Digitale Wertschöpfung - Klausurvorbereitung - PDF

Digitale Wertschöpfung - Inhaltliche Schwerpunkte für die Klausur 1. Wertschöpfung Grundlage: Porters Konzept von Wertschöpfungsketten Er differenziert unternehmerische Wertschöpfungsketten analytisch nach Primäraktivitäte...

Digitale Wertschöpfung - Inhaltliche Schwerpunkte für die Klausur 1. Wertschöpfung Grundlage: Porters Konzept von Wertschöpfungsketten Er differenziert unternehmerische Wertschöpfungsketten analytisch nach Primäraktivitäten (interne und externe Logistik, Produktion, Marketing und Verkauf, Service) und Unterstützungsaktivitäten (Unternehmensinfrastruktur, Personalwirtschaft, Technologieentwicklung, Beschaffung). Die Studie geht davon aus, dass die Primäraktivitäten durch den digitalen Wandel angepasst werden müssen, Digitalisierung wirkt sich dagegen in den Unterstützungsaktivitäten eher indirekt aus. Ziel eines Unternehmens ist es, die Wertschöpfung über die gesamte Kette hinweg zu maximieren, das heißt Kosten zu senken und Erträge zu steigern. Die Auswirkungen der Digitalisierung auf Primäraktivitäten lassen sich sowohl in der Theorie als auch in der Praxis unterscheiden: 1. Produktion: Theorie: Die Digitalisierung führt zu einer stärkeren Integration von Software und materiellen Gütern. Produktionsprozesse werden flexibler und modularer, um sich an wechselnde Anforderungen anzupassen. Technologien wie Robotik, Sensorik und das Internet der Dinge spielen eine zentrale Rolle. Praxis: Investitionen in die digitale Produktionsinfrastruktur verbessern die Effizienz und Transparenz. Vernetzte Produktionssysteme „Manufacturing Execution Systems“ (MES) ermöglichen eine vorausschauende Instandhaltung und erleichtern die betriebswirtschaftliche Auswertung. 2. Logistik: Theorie: Digitalisierung verändert die Steuerung und Optimierung von Materialflüssen. Logistikprozesse werden flexibler und ressourceneffizienter, indem alle Akteure und Objekte der Logistikkette vernetzt werden. Praxis: Automatisierte Materialbeschaffung und die Transparenz durch „Track und Tracing“ verbessern die Planbarkeit der Lieferungen. Ein Problem bleibt das Fehlen definierter Schnittstellen. 3. Vertrieb und Marketing: Theorie: Der Einsatz digitaler Kommunikations- und Vertriebskanäle wie Social Media und E-Commerce wird verstärkt. Auch im After- Sales-Service gewinnen digitale Lösungen an Bedeutung. Praxis: Unternehmen nutzen zunehmend Internetvertriebswege und Social-Media-Kanäle. Virtual Reality und E-Learning-Plattformen gewinnen an Bedeutung, während der direkte Kundenkontakt bei komplexen Lösungen weiterhin wichtig bleibt. 4. Services: Theorie: Serviceleistungen umfassen die Einrichtung von Maschinen, Schulung und Wartung. Die Nachfrage nach personalisierten Dienstleistungen steigt, sowohl im B2B- als auch im B2C-Bereich. Praxis: Unternehmen sehen in der Erweiterung ihrer Serviceangebote eine Chance, zögern jedoch oft, neue servicebasierte Geschäftsmodelle (produktbezogene Dienstleistungen) zu entwickeln. Die Potenziale solcher Modelle werden noch nicht vollständig ausgeschöpft.  2. Digitalisierungsbegriff Paradigmenwechsel der industriellen Fertigung Die Digitalisierung führt zu einem Paradigmenwechsel in der industriellen Fertigung, der sich in mehreren Aspekten manifestiert: Vertikale Integration (unternehmensintern): o Hierarchische Einordnung und Verbindung aller unternehmensinternen Systeme über Schnittstellen o Automatisierung interner Prozesse durch Datenaustausch zwischen Systemen Beispiel: Einzelne Palette wird über Barcode erfasst und in den Bestand im WMS eingebucht, WMS ist mit ERP-System verbunden, um Rechnung zu bezahlen und betriebswirtschaftliche Auswertungen vorzunehmen Horizontale Integration (über die eigenen Unternehmensgrenzen hinaus): o Einbindung externer Partner wie Kunden und Lieferanten in das Unternehmenssystem o Dynamische Wertschöpfungsnetzwerke über Unternehmensgrenzen hinweg Beispiel: Das eigene Warenwirtschaftssystem wird mit dem Bestellsystem des Lieferanten über Schnittstellen verbunden werden, so dass bei einem Mindestbestand eines Standardartikels automatisch eine Nachbestellung bei dem Lieferanten durchgeführt wird Dezentrale Intelligenz: o Autonome Kommunikation von Produktionsmitteln (ausgestattet mit entsprechenden Sensoren oder eingebetteten Computersystemen) über das „Internet of Things“ o Dezentrale Entscheidungsfindung durch intelligente Systeme Beispiel: Im Falle des Ausfalls einer Maschine leitet das System die Produktion automatisiert auf andere Maschinen um Dezentrale Steuerung: o Vernetzung über Internet und Cloud statt physischer Kabel o Skalierbarkeit von benötigten Ressourcen und ortsunabhängiger Zugriff auf Systeme Beispiel: Cloud-basierte Supply Chain Management-Plattform, die es einem Unternehmen ermöglicht, verschiedene Lager und Lieferanten in Echtzeit zu vernetzen und von überall auf die Systeme zuzugreifen Digitales Engineering: o Digitale