Layouted

Eine erfolgreiche digitale Transformation hin zum Zielbild der Industrie 4.0 ist heute bereits für viele Unternehmen ein entscheidendes Wettbewerbskriterium. Die anhaltende globale COVID-19-Pandemie hat die Notwendigkeit der Digitalisierung in den Unternehmen deutlich gemacht und diese zusätzlich beschleunigt. Insbesondere in dieser Zeit sind die Unternehmen jedoch mit einer ungewissen Auftrags- und Ertragslage konfrontiert und müssen ihre Investitionsbudgets zielgerichtet einsetzen. Als Entscheidungsgrundlage bietet sich die Bestimmung der digitalen Reife mithilfe eines fundierten Kennzahlensystems an. Dieser Beitrag entwickelt ein solches soziotechnisches Digitalisierungs-KPI-Modell entlang der Dimensionen „Strategie und Führung“, „Digitalkompetenzen/Humankapital“ und „Intelligente Prozesse“. Das Modell kann zukünftig als Grundlage für die Bestimmung des digitalen Reifegrads und darauf aufbauend der Allokation von Digitalisierungs-Investitionen genutzt werden.

Building Information Modeling (BIM)-Systeme repräsentieren einen ersten Schritt in Richtung eines digitalisierten und somit transparenteren Bauprozesses. Dabei wird jedoch aktuell meist nur die Planungsphase betrachtet. Somit müssen für die Bauphase oftmals zusätzliche Geschäftsprozessmodelle angefertigt werden. Diese Modelle sind nur selten mit einzelnen Geschäftsfällen verknüpft, sodass es schwerfällt, Aussagen über den Zustand eines laufenden Prozesses zu treffen, Kennzahlen zu erfassen oder den Prozess zu steuern und zu optimieren. Dieser Beitrag gibt einen Einblick in eine Studie der Hochschule Esslingen mit dem Familienunternehmen LEONHARD WEISS, die die Einführung eines Workflow-Management-Systems in der Baubranche als möglichen Lösungsansatz untersucht hat.

Dieser Beitrag beschreibt eine Analyse- und Gestaltungsmethode für ein Mensch und Maschine integrierendes Wissensmanagement im Zeitalter von Industrie 4.0.

Die Einführung neuer Technologien im Zuge von Industrie 4.0 verspricht umfangreiche Effizienz- und Qualitätssteigerungen. Jedoch verändert die Einführung neuer Technologien auch die Arbeitsumgebung für die Beschäftigten. Wird dies vernachlässigt, kann es zu nicht antizipierten negativen Auswirkungen auf das Gesamtsystem kommen. Eine ganzheitliche Sicht auf das soziotechnische System ist notwendig, um diese Effekte bereits bei der Planung zu erkennen und negativen Effekten vorzubeugen. Hierzu wird in diesem Beitrag ein Vorgehensmodell zur Analyse der sich bei der Einführung einer neuen Technologie ergebenden Effekte vorgestellt. Mit der dargestellten Vorgehensweise ist es möglich, strukturiert den Analyseprozess zu durchlaufen und individuell Maßnahmen abzuleiten, um das soziotechnische Gesamtsystem aktiv zu gestalten.

Ca. 10% der in Umlauf gebrachten Arzneimittel in Ländern mit geringem bis mittleren Einkommen waren 2017 gefälscht [1]. Diesem hohen Fälschungsumfang beugt das securPharm-System in Deutschland vor. Es ermöglicht, Fälschungen entlang der Lieferkette zu identifizieren und deren Abgabe zu stoppen. Die Überprüfung erfolgt EU-weit über Ländergrenzen hinweg durch ein Datenspeicher- und abrufsystem. Aufgrund einiger systembezogener Schwierigkeiten ist das System in Apotheken dennoch nicht gänzlich akzeptiert. Eine zusätzliche Problematik bildet der Onlinehandel, der nicht in gleichem Maße abgesichert werden kann wie der stationäre Handel. Ein abschließender tabellarischer Vergleich mit dem US-amerikanischen System zeigt, dass es dem europäischen in nahezu allen Punkten gleicht.

