Refine
Document Type
- Contribution to a Periodical (8)
- Part of a Book (6)
- Conference Proceeding (4)
- Book (2)
- doctorallecture (1)
- Doctoral Thesis (1)
- Report (1)
Is part of the Bibliography
- no (23)
Keywords
- Adaptation models (1)
- Agile Entwicklung (1)
- Analytics (1)
- Business Analytics (2)
- Business Analytics Methods (1)
- Business Model (1)
- Business Transformation (1)
- Business-Analytics (1)
- Business-Analytics-Methoden (1)
- Change Management (1)
Institute
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.
Companies in the manufacturing industry are shifting towards a more service-oriented business model. One major challenge of this transformation is the information exchange between the different stages of the product-service-lifecycle.
We extend the existing body of knowledge by conducting an empirical study in the German manufacturing industry, addressing the cause-effect relationship between 1) information gathering over the product-service-lifecycle, 2) data analytics 3) interpretation and use of new information and 4) distribution of new product related information and the impact of these four aspects on performance.
The analysis reveals five different success factors with a significant impact on innovation and operation excellence. The implications from our research can help to develop new and more practical oriented Lifecycle-Product-Service-System approaches on the one hand. On the other hand it enables companies to focus on activities leading to higher service efficiency. Creating new stimuli will transform their existing business model to a more service-oriented one.
The almost boundless possibilities of realizing saving potentials and innovations drive manufacturing companies to implement Business Analytics as part of the digitalization roadmap. The increasing research within the field of algorithm design and the wide range of user-friendly tools simplify generating first insights from data also for non-professionals. However, small and medium sized companies struggle implementing Business Analytics company-wide due to the lack of competencies. Especially the customization of a multitude of analytic methods in order to match a superordinate, business-relevant question is not done easily. This paper enables researchers as well as practitioners to close the gap between business relevant questions and algorithms. From a practical point of view, this paper helps shortening the search time for a suitable algorithm. Out of a research perspective, it aims to help positioning new algorithms within a structured framework in order to enhance the communication of algorithms’ capabilities.
Die Projekte „ServiceAnalytics" und „Analytics for Innovation" unterstützen insbesondere KMU bei der aufwandsarmen und praxisnahen Umsetzung von Business-Analytics im Service, um zum einen die Serviceprofitabilität zu erhöhen und zum anderen die Entwicklung innovativer After-Sales-Services voranzutreiben. Durch die beiden diametralen Zielsetzungen (Profitabilität steigern und Innovationen stimulieren) ergänzen sich die Projekte ideal, um aufzuzeigen, welche Mehrwerte durch den Einsatz von Business-Analytics im Service geschaffen werden.
Viele Branchen stehen am Anfang der digitalen Transformation bzw. werden bereits grundlegend von ihr verändert. Im Zeitalter der digitalen Transformation steht somit die Frage im Mittelpunkt, wie Unternehmen die notwendigen Veränderungen angehen und den Erfolg der Transformation gewährleisten können. Datenbasierte Dienstleistungen sind dabei ein konsequenter nächster Schritt im Wandel der Unternehmen vom Investitionsgüterhersteller zum Lösungsanbieter. Nichtsdestotrotz scheitern viele Premiumhersteller trotz ihrer hohen digitalen Wettbewerbsfähigkeit bei der Entwicklung und Einführung von datenbasierten Dienstleistungen. Der Beitrag zeigt zunächst Merkmale und Ausprägungen datenbasierter Dienstleistungen auf. Da sich die klassischen Methoden des Service Engineerings nicht ausreichend schnell an digitalisierte Komponenten und geänderte Voraussetzungen angepasst haben, wird mit dem Smart Service Engineering ein neuer Ansatz vorgestellt, der agile und kundenorientierte Methoden implementiert. Zuletzt werden Muster und Entwicklungspfade der digitalen Transformation detailliert analysiert und Handlungsempfehlungen für Anbieter datenbasierter Dienstleistungen abgeleitet.
Die Digitalisierung und steigende Wettbewerbsintensität im Maschinen- und Anlagenbau zwingt Unternehmen dazu, ihre Wettbewerbsstrategien zu überdenken. Die etablierte strategische Positionierung der Kostenführerschaft scheidet in diesem Umfeld nahezu aus, da eine Differenzierung durch individuelle Leistungsangebote an den Kunden durch digitale Dienstleistungen deutlich attraktiver wird. Das bereits etablierte Konzept des Lösungsgeschäfts ist in Zeiten der digitalen Transformation der Unternehmen aktueller denn je und muss von Unternehmen umgesetzt werden.
