Die Informationstechnologie (IT) spielt im Lebensmittelsektor eine immer wichtigere Rolle. Moderne Produktionssysteme sind stark automatisiert und vernetzt, um eine höhere Effizienz und Qualität der Lebensmittel zu erreichen. Die IT-Systeme müssen daher eine hohe Leistungsfähigkeit und Zuverlässigkeit aufweisen, um einen reibungslosen Betrieb der Produktion zu gewährleisten.
Ein wichtiger Aspekt ist die Integration von Produktionsprozessen in die IT-Systeme. Dazu gehören beispielsweise die Steuerung von Fertigungsprozessen, die Überwachung der Produktionsqualität sowie die Rückverfolgbarkeit von Produkten und Rohstoffen. Moderne Produktionssysteme arbeiten oft mit Echtzeitdaten, die von Sensoren und anderen Geräten erfasst werden. Eine schnelle und präzise Verarbeitung dieser Daten durch die IT-Systeme ist daher unerlässlich.
Ein weiterer wichtiger Aspekt ist die Integration von Lieferanten und Kunden in die IT-Systeme. Durch eine enge Zusammenarbeit können Bestellprozesse, Lagerbestände und Lieferungen besser koordiniert und optimiert werden. Die Verwendung von elektronischen Datenaustausch-Systemen (EDI) kann hierbei helfen, den Austausch von Daten zwischen den verschiedenen Unternehmen zu vereinfachen.
Die zunehmende Digitalisierung im Lebensmittelsektor eröffnet auch neue Möglichkeiten für die Überwachung und Optimierung von Produktionsprozessen. Durch die Verwendung von Machine-Learning-Algorithmen und künstlicher Intelligenz können beispielsweise Muster in den Produktionsdaten erkannt und Prozesse optimiert werden. Auch die Verwendung von Blockchain-Technologien kann helfen, die Rückverfolgbarkeit von Produkten zu verbessern und die Lebensmittelsicherheit zu erhöhen.
Insgesamt sind die IT-Anforderungen im Lebensmittelsektor in den letzten Jahren stark gestiegen. Es ist daher entscheidend, dass die Unternehmen über eine moderne und leistungsfähige IT-Infrastruktur verfügen und eng mit IT-Experten zusammenarbeiten, um die IT-Systeme auf die Anforderungen der Produktion abzustimmen. Nur so können die Unternehmen wettbewerbsfähig bleiben und den steigenden Anforderungen an eine moderne Produktion gerecht werden, während gleichzeitig die Lebensmittelsicherheit gewährleistet bleibt.
Wir kennen die Branche sehr gut, beraten erfahren bei der strategischen Ausrichtung zu Digitalisierung und Analytics und haben bereits viele Anwendungen fachlich konzeptioniert und diese erfolgreich umgesetzt.
Beispielsweise Vorhersage von Nachfrageentwicklungen, die Vorhersage von Finanzkennzahlen für die Konzernleitung, Beratung zu Design und Technologiegestaltung, Aufbau umfassender Business Intelligence Landschaften. Dies ist nur eine Auswahl unserer Beratung und der Anwendungen.
Sprechen Sie uns an!
Lebensmittelsektor
Ihr Ansprechpartner/Kontakt:
+++ Use Case +++
Fallstudie — B. Braun SE
Business Analytics-basiertes Vorhersagemodell senkt Kapitalbindungskosten
Für eine bessere Kontrolle des Working Capital ist eine möglichst frühe Vorhersage des Lagerbestandswerts entscheidend. Gemeinsam mit der B. Braun SE haben wir eine Lagerbestandsprognose mit Analytics-Algorithmen entwickelt, die auf einen Horizont von 12 Monaten eine mittlere Abweichung von nur 2,57 % zum tatsächlichen Wert erreicht.
Das Projekt auf einen Blick
01
Herausforderung
In Vorräten gebundenes Kapital ist gerade für produzierende Unternehmen eine ständige Herausforderung – Bestände sind so gering wie sinnvoll möglich zu halten.
