Refine
Year of publication
- 2021 (3) (remove)
Document Type
- Part of a Book (2)
- Conference Proceeding (1)
Is part of the Bibliography
- no (3)
Keywords
- Industrie 4.0 (3) (remove)
Institute
Erfolgreiche Serviceinnovation im Zeitalter industrieller, datenbasierter Dienstleistungen unterscheidet sich deutlich von bisherigen Ansätzen der klassischen Dienstleistungsentwicklung. Diese Erkenntnis konnte aus einem breit angelegten Benchmarking in der deutschen Industrie gewonnen werden. Die Benchmarking-Studie identifizierte besonders erfolgreiche Unternehmen, deren Methoden und Ansätze zur Gestaltung innovativer Dienstleistungen in Form von Fallstudien im Detail untersucht wurden. Als Kernergebnis ergeben sich sechs Prinzipien, die erfolgreiche Serviceinnovation für datenbasierte Dienstleistungen auszeichnen.
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.
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]