26
© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Was man von Banken lernen kann Mehr Transparenz durch Data Mining Andreas Varwig, Fabian Kehle | MHPBoxenstopp: 09.07.2013

Mehr Transparenz durch Data Mining

Embed Size (px)

DESCRIPTION

Was wir von Banken lernen können. Zur effektiven Steuerung der eigenen Business Units ist eine genaue Leistungsanalyse unabdingbar. Jedoch verfügt heute kaum ein Unternehmen über adäquate Instrumente, um umfassende Auswertungen durchzuführen und konkrete Handlungsempfehlungen bereitstellen zu können. Durch den Einsatz moderner Data Mining Verfahren kann dieses Problem bald der Vergangenheit angehören. Sie bieten die Möglichkeit zur umfassenden Leistungsmodellierung und Entwicklung von zielkonformen Benchmarking-Systemen. Was Sie in diesem MHPBoxenstopp erwartet: - Das Konzept im Überblick - Modernes Benchmarking am Fallbeispiel - Potential und Einsatzmöglichkeiten

Citation preview

Page 1: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH

Was man von Banken lernen kann

Mehr Transparenz durch Data Mining

Andreas Varwig, Fabian Kehle | MHPBoxenstopp: 09.07.2013

Page 2: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 3

Modulare Erweiterungen zur Optimierung der Produktion

www.youtube.de/MHPProzesslieferant

Weitere MHPBoxenstopps

Agenda

Wo Sie uns in 2013 auch finden können…

www.mhp.de/Events

www.mhp.com/de/Events

Zu Anfang sind alle Teilnehmer auf stumm geschalten.

MHPBoxenstopp: Mehr Transparenz durch Data Mining

16.07.2013 Chancen und Herausforderungen Social Media hat auch Einfluß auf Ihr Marketing, Sales und CRM

von Social Media für Ihr Business

16.07.2013 Step by step zum erfolgreichen Mit der MHP Business Solution für Projekt- und

Projektmanagement Portfoliomanagement in SAP

23.07.2013 IT Service Management - Optimale Unterstützung Ihrer geschäftskritischen Prozesse

Qualität made in Germany

13.00 – 13.10 Uhr Begrüßung Fabian Kehle

13.10 – 13.45 Uhr Vortrag Andreas Varwig

13.45 – 14.00 Uhr Offene Fragerunde Sie können bereits während der Web Session über die

Chatfunktion im rechten Fenster Fragen einreichen.

TelKo Einwahlnummer Einwahlnummer Schweiz: +41 44 583 1925

Einwahlnummer Deutschland: +49 711 96 59 96 13

Teilnehmer PIN- Code: 42538759 mit Raute- Taste

bestätigen

www.mhp.com/de/Events

17. – 19.09.2013 DSAG Jahreskongress 2013 in Nürnberg

Page 3: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 4

Ihre Gesprächspartner

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Fabian Kehle

Consultant

Produkt- und

Innovationsmanagement

Andreas Varwig

Consultant

Business Intelligence

Page 4: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 5

Kennzahlen

MHPBoxenstopp: Mehr Transparenz durch Data Mining

0

100

200

300

400

500

600

700

800

900

96 97 98 99/0000/0101/0202/0303/0404/0505/0606/0707/0808/09 10 11 12

Mitarbeiter (aktuell über 850)

0

25

50

75

100

125

150

96 97 98 99/0000/0101/0202/0303/0404/0505/0606/0707/0808/09 10 11 12

Umsatz (in Mio. Euro)

Page 5: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 6

Mieschke Hofmann und Partner (MHP)

A Porsche Company

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Management- und Prozessberatung

Projekt- und Programmmanagement

IT-Beratung und Systemintegration

Individualentwicklung und Technologie

Application Management

Business Solutions

Die Leistung

Der Unterschied

Symbiose aus Prozess- + IT-Beratung l Prozesslieferant l Excellence l Automotive l Kunden

Die Kompetenz

Ganzheitliches Beratungsportfolio über die gesamte Wertschöpfungskette

Technology

Services

Application

Mgmt.

Services

Product

Lifecycle

Mgmt.

