply chain survey, New York 2015.

Marlinghaus, S., von der Gracht, H. (2013): Forschung und Supply Chain Management – Vom Einbinden der Zukunft in den Einkaufsprozess, in: Beschaffung aktuell 2013, o. Jg., Nr. 9, S. 14.

Mattys, K. (2014): Vision vom Cybernetic Friend, in: LEAD digital 2014, o. Jg., Nr. 11, S. 26-31.

Mayring, P. (2015): Qualitative Inhaltsanalyse – Grundlagen und Techniken, 12. Aufl., Weinheim/Basel 2015.


78

Mentzer, J. T., DeWitt, W., Keebler, J. S., Min, S., Nix, N. W., Smith, C. D., Zacharia, Z. G. (2001): Defining Supply Chain Management, in: Journal of Business Logistics 2001, 22. Jg., Nr. 2, S. 1-25.

Modha, D. S., Ananthanarayanan, R., Esser, S. K., Ndirango, A., Sherbody, A. J., Singh, R. (2011): Cognitive Computing, in: Communications of the ACM 2011, 54. Jg., Nr. 8, S. 62-71.

Niederberger, M., Wassermann, S. (2015): Methoden der Experten- und Stakeholdereinbindung in der sozialwissenschaftlichen Forschung, Wiesbaden 2015.

Nohl, A.-M. (2009): Interview und dokumentarische Methode – Anleitung für die Forschungspraxis, 3. Aufl., Wiesbaden 2009.

o.V. (2010): Lieferketten-Management: Automobilindustrie vermisst Effizienz – Bremsklotz Daten-Wirrwarr, in: Industrieanzeiger 2010, o. Jg., Nr. 10, S. 34.

o.V. (2014): Zitate der Woche, in: Markt & Technik 2014, o. Jg., Nr. 50, S. 66.

o.V. (2015a): Cognitive Computing wird zum Milliardenmarkt, in: business impact 2015, o. Jg., Nr. 1, S. 30.

o.V. (2015b): Das neue Computing mit Watson – predictive, cognitive und creative?, in: Computerwoche 2015, o. Jg., Nr. 23.

o.V. (2015c): Cognitive computing for cooks, in: KM World 2015, 24. Jg., Nr. 9, S. 6.

o.V. (2015d): Sensorik und Bildverarbeitung für die Industrie 4.0 – “Eyes of Things”-Projekt gestartet, in: Markt & Technik 2015, o. Jg., Nr. 25, S. 8.

Pellengahr, K., Schulte, A. T., Richard, J., Berg, M. (2016): Einkauf 4.0 – Digitalisierung des Einkaufs, Dortmund / Frankfurt 2016.

Peretzke, J. (2016a): Experteninterview 1.

Peretzke, J. (2016b): Experteninterview 4.

Peretzke, J. (2016c): Experteninterview 6.

Peretzke, J. (2016d): Experteninterview 8.

Peretzke, J. (2016e): Experteninterview 10.

Peretzke, J. (2016f): Experteninterview 11.


79

Reynolds, H., Feldman, S. (2014): Cognitive Computing: Beyond the Hype, in: KM World 2014, 23. Jg., Nr. 7, S. 22.

Reynolds, H. (2016a): Big data and cognitive computing – Part 1, in KM World 2016, 25 Jg., Nr. 1, S. 6-7.

Reynolds, H. (2016b): Big data and cognitive computing – Part 2, in KM World 2016, 25 Jg., Nr. 2, S. 6-7.

Rozados, I. V., Tjahjono, B. (2014): Big Data Analytics in Supply Chain Management: Trends and Related Research, Bali 2014.

Schulze, U. (2009): Informationstechnologieeinsatz im Supply Chain Management, Diss., Wiesbaden 2009.

Schweppenhäuser, G. (2001): Die Fluchtbahn des Subjekts – Beiträge zu Ästhetik und Kulturphilosophie, Münster 2001.

Sengupta, S. (2013): 10 Trends, in: Logistics Management 2013, 52. Jg., Nr. 7, S. 58-64.

Shi, Z. (2011): Advanced Artificial Intelligence, Singapur 2011.

Spies, R. (2014): Cognitive Computing, in: CIO – IT-Strategie für Manager, Meldung vom 22.01.2014.

Surana, A., Kumara, S., Greaves, M., Raghavan, U. N. (2005): Supply-chain networks: a complex adaptive systems perspective, in: International Journal of Production Research 2005, 43. Jg., Nr. 20, S. 4235-4265.

Vaske, H. (2015): Die digitale Transformation lässt keinen Stein auf dem anderen, in: Computerwoche 2015, o. Jg., Nr. 47.

Weiss, H. (2014): Siri, Google now & Co. sind erst der Anfang, in: VDI Nachrichten 2014, 39. Jg., Nr. 40, S. 20.

Werner, H. (2013): Supply Chain Management – Grundlagen, Strategien, Instrumente und Controlling, 5. Aufl., Wiesbaden 2013.

Wu, T., Blackhurst, J., O’Grady, P. (2007): Methodology for supply chain disruption analysis, in: International Journal of Production Research 2007, 45. Jg., Nr. 7, S. 1665-1682.

Zhou, H., Benton, W. C., Schilling, D. A., Milligan, G. W. (2011): Supply Chain Integration and the SCOR Model, in: Journal of Business Logistics 2011, 32. Jg., Nr. 4, S. 332-334.


80

Internetquellen

Friedman, L. (2015): The CEO of IBM just made a bold prediction about the future of artificial intelligence. URL: http://uk.businessinsider.com/ginni-rometty-on-ibm-watson-and-ai-2015-5, Abruf am 12.07.2016.

IBM (2016): Watson Services. URL: https://www.ibm.com/watson/ developercloud/services-catalog.html, Abruf am 22.07.2016.

o.V. (2016): Cognitive Computing Defined. URL: https://cognitivecomputingconsortium.com/resources/cognitive-computing-defined/#1467829079735-c0934399-599a, Abruf am 15.07.2016.


81

Anhang A: Leitfaden für Experteninterviews

1. Begrüßung und inhaltliche Erläuterung des Themas

Vielen Dank, dass Sie sich die Zeit für dieses Experteninterview genommen haben. Mein Name ist Julia Peretzke und ich bin Master@IBM-Studentin im vierten Semester. An der FOM in Frankfurt absolviere ich ein berufsbegleitendes Studium der Fachrichtung Logistik. Derzeit verfasse ich meine Master-Thesis mit dem Thema: „Einsatzpotentiale von Cognitive Computing zur Unterstützung der Entscheidungsfindung im Supply Chain Management“. Um die Einsatzpotentiale solcher Lösungen im Supply Chain Management zu identifizieren, möchte ich nun herausfinden, welche typischen Fragestellungen sich in den unterschiedlichen Bereichen einer Supply Chain ergeben.

2. Organisatorische Aspekte des Interviews

Das Experteninterview wird ca. 30 Minuten dauern. Um das Interview im Anschluss analysieren zu können, möchte ich dieses gerne aufzeichnen. Sind Sie damit einverstanden? Darf ich Ihre Aussagen (ggf. anonymisiert) zitieren?

Im Laufe des Interviews werde ich auf die folgenden Themengebiete eingehen:

I. Typische Fragestellungen im jeweiligen Aufgabenbereich II. Besonders kritische Entscheidungssituationen

III. Erläuterung der kritischen Aspekte IV. Identifikation von Verbesserungspotentialen

3. Persönliche Angaben zum Experten und allgemeiner Bezug zum Untersuchungsgegenstand

Sie sind [Titel des Experten]. Seit wann arbeiten Sie in dieser Position? Beschreiben Sie kurz Ihre beruflichen Erfahrungen im Supply Chain Management.


82

4. Leitfragen I. Typische Fragestellungen im Supply Chain Management

a. Mit welchen typischen Fragestellungen sehen Sie selbst sich in Ihrem Berufsalltag regelmäßig konfrontiert? An welchen Entscheidungen sind Sie beteiligt? Alternativfrage für Ansprechpartner aus dem Bereich Forschung und

Bildung: Mit welchen Fragestellungen im Bereich des Supply Chain

Management beschäftigen Sie sich?

b. Wie und von wem werden diese Fragestellungen bearbeitet? II. Besonders kritische Entscheidungssituationen

a. Welche Fragestellungen sind besonders schwer zu beantworten aber auch von besonders großer Bedeutung?

III. Erläuterung der kritischen Aspekte a. Warum bewerten Sie die genannten Entscheidungssituationen als

kritisch? b. Wie bewerten Sie die Entscheidungssituationen hinsichtlich (wenn

unter a. noch nicht erläutert): i. Datengrundlage: Menge der Information, Quellen und deren

Formate, Konstanz und Aktualität der Datengrundlage. Ist sie z.B. stark veränderlich oder einzelfallabhängig?

ii. Unsicherheit: z.B. aufgrund fehlender Information / Transparenz, zu großer Datenmenge

iii. Zeitdruck iv. Struktur der Entscheidung: Existiert eine einzelne richtige Lösung

oder mehrere Alternativen mit unterschiedlichem Zielerreichungsgrad? Standardlösung oder Einzelfall / individuell?

v. Ausmaß und Relevanz der Entscheidung IV. Identifikation von Verbesserungspotentialen

a. Welche Hilfsmittel kommen aktuell zur Unterstützung der Entscheidungsfindung zum Einsatz? Wie wird die Entscheidungsfindung dadurch unterstützt?

b. Welche Hilfsmittel oder Funktionen würde(n) Sie / man sich außerdem wünschen?

