Refine
Year of publication
- 2021 (27) (remove)
Document Type
- Conference Proceeding (10)
- Part of a Book (6)
- Contribution to a Periodical (3)
- Internet Paper (3)
- Working Paper (3)
- Article (2)
Language
- German (14)
- English (11)
- Multiple languages (2)
Is part of the Bibliography
- no (27)
Keywords
- Arbeit 4.0 (1)
- Arbeitsgestaltung (1)
- Blockchain (1)
- Change Management (1)
- Change Request (1)
- Cluster Smart Logistik (1)
- Customer Success Management (1)
- Cyber Security (1)
- Data Analytics (1)
- Data Products (1)
Institute
"New Service-Work"
(2021)
Durch die Corona-Krise befinden wir uns auf einmal alle in einer völlig neuen Arbeitswelt. Innerhalb kürzester Zeit waren Unternehmen im Service gezwungen, Antworten für – vielleicht auch manchmal schon länger bestehende Fragen – rund um das Thema „New Work“ zu finden. Daher hat sich der KVD in den vergangenen Monaten im Rahmen einer ausgewiesenen Expertenrunde aus Praxis und Forschung mit dem Thema „New Service-Work“ auseinandergesetzt. Vor dem Hintergrund der aktuellen Herausforderungen haben wir die zentralen Handlungsfelder für die Umsetzung dieser neuen Arbeitswelt einmal intensiver beleuchtet. In über 25 digitalen Treffen wurden die Chancen, Risiken oder auch Hemmnisse zu den jeweiligen Handlungsfeldern intensiv diskutiert und aufbereitet. Mit einigen aktuellen, innovativen Lösungsansätzen aus unseren Mitgliedsunternehmen hoffen wir, auch Ihnen erste Hinweise oder Impulse geben zu können, wie auch bald in Ihrem Unternehmen „New Service-Work“ Einzug halten könnte.
For most industries, Artificial Intelligence (AI) holds substantial potentials. In the last decades, the extent of data created worldwide is exponentially increasing, and this trend is likely to continue. However, despite the prospects, many companies are not yet using AI at all or not generating added value. Often, an AI project does not exceed its pilot phase and is not scaled up. The problems to create value from AI applications in companies are manifold, especially since AI itself is diverse and there is no ‘one size fits all’ approach. One often stated obstacle, why many AI projects fail, is a missing AI strategy. This leads to isolated solutions, which do not consider synergies, scalability and seldom result in added value for the company. To create a company-specific AI strategy with a top-down approach, a generic but holistic framework is needed. This paper proposes a strategic AI procedure model that enables companies to define a specific AI strategy for successfully implementing AI solutions. In addition, we demonstrate in this paper how we apply the introduced strategic AI procedure model on an AI-based flexible monitoring and regulation system for power distribution grid operators in the context of an ongoing research project.
Manufacturing companies are constantly increasing their efforts in the subscription business, also known as product-as-a-service business, offering usage and outcome based solutions (value-in-use) instead of transactional services and products (value-in-exchange). Customers are becoming contractual subscribers of the solution in return for recurring, performance-related payments. To address arising, inevitable challenges like (1) reducing customer churn, (2) increasing usage intensity and outcome quality, (3) ensuring the adoption of product and software releases as well as (4) fostering customer loyalty, leading manufacturing companies are setting up a new organizational, customer-facing unit, called Customer Success Management (CSM). This unit has its origins in the software-as-a-service business, operating next to established entities like sales, key account management and customer service. Since there are currently no holistic models for an end-to-end description of CSM-tasks in the manufacturing industry, this paper contributes to a taskoriented reference model, using a grounded theory approach, examining both manufacturing and software companies. Containing a reference framework with 8 main tasks, 17 basic tasks and 76 elementary tasks, the reference model supports manufacturing companies in adapting and customizing a company-specific CSM concept.
Die Zukunftspotenziale der digitalen Technologie könnten den Dienstleistungssektor entscheidend transformieren und damit der schrumpfenden Wettbewerbsfähigkeit der deutschen Wirtschaft neuen Schwung verleihen.
Das Schiff des Wirtschaftsstandorts Deutschland schwankt in rauer werdender See. Es schwankt weniger, weil die traditionellen deutschen Wertschöpfungssäulen (insbesondere die Flaggschiffe Automobil- und Maschinenbau sowie Chemie- und Logistikindustrie) hierzulande an Know how eingebüßt hätten; es sind vielmehr die großen Technologiedurchbrüche der letzten Jahrzehnte, die die deutschen Tugenden, welche mehr als ein Jahrhundert lang für einen Spitzenplatz unter den großen Wirtschaftsmächten gesorgt haben, drastisch an Bedeutung verlieren lassen. Perfektionismus, Verarbeitungsqualität, Zuverlässigkeit und Langlebigkeit von Produkten aller Art sicherten der deutschen Wirtschaft über viele Jahrzehnte hinweg internationales Ansehen. Das führte allerdings zu einer gewissen Selbstzufriedenheit, die die eigene Spitzenposition in der Welt als Selbstläufer ansah. Verliebt in die eigene Perfektion (der Strategieberater und Blogger Sascha Lobo spricht plakativ von einer „Spaltmaßfixierung“ ganzer Wirtschaftszweige) und an permanenter rein inkrementeller Innovation orientiert, hinkt Deutschland auf wichtigen Gebieten der künftigen Wertschöpfungsfelder dem Wettbewerb gefährlich hinterher – insbesondere auf dem für die Zukunft entscheidenden Technologiegebiet der Digitalisierung.
