TU Darmstadt / ULB / TUprints

Datenbasierte Entscheidungsunterstützung für das wertstromübergreifende Performance Management

Longard, Lukas Philipp (2024)
Datenbasierte Entscheidungsunterstützung für das wertstromübergreifende Performance Management.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00027662
Ph.D. Thesis, Primary publication, Publisher's Version

[img] Text
240711_Dissertation_Longard.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (5MB)
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Datenbasierte Entscheidungsunterstützung für das wertstromübergreifende Performance Management
Language: German
Referees: Metternich, Prof. Dr. Joachim ; Ramsauer, Prof. Dr. Christian
Date: 26 July 2024
Place of Publication: Darmstadt
Collation: XI, 187 Seiten
Date of oral examination: 2 July 2024
DOI: 10.26083/tuprints-00027662
Abstract:

Die Planung, Steuerung und Kontrolle eines Unternehmens gehören zu den Haupttätigkeiten der Unternehmensführung. Seit jeher sind diejenigen Unternehmen erfolgreich, die innovative Antworten auf sich verändernde Umgebungsbedingungen finden und somit ihre Performance kontinuierlich steigern können. Wesentliche Voraussetzung für die kontinuierliche Performancesteigerung ist ein Bewusstsein über die eigene Leistung, damit Verbesserungspotenziale erkannt und geeignete Maßnahmen definiert und umgesetzt werden können. Hierfür nutzen Unternehmen Performance Management Systeme (PMS). In der Praxis fällt es Unternehmen jedoch schwer, PMS gewinnbringend einzusetzen. Häufig sind Key Performance Indikatoren (KPIs) des Systems willkürlich gewählt und finanzielle KPIs übergewichtet. Darüber hinaus stehen meist das obere und mittlere Management im Fokus und die konsequente Kaskadierung von KPIs bis auf den Shopfloor bleibt aus. Zudem sind Ursache-Wirkungsbeziehungen und Zusammenhänge zwischen den einzelnen KPIs oft unklar, was zu unpassenden Entscheidungen und Suboptimierungen einzelner Abteilungen führen kann. Letztlich fehlt es den Mitarbeitenden am Wissen und den entsprechenden Tools, um KPIs zu interpretieren, komplexe Zusammenhänge zu verstehen und die richtigen Maßnahmen zu ergreifen. Im Zusammenhang mit der fortschreitenden Digitalisierung ist aus Literatur und Praxis ein deutlicher Handlungsbedarf zur Entwicklung einer Entscheidungsunterstützung für das operative Performance Management identifizierbar.

Das Ziel der Forschungsarbeit ist die wissenschaftlich fundierte Weiterentwicklung des Performance Managements hin zu einem wertstromübergreifenden Ansatz durch den Einsatz von Data Mining Methoden. Zur Zielerreichung wird in dieser Arbeit der Forschungsprozess der Design Research Methodology eingesetzt. Hierzu werden zunächst Defizite von PMS auf Basis einer Literaturrecherche identifiziert und anschließend in einer Kano-Umfrage in der Industrie in Anforderungen überführt. Aus den Anforderungen werden anschließend Assistenzfunktionen hergeleitet und systematisch das Entscheidungsunterstützungssystem (EUS) entwickelt. Um eine erfolgreiche Umsetzung des EUS in der Praxis realisieren zu können, wird eine Methode entwickelt, welche den Einsatz des Systems vorbereitet und dabei auf Spezifika des betrachteten Unternehmens eingeht. Abschließend wird die entwickelte Methode und das EUS in verschiedenen Unternehmen validiert und evaluiert.