Abbildung und Virtualisierung von sämtlichen Dienstleistungs- oder Produktionsprozessen, um z.B. die Anordnung von Produktionsmitteln vorab zu simulieren und zu testen o Simulation und Testen von Produktionsmitteln, Entwicklung digitaler Zwillinge – z.B. Automobildesign (Verwendung von Computer-Aided-Design (CAD)) Cyber-physische Produktionssysteme (CPPS): o Verknüpfung aller Elemente eines Produktionsprozesses mit Steuerungssystemen, die Daten auswerten und daraus resultierende Entscheidungen wieder zurückübertragen o Die Einbindung des Menschen erfolgt über so genannte Mensch-Maschine-Schnittstellen, d.h., immer wenn eine Aktion oder Entscheidung durch den Menschen erforderlich ist, wird dies über ein System angezeigt und anschließend die Entscheidung über ein entsprechendes Endgerät an das System übertragen (Basis durch vertikale und horizontale Integration) o Finales Ziel ist eine autonom agierende „Smart Factory“ Diese Paradigmenwechsel ermöglichen eine umfassende digitale Transformation, die Geschäftsmodelle und -prozesse grundlegend verändert und optimiert.  Welche Auswirkungen hat die Digitalisierung auf die Geschäftsmodelle der Unternehmen? (Bsp. Fallstudien) Die Digitalisierung hat vielfältige Auswirkungen auf die Geschäftsmodelle von Unternehmen. Hier sind einige Beispiele: 1. EnBW (Energieversorger): EnBW musste sich aufgrund der Digitalisierung und der Energiewende von bestehenden Geschäftsmodellen, wie dem Kernenergiegeschäft, verabschieden. Die Digitalisierung wird hier als grundlegender Paradigmenwechsel verstanden, der eine Transformation von der Old Economy zur New Economy erfordert. EnBW setzt auf digitale Lösungen, um effizienter und effektiver am Markt zu agieren, und entwickelt neue Geschäftsmodelle, die auf digitalen Technologien basieren. 2. Bankensektor: Im Bankensektor verändert die Digitalisierung das Informations- und Entscheidungsverhalten der Kunden. Banken passen ihre Lead-Generierungs- und Vertriebsaktivitäten an das digitale Umfeld an, indem sie Content-Marketing und Datenanalyse nutzen, um potenzielle Kunden besser zu erreichen und qualifizierte Leads zu generieren. 3. Philips (Gesundheitsunternehmen): Philips hat sich von seinem traditionellen Geschäftsfeld „Lighting“ verabschiedet und fokussiert sich nun auf Gesundheitsprodukte und -services. Die Digitalisierung treibt diese Transformation voran, indem Philips eine zentrale, offene technische Plattform entwickelt hat, die als Enabler und Koordinator vernetzter Ökosysteme fungiert. 4. Automobilindustrie: Die Digitalisierung verändert die Geschäftsmodelle in der Automobilindustrie grundlegend. Hersteller müssen sich von der reinen Produktion von Fahrzeugen hin zu Mobilitätsdienstleistungen (automatischer Notruf, Infotainmentsystem usw.) bewegen. Datengetriebene Geschäftsmodelle und die Integration digitaler Dienste ins Fahrzeug stehen im Vordergrund. Automobilhersteller könnten in Zukunft mehr Umsatz mit After-Sales-Services und digitalen Diensten generieren als mit dem Verkauf von Fahrzeugen selbst. Diese Beispiele zeigen, dass die Digitalisierung Unternehmen dazu zwingt, ihre Geschäftsmodelle zu überdenken und neue, innovative Wege zu finden, um wettbewerbsfähig zu bleiben.  3. Technologien der Digitalisierung („Industrie 4.0“) Vernetzung (Cloud Computing, Internet of Things) Cloud Computing: Ein auf Virtualisierung basierendes IT-Bereitstellungsmodell, bei dem Ressourcen sowohl in Form von Infrastruktur als auch Anwendungen und Daten als verteilter Dienst über das Internet bereitgestellt werden. Nutzungsmöglichkeiten: IaaS, SaaS, PaaS Infrastructure as a Service (IaaS): Nutzer erhalten IT-Infrastruktur wie Server (Rechenkapazität) oder Speicher über das Internet. Beispiel: IaaS – Rechenkapazität on demand: Bei Amazon EC2 18 zahlen Unternehmen ohne langfristige Bindungen für die Rechenkapazität nach Stunden Platform as a Service (PaaS): Eine Plattform, die Funktionen für die Entwicklung und Bereitstellung von Anwendungen bietet. Ein Beispiel für Platform as a Service (PaaS) ist Google App Engine, das Entwicklern ermöglicht, Anwendungen in einer verwalteten Umgebung zu erstellen und bereitzustellen, ohne sich um die Infrastruktur kümmern zu müssen Software as a Service (SaaS): Anwendungen werden über das Internet bereitgestellt und können online genutzt werden. Beispiele für das Beziehen von Software-Anwendungen als standardisierte Services sind das kostenlose Google Docs oder, Microsoft Office 365 Private Cloud: Die gesamte Cloud-Infrastruktur wird ausschließlich von einer einzelnen Organisation genutzt, die aus verschiedenen Nutzern wie beispielsweise Geschäftsbereichen bestehen kann. Die Infrastruktur kann von dieser Organisation und/oder einem Drittanbieter besessen, verwaltet und betrieben werden ➔ für kritische Geschäftsprozesse geeignet (z.B. Finanzdienstleister – nur eigene MA haben Zugriff) Public Cloud: Die Cloud-Infrastruktur wird der breiten Öffentlichkeit