23
ENTWICKLUNG EINES METHODISCHEN BAUKASTENS ZUR GESTALTUNG VON BIG DATADIENSTLEISTUNGEN Fabian Hunke und Stefan Seebacher Business Analytics and Information Systems

Business Analytics and Information Systems ENTWICKLUNG ... · Schüritz, R. and G. Satzger. (2016). “Patterns of Data-Infused Business Model Innovation.” In: IEEE 18th Conference

  • Upload
    others

  • View
    1

  • Download
    0

Embed Size (px)

Citation preview

  • ENTWICKLUNG EINES METHODISCHEN BAUKASTENS ZUR GESTALTUNG VON BIG DATA DIENSTLEISTUNGEN

    Fabian Hunke und Stefan Seebacher

    Business Analytics and Information Systems

  • Servitisierung ermöglicht den gemeinsamen Werterstellungsprozess mit dem Kunden – Möglichkeit für höhere Margen und Differenzierung

    13.10.20172

    Produkt Anwendung

    Um Vielfacheshöhere Marge

  • ... dies ist auch im industriellen Umfeld zu beobachten

    13.10.20173

    Produkt Anwendung

    Um Vielfacheshöhere Marge

    Source: Rolls-Royce

    “Traditioneller” Ansatz “Power by the hour” – Ansatz

  • Die Servitisierung alleine sichert jedoch keinen Wettbewerbsvorteil

    Source: L. Kart, N. Heudecker, and F. Buytendijk, “Survey Analysis : Big Data Adoption in 2013 Shows Substance Behind the Hype.” Gartner, 2013. A. Neely, “Exploring the financial consequences of the servitization of manufacturing” 2009

    Anteil servitisierter Industrie-Unternehmen

    Servitisierung ist der führende Trend in

    Europa bzgl. zusätzlicher Wertschöpfung

    und Wettbewerbsdifferenzierung

    Dieser Wandel hat bereits weite Teile der

    Weltwirtschaft erreicht.

    Beobachtungen

    Diagramm1

    MalaysiaMalaysia

    SingaporeSingapore

    SpainSpain

    FinlandFinland

    United StatesUnited States

    SwedenSweden

    South AfricaSouth Africa

    AustriaAustria

    ThailandThailand

    NetherlandsNetherlands

    GermanyGermany

    Hong KongHong Kong

    United KingdomUnited Kingdom

    AustraliaAustralia

    VietnamVietnam

    SwitzerlandSwitzerland

    FranceFrance

    JapanJapan

    BelgiumBelgium

    IndonesiaIndonesia

    TaiwanTaiwan

    IndiaIndia

    Russian FederationRussian Federation

    ChinaChina

    % Servitized in 2007

    % Servitized in 2013

    45.64

    53

    49.21

    51

    25.84

    48.5

    52.69

    47

    58.57

    45.5

    27.45

    44

    0

    41

    14.49

    41

    20.09

    39

    40.34

    38

    29.4

    38

    0

    37

    25.49

    35.3

    22.7

    35

    0

    35

    27.74

    33

    18.85

    31.5

    11.64

    30.5

    37.66

    29.5

    15.29

    29

    26.9

    27

    0

    25

    0

    24.5

    0.97

    14.5

    Sheet1

    % Servitized in 2007% Servitized in 2013

    Malaysia45.6453

    Singapore49.2151

    Spain25.8448.5

    Finland52.6947

    United States58.5745.5

    Sweden27.4544

    South Africa041

    Austria14.4941

    Thailand20.0939

    Netherlands40.3438

    Germany29.438

    Hong Kong037

    United Kingdom25.4935.3

    Australia22.735

    Vietnam035

    Switzerland27.7433

    France18.8531.5

    Japan11.6430.5

    Belgium37.6629.5

    Indonesia15.2929

    Taiwan26.927

    India025

    Russian Federation024.5

    China0.9714.5

  • Das stetig zunehmende Datenvolumen bietet neue Chancen für strategische Wettbewerbsvorteile

    13.10.20175

    Zunehmendes Datenvolumen Eingeschränkte Datennutzung in Dienstleistungen

    Der wissenschaftliche Fokus lag bisher auf den technischen Aspekten: Daten-Aggregation

    Daten-Speicherung

    Daten-Analyse

    Daten-Visualisierung

    Datenbasierte Geschäftsmodelle sind im deutschen Mittelstand nur begrenzt anzufinden

    0

    10000

    20000

    30000

    40000

    2005 2010 2012 2015 2020

    Prognose der jährlich generierten digitalen Datenmenge weltweit Volumen in Exabyte; Quelle Statista

