Basistechnologien der Digitalisierung von Wertschöpfungsprozessen
Von Sven Preußer unter Mitarbeit von Marcel Bertuch
Zusammenfassung
Dieser Artikel stellt Basistechnologien (u. a. Internet of Things, Big Data und Künstliche Intelligenz) zur Gestaltung und Optimierung einer (digitalen) Wertschöpfungskette vor und ordnet diese ihrer entsprechenden Wirkungsweisen und Gestaltungsmöglichkeit ein. Die Einordnung erfolgt mittels praktischer Ansatzpunkte innerhalb der Wertschöpfungsprozesse im Unternehmen. Dies kann als Orientierungshilfe oder als Denkanstoß verstanden werden, um mögliche Handlungsempfehlungen für kleine und mittlere Unternehmen abzuleiten.
Einleitung
In den letzten Jahren wurden die Schlagworte wie Industrie 4.0 sowie Big Data und KI (vermehrt) genutzt und prägen den Diskurs über die weiteren strategischen Entwicklungen der Wirtschaft sowie der zukünftigen Gestaltung von Geschäftsprozessen in den einzelnen Unternehmen.
Wenn man sich jedoch intensiver mit Digitalisierung von Wertschöpfungsprozessen und zugrundeliegenden Technologien auseinandersetzen möchte, findet man sich schnell in einer technisch-orientierten Fachsprache wieder. Zudem fehlt dem Praktiker manchmal auch Klarheit bei der Zuordnung von Technologien in den eigentlichen betrieblichen Kontext.
Der Artikel hat deshalb den Anspruch, die wesentlichen Basistechnologien so präzise wie möglich, aber auch so komplex wie gerade nötig vorzustellen. Zudem wird versucht, anhand des Modells der Wertschöpfungskette, basierend auf dem Konzept von Michael E. Porter, die vorgestellten Technologien in einen Praxisbezug zu setzen und zu zeigen, welche Basistechnologien welchen innerbetrieblichen Aktivitäten zugeordnet werden können und welche Potenziale hier zum Tragen kommen.
Die Ausarbeitung kann als Orientierungshilfe oder als Denkanstoß verstanden werden, um mögliche Handlungsempfehlungen für kleine und mittlere Unternehmen abzuleiten.
Digitale Transformation: Auswirkungen und Potenziale für Unternehmen
Industrie 4.0 basiert auf der (Weiter-)Entwicklung und Verbreitung von vernetzten und kommunizierenden Systemen mittels Internettechnologien. Treiber dieser Entwicklung waren die weiterhin ansteigende Digitalisierung und Technisierung der Wirtschaft, die weitreichende Veränderungen in allen Lebensbereichen induzierte und große Auswirkungen auf Prozesse und Arbeitsweisen vor allem im produzierenden Gewerbe hatte.
Aus diesen Veränderungen ergeben sich sogleich neue Anforderungen, vor die ein Unternehmen gestellt wird: Auf Trends wie die zunehmende Nachfrage nach maßgeschneiderten Produkten und kürzere Produktlebenszyklen gilt es zu reagieren.
Dieser Wandel mit all seinen Veränderungen stellt Unternehmen einerseits vor (neuen) Herausforderungen, andererseits sind die Potenziale, die der digitale Wandel mit sich bringt, nicht von der Hand zu weisen und es eröffnet sich eine Chance, auf die veränderten Kundenwünsche besser zu reagieren. Zudem ermöglicht eine digitale Weiterentwicklung der Wertschöpfungskette sowie der Einsatz neuer Technologien Wettbewerbsvorteile und die Sicherung mittel- oder langfristigen Erfolgs.
Die Wertschöpfungskette der Industrie 4.0 (in Anlehnung an Michael E. Porter)
Um die Potenziale von Industrie 4.0 Technologien zu betrachten, deren Einsatz und Anwendungsfälle zu verorten und daraus Handlungsempfehlungen abzuleiten, werden die Basistechnologien entsprechend ihres potenziellen Einsatzes im Wertschöpfungsprozess eingeordnet.
Dabei soll die Wertschöpfungskette von Michael E. Porter den Rahmen bilden – ein Managementkonzept, welches alle Aktivitäten eines Unternehmens systematisch darstellt.
Diese Darstellung kann zudem genutzt werden, sich die einzelnen Elemente der Wertschöpfung in einem Unternehmen spezifisch anzuschauen. Da das Unternehmen in Teilbereiche differenziert dargestellt ist, können diese hinsichtlich ihrer Aktivitäten besser durchleuchtet bzw. analysiert werden.
