Refine
Document Type
- Conference Proceeding (17)
- Contribution to a Periodical (8)
- Part of a Book (6)
- Working Paper (6)
- Report (3)
- Internet Paper (2)
- doctorallecture (1)
- Doctoral Thesis (1)
- Master's Thesis (1)
Language
- German (22)
- English (21)
- Multiple languages (2)
Is part of the Bibliography
- no (45) (remove)
Keywords
- 01 (2)
- 02 (7)
- 03 (4)
- AI (1)
- Additive manufacturing (1)
- After-Sales-Services (1)
- Artificial intelligence (1)
- Asset Management (1)
- Augmented Reality (1)
- Augmented reality (1)
Institute
In der Spitzengruppe der weltweit wertvollsten Unternehmen befinden sich Stand 20211 hauptsächlich Digitalkonzerne wie Apple, Amazon, Alphabet, Microsoft, Facebook und Tencent. Im Gegensatz zu traditionellen Industrieunternehmen bestimmt sich der größte Anteil des Unternehmens- bzw. Börsenwerts dieser Konzerne nicht durch physische Assets, sondern durch den immateriellen Wert vorhandener Daten, Informationen und informationstechnischer Dienste.
Der Zugriff auf und die Nutzung von Daten sind zunehmend wettbewerbsentscheidende Schlüsselfaktoren und begründen die Notwendigkeit zur digitalen Transformation etablierter Geschäftsmodelle und -prozesse auch innerhalb der produzierenden Industrie in Deutschland und Europa. Das vom Bundesministerium für Wirtschaft und Klimaschutz geförderte Projekt ‚Future Data Assets“ dient folgerichtig dem Ziel, zunächst neue Möglichkeiten der Datenbe-
wertung, insbesondere im Bereich des monetären Nutzens, und daran anschließend Kanäle zur Kommunikation der ermittelten Werte zu erforschen. Im Fokus der Untersuchungen stehen insbesondere produzierende Unternehmen, die im Kontext von Industrie 4.0 zunehmend Daten wertschöpfend einsetzen, jedoch vor zahlreichen Herausforderungen in der externen und internen Kommunikation des Nutzwertes ihres Datenkapitals stehen.
Herausforderungen der Preisbildung datenbasierter Geschäftsmodelle in der produzierenden Industrie
(2022)
Inhaltsangabe des Sammelbands:
In diesem Open-Access-Buch stehen die wirtschaftliche Verwertung von Daten und die dazu gehörenden technischen und organisatorischen Prozesse und Strukturen in Unternehmen im Fokus. Es behandelt Themen wie Datenmonetarisierung, Datenverträge, Data Governance, Informationssicherheit, Datenschutz und die Vertrauenswürdigkeit von Daten.
Seit Jahren wird davon gesprochen, dass „Daten das neue Öl“ sind. Expertinnen und Experten sind sich einig: Das Wertschöpfungspotential von Daten ist enorm und das über fast alle Branchen und Geschäftsfelder hinweg. Und dennoch bleibt ein Großteil dieses Potentials ungehoben. Deshalb nimmt dieser Sammelband konkrete Innovationshemmnisse, die bei der Erschließung des wirtschaftlichen Werts von Daten auftreten können, in den Blick. Er bietet praktische Lösungsansätze für diese Hürden an den Schnittstellen von Ökonomie, Recht, Akzeptanz und Technik. Dazu folgen die Autorinnen und Autoren einem interdisziplinären Ansatz und greifen aktuelle Diskussionen aus der Wissenschaft auf, adressieren praxisnahe Herausforderungen und geben branchenunabhängige Handlungsempfehlungen. Den Leserinnen und Lesern soll eine transparente Informationsbasis angeboten werden und damit die Teilnahme an der Datenwirtschaft erleichtert werden.
Dieses Buch richtet sich an Entscheidungsträgerinnen und Entscheidungsträger in Unternehmen sowie an Entwicklerinnen und Entwickler datenbasierter Dienste und Produkte. Der Band ist ebenfalls für Fachkräfte der angewandten Forschung wie auch für interdisziplinär Studierende z.B. der Wirtschaftsinformatik, der technikorientierten Rechtswissenschaft oder der Techniksoziologie relevant.
Ziel des Forschungsprojekts 'LBM²' ist die Entwicklung eines kostengünstigen und leicht zu bedienenden Überwachungssystems für Windenergieanlagen (WEA). Mittels Lasterfassung durch Drehmomentsensoren und der darauf basierenden Ermittlung von Restlebensdauern sollen der Betrieb und die Instandhaltungsplanung des gesamten Windparks (WP) optimiert werden. Dazu wurde in Zusammenarbeit mit einem Sensorhersteller eine Technik zur Messung der realen Lasten an der Hauptwelle für die Applikation in einem Windpark des Projektpartners Innogy SE entwickelt. Parallel wurden Instandhaltungstätigkeiten im Windpark erfasst, prozessual abgebildet und wesentliche Kostentreiber identifiziert. Die Bearbeitung des Projekts erfolgt gemeinsamen durch das Center for Wind Power Drives (CWD) aus Aachen und den FIR e. V. an der RWTH Aachen. Das IGF-Vorhaben 20028 N der Forschungsvereinigung FIR e. V. an der RWTH Aachen, Campus-Boulevard 55, 52074 Aachen wird über die AiF im Rahmen des Programms zur Förderung der industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energien aufgrund eines Beschlusses des Deutschen Bundestages gefördert.
In Germany’s transition to a more sustainable industrial landscape, electricity generated by wind turbines (WT) remains a mainstay of the energy mix. Operating and maintenance costs, which account for roughly 25% of electricity generation costs in onshore WTs make improvements of maintenance activities a key lever in the economic operation of WTs. Prescriptive maintenance is a possible approach for improved maintenance activities. It is a concept where asset condition data is used to recommend specific actions and has great potential for the operation of wind parks. However, especially small, but also large wind park operators, and maintenance service providers often struggle with the implementation of such a new maintenance approach. As a part of the research project ReStroK, a learning game has been developed to support the training and familiarization of maintenance technicians with the concepts and underlying principles of this maintenance approach. In this paper, the concept for the development of a learning game will be presented. Multiple scenarios for its usage and their corresponding requirements will be discussed and an overview over the game will be given.
Manufacturing companies (MFRs) are increasingly extending their
portfolios with services and data-driven services (DDS) to differentiate themselves from competitors, tap new revenue potential, and gain competitive advantages through digitization and the subsequently generated data. Nonetheless, DDS fail more often than traditional industrial services and products within the first year on the market. Particularly, companies are failing to sell DDS successfully and efficiently with their existing (multi-level) distribution structures. Surprisingly, there is a lack of scientific research addressing this issue. Since there are currently no holistic models for an end-to-end description of distribution-tasks for DDS in the manufacturing industry, this paper contributes to a task-oriented reference model for mapping interactions in the multi-level distribution management. Therefore, a case study research approach is used, to identify and describe the interactions in the multi-level distribution management of DDS, as well as to develop a regulatory framework for MFRs and their multi-level distribution management. This research uses the established theoretical framework of Service-Dominant-Logic to address the co-creation in multi-level distribution management of DDS. As a result, this paper identifies different interaction variants as well as the need for a new management function with 4 main and 14 basic tasks.
