Volker Stich
Refine
Year of publication
- 2021 (24) (remove)
Document Type
- Part of a Book (6)
- Conference Proceeding (5)
- Contribution to a Periodical (3)
- Internet Paper (3)
- Working Paper (3)
- Article (2)
- Book (2)
Language
- German (16)
- English (6)
- Multiple languages (2)
Is part of the Bibliography
- no (24)
Keywords
- Arbeit 4.0 (1)
- Arbeitsgestaltung (1)
- Blockchain (1)
- Cluster Smart Logistik (1)
- Cyber Security (1)
- Data Products (1)
- Datenaustausch (1)
- Dienstleistung (1)
- Dienstleistungssektor (1)
- Dienstleistungswende (1)
Institute
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.
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]
KVD-TrendRadar
(2021)
Mit dem KVD TrendRadar bringen wir eine neue Sichtweise in die Diskussion: Statt mit der Frage „Was haben Service-Unternehmen in der Vergangenheit getan, um heute erfolgreich zu sein?“ die Vergangenheit zu analysieren, blicken wir mit der Frage „Womit müssen sich Service-Unternehmen in den kommenden Jahren befassen, um erfolgreich zu werden oder zu bleiben?“ mit Ihnen zusammen in die Zukunft.
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.
Eine Herausforderung für produzierende Unternehmen in der Entwicklung intelligenter Produkte besteht darin, dass die Zielstellung, die mit einem intelligenten Produkt verfolgt wird, nicht expliziert ist. Zudem ist oftmals nicht spezifiziert, in welchem Anwendungsfall ein intelligentes Produkt agieren soll. Produzierende Unternehmen benötigen Unterstützung, um eine zielorientierte und folglich wirtschaftliche Melioration existierender Produkte zu gewährleisten. Ebendiese Melioration wird im Kontext von intelligenten Produkten als Smartifizierung bezeichnet und stellt damit einen Entwicklungsprozess dar, der ein bestehendes Produkt als Ausgangssituation im Sinne einer Anpassungskonstruktion expliziert. Die originäre Produktfunktion wird folglich nicht verändert, sondern das Produkt um digitale Funktionen und Dienstleistungen erweitert. Der Artikel befasst sich daher erstens mit der Beschreibung generischer Ziele für den Einsatz intelligenter Produkte im Maschinenbau. Eine Zusammenstellung und Erläuterung solcher Ziele unterstützt Unternehmen, eine Präzisierung der Zielfestlegung in der Initiierungsphase eines Smartifizierungsprojekts durchzuführen. Zweitens wird unter Anwendung der Ziel-Mittel-Beziehung ein Anwendungsfall intelligenter Produkte beschrieben. Abschließend werden beide Aspekte in einer Methode zusammengefasst, wie mittels Ziel- und Anwendungsfallbetrachtung Anforderungen abgeleitet und wie diese Elemente in Vorgehensmodelle der Produktentwicklung eingebettet werden können. Exemplarisch wird anhand einer Stanzmaschine aufgezeigt wie die Methode und die sich daraus ableitenden Ergebnisse im Smartifizierungsprozess zur Entwicklung einer intelligenten Stanzmaschine eingesetzt werden.
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.
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.
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.