Wie Sie Ihr Geschäft durch Einsatz neuer digitaler Technologien (Digitalisierung) effizienter machen.

Wie gehe ich bei der Digitalisierung am besten vor?

Für ein Digitalisierungsprojekt eignet sich auch die Methode des Design Thinking sehr gut.

Verbesserungsbedarf erheben, Chancen finden

Finden Sie als Erstes die Verbesserungspotentiale und Chancen für Ihr Unternehmen, z.B. mit folgenden Methoden:

  • Führen Sie eine SWOT Analyse mit dem Management der verschiedenen Unternehmensbereiche durch
  • Machen Sie eine Workshop mit Teilnehmern aus verschiedenen Bereichen (Kunden, Partner, Produktionsmitarbeiter, Vertriebsmitarbeiter, Management etc.), um Verbesserungsbedarf zu erheben und eine Vision zur Verbesserung zu definieren.
  • Dokumentieren Sie mit einer Geschäftsprozessanalyse die bestehenden Abläufe und analysieren die Potenziale zur Verbesserung und Automatisierung:
    • Diese Analyse sollte von einer Person erfolgen, welche im Tagesgeschäft nichts mit den zu analysierenden Prozessen zu tun hat. Damit erreichen Sie eine objektive Analyse.
    • Die Durchführung der Analyse durch einen externen Berater hilft die Sicht von außen einzubringen
  • Führen Sie einen Prozess für Verbesserungsvorschläge von Mitarbeitern ein. Die Mitarbeiter kennen die Schwachstellen in der Organisation und haben oft gute Ideen, wie man etwas besser machen könnte.
    • Um die Verbesserungsvorschläge von den Mitarbeitern zu erfahren, implementieren Sie ein Vorschlagswesen mit Prämien für die besten Vorschläge. Das motiviert die Mitarbeiter sich aktiv einzubringen.

Maßnahmen zur Digitalisierung definieren

Definieren Sie Maßnahmen, womit die identifizierten Verbesserungsbedarfe gelöst und Chancen genutzt werden:

  • Identifizieren Sie mögliche Lösungen bzw. die nächsten Schritte zur Lösung (Projektideen, Maßnahmen)
  • Priorisieren Sie die Maßnahmen, erstellen Sie ggf. einen Business Case für jede vielversprechende Maßnahme
  • Wählen Sie ein paar Maßnahmen zur Umsetzung aus, ohne die Organisation zu überfordern (Wie viele Projekte verträgt ein Unternehmen?)

Umsetzung

Die Umsetzung der Maßnahme sollte als Projekt erfolgen. Tipps für IT-Projekte finden Sie unter IT-Implementierung Step-by-Step.

Für die Entwicklung einer Lösung ist auch die Methode Design Sprint sehr gut geeignet. Diese von Jake Knapp von Google Ventures entwickelte Methode kombiniert Scrum, Design Thinking und andere Methoden mit dem Ziel innerhalb einer Woche einen testbaren Prototyp zu entwickeln.

In Österreich gibt es auch Förderungen für KMU für Beratung und Umsetzung von Digitalisierungsprojekten:

Themen zur Digitalisierung

Es gibt eine ganze Reihe von neuen digitalen Lösungen, welche auf folgenden Grundlagen bzw. Trends basieren:

  • AI / KI
  • Blockchain
  • Sharing Economy und Kooperation
  • E-Commerce
  • Daten als das neue Gold (Social Media, Big Data, Data Science)
  • Mobile Computing
  • Cloud Computing
  • Intensive Vernetzung (5G, IoT)
  • 3D-Druck
  • Industrie 4.0

Im Folgenden finden Sie ein paar Digitalisierungsthemen näher erklärt. Einen guten Überblick zur breiten Palette der Digitalisierungsthemen bietet der digitalexellence Navigator in Form von Karten, welche das Thema kurz beschreiben und den Nutzen einordnen (kostenpflichtiges Abo).

Big Data, Data Science

Was ist Big Data?

Big Data kennzeichnet sich durch eine große Menge, Geschwindigkeit oder Vielfalt von Daten. Das sind z.B.