5. Abschließende Fragen oder Anmerkungen

Haben Sie noch Fragen? Können Sie mir weitere Ansprechpartner für ein Experteninterview empfehlen?


83

Anhang B: Übersicht befragter Experten

Nr. Position Unternehmensgröße Branche

SC-Erfah-rung

(Jahre)

1

Vice President Worldwide Production Procurement Sourcing

380.000 Mitarbeiter IT 32

2 Referentin für diverse Fachgruppen (u.a. Prozesse und Tools)

9.000 Mitglieder Forschung und

Bildung 5,5

3 Global Key Account Manager

66.327 Mitarbeiter Spedition und

Logistik 14

4

Dozent Logistikmanagement und Unternehmensplanung

12.000 Studenten Forschung und

Bildung 16

5 Abteilungsleiter Supply Chain Engineering

510 Mitarbeiter Forschung 12

6 Steuerung Materialfluss

122.244 Mitarbeiter Automotive 1,5

7 Leiter Parts Distribution Center Malaysia

122.244 Mitarbeiter Automotive 9

8 Chief Product Owner Transportmanage-ment

78.230 Mitarbeiter IT 15

9 Leiter Supply Chain Management

12.477 Mitarbeiter Technologie 25

10 Senior Transport Manager

49.613 Mitarbeiter Chemie und

Pharma 6

11 Head of Distribution Advancement


Pharma 16

12

Head of IS and Supply Chain Innovation Management


Pharma 4,5


84

Anhang C: Kategoriensysteme

Kategoriensystem 1 – Kritische Entscheidungssituationen

1.1 Investitionsentscheidungen Interview 4 Make or Buy spielt hier eine ganz große Rolle.

Interview 4

Dann kann man zum Schluss rein operativ vergleichen, ob Make günstiger ist als Buy oder umgekehrt. Aber das führt noch nicht zwangsläufig zur Entscheidung. Denn strategische Faktoren können das ganze unterminieren und dann kann auch die beste Rechnung floppen.

Interview 11

Kritisch sind natürlich solche Entscheidungen bei denen wir Fixed Assets kreieren. Also wo Investitionen getätigt werden.

1.2 Leistungsbewertung (intern)

Interview 10

Ein typisches Thema ist Transparenz herzustellen und dafür Daten zu sammeln und zu analysieren. Sei es die Qualität der Services der Spediteure oder Taktungen wann Fracht rausgeht.

Interview 10

Datenanalyse, Schaffung von Transparenz über Prozesse und Warenflüsse.

1.3 Vertragsmanagement

Interview 1 Ein weiterer Bereich ist das Vertragsmanagement. Über die gesamte Supply Chain hinweg sind verschiedene Verträge in Kraft. Verträge mit Kunden und Verträge mit Lieferanten.

1.4 Lieferantenmanagement

Interview 2

Ansonsten könnte das Thema Kommunikation mit dem Lieferanten, glaube ich, noch ein bisschen besser sein. Generell ist, glaube ich, bei manchen Unternehmen nicht klar, was ein strategischer Lieferant ist. Wo lohnt sich eine Lieferantenentwicklung beispielsweise oder eine längerfristige Zusammenarbeit? Und wie muss ich mit den einzelnen Lieferanten umgehen? Was für eine Verhandlungsposition habe ich?

Interview 4 Da geht es dann zum Beispiel darum, ob die Notwendigkeit da ist zum Einphasen oder Outphasen der Partner in einer Supply Chain. Also wird die Leistung von Partnern gemessen?

1.5 Bedarfsplanung

Interview 1 Im Bereich der Bedarfsplanung kann unsere Fähigkeit zur Nachfragevorhersage verbessert werden.

Interview 1 Am schwierigsten ist vermutlich die Nachfrage vorauszusehen. Die Nachfrage verändert sich ständig und so sehr wir es auch versuchen, haben wir hier doch immer Probleme.

Interview 7 Hier geht es wieder darum die richtigen Teile verfügbar zu haben.

Interview 7 Mit der First Pick Availability haben wir eine ähnlich kritische Fragestellung. Haben wir die richtigen Teile auf Lager? Das ist das große Fragezeichen.


85

Interview 9

… die Gretchen-Fragen in der Supply Chain nach besten Wissen beantworten müssen. Also die Bestandsmenge so gering wie möglich zu halten und gleichzeitig die Versorgungssicherheit, die Liefertreue, so hoch wie möglich zu halten.

1.6 Materialflusssteuerung

Interview 5

.. man beschafft oder initiiert den Materialfluss auf Basis eines Forecasts, einer Prognose, und muss nachher im Rahmen der Verfügbarkeitsplanung, wenn das konkrete Programm aufgesetzt wird, abgleichen, welche Fahrzeuge baubar sind, welche Materialien wann am Zielort ankommen und verfügbar sein werden.

Interview 6 Deshalb geht es für mich darum, wie ich es schaffe, dass die Teile in der richtigen Qualität, zum richtigen Zeitpunkt und in der richtigen Menge vor Ort bei dem Kunden sein können.

Interview 6

Eine Frage ist aber auch was ich mache, wenn es eine Verzögerung gibt. Wie erkenne ich das, wie stelle ich die nötige Transparenz her? Und was kann ich unternehmen, um trotzdem noch mit dem geringsten Übel die Teile ins Lager zu bekommen?

Interview 7

Ich würde sagen, im Supply Chain Management besteht die grundlegende Fragestellung darin, die richtigen Teile, zur richtigen Zeit, an den richtigen Ort zu liefern. … Man muss immer wissen wie lang der Prozess dauert und ob die Kundenwünsche und Vereinbarungen damit erfüllt werden können.

Interview 8

.. die Konsolidierung von Transportbedarfen mit dem Ziel Transportkosten zu sparen. Das ist eine große Fragestellung, die wir bei allen Verladern haben. Der zweite Teil der Anforderung liegt im Monitoring und der Kostentransparenz.

Interview 8

Dann haben wir sehr stark zunehmende Anforderungen im Track-and-Trace-Bereich. Die Kunden möchten immer genauer wissen wo sich Transporte befinden, wann Transporte eintreffen, was bei Verspätungen passiert, wie man auf Ausnahmen reagieren kann. Das sind Themen, die uns vermehrt beschäftigen. Track and Trace auch in Zusammenhang mit der Transportplanung.

1.7 Gefahrgutversand

Interview 3 … aber bei meinem Kunden ist auch ein großer Faktor, dass es sich um Gefahrgut handelt. Und vor allem wenn es um Gefahrgut geht, gibt es viele Einschränkungen.

Interview 3 Schwierig ist es, über diesen ganzen Regularien-Apparat einen Überblick zu bekommen. Oder den Überblick zu behalten.

1.8 Ressourcenallokation

Interview 9 Oftmals hat man nicht genügend Ressourcen, um alle Dinge zu tun. Um alles zu beschaffen und zu gewährleisten, dass alles zu


86

100% erfüllt ist. Die Prioritätensetzung im Alltagsgeschäft ist natürlich ein Punkt, der für mich und mein Team als Herausforderung gilt. Also die Prioritäten bei Engpässen so zu setzen und die Ressourcen so einzusetzen, dass die wichtigen Märkte, die wichtigen Produkte und die wichtigen Prozesse bedient werden können.

Interview 11

Oder Bottleneck-Entscheidungen in der Produktion. Wenn man eine größere Nachfrage hat als man liefern kann. … Dann ist es schon schwierig zu sagen, welcher Kunde bedient wird, wenn wir einfach zu wenig Produkt haben.

Kategoriensystem 2 – Kritische Aspekte

2.1 Menge der Einflussfaktoren

Interview 1 … Analysen saisonaler Trends, Analyse spezieller Kunden und deren Kaufverhalten, deren Preissensibilität und immer so weiter.

Interview 2

Man muss erstmal ein Bewusstsein darüber schaffen, was für ein Produkt der Lieferant liefert. Ist das ein Standardprodukt? Dann habe ich natürlich eine andere Verhandlungsposition, als wenn man vom einem strategischen Produkt redet.

Interview 2 … Preis, den der Lieferant anbietet … oder auf andere Aspekte, wie Qualität und so weiter.

Interview 3 Aber es ist wirklich schwierig einen Überblick zu bekommen, weil jede Airline … noch zusätzliche Regeln oder Beschränkungen hat.

Interview 4 … sondern langfristig dann auch operative Faktoren in der Supply Chain von strategischen geplättet.

Interview 4 … nicht nur die Investitionen, sondern auch die laufenden Kosten sind hierbei wichtig.

