direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Ausgangssituation

Lupe

Kleine und mittlere Unternehmen (KMU) laufen Gefahr, den Anschluss an die Digitalisierung zu verlieren (Mohr et al., 2017). In Bezug auf die Digitalisierung und Industrie 4.0 belegen zahlreiche Studien, dass Smart Data nicht nur ein Trend ist, sondern ein brisantes Thema für Unternehmen jeder Größe darstellt (MHP, 2015). Hierbei sind besonders folgende zwei Handlungsfelder kritisch für den zukünftigen Erfolg von KMU:

  1. Zunehmend volatiler werdende Märkte fordern immer kürzere Produkteinführungs-zeiten. Mit einer systematischen und methodenbasierten Vorgehensweise können KMU diesen Herausforderungen entgegnen (Engeln, 2006). Dennoch ist in vielen KMU eine strukturierte Vorgehensweise gerade in den frühen Phasen der Produktentstehung nicht erkennbar (Pahl, et al., 2007). Dabei können mit einem systematischen Vorgehen Produkte schneller entwickelt und zur Marktreife gebracht werden (Lam, 2005). Darüber hinaus führt eine systematische Vorgehensweise im Umgang mit Daten zu besseren Entscheidungen, die langfristig den Unternehmenserfolg sichern können (Atoss, 2018)
  2. Die KMU laufen Gefahr, den Anschluss an die Digitalisierung zu verlieren (Mohr, et al., 2017). In Bezug auf die Digitalisierung und Industrie 4.0 belegen zahlreiche Studien, dass Smart Data nicht nur ein Trend ist, sondern ein brisantes Thema für Unternehmen jeder Größe darstellt (MHP, 2015). Die stetig anwachsende Datenmenge und die sinkenden finanziellen Anforderungen der technischen Umsetzung ermöglichen bereits heute die Nutzung von Smart Data Analytics auch in KMU (IT-Gipfel, 2014). Dennoch werden die Potentiale von Smart Data in KMU nicht genutzt (vgl. Abschnitt 2.1 und 2.2). Dabei kann durch die effektive und effiziente Integration von Smart Data in den Entwicklungsprozess die Entscheidungsqualität deutlich verbessert werden (Köksal, et al., 2011).
Handlungsfeld 1 ist darauf zurückzuführen, dass durch die hohe Priorität des Tagesgeschäfts wenig Zeit für die strategische Systematisierung von Entwicklungsprozessen zur Verfügung gestellt wird (Pfohl, 2013). Die geringe Berücksichtigung von Smart Data in KMU (Handlungsfeld 2) kann, wie im vorliegenden Antrag dargestellt, auf drei Gründe zurückgeführt werden: (1) die fehlende Kompetenz der Mitarbeiter hinsichtlich Smart Data, (2) die Unsicherheiten im Umgang mit Smart Data und (3) die Angst vor hohen Investitionen. Die stetig anwachsende Datenmenge und die sinkenden finanziellen Anforderungen der technischen Umsetzung ermöglichen bereits heute die Nutzung von Smart Data Analytics auch in KMU (IT-Gipfel, 2014). Dennoch werden die Potentiale von Smart Data in KMU häufig nicht genutzt. Dabei kann durch die effektive und effiziente Integration von Smart Data in den Entwicklungsprozess die Entscheidungsqualität deutlich verbessert werden (Köksal et al., 2011). Die geringe Berücksichtigung von Smart Data in KMU kann hauptsächlich auf drei Barrieren zurückgeführt werden: (1) die mangelnde Kompetenz der Mitarbeiter*innen hinsichtlich Smart Data, (2) die Unsicherheiten im Umgang mit Smart Data und (3) die Angst vor hohen Investitionen.

Zielsetzung

Zielsetzung des Forschungsvorhabens ist die Erarbeitung eines Konzeptes zur IT-basierten Befähigung der Mitarbeiter*innen in KMU hinsichtlich der bedarfsgerechten Anwendung von Smart Data in einem systematischen und methodenbasierten Produktentstehungsprozess (PEP).