    BigDieMo: Unterstützung des deutschen Mittelstandes bei der schrittweisen Gestaltung von datenbasierten Dienstleistungen durch einen methodischen Baukasten

  • Das BigDieMo-Projekt

    13.10.20176

    Projektteam

    Umsetzungspartner

    Interessenten

  • Eine enge Zusammenarbeit mit den Umsetzungspartnern sichert die Praxisrelevanz des Projektes

    13.10.20177

    DatenbasiertesGeschäftsmodell

    DerzeitigesGeschäftsmodell

    Workshop & Interview Runde 1

    Workshop & Interview Runde 2

    AP1 Typisierung

    AP3 Baukastenentwicklung

    AP2 Innovationsbedarfe AP4 Erprobung

    AP5 FinalisierungIterativ

    Der Projektablauf

  • 8 13.10.2017Schüritz, R. and G. Satzger. (2016). “Patterns of Data-Infused Business Model Innovation.” In: IEEE 18th Conference on Business Informatics (CBI). Paris.

    Welcher Mehrwert kann angeboten werden?

    Wie werden Ressourceneingesetzt, um Mehrwert anzubieten?

    Wie wird der erzeugte Mehrwert in (finanzielle) Vergütung umgewandelt?

    Value Proposition

    Value Creation Value Capturing

    Wie können Daten das Geschäftsmodell verändern?

  • Es existieren unterschiedliche Transformationsoptionen für den Einsatz von Daten in Geschäftsmodellen

    13.10.20179

    Value Proposition

    Value Capturing

    Value Creation

    Frühzeitige Erkennung von Ausschuss bei der Stahl-produktion durch Sensoren

    Value Proposition

    Value Capturing

    Value Creation

    Value Proposition

    Value Capturing

    Value Creation

    Value Proposition

    Value Capturing

    Value Creation

    Value Proposition

    Value Capturing

    Value Creation

    Preisdifferenzierung basierend auf dem Kundenstandort

    Nutzungsabhängige Versicherung für den Fernverkehr

    Sensor-basierte Überwachung und Anpassung des Treibstoffverbrauchs

    Bereitstellung geografischer und demografischer Daten von

    Mobilfunkkunden

    Schüritz, R. and G. Satzger. (2016). “Patterns of Data-Infused Business Model Innovation.” In: IEEE 18th Conference on Business Informatics (CBI). Paris.

    55% 20%

    3% 5%

    17%

  • Wie sehen die Startmöglichkeiten für die Entwicklung datenbasierter Geschäftsmodelle aus?

    13.10.201710

    Optimierung der vorhandenen Value

    Proposition mit Daten

    Ermittlung einer neuartigen Value

    Proposition

    Idee für neuartige Value Proposition schon vorhanden

    A

    BC

  • Zwar ist die technische Umsetzung des datenbasierten Services eine Herausforderung, jedoch ist dieser Prozessschritt nicht der wichtigste.

    Die Ideation Phase ist ein wesentlicher Bestandteil des Baukastens, da diese Phase eine zentrale Herausforderung bei der Erstellung von datenbasierten Lösungen darstellt.

    Innerhalb des Geschäftsmodell-Entwicklungsprozesses unterstützt der BigDieMo-Baukasten insbesondere bei der Ideenfindung

    13.10.201711

    Initiation2

    Ideation3

    Integration4

    Realization5

    Explore, observe

    Deduct insights

    Generate ideas

    Deduct solutions

    Prototype, test & refine

    Change mgmt.,Test & adaptSolution GM alignment

    Data-need fit Product-market fit BM fitProblem-solution fit

    Solution space

    Identified Challenges

    Aligned solution

    Opportunity space

    Market introduction

    Methodischer Baukasten

    Hunke, F., S. Seebacher, R. Schüritz and A. Ihli (2017). “Towards a Process Model for Data-Driven Business Model Innovation.” In: IEEE 19th Conference on Business Informatics (CBI). Thesaloniki.

  • Überblick der Baukasten Tools

    13.10.201712

    Data-Infused Value Proposition Key ActivitiesKey Resources

    Channels Revenue Model

  • Der BigDieMo-Baukasten kann durch seinen modularen Aufbau eine Hilfestellung für alle Entwicklungsstartpunkte liefern

    13.10.201713

    Value Proposition

    Value Creation

    Value Capturing

    Channels Revenue Models

    Key Resources Key Activities

    Data-Infused Value Proposition

  • Data-Infused Value Proposition

    Adressat Pains & Gains Lösung Technologie & Daten PartnerWem soll eine daten-basierte Lösung angeboten werden?

    Welche Pains & Gains hat der Adressat der daten-basierten Lösung?

    Welche daten-basierteLösung soll angeboten werden?