Interview 4

Ein weiterer wichtiger Faktor in einer Make-or-Buy-Entscheidung kann der Faktor Leistung sein. … Nicht nur in der Kundenzufriedenheit, sondern vielleicht auch in Faktoren wie Schnelligkeit und Flexibilität.

Interview 4 Liefergüte, Liefertreue, Lieferverzüge beispielsweise. Das wären Faktoren, die neben den Kosten und dem Servicegrad auch relevant sind.

Interview 4 Ein Blumenstrauß an Faktoren.

Interview 5 Außerdem haben wir entlang der Lieferketten verschiedenste Störeinflüsse.

Interview 6 Was aber bei uns auch noch eine riesige Herausforderung ist … das sind, gerade beim Thema Seefracht, Wetterbedingungen.

Interview 6 Bei uns ist es nicht ganz so einfach, weil wir ein sehr nachfragegebundenes Geschäft sind.


87

Interview 7 Und jede Störung in dieser Kette beeinträchtigt die Lieferzeit. Interview 7 Jedes Verkehrsmittel wird durch Umweltfaktoren beeinflusst. Interview 7 … sind von .. äußeren Einflüssen betroffen. Interview 7 Verschiedene Parameter fließen also in die Planung mit ein.

Interview 7 Die Parameter hängen auch von der Wiederbeschaffungszeit ab.

Interview 7 Sicherheitsbestände hängen auch vom Preis ab. Interview 7 Auch im Kaufverhalten der Kunden.

Interview 9 Das Tool sieht sich Verbräuche und Beschaffungszeiten in der Vergangenheit an und schreibt diese in die Zukunft fort.

Interview 10

Bei der Logistik haben wir üblicherweise die Laufzeit. Die ist mit Kapitalbindungskosten verbunden, je nachdem was transportiert wird. Dann haben wir Kosten, die für den Transport entstehen, die je nach Transportstrecke unterschiedlich sein können. … Bei einem wichtigen Kunden möchte ich vielleicht eine möglichst kurze Laufzeit haben. Oder weil es der Strategie entspricht. Oder muss es möglichst günstig sein?

Interview 11

… soweit ich weiß, guckt man zuerst, wie wichtig der Kunde ist. Bestimmte Kunden sind wichtiger als andere. Durch die Lieferverträge, die abgeschlossen wurden oder das Volumen, das bestellt wird.

Interview 11 Das sind viele Faktoren und letztendlich sind das, glaube ich, Einzelfallentscheidungen.

Interview 11 Menschen sind nicht besonders gut darin sehr viele Faktoren zu vergleichen.

2.2 veränderliche Einflussfaktoren Interview 1 Die Nachfrage ändert sich ständig ….

Interview 3 Aber es ist oft so, dass sich Regularien und Bestimmungen ändern.

Interview 3 Und was heute die richtige Lösung ist, das kann morgen schon die Falsche sein.

Interview 3 Vor zwei Monaten hat es vielleicht funktioniert so zu verschiffen, aber es kann sein, dass sich schon wieder alles geändert hat.

Interview 5 Außerdem haben wir entlang der Lieferketten verschiedenste Störeinflüsse.

Interview 6 Was aber bei uns auch noch eine riesige Herausforderung ist … das sind, gerade beim Thema Seefracht, Wetterbedingungen.


Interview 7 Wie sind die Verkehrsbedingungen? Interview 7 Jedes Verkehrsmittel wird durch Umweltfaktoren beeinflusst.

Interview 7 Denn diese zwei ändern sich wirklich ständig und sind von unkontrollierbaren äußeren Einflüssen betroffen.

Interview 7 Und die Parameter ändern sich übrigens auch ständig. Interview 9 Die auch in jeder Marktsituation unterschiedlich sind.


88

Interview 9 Kritisch ist zum Beispiel eine gute Vorhersagegenauigkeit zu bekommen.

Interview 9 … und dann Maschinenverfügbarkeitsprobleme …. Interview 9 Das ist nicht alles auf den Punkt vorhersehbar ….

Interview 11 Da gibt es noch den Zukunftsausblick. … Die Kriterien sind nicht so einfach. Ich glaube, das ist letztendlich schwierig zu entscheiden.

Interview 11 Das ist eher auf wenigen Fakten basierend, würde ich sagen. Es ist halt schwer abzuschätzen, ob eine Firma morgen ein Riesenstar sein wird oder schon weg vom Markt.

2.3 Menge der Information

Interview 1 Aber ein großer Teil der generierten Daten wird aktuell noch nicht analysiert, ganz einfach, weil es zu mühsam ist.

Interview 1 Über die gesamte Supply Chain hinweg sind verschiedene Verträge in Kraft.

Interview 1 Viele dieser Verträge … sind mehrere hundert Seiten lang.

Interview 3 … jede Airline … noch zusätzliche Regeln oder Beschränkungen hat.

Interview 3 … so viele Einschränkungen in diesem Bereich. Interview 3 Man muss immer alles berücksichtigen. Interview 4 Ein Blumenstrauß an Faktoren.

Interview 5 Systemseitig wird sehr viel ausgetauscht und dann telefonieren die Disponenten doch noch und tauschen Excel Sheets via E-Mail aus.

Interview 5 … angesichts der Zunahme des Verbreitungsgrads cyber-physischer Systeme und der steigenden Menge an Daten ….

Interview 8 Das ist prinzipiell ein großes Problem, weil wir es mit extrem großen Datenvolumina zu tun haben ….

Interview 10 … es war wirklich eine riesige Datenschlacht.

2.4 Mangelhafte Datenqualität

Interview 6 Teilweise ist es zum Beispiel auch die Datenqualität, die wir erhalten. … Wir haben teilweise auch schon Fehlinformationen bekommen.

Interview 10 Und das ist ein großer Painpoint, wo bessere Daten helfen würden.

2.5 Komplexität der Produkte / Projekte

Interview 1

Wir haben ein sehr komplexes Produktportfolio mit vielen verschiedenen Optionen und Varianten. Vorauszusagen, welche Varianten wohl benötigt werden und wann und wo ist sehr komplex.

Interview 1 Vor allem wenn es sich um unternehmensspezifische Komponenten handelt. Diese sind nicht allgemein verfügbar und wir arbeiten mit bestimmten Lieferanten zusammen, um diese


89

spezifischen Produkte herzustellen. … Die Vorlaufzeit einiger Produkte liegt hier bei vier Monaten. Das macht es noch schwieriger ....

Interview 1 … insbesondere bei Projekten mit staatlichen Einrichtungen ….

Interview 1 Hier gibt es eine ganze Menge an spezifischer Terminologie und Bundesrecht, das in den Verträgen referenziert wird.

Interview 3

Und vor allem wenn es um Gefahrgut geht, gibt es viele Einschränkungen. Manche Gefahrgüter dürfen zum Beispiel nicht per Luftfracht versendet werden, manche Gefahrgüter dürfen nicht zusammen verladen werden, manche Gefahrgüter dürfen nicht über Seefracht transportiert werden, manche dürfen gar nicht transportiert werden.

Interview 3 Das ist ein spezieller Fall, weil so viele Einschränkungen in diesem Bereich sind.

Interview 5

Wenn nun kundenindividuelle Fahrzeuge gebaut werden, so ergeben sich die Teilebedarfe eigentlich erst aus der Kenntnis des konkreten Auftrags beziehungsweise über die Stücklisten-Auflösung.

Interview 5 Hinzu kommt eine hohe Komplexität des Produktes. In der Automobilindustrie sind es beispielsweise 8.000 bis 10.000 Einzelteile, die in das Fahrzeug eingehen.


Interview 9 Wir haben also viele Edelmetalle von hohem Wert an Lager.

Interview 9 Engpässe sind in der Industrie ja in der Regel immer vorhanden, weil wir nie mit genügend Ressourcen an allen Ecken und Enden planen.

Interview 9 Wir haben eine sehr hohe Fertigungstiefe von bis zu 40 unterschiedlichen Prozessen bis unser Material raus geht.

Interview 9 Wir haben einen sehr heterogenen Anlagenpark von hochautomatisierten Prozessen über sehr manuelle Tätigkeiten bis zu Montagetätigkeiten.

Interview 9 Wir haben eine sehr große Prozessvielfalt und dann eine Abhängigkeit untereinander.

Interview 9

Zu 50 bis 60% bedienen wir mit unseren Produkten Kunden aus dem Automotive Sektor …. Da haben wir schon eine ganz gute Vorhersagegenauigkeit der Mengen, weil es sich auf wenige Produkte beschränkt. Wir haben aber auch andere Produkte …. Die auch in unterschiedliche Sektoren gehen, die in die Industrie gehen, zu Distributoren, die wir beim konventionellen Katalogversand wiederfinden. Da ist die Vorhersagegenauigkeit sehr sehr schlecht.

Interview 10 Zum anderen handeln wir aber zum Beispiel auch nicht mit harmlosen Gütern. Wir decken das komplette Gefahrgutportfolio in unserer Palette ab, inklusive temperaturkontrollierter


90

Produkte. Und auch Kombinationen daraus. Das fällt dann unter verschiedene regulatorische Auflagen und je nach Empfängerland. Das muss entsprechend berücksichtigt werden. Diese Standard Trade Lanes haben mit unseren Trade Lanes nicht unbedingt was zu tun.

Interview 11 Solche Situationen hat es in der Chemieindustrie schon immer gegeben, denn es ist ein Oligopol.

2.6 Komplexität des Netzwerks

Interview 2 Wenn man Unternehmen betrachtet, die auch global beschaffen …. Das ist natürlich immer etwas schwierig vor allem, wenn man über Ländergrenzen hinweg beschafft.

Interview 2 Wenn ein Lieferant beispielsweise in China sitzt oder in einem anderen Land in ähnlicher Entfernung, dann ist es natürlich schwierig das mit Lieferantenaudits ständig zu überprüfen.

Interview 2 Das ist auch immer eine Fragestellung. Was hat der Lieferant für Vorlieferanten?

Interview 4 Wobei das auch vom Machtgefüge in einer Kette abhängig ist.

Interview 4 … weil Zugriffsmöglichkeiten auf die Partner zum Teil nur indirekt vorliegen.

Interview 4 Aber die Wechselbeziehungen in polyvalenten Supply Chains, die sind viel viel schwieriger.

Interview 4 Auch weiche Faktoren, wie die Harmonie zwischen den Leadern in der Kette, sollte man nicht unterschätzen.

Interview 4 Das blöde daran ist nur, dass man die Entscheidung in aller Regel nicht allein trifft, sondern in Abhängigkeit von den Partnern.

Interview 4 Alle Parteien in dieser Kette sind rechtlich selbständige Partner.

Interview 5 Die interkontinentalen Transportrelationen beanspruchen aber mehrere Wochen.

Interview 5 Und davon geht ein durchaus erheblicher Anteil über diese langen Lieferketten.

Interview 5 In der Regel ist die Komplexität der realen Problemstellung dabei so stark abstrahiert ….

Interview 6 Umso mehr Parteien in einer Supply Chain sind, umso komplexer wird es auch.

Interview 7

Von dem Moment, in dem der Kunde seine Bestellung aufgibt, bis die Teile beim Händler sind, gibt es so viele verschiedene Schritte und Prozesse und viele verschiedene Parteien sind involviert. Und jede Störung in dieser Kette beeinträchtigt die Lieferzeit.

Interview 7

Das ist eine individuelle Vereinbarung mit dem Kunden. Hier am Standort ist es etwas schwieriger, weil wir so viele unterschiedliche Kunden haben und unterschiedliche Transportmittel nutzen.


91

Interview 7

Wir erhalten unsere Teile aus Deutschland und der Versand dauert 60 Tage …. Dazu muss wirklich die gesamte Supply Chain gut funktionieren, sodass wir immer die richtigen Teile auf Lager haben.

Interview 7 Wir haben viele verschiedene Kunden.

Interview 7 Alles ist sehr verflochten. Macht der Händler eine schlechte Materialplanung, dann wird die gesamte Supply Chain davon beeinträchtigt.

Interview 8

Wenn wir von einem Transport reden, dann reden wir immer auch darüber, dass eine Vielzahl von Firmen an einem Transport beteiligt ist, wie Zollbehörden, Kunden, Logistikdienstleister, Ground Handler am Flughafen und so weiter.

Interview 8 Die Komplexität kommt dadurch, dass wir hier definitiv über Firmengrenzen hinwegreden, oft über globale Transporte sprechen und das macht es schwierig.

Interview 9 Wir sind ja eine relativ heterogene Firmengemeinschaft. Wir sind sehr sehr viele Mittelständler ....

Interview 9

Zu 50 bis 60% bedienen wir mit unseren Produkten Kunden aus dem Automotive Sektor. Wir haben aber auch andere Produkte …. Die auch in unterschiedliche Sektoren gehen, die in die Industrie gehen, zu Distributoren ….

Interview 10 In so einem Logistikprozess sind sehr viele verschiedene Partner beteiligt, die alle ihre eigenen Systeme haben. Und das zusammenzuführen, ist schwierig.

Interview 10 Dadurch haben wir eine sehr sehr heterogene SAP-Landschaft. 2.7 Mangelhafte Kommunikation

Interview 2 Im Moment ist es zum Beispiel schwierig, dass noch zu viel im eigenen Unternehmensbereich gedacht wird und nicht über Prozesse oder Unternehmensbereiche hinweg.

Interview 2 Die Entfernung, Kommunikation, kulturelle Probleme spielen da auch mit rein.

Interview 2

Wenn ein Einkäufer die Lieferantenbewertung vorgenommen hat, ist es schwierig sicherzustellen, dass die Ergebnisse auch an andere Abteilungen kommuniziert werden, die mit diesem Lieferanten zusammenarbeiten.

Interview 3 Da müssen ja auch hintendran viele Dinge abgestimmt werden. Da müssen noch so viele Schritte getan werden, damit wirklich die Entscheidung getroffen werden kann.

Interview 5 … die Bereitschaft des Datenaustauschs durchaus ein Hemmnis ist ….

Interview 6

Kommunikationslücken sind zum Beispiel auch ein Problem, wenn man zum Beispiel nicht direkt mit dem Reeder zu tun hat, sondern mit einer Spedition, die zwischengeschaltet ist. Dann muss man über mehrere Ecken kommunizieren.


92

Interview 7 Und vielleicht gibt es hier ... [keine] ausreichende Erfahrung auf Seiten der Händler. Sie bestellen also beliebig. Und das stört unsere Materialplanung.

Interview 9 Wenn wir dann noch längere Lieferzeiten anbieten erzeugen wir eine Verknappung am Markt, die intuitiv in einer noch höheren Nachfrage resultiert. … dann kommt es zum Bullwhip Effect.

Interview 10

Diese Sendungsdaten können wir aber selbst nicht erheben, sondern wir sammeln das von den Spediteuren eingangsseitig um es dann wieder an die Spediteure ausgangsseitig weiterzugeben.

Interview 10 Wir müssen uns dann die Prozesse angucken und mit den Sachbearbeitern sprechen und müssen uns das so nach und nach erarbeiten.

Interview 11

Das kommt immer darauf an, wer in dem Meeting sitzt und das hängt auch an den Hierarchien. … Im Endeffekt ist das die Kultur bei uns im Unternehmen, dass man Sachen vorbereitet, die man in ein Meeting mit reinnimmt.

Interview 11 … die Verfahren zur Entscheidungsfindung sind sehr starr. 2.8 Fehlende Transparenz

Interview 2 Es könnte ein bisschen mehr Transparenz schaffen über Lieferanten und vielleicht auch über deren Vorlieferanten.

Interview 3 Schwierig ist es, über diesen ganzen Regularien-Apparat einen Überblick zu bekommen. Oder den Überblick zu behalten.

Interview 3 Und das macht es auch schwierig, immer auf den Preis zu achten da noch Zuschläge draufkommen.

Interview 3 Oftmals ist es Trial and Error.

Interview 3 Es stehen vereinzelte Informationen drin, aber nicht vollumfänglich ….

Interview 5 Es ist in der Regel nicht so, dass sehr viele Zwischen-Stati als Event erfasst werden und die Datenbank aktualisiert wird.

Interview 5 … die Struktur der Netzwerke heute noch gar nicht wirklich bekannt ist.

Interview 5 … und dann telefonieren die Disponenten doch noch und tauschen Excel Sheets via E-Mail aus.

Interview 6 Das ganze Thema Transparenz ist da wahnsinnig wichtig für uns.

Interview 8

Um eine Rechnung prüfen zu können, muss ich wissen, ob der Transport überhaupt stattgefunden hat, welche Mengen transportiert worden sind, welche Entfernungen zurückgelegt wurden, auf Basis welcher Verträge eine Abrechnung erfolgt.

Interview 8 … [mangelnde] Multi-Tier-Transparenz

Interview 9 Das muss so transparent gemacht werden, dass auch der Vertrieb etwas damit anfangen kann.

Interview 9 Es ist schwer eine Aussage darüber zu treffen, was wir leisten können mit unserem Personal und unseren Maschinen.


93

Interview 10 Ein typisches Thema ist Transparenz herzustellen und dafür Daten zu sammeln und zu analysieren.

Interview 10 … Datenverfügbarkeit und Transparenz. Das ist eine große Herausforderung in dem Job.

Interview 10 Die Daten sind zwar alle irgendwo im SAP-System vorhanden, aber es ist immer schwierig das so aufzubereiten, dass man auch sinnvolle Aussagen treffen kann.

Interview 11 Man versteht vielleicht nicht so richtig, warum sie zu einer gewissen Entscheidung gekommen sind, wenn man die Entscheidung sieht.

Interview 11 Aber diese Fakten sind dann eben nur individuell bekannt.

Interview 11 … Entscheidungen mit größerer Unsicherheit getroffen werden, weil bestimmte Informationen einfach nicht vorliegen.

2.9 Priorisierung der Faktoren

Interview 2 Oft liegt der Fokus auch einfach nur auf dem Preis, den der Lieferant anbietet und es wird nicht auf die Gesamtkosten geachtet oder auch andere Aspekte wie Qualität und so weiter.

