Refine
Document Type
- Conference Proceeding (21)
- Part of a Book (5)
- Contribution to a Periodical (3)
- Working Paper (3)
- Article (2)
- Internet Paper (1)
Language
- English (23)
- German (11)
- Multiple languages (1)
Is part of the Bibliography
- no (35)
Keywords
- 02 (2)
- 03 (1)
- Arbeit 4.0 (1)
- Arbeitsgestaltung (1)
- Asset Management (1)
- Augmented Reality (1)
- B2B customer service (1)
- Case study research (1)
- Chatbot (1)
- Customer Success Management (1)
Institute
- Dienstleistungsmanagement (35) (remove)
In der neuen Expertise des Forschungsbeirats Industrie 4.0 untersuchen das FIR e. V. an der RWTH Aachen und das Industrie 4.0 Maturity Center den Status-quo und die aktuellen Herausforderungen der deutschen Industrie bei der Nutzung und wirtschaftlichen Verwertung von industriellen Daten. Handlungsoptionen für Unternehmen, Verbände, Politik und Wissenschaft zeigen auf, wie der Nutzungsgrad der Datenbasis erhöht werden kann und wie sich Potenziale bei der Monetarisierung ausschöpfen lassen. Der Fokus liegt dabei auf produzierenden Unternehmen.
Smart Services als Enabler von Subscription-Geschäftsmodellen in der produzierenden Industrie
(2022)
[Der Sammelband] Widmet sich den in Wissenschaft und Praxis aktuell intensiv diskutierten Fragestellungen zu Smart Services. Befasst sich mit Geschäftsmodellen, Erlösmodellen und Kooperationsmodellen von Smart Services. Geht auf branchenspezifische Besonderheiten von Smart Services ein. (link.springer.com)
Electricity generated by wind turbines (WT) is a mainstay of the transition to renewable energy. In order to economically utilize WT is, operating and maintenance costs, which account for 25% of total electricity generation costs in onshore WT’s, are a focus of cost reduction activities. Implementing a data-driven prescriptive maintenance approach is one way to achieve this. So far, various approaches for prescriptive maintenance for onshore WT’s have been suggested.
However, little research has addressed the practical implementation considering sociotechnical aspects. The aim of this paper is therefore to identify success factors for the successful implementation of such a maintenance strategy with clear and holistic guidance on how existing knowledge on prescriptive maintenance from science can be transferred to business practice. These recommendations are developed through case study research and classified in the four structural areas of Acatech’s Industry 4.0 Maturity Index: Resources, Information Systems, Organizational Structure and Culture.
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.
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]
Towards a Methodology to Determine Intersubjective Data Values in Industrial Business Activities
(2021)
This paper contributes to a valuation framework for valuing data as an intangible asset. Especially those industrial manufacturers developing and delivering holistic digital solutions are limited in calculating the true business value of data initiatives. Since the value of data is strongly dependent on the respective use case, a completely objective valuation is not possible. This complicates decision-making on the internal side regarding investments in digital transformation, and on the external side to communicate existing benefits to third parties via financial reporting. Therefore, the target is to design a valuation framework that allows industrial manufacturers to determine an intersubjective, i.e., traceable and transparent, data value. In order to develop a framework that can be applied in practice, the approach is based on industrial case study research.
In the food industry, a very large potential of data ecosystems is seen, in which data is understood, exchanged and monetized as an economic asset. However, despite the enormous economic potential, companies in the food industry continue to rely on traditional, product-oriented business models. Existing data in the value chain of industrial food production, e.g., in harvesting, logistics, and production processes, is primarily used for internal optimization and is not monetized in the form of data products. Especially the pricing of data products is a key challenge for data-based business models due to their special characteristics compared to conventional, analog offerings and multiple design options. The goal of this work is therefore to solve this issue by developing a framework that allows the identification of pricing models for data products in the industrial food production. For this purpose, following the procedure of typology formation, essential design parameters and the respective characteristics are derived. Furthermore, three types for pricing models of data products are shown. The results will serve not only stakeholders in the food industry but also manufacturing companies in general as input for an orientation of their databased business models.
Erfolgreiche Serviceinnovation im Zeitalter industrieller, datenbasierter Dienstleistungen unterscheidet sich deutlich von bisherigen Ansätzen der klassischen Dienstleistungsentwicklung. Diese Erkenntnis konnte aus einem breit angelegten Benchmarking in der deutschen Industrie gewonnen werden. Die Benchmarking-Studie identifizierte besonders erfolgreiche Unternehmen, deren Methoden und Ansätze zur Gestaltung innovativer Dienstleistungen in Form von Fallstudien im Detail untersucht wurden. Als Kernergebnis ergeben sich sechs Prinzipien, die erfolgreiche Serviceinnovation für datenbasierte Dienstleistungen auszeichnen.
Prinzipien zur erfolgreichen Umsetzung von KI-Geschäftsmodellinnovationen
In Zeiten des zunehmenden globalen Wettbewerbs und hoch vernetzter Wertschöpfungsketten entwickelt sich Künstliche Intelligenz zu einem immer wichtiger werdenden Wettbewerbsfaktor für Unternehmen am Wirtschaftsstandort Deutschland. Durch den Einsatz von KI-Verfahren können nicht nur interne Geschäftsprozesse kostensenkend optimiert, sondern auch neue, digitale Geschäftsfelder und -modelle erschlossen werden. Es lassen sich zum einen Trends identifizieren, denen der Einsatz von KI in deutschen Unternehmen folgt. Zum anderen zeigt sich, dass sich KI unterschiedlich stark auf verschiedene Dimensionen innovativer Geschäftsmodelle auswirkt. Insgesamt lassen sich so Prinzipien ableiten, die die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen beschreiben.
Neue Technologie- und Anwendungstrends kennzeichnen KI-Nutzung
Die tatsächliche KI-Landschaft in den Wertschöpfungsketten von KI-nutzenden Unternehmen ist durch Trends gekennzeichnet. Diese lassen sich in Technologie- und Anwendungstrends unterteilen. Experteninterviews zeigen beispielsweise, dass KI-Anwendungen bevorzugt auf Cloud-Infrastrukturen entwickelt und bereitgestellt werden. Das wiederum rückt die Frage nach der Wahrung der Datensouveränität in den Vordergrund. Anwendung findet KI tendenziell zur Prognose und Überwachung.
Sechs Prinzipien beeinflussen die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen
Fallstudien über ein breites Spektrum der deutschen Wirtschaft beleuchten, welche Aspekte eines KI-basierten Geschäftsmodells den größten Effekt auf das Unternehmen haben. Hier lässt sich ein besonders hoher Einfluss von KI auf das Nutzenversprechen neuartiger, digitaler Leistungen der Unternehmen an die Kundinnen und Kunden feststellen. So lassen sich sechs Erfolgsprinzipien zur erfolgreichen Implementierung von KI-Technologien identifizieren, um die wirtschaftliche Nutzung von KI für Unternehmen in Deutschland im globalen Wettbewerb weiter zu steigern. So empfiehlt es sich zum Beispiel – neben der Auswahl des richtigen KI-Anwendungsfalles – ebenfalls darauf zu achten, dass die KI-Anwendung sowohl den Anbietenden wie auch den Anwendenden nützt. Diese und weitere Erfolgsprinzipien werden detailliert in der Studie Künstliche Intelligenz – Geschäftsmodellinnovationen und Entwicklungstrends beschrieben.