Zusammenfassung
Die Digitalisierung verändert die Rolle des Controllings bei Corporate Logistics. Es gibt neue Kundenanforderungen an die Informationsverfügbarkeit. Gleichzeitig steigt die Menge und Granularität der zur Verfügung stehenden Daten. Eine zunehmend komplexere und volatilere Umwelt erfordert eine flexible und vorausschauende Planung. Um eine adäquate Entscheidungsunterstützung zu gewährleisten und Kundenbedürfnisse zu befriedigen, bedarf es neuer Methoden, Werkzeuge und Prozesse im Controlling. Maschinelles Lernen, Simulationen und Netzwerkoptimierungen bieten zusätzliche Möglichkeiten um Geschäftsfragen zu beantworten. Dafür ist der Einsatz spezifischer Software-Produkte notwendig. Ebenso müssen die traditionellen Controlling-Prozesse angepasst werden. In diesem Zusammenhang entstehen neue Aufgaben für das Controlling, welches zunehmend in die digitale Produktentwicklung involviert ist.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Athanasopoulos, G., P. Gamakumara, A. Panagiotelis, R.J. Hyndman, und M. Affan. 2019. Hierarchical forecasting (No. 2/19). Monash University, Department of Econometrics and Business Statistics.
Ayhan, S., P. Costas, und H. Samet. 2018, Juli. Predicting estimated time of arrival for commercial flights. In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 33–42. ACM.
Beaverstock, M., E. Greenwood, und W. Nordgren. 2017. Applied simulation: Modeling and analysis using FlexSim, Orem (USA), FlexSim Software Products.
Buchanan, G.B. 2006. A (Very) brief history of artifical intelligence. AI Magazine 26 (4): 53–60.
Dåderman, A., und S. Rosander. 2018. Evaluating frameworks for implementing machine learning in signal processing: A comparative study of CRISP-DM, SEMMA and KDD.
Gurjar, Y.S., und V.S. Rathore. 2013. Cloud business intelligence – Is what business need today. International Journal of Recent Technology and Engineering 1 (6): 81–86.
Huber, S., H. Wiemer, D. Schneider, und S. Ihlenfeldt. 2019. DMME: Data mining methodology for engineering applications – A holistic extension to the CRISP-DM model. Procedia CIRP 79:403–408.
Hyndman, R.J., und G. Athanasopoulos. 2018. Forecasting: Principles and practice. OTexts.
Lachnit, L., und S. Müller. 2012 Unternehmenscontrolling: Managementunterstützung bei Erfolgs, Finanz-, Risiko- und Erfolgspotentialsteuerung. Wiesbaden: Springler Gabler.
Lantz, B. 2013. Machine learning with R. Packt Publishing Ltd.
Lennerholt, C., J. van Laere, und E. Söderström. 2018. Implementation challenges of self service business intelligence: A literature review. In 51st Hawaii International Conference on System Sciences, Hilton Waikoloa Village, Hawaii, USA, January 3–6, 2018 (Volume 51, S. 5055–5063). IEEE Computer Society.
Melo, M.T., S. Nickel, und F. Saldanha-Da-Gama. 2009. Facility location and supply chain management – A review. European Journal of Operational Research 196 (2): 401–412.
Öztürk, A., S. Kayalıgil, und N.E. Özdemirel. 2006. Manufacturing lead time estimation using data mining. European Journal of Operational Research 173 (2): 683–700.
Parolas, I. 2016. ETA prediction for containerships at the Port of Rotterdam using Machine Learning Techniques.
Provost, F., und T. Fawcett. 2013. Data science for business: What you need to know about data mining and data-analytic thinking. Sebastopol: O’Reilly Media Inc.
Rüegg-Stürm, J., und S. Sander. 2009. Controlling für Manager: Was nicht-Controller wissen müssen. Frankfurt a. M.: Campus.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Selb, M. (2020). Von der Erfolgssicherung zur Produktentwicklung – Datenanalyse bei Gebrüder Weiss im Fachbereich Corporate Logistics. In: Keimer, I., Egle, U. (eds) Die Digitalisierung der Controlling-Funktion. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-29196-9_4
Download citation
DOI: https://doi.org/10.1007/978-3-658-29196-9_4
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-29195-2
Online ISBN: 978-3-658-29196-9
eBook Packages: Business and Economics (German Language)