Supply

Chain

Mgmt.

Production

& Opera-

tions Mgmt.

Customer

Relations

Mgmt.

Finance &

Controlling

Business

Intelligence

After

Sales

Retail

Consulting

Human

Capital

Mgmt.

Page 6: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 7

Ganzheitliches Beratungsportfolio über die komplette Wertschöpfungskette

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Technology

Services

Application

Mgmt.

Services

Product

Lifecycle

Mgmt.

Supply

Chain

Mgmt.

Production

& Opera-

tions Mgmt.

Customer

Relations

Mgmt.

Finance &

Controlling

Business

Intelligence

After

Sales

Retail

Consulting

Human

Capital

Mgmt.

Innovations Connected

Vehicle

Sustainable

Mobility Cloud Compute Social Business Mobile Business

Real-time

Business

Production

Planning

Strategic

Production

Consulting

Lean Production

Manufacturing

Execution

Maintenance

SAP Dealer

Business

Management

Retail

Consulting

SAP FI / CO for

car distribution

groups

Payroll & Time

Management

Personnel

Administration

Self Services

Talent

Management

Organization

Management &

Cost Planning

Governance,

Risk and

Compliance

Template

Development

and Rollouts

Business

Process

Development &

Optimization

Legal and Fiscal

Requirements

Accounts,

Reporting and

Consolidation

System

Harmonization

CIO

Management

Consulting

Enterprise

Content

Management

Standard

Software

Individual

Software

Application &

Process Services

Application

Management

Consulting

Product

Structure

Management

Product

Development

Process (PDP)

Management

SAP PLM

Consulting &

Solution

Implementation

PTC Windchill

Solution

Integration

DS Enovia V6

Solution

Integration

PLM Strategy &

Management

Consulting

Production

Logistics

Procurement &

Quality

Sales Logistics

Service

Management

Spare Parts

Management

Supply Chain &

Demand

Planning

Service

Management

Spare Parts

Management

Warranty

Processes

(Pro-active)

Complaint

Management

Campaign

Management

Sales Force

Automation

Cross-functional

/ Data Quality

Management

Vertical Retail

Integration

(Pro-active)

Complaint

Management

SAP CRM

Consulting &

Solution

Implementation

BI Technology

BI Strategy

Integrated

Corporate

Planing

Analytical

Business

Processes

Next Generation

BI & BIG DATA

Mobile BI

Scenarios

Data Mining

Page 7: Mehr Transparenz durch Data Mining

Agenda

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 8

1 Notwendigkeit neuer Benchmarking-Instrumente

2 Potentiale des modernen Data Mining

3 Die MHP-Lösung am Fallbeispiel

4 Unsere Lösung, ihr Nutzen!

Page 8: Mehr Transparenz durch Data Mining

Agenda

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 9

1 Notwendigkeit neuer Benchmarking-Instrumente

2 Potentiale des modernen Data Mining

3 Die MHP-Lösung am Fallbeispiel

4 Unsere Lösung, ihr Nutzen!

Page 9: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 10

Mit stetig steigender Wettbewerbsintensität und Prozesskomplexität

nehmen auch die Anforderungen an Leistungsanalyseverfahren zu

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Page 10: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 11

Bisherige Benchmarking-Instrumente vernachlässigen Unterschiede

zwischen Produktionsstandorten und liefern selten konkrete Ergebnisse

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Ihre Ausgangssituation

Effektives Benchmarking und nachhaltige Prozessoptimierungen werden immer

notwendiger

Umfassendes Benchmarking scheitert häufig an der mangelnden Vergleichbarkeit der

eigenen Business Units

Die bisher verfügbaren Benchmarking-Instrumente sind mühsam zu konfigurieren und

kaum intuitiv verständlich

Analysen weisen oft Defizite aus ohne konkrete Verbesserungspotenziale aufzuzeigen

Standardlösungen vernachlässigen leistungsrelevante Rahmenbedingungen

Page 11: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 12

Auch in komplexen Prozessen schlummern Optimierungspotentiale, die es

zu entdecken gilt!