  • Ungeordnete, unstrukturierte Daten wie Audio, Video, Social Media Data
  • Data-Streams (Sensordaten)

Data Science

Data Science beschäftigt sich mit Algorithmen zur Datenauswertung und wird mit strukturierten Daten (Data Science) oder Big Data (Big Data Science) angewandt.

Solche Algorithmen helfen z.B. dabei:

  • ähnliche Daten zusammenzufassen
  • die wichtigsten Merkmale in Daten zu finden
  • Assoziationen zwischen Datensätzen zu finden

Die Data Science Spezialität ist Data Mining: ohne konkrete Vorgabe von Auswertungsparametern werden Aussagen zu Daten gesucht. Dabei helfen iterative Algorithmen wie z.B. neuronale Netze. Warum ein neuronales Netz zu einem bestimmten Ergebnis gekommen ist, ist allerdings für Menschen nicht nachvollziehbar.

Um eine „gewünschte Erkenntnis“ zu bekommen, sind typischerweise mehrere Versuche mit verschiedenen Methoden, Verifikationen der Ergebnisse und Nachjustierungen mit vielversprechenden Methoden notwendig. Ein Data Scientist agiert für eine Big Data Analyse also nach dem Trail-and-Error-Prinzip.

Als Data Scientist benötigen Sie gutes Statistik-Knowhow, Programmierkenntnisse und Fachwissen zu den Daten, welche Sie auswerten wollen.

Falls Sie dazu mehr wissen wollen, hier ein paar Tipps:

Big Data Analytics Software

Mithilfe von Big Data Analytics Software können Sie Daten analysieren, wofür Data Science Knowhow zumindest von Vorteil ist.

Es gibt eine ganze Reihe von Open Source und auch kommerziellen Produkten dazu.

Big Data Anwendungen

Für die meisten KMU bringen erst konkrete Big Data Anwendungen einen praktischen Nutzen, z.B.:

  • Personalisiertes Marketing, z.B. „Kunden, die diesen Artikel gekauft haben, kauften auch“
  • Erkennen von Anomalien, z.B. Betrugserkennung durch Auswertung von Buchungsdaten
  • Pro-aktives Service-Management, z.B. durch Auswertung von Sensorinformationen
  • Kategorisierung von nicht-diskreten Informationen, z.B. Personenerkennung anhand von Bildern
  • Trend-Vorhersagen, z.B. Nachfragevorhersage in Kombination mit dem Wetter
  • Chat-Bot, z.B. Automat für einfache Anfragen im Kundenservice

Cloud Computing, Mobile Applications

Die Erwartung an eine moderne IT-Anwendung ist, dass diese möglichst jederzeit und auf jedem Endgerät nutzbar ist.

Der Stand der Technik ist:

  • Mobilgeräte (Smartphone, Tablet): Optimierte Applikationen (Apps) für Android und iOS/ipadOS
  • PC: Web-Application, welche mit dem Browser genutzt werden kann und keine Installation am PC voraussetzt

Um die Applikation von überall einfach erreichbar zu machen, muss diese als Cloud-Service ausgelegt sein (siehe Cloud Computing für KMU).

Predictive Maintenance

Ein für die Industrie sehr interessantes Thema ist die Wartungsvorhersage auf Basis von Ist-Daten. Bisher wurden Wartungen typischerweise nach festen Intervallen durchgeführt, was jedoch nicht unbedingt der Notwendigkeit entsprach.

Predictive Maintenance nutzt Daten von den Maschinen (Sensordaten, Stromverbrauch etc.) in Kombination mit KI-Methoden, um die Notwendigkeit für Wartung vorauszusehen.

Die Entwicklung von Predictive-Maintenance-Systemen wird derzeit vor allem von den Herstellern der Maschinen vorangetrieben und als Service an die Anwender verkauft. Es spricht aber nichts dagegen, dass die Anwender selbst ein solches System implementieren.

Ihr Kommentar

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahren Sie mehr darüber, wie Ihre Kommentardaten verarbeitet werden .