Für Unternehmen bedeutet dies den oben genannten strategischen Wandel von einem reinen Sachgüterhersteller hin zu einem Lösungsanbieter mit individuellen Dienstleistungsangeboten.
Eine zentrale Herausforderung, um den Wandel erfolgreich zu gestalten, ist die Anpassung des Mitarbeiterverhaltens. Hier haben insbesondere kleine und mittlere Unternehmen (KMU) einen enormen Bedarf an Methoden, mit deren Hilfe die Transformation aufwandsarm und zielgerichtet begleitet wird.
Im Rahmen des Projekts wurde ein Vorgehen entwickelt, welches erstmals die Methoden des Behavioral Brandings in einen Managementansatz überführt, um eine zielgerichtete Anpassung des Mitarbeiterverhaltens bei der Transformation zum Lösungsanbieter zu gewährleisten. Dieses Buch entstand im Rahmen des Forschungsprojekts ‚fit4solution‘ des FIR an der RWTH Aachen gemeinsam mit dem Lehrstuhl für Marketing der RWTH Aachen und in der Zusammenarbeit mit kleinen und mittleren Unternehmen (KMU) aus dem Bereich der produzierenden Industrie. Ausgehend von dieser Zielsetzung wurde ein KMU-gerechter, interdisziplinärer Ansatz für das Management der Transformation vom Produzenten zum Lösungsanbieter entwickelt und in Form eines individuell konfigurierbaren Methodenbaukastens, eines auf KMU zugeschnittenen Rollout-Konzepts und eines Train-the-Trainer-Konzepts bereitgestellt.
Der strategische Wandel von einem reinen Sachgüterhersteller hin zu einem Lösungsanbieter mit einem individuellen Dienstleistungsangebot geht einher mit umfangreichen Veränderungen hinsichtlich der Aktivitäten, des Verhaltens und der Strukturen des Unternehmens. Dies stellt insbesondere kleine und mittlere Unternehmen (KMU) vor Herausforderungen. So müssen beispielsweise neue Kompetenzen aufgebaut, das eigene Rollenverständnis des Personals neu definiert und der Wille zur Veränderung in der Organisation verankert werden. Damit KMU geeignete Maßnahmen zur Veränderung des Unternehmens ableiten und bewerten können, muss bereits vor Beginn des eigentlichen Transformationsprozesses klar sein, inwiefern ein Unternehmen dazu in der Lage ist, strategische, organisatorische sowie prozessuale Veränderungen zu planen und umzusetzen. Das im Projekt fit4solution entwickelte Transformations-Assessmentwerkzeug unterstützt KMU bei der Identifikation relevanter Stellhebel und dient gleichzeitig der Wirksamkeitsbewertung der zu entwickelnden Maßnahmen
To stay competitive, the central challenge for many companies at present is to master the process of transformation in the sense of a fundamental redesign of central processes or even of the entire company. Digitization and the need to redefine and reposition oneself in a sustainable economy are just two examples of the main drivers of this transformation. In this context, the basic question of the fundamental necessity of a comprehensive transformation in the sense of a business transformation no longer even arises for most companies in the age of digital transformation. Instead, the focus is on the question of how companies can manage the complexity associated with the scope of a transformation and the necessary changes in terms of the business strategy and on how to ensure the efficiency and success of the transformation. The challenge is to simultaneously design new structures and systems on the substantive level and also to break up established patterns of behavior.
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.
Unternehmen, die ihre Prozesse durch maschinelles Lernen unterstützen wollen und hierfür auf externe Dienstleister und Produkte zurückgreifen müssen, fehlen die qualifizierten Anhaltspunkte für die Auswahl eines Machine-Learning-Anbieters.
Aus dieser Motivation heraus ist die vorliegende Marktstudie Industrial Machine Learning entstanden. Sie bietet Unternehmen die Grundlage, eine fundierte Entscheidung für oder gegen den Einsatz von Machine Learning im Unternehmen zu
treffen.
Die Darstellung von realen Usecases in der vorliegenden Marktstudie veranschaulicht die konkrete Anwendbarkeit. Insbesondere damit leistet die Studie ihren Beitrag, das Thema Maschine Learning verständlich und anschaulich darzustellen.
Die Marktstudie bietet einen umfassenden Überblick über unterschiedliche Arten von Anbietern und Lösungsmöglichkeiten.
Ein Anspruch auf Vollständigkeit wird dabei nicht erhoben und wäre für die Zielsetzung nicht angebracht.