Dieser Beitrag beschreibt eine Herangehensweise für eine Predictive Maintenance-Lösung, bei der die Bauteilabnutzung technischer Systeme mithilfe eines Sensorik-Toolkits erfasst und mittels eines Prognosetools überwacht wird. Die Sensorik als auch das Prognosetool müssen flexibel ausgelegt sein, damit sie zielführend an unterschiedlichen technischen Systemen einsetzbar sind. Die Zustandsbestimmung der Bauteile erfolgt dabei nicht kontinuierlich, sondern basierend auf zeitdiskreten Messungen. Anhand der aufgenommenen Daten wird über ein Prognosemodell die wahrscheinliche Restnutzungsdauer der Bauteile prognostiziert. Für die Erstellung der Prognose dient ein Machine Learning Tool, welches mit historischen Abnutzungsverläufen trainiert wird. Die Trainingsdaten werden durch statistische Versuche erfasst, in denen die Einflussgrößen und charakteristische Verläufe verschiedener Abnutzungsarten identifiziert werden. Als Grundlage für diesen Beitrag dienen Untersuchungen an einem ...

Reinforcement Learning (RL) konnte bereits publikumswirksam in Video- und Strategiespielen beeindruckende Erfolge erzielen [1]. Diese Grundlagenforschung schafft die Grundlagen, dass RL für reale Entscheidungsprobleme in der Produktion nutzbar wird. Beispiele hierfür sind: Wie erhält ein Roboter mehr Intelligenz, um Aufgaben selbstständiger und ohne aufwendige Programmierung durchzuführen? In welcher Reihenfolge müssen Aufträge in einer Produktion abgearbeitet werden, um eine optimale Termintreue zu erhalten? Der Beitrag gibt eine Einführung in die Arbeitsweise des RL, sowie dessen bevorzugte Einsatzgebiete und beschreibt Anwendungsbeispiele aus dem produzierenden Alltag. Das präsentierte Überblickswissen über die aktuelle Forschung soll diesen Teilbereich der Künstlichen Intelligenz einem breiteren Interessentenkreis zugänglich machen. Übergeordnetes Ziel der beschriebenen Methoden ist, die Wertschöpfung am Wirtschaftsstandort Deutschland kontinuierlich zu steigern.

Die Corona-Krise hatte einen unübersehbaren Einfluss auf die Beschaffungssituation in den globalen Lieferketten, an den sich die Unternehmen schnell anpassen mussten. Die Auswirkungen verdeutlichen, dass sich die Unternehmen zur Reduzierung der Risiken mit der Struktur und der Transparenz in den Lieferketten beschäftigen müssen. Im folgenden Beitrag wird untersucht, über welche Kenntnisse die Akteure verfügen und wie sie diese durch die Digitalisierung verbessern wollen. Die Ergebnisse belegen, dass die Unternehmen bisher nur über geringe Kenntnisse jenseits ihrer direkten Lieferanten verfügen, jedoch zunehmend in der Lage sind, an benötigte Daten aus der Lieferkette zu gelangen. Zugleich zeigen die Ergebnisse, dass noch Potenzial zur Steigerung der Transparenz und der Nutzung von Daten vorhanden ist.

Unternehmen stehen vor dem Hintergrund der digitalen Transformation vor einschneidenden Veränderungen, die den Unternehmenserfolg beeinflussen können. Change Management kann die Unternehmen unterstützen, diese Transformation erfolgreich umzusetzen und somit der Gefahr zu entgehen, bspw. Marktanteile an innovationskräftigere Unternehmen zu verlieren. Die damit einhergehende Fragestellung ist allerdings, inwiefern die tradierten Modelle des Change Managements passend für den anstehenden Wandel sind und ob diese weiterentwickelt werden müssen. In diesem Beitrag werden mithilfe einer Literaturanalyse sowie einer Befragung aktuelle Herausforderungen und Erfolgsfaktoren des Change Managements identifiziert, wodurch im Anschluss ein angepasstes Modell für erfolgreiche Change-Projekte abgeleitet werden kann.