zur Nutzung bereit-gestellt und kann von einem Unternehmen und/oder einer akademischen oder staatlichen Organisation besessen, verwaltet und betrieben werden. Darüber hinaus wird sie in den Rechenzentren des Cloud- Anbieters betrieben ➔ nur für unkritische Anwendungen geeignet! (z.B. E-Commerce-Unternehmen nutzt eine Public Cloud-Plattform wie Microsoft Azure, um seine Online-Verkaufsplattform zu hosten) Hybrid Cloud: Die Cloud-Infrastruktur stellt eine Kombination verschiedener einzelner Cloud-Infrastrukturen dar. ➔ nutzt Vorteil der private und public cloud. Vorteile: Cloud-Dienstleister übernehmen Performance und schnelle Reaktion auf Ausfälle. Eigene Sicherheitsexperten bei Cloud-Hostern gewährleisten Datensicherheit. Kosteneffizient im Vergleich zu eigenem Rechenzentrum. IT-Mitarbeiter können sich auf Kernaufgaben konzentrieren, während Hardware und Backups ausgelagert werden. Hohe Verfügbarkeit (99,98% bis 99,99%). Cloud-Hosting bietet flexible Alternativen, auch ohne tiefgehendes technisches Wissen. Nachteile: Abhängigkeit von Cloud-Anbietern kann Sicherheitsrisiken bergen. Mangelnde Kontrolle über Hardware und Software. Stabile Internetverbindung ist notwendig, um Cloud-Computing effektiv zu nutzen. Internet of Things (IoT): Die Vernetzung von physischen Objekten durch Sensoren und Aktuatoren mit dem Internet oder anderen vernetzten Systemen. Diese Objekte kommunizieren selbstständig miteinander und führen Aufgaben für den Benutzer aus. Beispiel: Implementierung von Predictive Maintenance in Maschinen und Anlagen. Hierbei werden Sensoren eingesetzt, um kontinuierlich Daten über den Betrieb und Verschleiß von Maschinen zu sammeln. Anhand dieser Daten können Unternehmen Wartungsarbeiten vorhersagen und durchführen, bevor es zu einem Ausfall kommt, was die Betriebskosten senkt und die Produktionsausfallzeiten minimiert. Virtualisierung (AR/VR, Digitaler Zwilling) Virtual Reality (VR): Techniken, die es erlauben, einen Menschen unmittelbar in eine computergenerierte Welt zu integrieren. Beispiel: Begehbare 3D-Architekturmodelle zur anschaulichen Präsentation von Entwürfen Augmented Reality (AR): Techniken, die es erlauben, die reale Welt durch computergenerierte Informationen zu erweitern, indem z.B. Informationen über ein Display eingeblendet werden. Beispiel: Pokémon Go - Virtuelle Elemente auf Mobile Device an realen Orten anhand von GPS Digitaler Zwilling: Ein digitales Abbild eines realen Objekts, das im Entwicklungs-, Produktions- und Betriebszyklus eines Produktes oder Services eingesetzt wird. Digitale Zwillinge können immaterielle (Dienstleistungen oder Prozesse) oder materielle Objekte (Produkte) sein. Beispiel: besteht ein digitaler Zwilling eines Autos aus vielen Einzelzwillingen für den Motor, die Karosserie, das Fahrwerk, Reifen etc Datenverarbeitung (Künstliche Intelligenz, Deep Learning, Big Data, Datamining) Zu Unschärfen und Verwechslungen kommt es oft zwischen den Konzepten Künstliche Intelligenz, Maschinelles Lernen und Deep Learning. Das größte „Feld“ ist die Künstliche Intelligenz. Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz, während Deep Learning als Unterdisziplin des Maschinellen Lernens gilt. KI/AI > ML > DL Künstliche Intelligenz (KI): Simuliert menschliche Intelligenz mit Maschinen, insbesondere Computersystemen, und umfasst das Lernen, Schlussfolgern und die Selbstkorrektur. Grundlage dafür sind Algorithmen (=definierte Rechenwege), jedoch „lernt“ die KI oftmals selbstständig (siehe Deep Learning) dazu und den Algorithmus verbessern. Schwache KI = quasi jegliche KI/AI die aktuell genutzt wird z.B. ChatGPT Starke KI = eher philosophisch relevant / Imitation des Menschen → Sc-Fi Maschinelles Lernen: Aufgrund der (heutigen) großen Datenmengen und hoher Rechnerleistung kann eine KI den Algorithmus selbst „erlernen“ und verbessern, ohne dass die Programmierung einen Weg vorgibt Deep Learning: Eine Unterdisziplin des Maschinellen Lernens, die hierarchischen Schichten zur Erkennung von Mustern nutzt. So werden beispielsweise in einem tiefen neuronalen Netz zur Bilderkennung zuerst einfache Kanten und Kontraste in einem Bild erkannt, während spätere Schichten komplexe Strukturen erfassen. Beispiel: Der Forscher muss dem Neuronalen Netzwerk lediglich Daten wie zum Beispiel Bilder präsentieren; wie diese zu identifizieren sind, findet das Netz dann ganz von allein heraus. Big Data: Bezeichnet Datenmengen, die so komplex sind, dass mit ihnen herkömmliche Soft- und Hardware nicht mehr umgehen kann. Wertfreier Begriff, wird jedoch oft negativ konnotiert (Datensammlung kann auch personenbezogene Daten beinhalten). Beispiel: Rubrik „Kunden, die das Produkt XY kauften, kauften auch“. Diese Empfehlungen entstehen aus der Auswertung von Millionen von Kaufdaten anderer Kunden Volume (Volumen): Die große Menge an Daten, die generiert und gespeichert wird. Velocity (Geschwindigkeit): Die Geschwindigkeit, mit der Daten