Woche 6 | Session 1: Analytics im SCM — Einführung & Big Data (6 Vs)

Kurs: Supply Chain Digitalisierung — Modul 3: Analytics im SCM

Session-Agenda

Was ist Analytics? — Definition & 4 Merkmale

Analytics in einem Satz: “Daten nutzen, um Modelle zu erstellen, die zu Entscheidungen führen, die Wert schaffen”

Ziel definieren: Vor jeder Analyse muss ein klares Ziel stehen. Welche Entscheidung versuche ich zu verbessern?
Daten sammeln: Daten sind die Grundlage aller Analytics. Ohne gute Daten ist keine Analyse möglich.
Daten bereinigen & verarbeiten: Rohdaten weisen oft Diskrepanzen, fehlende Werte und Fehler auf → müssen vor der Verwendung bereinigt werden
Modell erstellen: Statistisches Modell | KI/ML-Modell | Optimierungsmodell — muss dem ursprünglichen Ziel dienen
Modell testen & validieren: Sicherstellen, dass das Modell mit neuen Daten zuverlässig funktioniert, bevor es eingesetzt wird
Entscheidungen treffen: Das Modell bietet eine analytische Grundlage für die Wahl zwischen mehreren möglichen Entscheidungen
Implementieren & Wert schaffen: Die Entscheidung wird in der Organisation umgesetzt → muss messbaren Wert generieren

4 Hauptmerkmale von Analytics

Daten: Der Input — das Rohmaterial der Analytics
Modell: Der Motor — statistisch, KI/ML oder Optimierung
Entscheidung: Der Output — eine analytisch gestützte Wahl zwischen Alternativen
Wertschöpfung: Der Zweck — Analytics muss letztendlich der Organisation zugutekommen

Warum Daten wichtig sind — Globales Datenwachstum

Daten sind der wesentliche Treibstoff für Analytics. Ohne ausreichende, qualitativ hochwertige Daten — kein Modell, keine Entscheidung, kein Wert. Trend: Das globale Datenvolumen ist in den letzten 15 Jahren exponentiell gewachsen.

Erstellte, erfasste, kopierte & konsumierte globale Daten — 2010 bis 2025

Jahr	Globales Datenvolumen	Anmerkung
2010	1,2 Billionen GB	Basis — Internet wird Mainstream
2015	15,5 Billionen GB	~13-faches Wachstum in 5 Jahren — Verbreitung von mobilem Internet + Social Media
2020	59 Billionen GB	COVID beschleunigte die Digitalisierung → mehr Unternehmen wurden digital → mehr Daten generiert
2025 (prognostiziert)	175 Billionen GB	~146-mal mehr als 2010 in 15 Jahren. Exponentielles Wachstum angetrieben durch IoT, E-Commerce, KI und Social Media. (Quelle: Statista)

COVID-Effekt: Die Pandemie zwang zu massiver Digitalisierung über alle Branchen hinweg → mehr digitale Prozesse = mehr Daten
Wichtigste Implikation: Mit exponentiellem Datenwachstum kommt die Notwendigkeit, Big Data zu verstehen und damit umzugehen — daher das 6-Vs-Framework

Big Data — Das 6-Vs-Framework

Zweck: Die 6 Vs helfen, die Natur von Big Data in jedem Kontext zu charakterisieren und zu verstehen

Vier Haupt-Vs: Volume | Variety | Velocity | Variability → die 4 Säulen von Big Data
Zwei zusätzliche Vs: Value | Veracity → betreffen Qualität und Nützlichkeit der Daten

