ADVANCED ANALYTICS IN DER LIEFERKETTE

Benötigen Sie Unterstützung? Wenden Sie sich schriftlich oder telefonisch an unser Expertenteam.

Bei LIS Solutions sind wir Experten für Advanced Analytics. Wir bieten modernste Verfahren aller Art und nutzen sie u.a. für unsere Kunden in Industrie, Supply Chain und in Produktion. Im folgenden Artikel erklären wir, was genau Advanced Analytics sind und geben einige praktische Anwendungsbeispiele. Wenden Sie sich gerne an uns, wenn Sie weitere Informationen oder eine individuelle Beratung wünschen.

Fordern Sie weitere Informationen über unsere Beratung rund um Advanced Analytics an.

Was bedeutet Advanced Analytics?

Hinter den heutzutage in Unternehmen generierten riesigen Datenmengen verbirgt sich enorm viel Information. Für die Unternehmen sind diese Informationen so wertvoll, dass man Zeit und Geld investieren sollte, um sie zu identifizieren und in eine verständliche Form zu bringen. Mit diesem Aspekt beschäftigt sich Advanced Analytics.

Advanced Analytics dient dem Erhalt wichtiger Informationen und Erkenntnisse aus in Unternehmen oder extern generierten Daten. Dabei werden alle Daten miteinander verknüpft und kombiniert, um optimale Informationen daraus zu erhalten.

Im Allgemeinen gibt es vier Arten von Advanced Analytics: 1. deskriptive Analyse 2. diagnostische Analyse 3. prädiktive Analyse und 4. präskriptive Analyse.

Was bieten wir rund um Big Data?

LIS Solutions bietet Beratung zur Verarbeitung großer Datenmengen, zur Verwaltung heterogener Datenquellen und zur Erzeugung relevanter Informationen, beispielsweise durch dein Einsatz von Advanced Analytics und Business Intelligence, die bei der Entscheidungsfindung hilfreich sein können.

Wir integrieren ganz  unterschiedliche Datenquellen und Datentypen, darunter verknüpfte Datenbanken, Textdateien, über IdD (IoT)-Plattformen erfasste Daten und offene Datenquellen, und erstellen aussagekräftige Dashboards. Mit Ihrer Hilfe können Sie Ihre Prozesse optimieren und treffen immer die richtige Entscheidung.

Die vier Arten von Advanced Analytics

Deskriptive Analyse: Diese Form der erweiterten Datenanalyse soll eine Antwort auf folgende Frage geben: „Was ist im Unternehmen geschehen?“ Es handelt sich dabei um die Anfangsphase der Datenverarbeitung: die Zusammenfassung der historischen Daten, um nützliche Informationen bereitzustellen und die Daten auf die weitere Analyse vorzubereiten. Abschließend wird eine grafische Visualisierungsebene bzw. eine BI erstellt, die übersichtliche und intuitive Berichte erzeugt.
Diagnostische Analyse: Diese Form der erweiterten Datenanalyse soll die folgende Frage beantworten: „Warum ist das im Unternehmen passiert?“ Es ist die zweite Phase der erweiterten Datenanalyse. Diese Phase umfasst die Verarbeitung eventueller Anomalien, Fehler, Störungen oder nicht den Erwartungen entsprechender Daten, um die Problemursache zu ermitteln. Nach dem Identifizieren des Problems wird ggf. ein Bericht erstellt, der das Problem und die Vorgehensweise zur Lösung beschreibt oder eine der beiden folgenden Analysephasen kommt zum Einsatz: Mithilfe der prädiktiven Analyse kann festgestellt werden, wie sich dieser Aspekt in Zukunft im Unternehmen auswirkt. Die präskriptive Analyse erteilt Handlungsanweisungen.
Prädiktive Analyse: Diese Form der erweiterten Datenanalyse soll folgende Frage beantworten: „Was wird im Unternehmen geschehen?“. Diese dritte Phase der Advanced Analytics stellt Tools zur Einschätzung von Geschäftsdaten bereit, die unbekannt oder ungewiss sind bzw. für deren Erkennung ein manueller oder kostspieliger Prozess erforderlich wäre. Diese Analyseform ermöglicht es, Geschäftsentscheidungen zu stärken und beispielsweise Kundenwünsche vorherzusehen oder Betrug bei elektronischen Zahlungen zu erkennen.
Präskriptive Analyse: Diese Form der erweiterten Datenanalyse sucht eine Antwort auf folgende Frage „Was können wir tun, damit das von uns entworfene und geplante Szenario wirklich eintritt?“. Nach der Untersuchung der Prognosen gilt es, möglichst exakt mit den Prognosen oder Strategien zu arbeiten und den Zielen möglichst nah zu kommen. Diese Art der Analyse hilft, die zur Erreichung eines Ziels in festgelegte Strategien umzusetzen. Dies wird z.B. durch Prozessoptimierungen und die Implementierung von Business Rules erreicht.