02
Ansatz
Zeitreihen-Profiling und automatisierte Modellauswahl je Aggregationsebene, ergänzt um eine multiple Regression auf Konzernebene – umgesetzt in Python.
03
Ergebnis
Auf Konzernebene eine mittlere Abweichung von 2,57 % über 5 Jahre – im besten Jahr nur 0,5 % – bei einem Vorhersagehorizont von 12 Monaten.
Der Kontext
Die Herausforderung
Das in Vorräten und Beständen gebundene Kapital ist insbesondere für produzierende Unternehmen eine ständige Herausforderung. Bestände sind sowohl im Supply Chain Management als auch in der Lagerhaltung nach der Produktion so gering wie sinnvoll möglich zu halten.
Die Produktionen des B. Braun Konzerns gliedern sich weitgehend in Serien- und Massenproduktion. Bei der Massenproduktion erfolgt eine Produktion auf Lager, dessen Bestand je nach Abnahme, produzierter Menge und weiteren Einflussfaktoren schwankt – für das Controlling ist daher eine möglichst frühe Wertvorhersage zentral.
Ziele des Projektes
- Den Wert der Lagerbestände frühzeitig und verlässlich vorhersagen.
- Auf dieser Basis Steuerungsmaßnahmen zur Kontrolle des Working Capital ermöglichen.
- Vorhersagen über Produkte, Länder, rechtliche Einheiten und weitere Aggregationsebenen hinweg ermöglichen.
Werkzeuge & Architektur
Modular in Python – erweiterbar bis in die Cloud
Da es um die Beurteilung der Machbarkeit und das Sammeln von Erfahrungen ging, wurde für B. Braun mit Python gearbeitet. Der modulare Aufbau macht eine Erweiterung sehr effektiv – etwa um Methoden des maschinellen Lernens (KI).
Parallel wurden die betrauten Mitarbeitenden von B. Braun ausgebildet, sodass Verfahren, Technologien und das eigentliche Skript verständlich wurden. In den kommenden Stufen lässt sich der Code flexibel in Cloud-Umgebungen (SAP Analytics Cloud oder Microsoft Azure), auf intern gehosteten Servern oder über die PAL on premise im SAP-HANA-Kern nutzen; verschiedene Oberflächenwerkzeuge können auf die Prognosen zugreifen.
01
Vorgehen
Profiling & automatisierte Modellauswahl
Zunächst wählte B. Braun für einzelne Produktgruppen repräsentative Produkte aus, um auf breiter Datenbasis Verfahren zur Vorhersage von Menge und Preis anzuwenden – auf den Ebenen Land, rechtliche Einheit, Produkt und weiteren Aggregationsebenen.
Die Zeitreihen durchliefen ein automatisiertes Profiling, das Charakteristika wie Relevanz, Komplexität, zeitliche Muster und Stabilität extrahiert und passende Vorverarbeitungsschritte übernimmt. Pro Zeitreihe wählt der Ansatz automatisiert die beste Vorhersage je Aggregationsebene. Im POC ließ sich so eine passende Vorhersagbarkeit auf die Horizonte 3, 6, 9 und 12 Monate über sechs Granularitäten realisieren.
02
Vorgehen
Regression auf Bilanzniveau
Die über viele Produkte ausgerollten Vorhersagen erzielten zum Teil sehr präzise Ergebnisse. Lediglich bei Produkten mit Projektgeschäft schwankte die Güte, sodass der auf Bilanzniveau kumulierte Wert Abweichungen aufwies.
Daher wurde in einem zweiten Schritt eine Regressionsanalyse ergänzt, um diese Ebene direkt vorherzusagen. Treiber wie Stahl- oder Ölpreise gingen in den Test ein – im Ergebnis entstand eine multiple Regression, die auf Konzernebene die hohe Vorhersagegüte liefert.
