Refine
Document Type
- Contribution to a Periodical (3)
- Internet Paper (2)
- Report (2)
- Book (1)
- Part of a Book (1)
- Conference Proceeding (1)
- doctorallecture (1)
- Doctoral Thesis (1)
- Working Paper (1)
Language
- German (13) (remove)
Is part of the Bibliography
- no (13) (remove)
Keywords
- 01 (3)
- 04 (1)
- 2 (2)
- Crowd-Innovation (1)
- Datenaustausch (1)
- Datenmanagement (2)
- Datenmonetarisierung (2)
- Datennutzung (2)
- Digitaler Schatten (1)
- Digitalisierung (3)
Institute
Ziel des Beitrags ist es, aufzuzeigen, wie produzierende Unternehmen entlang der Customer-Journey systematisch kundenbezogene Daten erheben können. Nach einer Einleitung zur Motivation der Themenstellung, einer Begriffserläuterung und einer Vorstellung des Studiendesigns wird ein Referenzprozessmodell der Kundeninteraktionen produzierender Unternehmen gestaltet, darauf aufbauend ein Datenmodell des digitalen Schattens der Kundeninteraktionen abgeleitet und zuletzt ein Vorgehensmodell zur Implementierung des digitalen Schattens der Kundeninteraktionen präsentiert.
Smart Services – die effektive Trias aus Produkt, Service und kundenorientiertem Leistungsversprechen – bieten Chancen für produktionsorientierte Unternehmen eine Differenzierung und neue Marktchancen zu erreichen. Der bislang geringe Einsatz von Smart Services zeigt, dass im produzierenden Gewerbe vielschichtige Herausforderungen bestehen, die Bausteine Produkt, Service und Leistungsversprechen zu nachhaltigen und wettbewerbsfähigen Smart Services zu kombinieren, erfolgreiche Geschäftsmodelle abzuleiten und Organisationen auf das Smart-Service-Geschäft anzupassen. Nur die großen Player schaffen dies eigenständig, der Innovationsstandort Deutschland lebt aber auch von seinen Hidden Champions: Kleinunternehmen und Mittelständlern.
Produzierende Unternehmen haben vielzählige Interaktionen mit ihren Kunden entlang der Customer-Journey. Der digitale Schatten der Kundeninteraktionen zeigt dabei entlang eines Referenzprozesses auf, welche Daten an welcher Stelle erhoben werden können und wie diese Daten logisch miteinander zu verknüpfen sind, um ein hinreichend genaues datenbasiertes Abbild ihrer Kunden zu erhalten. Damit können Bedürfnisse der Kunden analysiert und das Leistungsangebot optimiert werden.
Die neue Expertise des Forschungsbeirats Industrie 4.0 bei der acatech beschäftigt sich mit der Frage, wie hiesige Unternehmen ihre Datenbasis aufbauen, nutzen und monetarisieren. Aus Umfrage-Erkenntnissen haben die Experten Handlungsoptionen abgeleitet, mit denen Firmen ihre Daten Schritt für Schritt in den Dienst der eigenen Wertschöpfung stellen können.
Daten als Ressource
(2023)
Obwohl immer mehr Unternehmen den Wert von Daten für sich entdecken und intern zu nutzen beginnen, wird dem Datenaustausch und der Datenmonetarisierung bisher wenig Aufmerksamkeit geschenkt. In diesem Beitrag werden die Kernergebnisse der Acatech-Expertise zu Aufbau, Nutzung und Monetarisierung der industriellen Datenbasis vorgestellt.
Daten sind das neue Öl. Aber wie werden die Potenziale der Daten in Industrie 4.0 genutzt? In der neuen Expertise des Forschungsbeirats Industrie 4.0 untersuchten der FIR an der RWTH Aachen und das Industry 4.0 Maturity Center den Aufbau, die Nutzung und die Monetarisierung der industriellen Datenbasis. Mithilfe einer Umfrage sowie Experteninterviews ermittelte das Projektteam den aktuellen Stand und die Herausforderungen deutscher Unternehmen hinsichtlich der Nutzung und der wirtschaftlichen Verwertung von industriellen Daten. Darauf aufbauend wurden Handlungsoptionen dazu erarbeitet, wie produzierende Unternehmen den Nutzungsgrad ihrer Datenbasis erhöhen sowie Potenziale bei der Monetarisierung ausschöpfen können. Darüber hinaus gibt die Studie Impulse dazu, welchen Beitrag Politik, Wissenschaft und Verbände leisten können.
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.
Um Transparenz über die Luftqualität im gesamten Stadtgebiet zu schaffen, fehlte ein engmaschiges Netz an Luftqualitätssensoren, welches lokale Problemzonen in Abhängigkeit der Tageszeit identifiziert. Im Rahmen des 'AirQuality'-Projekts führten der FIR e.V. an der RWTH Aachen und der kanadische Telematikanbieter Geotab GmbH einen Proof of Concept zur Entwicklung einer Methode durch, welche die Erhebung von Luftqualitätsdaten in bisher nicht vorhandener Granularität ermöglicht: Fahrzeugflotten, die innerhalb eines Stadtgebiets unterwegs sind – wie beispielsweise Fahrzeuge des Öffentlichen Personen Nahverkehrs (ÖPNV) – wurden mit Sensorik zur Erfassung der Luftqualität ausgestattet. Die so gesammelten Daten wurden analysiert und in einer über die Stadtkarte gelegten „Heatmap“ visualisiert. Mit dieser Luftqualitätskarte konnte die Luftqualität straßen- und uhrzeitgenau angezeigt werden. Durch die Ergebnisse des 'AirQuality'-Projekts ist es möglich, Orte mit erhöhter Feinstaubbelastung zu identifizieren und Maßnahmen zur Reduktion von Emissionen objektiv zu bewerten. Darüber hinaus bietet die feingranulare Datenerfassung eine Grundlage für verschiedene innovative Lösungen. Hierzu zählen beispielsweise auf aktuellen Luftqualitätswerten basierende Intelligente Lichtsignalanlagen oder optimierte Routenführungen für Bürger.
Through data-based insights into customer behavior, products and service offers can be improved. For manufacturing companies, smart product-service systems (SPSS) offer the possibility to collect customer data during the usage phase of the product. As the focus on customer analytics is too often on sales and marketing, SPSS are overlooked as a source of customer data. However, manufacturing companies need to integrate data from all interactions with their customers along the complete customer journey to achieve a holistic data-based view of the customers. To identify these interactions and the customer data derived from them, the concept of a digital shadow will be applied to the customer journey. The projected results for the presented work in progress are a reference process model for the customer journey in manufacturing and a data model of the customer data created along this process.