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Zielbild einer umfassenden Benchmarking-Lösung

Verbesserung der Transparenz von Leistungen und Prozessabläufen

Ganzheitliche Leistungsmodellierung und Analysen im Einklang mit der

Unternehmensstrategie

Beschleunigung von Entscheidungen durch Verdichtung von Informationen

Bereitstellung eindeutiger und reproduzierbarer Analyseergebnisse

Identifikation von objektiven und konkreten Zielwerten

Page 12: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 13

Performanz und Effizienz sind selten auf den ersten Blick zu erkennen!

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Standort A Standort B Standort C

Personalaufwand 280 T€ 240 T€ 340 T€

Maschinen- und

Werkzeugbudget 22 T€ 21 T€ 20 T€

Ertrag 335 T€ 310 T€ 325 T€

Produktionsfläche 12000 m² 9000 m² 11000 m²

Kundenpotential-

Index 4800 4018 4800

Wer ist besser?

Page 13: Mehr Transparenz durch Data Mining

Agenda

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 14

1 Notwendigkeit neuer Benchmarking-Instrumente

2 Potentiale des modernen Data Mining

3 Die MHP-Lösung am Fallbeispiel

4 Unsere Lösung, ihr Nutzen!

Page 14: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 15

Moderne Data Mining Verfahren ebnen den Weg zu flexiblen

Benchmarking-Lösungen

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Benchmarking-Tool

Titel der Untersuchung: Ertrags-Optimierung

Modellart: Normale DEA, variable Skalenerträge

Zielgewichte vorhanden: nein

Inputs Outputs Rang

Pers.Kosten Werkz.-Budget Ertrag A Ertrag B

Filiale Benchmark Benchmark Benchmark BenchmarkSteigerungs-

potentialBenchmark

Steigerungs-

potentialBenchmark

Steigerungs-

potential

Filiale 1 280.000 22.000 - 185.000 - 150.000 - - - 8

Filiale 2 260.000 16.000 - 180.000 - 200.000 - - - 1

Filiale 3 290.642 19.827 - 176.569 16.569 182.087 17.087 - - 12

Filiale 4 300.000 18.000 - 170.000 - 210.000 - - - 7

Filiale 5 260.000 16.389 - 164.432 9.432 170.811 30.811 - - 11

Filiale 6 277.490 21.000 - 171.862 1.862 147.834 2.834 - - 9

Filiale 7 260.000 16.016 - 179.351 74.351 198.784 63.784 - - 15

Filiale 8 289.268 17.463 - 172.683 57.683 207.317 57.317 - - 13

Filiale 9 220.000 22.000 - 140.000 - 165.000 - - - 2

Filiale 10 400.000 20.000 - 180.000 - 190.000 - - - 3

Filiale 11 260.000 19.000 - 130.000 - 115.000 - - - 4

Filiale 12 240.000 20.716 - 147.376 2.376 167.704 2.704 - - 10

Filiale 13 260.000 17.000 - 140.000 - 125.000 - - - 5

Filiale 14 280.000 14.000 - 110.000 - 130.000 - - - 6

Filiale 15 277.417 19.000 - 179.904 54.904 180.934 80.934 - - 14

Kumulierter Ertrag vor der Optimierung:

Kumulierter Ertrag nach der Optimierung:

2.427.058,12 € Steigerungspotential: 2.540.589,78 €

4.967.647,90 €

Konfiguration

Preisvektoren vorhanden: nein

Rahmendaten: ja

Das MHP Benchmarking-Tool ist ein neues

Instrument, welches die Flexibilität und

Genauigkeit moderner Data Mining

Verfahren ausnutzt

Die Analysemechanismen basieren auf

Methoden der Data Envelopment Analysis

und linearer Optimierung

Schon mittels des Excel-Prototyps sind

komplexe Analysen durchzuführen

Die Algorithmen können plattform-

unabhängig umgesetzt und in bestehende

Informationssysteme eingebunden werden

Page 15: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 16

... schafft Vergleichbarkeit zwischen verschiedenen Standorten und Business Units.

... ist gleichermaßen auf simple und komplexe Prozesse anwendbar.