Warum sollte man auf Advanced Analytics nicht verzichten?

Advanced Analytics sucht – wie im vorherigen Punkt erwähnt – Antworten auf folgende Fragen: „Was ist im Unternehmen geschehen?“, „Warum ist das im Unternehmen passiert?“, „Was wird im Unternehmen geschehen?“ und „Was können wir tun, damit das von uns entworfene und geplante Szenario wirklich eintritt?“ Die erste Frage betrifft das Erkennen der im Unternehmen bestehenden Probleme, wie z. B. zu niedrige Lagerbestände oder zu hohe Sicherheitsbestände. Die zweite Frage ermöglicht die Bestimmung der Fehlerursache. Bei zu niedrigem Lagerbestand ist die Vorlaufzeit möglicherweise länger als erwartet. Bei zu großem Sicherheitsbestand entsteht das Problem dann, wenn die festgestellte Vorlaufzeit länger ist als erwartet. Eine Antwort auf die dritte Frage ermöglicht Schlüsse auf die zukünftigen Lagerbestände. Außerdem kann man die Daten den prognostizierten Kunden-Verbrauchsdaten gegenüberstellen. Mithilfe der präskriptiven Analyse lassen sich so die erforderlichen Geschäftsregeln vorgeben, um alle Entscheidungen anhand der erstellten Prognosen zu optimieren.

Folglich findet man Fehler, ihre Ursachen, das zukünftige Verhalten und die optimale Umsetzung der Zukunftsstrategie.

Je weiter der Horizont der Analyse ist, desto länger ist der Vorlauf, um eine Strategie zu entwickeln und die erforderlichen Maßnahmen zu ergreifen, um die Zukunft zu beeinflussen und die gesetzten Ziele zu erreichen.

Auf diese Weise erfolgt die Entscheidungsfindung anhand von Daten und ist weniger impulsiv – also zuverlässiger und rationaler. Auf diese Weise ist es möglich, den von der Geschäftsführung festgelegten Plan einzuhalten und nicht aus persönlichen Gründen davon abzuweichen.

Warum sollte man auf Advanced Analytics nicht verzichten?

LIS Solutions stellt Ihnen sein gesamtes Know-how und langjährige Erfahrung in Data Analytics zur Verfügung, um Ihr Unternehmen zu unterstützen und zu begleiten, damit Sie nicht nur Ihre Probleme lösen, sondern auch die Datenanalyse auf Benutzerebene selbstständig verwalten. So können Sie eigene Berichte erstellen und Ihre Entscheidungen auf eigene Untersuchungen und Analysen stützen.

Hierzu bietet LIS Solutions Ihnen u. a. folgende mathematisch-statistische Verfahren an:

Hauptkomponenten-Analyse (Principal Component Analysis = PCA): Ein Mathematisches Verfahren, das versucht, die Anzahl der Variablen auf in Mindestmaß zu reduzieren, damit so wenig Information wie möglich verloren geht. Beispiel: Nach Erfassung aller Variablen einer Produktionslinie verringert sich durch PCA die Zahl der Variablen für die weitere Arbeit, was die Rechenkosten senkt und die Datenverwaltung vereinfacht.