Innerhalb der Wertschöpfungskette werden alle notwendigen Strukturen, Prozesse und Ressourcen dargestellt, die für die Erbringung einer Leistung notwendig sind. Unterteilt werden diese in fünf Primärkategorien, die von der Produktherstellung über den Verkauf bis hin zur Betreuung der Kunden reicht. Der gesamte Wertschöpfungsprozess wird durch vier Unterstützungsaktivitäten ergänzt.
Basistechnologien digitaler Wertschöpfungsprozesse
Internet of Things
Hatte das Internet noch zum Ziel, vor allem Menschen über eine digitale Infrastruktur zu vernetzen, stellt das Internet der Dinge (engl.: Internet of Things, Kurzform: IoT) eine Verbindung zwischen physischen Objekten mit der virtuellen Welt her. Das heißt, dabei werden auch außerhalb der menschlichen Einflussnahme Maschinen und intelligente Geräte miteinander vernetzt. Und je mehr physische Maschinen oder andere Objekte, Prozesse und Akteure aus der Realität im Internet of Things repräsentiert sind, desto genauer wird die Realität virtuell abgebildet.
Operationen/Produktion:
Dieses Abbild kann mithilfe von weltweit verfügbaren Daten (siehe auch Big Data) und Diensten für die Wertschöpfungsketten von Unternehmen genutzt werden, um bspw. Herstellungsprozesse auszuwerten und die Produktion zu optimieren. In der industriellen Anwendung wird dies mittels eingebauter Sensoren in Maschinen zur Automatisierung der Produktion genutzt. Durch eine vernetzte und automatisierte Produktion verändern sich die Produktionsprozesse insofern, dass durch die Nutzung von Sensoren die Anlagen kommunizieren und Daten austauschen und dies wiederrum Abstimmungsprozesse zur Optimierung des Gesamtprozesses der Produktion ermöglicht (Buchholz et al. 2017: 5)
Eingangs-/Ausgangslogistik:
In der Logistik wird IoT-Technologien vor allem dazu eingesetzt, um Materialbewegungen zu erfassen, um Materialien und Zwischen- beziehungsweise Endprodukte nachverfolgen zu können. Dieser nun nicht mehr allzu innovative Ansatz –immerhin wird dies bereits seit den neunziger Jahren verwendet – erhält mit zunehmendem Komplexitätsgrad der Lieferketten eine ebenso zunehmende Bedeutung.
Andelfinger, V.; Hänisch, T. (2015): Internet der Dinge – Technik, Trends und Geschäftsmodelle. Springer Fachmedien, Wiesbaden.
Gilchrist, A. (2016): Industry 4.0 – The Industrial Internet of Things, Apress.
Hassan, Q. (2018): Internet of Things – A to Z – Technologies and Applications, IEEE Press, Wiley.
Meinhardt, S.; Pflaum, A. (2019): Digitale Geschäftsmodelle – Band 2 – Geschäftsmodell-Innovationen, digitale Transformation, digitale Plattformen, Internet der Dinge und Industrie 4.0, Springer Fachmedien, Wiesbaden.
Samulat, P. (2017): Die Digitalisierung der Welt – Wie das Industrielle Internet der Dinge aus Produkten Services macht, Springer Fachmedien, Wiesbaden.
Big Data
Mit der stetig voranschreitenden Digitalisierung nimmt die Menge an Daten zu – nicht selten wird sogar von einem exponentiellen Anstieg der Datenmengen gesprochen (Achajya/Kauser 2016: 512). Und ebenso wächst das Interesse, jene Daten als Ressource einzusetzen, d. h. Daten aus ihren Quellen zu extrahieren, daraufhin zu analysieren und schlussendlich in entscheidungsorientiertes Wissen zu überführen (Otte 2020: 2).
Nun sind Prozesse der Generierung von Informationen und unternehmensrelevanten Wissen aus Daten keine allzu neue Problemstellung und im betriebswirtschaftlichen Kontext werden entsprechende Lösungen u. a. unter dem Schlagwort Business Intelligence subsummiert (Seiter/Treusch/Esser 2018: 15ff.). Aufgrund des (exponentiellen) Wachstums aber entstehen nunmehr Datenbestände, die in ihrer Größe die klassische Datenhaltung, Verarbeitung und Analyse auf einem normalen Rechner mit gewöhnlicher Hardware übersteigt.
