Open Access

Mit einem Handlungsleitfaden und einem softwarebasierten Tool als Ergebnisse konnte das Projekt INGEMO erfolgreich abgeschlossen werden. Dadurch wird es kleinen und mittleren Unternehmen (KMU) möglich, eine simultane Entwicklung der Geschäftsmodellinnovation und -transformation in Richtung der Green Economy umzusetzen. Die Erschließung dieses wirtschaftlich und strategisch attraktiven Segments wird durch das genannte KMU-gerechte Tool erleichtert und unterstützt beim erfolgreichen Wandel, um die wirtschaftliche Position des Unternehmens zu stärken. Prozessual erfolgt die Umsetzung des Transformations- und Innovationsprozesses durch eine Analyse des individuellen Status quo, um darauf aufbauend die Implementierung zu begleiten. Das Verbundprojekt INGEMO wurde über den Projektträger Jülich im Rahmen der Pilotprojekte für eine bundesweite regionenorientierte Innovationförderung „Strukturwandel“ des Bundesministeriums für Bildung und Forschung (BMBF) gefördert.

Der Einsatz von Business-Analytics wird für produzierende Unternehmen zunehmend zum strategischen Erfolgsfaktor. Dabei stellt vor allem die Vielzahl der zur Verfügung stehenden Business-Analytics-Methoden und deren Einsatzmöglichkeiten viele Praktiker vor Herausforderungen. Diese Arbeit setzt an diesen Barrieren an und gibt Praktikern ein Methodenset an die Hand, mit dessen Hilfe es möglich ist zu bewerten welche Methoden für welche Problemstellung und welche Datengrundlage geeignet sind.

Die durch eine Geschäftsmodellinnovation initiierte Transformation stellt heute für Unternehmen vielfach eine Notwendigkeit wie auch eine besondere Herausforderung dar. Zur Bewertung des Transformationsaufwands ist es dabei erforderlich, eine interne wie externe Perspektive einzunehmen. Die interne Perspektive verdeutlicht die Fähigkeit eines Unternehmens, ein neues Geschäftsmodell zu implementieren. Die externe Perspektive zeigt die objektive Andersartigkeit des zukünftigen Geschäftsmodells im Vergleich zum aktuellen Modell auf. Zur Integration beider Perspektiven werden zwei Modelle entwickelt, die Unternehmen ermöglichen, einerseits die individuelle Transformationsreife und andererseits den Transformationsaufwand zur Implementierung eines neuen Geschäftsmodells einzuschätzen. Mithilfe dieser Modelle wird eine realistische Auswahl geeigneter zukünftiger Geschäftsmodellmuster gewährleistet.

Im Zuge der Digitalisierung der Industrie stieg die Menge an erhobenen Daten aus unterschiedlichsten internen und externen Quellen in den letzten Jahren exponentiell an. Diese Entwicklung wird sich fortsetzen. Insbesondere Unternehmen des Maschinen- und Anlagenbaus verfügen über eine Vielzahl von ungenutzten Nutzungs- bzw. Kundendaten. Hier setzt das Vorhaben ServiceAnalytics an. Integrierte Sensoren innerhalb der Maschinen liefern kontinuierlich Daten über den Zustand der verbauten Komponenten und deren Nutzung (bspw. Verschleiß, Warnungen, Störungsmeldungen, Fehlercodes, Ereignismeldungen, aber auch Umgebungsdaten wie Temperatur, Feuchtigkeit, etc.). Auf diese können die Hersteller heute oftmals mittels der Basistechnologie des Internets in Echtzeit zugreifen und sie somit nutzbar machen. Besonders im Bereich des Dienstleistungsgeschäfts können die aufgenommenen Daten genutzt werden, um damit sowohl das Dienstleistungsportfolio zu erweitern als auch die Profitabilität des bestehenden Dienstleistungsgeschäftes erhöhen. Dafür stehen die Unternehmen vor der Herausforderung eigene Datenanalyse-Fähigkeiten zu entwickeln. Diese Fähigkeit wird in der Literatur Business-Analytics genannt und befähigt die Unternehmen dazu, die erhobenen Daten mittels geeigneter Analyseinstrumente auszuwerten, um eine bessere Entscheidungsgrundlage für geschäftsrelevante Fragestellungen zu schaffen (s. Chen et al. 2012). Um die generierten Daten zu nutzen, damit die vorhandenen Potenziale im Dienstleistungsgeschäft realisiert werden können, müssen sich Unternehmen daher weiterentwickeln und ein Geschäftsfeld Service-Analytics aufbauen. Unter Service-Analytics wird in diesem Zusammenhang die Anwendung von Business-Analytics im Dienstleistungs-geschäft verstanden. In diesem Zuge durchlaufen die Unternehmen einen Transformationsprozess, der durch unterschiedlichste Herausforderungen gekennzeichnet ist. So stoßen die potenziellen Anbieter der datenbasierten Dienstleistungen während des Wandels auf eine dynamische Unternehmensumwelt. Wechselnde Kundenbedürfnisse, schnell reagierende Wettbewerber und sich rasant wandelnde Technologien sind nur einige der Faktoren, die auf die Unternehmen wirken. Diese Herausforderungen gilt es durch geeignete Instrumente zu adressieren, um das neue Geschäftsfeld Service-Analytics nachhaltig und mit Erfolg aufzubauen. Häufig fehlt es jedoch insbesondere klein- und mittelständischen Unternehmen an dem nötigen Fach- und Prozesswissen, um die Datenerhebung und -auswertung wirtschaftlich rentabel zu ge-stalten. So bestand das Ziel des Forschungsprojektes ServiceAnalytics darin, klein- und mit-telständische Unternehmen (KMU) des Maschinen- und Anlagebaus zur Anwendung von Service-Analytics zu befähigen mit dem Ziel, die Dienstleistungsprofitabilität zu steigern.

The acquisition, processing and analysis of internal and external data is one of the key competitive factors for corporate innovation and competitive advantage. Many firms invest a significant amount of resources to take advantage of advanced analytics methods. Machine learning methods are used to identify patterns in structured and unstructured data and increase predictive capabilities. The related methods are of particular interest when previously undiscovered and unknown structures are discovered in comprehensive data sets in order to more accurately predict the outcome of manufacturing or production processes based on a multitude of parameter settings. So far, this knowledge is often part of the individual or collective knowledge of experts and expert teams, but rarely explicit and therefore not replicable for future applications. On the one hand, it is demonstrated in this paper how different machine learning algorithms have been applied to better predict the output quality in the process industry. On the other hand, it is explained how the application of machine learning methods could contribute to making previously not accessible process knowledge explicit. In order to increase the prognostic accuracy of the model diferrent methods were combined, later on compared and evaluated within an industrial case. In this paper a comprehensive approach to knowledge-based process engineering is being presented.