verarbeitet und analysiert werden müssen. Variety (Vielfalt): Die unterschiedlichen Formate und Quellen der Daten (strukturiert, unstrukturiert, semi-strukturiert). Veracity (Wahrhaftigkeit): Die Genauigkeit und Zuverlässigkeit der Daten. Variability (Variabilität): Die Schwankungen in den Daten, die je nach Quelle und Zeitpunkt unterschiedlich sein können. Data Mining: Die Datenanalyse und Auswertung riesiger Datenmengen, um Muster, Beziehungen oder Trends zu erkennen. Beispiel: Kreditwürdigkeit / Risikoanalyse bei Banken Edge Computing Edge Computing: Daten werden dezentral in der Netzwerkperipherie verarbeitet (d.h. Vorsortierung und Weiterleitung der daraus abgeleiteten Erkenntnisse an Server/Cloud), an dem Ort, wo sie generiert wurden, um die Datenflut zu handhaben und geringe Latenzzeiten zu gewährleisten. Beispiel: Verwendung von vernetzten Kameras in der Videoüberwachung. Diese Kameras analysieren Video-Streams lokal, um verdächtige Aktivitäten in Echtzeit zu erkennen, bevor sie relevante Daten an ein zentrales System senden Produkte (Blockchain, 3D-Druck) Blockchain: Eine auf vielen Rechnern verteilte Datenbank, die digitale Transaktionen sicher dokumentiert und ständig chronologisch erweitert wird. Beispiel: Bitcoin - als webbasiertes, dezentrales, öffentliches Buchhaltungssystem aller Bitcoin-Transaktionen, die jemals getätigt wurden Jede Blockchain muss einen Mechanismus wählen, der die Übereinstimmung aller Teilnehmer mit einer Wahrheit über ihre Daten sicherstellt Proof of Work (PoW): Miner muss komplexe mathematische Probleme lösen müssen, um Transaktionen zu validieren und neue Blöcke zur Blockchain hinzuzufügen → Entlohnung pro Block Proof of Stake (PoS) ermöglicht es allen Teilnehmern, am Konsensprozess teilzunehmen, wobei die Wahrscheinlichkeit, einen Block zu validieren, durch den Betrag an Kryptowährung im Wallet bestimmt wird, was Anreiz für ein höheres Interesse an der Netzwerkfunktionalität schafft. 3D-Druck: Ein automatisierter Prozess der schichtweisen Anordnung von Material zur Herstellung eines dreidimensionalen physischen Objekts unmittelbar aus einem 3D-Datensatz. Beispiel: Prototypen in der Automobilindustrie Geschäftsmodelle (IaaS, PaaS, SaaS) Infrastructure as a Service (IaaS): Nutzer erhalten IT-Infrastruktur wie Server oder Speicher über das Internet. Ein Provider bietet Kunden Zugang zu Speicher, Netzwerkkomponenten, Servern und weiteren IT-Ressourcen in der Cloud, die auf der Basis der Nutzung abgerechnet werden. (Einfach formuliert: Man mietet sich IT-Infrastruktur und Wartung) Platform as a Service (PaaS): Eine Plattform, die Funktionen für die Entwicklung und Bereitstellung von Anwendungen bietet. Eine solche Platform as a Service, kurz PaaS, bietet allgemein Funktionen für die schnelle, kostengünstige Entwicklung und Bereitstellung von Anwendungen. Diese PaaS-Infrastruktur mit ihren technischen Frameworks können User nutzen, um eigene geschäftliche Applikationen zu entwickeln und zu betreiben und über die Cloud zu integrieren. Software as a Service (SaaS): Anwendungen werden über das Internet bereitgestellt und können online genutzt werden. Clouds bieten Nutzungszugang von Anwendungsprogrammen. SaaS-Diensteanbieter offerieren spezielle Auswahlen von Software, die auf ihrer Infrastruktur läuft. SaaS wird auch als Software on demand (Software bei Bedarf) bezeichnet. Beispiele: Office 365  4. KI in der mittelständischen Wertschöpfung Anwendungsbeispiele der verschiedenen KI-Technologien Die verschiedenen KI-Technologien finden in vielen Bereichen Anwendung. Hier sind einige Beispiele: 1. Regelbasierte Systeme (Expertensysteme): Diese Systeme greifen auf eine Wissensbasis mit gesammeltem Expertenwissen zurück und sind in der Lage, Schlussfolgerungen und Handlungsempfehlungen abzuleiten. Anwendungsbeispiele umfassen: Wartung und Reparatur: Lokalisierung von Fehlern und Herausgabe von Reparaturempfehlungen. Kundendialoge: Analyse des richtigen Produkts für den Kunden durch Fragen. Arbeitsplanung: Generierung von Arbeitsplänen in der Produktion. 2. Process Robotics (RPA): Dies umfasst die Automatisierung von Geschäftsprozessen wie: Web-Scraping: Durchsuchen von Webseiten zur Sammlung von Informationen. Automatisierte Bestellbearbeitung und Lohnbuchhaltung. Automatisiertes Beschwerdemanagement. 3. Natural Language Processing (NLP): Diese Technologie verarbeitet natürliche Sprache und wird verwendet in: Sprachassistenten wie Siri und Alexa. Echtzeit-Übersetzungsprogrammen. 4. Machine Learning: Anwendungsfälle umfassen: Smart Manufacturing: Optimierung von Produktionsprozessen in Echtzeit. Predictive Maintenance: Vorausschauende Wartung basierend auf Sensordaten. Qualitätskontrolle: Erkennung von Fehlerquellen aus Daten. 5. Cobots (Kollaborative Roboter): Diese Roboter arbeiten gemeinsam mit Menschen, z.B. in der Montage, und umfassen auch Telepräsenzroboter, die physische Präsenz an einem entfernten Ort ermöglichen. 6. Deep Learning: Diese Technologie wird eingesetzt für: Bilderkennung. Sentimenterkennung (z.B. kann aus E-Mail erkannt werden, ob Kunde verärgert ist oder ob Ironie vorliegt) im Sales/Aftersales-Bereich. Cyber Security: Erkennung von normalen Tätigkeiten und Angriffen. 7. Affective Computing: Anwendungsbeispiele sind: Biofeedbackbasierte Computerspiele, die den Schwierigkeitsgrad anpassen. Anpassung von Bremssystemen im Auto entsprechend des Stressniveaus des Fahrers. 8. Computer Vision: Diese Technologie extrahiert Informationen aus visuellen Daten und wird verwendet für: Erkennung von Schutzkleidung auf Baustellen. Inspektion von Gebäuden durch Drohnen. Intelligente Verkehrsüberwachung.  5. Digitalisierung im Einkauf und Logistik Probleme bei der Umsetzung (Experteninterview) Bei der Umsetzung von Digitalisierung im Einkauf treten verschiedene Probleme auf, die in drei Hauptkategorien unterteilt werden können: Technologien und Systeme, Organisation und Prozesse, sowie Management und Mensch. 1. Technologien und Systeme: Es gibt eine Überflutung von Daten und Informationen, die ein Risiko darstellen, wenn der richtige Umgang damit nicht beherrscht wird. Allgemeine Datensicherheit und Datenschutz sind problematisch, insbesondere wenn IT-Systeme nicht geeignet sind. Die Umsetzung von Big Data wird oft als noch weit entfernt angesehen, und es werden Zweifel an der tatsächlichen Tauglichkeit und Fähigkeit geäußert. 2. Organisation und Prozesse: Es gibt zu viele klassische Prozessmuster und die Arbeitsabläufe sind von traditionellen Strukturen geprägt. 3. Management und Mensch: Qualifizierungsmaßnahmen für Mitarbeiter sind notwendig, aber es gibt wenig Bereitschaft, in neue Technologien zu investieren. Der Nutzen und die Wirtschaftlichkeit neuer Technologien werden in Frage gestellt. Es gibt wenige Treiber der Entwicklung im Unternehmen, Angst vor dem Kulturwandel und eine fehlende Risikobereitschaft/ Investitionsbereitschaft in neue Technologien. Die Altersstruktur der Führungskräfte kann ebenfalls ein Hindernis darstellen. Digitalisierung im Einkauf am Beispiel der Lieferantenanbindung Die Digitalisierung im Einkauf, insbesondere bei der Lieferantenanbindung (Verzahnung der Material- und Informationsflüsse zwischen einem Unternehmen und seiner Lieferantenbasis), umfasst verschiedene Stufen und Maßnahmen, die darauf abzielen, die Effizienz und Flexibilität der Lieferketten zu verbessern sowie Kostenvorteile. Die Digitalisierung in diesem Bereich zielt darauf ab, die Reaktionsfähigkeit und Kosteneffizienz durch reibungslose, abgestimmte Prozesse zu verbessern. Es erfordert jedoch eine umfassende Umstellung von Organisation, Prozessen und Technologien sowie die Bereitschaft des Managements, in neue Wege zu investieren. Ansatzpunkte für die Digitalisierung der Lieferantenanbindung: 1. Stufe 1 (Voraussetzungen für erfolgreiche Digitalisierung): Einführung von Lieferanten-Logistikvereinbarungen, die Rechte und Pflichten sowie logistische Parameter regeln. Bsp: Wir erwarten tagesgenaue Lieferungen und der Lieferant sieht die per Fax übermittelten Daten eher als grobe Orientierung für den Versand seiner Materialien 2. Stufe 2 (Lieferschein- und Lieferungsavisierung): Zur Verbesserung der Planungsprozesse und Effizienz im Wareneingang (schnellere Verbuchung und Überblick über (zukünftige Wareneingänge). Bsp: Elektronische Übermittelung von Daten der Anlieferung (LS-Nummer, Materialnummer, Menge, Art der Verpackung/Gebinde und Eintreffdatum) 3. Stufe 3 (Verschieben der Sichtbarkeit von der Abholung auf den Transportanmeldezeitpunkt): Um die Transparenz und Kontrolle über den Lieferprozess zu erhöhen. Bsp: Nach Abholung, bei Zustellung und je nach Transportdauer setzen die Spediteure Statusmeldungen an das Transportsystem. 4. Stufe 4 (Dynamische Abstimmung in den Versand- und Transportprozessen): Informationen werden automatisiert abgeglichen und passen Transportprozesse bei Bedarf dem aktuellen Kundenbedarf an. Bsp: Hat sich der Bedarf zwischenzeitlich nach vorne verschoben und fordert eine beschleunigte Lieferung? 5. Stufe 5 (Neuartige Prozesse in der Produktionsoptimierung): Hinsichtlich logistischer Fertigungsbeeinflussung kann die Planung in Echtzeit mit den Bedarfen des Kunden abgestimmt werden. Bsp: Planungssystem des Lieferanten fragt beim Planungssystem des Kunden an, ob die 1000 Stück weiterhin die ideale Liefermenge sind. Bedarfsveränderungen können schneller kommuniziert und geplant werden → Überbestände werden vermieden + Produktionskapazitäten können besser ausgelastet werden 6. Stufe 6 (Transfer der Datenhaltung): Transparente Darstellung des Produktionsverlaufs sowie des Transports durch den Lieferanten, um dem Kunden bessere Qualitätsprüfungslogik im Wareneingang zu ermöglichen. (Skip-Lot-Verfahren = Stichprobenprüfung, bei der die Auswahl und Häufigkeit von Proben basierend auf den Ergebnissen vorheriger Prüfungen angepasst wird). Bsp: Sensoren an der Ware, welche Temperatur-/Feuchtigkeitsverlauf dokumentieren 7. Stufe 7 (Selbststeuerung des Transportsystems): Durch Dezentrale Datenhaltung wird die Beherrschbarkeit der Lieferkette sichergestellt. Bsp: Schocksensor im LKW prüft bei Bremsung, ob Ware noch verwendbar, bei Anlieferung wird automatisch anhand dieser Werte selektiert und verteilt.  Softwarefunktionen / -systeme im Einkauf Plan-to-strategy: Softwarelösungen, die bei der strategischen Planung des Einkaufs unterstützen. (z.B. Analyse von Trends) Source-to-contract: Systeme, die den Prozess von der Auswahl des Lieferanten bis zum Vertragsabschluss abdecken (Ausschreibungen) Purchase-to-pay: Lösungen, die den gesamten Prozess von der Bestellung bis zur Bezahlung automatisieren. Unterstützende Systeme: Diese Systeme bieten zusätzliche Funktionen, um den Einkaufsprozess effizienter zu gestalten (z.B. Implementierung von Lieferantenmanagement-Systemen)  6. Digitalisierung in Marketing und Vertrieb klassische vs. „digitale“ Vermarktung Klassische Vermarktung: Anzeigen und Kaltakquise: Das Marketing schaltete Anzeigen, woraufhin Kaltakquise betrieben wurde, z.B. durch Call-Center. Erster Impuls ging von Anzeige/TV-Spot aus, Kunde geht in „Verkaufsraum“ und trifft dort Entscheidung („First Moment of Truth“), je nach Zufriedenheit („Second Moment of Truth“), wird Empfehlung ausgesprochen oder erneut gekauft Unzufriedenheit und Schuldzuweisungen: Kunden waren oft unzufrieden, da sie kein Interesse am Produkt hatten. Vertriebsmitarbeiter wurden unmotiviert und gaben dem Marketing die Schuld für die "grünen Bananen" (unreife Leads). Umgekehrt beschuldigte das Marketing den Vertrieb, die Leads "kaputt" zu machen. Outbound-Maßnahmen: Die klassischen Vermarktungsmaßnahmen umfassen überwiegend Outbound-Aktivitäten wie telefonische Kaltakquisition, Messen und Events, Serienbriefe und Newsletter. Diese Maßnahmen haben eine direkte, schnellere Wirkung, sind jedoch wenig nachhaltig und erfordern den Einsatz von Ressourcen (Zeit, Geld, Personal). ➔ Verkäufermarkt Digitale Vermarktung: Kunde recherchiert im Internet nach Produkt → Ergebnisse der Suche bestimmen den Kaufprozess Kundenmeinungen transparenter und wichtiger Ca. 60% (!) des Kaufprozesses sind absolviert, bevor der Lead Kontakt zum Vertrieb eines Anbieters aufnimmt ▪ Daher wichtig, dass durch passende Inhalte („Content Marketing!“) mithilfe des „Buyer-Persona-Profils“ der Kunde angesprochen wird, bevor er über das Produkt nachdenkt und anfängt zu recherchieren Inbound-Maßnahmen Wasserloch-Strategie (steht für »Präsenzen« (Webseite, Blog, Webshop, Microseiten,Fachartikel usw.), die idealerweise eine magnetische Wirkung auf (potenzielle) Kunden haben) sorgt dafür, dass man von den (potenziellen) Kunden gefunden wird. Z.B. Text auf Ihren Webseiten, Werbebanner, Videovorschläge/Werbung auf Youtube ➔ Käufermarkt Erklärungen: Ein Lead ist ein qualifizierter Interessent, der sich für ein Unternehmen bzw. ein Produkt, eine Dienstleistung oder Lösung interessiert 1. Kanalnutzung: Klassische Vermarktung: Nutzt traditionelle Kanäle wie Printmedien, Radio, Fernsehen und Plakatwerbung. Digitale Vermarktung: Verwendet digitale Kanäle wie soziale Medien, E-Mail-Marketing, Suchmaschinenwerbung und Websites. 2. Interaktion mit Kunden: Klassische Vermarktung: Die Interaktion mit Kunden ist oft einseitig und beschränkt sich auf die Bereitstellung von Informationen. Digitale Vermarktung: Ermöglicht eine bidirektionale Kommunikation, bei der Kunden direkt mit Marken interagieren können, insbesondere über soziale Medien. 3. Datenanalyse: Klassische Vermarktung: Die Erfolgsmessung ist oft weniger präzise und basiert auf allgemeinen Schätzungen und Umfragen. Digitale Vermarktung: Nutzt fortgeschrittene Analysetools, um detaillierte Einblicke in das Kundenverhalten zu gewinnen und die Effektivität von Kampagnen in Echtzeit zu messen. Hierbei spielt „Smart Data“ eine wichtige Rolle, um große und komplexe Datenmengen wertschöpfend einzusetzen. 4. Zielgruppenansprache: Klassische Vermarktung: Die Ansprache erfolgt oft über breite Zielgruppen mit weniger personalisierten Botschaften. Digitale Vermarktung: Ermöglicht eine gezielte Ansprache und Personalisierung von Inhalten basierend auf dem Nutzerverhalten und - präferenzen. 5. Flexibilität und Anpassungsfähigkeit: Klassische Vermarktung: Änderungen in Kampagnen sind oft zeitaufwendig und kostenintensiv. Digitale Vermarktung: Bietet hohe Flexibilität, um Kampagnen schnell anzupassen und zu optimieren.  Digitale Kaufprozess nach dem Schuster-Modell Die Abbildung stellt den digitalen Kaufprozess nach dem Schuster-Modell dar und zeigt die Interaktion zwischen Marketing und Vertrieb. 1. Anonymer Kontakt: Dies ist der Ausgangspunkt, an dem potenzielle Kunden anonym bleiben, bevor sie mit dem Unternehmen in Kontakt treten. 