Das entwickelte EUS ist in der Lage, zeitverzögerte und nicht-zeitverzögerte Zusammenhänge zwischen KPIs zu erkennen, diese automatisch zu filtern und zu priorisieren und nutzt diese in Form eines dynamischen Warn- sowie eines statischen Expertensystems. Dadurch unterstützt es Fach- und Führungskräfte bei der täglichen Entscheidungsfindung und schafft es, das häufig reaktive Abweichungsmanagement hin zu einem proaktiveren Ansatz weiterzuentwickeln. Um dies zu erreichen, werden unterschiedliche Data Mining Techniken verwendet und anschließend in einem Optimierungsmodell zeitverzögerte Zusammenhänge identifiziert. Bei der prototypischen Anwendung des Systems in der Industrie zeigt sich, dass die Qualität der KPI-Daten einen entscheidenden Einfluss auf den Erfolg hat. Die entwickelte Methode zur Operationalisierung des EUS im Performance Management gewährleistet mittels ihres schrittweisen Ansatzes eine präzise Erfassung der relevanten KPIs. Diese Kennzahlen werden systematisch auf die verschiedenen Bereiche des Wertschöpfungsprozesses heruntergebrochen, wodurch eine verbesserte Qualität der zugrundeliegenden Eingangsdaten für das EUS gewährleistet wird.

Alternative Abstract:
Alternative AbstractLanguage

The planning, management and control of a company are among the main activities of corporate management. Companies that have always been successful are those that find innovative answers to changing environmental conditions and are thus able to continuously improve their performance. An essential prerequisite for the continuous improvement of performance is an awareness of one's own performance so that potential for improvement can be recognised and suitable measures can be defined and implemented. Companies use performance management systems (PMS) for this purpose. In practice, however, companies find it difficult to utilise PMS profitably. The system's key performance indicators (KPIs) are often chosen arbitrarily and financial KPIs are overweighted. In addition, the focus is usually on upper and middle management and there is no consistent cascading of KPIs down to the shop floor. Moreover, cause-and-effect relationships and connections between the individual KPIs are often unclear, which can lead to unfitting decisions and sub-optimisation of individual departments. Ultimately, employees lack the knowledge and appropriate tools to interpret KPIs, understand complex relationships and take the right measures. In the context of advancing digitalisation, a clear need for action to develop decision support for operational performance management can be identified from literature and practice.

The aim of the research work is the scientifically sound further development of performance management towards a cross-value stream approach through the use of data mining methods. The process of the Design Research Methodology is used in this thesis to achieve the objective. To this end, PMS deficits are first identified on the basis of a literature review and then translated into requirements in a Kano survey in the industry. Assistance functions are then derived from the requirements and the decision support system (DSS) is systematically developed. In order to realise a successful implementation of the DSS in practice, a method is developed which prepares the use of the system and takes into account the specifics of the company under consideration. Finally, the developed method and the DSS are validated and evaluated in various companies.

The DSS developed is capable of recognising time-delayed and non-time-delayed correlations between KPIs, automatically filtering and prioritising them and using them in the form of a dynamic warning system and a static expert system. In this way, it supports specialists and managers in their daily decision-making and manages to develop the often reactive deviation management into a more proactive approach. To achieve this, various data mining techniques are used, and then time-delayed correlations are identified in an optimisation model. The prototype application of the system in industry showed that the quality of the KPI data has a decisive influence on success. The developed method for operationalising the DSS in performance management ensures precise recording of the relevant KPIs thanks to its step-by-step approach. These KPIs are systematically broken down into the various areas of the value creation process, which ensures improved quality of the underlying input data for the DSS.

English
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-276627
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
600 Technology, medicine, applied sciences > 650 Management
600 Technology, medicine, applied sciences > 670 Manufacturing
Divisions: 16 Department of Mechanical Engineering > Institute of Production Technology and Machine Tools (PTW)
16 Department of Mechanical Engineering > Institute of Production Technology and Machine Tools (PTW) > CiP Center for industrial Productivity
Date Deposited: 26 Jul 2024 12:13
Last Modified: 30 Jul 2024 13:18
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/27662
PPN: 520201302
Export:
Actions (login required)
View Item View Item