... identifiziert konkrete Verbesserungspotenziale.

... unterstützt die Ableitung nachhaltiger Verbesserungsmaßnahmen.

... vereinfacht und objektiviert Planungsprozesse.

... sorgt für hohe Akzeptanz in allen involvierten Abteilungen.

Unser innovatives Benchmarking-Konzept…

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Page 16: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 17

• Erhöhung der Transparenz

• Methodische Identifikation von Peer-Groups

• Stützung von Anreizsystemen Performance Rankings

• Identifikation von erreichbaren Benchmarks

• Ermittlung der Prozesseffizienz

• Optimierung von Durchlaufzeiten

Prozesscontrolling &

-optimierung

• Strategiekonforme Kundensegmentierung

• Produktspezifische Absatzpotentiale

• Filialrankings Vertriebssteuerung

• Intuitiv verständliche Leistungskennzahlen

• Marktpotentialanalysen

• Objektivierung von Entscheidungsprozessen

Management-

Informationssysteme

Die Einsatzmöglichkeiten sind vielfältig

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Page 17: Mehr Transparenz durch Data Mining

Agenda

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 18

1 Notwendigkeit neuer Benchmarking-Instrumente

2 Potentiale des modernen Data Mining

3 Die MHP-Lösung am Fallbeispiel

4 Unsere Lösung, ihr Nutzen!

Page 18: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 19

Die 4 Phasen unseres innovativen Benchmarking-Ansatzes

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Benchmarking

Konfiguration des Tools

und Anbindung der

Datenbasis

Validierung der

Datenqualität

Erwartungsabgleich und

Rekalibrierung der

Zielfunktionen

Klassifizierung in

effizienten und

ineffiziente Vergleichs-

objekte

Ergebnisanalyse

Bestimmung

individueller Peer-

Groups

Ermittlung des

konkreten

Optimierungspotenzials

in allen Zielgrößen

Ableiten von

Maßnahmen zur

Leistungsverbesserung

Strategie-

Umsetzung

Einbettung des Analyse-

Tools und der

definierten

Auswertungen in

bestehende

Informationssysteme

Begleitung bei der

Maßnahmenumsetzung

Festlegung des

Leistungsbegriffs

Definition der

Leistungsziele

Auswahl geeigneter

Leistungsindikatoren

Identifikation der

leistungsbeeinflussende

n Rahmenbedingungen

Sicherstellung der

Datenverfügbarkeit

Modellierung der Input-

Output-Schemata

Page 19: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 20

Ausgangswerte Zielwerte

Stand-

ort

Kosten

gesamt

Ertrag

Vertrieb

Ertrag

Service Effizient

Kosten

gesamt

Ertrag

Vertrieb

Ertrag

Service

A 5 6 1

B 5 2,5 1,5

C 5 1 2,75

D 5 5 3

E 5 3 3

F 5 3 5

G 5 1 6

∑ 35 21,5 22,25

Möglicher Gewinn:

Die Grundidee des Analyseverfahrens

MHPBoxenstopp: Mehr Transparenz durch Data Mining

G C

B F E

D

A

0

1

2

3

4

5

6

7

0 1 2 3 4 5 6 7

Ert

rag

au

s P

rod

uktv

ert

rieb

Ertrag aus Serviceleistungen

Beispielwerte im Diagramm

Unterstellt man einen stark vereinfachten Produktionsprozess, lässt sich die Funktionsweise des

Analsyseverfahrens leicht an einer grafischen Darstellung verdeutlichen.