Interview 3 Und manchmal stehen Zeit und Geld im Hintergrund, weil man einfach schauen muss, dass man es überhaupt noch transportieren kann.

Interview 4

Hohe Bestände sind natürlich nicht gut, aber man kann die Wünsche der Kunden besser bedienen. Auch Frachtkosten sind eigentlich nicht gut, aber dienen oftmals der Verbesserung des Servicegrades. Genau mit diesen Wechselbeziehungen beschäftigt sich das Supply Chain Performance Measurement.

Interview 4 Genau diese Zielkonflikte haben Sie in einer Supply Chain zuhauf. Also typische Trade-Off Situationen. Was ist das wichtigere Ziel?

Interview 4 Denn strategische Faktoren können das ganze unterminieren und dann kann auch die beste Rechnung floppen.

Interview 4 Das heißt, zum Schluss ist es immer ein Wechselspiel aus finanziellen und nicht-finanziellen Faktoren.

Interview 5 Gleichzeitig versucht man natürlich, im Sinne des Lean Managements, mit möglichst geringen Beständen auszukommen, um das Working Capital zu reduzieren ….

Interview 6 Wir sprechen da immer von einem großen K, der Kunde, und einem kleinen K, den Kosten.

Interview 6 Wir wollen natürlich den Kostenfaktor niedrig halten und auch das Thema Nachhaltigkeit im Hinterkopf behalten.

Interview 6 Dann gibt es auch Entscheidungen darüber, wie man mit den Ressourcen umgeht.

Interview 7 Haben wir zu viele Teile im Lager, dann ist unser Lager zu voll. Haben wir zu wenig, dann beeinträchtigt das unsere First Pick Availability.


94

Interview 8 Wir haben definitiv immer das Spannungsfeld zwischen der optimalen Kundenbedienung und der Kostenoptimierung.

Interview 9 Also die Bestandsmenge so gering wie möglich zu halten und gleichzeitig die Versorgungssicherheit, die Liefertreue, so hoch wie möglich zu halten.

Interview 9

Die Prioritätensetzung im Alltagsgeschäft ist natürlich ein Punkt, der für mich und mein Team als Herausforderung gilt. Also die Prioritäten bei Engpässen so zu setzen und die Ressourcen so einzusetzen, dass die wichtigen Märkte, die wichtigen Produkte und die wichtigen Prozesse bedient werden können.

Interview 10 Es gibt eben Zielkonflikte. … Da kann es viele richtige Entscheidungen geben. Die Frage ist dann wo der Fokus liegt.

Interview 11 Man muss hier auch versuchen den Kunden zu verstehen.

Interview 11 Und wenn das mehrere sind, muss man eben nach Prioritätsregeln entscheiden.

2.10 Bewertung subjektiver Faktoren

Interview 4 … dass nicht nur monetäre Größen bewertet werden, sondern auch Non Financials einfließen, wie zum Beispiel die Lieferflexibilität, um eine Größe zu nennen.

Interview 4

… das Thema ist aber auch in gewisser Weise schwierig, weil Subjektivitäten vorliegen. Weil nicht-finanzielle Größen, wie zum Beispiel Kundenzufriedenheit, sehr subjektiv wahrgenommen werden ….

Interview 4 Auch Vertrauen ist wichtig, Kooperation ist wichtig. Aber wie misst man den Kooperationsgrad? Das ist schwierig.

2.11 Ressourcenintensität

Interview 1 Das ist ein Painpoint, der viele Mitarbeiter, Ressourcen und Geld verschlingt.

Interview 1 .. muss zunächst die Gesetzesgrundlage verstehen, um zu wissen, welche vertraglichen Regelungen zu verankern sind.

Interview 2 Der Aufwand nach China zu fliegen und die Kosten sind einfach sehr hoch.

Interview 3

Man kann das im Einzelfall immer gegen ein System prüfen …. Dann kann man immer ein Gefahrgut gegen das andere prüfen. Aber wenn ich einen Container mit 200 verschiedenen Stoffnummern habe, kann ich irgendwann nicht mehr alles prüfen.

Interview 7 Das beansprucht sehr viel Materialplanung Interview 10 All diese Dinge sind mit sehr viel händischer Arbeit verbunden.

Interview 10 Wenn wir eine Datenanalyse für Materialflussdaten machen, dann ist das ein sehr hoher manueller Aufwand.

Interview 10 Das ist für eine unserer Mitarbeiterinnen jeden Monat ein exorbitant hoher Aufwand, das zu generieren.

Interview 11 Kritisch sind natürlich solche Entscheidungen, bei denen wir Fixed Assets kreieren. Also wo Investitionen getätigt werden.


95

Interview 11

Den größten Aufwand verursachen wahrscheinlich die Routineentscheidungen, rein personell. Es gibt natürlich schon einen hohen Automatisierungsgrad, aber in dem Fall in dem es nicht automatisch durch das System läuft, sitzt dann eben ein Mensch um die Spezialfälle zu bearbeiten.

2.12 Zeitdruck

Interview 1 … dann müssen wir mit unseren Lieferanten zusammenarbeiten, um schnell zusätzliche Mengen zu erhalten.

Interview 3 Und Zeit natürlich auch, weil ja immer eine Produktion oder ein Kunde hintendran steht und wir müssen zeitgerecht anliefern.

Interview 5 … je mehr Vorlaufzeit man zum Aufdecken eines möglichen Engpasses hat, umso mehr Handlungsalternativen hat man auch.

Interview 6 Denn teilweise hat man wirklich nicht viel Zeit ….

Interview 7 … eine Ziel-Lieferzeit für den Kunden. Und das ist natürlich der frühste mögliche Zeitpunkt.

Interview 8 … dann ist für den Kunden natürlich die optimale Lieferzeit, wenn er seine Bestellung so früh wie möglich bekommt.

Interview 10 Aber um diese Unsicherheiten zu vermeiden, betreibt man dann eben eine sehr zeitaufwendige Datenanalyse. Und dann ist man langsamer als man es sein könnte.

2.13 Folgen bei Fehlentscheidung

Interview 1 … zu große Bestände aber auch Situationen, in denen Kunden gerne kaufen möchten, die Nachfrage aber nicht befriedigt werden kann ...

Interview 1

Die Voraussagen aber auch das Engpass-Handling beansprucht einen enormen Bedarf an Ressourcen. Manchmal müssen wir einen Aufpreis zahlen um die Produktion kurzfristig zu erhöhen. Oder für Express Zustellungen. Das verbraucht sowohl Ressourcen an Arbeitskraft aber auch Geld, wenn wir auf solche Änderungen in der Nachfrage reagieren müssen.

Interview 1

Es ist sicherzustellen, dass die vertraglichen Vereinbarungen mit dem Kunden auch in den Verträgen mit Lieferanten abgedeckt sind. Auf diesem Weg können wir Risiken minimieren.

Interview 2 Ich glaube da werden Lieferanten oft noch ein bisschen verprellt.

Interview 3 Ansonsten kann es passieren, dass ein Produktionsstillstand verursacht wird oder ein Labor die Ware nicht rechtzeitig hat, um Test durchzuführen.

Interview 4 Das sind deshalb so wichtige Entscheidungen, weil das Einsparpotential in diesen Bereichen noch so groß ist.

Interview 5 … sodass solche Untreuen in der Versorgung sehr schnell in die Produktion durchschlagen können ….


96

Interview 7

Denn wir erhalten möglicherweise eine Beschwerde vom Kunden, wenn dieser die Teile nicht in der vereinbarten Zeit erhält. … Wir haben also auch einen Rückgang der Kundenzufriedenheit, wenn wir Lieferzeiten nicht einhalten können.

Interview 7 Haben wir zu viele Teile im Lager, dann ist unser Lager zu voll. Haben wir zu wenig, dann beeinträchtigt das unsere First Pick Availability.

Interview 8 Das sind dementsprechend sehr hohe Kosten für viele Unternehmen.

Interview 9 … wenn das nicht eintritt, macht man sich auch unglaubwürdig. Interview 11 Das kann schon einen sehr großen Kunden-Impact haben.

Interview 11 Da müssen wir eine Art Strafe zahlen, wenn wir nicht liefern und ähnliches.

Interview 11 … das sind kritische Entscheidungen, weil ich diese Entscheidungen nicht so einfach rückgängig machen kann.

Kategoriensystem 3a – Aktuelle Hilfsmittel

3a.1 SAP / ERP-Systeme Interview 4 Man behilft sich aber auch mit .. ERP Systemen. Interview 5 … durch Ampeln in SAP ….

Interview 9 Aktuell haben wir ein SAP System, ein unternehmensübergreifendes SAP System, eingeführt.

Interview 10 Man bekommt Verfügbarkeitsberichte aus den SAP Systemen und erweitert das dann mit externen Daten.

Interview 11 Das ist alles in SAP abgebildet … 3a.2 Kollaborationsplattformen

Interview 2 Es gibt bei vielen Unternehmen sogenannte Lieferantenplattformen ….

