Wie verändern ethische Leitlinien das Feld von Big Data Analytics im Operations und Supply Chain Management? Ein multimethodischer Forschungsansatz

Ausgangssituation:

Operations Management (OM) ist allgemein bekannt als die Disziplin, die wissenschaftlich fundierte analytische Methoden einsetzt, um optimale oder nahezu optimale Entscheidungen in Organisationen treffen zu helfen. Um OM-Probleme zu lösen, werden Berechnungsalgorithmen benötigt, die auf statistischen und mathematischen Modellen basieren. Daher ist Big Data Analytics eng mit dem Forschungsfeld des OM verbunden und wird als eine der wichtigsten jüngsten Entwicklungen in diesem Bereich betrachtet (Choi et al. 2018). Einer der wohl am häufigsten adressierten Forschungsbereiche des OM ist das Supply Chain Management (SCM). Waller und Fawcett (2013) prognostizierten schon frühzeitig, dass Big Data Analytics die Gestaltung der Lieferkette revolutionieren und das  Produktlebenszyklusmanagement in der Supply Chain verändern kann. In der Folge untersuchen z. B. Wang et al. (2018) die Designoptimierung eines Distributionsnetzwerks unter Verwendung von Big Data. Kaur and Singh (2018) schlagen ein analytisches Modell vor, um die Umweltverträglichkeit in Beschaffung und Logistik zu berücksichtigen. Papadopoulos et al. (2017) sammeln und analysieren „Big Data“ aus sozialen Medien mittels Verfahren der Künstlichen Intelligenz, um die Widerstandsfähigkeit der Lieferkette gegenüber Umweltkatastrophen zu verbessern. Auch wenn zahlreiche Wissenschaftler und Manager zeigen, dass Big Data Analytics Kosteneinsparungen, Skalierbarkeit, Geschwindigkeit, Genauigkeit und Konsistenz von Unternehmensoperationen fördern kann, birgt auf der anderen Seite das Verarbeiten von großen Datenmengen auch besondere ethische Fragen. So können beispielsweise personenbezogene Lieferanten- und Kundendaten, CAD-Modelle und Standortinformationen in falsche Hände geraten. Zudem erzeugen analytische Modelle zuweilen fehlerhafte oder ungenaue Ergebnisse, verursachen hohe Kosten für das Unternehmen und wirken sich damit negativ auf  die Reputation der Data Scientists und deren Jobs aus. Im schlimmsten Fall können durch falsche Berechnungen Menschen gefährdet werden (z. B. Unfälle bei selbstfahrenden Transportfahrzeugen in der Logistik). Des Weiteren beginnen Unternehmen, gewonnene Daten als Service (Data as a Service, DaaS) bzw. die Nutzung von analytischen Modellen (Analytics as a Service, AaaS) bei extern Kunden zu monetarisieren. Zahlreichen Publikationen der OM-Forschung, welche die Entwicklung von analytischen Modellen und deren Anwendung beinhalten, stehen wenige Forschungsströme gegenüber, die sich mit ethischen Aspekten von Big Data Analytics wie „Eigentum“, „Transparenz“, „Privatsphäre“, „Aktualität“, „Offenheit“ etc. auseinandersetzen.

Diese Arbeit soll sich zu vorherigen Arbeiten der OM- und SCM-Forschung abgrenzen, indem sie in einem „Multimethodischen Forschungsansatz“ unter Zuhilfenahme des Verfahrens der iterativen Triangulation, d. h. der Analyse archivierter Fallstudien der OM- und SCM-Forschung (Lewis, 1988), zunächst Theorien und Hypothesen zu ethischen Perspektiven von Data Analytics qualitativ aufstellt. Anschließend sind diese quantitativ unter Zuhilfenahme von Fragebogenerhebungen und Strukturmodellen zu überprüfen. Die gewonnenen Erkenntnisse sollen genutzt werden, um Implikationen für die OM- und SCM-Community sowie Unternehmenspraktiker zu formulieren.

Bausteine der Arbeit:

-Motivierung der Notwendigkeit einer ethischen Perspektive bei Big Data Analytics in der OM- und SCM-Forschung

-Erarbeitung einer theoretische Grundlage zu den ethischen Kernelementen der Data Analytics Forschung anhand ausschlaggebender Literatur

-Aufstellung eines „Multimethodological Research Approach“ nach den Empfehlungen von Choi et al (2015) als Leitfaden für die qualitative Seite der Arbeit

-Entwicklung und Anwendung eines auf iterativer Triangulation basierenden Analysemodells mittels Grounded Theory (Gioia et al., 2013) zur Ergänzung der „Big Data Analytics“ Theorie in OM und SCM

-Erstellung eines Strukturmodells auf der Basis vorher gewonnener theoretischer Ergebnisse und Anwendung des Modells mittels einer Fragebogenstudie als quantitative Seite der Arbeit

-Ableitung von Implikationen für Management und Forschung

Quellen:

-Choi, T. M., Wallace, S. W., & Wang, Y. (2018). Big data analytics in operations management. Production and Operations Management, 27(10), 1868-1883.

-Choi, T. M., Cheng, T. C. E., & Zhao, X. (2016). Multi‐methodological research in operations management. Production and Operations Management, 25(3), 379-389.

-Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2013). Seeking qualitative rigor in inductive research: Notes on the Gioia methodology. Organizational research methods, 16(1), 15-31.

-Labbé, M., Leal, M., & Puerto, J. (2019). New models for the location of controversial facilities: A bilevel programming approach. Computers & Operations Research, 107, 95-106.

-Lewis, M. W. (1998). Iterative triangulation: a theory development process using existing case studies. Journal of operations Management, 16(4), 455-469.

-Papadopoulos, T., Gunasekaran, A., Dubey, R., Altay, N., Childe, S. J., & Fosso-Wamba, S. (2017). The role of Big Data in explaining disaster resilience in supply chains for sustainability. Journal of Cleaner Production, 142, 1108-1118.

-Waller, M. A., & Fawcett, S. E. (2013). Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management. Journal of Business Logistics, 34(2), 77-84

-Wang, G., Gunasekaran, A., & Ngai, E. W. (2018). Distribution network design with big data: model and analysis. Annals of Operations Research, 270(1), 539-551.

Anfrageformular

Anfrage für: Wie verändern ethische Leitlinien das Feld von Big Data Analytics im Operations und Supply Chain Management? Ein multimethodischer Forschungsansatz

    *
    *
    *







    Kontakt: