Daten sind das neue Öl – dieser Vergleich gilt für die chemische Industrie nur bedingt. Ohne den klassischen Rohstoff werden die Produkte der Branche auch in Zukunft nicht auskommen. Dennoch basiert auch die Wertschöpfung von Chemieunternehmen zunehmend auf Daten. Digitalisierungsansätze können zu mehr Transparenz und Steuerbarkeit in Unternehmensprozessen beitragen. Um klassische industrielle Geschäftsprozesse auf eine datengetriebene Ebene zu heben, hat die Fraunhofer-Arbeitsgruppe für Supply Chain Services SCS einen Referenzprozess entwickelt.

Der Referenzprozess zeigt in vier Schritten modellhaft auf, wie Unternehmen mit Daten Mehrwert generieren können und welche Kompetenzen für eine erfolgreiche Transformation notwendig sind.
Ein Blick in die zahlreichen aktuellen Trendstudien verheißt für die nächsten 10 - 20 Jahre eine schöne neue Logistikwelt: hoch automatisiert und intelligent. Das Ziel einer nahtlosen, transparenten und untereinander abgestimmten Zusammenarbeit von Verlader, Dienstleister und Kunden wird damit auch in der chemischen Industrie zumindest perspektivisch möglich. Der Einsatz von digitalen Lösungen soll neben der Kostensenkung vor  allem zur Produktivitätssteigerung und Qualitätssicherung beitragen. Doch wie können diese Ziele erreicht werden?
Im Zentrum der datengetriebenen Supply Chain stehen zunächst einmal die im Unternehmen generierten und verarbeiteten Daten selbst. Sie stellen die Grundlage jedes Digitalisierungsansatzes auf Prozessebene dar. Dabei müssen die verschiedenen Datenquellen – innerhalb wie außerhalb des Unternehmens – verfügbar gemacht, strukturiert, integriert und geordnet werden.
Die aktuell noch hohe Bedeutung einzelner relationaler Datenbanken sowie Verwaltungs- oder ERP-Systeme verschiebt sich zunehmend zum Datum selbst: nicht mehr funktionierende, in sich geschlossene Einzelsysteme sind erfolgsentscheidend, sondern die interpretierte Nutzung der Daten im vernetzten Gesamtsystem. So kann z. B. die Verknüpfung von Datenquellen mit Linked Data-Ansätzen dabei helfen, die Verfügbarkeit der Daten zu steigern und die bestehenden Insellösungen zu überwinden.

„Digitale Lösungen sollen vor allem zur
Produktivitätssteigerung und Qualitätssicherung beitragen.“

Schritt 1 – Identifikation von Anwendungsfällen
Auf dieser Basis erfolgt der erste Schritt im Bereich der Geschäftsstrategie: Die Kernfrage dabei lautet, welche Use-Cases die größten Verbesserungspotenziale bieten. Je nachdem, welche Daten zur Verfügung stehen, gilt es, Anwendungsfälle strukturiert zu beschreiben und nach ihrem Nutzenpotenzial sowie der technischen und organisatorischen Umsetzbarkeit zu bewerten.
Neben der naheliegenden Nutzung von Daten in ihrem jeweiligen Entstehungsumfeld ist dabei v. a. der Einsatz in anderen Unternehmensbereichen zu prüfen. So können ERP-Daten nicht nur im Beschaffungs- und Produktions-, sondern ggfs. auch im Vertriebs- und After-Sales-Bereich eingesetzt werden, um bspw. Kunden frühzeitig über Engpässe in der Lieferkette zu informieren. Üblicherweise können mehrere solcher Use-Cases identifiziert werden, die sich nach einer entsprechenden Bewertung in eine Umsetzungsroadmap überführen lassen.

Schritt 2 – Modellentwicklung
Für die in der Roadmap hoch priorisierten Anwendungsfälle wird nun eine passende Lösung definiert. Dazu müssen geeignete Verfahren ausgewählt und mit den entsprechenden Daten hinterlegt werden. Neben den üblichen deskriptiven Methoden zur Visualisierung und Auswertung von Vergangenheitsdaten sind dabei insbesondere prädiktive und präskriptive Verfahren relevant. Diese richten den Blick in die Zukunft und erlauben auf Basis der bestehenden Daten eine Ableitung von Entwicklungspfaden und Handlungsvorschlägen.
Neben den typischen Lösungen im Predictive Maintenance-Umfeld von Produktionsanlagen sind hier z. B. auch Ansätze zur Prognose von Einkaufspreisen im Rohstoff- oder Transportbereich denkbar. Dazu müssen die im Unternehmen vorhandenen Daten jedoch häufig mit externen Daten kombiniert werden, wie Marktentwicklungen oder Wettervorhersagen. Am Ende dieses Schrittes steht die Beschaffung und Harmonisierung der für das entwickelte Modell relevanten Daten.

Schritt 3 – Optimierung und Prognose
Neben der Auswahl und dem Vergleich verschiedener Prognose- und Optimierungsalgorithmen steht hier die Bewertung der ermittelten Ergebnisse im Vordergrund: Ob Maschinenrüstzeiten in der Produktion oder Transportmengen bei der Frachtendisposition, die durch den datengetriebenen Ansatz ermittelten Pläne und Kennzahlen müssen dem Vergleich mit der im Unternehmen etablierten Herangehensweise standhalten. Die digitale Lösung sollte hier einen merklichen Nutzen im Bereich Kosten- oder zumindest Zeitersparnis liefern.
Anschließend muss die entwickelte Lösung als technischer Prototyp in Prozesse implementiert und auf Funktion und Nutzen überprüft werden. Für die erfolgreiche Einführung eines operativen Systems ist auch die Einbindung und Befragung des letztendlichen Nutzers – also die Berücksichtigung des Faktors Mensch – essenziell. Nur wenn Mitarbeiter oder Kunden tatsächlich einen Mehrwert durch die neue Lösung erkennen, ist der Einsatz im Tagesgeschäft garantiert.

Schritt 4 – Entscheidungsvorgabe
Im letzten Schritt werden Entscheidungen bzgl. der Einbindung der neuen Lösung in den operativen Geschäftsprozess getroffen, z. B. die Kosten für ein unternehmensweites Ausrollen der Lösung ermittelt, der Business Case bzw. ein passendes Geschäftsmodell definiert oder Entscheidungsvorlagen für die Unternehmensleitung erstellt.
Im Rahmen von Digitalisierungsprojekten ist das Projektteam häufig auch mit der Frage nach der grundlegenden Rolle des eigenen Unternehmens in einem erweiterten Ökosystem aus Datenanbietern, IT-Dienstleistern oder Plattformbetreibern konfrontiert. Die damit verbundene Make/Buy- bzw. Insourcing/Outsourcing-Entscheidung ist stark von der Verortung der eigenen Kernkompetenzen abhängig und fließt damit wieder in die Weiterentwicklung der Geschäftsstrategie ein. Diese bringt wiederum neue Anwendungsfälle hervor und schließt damit den Kreislauf der digitalen Transformation.

Fazit
Der Blick auf die aktuellen Entwicklungen im Bereich der Chemielogistik zeigt, dass zahlreiche Aktivitäten an der einen oder anderen Stelle dieses generischen Referenzprozesses ansetzen. Damit bleibt weniger die Frage ob, sondern wie und durch wen die zukünftigen Supply Chains datentechnisch transparent werden. Ein sukzessives Vorgehen mit konkreten Use-Cases scheint dabei deutlich erfolgversprechender zu sein als von Anfang an alle Stufen, Akteure und Prozesse umfassende, End-to-End integrierte Lösungen.