Interview 11 Und dann zur Entscheidungsunterstützung haben wir kollaborative Systeme, in denen die Leute zusammenarbeiten können.

3a.3 Angrenzende Dienstleistersysteme

Interview 5 Also es ist eine Bandbreite von integrierten Lieferantenportalen ….

Interview 6 … wie Reedersysteme … das Dienstleistersystem.

Interview 7 Die Transportfirma hat ihr eigenes Transportmanagementsystem.

3a.4 Systeme zur Planung und Steuerung Interview 1 Diese wird dann in eine Produktionsplanung überführt … Interview 3 … vieles in unserem operativen System hinterlegt ist …. Interview 5 … die aus Dispositionssystemen heraus generiert werden.


97

Interview 6 Wir haben zwar ein übergreifendes System ….

Interview 7 Zum Prüfen der Lieferzeit nutzen wir unser Track-and-Trace-System. Alles basiert auf unserem Lagermanagementsystem.

Interview 7 Das Materialmanagement wird teilweise vom System durchgeführt.

Interview 8 … Einsatz einer Transportsoftware. Interview 11 … die ganze Produktionsplanung und ähnliches. 3a.5 Risikomanagementsysteme Interview 1 … wobei außerdem Risikofaktoren zu berücksichtigen sind. Interview 2 Dann gibt es auch noch das Thema Risikomanagement …. 3a.6 Systeme zur Lieferantenbewertung

Interview 2

Dann gibt es natürlich viele Tools zum Thema Lieferantenbewertung.

3a.7 Vertragsmanagement

Interview 2 … Vertragsmanagement mit dem Lieferanten wird dann wieder in einem anderen Tool gemacht.

Interview 11 Wenn wir zum Beispiel von Verträgen sprechen, dann gehe ich davon aus, dass wir so etwas wie eine Vertragsdatenbank haben.

3a.8 Spezialtools Interview 4 Man behilft sich aber auch mit Hyperion …. Interview 4 InProLog ist noch eine Lösung …. Interview 9 Es gibt ein sogenanntes G.I.B-Tool …. 3a.9 Festlegung von Parametern Interview 7 Verschiedene Parameter fließen also in die Planung mit ein. Interview 5 … wenn bestimmte Bestände unterschritten werden …. Interview 9 Aber dazu gibt es Parameter an denen man drehen kann. 3a.10 Auswertung externer Daten Interview 3 … in das die Regularien entsprechend eingespielt werden.

Interview 10 Man bekommt Verfügbarkeitsberichte aus den SAP Systemen und erweitert das dann mit externen Daten.

Interview 11 … Pressemeldungen, wo der Kunde hinwill, wie er angesehen wird.

3a.11 Auswertung historischer Daten Interview 7 Das System arbeitet dazu mit historischen Daten ….

Interview 9 Die Verbräuche und Kundenablieferungen sind die Daten, die dabei verwendet werden.

Interview 11 Ich denke mal, das sind Wachstumsraten aus der Vergangenheit ….

3a.12 Simulation


98

Interview 5 Eine Lösung, die wir als Institut im Rahmen der Auftragsforschung propagieren, ist die simulationsbasierte Szenarienplanung mit dem Hilfsmittel der Simulation.

3a.13 Optimierung

Interview 5 Dort gibt es mit Sicherheit Werkzeuge, die mittels mathematischer Optimierung oder mittels heuristischer Näherungsverfahren ein Optimum ausspucken.

Interview 8 Klassischerweise macht der Optimierer maximal eine tagesgenaue Planung.

3a.14 Vorausschau Interview 1 Angefangen mit der Absatzprognose. Interview 11 Da gibt es noch den Zukunftsausblick. 3a.15 Warnungen

Interview 3 Da öffnet sich dann auch ein Fenster und Informationen werden eingeblendet, wenn eine Einschränkung vorliegt.

Interview 6 … durch Ampeln in SAP ….

Interview 7

Wenn also die Lagerbestände einen bestimmten Mindestbestand für ein Teil erreichen, dann erhalten wir eine Nachricht vom System, dass dieses Teil nachbestellt werden muss.

Interview 9 Sodass man manuell nicht überwachen muss, dass Bestellungen rechtzeitig ausgelöst werden.

Interview 11

Da kommt dann erstmal raus, dass wir bei einem gegebenen Demand nicht liefern können. Diese Demand-Supply-Balance. … So kommt das Bottleneck überhaupt erst raus.

3a.16 Handlungsempfehlungen

Interview 3 Wir haben ein System, wo wir in der Seefracht überprüfen können, ob es irgendwelche Sammelladeverbote gibt.

Interview 5 Konkret zum Einsatz kommen systemseitige Vorschläge natürlich, die aus Dispositionssystemen heraus generiert werden.

Interview 7 Das System macht in der Regel einen ersten Vorschlag.

Interview 9 Das System sollte uns dann sagen, welche Ressourcen wir in den kommenden Monaten brauchen und bestellen sollten.

3a.17 Excel Interview 4 Man behilft sich meistens ganz traditionell mit Excel Sheets. Interview 5 … oder tauschen Excel Sheets via E-Mail aus. Interview 9 Da rechnen wir momentan noch mit Excel drum herum.

Interview 10 Indem man von allen einzelnen Beteiligten Excel-Daten abfragt und das für seine jeweiligen Zwecke zusammenkopiert.

3a.18 E-Mail-Kommunikation


99

Interview 5 … oder tauschen Excel Sheets via E-Mail aus.

Interview 10 Indem man von allen einzelnen Beteiligten Excel-Daten abfragt und das für seine jeweiligen Zwecke zusammenkopiert.

3a.19 Telefonate Interview 5 … und dann telefonieren die Disponenten doch noch ….

Interview 11 Vielleicht ist es auch nur eine Telefonkonferenz, das kann auch sein.

3a.20 Prozesskostenanalyse

Interview 4 Und das hoffentlich dann über eine Prozesskostenanalyse unterstützen.

3a.21 Entscheidungsmatrizen Interview 4 Man kann entweder über eine Entscheidungsmatrix gehen. 3a.22 Interviews Interview 4 … und dann Interviews führt. 3a.23 ABC /XYZ Klassifizierung Interview 9 Hier werden ABC- und XYZ-Klassifizierungen vorgenommen.

Kategoriensystem 3b – Gewünschte Hilfsmittel

3b.1 Integration der Systeme

Interview 2 Das könnte vielleicht so ein System vereinfachen und auch verknüpfen ….

Interview 3 … dann wäre das ein System, in dem alle Regularien hinterlegt sind, die es in irgendeiner Art und Weise gibt, ob Luftfracht oder Seefracht.

Interview 5

… die Datenintegration. Und zwar nicht nur im Sinne von Nebeneinanderstellen von Daten, sondern einer Integration entlang des logistischen Wahrheitsgehalts, also auf der prozessualen Ebene verknüpft.

Interview 6 Ich hätte da gerne eine Oberfläche, die diese diversen Problemfelder abbildet.

Interview 8 … Transporte in einem System global und konsistent abzuwickeln ….

Interview 8

Insofern arbeiten wir an Möglichkeiten, Customer-Relationship-Management-Systeme stärker an Transportsysteme anzubinden und darüber eine bessere Transparenz herstellen zu können.

Interview 9 Damit wir die Planung komplett … über das ERP-System laufen lassen können.

Interview 10 Ein Traum wäre ein System, das die Daten der jeweiligen Prozessbeteiligten sammelt.

3b.2 Kollaboration und Informationsaustausch


100

Interview 3 Ich denke, das wäre auch für den Kunden interessant, denn man lernt ja auch oft von seinen Wettbewerbern.

Interview 5 … wie eine Kollaborationsplattform aussehen kann, auf der solche Daten auch den Partnern der Supply Chain zugänglich gemacht werden.

Interview 5 Es sollte die Multi-User-Fähigkeit mit sich bringen, denn es ist an solchen Entscheidungen nicht immer nur eine Person beteiligt.

Interview 7 Wirklich gut wäre also ein besseres System auf Händlerseite. Interview 8 … auch getrieben vom kooperativen Aspekt.

Interview 8 Da machen Cloud-Plattformen zum Informationsaustausch natürlich Sinn.

3b.3 Auswertung historischer Daten

Interview 1 Das kognitive System kann nun zurück in die Vergangenheit blicken ….

3b.4 Auswertung externer Quellen

Interview 1 Das System muss zunächst die Gesetzesgrundlage verstehen ….

Interview 1 … auf Basis bestimmter Umgebungsdaten und Aktivitäten ….

Interview 2 Es könnte ein bisschen mehr Transparenz schaffen über Lieferanten und vielleicht auch über deren Vorlieferanten.

Interview 3 … dann wäre das ein System, in dem alle Regularien hinterlegt sind, die es in irgendeiner Art und Weise gibt, ob Luftfracht oder Seefracht.

Interview 5 … öffentlich zugängliche Datentöpfe beziehungsweise das Internet auswerten kann ….

3b.5 manuellen Aufwand reduzieren

Interview 3 Am besten wäre es, wenn ich die Daten per EDI oder Excel hochladen könnte.

