Zur Steuerung großer Produktionsunternehmen muss das Management Alternativen
bewerten, fundierte Entscheidungen herbeiführen und Maßnahmen zur Prozesssteuerung ergreifen. Jedoch macht die Komplexität der Ursache-Wirkbeziehungen zwischen den Kennzahlen, die zur Steuerung der interdependenten Geschäftsprozesse dienen, eine Abschätzung der Auswirkungen von Maßnahmen für den Menschen ohne Hilfsmittel nahezu unmöglich.
Die vorliegende Dissertation liefert daher Ansätze für die Weiterentwicklung der
klassischen kennzahlenbasierten Unternehmenssteuerung durch die Einbeziehung
von Advanced Analytics Algorithmik für die Analyse von Prozessinterdependenzen. Damit begegnet sie der identifizierten Lücke einer unzureichenden Integration
von Advanced Analytics in die praktische Prozesssteuerung.
Die entwickelte Methode beinhaltet eine Vorgehensweise und Prozessmodelle für
die quantitative Analyse der Interdependenzen. Zudem bietet sie Vorschläge für den
komplementären und komparativen Einsatz fortgeschrittener Analysealgorithmik.
Zur Beurteilung der Eignung der jeweiligen Lösung dienen Leitmerkmale, welche
die Bedürfnisse von Anwendern repräsentieren. Die Analyseergebnisse sind
schließlich auf ihren Beitrag zu den in der Dissertation erarbeiteten Anforderungen
an die kennzahlenbasierte Unternehmenssteuerung zu prüfen. Die Entwicklung und
Evaluierung der Methode erfolgt im Rahmen einer Fallstudie mit mehreren heterogenen Anwendungsfällen bei einem OEM der Automobilindustrie.
Die Forschungsergebnisse tragen dazu bei, die Vielzahl digitaler Lösungen zur Visualisierung von Daten mit dem größer werdenden Angebot an fortgeschrittenen
Analysemöglichkeiten zur Unterstützung kennzahlenbasierter Managementprozesse zusammenzuführen. Dem Grundgedanken der Kybernetik folgend, ermöglicht die Methode Fachanwendern die selbständige quantitative Analyse von Ursache-Wirkbeziehungen zwischen Kennzahlen innerhalb einzelner Prozesse sowie
prozess- und hierarchieübergreifend. Die Interpretation der Ergebnisse dient sodann
der Ergänzung von deren implizitem Wissen und folglich einer effektiveren und
effizienteren Prozesssteuerung.
Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:82805 |
Date | 02 January 2023 |
Creators | Burdensky, Daniel |
Contributors | Universität Leipzig |
Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
Language | German |
Detected Language | German |
Type | info:eu-repo/semantics/acceptedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0015 seconds