Nutzen

Der Nutzen des Konzepts besteht darin, Mitarbeiter*innen in KMU im Umgang mit komplexen Themenbereichen von Smart Data zu unterstützen, zu leiten und somit Berührungsängste zu minimieren. Die Mitarbeiter*innen werden durch den PEP geführt und erhalten Empfehlungen und Hintergrundwissen zu potentiellen Datenquellen sowie zu der Analyse und Verarbeitung dieser Daten und werden zudem in der Interpretation der Ergebnisse im Kontext Ihrer Entwicklungstätigkeit unterstützt. Dadurch werden die Barrieren des KMU in Bezug auf den Smart-Data-Einsatz reduziert.

Es ist hervorzuheben, dass durch das Forschungsvorhaben insbesondere neue Erkenntnisse generiert werden, welche Daten in den KMU vorliegen, wie diese erhoben werden und wie sie durch KMU genutzt werden können. Weiterhin kann durch das Forschungsvorhaben identifiziert werden, welche Erfolgsfaktoren für die Methodenunterstützung im Bereich Smart Data entscheidend sind. Im Zuge dessen werden die Fragen geklärt, welche Medien eingesetzt werden und wie diese Medien gestaltet werden müssen, um eine möglichst effektive und nachhaltige Befähigung zu gewährleisten. Die zu erarbeitenden Smart-Data-Befähigungskonzepte können auch in andere Bereiche übertragen werden, z.B. andere Branchen aber auch im Bereich der (Aus-/Weiter-)Bildung im Themenfeld Industrie 4.0. Es ist ferner zu erwarten, dass die Erkenntnisse helfen zu verstehen, wie komplexere Themen der Industrie 4.0, z.B. Machine Learning, Predictive Analytics oder Künstliche Intelligenz, in Zukunft für KMU leichter zugänglich gemacht werden können.

Quellen

Mohr, Niko, et al. 2017. Die Digitalisierung des deutschen Mittelstands. [Online] 02 2017. [Zitat vom: 23. 10 2017.] www.mckinsey.de/files/mckinsey_digitalisierung_deutscher_mittelstand.pdf.

MHP. 2015. Big Data Future - Chancen und Herausforderungen für die deutsche Industrie. 2015.

IT-Gipfel, AG 2 im Nationalen. 2014. Smart Data – Potenziale und Herausforderungen. [Online] 2014. post-und-telekommunikation.de/PuT/1Fundus/Dokumente/8._Nationaler-IT-Gipfel-20141021-Hamburg/it-gipfel-2014-ag-2-strategiepapier.pdf.

Köksal, Gülser, Batmaz, İnci und Testik, Murat Caner. 2011. A review of data mining applications for quality improvement in manufacturing industry. Expert Systems with Applications. 2011, 10, S. 13448–13467.

Pfohl, Hans-Christian. 2013. Betriebswirtschaftslehre der Mittel- und Kleinbetriebe - Größenspezifische Probleme und Möglichkeiten zu ihrer Lösung. Berlin : Schmidt Verlag, 2013.

Staudter, Christian, et al. 2013. Design for Six Sigma + Lean Toolset. Mindset for Sucessful Innovations. [Hrsg.] Stephan Lunau. 2. Heidelberg : Springer, 2013. 978-3-642-41455-8.

Meinel, Christoph und von Thienen, Julia. 2016. Design Thinking. Informatik Spektrum. 2016, 39_4_2016.

Günther, Swen. 2010. Design for Six Sigma. [Hrsg.] R. Hünerberg, et al. 1. s.l. : Springer, 2010. S. 400. 978-3-8349-2507-7.

Engeln, Werner. 2006. Methoden der Produktentwicklung. München : Oldenbourg Industrieverlag, 2006. ISBN: 978-3-8356-3112-0.

Pahl, Gerhard, et al. 2007. Konstruktionslehre. Berlin : Springer Verlag, 2007.

Lam, William K. 2005. Hardware Design Verification: Simulation and Formal Method-Based Approaches. Upper Saddle River : Prentice Hall , 2005.

Atoss. 2018. Business Analytics - Cut costs and risks with fact-based management analyses. [Online] 2018. https://www.atoss.com/en-gb/workforce-management/business-analytics.

Zusatzinformationen / Extras

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe

AiF

FQS

BMWi