Interview 6 … und dann mit einem Klick sieht ….

Interview 9 Man muss da sehr viel zusammenziehen. … Da ist aber noch ein bisschen Arbeit zu leisten damit man es schön mundgerecht serviert bekommt.

Interview 10 Und das bekomme ich auf Knopfdruck. 3b.6 Aktualität der Daten gewährleisten Interview 3 Ein System das immer aktuell gehalten wird ….

Interview 8 Das heißt, man braucht immer eine Kombination des Geschäftsprozesses mit der Sensorwelt.

3b.7 Validitätsprüfung

Interview 4 Das Tool müsste den Aussagegehalt der Einschätzung des Mitarbeiters werten können.


101

Interview 10

Wichtig wäre aber nicht nur, dass die Daten eingespielt werden, sondern dass auch die Korrektheit der Daten kontrolliert wird, sofern das möglich ist.

3b.8 Fähigkeit zum Verstehen und Interpretieren der Information

Interview 1

Das ist nicht bloß ein Wortvergleich. … Das System muss hier Verträge lesen und verstehen können und mit anderen Verträgen vergleichen. Das System muss beide Verträge interpretieren.

Interview 11 Das kann eine Maschine besser, vorausgesetzt sie kann die Daten richtig interpretieren.

3b.9 Training auf bestimmten Anwendungsbereich

Interview 1 Ein System, das an den spezifischen Einsatzbereich angepasst ist ….

Interview 5 Und es sollte zugeschnitten sein auf die fachliche Aufgabenstellung ….

Interview 10

Wenn das System also erkennt, welche Daten fehlerhaft sind und aus Erfahrung mit solchen fehlerhaften Daten sagen kann, dass dann wahrscheinlich auch bestimmte weitere Daten fehlerhaft sind. Dass man das System intelligent macht, damit es so etwas erkennen kann.

3b.10 Kreativität und Erfahrung des Menschen nutzen Interview 5 … die Kreativität und Erfahrung des Planers einzufangen …. Interview 6 … das kann man nur anhand der Erfahrungswerte.

Interview 11 Aber in dem Umgang mit Unsicherheit ist, glaube ich, der Mensch ganz gut. Weil er seine Erfahrung mit einbringt und die Maschine nicht unbedingt.

3b.11 Vorausschau

Interview 1 Durch diese Fähigkeit, die tatsächliche Nachfrage vorherzusehen ….

Interview 2 Oder auch mit einer Prognose über die Potentiale des Lieferanten.

Interview 5 … und die entsprechende Vorausschau des zukünftigen Materialflusses auf einen Standort für die Verfügbarkeitsplanung zu liefern.

Interview 5 … ob Veränderungen erwartbar sind und diese Veränderung als Szenario auf eine modellbasierte, simulationsbasierte Entscheidungsunterstützungsplattform zu applizieren, um


102

dann dem Menschen auch gleich die Konsequenzen der Situation bei momentaner Versorgungslage darzustellen.

Interview 6 Natürlich hätte ich also gerne eine Vorausschau darüber, welches Teil morgen gebraucht wird ….

Interview 9 Und das System sollte uns dann sagen, welche Ressourcen wir in den kommenden Monaten brauchen und bestellen sollten.

3b.12 Warnungen

Interview 1

Das kognitive System kann nun zurück in die Vergangenheit blicken und jede Bestellung dieser Bank prüfen, um uns schließlich zu sagen, dass der Kunde in der Vergangenheit diese Konfiguration niemals endgültig angefordert hat, auch wenn sie es bereits angemerkt hatten.

Interview 1 … und Lücken werden identifiziert.

Interview 2 Aufgrund von Daten könnte hier eine Risikobewertung gemacht werden.

Interview 5 … kritische Zustände frühzeitig aufzudecken ….

Interview 9 Was passiert hier in der Fertigung und wann habe ich die ersten massiven Kundenprobleme?

3b.13 Übersichtsfunktion

Interview 3 … und am besten in einem Summary angezeigt bekomme, worauf ich achten muss.

Interview 6 Ich hätte da gerne eine Oberfläche, die diese diversen Problemfelder abbildet.

3b.14 Simulation

Interview 4 Lösungen vorgeschlagen zu bekommen von einem System über Simulationen, das ist in der Supply Chain schon immer ein Wunsch gewesen.

Interview 5 … die Simulation als Methode operativ nutzbar zu machen ….

Interview 5

… ob Veränderungen erwartbar sind und diese Veränderung als Szenario auf eine modellbasierte, simulationsbasierte Entscheidungsunterstützungsplattform zu applizieren, um dann dem Menschen auch gleich die Konsequenzen der Situation bei momentaner Versorgungslage darzustellen.

Interview 9 Dass man eine Simulation mit Störungen fährt. 3b.15 Priorisierung Interview 6 So dass man direkt eine Priorisierung im System sieht.

Interview 7 Ein perfektes System würde diesen beiden Faktoren kombinieren ….

3b.16 Aufzeigen von Verbesserungspotentialen

Interview 9

Wie waren die Qualitätsausbeuten? Wie ist der Takt? Was habe ich an Anlageneffektivität? Wo habe ich noch Potentiale? Wo kann ich noch weiter nach oben? Wo kann ich momentan, aufgrund dessen, dass die Maschine kein Engpass ist,


103

vielleicht eine Instandhaltungsstrategie leisten? Wo muss ich in der Instandhaltungsstrategie wesentlich mehr ins präventive gehen, weil es ein absoluter Engpass ist?

Interview 10 Ein System, das alles transparent macht und uns auch mitteilen kann, wie man diese Lieferzeiten verkürzen könnte …. Sowas wäre natürlich ein Traum.

3b.17 Handlungsempfehlungen Interview 1 Was ist zu tun, um diese Lücken zu schließen?

Interview 1 In diesem Fall könnte man die Intelligenz eines kognitiven Systems anwenden. Hole ich mir nun wirklich die Bestände ins Lager …?

Interview 4 Lösungen vorgeschlagen zu bekommen von einem System über Simulationen, das ist in der Supply Chain schon immer ein Wunsch gewesen.

Interview 5 … den Menschen, den Planer, zu unterstützen, die richtige Entscheidung zu treffen.

Interview 5

… ob Veränderungen erwartbar sind und diese Veränderung als Szenario auf eine modellbasierte, simulationsbasierte Entscheidungsunterstützungsplattform zu applizieren, um dann dem Menschen auch gleich die Konsequenzen der Situation bei momentaner Versorgungslage darzustellen.

Interview 7 … und eine Menge vorschlagen, die optimal für das bestimmte Lager ist.

Interview 9

Wie waren die Qualitätsausbeuten? Wie ist der Takt? Was habe ich an Anlageneffektivität? Wo habe ich noch Potentiale? Wo kann ich noch weiter nach oben? Wo kann ich momentan, aufgrund dessen, dass die Maschine kein Engpass ist, vielleicht eine Instandhaltungsstrategie leisten? Wo muss ich in der Instandhaltungsstrategie wesentlich mehr ins präventive gehen, weil es ein absoluter Engpass ist?

Interview 10 Oder wenn man einem Mitarbeiter, der Transporte bucht, das günstigste Transportmittel für die Sendung empfehlen könnte.

3b.18 Vertrauensniveau für Handlungsempfehlungen

Interview 6 Die Qualität der Lösungsfindung müsste dementsprechend sein, sodass wir, wenn wir eine Lösung verfolgen, die das System vorgeschlagen hat, darauf vertrauen können.

3b.18 Visualisierung Interview 5 … und in einer möglichst intuitiven Form visualisieren.

Interview 5 … und wie der Mensch als steuernde Instanz über intuitive Visualisierungsformen der Daten abgeholt werden kann.

Interview 9

Und vom SAP System würde ich mir noch wünschen, dass Kennzahlen etwas mundgerechter ausgegeben werden. Momentan sind Kennzahlen in SAP nicht in Grafiken darstellbar und dadurch auch relativ schwer einem Dritten zu erklären.


104

3b.20 Individuelle Anpassbarkeit des Systems

Interview 3 Es müsste verschiedene Möglichkeiten geben. … das mir die Möglichkeit gibt, unterschiedliche Suchanfragen zu stellen.

Interview 5 … als Add On zum Standard konfigurierbar sein, sodass ein Disponent es auf seine konkrete Entscheidungsstruktur zuschneiden kann, idealerweise.

Interview 8 Sondern der Business Analyst in der Firma selbst … in der Lage sein muss, diese Cloud-Lösung selber zu bedienen.

Interview 9 Und vom SAP System würde ich mir noch wünschen, dass Kennzahlen etwas mundgerechter ausgegeben werden.

Interview 10 Mein Traum wäre ein Reporting-System, das ich nach meinem Belieben customizen könnte.

3b.21 Intuitive Bedienbarkeit Interview 5 … und in einer möglichst intuitiven Form visualisieren.

Interview 9 Aber es war sehr komplex und es war sehr viel Expertenwissen vonnöten gewesen, um die Daten einzugeben. Wenn das etwas einfach zu handhaben wäre.