Jene Datenbestände werden auch als Big Data bezeichnet. “Big” definiert hierbei jene Dimensionen, die sich von herkömmlichen Datenbanken unterscheiden, und den Begriff Big Data charakterisieren. Aufgrund der einheitlichen Benennung des Anfangsbuchstabens werden diese Dimensionen als „5Vs“ bezeichnet und beziehen sich auf: das Volume und insofern auf den quantitativen Umfang von Daten, die durch Digitalisierungsprozesse zugenommen haben und weiterhin zunehmen werden.
Um die ansteigende Menge (sowohl strukturierter als auch unstrukturierter) Daten in all ihren Dimensionen als Ressource einzusetzen, um daraus Erkenntnisse zu gewinnen und darauf aufbauend strategische unternehmerische Entscheidungen zu treffen, müssen auch geeignete Mittel und Methoden für Datenanalysen identifiziert werden (siehe auch Künstliche Intelligenz).
Eingangs-/Ausgangslogistik:
Das Lagermanagement kann nach einer Analyse von Verbrauchsdaten Warnsysteme geschaffen werden, die schon frühzeitig Engpässe prognostizieren und melden.
Achajya, D. P.; Kauser, A. P. (2016): A Survey on Big Data Analytics: Challenges, Open Research Issues and Tools.
Droschel, J. (2015): Praxishandbuch Big Data – Wirtschaft – Recht – Technik, Springer Fachmedien, Wiesbaden.
Engels, B.; Goecke, H. (2019): Big Data in Wirtschaft und Wissenschaft/ Eine Bestandsaufnahme, Leibniz-Informationszentrum Wirtschaft.
Fasel, D.; Meier, A. (2016): Big Data – Grundlagen, Systeme und Nutzungspotenziale, Springer Fachmedien, Wiesbaden.
Ishwarappa, A. (2015): A brief introduction on Big Data 5Vs Characteristics and Hadoop Technology. Procedia Computer Science 48: 319-24.
Knorre, S.; Müller-Peters, H., Wagner, F. (2020): Die Big-Data-Debatte – Chancen und Risiken der digital vernetzten Gesellschaft, Springer Fachmedien, Wiesbaden.
Otte, R.; Wippermann, B.; Schade, S.; Otte, V. (2020): Von Big Mining bis Big Data – Handbuch für industrielle Praxis, Hanser.
Scheer, A. W. (2014): Datability – Chancen für Industrie 4.0 durch Big Data, IM + IO
Seiter, M.; Treusch, O.; Esser, L. (2018): Business Analytics im Mittelstand. FuS – Zeitschrift für Familienunternehmen und Strategie: 15-20.
Künstliche Intelligenz
Künstliche Intelligenz – kurz KI – gilt als das Trendwort des Jahres, Jahrzehnts oder vielleicht sogar des Jahrhunderts. Doch wie intelligent können Maschinen eigentlich sein und werden oder ist Intelligenz am Ende doch nur eine Abfolge von logischen Operationen aus der Feder eines Software-Engineers?
KI ist ein Überbegriff für Anwendungen, bei denen Maschinen menschenähnliche Intelligenzleistungen wie Lernen, Urteilen und Problemlösen erbringen. Als Ziel gilt die Annäherung an die kognitiven Funktionen des menschlichen Gehirns. Algorithmen können dabei in unstrukturierten Datensätzen (siehe Big Data) Muster erkennen und anhand dessen Entscheidungen eigenständig treffen. Da Maschinen nicht wie Lebewesen lernen können, müssen Formeln die gewünschten Ergebnisse liefern.Ein Teilgebiet davon, das Maschinelle Lernen, stellt die künstliche Generierung von Wissen aus Erfahrung dar. Diese Erfahrungen gewinnt ein künstliches System, indem es aus vielen Beispielen lernt. Nach Abschluss der Lernphase ist es in der Lage die Ergebnisse zu verallgemeinern und sie als Wissen für uns bereitzustellen (Görz/Schneeberger/Schmid 2014: 2ff.).
Cleve, J.; Lämmel, U. (2012): Künstliche Intelligenz, Carl Hanser Verlag München.
Görz, G.; Schneeberger, J.; Schmid, U. (2014): Handbuch der Künstlichen Intelligenz, Oldenbourg Verlag München.
Wittphal, V. (2019): Künstliche Intelligenz – Technologie – Anwendung – Gesellschaft, SpringerVieweg, Berlin.
Virtuelle und erweiterte Realität
Virtuelle Realität bezeichnet ein am Computer geschaffenes digitales Abbild der Realität.
Virtuelle Realität – Virtual Reality, kurz VR sowie Erweiterte Realität – Augmented Reality, kurz AR bieten ein hohes Potenzial für innovative Lösungen in den Wertschöpfungsketten von Hightech-Branchen.