2. Inbound- und Outbound-Marketing: Inbound umfasst verschiedene Kanäle wie die Website, Social Media, Messen und Podcasts, um Leads zu generieren. Outbound bezieht sich auf direkte Kontaktmethoden wie Werbung, Telefonanrufe und Messeauftritte. 3. Lead: Ein Lead ist ein potenzieller Kunde, der Interesse gezeigt hat. Leads werden durch verschiedene Marketingmaßnahmen gesammelt. 4. MQL (Marketing Qualified Lead): Ein Lead, der durch bestimmte Kriterien als qualifiziert eingestuft wird und bereit ist für den nächsten Schritt im Verkaufsprozess. 5. SQL (Sales Qualified Lead): Ein MQL, der weiter qualifiziert wurde und bereit ist, von der Vertriebsabteilung kontaktiert zu werden. 6. CRM (Customer Relationship Management): Hier erfolgt die Verwaltung der Kundenbeziehungen und der Verkaufschancen. 7. Vertrieb: Der Vertriebsprozess umfasst den Erstkontakt, die Bedarfsanalyse und die Verkaufschancen, die zu einem Auftrag führen können. 8. Opt-in und Lead-Nurturing: Potenzielle Kunden geben ihre Einwilligung (Opt-in), und durch Lead-Nurturing werden sie durch gezielte Inhalte weiter betreut, um sie im Kaufprozess voranzubringen. Die Abbildung verdeutlicht die enge Zusammenarbeit zwischen Marketing und Vertrieb, um potenzielle Kunden systematisch zu qualifizieren und zu betreuen, bis sie zu zahlenden Kunden werden. Customer Journey 1. Informieren: Der potenzielle Kunde beginnt, sich über mögliche Lösungen für ein Problem oder einen Bedarf zu informieren. Dies kann durch eigene Recherche oder durch gezielte Marketingmaßnahmen geschehen. 2. Befähigen: In dieser Phase sucht der Interessent nach weiteren Informationen, um sich selbst zu befähigen, die verschiedenen Methoden, Lösungen oder Fachbegriffe besser zu verstehen. 3. Evaluieren: Der Kunde bewertet die verschiedenen Lösungsansätze oder Methoden, um herauszufinden, welche am besten zu seinen Anforderungen passen. 4. Bewerten: Der Kunde nutzt bestimmte Kriterien, um die Lösungen und Anbieter zu bewerten. Dies kann technische Funktion, Qualität, Preis, Serviceangebot und andere Faktoren umfassen. 5. Kaufen/Abschluss: In dieser Phase entscheidet sich der Kunde für den Kauf einer Lösung oder eines Produkts. 6. Erleben/Nutzen: Nach dem Kauf folgt das Erleben und Nutzen der erworbenen Lösung. Diese Phase beinhaltet den Service, Empfehlungen sowie Up- und Cross-Selling. Der Kreis schließt sich, wenn der Kunde erneut zum Interessenten für weitere Angebote wird.  Lead-Marketing (mit der Unterstützung von KI) Lead-Marketing mit der Unterstützung von Künstlicher Intelligenz (KI) funktioniert, indem KI-Technologien genutzt werden, um den Prozess der Lead- Generierung, -Qualifizierung und -Konvertierung zu optimieren. Hier sind einige Möglichkeiten, wie KI im Lead-Marketing eingesetzt wird: 1. Datenanalyse: KI kann große Mengen an Kundendaten analysieren, um Muster und Trends zu erkennen. Dies hilft Unternehmen, potenzielle Leads besser zu verstehen und gezielt anzusprechen. 2. Personalisierung: KI-Algorithmen können personalisierte Marketingbotschaften erstellen, die auf den individuellen Interessen und dem Verhalten der Leads basieren. Dies erhöht die Wahrscheinlichkeit, dass Leads auf die Marketingmaßnahmen reagieren. 3. Automatisierung: Mithilfe von KI können Routineaufgaben im Lead-Marketing automatisiert werden, wie z.B. das Versenden von E-Mails oder das Verfolgen von Kundeninteraktionen. Dies spart Zeit und Ressourcen. 4. Lead-Scoring: KI kann verwendet werden, um Leads zu bewerten und zu priorisieren. Durch die Analyse von Datenpunkten wie demografischen Informationen und Verhaltensdaten kann KI vorhersagen, welche Leads am wahrscheinlichsten konvertieren. 5. Chatbots: KI-gesteuerte Chatbots können auf Websites eingesetzt werden, um mit Besuchern in Echtzeit zu interagieren, Fragen zu beantworten und Leads zu generieren. 6. Vorhersageanalysen: KI kann Vorhersagemodelle erstellen, die helfen, zukünftige Trends im Kundenverhalten zu antizipieren und entsprechende Marketingstrategien zu entwickeln. Durch die Integration von KI in das Lead-Marketing können Unternehmen effizienter arbeiten, die Kundenbindung verbessern und letztlich ihre Umsätze steigern. 7. CDR Grundzüge (Was ist CDR, Notwendigkeit, Umsetzung,…) Corporate Digital Responsibility (CDR) bezieht sich auf die Verantwortung von Unternehmen im Umgang mit digitalen Technologien und Daten. Es geht darum, ethische Standards und Praktiken zu etablieren, die sicherstellen, dass digitale Innovationen im Einklang mit gesellschaftlichen Werten und dem Wohlergehen der Menschen stehen. Die (aktuellen) Themen liegen derzeit in Form von freiwilliger Selbstverpflichtung der Unternehmen bzw. als Prinzipien vor. Es gibt keine konkrete Gesetzgebung. Notwendigkeit: Vertrauen der Verbraucher: Transparenter Umgang mit Daten fördert Vertrauen. Ethische Überlegungen: Verantwortlicher Einsatz von Technologien minimiert negative gesellschaftliche Auswirkungen. Regulierung: Einhaltung von Datenschutzgesetzen schützt vor rechtlichen Risiken. Nachhaltigkeit: Digitale Praktiken sollten umweltfreundlich sein. Wettbewerbsvorteil: Verantwortungsbewusste Unternehmen können sich positiv abheben. Innovation: CDR fördert verantwortungsvolle Innovation unter Berücksichtigung sozialer und ökologischer Auswirkungen. 