Refine
Document Type
- Contribution to a Periodical (3)
- Lecture (2)
- Bachelor Thesis (1)
- Master's Thesis (1)
- Preprint (1)
Language
- German (7)
- Multiple languages (1)
Is part of the Bibliography
- no (8)
Keywords
- 01 (6)
- Artificial intelligence (1)
- Bestandsgebäude (1)
- Daten (1)
- Datenbasierte Geschäftsmodelle (1)
- Digitalisierung (2)
- Fachkräftemangel (1)
- Geschäftsmodell (1)
- Hausverwaltung (1)
- Immobilien (1)
Institute
Der zeitliche Aufwand für die Schadenslokalisierung und -beseitigung in Immobilien ist enorm. Besonders betroffen sind Bestandsimmobilien mit gealterten Leitungen, bei denen das Risiko eines Rohrbruchs besonders hoch ist. Hinzu kommt, dass Rohrschäden oft erst verzögert erkannt werden. Aus einem kleinen Defekt kann sich so innerhalb kürzester Zeit ein kostenintensiver Folgeschaden entwickeln. Was ursprünglich nur den Austausch eines Rohrstücks erfordert hätte, zieht nun Trockenlegung, Schimmelbeseitigung und Malerarbeiten nach sich. Die Instandsetzung übernehmen stark ausgelastete Fachkräfte, deren Zeit angesichts des Fachkräftemangels effizient genutzt werden muss. Die zunehmenden Wasserschäden verstärken den Bedarf an effizienteren Instandhaltungskonzepten. Ein Blick in die Industrie zeigt, dass bereits für vergleichbare Herausforderungen datenbasierte Lösungen entwickelt wurden: Sensoren erfassen dort kontinuierlich Zustandsdaten von Maschinen, die mithilfe von Algorithmen in Echtzeit ausgewertet werden, um Instandhaltungsmaßnahmen gezielt und vorausschauend zu planen.
Industrial defect analyses like predictive maintenance hold the
promise of reducing unplanned downtime and extending asset lifecycles
in diverse industrial sectors. Despite these advantages, failures can arise from a range of factors, including data inaccuracies, model drift, and suboptimal deployment strategies resulting in mistrusting employees or frequent change of spare parts. These failures become particularly critical when Artificial Intelligence is employed, as these failures can hinder human-AI collaboration. This paper introduces a systematic Failure Mode and Effect Analysis (FMEA) framework tailored to defect analysis in the manufacturing sector like predictive maintenance solutions especially with the focus on the support of AI. Through structured expert interviews critical vulnerabilities in AI models, like performance bias, overfitting, and catastrophic forgetting, are pinpointed. The FMEAbased insights guide the design of robust AI models, ultimately enhancing the reliability of industrial defect analysis. The findings emphasize the importance of proactive risk management to ensure consistent performance and human-AI collaboration under varying operational conditions.
CM4B2C: Datenbasierte Geschäftsmodelle zur Prävention von Wasserschäden in Bestandsimmobilien
(2026)
Wasserschäden zählen zu den teuersten und häufigsten Schadensfällen im Gebäudebetrieb, vor allem in Bestandsimmobilien, wo Leitungsdefekte oft erst nach Folgeschäden auffallen. Sensorik, Datenanalyse und Condition-Monitoring schaffen die technische Grundlage, um solche Auffälligkeiten frühzeitig zu erkennen. Ob sich dieses Potenzial wirtschaftlich erschließen lässt, hängt vom Geschäftsmodell ab, also vom Wertversprechen, der Erlöslogik und der operativen Umsetzung. Im vom BMFTR geförderten Forschungsprojekt CM4B2C (Förderkennzeichen 03DPS1248A) hat das FIR gemeinsam mit dem Praxispartner Burgwall Immobilien vier Geschäftsmodelltypen für die datenbasierte Instandhaltung von Wohngebäuden entwickelt. Sie reichen von einer datenbasierten Versicherungspartnerschaft bis hin zu Pipeline-as-a-Service und lassen sich je nach Kundenbedarf einzeln oder kombiniert anbieten. In diesem Beitrag werden die vier Modelle mit ihrem jeweiligen Wertversprechen, ihrer Erlöslogik und den organisatorischen Anforderungen vorgestellt. Die Gegenüberstellung bietet Unternehmen Orientierung bei der Auswahl geeigneter Modelle für das eigene Portfolio.
Viele Dienstleistungsunternehmen verfügen über digitale Lösungen, scheitern jedoch an deren erfolgreicher Skalierung. Hauptursachen sind unpassende oder nicht weiterentwickelte Geschäftsmodelle sowie unzureichende Zusammenarbeit im Kunden-Anbieter-Verbund. Um Unternehmen dabei zu unterstützen, wurde im vom BMFTR geförderten Projekt diaMant (Förderkennzeichen 02J21C003) vom FIR gemeinsam mit den Praxispartnern Belfor, Databay, Etabo, Henkel und Yncoris eine Geschäftsmodell-Klinik entwickelt. Sie bietet Unternehmen die Möglichkeit, bestehende und konkurrierende Geschäftsmodelle systematisch zu prüfen, deren technische wie soziokulturelle Auswirkungen zu beschreiben und auf Basis eines Ordnungsrahmens zu strukturieren. Darüber hinaus unterstützt die Geschäftsmodell-Klinik dabei, den Reifegrad bestehender Modelle zu bewerten, Wandlungsbedarfe zu identifizieren und Maßnahmen für den partizipativen Wandel abzuleiten. Grundlage bilden vier praxisrelevante Geschäftsmodelltypen, die in dem Ordnungsrahmen definiert sind, der zentrale Dimensionen zur Strukturierung umfasst und den notwendigen Wandel im Kunden-Anbieter-Verbund sichtbar macht. Durch ein Planspiel wird die Geschäftsmodell-Klinik zudem erlebbar und unterstützt Unternehmen dabei, die Auswirkungen von verschiedener Unternehmensstrategien und Investitionen spielerisch zu erproben.
Ziel der Arbeit ist die Gestaltung eines technischen Leitfadens für den Vertrieb für die Molke- und Getränkeindustrie, der eine zielgruppengerechte Aufbereitung der Anforderungen, Bedürfnisse und Herausforderungen der Branche beinhaltet.
Darüber hinaus soll die Anwendbarkeit der Lifetime-Solutions für branchenübliche Maschinen und Aggregate dargestellt werden. Der Leitfaden unterstützt den Mitarbeiter bei der Vorbereitung von Kundengesprächen, indem er ihm die Möglichkeit gibt, sich selbstständig und zielgerichtet über die Produkte und die Branche zu informieren.