Das Ergebnis
12 Monate vor dem Stichtag lässt sich der Lagerbestandswert aus Mengen- und Preisprognose auf Konzernebene mit einer mittleren Abweichung von 2,57 % über 5 Jahre vorhersagen – im besten Jahr nur 0,5 %.
Mit 95 % Wahrscheinlichkeit liegt der Vorhersagefehler laut Konfidenzintervall zwischen 0,5 % und 4,7 %. Ein weiterer Mehrwert: Durch die umfangreiche Datenanalyse wurden Zusammenhänge und Effekte für die Fachanwender sichtbar, die auf herkömmlichem Weg bislang unentdeckt blieben.
Eingesetzte Methoden & Technologien
Python · Zeitreihen-Profiling · Automatisierte Modellauswahl · Multiple Regression · SAP Analytics Cloud · Microsoft Azure · SAP HANA PAL · Machine Learning (KI)
Kapitalbindung senken – mit verlässlichen Prognosen
Sie möchten Lagerbestände, Absatz oder Preise frühzeitig vorhersagen und Ihr Working Capital aktiv steuern? Wir entwickeln modulare Prognosemodelle – vom Proof of Concept bis in den produktiven Betrieb, on premise oder in der Cloud.
+++ Use Case +++
USe Case – Strategie · Analytics & Business Intelligence
Konzeption einer fundierten Analytics-Strategie
Business-Intelligence-, Daten-, Digitalisierungs-, IT-, Big-Data- und jetzt noch eine Analytics-Strategie – wie viele Strategien braucht eine wettbewerbsfähige Organisation? Entscheidend ist nicht die Anzahl, sondern die Frage, wann eine Analytics-Strategie wirklich gebraucht wird und wie sie sich an der Geschäftsstrategie ausrichtet.
Das Wichtigste auf einen Blick
01
Der Ausgangspunkt
Viele Organisationen sammeln aus Technologiedruck oder schierer Verfügbarkeit große Datenmengen – nutzen sie aber noch nicht zielorientiert. Eine Analytics-Strategie verknüpft Daten mit konkreten Business Cases.
02
Das Gerüst
Strategische Vision, eine Themenlandkarte, klar definierte Dimensionen – Organisation, Personen, Architektur, Kultur – sowie Governance und eine Roadmap bilden das tragende Gerüst.
03
Der Nutzen
Eine gemeinsame Ausrichtung statt isolierter Insellösungen: Projekte lassen sich in den Regelbetrieb überführen, Synergien entstehen, Verantwortlichkeiten sind geklärt.
Der Anlass
Wann eine Analytics-Strategie gebraucht wird
Organisationen setzen das Thema zu unterschiedlichen Zeitpunkten und aus unterschiedlichen Gründen auf die Agenda. Oft steht der Wunsch am Anfang, die Möglichkeiten von Analytics auszuloten, Prozesse zu optimieren und Defizite aufzulösen oder Wettbewerbsvorteile zu schaffen – etwa im Rahmen von Digitalisierung und Prozessneukonzeption.
In anderen Fällen geht es darum, wiederkehrende Projektentscheidungen nicht in jedem Vorhaben neu beantworten zu müssen, oder darum, bereits bestehende, aber unkoordinierte Analytics-Aktivitäten einzelner Fachbereiche in eine gemeinsame Richtung zu bringen.
Typische Anlässe
- Möglichkeiten von Analytics ausloten, Prozesse optimieren und Wettbewerbsvorteile generieren – auch im Zuge von Digitalisierung und Prozessneukonzeption.
- Eine vorhandene Datensammlung (z. B. ein Data Lake), die noch nicht oder nicht umfassend genutzt wird.
- Wiederkehrende Projektentscheidungen: Make-or-Buy, Datenschutz und die spätere Integrierbarkeit der Ergebnisse.
- Bereits bestehende, aber technologisch und organisatorisch unkoordinierte Analytics-Projekte einzelner Fachbereiche.
01
Bestandteil
Strategische Analytics-Vision
Ausgangspunkt jeder Analytics-Strategie sind eine strategische Zielstellung und eine organisationsweit akzeptierte Definition von Analytics – inklusive einer klaren Abgrenzung zu anderen Projekten und Initiativen.