Die 6 Vs von Big Data — Definition und SCM-Beispiele

#	V	Definition	SCM-Beispiel(e)
1	Volume (Volumen)	Riesige Datenmenge erstellt, erfasst, kopiert und konsumiert	E-Commerce-Bestellungen: 24/7, weltweit, Millionen von Kunden → Suchdaten, Merklisten, Checkout, Adresse, Zahlungsmethode. Bestandszählung: ERP-Daten vs. physische Zählung.
2	Variety (Vielfalt)	Mehrere Datentypen und Quellen — Bild, Audio, Video, Text, numerisch	Kundenbewertungen: numerisch (Sternebewertung) + kategorisch (gut/schlecht) + Text (geschriebene Beschwerde) + Bild + Audio. Qualitätsprüfung: Bildanalyse vergleicht Chip-Fotos mit Benchmark. AGV im Lager: Videoanalysen.
3	Velocity (Geschwindigkeit)	Daten werden in sehr hoher Geschwindigkeit generiert — in Echtzeit	GPS-Tracking von Lkw: Breiten- + Längengrad jede Sekunde erfasst. Fahreraugenüberwachung: Bild der Augen jede Sekunde erfasst → Alarm wird ausgelöst, wenn keine Bewegung für 2-3 Minuten.
4	Variability (Variabilität)	Inkonsistenz innerhalb desselben Datentyps — Werte schwanken stark	Nachfragedaten für Elektronik: Spitzen während Diwali, fällt danach stark ab. Kundenverhalten hat die Nachfrage viel variabler gemacht.
5	Value (Wert)	Daten müssen nützlich sein — handlungsrelevante Erkenntnisse generieren	Nicht alle gesammelten Daten sind nützlich. Daten, die nicht zu besseren Entscheidungen oder organisatorischem Nutzen führen, sind Kosten, kein Vermögenswert.
6	Veracity (Wahrhaftigkeit)	Daten müssen genau sein und aus zuverlässigen Quellen stammen	Social Media liefert Echtzeitnachrichten in Sekunden — generiert aber auch Fehlinformationen. Garbage in → Garbage out: Wenn Eingabedaten falsch sind, ist auch der Modell-Output falsch.

Vertiefung der 6 Vs

V1 — Volume: Große Datenmenge

Beispiel 1: E-Commerce-Bestelldaten
- Millionen von Kunden weltweit → enormes Volumen, das jede Sekunde generiert wird
Beispiel 2: Bestandszählung im Lager
- Problem: ERP-System zeigt 10 Einheiten einer SKU → physische Zählung zeigt 9 oder 11
- Lösung: Regelmäßige physische Bestandszählung → physischen Bestand mit ERP abgleichen → generiert große Datensätze

V2 — Variety: Mehrere Datentypen & Quellen

Datentypen: Bild | Audio | Video | Text | Numerisch/Kategorisch

Beispiel 1: Kundenbewertungsdaten (Numerisch, Kategorisch, Text, Bild, Audio)
Beispiel 2: Bildanalyse zur Qualitätsprüfung (Mikrochip-Schaltkreise werden an der Produktionslinie fotografiert → mit Benchmark verglichen)
Beispiel 3: Videoanalyse zur Bestandszählung (Drohne mit Videokamera fliegt über alle Gänge → scannt QR-Codes)

V3 — Velocity: Daten werden in hoher Geschwindigkeit in Echtzeit generiert

Beispiel 1: GPS-Tracking von Lkw
- GPS erfasst Breiten- und Längengrad jede Sekunde → Echtzeit-Sichtbarkeit der Flotte
Beispiel 2: Überwachung der Fahreraugen
- Bild der Augen des Fahrers wird jede Sekunde erfasst → bei Nicht-Bewegung über 2-3 Minuten → Alarm ausgelöst

V4 — Variability: Inkonsistenz innerhalb der Daten

Definition: Derselbe Datentyp weist große Wertschwankungen auf — oft unvorhersehbar

Beispiel 1: Nachfragedaten — Elektronik
- Verkäufe während Festivals sehr hoch → fallen danach stark ab
Beispiel 2: FMCG-Beautyprodukte
- Ein Produkt, das sich letztes Jahr massenhaft verkauft hat, verkauft sich dieses Jahr möglicherweise schlecht