1. Datenmanagement: Bias vermeiden: Schulungen und Analysen zur Vermeidung von Verzerrungen in Daten und KI. Verantwortungsvolles Profiling: Transparente und faire Praktiken, die Kunden informieren und keine Gruppen ausschließen. Verbrauchersouveränität: Klare Erklärungen zu Profiling und Datenverwendung. Ethisches Technologiedesign: "Privacy by Design" und Datenanonymisierung. Über das Unternehmen hinaus: Förderung von Daten- und Cybersicherheit auch außerhalb der Unternehmensgrenzen. 2. Bildung: Informieren und befähigen: Aufklärung über Chancen und Risiken der Digitalisierung. Ethisches Bewusstsein: Diskussionen über ethische Herausforderungen fördern. 3. Klima- und Ressourcenschutz: Nachhaltige Lösungen: Förderung umweltfreundlicher digitaler Lösungen. Ressourcenschonende Technologien: Gestaltung und Nutzung von Technologien mit Fokus auf Ressourcenschonung. 4. Mitarbeiterengagement: Partizipative Transformation: Einbeziehung der Mitarbeiter in die Gestaltung der digitalen Transformation. Unterstützung und Vorbereitung: Vorbereitung und Unterstützung der Mitarbeiter während des Wandels. 5. Inklusion: Barrierefreiheit: Abbau von Zugangsbarrieren zu Produkten und Dienstleistungen. Inklusive Lösungen: Entwicklung von Lösungen, die Teilhabe für alle fördern.  8. Arbeit 4.0 Begriff, Auswirkungen auf den Mittelstand, Herausforderungen Der Begriff "Arbeit 4.0" bezieht sich auf den Wandel der Arbeitswelt durch die Digitalisierung und nicht nur auf den Produktionsbereich, wie bei "Industrie 4.0". Es umfasst den Einfluss neuer Technologien wie Clouds, Collaboration Platforms, Big Data und das Internet der Dinge sowie die größere Mobilität in Bezug auf Arbeitsplatz und Arbeitszeit durch leistungsfähige Informations- und Kommunikationstechnologien. Auswirkungen auf den Mittelstand: Die Digitalisierung von Geschäftsmodellen, Produkten und Prozessen führt zu einer Automatisierung von Produktionsprozessen. Es wird eine Symbiose zwischen Mensch und Maschine angestrebt, was jedoch auch die Qualifikationsprofile der Mitarbeiter beeinflusst. Die zunehmende Individualisierung der Produkte erfordert eine flexiblere Produktion und stellt höhere Anforderungen an die Mitarbeiter. Herausforderungen: Unsicherheit hinsichtlich der zukünftigen Qualifikationsanforderungen. Der demografische Wandel führt zu einem sinkenden Angebot an Fach- und Nachwuchskräften, was ein bedeutendes Wachstumshindernis darstellt. Fachkräfteengpässe und der Wandel zu einem Bewerbermarkt erfordern von Betrieben, eine hohe Arbeitgeberattraktivität zu bieten. Die Beschäftigungsfähigkeit alternder Belegschaften muss durch betriebliches Gesundheitsmanagement, lebenslange Fort- und Weiterbildung gefördert werden. In kleinen und mittleren Unternehmen (KMU) fehlen oft geeignete Analyse- und Controlling-Instrumente; dennoch bieten sie Vorteile wie hohe Flexibilität und schnelle Anpassungsfähigkeit. Ethik Das Thema Ethik bei Arbeit 4.0 umfasst verschiedene ethische Bereiche, die im Zusammenhang mit dem Zusammenspiel zwischen Menschen und Maschine sowie dem Umgang damit betrachtet werden müssen. Die Ethik ist ein Bereich der Philosophie, der sich mit der Moral beschäftigt. Bei der Diskussion um Arbeit 4.0 ist es wichtig, nicht nur die technische Seite zu betrachten, sondern auch die ethischen Implikationen dieser Entwicklungen zu berücksichtigen. Informationsethtik Verlässlichkeit bei der Steuerung von Computeranlagen (IoT) → Sicherheit für Menschen, Haftung Eigene (maschinelle) Entscheidungen z. B. bei der Autonomisierung Verwendung persönlicher Daten z. B. im Vertrieb (v.a. im Zusammenhang mit BigData) Durch die Vernetzung (Iot) → Gefahr durch Hackerangriffe → Folgen für Autonomie und Datenschutz Technikethik Isolation und Abhängigkeit von der Technik Manipulation der Technik (s.o.) → Gefährdung von Menschen Wirtschaftsethik Automatisierung kann zur Ersetzung menschlicher Arbeit führen → Niedriglohnbereich Problematisch ist die Frage, ob die Vor- oder Nachteile überwiegen o z. B. Standort- oder Wettbewerbsvorteile vs. Negative Veränderungen der Arbeit Notwendig sind eine schnelle Anbindung (just in time-Datenaustausch) und Zugang zu Informationen → „Graben“ zwischen Teilnehmern und solchen, die diese Voraussetzungen nicht erfüllen Umweltethik Hoher Bedarf an Metallen (z. B. Kobalt) -> Bei der Gewinnung Zerstörung von Unwelt und Gesundheit der Arbeiter, zudem Transport notwendig Kundenbedürfnisse zufrieden stellen → „unnöltige“ Ressourcenverschwendung, statt nachhaltiger Umweltpolitik → CSR Strahlung durch Funknetze Tierethik → Lebensraum der Tiere bzw. Tier-Maschine-Interaktion Maschinenethik Maschinelle Entscheidungen → moralischer Aspekt wie z. B. fehlerhafte Interpretation