Data Supply Chain Management

Vom Rohstoff Daten zum neuen Geschäftsmodell

23.07.2020
Anzeige  In Zeiten von IoT, Maschinellem Lernen und KI sind mehr und bessere Daten gefragt. Für Produktionsunternehmen bedeutet das: Sie brauchen eine klare Strategie für das Data Supply Chain Management.
Fertigungsunternehmen arbeiten intensiv an der Optimierung und Digitalisierung ihrer Supply Chain. Doch dabei fehlt häufig eine klare Datenstrategie.
Fertigungsunternehmen arbeiten intensiv an der Optimierung und Digitalisierung ihrer Supply Chain. Doch dabei fehlt häufig eine klare Datenstrategie.
Foto: Wright Studio - shutterstock.com

Daten sind überall. Und doch fehlen sie häufig gerade dort, wo sie dringend gebraucht werden: Bei der Optimierung von Prozessen in Produktion und Logistik etwa, im Kundenkontakt über die verschiedenen Vertriebskanäle oder beim Aufbau neuer Geschäftsmodelle. Auf allen Stufen der Wertschöpfungskette, vom Lieferanten bis zum Endkunden, kämpfen die Beteiligten damit, dass Daten entweder gar nicht vorliegen oder nicht die erforderliche Qualität aufweisen. So bleibt der Mehrwert vorhandener Daten weitgehend ungenutzt, von innovativen Geschäftsmodellen auf Basis neuer Daten gar nicht zu reden. Denn Machine Learning und AI als Enabler für solche Business-Modelle funktionieren nur mit großen Mengen geeigneter Daten.

Innovation braucht ganzheitliches Datenmanagement

Anne Hadler, Head of Digital Business DACH, Cognizant, berichtet: "Die Vision einer datengetriebenen Organisation begeistert Unternehmensentscheider. Dass dazu auch Data Supply Chain Management gehört, übersehen sie oft." Oliver Schröder, VP Sales DACH, Informatica sagt: "Produzierende Unternehmen konzentrieren sich heute auf die Optimierung und Digitalisierung der Supply Chain. Dazu nutzen sie auch Daten, jedoch ohne klare Datenstrategie."

In mehr oder weniger isolierten Projekten arbeiten Unternehmen am Aufbau von IoT, Smart Logistics, Digital Twins oder Predictive Analytics. Dazu werden mit großem Aufwand Data Lakes angelegt und KI-Tools evaluiert. Der Schlüssel zu einer nachhaltig besseren Verwertung von Daten, da sind sich Hadler und Schröder einig, liege jedoch in einem koordinierten Data Supply Chain Management. Dahinter steht unter anderem die Erkenntnis von Graeme Thompson, CIO von Informatica: "Die besten Datenstrategien sind eigentlich gar keine wirklichen Datenstrategien. Sie sind Strategien zur Lösung von Geschäftsproblemen."

Mit Machine Learning und AI schneller zur Lösung

Mit fortschreitender Digitalisierung werden entlang der kompletten physischen Supply Chain immer mehr Daten generiert. Immer mehr unterschiedliche Systeme liefern verschiedene Datenformate, Datentypen und Datenmodelle. Gleichzeitig steigt die Anzahl der Nutzer von Daten. Sie erwarten den Zugriff auf "ihre" Daten unabhängig von Standort, Zeitpunkt und genutztem Endgerät, weshalb neben der eigenen IT-Infrastruktur zunehmend Cloud-Dienste in das Datenmanagement integriert werden.

Ein anderer Aspekt: IoT-Geräte benötigen teilweise Datenaustausch in Echtzeit. Und mit Machine Learning und AI entsteht eine ganz neue Dimension, was die Menge der zu verarbeitenden Daten angeht – einerseits. Andererseits ermöglichen gerade diese Technologien neue Möglichkeiten, Daten schneller zu erfassen, zu sortieren und auszuwerten. Für einen großen Pharmakonzern beispielsweise entwickelte Cognizant während der Covid-19-Pandemie innerhalb von fünf Wochen ein Vorhersagemodell für die Entwicklung des Virus, das dem Unternehmen bei der Einschätzung half, welche Medikamente, wo benötigt würden. So konnte die Bearbeitungszeit um 90 Prozent und der manuelle Aufwand um 50 Prozent reduziert werden.

Vier einfache Regeln

Bislang, so die Erfahrung von Hadler und Schröder, zögern viele deutsche Unternehmen jedoch noch, gezielt neue Daten zu generieren, weil sie auf Bergen von Altdaten sitzen, aus denen sie keinen geschäftlichen Nutzen ziehen. Beim Data Supply Chain Management helfen vier einfache Regeln, solche typischen Startschwierigkeiten zu lösen.

1. Stamm- und Bewegungsdaten separieren

Viele Datenmanagement-Initiativen versuchen, möglichst alle in einem Unternehmen vorhandenen Daten in einer Quelle zusammenzuführen. In der Praxis schafft das jedoch meist Probleme, denen kein darstellbarer Nutzen entgegensteht. Eine klare Trennung von Stamm- und Bewegungsdaten hingegen vereinfacht sowohl eine effiziente Bereitstellung, als auch die Einhaltung von Compliance-Regeln, etwa nach GDPR. Natürlich gehören zu einer umfassenden Datenstrategie auch Prozesse für die Zusammenführung von Stamm- und Bewegungsdaten für konkrete Auswertungen.

2. Systemunabhängige Datenhaltung aufbauen

IT-Systeme ändern sich ebenso wie die Anforderungen an das Business. Daten müssen daher unabhängig von Anwendungen und Betriebssystemen plattformübergreifend einsetzbar sein.

3. Altdaten berücksichtigen

Datenmanagement auf der grünen Wiese verspricht zwar schnelle Ergebnisse für Pilotprojekte. Doch kaum ein neuer Geschäftszweig in der Fertigungsindustrie kommt dauerhaft ohne den Rückgriff auf Bestandsdaten aus. Deshalb müssen die Altdaten bei der Planung der Data Supply Chain von Anfang an berücksichtigt werden.

4. Eine Kultur der datengetriebenen Organisation einführen

In Daten stecken Werte. Auch wenn sie als solche in keiner Bilanz auftauchen: Das Verständnis von Daten kann helfen, mehr Geschäft zu generieren, günstiger einzukaufen, Prozesse effizienter zu gestalten und Ressourcen zu schonen. Der konkrete Mehrwert liegt immer in dem, was Unternehmen daraus machen. Dabei gilt: Viele aktuelle Geschäftsprobleme lassen sich schon mit Analysen vorhandener Daten lösen. Doch das Data Supply Chain Management im Sinne einer durchgängigen Datenstrategie sollte immer künftige Entwicklungen, etwa im Bereich des IoT und der Künstlichen Intelligenz, im Blick haben.

Wie Sie Ihre Datenstrategie mit einem intelligenten Datenkatalog effizient planen und umsetzen, lesen Sie im E-Book "Erstellen Sie eine Datengrundlage für die gesamte digitale Transformation".

Jetzt herunterladen

Zur Startseite