Zusammenfassung
Kennzahlen sind in der Produktion und Logistik Messgrößen für Mensch, Maschine und Prozessabläufe. Sie bringen Transparenz, bewerten und objektivieren Ist-Zustände und können für Trendaussagen zukünftiger Entwicklungen im Unternehmen dienen. Durch die Digitalisierung entstehen neue Möglichkeiten der Erfassung, Auswertung und Kombination von Kennzahlen. Die dazugehörigen Daten werden komplexer und vielfältiger. Die Datenmenge nimmt stetig zu. Dies führt auf der einen Seite zu besseren Entscheidungsgrundlagen, auf der anderen Seite auch zu erheblichem Mehraufwand in Bezug auf die Pflege und Aktualisierung der Betriebsdaten.
Hierbei stellen diese digitalisierten Kennzahlen klassische Kennzahlen dar, die durch Maßnahmen der Digitalisierung und neue technologische Entwicklungen flexibler und effizienter erfasst, analysiert und ausgewertet werden können. Kennzahlen im digitalisierten System stellen jedoch Werte dar, die den Digitalisierungsgrad oder den Digitalisierungsfortschritt eines Unternehmens messbar machen sollen.
Dieses Kapitel geht auf die zukünftigen Anforderungen in Bezug auf die bisherigen Kennzahlen und der Datenqualität ein und gibt gleichzeitig Messgrößen für den Erfolg von Projekten und Vorhaben im Rahmen der digitalen Transformation.
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
Hellge, V., Schröder, D., & Bosse, C. (2019). Der Readiness-Check Digitalisierung. Ein Instrument zur Bestimmung der digitalen Reife von KMU. Mittelstand 4.0-Kompetenzzentrum Kaiserslautern.
Anderl, R. (2015). Leitfaden Industrie 4.0. Orientierungshilfe zur Einführung in den Mittelstand. VDMA Forum Industrie 4.0.
Le Clair, C. (2017). The Forrester wave: Robotic process automation: The 12 providers that matter most and how they stack up. Forrester.
Wang, R. Y., & Strong, D. M. (1996). Beyond accuracy: What data quality means to data consumers. Journal of Management Information Systems, 12, 5–34.
Marsh, R. (2005). Drowning in dirty data? It’s time to sink or swim: A four-stage methodology for total data quality management. Database Marketing & Customer Strategy Management, 12, 105–112.
van der Aalst, W. M. P., Bichler, M., & Heinzl, A. (2018). Robotic process automation. Business Information System Engineering, 60, 269–272.
van der Aalst, W. M. P., & van Hee, K. M. (2002). Workflow management: Models, methods, and systems. MIT Press.
WinShuttle. (2019). Wo es bei vielen hapert und welche Prozesse und Tools bei Qualitätsverbesserungen helfen können. Umfrageauswertung WinShuttle & IT-Onlinemagazin. https://www.winshuttle-software.de/ressource/webinar-umfrageauswertung-winshuttle-it-onlinemagazin/. Zugegriffen am 06.08.2021.
Gleich, R., & Tschandl, M. (2018). Digitalisierung & Controlling: Technologien, Instrumente, Praxisbeispiele (1. Aufl.). Haufe Group.
von Entreß-Fürsteneck, M., Karl, J., & Urbach, N. (2017). Performance Measurement im Zeitalter der Digitalisierung: Eine Balanced Scorecard für die Industrie 4.0. Logos Verlag Berlin GmbH.
Berghaus, S., Back, A., & Kaltenrieder, B. (2016). Umfrage zur Digital Maturity & Transformation Studie 2016–2017.
Berghaus, S., Back, A., & Kaltenrieder, B. (2017). Digital Maturity & Transformation Report 2017.
IHK München und Oberbayern. (2020). Selbstcheck Digitaler Reifegrad. https://ihk-industrie40.de/selbstcheck/. Zugegriffen am 10.08.2021.
Ennemann, M., & Rückert, J. (2016). Mit validen Stammdaten in die Zukunft. Controlling & Management Review, 60, 24–33.
Knolmayer, G., & Röthlin, M. (2006). Quality of material master data and its effect on the usefulness of distributed ERP systems. Lecture Notes in Computer Science, 4231, 362–371.
Lünendonk, J. (2016). Revival der Stammdaten. Behindert mangelnde Datenqualität die digitale Transformation? http://expert.luenendonk.de/studie/stammdaten. Zugegriffen am 04.08.2021.
Vayghan, J. A., Garfinkle, S. M., Walenta, C., Healy, D. C., & Valentin, Z. (2007). The internal information transformation of IBM. IBM Systems Journal, 46, 669–684.
Watts, S., Shankaranarayanan, G., & Even, A. (2009). Data quality assessment in context: A cognitive perspective. Decision Support Systems, 48, 202–211.
Zacher, M., & Schmalen, K. (2016). DC Studie: Sicherstellung der Datenqualität sowie Erfassung und Klassifizierung relevanter Daten bremsen datengetriebene Geschäftsmodelle in Deutschland aus. https://www.idc.com/getdoc.jsp?containerId=prEUR147474721. Zugegriffen am 05.08.2021.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Pfeffer, M., Reukauf, P. (2022). Kennzahlen für den digitalen Wandel. In: Meier, KJ., Pfeffer, M. (eds) Produktion und Logistik in der digitalen Transformation. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-36560-8_4
Download citation
DOI: https://doi.org/10.1007/978-3-658-36560-8_4
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-36559-2
Online ISBN: 978-3-658-36560-8
eBook Packages: Business and Economics (German Language)