Refine
Document Type
- Contribution to a Periodical (6)
- Part of a Book (5)
- Conference Proceeding (4)
- Book (2)
- doctorallecture (1)
- Doctoral Thesis (1)
- Report (1)
Is part of the Bibliography
- no (20)
Keywords
- Adaptation models (1)
- Agile Entwicklung (1)
- Analytics (1)
- Business Analytics (1)
- Business Analytics Methods (1)
- Business Model (1)
- Business Transformation (1)
- Business-Analytics (1)
- Business-Analytics-Methoden (1)
- Change Management (1)
Institute
Smart-Service-Engineering
(2019)
Die Industrie 4.0 hält viele Möglichkeiten für produzierende Unternehmen bereit, während sie zeitgleich eine Menge Herausforderungen kreiert. In diesem digitalisierten
und globalisierten Marktplatz kommen viele Unternehmen unter Druck, serviceorientierter zu werden und innovative Dienstleistungen wie Smart Services anzubieten. Die digitalen Services schaffen ihren Wert durch die Erweiterung von physischen Produkten. Jedoch haben sich die klassischen Methoden des Service-Engineerings (SE) nicht in ausreichendem Tempo an die digitalisierten Komponenten und veränderten Voraussetzungen angepasst. Hier wird das Smart-Service-Engineering (SSE) als neuer Ansatz für industrielle Smart Services vorgestellt. Smart-Service-Engineering basiert auf einem iterativen Entwicklungsmodell, das agile und kundenorientierte Methoden zur Verringerung der Entwicklungszeit implementiert, um einen frühen Markterfolg zu erreichen. Dabei liegt der Fokus auf den Service-Entwicklungsstufen und der Interaktion dieser Elemente des Smart Service. Schlussendlich illustriert der Beitrag die erfolgreiche Umsetzung des Smart-Service-Engineering-Ansatzes auf ein deutsches mittelständisches Unternehmen der Textilindustrie.
Mobilität in NRW neu denken
(2018)
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.
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.
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.
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.
Transformationsprozesse sind insbesondere für kleine und mittlere Unternehmen (KMU) mit einem hohen Realisierungsrisiko verbunden. Aufgrund ihrer begrenzten Personal- und Finanzressourcen birgt Wandel immer eine potenzielle Gefahr für das laufende Geschäft und stellt Management und Belegschaft vor größte Herausforderungen.
Eine Art der radikalen Neupositionierung für Unternehmen ist die Entwicklung neuer Leistungen (Services) um ein bestehendes Produkt herum. Dabei muss die zugrundeliegende Vision eines Wandels zum Lösungsanbieter im Unternehmen internalisiert werden und deswegen Mitarbeiterroutinen angepasst werden, ohne dabei Ressourcen zu vergeuden.
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 Einsatz von Business-Analytics wird für produzierende Unternehmen zunehmend zum strategischen Erfolgsfaktor. Dabei stellt vor allem die Vielzahl der zur Verfügung stehenden Business-Analytics-Methoden und deren Einsatzmöglichkeiten viele Praktiker vor Herausforderungen. Diese Arbeit setzt an diesen Barrieren an und gibt Praktikern ein Methodenset an die Hand, mit dessen Hilfe es möglich ist zu bewerten welche Methoden für welche Problemstellung und welche Datengrundlage geeignet sind.