Hochschule München

Lernziele / Kompetenzen

Unter dem Einfluss der Digitalisierung wandeln sich die traditionellen linearen Supply Chains zu komplexen Supply Chain Netzwerken in denen weniger die interne Optimierung einzelner Aktivitäten als die unternehmensübergreifende Koordination vor allem der Prozesse an den Schnittstellen eine zunehmende Rolle spielt.

Dabei bietet die zunehmende verfügbare Datenmenge im Sinne von Big Data neue Möglichkeiten der Analyse zur Verbesserung dieser Prozesse. Dazu muss jedoch über einen wohl strukturierten Prozess aus reinen Daten und Informationen Erkenntnisse gewonnen werden, auf deren Basis Entscheidungen getroffen werden können. Dazu wird das gesamte Spektrum der Analysemethoden von Deskriptiver Analytik über diagnostische und prädiktive Verfahren hin zu präskriptiven Analysemethoden in Anwendung auf die Entscheidungen die typischerweise in Supply Chains getroffen werden müssen untersucht. Eine besondere Betonung liegt hierbei auf den finanziellen Auswirkungen und Zusammenhängen entlang der Wertschöpfungskette.

Inhalte

• Überblick über die Methoden der Data Science
• Unüberwachtes Lernen
• Überwachtes Lernen
• Bestärkendes Lernen
• Anwendungsgebiete und Entscheidungsfelder im SCM
• S&OP Prozess
• Beschaffung
• Produktion
• Lagermanagement und Transport
• After-Sales
• Finanzielle Steuerungsgrößen in Lieferketten
• Anlagevermögen
• Lagerbestände
•               Zahlungsbedingungen
• Finanzierungsquellen
• Kooperative Finanzierungsmethoden
• Bilanzanalyse
• Fallstudien mit Softwareunterstützung
• Einführung in die verwendete Software (z.B. Knime, Python)
• Anwendung der Methoden auf Entscheidungsfelder
• Kritische Diskussion der Ergebnisse
• Zusammenfassung und Verbindung zu den anderen Seminaren

Eingesetzte Methoden der Betriebswirtschaftslehre

r  Modelle und Methoden der Analyse (Forschungs- und Analysemodelle):

·        Einbindung der Ansätze in Supply Chain Research Methoden

r  Quantitativ-Empirische Methoden (Vergleichende – statistische, mathematische Methode, Datenanalysen):

·        Diskussion und Anwendung diverser Data-Science Methoden (s.o.)

r  Qualitativ-Interpretative Methoden (Experteninterview, Umfragen, standardisierte Erhebungen):

·        Überprüfung der Ergebnisse im Rahmen der Fallstudien an Hand empirischer Daten

Lehr-und Lernmethoden:

• Seminaristischer Unterricht
• Fallbeispiele / Simulationen / Übungen / Gruppenarbeit

Literatur

·        Aggarwal, Charu C. (2015): Data Mining. The textbook. Cham: Springer.

·        Andrienko, Natalia; Andrienko, Gennady (2006): Exploratory Analysis of Spatial and Temporal Data. A Systematic Approach. Berlin, Heidelberg: Springer-Verlag Berlin Heidelberg.

·        Bagchi, Tapan (2018): FACTORY ANALYTICS. A Door Opener to make Factories Profitable: Independently published.

·        Berthold, Michael (Hg.) (2003): Intelligent data analysis. An introduction. 2nd, rev. and extended ed. Berlin: Springer.

·        Bloching, Björn; Luck, Lars; Ramge, Thomas (2015): Smart Data. Datenstrategien, die Kunden wirklich wollen und Unternehmen wirklich nützen: redline Verlag.

·        Cady, Field (2017): The data science handbook.

·        Cleve, Jürgen; Lämmel, Uwe (2016): Data Mining (De Gruyter Studium). 2., aktual. Aufl., 2nd updated ed.: De Gruyter Oldenbourg (De Gruyter Studium).

·        Davenport, Thomas H.; Harris, Jeanne G.; Morison, Robert (2010): Analytics at work. Smarter decisions, better results. Boston, Mass: Harvard Business Press.

·        Downey, Allen B. (2018): Think Python. Think Python.

·        Elsner, Martin; González, Glenn; Raben, Mark (2018): SAP Leonardo. Design Thinking, Internet der Dinge, Machine Learning, Big Data, Analytics und Blockchain mit SAP (SAP PRESS). 1. Aufl.: SAP PRESS.

·        Gandhi, Sharad; Ehl, Christian (2018): AI & U. Translating artificial intelligence into business.

·        Kohli, Manu (2018): Introducing Machine Learning with SAP Leonardo: SAP PRESS.

·        Murray, Daniel G. (2013): Tableau your data. Indianapolis, IN: Wiley.

·        NITIN KALe; NANCY JONES (2018): PRACTICAL ANALYTICS.

·        Provost, Foster; Fawcett, Tom (2017): Data Science für Unternehmen. Data Mining und datenanalytisches Denken praktisch anwenden (mitp Business). 1. Auflage 2017: mitp.

·        Rose, Doug (2016): Data Science. Create Teams That Ask the Right Questions and Deliver Real Value.

·        Sharda, Ramesh (2018): Business intelligence, analytics, and data science. Business intelligence, analytics, and data science. fourth edition, global edition.

·        Stubbs, Evan (2011): The value of business analytics. Identifying the path to profitability. Hoboken, NJ: Wiley (Wiley & SAS business series).

·        Watson, Michael; Nelson, Derek (2014): Managerial analytics. Upper Saddle River, NJ: Pearson.