Interview 11

Manchmal hat derjenige, der im Meeting ist gar keinen Zugriff oder er hat Zugriff aber weiß nicht, wie das System funktioniert. … Im Moment sind wir dabei die Tools zur Verfügung zu stellen, mit denen die User einfacher und schneller Informationen aus dem System bekommen können. Also dass die Leute es schnell und einfacher bedienen können.

Interview 10 Ohne dass ich erst ein Ticket erstellen muss damit mir jemand diesen Bericht baut. Sondern ich selbst kann das machen so wie ich es möchte.

3b.22 Cloud-Lösung Interview 3 (…) auf das man online Zugriff hätte.

Interview 8 Wir sehen einen ganz starken Trend hin zu Cloud-Lösungen (…).

Interview 11 In solchen Fällen kann man meiner nach wesentlich effizienter vorgehen, indem man live in dem System die Fakten rausholen kann.

Die Publikationsreihe

Schriftenreihe Logistikforschung / Research Paper Logistics

In der Schriftenreihe Logistikforschung des Institutes für Logistik- & Dienstleistungsmanagement (ild) der FOM werden fortlaufend aktuelle Fragestellungen rund um die Entwicklung der Logistikbranche aufgegriffen. Sowohl aus der Perspektive der Logistikdienstleister als auch der verladenden Wirtschaft aus Industrie und Handel werden innovative Konzepte und praxisbezogene Instrumente des Logistikmanagements vorgestellt. Damit kann ein öffentlicher Austausch von Erfahrungswerten und Benchmarks in der Logistik erfolgen, was insbesondere den KMU der Branche zu Gute kommt.

The series research paper logistics within the Institute for Logistics and Service Management of FOM University of Applied Sciences addresses management topics within the logistics industry. The research perspectives include logistics service providers as well as industry and commerce concerned with logistics research questions. The research documents support an open discussion about logistics concepts and benchmarks.

Band 1 Klumpp, M., Bovie, F.: Personalmanagement in der Logistikwirtschaft

Band 2 Jasper, A., Klumpp, M.: Handelslogistik und E-Commerce [vergriffen]

Band 3 Klumpp, M.: Logistikanforderungen globaler Wertschöpfungsketten [vergriffen]

Band 4 Matheus, D., Klumpp, M.: Radio Frequency Identification (RFID) in der Logistik

Band 5 Bioly, S., Klumpp, M.: RFID und Dokumentenlogistik

Band 6 Klumpp, M.: Logistiktrends und Logistikausbildung 2020

Band 7 Klumpp, M., Koppers, C.: Integrated Business Development

Band 8 Gusik, V., Westphal, C.: GPS in Beschaffungs- und Handelslogistik

Band 9 Koppers, L., Klumpp, M.: Kooperationskonzepte in der Logistik

Band 10 Koppers, L.: Preisdifferenzierung im Supply Chain Management

Band 11 Klumpp, M.: Logistiktrends 2010

Band 12 Keuschen, T., Klumpp, M.: Logistikstudienangebote und Logistiktrends

Band 13 Bioly, S., Klumpp, M.: Modulare Qualifizierungskonzeption RFID in der Logistik

Band 14 Klumpp, M.: Qualitätsmanagement der Hochschullehre Logistik

Band 15 Klumpp, M., Krol, B.: Das Untersuchungskonzept Berufswertigkeit in der Logistikbranche

Band 16 Keuschen, T., Klumpp, M.: Green Logistics Qualifikation in der Logistikpraxis

Band 17 Kandel, C., Klumpp, M.: E-Learning in der Logistik

Band 18 Abidi, H., Zinnert, S., Klumpp, M.: Humanitäre Logistik – Status quo und wissenschaftliche Systematisierung

Band 19 Backhaus, O., Döther, H., Heupel, T.: Elektroauto – Milliardengrab oder Erfolgsstory?

Band 20 Hesen, M.-A., Klumpp, M.: Zukunftstrends in der Chemielogistik

Band 21 Große-Brockhoff, M., Klumpp, M., Krome, D.: Logistics capacity management – A theoretical review and applications to outbound logistics

Band 22 Helmold, M., Klumpp, M.: Schlanke Prinzipien im Lieferantenmanagement

Band 23 Gusik, V., Klumpp, M., Westphal, C.: International Comparison of Dangerous Goods Transport and Training Schemes

Band 24 Bioly, S., Kuchshaus, V., Klumpp, M.: Elektromobilität und Ladesäulenstandortbestimmung – Eine exemplarische Analyse mit dem Beispiel der Stadt Duisburg

Band 25 Sain, S., Keuschen, T., Klumpp, M.: Demographic Change and its Effect on Urban Transportation Systems: A View from India

Band 26 Abidi, H., Klumpp, M.: Konzepte der Beschaffungslogistik in Katastrophenhilfe und humanitärer Logistik

Band 27 Froelian, E., Sandhaus, G.: Conception of Implementing a Service Oriented Architecture (SOA) in a Legacy Environment

Band 28 Albrecht, L., Klumpp, M., Keuschen, T.: DEA-Effizienzvergleich Deutscher Verkehrsflughäfen in den Bereichen Passage/Fracht

Band 29 Meyer, A., Witte, C., Klumpp, M.: Arbeitgeberwahl und Mitarbeitermotivation in der Logistikbranche

Band 30 Keuschen, T., Klumpp, M.: Einsatz von Wikis in der Logistikpraxis

Band 31 Abidi, H., Klumpp, M.: Industrie-Qualifikationsrahmen in der Logistik

Band 32 Kaiser, S., Abidi, H., Klumpp, M.: Gemeinnützige Kontraktlogistik in der humanitären Hilfe

Band 33 Abidi, H., Klumpp, M., Bölsche, D.: Kompetenzen in der humanitären Logistik

Band 34 Just, J., Klumpp, M., Bioly, S.: Mitarbeitermotivation bei Berufskraftfahrern – Eine empirische Erhebung auf der Basis der AHP-Methode

Band 35 Keinhörster, M., Sandhaus, G.: Maschinelles Lernen zur Erkennung von SMS-Spam

Band 36 Kutlu, C., Bioly, S., Klumpp, M.: Demografic change in the CEP sector

Band 37 Witte, C., Klumpp, M.: Betriebliche Änderungsanforderungen für den Einsatz von Elektronutzfahrzeugen – eine AHP-Expertenbefragung

Band 38 Keuschen, T., Klumpp, M.: Lebenslanges Lernen in der Logistikbranche –Einsatz von ergänzenden Aus- und Weiterbildungsmaßnahmen

Band 39 Bioly, S., Klumpp, M.: Statusanalyse der Rahmenbedingungen für Fahrberufe in Logistik und Verkehr.

Band 40 Abidi, H., Klumpp, M.: Demografischer Wandel und Industrie-Qualifikationsrahmen Logistik

Band 41 Bayer, F., Bioly, S.: Supply Chain Risk Management in der Industrie – am Beispiel der Metall- und Elektroindustrie

Band 42 Bioly, S., Sandhaus, G., Klumpp, M.: Wertorientierte Maßnahmen für eine Gestaltung des demografischen Wandels in Logistik und Verkehr

Band 43 Steltemeier, B., Bioly, S.: Real-time Tracking and Tracing bei Überseetransporten – technische Realisierung und wirtschaftliche Auswirkungen der Implementierung

Band 44 Keuschen, T., Marner, T., Bioly, S.: Nachhaltige Mobilitätskonzepte in der Pharmalogistik

Band 45 Abidi, H., Marner, T., Schwarz, D.: Last Mile-Distribution im Großhandel

Band 46 Witte, C., Marner, T., Klumpp, M.: Elektronutzfahrzeuge in der Entsorgungslogistik

Band 47 Berg, A., Abidi, H.: Humanitäre Logistiknetzwerke

Band 48 Richter, N., Keuschen, T.: Merkmale und Umsetzungsmöglichkeiten nachhaltiger Logistik unter den Aspekten Erwartungshaltung und Zahlungsbereitschaft der Konsumenten

Band 49 Dorten, E., Marner,T.: Ausschreibung versus Direktvergabe von ÖPNV-Leistungen

Band 50 Marner, T., Zelewski, S., Gries, S., Münchow-Küster, A., Klumpp, M.: Elektromobilität in der Logistikzukunft - Analysen zur Wirtschaftlichkeit und zu möglichen Einsatzfeldern

Band 51 Klumpp, M., Neukirchen, T., Jäger, S.: Logistikqualifikation und Gamification – Der wissenschaftliche und fachpraktische Ansatz des Projektes MARTINA

Band 52 Neukirchen, T., Jäger, S., Paulus, J., Klumpp, M.: Sicherheit und Compliance in der Logistikqualifikation – Konzepte für Gamification-Anwendungen

Band 53 Peretzke, J., Sandhaus, G.: Einsatzpotientale von Cognitive Computing zur Unterstützung der Entscheidungsfindung im Supply Chain Management

Date post:	22-Apr-2020
Category:	Documents
Upload:	others
View:	7 times
Download:	0 times

Einsatzpotentiale von Cognitive Computing zur ...Einsatzpotentiale von Cognitive Computing zur...

Documents