This paper contributes to an assessment framework for valuing data as an asset. Particularly industrial manufacturers developing and delivering Smart Product Service Systems (Smart PSS) are comprehensively depended on the business value derived by processing data. However, there is a lack in a framework for capturing and comparing the Smart PSS data value with the purpose of increasing the accountability of data initiatives. Therefore a qualitative data value assessment approach was developed and specified on Smart PSS, based on an industrial case study research. [https://link.springer.com/chapter/10.1007/978-3-030-57997-5_39]
The industrial food production is currently caught between the increas-ing demands of numerous stakeholders, economic profitability and the challenges of digitization. A solution to face these various challenges can be seen in the aggregation of data into higher-value, independent data products that can be of-fered and sold on a buyer's market. Large amounts of heterogeneous data are already available in the value chain of the industrial food production, e.g. throughout the data-driven harvesting of primary products, further processing by interconnected production facilities and the information-intensive product distri-bution to end consumers. However, the data is usually only evaluated and used locally for the optimization of internal processes or, at the most, within compre-hensive partnerships. The purpose of this paper is to identify new revenue oppor-tunities for current and future players in the industrial food production by using data as an independent economic good (data products). For this purpose, scenar-ios for the development and use of data products via Industrial Internet of Things platforms are developed for a food technical reference process, the industrial chocolate production and its value chain. On this basis, examples for different types of data products and their value propositions are derived. The results can not only serve food producers and relevant stakeholders but all industrial produc-ers as an input for the future, yield-increasing orientation of their business models.
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]
Maschinen- und Anlagenbauer setzen sich in Ergänzung zum klassischen Verkauf von Produkten und Services zunehmend mit sog. Subskriptionsgeschäftsmodellen auseinander. Ertragsmechaniken wie Pay-per-Use oder Pay-per-Outcome, ein auf den individuellen Kundenerfolg ausgerichtetes Nutzenversprechen, digitale und über das Internet of Things vernetzte Leistungssysteme, bestehend aus Produkten, Services und Software, sowie eine langfristig orientierte, partnerschaftliche Kundenbeziehung sind Voraussetzungen und charakteristische Merkmale von Subskriptionsgeschäften. Da der Anbietererfolg im Subskriptionsgeschäft in direkter Abhängigkeit zum Kundenerfolg steht, erfordert das Subskriptionsgeschäft den Auf- und Ausbau eines sog. Customer-Success-Managements (CSM). Das CSM ist im Gegensatz zum Vertrieb oder Service vollständig auf den Erfolg, d. h. die Zielerreichung der individuellen Subskriptionskunden, ausgerichtet und incentiviert. Das CSM überwacht die Nutzungsphase der Produkte und Services und unterstützt die Subskriptionskunden proaktiv bei der Erreichung und Steigerung ihrer individuellen Ziele. Während das CSM in der Softwareindustrie bereits seit einigen Jahren etabliert ist, befinden sich Unternehmen im Maschinen- und Anlagenbau vielfach noch in der Konzeptionierungsphase eines CSMs. Das Ziel dieser Dissertationsschrift besteht daher darin, ein konfigurierbares Referenzmodell für das CSM im Maschinen- und Anlagenbau zu entwickeln, das Unternehmen bei der unternehmensspezifischen Ableitung eines CSM-Modells entlang ausgewählter Konfigurationsparameter unterstützt. Mit dem Referenzmodell soll vor allem die Effizienz bei der Gestaltung der CSM-Ablauforganisation gesteigert werden. Auf Basis einer spezifizierten Vorgehensweise zur konfigurativen Referenzmodellierung werden in dieser Dissertationsschrift zunächst Konfigurationsparameter für das CSM-Referenzmodell hergeleitet. Anschließend erfolgt der Entwurf des Ordnungsrahmens, der als übergeordneter Einstieg in das CSM-Referenzmodell dient.
Daraufhin werden sowohl ein Daten- als auch ein Funktionsmodell entwickelt, um die zahlreichen, notwendigen Datenpunkte und Aufgaben im CSM systematisch abzubilden. Die beiden Modelle werden im Anschluss über 17 modular gestaltete Prozessmodelle integriert. Das Referenzmodell wird abschließend zur Güteprüfung in drei ausgewählten
Fallstudien mit Unternehmen des Maschinen- und Anlagenbaus wiederverwendet und evaluiert.
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.