Erweiterte Realität bezeichnet das Zusammenspiel zwischen analogem und digitalem Leben.
Eingangs-/Ausgangslogistik:
Eine Brille oder das Smartphone blenden dabei dem Nutzer zusätzliche Informationen in sein reales Umfeld ein. Eine Lagermitarbeiter bekommt bspw. angezeigt, an welchem Ort sich ein gesuchtes Ersatzteil befindet.
Operationen/Produktion:
Durch den Einsatz von virtueller und erweiterter Realität ergeben sich im Bereich Produktion oder produktnahen Dienstleistungen Innovationssprünge.
Marketing & Vertrieb:
VR-Brillen sorgen dafür, dass Nutzer Teil einer täuschend echt wirkenden neuen, künstlich geschaffenen Welt werden können. Beim Hausbau kann der Bauherr bspw. sein neues Haus begehen, bevor es gebaut wird.
Denn schon heute können Kunden ein neues Fahrzeug nach ihren Wünschen konfigurieren und die jeweiligen Optionen mithilfe einer VR-Brille realitätsgetreu und in Echtzeit vor sich sehen. Das bietet nicht nur der Automobilbranche neue Möglichkeiten, sondern auch in jedem anderen Unternehmen im Bereich Sales und Vertrieb.
Brill, M. (2009): Virtuelle Realität, Springer-Verlag Berlin Heidelberg.
Dörner, R.; Broll, W.; Grimm, P.; Jung, B. (2013): Virtual und Augmented Reality (VR/AR) – Grundlagen und Methoden der Virtuellen und Augmentierten Realität, Springer-Verlag.
Tönnis, M. (2010): Augmented Reality – Einblicke in die Erweiterte Realität, Springer-Verlag Berlin Heidelberg.
Additive Fertigung/3D-Druck
Oft auch im industriellen Kontext als „3D-Druck“ bezeichnet, erzeugt die Additive Fertigung durch das Zufügen von Material Bauteile. Produkte können mithilfe des additiven Verfahrens und dessen Möglichkeiten unabhängig von Werkzeugen völlig neu gedacht werden.
Zu Beginn des Fertigungsprozesses eines Bauteils/Stückes steht eine sogenannte 3D-CAD-Datei – eine virtuelle Zeichnung des Bauteils. Das Bauteil selbst wird dann anhand der Vorgaben aus der Zeichnung im Print-Verfahren hergestellt, wobei das jeweilige Material schichtweise, Ebene für Ebene, aufgetragen wird und so ein dreidimensionaler Gegenstand entsteht. Als Materialien kommen häufig Kunststoffe zum Einsatz. (Klemp/Pottebaum 2017: 314ff.) Solche Bauteile findet man im Prototypenbau, bei der Herstellung von Bauteilen mit hohem Individualisierungsgrad oder bei Bauteilen mit komplizierter Geometrie.
Operationen/Produktion:
Werden Bauteile in Serie gefertigt, so können Kosten optimiert werden. Weiter können auch Kosten für die Fertigung und Lagerung im Sinne von “Production on demand” reduziert werden.
Caviezel, C.; Grünwald, R.; Ehrenbergs-Silies, S.; Kind, S.; Jetzke, T.; Bovenschulte, M. (2017): Additive Fertigungsverfahren (3-D-Druck) – Innovationsanalyse, TAB Berlin.
Klemp, E.; Pottebaum, J. (2017): Additive Fertigungsverfahren im Kontext von Industrie 4.0, Springer Verlag.
Richard, H.; Schramm, B.; Zipsner, T. (2017): Additive Fertigung von Bauteilen und Strukturen, Springer Fachmedien Wiesbaden.
Kognitive Systeme und Robotik
Kognitive Systeme ermöglichen es, Prozesse zu überwachen, analysieren und können darauf aufbauend die Fähigkeit entwickeln, in Situationen – unbekannt oder ungeplant – die richtige Entscheidung zu treffen. Den Input liefern große, unstrukturierte Datenmengen (siehe auch Big Data), woraus kognitive Systeme lernen und ihre Entscheidungen ableiten.
Menschliche Fähigkeiten dienen der Orientierung von kognitiven Systemen, weshalb sie im Stande sein können, wahrzunehmen, zu verstehen und zu lernen.
Sie sind jedoch nicht mit künstlicher Intelligenz vollständig gleichzusetzen, vielmehr ein Zusammenspiel zwischen Methoden der künstlichen Intelligenz und anderen Ansätzen.
Das autonome Fahrzeug gilt als bekanntes Beispiel der kognitiven Systeme.
