Advertisement

Procurement Analytics – Lieferketten digital betrachtet

  • Dirk SackmannEmail author
  • Thomas Deil
Chapter

Zusammenfassung

Die Vielzahl der Transaktionen zur Durchführung von Wertschöpfungs- und Lieferprozessen finden im eigenen Unternehmen und in Zusammenarbeit mit Kunden und Lieferanten statt. Vertrieb, Beschaffung, Fertigung, Qualitätssicherung und andere beteiligte Abteilungen erhalten in diesem Zusammenhang Daten, erstellen Daten und geben diese weiter. Zur Analyse konkreter betrieblicher Probleme, wie z. B. unpünktlichen Kundenbelieferungen, zu langen Fertigungszeiten oder (vermeintlich) schlechter Lieferzuverlässigkeit der Lieferanten bieten die im ERP-System vorhandenen Stamm- und Bewegungsdaten nützliche Hilfe bei der Problem- und Ursachenfindung – vorausgesetzt, man ist in der Lage, diese Daten auch lösungsgerecht aufzubereiten und darzustellen. In der vergangenen Zeit hat die Entwicklung von Softwarelösungen des Bereichs Business Analytics, also der Analyse und visuellen Darstellung komplexer und vernetzter Unternehmensdaten enorme Fortschritte gemacht. Mit sogenannten Self-Service-Analysetools werden Nutzer aus den Fachabteilungen auch ohne langwierige IT-Betreuung in die Lage versetzt, eigenständig individuelle Berichte und Auswertungen zu erstellen. Die Auswertung über verschiedene Zeiträume erlaubt es, Prozessverbesserungen auf ihre Wirksamkeit hin zu überprüfen und ggf. anzupassen. So bietet beispielsweise der Bestellprozess die Möglichkeit, herauszufinden, warum und wo Abweichungen stattfinden, die zu einer zu späten Lieferung führen, die dann wiederum innerhalb der Lieferkette zu weiterführenden Verspätungen und unzufriedenen Kunden führt. Hier hilft moderne IT mit der Methodik des Process Mining, einem Ansatz, auch komplexe Abläufe in ihren Prozessschritten, Abweichungen und chronologischem Ablauf präzise und gleichzeitig überschaubar darzustellen. Die Verbindung von Business Analytics-Tools mit der dynamischen Prozessabbildung via Process Mining erlaubt Einblicke in die Gesamtheit aller Bestellungen eines definierten Zeitraumes bis hin zur Einzelbetrachtung individueller Bestellungen. Dieser Beitrag verfolgt das Ziel, Best Practices für Business Analytics und Process Mining in der Beschaffung darzustellen. Für Praktiker wird der State-of-the-Art anhand ausgewählter Umsetzungsbeispiele erläutert. Studierende und Dozierende erhalten Einblicke in die Unternehmenspraxis und die Möglichkeit zur Theorie-Praxis-Reflexion.

Literatur

  1. Davenport, T.H., Harris, J.G.: Competing on Analytics: The New Science of Winning. Harvard Business School Press, Boston (2007)Google Scholar
  2. Horvath, P.: Controlling. Vahlen, München (2012)Google Scholar
  3. Inmon, W.H.: Building the Data Warehouse, 3. Aufl. Wiley, New York (2002)Google Scholar
  4. Kimball, R., Ross, M.: The Data Warehouse Toolkit – The Complete Guide to Dimensional Modeling, 2. Aufl. Wiley, New York (2002)Google Scholar
  5. Liautaud, B.: E-Business Intelligence: So verwandeln Sie Informationen in Wissen und Wissen in Profit. Verl. Moderne Industrie, Landsberg am Lech (2001)Google Scholar
  6. Piontek, J.: Beschaffungscontrolling, 5. Aufl. De Gruyter, Berlin (2016)CrossRefGoogle Scholar
  7. Van der Aalst, W.M.P.: Data scientist: The engineer of the future. In: Mertins, K. (Hrsg.) Proceedings of the I-ESA Conference, Bd. 7, S. 13–28. Knowledge Raven Management GmbH, Berlin (2014)Google Scholar
  8. Van der Aalst, W.M.P.: Process Mining. Springer, Berlin (2016)Google Scholar
  9. Weijters, A.J.M.M., van Der Aalst, W.M.P., de Medeiros, A.A.: Process mining with the heuristics miner-algorithm, TU Eindhoven, Technical Report WP 166. Eindhoven (2006)Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.MerseburgDeutschland
  2. 2.WilhelmshavenDeutschland

Personalised recommendations