Beispielprozess zur Analyse

Ausgangswerte Zielwerte

Stand-

ort

Kosten

gesamt

Ertrag

Vertrieb

Ertrag

Service Effizient

Kosten

gesamt

Ertrag

Vertrieb

Ertrag

Service

A 5 6 1

B 5 2,5 1,5

C 5 1 2,75

D 5 5 3

E 5 3 3

F 5 3 5

G 5 1 6

∑ 35 21,5 22,25

Möglicher Gewinn:

Grafische Darstellung der Beispielwerte

Page 20: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 21

Identifikation von individuellen und konkreten Zielwerten

MHPBoxenstopp: Innovatives Benchmarking

Ausgangswerte Zielwerte

Stand-

ort

Kosten

gesamt

Ertrag

Vertrieb

Ertrag

Service Effizient

Kosten

gesamt

Ertrag

Vertrieb

Ertrag

Service

A 5 6 1 5 6 1

B 5 2,5 1,5 5 5 3

C 5 1 2,75 5 2 5,5

D 5 5 3 5 5 3

E 5 3 3 5 4 4

F 5 3 5 5 3 5

G 5 1 6 5 1 6

∑ 35 21,5 22,25 35 26 27,5

Möglicher Gewinn: 9,75

A

C

B,D

E

F

G

0

1

2

3

4

5

6

7

0 1 2 3 4 5 6 7

Ert

rag

au

s P

rod

uktv

ert

rieb

Ertrag aus Serviceleistungen

Beispielwerte im Diagramm

Konkrete Zielwerte des Beispielprozesses Identifikation der Benchmarks

Anhand der verfügbaren Vergleichsdaten wird eine Effizienzgrenze geschätzt, welche die

Gesamtheit der erreichbaren Zielwerte widerspiegelt. Durch die Projektion der ineffizienten

Vergleichsobjekte auf diese Grenze, können objektive Individualziele und die vergleichbaren

Peers bestimmt werden.

Page 21: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 22

Effizienzauswertung in der Gesamtsicht

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Benchmarking-Tool

Titel der Untersuchung: Ertrags-Optimierung

Modellart: Normale DEA, variable Skalenerträge

Zielgewichte vorhanden: nein

Inputs Outputs Rang

Pers.Kosten Werkz.-Budget Ertrag A Ertrag B

Filiale Benchmark Benchmark Benchmark BenchmarkSteigerungs-

potentialBenchmark

Steigerungs-

potentialBenchmark

Steigerungs-

potential

Filiale 1 280.000 22.000 - 185.000 - 150.000 - - - 8

Filiale 2 240.000 20.716 - 147.376 2.376 167.704 2.704 - - 10

Filiale 3 290.642 19.827 - 176.569 16.569 182.087 17.087 - - 12

Filiale 4 300.000 18.000 - 170.000 - 210.000 - - - 7

Filiale 5 260.000 16.389 - 164.432 9.432 170.811 30.811 - - 11

Filiale 6 277.490 21.000 - 171.862 1.862 147.834 2.834 - - 9

Filiale 7 260.000 16.016 - 179.351 74.351 198.784 63.784 - - 15

Filiale 8 289.268 17.463 - 172.683 57.683 207.317 57.317 - - 13

Filiale 9 220.000 22.000 - 140.000 - 165.000 - - - 1

Filiale 10 400.000 20.000 - 180.000 - 190.000 - - - 2

Filiale 11 260.000 19.000 - 130.000 - 115.000 - - - 3

Filiale 12 260.000 16.000 - 180.000 - 200.000 - - - 4

Filiale 13 260.000 17.000 - 140.000 - 125.000 - - - 5

Filiale 14 280.000 14.000 - 110.000 - 130.000 - - - 6

Filiale 15 277.417 19.000 - 179.904 54.904 180.934 80.934 - - 14

Kumulierter Ertrag vor der Optimierung:

Kumulierter Ertrag nach der Optimierung:

Konfiguration

Preisvektoren vorhanden: nein

Rahmendaten: ja

2.427.058,12 € Steigerungspotential: 2.540.589,78 €

4.967.647,90 €

Page 22: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 23

Individuelle Auswertungen nach Standorten (1)

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Benchmarking (Detailauswertung)

Titel der Untersuchung:

Konfiguration

Modellart:

Modellorientierung:

Zielgewichte vorhanden:

Auswertung für:

Inputs Outputs

Faktoren Aktueller Wert Benchmark Dif. In % Faktoren Aktueller Wert Benchmark Dif. In %