Künstliche Intelligenz (KI) hat sich über die letzten Jahre stetig zu einem Thema mit strategischer Priorität für Unternehmen entwickelt. Das zeigt sich nicht zuletzt in der gesteigerten Investitionsbereitschaft deutscher Unternehmen in KI-Projekte. Wirtschaftliche Akteure haben erkannt, dass durch eine sinnvolle Nutzung von KI-Technologien Wettbewerbsvorteile erzielt werden können. Die vorliegende Studie legt das Augenmerk auf den industriellen Einsatz einer KI-Technologie, die bereits heute von vielen Unternehmen erfolgreich genutzt wird: Die natürliche Sprachverarbeitung (engl. Natural Language Processing, kurz NLP). Die wirtschaftlichen Potenziale der Technologie liegen dabei in ihrer Fähigkeit, betriebliche Abläufe zu automatisieren und die Schnittstelle zwischen Mensch und Maschine zu verbessern und zu vereinfachen. Ziel der Studie ist es, die Potenziale der NLP-Technologie für Unternehmen nutzbar zu machen, indem konkrete Anwendungsfälle und allgemeine Handlungsempfehlungen sowie Nutzen und Risiken aufgezeigt werden.
Schwerwiegende Gesundheits- und Wirtschaftskrisen wie die Weltfinanzkrise (ab 2007) oder die Covid-19-Pandemie im Jahr 2020 haben aufgezeigt, in welch turbulentem Umfeld sich die globalisierte Welt heutzutage befindet und wie schnell gewohnte Abläufe in Wertschöpfungsketten unterbrochen und angepasst werden müssen. Die alltäglichen Anforderungen in dem sich immer schneller wandelnden digitalen Zeitalter wachsen stetig und sind komplexer denn je.
Unternehmen sind angehalten, immer kurzzyklischer auf sich ändernde
Bedingungen und Störungen zu reagieren und strategische Entscheidüngen
zur Gestaltung von Wertschöpfungsketten zu treffen. Nur mithilfe
einer umfassenden Datengrundlage und -kommunikation kann die strategische Planung der Supply-Chain effektiv erfolgen und somit die benötigte Robustheit und Agilität ermöglicht werden.
Das Gegenteil von Theorie ist die Praxis. So sagt man landläufig und unterstellt damit oft, dass wissenschaftliche Erkenntnisse nicht immer für den Alltag taugen. Dass Theorie aber nicht gleich Theorie ist und Wissenschaft und Praxis trotz aller Unterschiedlichkeit aufeinander angewiesen sind, darauf weist das FIR an der RWTH Aachen schon mit der Auflösung seines Akronyms hin: „Forschung. Innovation. Realisierung.“ Hier zielen alle Forschungsaktivitäten darauf ab, Lösungen für reale Herausforderungen aus der Praxis zu schaffen, die am Ende auch umsetzbar sind. Eine nutzenbringende Verbindung zwischen den beiden scheinbar so unterschiedlichen Welten ist dafür unabdingbar und diese Lücke schließt das FIR mit Industriekooperationen, Wissens und Technologietransfer sowie Weiterbildungsangeboten auf vielen Ebenen. Nicht zuletzt positionierte sich das FIR als leitendes Institut des Clusters Smart Logistik auf dem RWTH Aachen Campus und füllt diese Rolle seit über 10 Jahren erfolgreich aus.
Since data becomes more and more important in industrial context, the question arises on how data-driven added value can be measured consistently and comprehensively by manufacturing companies. Currently, attempts on data valuation are primarily taking place on internal company level and qualitative scale. This leads to inconclusive results and unused opportunities in data monetization. Existing approaches in theory to determine quantitative data value are seldom used and less sophisticated. Although quantitative valuation frameworks could enable entities to transfer data valuation from an internal to an external level to take account of progress in digital transformation into external reporting. This paper contributes to data value assessment by presenting a four-part valuation framework that specifies how to transfer internal, qualitative to external, quantitative data valuation. The proposed framework builds on insights derived from practice-oriented action research. The framework is finally tested with a machine tool manufacturer using a single case study approach. Placing value on data will contribute to management’s capability to manage data as well as to realize data-driven benefits and revenue. [https://link.springer.com/chapter/10.1007/978-3-030-85902-2_19]
In the age of digitalization, manufacturing companies are under increased pressure to change due to product complexity, growing customer requirements and digital business models. The increasing digitization of processes and products is opening up numerous opportunities for mechanical engineering companies to exploit the resulting potential for value creation. Subscription business is a new form of business model in the mechanical engineering industry, which aims to continuously increase customer benefit to align the interests of both companies and customers. Characterized by a permanent data exchange, databased learning about customer behavior, and the transfer into continuous innovations to increase customer value, subscription business helps to make Industry 4.0 profitable. The fact that machines and plants are connected to the internet and exchange large amounts of data results in critical information security risks. In addition, the loss of knowledge and control, data misuse and espionage, as well as the manipulation of transaction or production data in the context of subscription transactions are particularly high risks. Complementary to direct and obvious consequences such as loss of production, the attacks are increasingly shifting to non-transparent and creeping impairments of production or product quality, which are only apparent at a late stage, or the influencing of payment flows. A transparent presentation of possible risks and their scope, as well as their interrelationships, does not exist. This paper shows a research approach in which the structure of subscription models and their different manifestations based on their risks and vulnerabilities are characterized. This allows suitable cyber security measures to be taken at an early stage. From this basis, companies can secure existing or planned subscription business models and thus strengthen the trust of business partners and customers.