Clustering: Algorithmen dieser Art teilen die verfügbaren Daten in Gruppen ein. Beispielsweise kann anhand des Verbrauchs pro Kilometer zwischen den Routen unterschieden werden, die Lieferwagen und Motorräder fahren. Außerdem lassen sich die im Lager zum Einsortieren eintreffenden Artikel nach Gewicht und Größe unterscheiden. So ist es möglich, einen Algorithmus zu erstellen, der jedem Artikel den geeigneten Platz zuweist.

Support Vector Machines (SVMs): die Gesamtheit der Algorithmen der Gruppe „überwachtes Lernen“, die sich auf Probleme der Klassifizierung und Regression beziehen. Google wendete diese Algorithmen an, um das autonome Fahren in die Realität umzusetzen. Anhand eines Datensatzes mit bekannter Gruppenzuordnung jeder einzelnen Beobachtung übt das System einen Algorithmus ein, der dann unterscheidet, welcher Gruppe eine neue Beobachtung angehört. Diese Klasse von Algorithmen dient z. B. zur Erkennung von Anomalien in der Fließbandfertigung. Nach Erfassung mehrerer Werkstücke mit Anomalien ist der Algorithmus mithilfe der von den Maschinen erfassten Parameter in der Lage zu erkennen, welche neuen Werkstücke fehlerhaft sind.

Optimierung: die Wahl des besten Elements aus einer Gesamtheit von Elementen im Hinblick auf ein konkretes Kriterium. So dienen z. B. Optimierungsalgorithmen zur Verringerung der Lagerbestände und setzen Fehlbestände auf ein Minimum herab. Diese Algorithmen sind auch für die Optimierung der Betriebsstunden der Maschinen in einer Fabrik nützlich: So lassen sich die produktivsten Stunden der Mitarbeiter und die Stunden ohne Maschinenstillstand aneinander angleichen. Das bedeutet eine optimale Verwaltung der Wartungsstopps.

Erkennung von Anomalien: Mithilfe dieser Algorithmen, die viel komplexer sind als die vorherigen, können auch seltsame Abweichungen in den Daten erkannt werden. Mithilfe mathematisch-statistischer Verfahren erkennen sie anomale Daten. Diese Algorithmen sind im industriellen Bereich äußerst nützlich, um prädiktive Wartungsarbeiten nur dann zu planen, wenn sie tatsächlich erforderlich sind. Damit spart das Unternehmen viel Zeit und Geld.

Die Vorteile dieser Advanced Analytics liegen klar auf der Hand. Hier nur einige Beispiele:

Bestandsverringerungen, also verminderte Mengen unbeweglicher Güter im Lager. Das ermöglicht eine optimale Lagerverwaltung.

Eine Verminderung der unproduktiven Zeiten steigert die Effizienz pro Arbeiter und Stunde.

Erhalt von bislang in Unternehmen nicht berücksichtigten Informationen: Das verbessert das Verständnis der Geschäftsabläufe und die Geschäftsführung genießt Transparenz im Gesamtunternehmen.

Entwicklung von Hilfsmitteln zur Kontrolle der Datenqualität, mit einhergehender Steigerung des immateriellen Unternehmenswerts. Bessere Daten ermöglichen bessere Folgerungen und somit auch präzisere Maßnahmen.

Optimierung von Verfahren und Prozessen aller Art.

Erkennung von Anomalien in der Produktionslinie. So lässt sich das betroffene Werkstück entfernen, ohne dass der gesamte Produktionsprozess zum Stillstand kommt. Das spart die zur Endbearbeitung dieses Werkstücks erforderliche Energie und Materialien.

Folglich findet man Fehler, ihre Ursachen, das zukünftige Verhalten und die optimale Umsetzung der Zukunftsstrategie.

Je weiter der Horizont der Analyse ist, desto länger ist der Vorlauf, um eine Strategie zu entwickeln und die erforderlichen Maßnahmen zu ergreifen, um die Zukunft zu beeinflussen und die gesetzten Ziele zu erreichen.

Auf diese Weise erfolgt die Entscheidungsfindung auf der Basis von Daten und ist weniger impulsiv – also zuverlässiger und rationaler. Auf diese Weise ist es möglich, den von der Geschäftsführung festgelegten Plan einzuhalten und nicht aus persönlichen Gründen davon abzuweichen.

Copy link
Powered by Social Snap