Pers.Kosten 340.000 290.642 -15% Ertrag A 160.000 176.569 10%

Werkz.-Budget 20.000 19.827 -1% Ertrag B 165.000 182.087 10%

- - - -

Ertragsoptimierung

Normale DEA, variable SE Preisvektoren vorhanden: nein

Outputorientiert Rahmendaten: ja

nein Faktortypen in der Untersuchung: Absolute Werte

Filiale 3 Effizienzscore: 1,10

-15%-1%

0% 10% 10% 0%

-100%-75%-50%-25%

0%25%50%75%

100%

Pers.K

oste

n

Werk

z.-

Bud

get

Ertrag

A

Ertrag

B

Änderungspotential

46%

0% 0%

54%

0% 0% 0% 0% 0% 0% 1% 0% 0% 0% 0%0%

20%

40%

60%

80%

100%

Filia

le 1

Filia

le 2

Filia

le 3

Filia

le 4

Filia

le 5

Filia

le 6

Filia

le 7

Filia

le 8

Filia

le 9

Filia

le 1

0

Filia

le 1

1

Filia

le 1

2

Filia

le 1

3

Filia

le 1

4

Filia

le 1

5

Anteile zur Benchmarkberechnung

Page 23: Mehr Transparenz durch Data Mining

Agenda

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 24

1 Notwendigkeit neuer Benchmarking-Instrumente

2 Potentiale des modernen Data Mining

3 Die MHP-Lösung am Fallbeispiel

4 Unsere Lösung, ihr Nutzen!

Page 24: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 25

Unsere innovative Benchmarking-Lösung ermöglicht die umfassende,

zielgerichtete und nachhaltige Bewertung und Steuerung ihrer Prozesse.

MHPBoxenstopp: Mehr Transparenz durch Data Mining

MHP Lösung

Identifikation von Verbesserungspotentialen zur zielgerichteten, nachhaltigen

Prozessoptimierung

Einbindung in bestehende Informationssysteme

Begleitung bei der Strategieumsetzung

Ihr Nutzen

Maßgeschneiderte Leistungsanalysen unterschiedlicher Prozesse anhand einer einzigen

Lösung

Mehr Transparenz in und Akzeptanz von Leistungsanalysen

Schaffung von Vergleichbarkeit unterschiedlicher Business Units durch Berücksichtigung

individueller Rahmenbedingungen

Page 25: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 26

Die Vorzüge unserer Lösung im Überblick

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Eindeutige Leistungsindikatoren

Identifikation und

Quantifizierung von

Ineffizienzen

Heben ungeahnter

Potenziale

Intuitive Verständlichkeit

der Ergebnisse

Zeitnahe und

reproduzierbare

Leistungsanalysen

Konkrete und objektive Ziele

Abkehr von pauschalen

Wachstumszielen

Kalkulation individueller

und erreichbarer Ziele

Schaffung von Vergleich-

barkeit durch eine einzelne

Performance-Kennzahl

Förderung der Akzeptanz

auf operativer Ebene

Dynamische Analysen

Strategiekonforme, flexible

Prozessmodellierung und

–auswertung

Simultane Optimierung

mehrdimensionaler Ziele

Berücksichtigung

verschiedener Rahmen-

bedingungen

Einfache Modifizierbarkeit

der Bewertungsmodelle

Page 26: Mehr Transparenz durch Data Mining

© 2013 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 27

MHP Kontaktadressen:

Andreas Varwig

Consultant

Business Intelligence

Telefon: +49 (0)89 3608 9089

Mobil: +49 (0)151 4066 7378

E-Mail: [email protected]

Fabian Kehle

Consultant

Produkt- und Innovationsmanagement

Telefon: +49 (0)7141 7856-0

Mobil: +49 (0)151 2030 1406

E-Mail: [email protected]

Offene Fragerunde

MHPBoxenstopp: Mehr Transparenz durch Data Mining

Freischaltung Mikrofon: Sie werden nun zentral wieder freigeschalten.

Chat How-To: 1. Am rechten Bildschirmrand den Reiter Chat anklicken und das Chatfenster öffnet sich.

2. Jetzt können Sie Ihre Frage eingeben und anschließend auf senden drücken. 3. Die Unterlagen der WebSession erhalten Sie später als E-Mail.