Bauckhage, C.; Bauernhansl, T.; Beyerer, J.; Garcke, J. (2018): Kognitive Systeme und Robotik. Intelligente Datennutzung für autonome Systeme.
Strohner, H. (1995): Kognitive Systeme, Westdeutscher Verlag, Opladen.
Robot Process Automation
Die automatisierte Bearbeitung von strukturierten Geschäftsprozessen durch digitale Software-Roboter wird als Robot Process Automation (RPA) bezeichnet.
Sich wiederholende Routineaktivitäten lassen sich ebenso automatisieren, wie es teilweise die Roboter am Fließband können, beispielsweise beim Erstellen von Rechnungen oder Bearbeiten von Kündigungen. In Abgrenzung zu physisch existierenden Maschinen bezeichnet Robotic Process Automation (RPA) eine Technologie, welche eine Virtualisierung manueller Tätigkeiten in strukturierten, repetitiven und regelbasierten Prozessen durch digitale Software-Roboter (Bots) ermöglicht.
Solche RPA-Bots agieren als virtuelle Mitarbeiter und haben ebenso wie ihre menschlichen Pendanten eigene Rollen und Identitäten. RPA-Bots können Aufgaben anwendungsübergreifend ausführen und die menschliche Interaktion mit anderen Software-Systemen (zum Beispiel ERP-Systeme, Workflows, Datenbanken, E-Mail) über Benutzeroberflächen nachahmen. (vgl. Langmann 2020: 5ff.) Dabei bietet sich ebenso jener Vorteil: Roboter sind weniger fehleranfällig, schneller und genauer und das Beste ist: Sie werden nicht müde.
Unternehmensinfrastruktur:Beispielsweise werden die vom Kunden ausgefüllten, standardisierte Formulare nicht mehr vom Mitarbeiter persönlich, sondern der RPA bearbeitet, und dies kann sich über mehrere einzelne Prozessschritte ziehen: Von der Annahme, über die Prüfung bis hin zur Durchführung.
Allweyer, T. (2016): Robotic Process Automation – Neue Perspektive für die Prozessautomatisierung, Hochschule Kaiserslautern.
Czarnecki, C.; Auth, G. (2018): Prozessdigitalisierung durch Robotic Process Automation. In: Barton, T., Müller, C., Seel, C. (Hrsg.): Digitalisierung in Unternehmen – Von den theoretischen Ansätzen zur praktischen Umsetzung, Springer Verlag.
Langmann, C.; Turi, D. (2020): Robotic Process Automation (RPA) – Digitalisierung und Automatisierung von Prozessen, Springer Fachmedien Wiesbaden.
Blockchain und Distributed-Ledger-Technologie
Erklärung
Spätestens mit dem Aufstieg des Bitcoins, einer elektronischen Währung, die ohne zentrale Kontrollinstanz, gilt die dahinterstehende Blockchain-Technologie als eine der aufstrebenden und innovativen Neuerungen unserer Zeit.
Die Blockchain gilt als eine fälschungssichere Datenstrukturen, die häufig dezentral verteilt ist. Entscheidend ist hierbei, dass die Transaktionen chronologisch protokolliert, nachvollziehbar, unveränderlich und ohne zentrale Instanz, d. h. ein Verzicht auf eine Zwischenstelle, abgebildet werden. Der Vorteil einer Blockchain besteht in der Transparenzmachung von Eigentumsverhältnissen, denn diese werden dadurch effizienter und direkter als bisher gesichert und geregelt und schafft eine Grundlage für eine unveränderliche und lückenlose Datenaufzeichnung.
Fill, H., Meier, A. (2020): Blockchain – Grundlagen, Anwendungsszenarien und Nutzungspotenzial, Springer Verlag
Million, C. (2019): Crashkurs Blockchain – Einführung, Grundprinzipien, Use Cases, Haufe Group Freiburg
Literaturübersicht
Buchholz, B.; Ferdinand, J.-P.; Gieschen, J.-H.; Seidel, U. (2017): Digitalisierung industrieller Wertschöpfung – Transformationsansätze für KMU, Eine Studie im Rahmen der Begleitforschung zum Technologieprogramm AUTONOMIK für Industrie 4.0 des Bundesministeriums für Wirtschaft und Energie.
Neugebauer, R. (2018): Digitalisierung. Schlüsseltechnologien für Wirtschaft und Gesellschaft.
Porter, M. E. (1986): Wettbewerbsvorteile (Competitive Advantage). Spitzenleistungen erreichen und behaupten. Campus Verlag, Frankfurt am Main.