Entscheidend ist der Bezug zur Geschäftsstrategie: Effizienz- oder marktausschöpfungsbezogene Ziele aus der Unternehmensstrategie bilden die elementare Grundlage für den Einsatz von Analytics.
02
Bestandteil
Themen und Innovation
In einem zweiten Schritt werden bestehende Analytics-Themen gesammelt und neue Projektideen entwickelt. Diese Themen erzeugen den Wettbewerbsvorteil und bilden – im Sinne eines Business Case – den zentralen Treiber der Strategie. Ergeben sich organisationsweit keine Themen, ist die Strategie selbst zu hinterfragen.
- Periodensystem der Künstlichen Intelligenz (Bitkom) – technische Potenziale und Einsatzmöglichkeiten von Analytics sichtbar machen.
- Themenfindungs-Workshops mit „System Thinking“ – Ideen für neue Prozesse und Geschäftsmodelle gezielt entwickeln.
- Analytics-Themenlandkarte – Leuchtturmprojekte identifizieren sowie Themenlieferanten und Servicenachfrager einbinden.
Aus den priorisierten Themen entsteht die Roadmap: ein Projektplan, der die neu konzipierten Sollzustände erreichbar macht. Voraussetzung ist ein bekannter Ist-Zustand – etwa gemessen als Analytics-Reifegrad.
Die Dimensionen
Organisation, Personen, Architektur & Kultur
Eine tragfähige Strategie lässt sich nicht allein am Reißbrett entwerfen. Bestehende und angrenzende Prozesse und Strukturen sollten zuerst betrachtet und – wo sinnvoll – integriert werden. Entlang mehrerer Dimensionen entstehen daraus Verantwortlichkeiten, Kompetenzen und Rollen.
- Organisation & Prozesse – Verantwortlichkeiten und Kompetenzen definieren; zentrale oder dezentrale Analytics-Einheiten abwägen.
- Personen – Rollen zuordnen, Personalkapazitäten bemessen und Weiterbildung mit konkreten Schulungen planen.
- Architektur & Werkzeuge – nutzbare Werkzeuge als Standards festlegen, damit der spätere IT-Support gewährleistet ist.
- Kultur – Change-Management mit agilen Methoden und einer Kultur des positiven Scheiterns („fail fast“).
- Governance – Leitlinien zur Projektbearbeitung und Priorisierung, besonders bei knappen Ressourcen.
Analytics und KI hängen eng zusammen, da gerade die mustererkennende Datenanalyse (Machine Learning) die Grundlage erfolgreicher KI bildet. Ebenso bestehen Überschneidungen zur Business-Intelligence-Strategie – es lohnt sich, beide gemeinsam zu denken und Teilstrategien sowie Fachbereiche frühzeitig zu verknüpfen.
Fazit
Jedes Unternehmen braucht eine individuelle Analytics-Strategie, die mit den übrigen strategischen Zielen und Teilstrategien abgestimmt ist.
Gelingt es, alle Stakeholder einzubinden und gemeinschaftliche Spielregeln und Themen zu definieren, ist die Basis für ein erfolgreiches Change-Management gelegt. Initiieren Sie das Thema mit der Frage nach dem Warum – die Antwort sollten Business Cases sein. Diese Fachlichkeit ist der eigentliche Treiber, denn es geht darum, das Unternehmen erfolgreich im Markt zu platzieren.
Bausteine einer Analytics-Strategie
Strategische Vision · Themen & Innovation · Organisation · Prozesse · Personen · Architektur · Werkzeuge · Kultur · Governance · Roadmap
Starten Sie mit der Frage nach dem Warum
Sie möchten eine Analytics-Strategie entwickeln, die zu Ihrer Geschäftsstrategie passt und alle Stakeholder einbindet? Wir begleiten Sie von der strategischen Vision über die Themenlandkarte bis zur Roadmap.