Variety vs. Variability — wichtige Unterscheidung

V	Was es bedeutet	Analogie	SCM-Beispiel
Variety (Vielfalt)	Verschiedene ARTEN von Daten — Bild, Audio, Video, Text, Zahlen	Verschiedene Früchte in einem Korb (Äpfel, Orangen, Bananen)	Kundenbewertung hat: numerische Bewertung + Text + Bild + Audiosuche
Variability (Variabilität)	Inkonsistenz INNERHALB einer Datenart — Werte ändern sich unvorhersehbar	Gleiche Fruchtart, aber unterschiedliche Reife, Größe, Süße	Nachfrage nach Elektronik: niedrig im Jan, sehr hoch im Okt, wieder niedrig im Nov

V5 — Value: Daten müssen nützlich sein

Definition: Generierte Daten müssen sich in organisatorischem Nutzen niederschlagen — bessere Entscheidungen, Kosteneinsparungen oder Umsatzwachstum
Wichtige Frage: “Welche Entscheidung ermöglichen diese Daten — und schafft diese Entscheidung Wert?”

V6 — Veracity: Daten müssen genau und vertrauenswürdig sein

Definition: Daten müssen aus zuverlässigen Quellen stammen und frei von Fehlern, Fälschungen oder Manipulationen sein
Grundprinzip: “Garbage in → Garbage out”
Verantwortung: Validieren Sie immer die Zuverlässigkeit der Datenquelle, prüfen Sie auf Anomalien und überprüfen Sie Daten, bevor Sie sie verwenden

Checkliste für Praktiker — Wie man die 6 Vs überwacht

#	V	Was vor der Verwendung von Daten zu prüfen ist
1	Volume	Ist der Datensatz groß genug, um ein zuverlässiges Modell zu erstellen? Habe ich ausreichend historische Daten?
2	Variety	Erfasse ich alle relevanten Datentypen? Reicht reiner Text oder benötige ich auch Bild-/Videodaten?
3	Velocity	Kann mein System Echtzeitdaten verarbeiten? Gibt es Latenzen bei der Datenerfassung?
4	Variability	Wie stabil sind diese Daten über die Zeit? Muss ich saisonale Spitzen oder Social-Media-getriebene Schwankungen berücksichtigen?
5	Value	Führt der Output meines Modells zu einer Entscheidung, die messbaren Wert schafft? Ist es wert, diese Daten zu sammeln?
6	Veracity	Woher stammen diese Daten? Ist die Quelle vertrauenswürdig? Wurde sie validiert?

Zusammenfassung der Session

Analytics in einem Satz: “Daten nutzen, um Modelle zu erstellen, die zu Entscheidungen führen, die Wert schaffen”
4 Analytics-Merkmale: Daten | Modell | Entscheidung | Wertschöpfung
Datenvolumen: 1,2 Billionen GB (2010) → 175 Billionen GB (2025 prognostiziert) — exponentielles Wachstum getrieben durch Digitalisierung und COVID
Big Data: Charakterisiert durch 6 Vs — Volume, Variety, Velocity, Variability (4 Hauptsäulen) + Value + Veracity
V1 Volume: E-Commerce-Bestelldaten (24/7 global) | Bestandszählungsdaten
V2 Variety: Kundenbewertungen (Text + Bild + Audio) | Chip-Qualitätsprüfung (Bildanalyse) | Drohnen-Bestandszählung (Videoanalyse)
V3 Velocity: GPS-Lkw-Tracking (sekundengenaue Ortung) | Überwachung der Fahreraugen (Echtzeit-Schläfrigkeitserkennung)
V4 Variability: Elektronik-Nachfrage (Diwali-Spitze) | FMCG-Beauty (Social-Media-getriebene Nachfrageschwankungen)
V5 Value: Daten müssen eine Entscheidung ermöglichen, die organisatorischen Nutzen schafft. Daten ohne Wert sind Kosten.
V6 Veracity: Daten müssen genau + aus vertrauenswürdigen Quellen sein. Garbage in → Garbage out.
Nächste Session: Arten von Analytics (Deskriptiv, Diagnostisch, Prädiktiv, Präskriptiv) + Anwendungen im SCM