    Welche Technologie und Daten werden genutzt?

    Wer ist außerhalb der Organisation beteiligt?

    Kundennutzen Alleinstellungsmerkmal

    Was ist der Kundennutzen der daten-basierten Lösung? Was ist das Alleinstellungsmerkmal der daten-basierten Lösung?

    Data-Infused Value Proposition

    14

    1 2 3 4

    6 7

    5

    Kundenperspektive Unternehmensperspektive

  • Data-Infused Value Proposition

    Adressat Pains & Gains Lösung Technologie & Daten PartnerWem soll eine daten-basierte Lösung angeboten werden?

    Welche Pains & Gains hat der Adressat der daten-basierten Lösung?

    Welche daten-basierteLösung soll angeboten werden?

    Welche Technologie und Daten werden genutzt?

    Wer ist außerhalb der Organisation beteiligt?

    Kundennutzen Alleinstellungsmerkmal

    Was ist der Kundennutzen der daten-basierten Lösung? Was ist das Alleinstellungsmerkmal der daten-basierten Lösung?

    Data-Infused Value Proposition – Am Beispiel Rolls Royce

    15

    1 2 3 4

    6 7

    5

    Kundenperspektive UnternehmensperspektiveVersicherungs-unternehmen

  • Die Projektergebnisse werden über unterschiedliche Kanäle der Öffentlichkeit zugänglich gemacht

    13.10.201716

    Wissenschaftliche Publikationen

    Praxishandbuch

    Praxis-handbuch

    Praxis-Handbuch zur Anleitung einer selbstständigen Anwendung des BigDieMo Baukasten und dessen Tools

    Verfügbar ab Ende 2018

    “Patterns of Data-Infused Business Modell Innovation" “Revenue Models for Data-Driven Services” “How to Cultivate Analytics Capabilities within an Organization?” “Datatization as the Next Frontier of Servitization”

    Reihe an Smart Service Broschüren Erste Ausgabe im Mai 2017 erschienen Näheres unter www.bigdiemo.de

    Broschüren & Website

  • 13.10.201717

    Fabian HunkeKarlsruhe Service Research [email protected]

    Stefan SeebacherKarlsruhe Service Research [email protected]

    Vielen Dank für Ihre Aufmerksamkeit!

  • 13.10.201718

    Backup

  • Schlüsselressourcen

    13.10.201725

    Interne turnusmäßige Daten Daten im Besitz Ihrer Organisation zu regelmäßigen

    Zeitpunkten aktualisiert

    Interne kontinuierliche Daten Daten im Besitz Ihrer Organisation in einem

    kontinuierlichen Stream

    Externe turnusmäßige Daten Daten im Besitz Dritter zu regelmäßigen

    Zeitpunkten aktualisiert

    Externe kontinuierliche Daten Daten im Besitz Dritter in einem kontinuierlichen

    Stream

    Welche Daten sind in Ihrer Organisation bereits verfügbar?Welche Daten könnten Sie durch die Nutzung Ihrer Produkte oder Dienstleistungen erfassen?Welche Daten können Ihre Nutzer bereitstellen?

    Welche Daten können Ihre Partner bereitstellen?Welche offene Daten sind zugänglich?Welche Daten können Sie aus dem Internet extrahieren?Welche Daten lassen sich erwerben?

  • Data-Infused Value Proposition

    Adressat Pains & Gains Lösung Technologie & Daten PartnerWem soll eine daten-basierte Lösung angeboten werden?

    Welche Pains & Gains hat der Adressat der daten-basierten Lösung?

    Welche daten-basierteLösung soll angeboten werden?

    Welche Technologie und Daten werden genutzt?

    Wer ist außerhalb der Organisation beteiligt?

    Kundennutzen Alleinstellungsmerkmal

    Was ist der Kundennutzen der daten-basierten Lösung? Was ist das Alleinstellungsmerkmal der daten-basierten Lösung?

    Data-Infused Value Proposition

    26

    1 2 3 4

    6 7

    5

    Kundenperspektive Unternehmensperspektive

  • 13.10.201727

    Key Activities – Am Beispiel Rolls Royce

    Welche Daten können vom Kunden genutzt werden?

    Wie müssen die Datenzusammengeführt werden?

    Können Daten direkt beim Kunden vorverarbeitet werden? Wenn ja,

    wie?

    Kann das Data Mining beim Kunden geschehen? Welche

    Aufgaben kann der Kunde übernehmen?

    Kann die Auswertung der Ergebnisse beim Kunden erfolgen?

    Wenn ja, wie?

    Welche Daten können intern generiert werden?

    Wie müssen die Datenzusammengeführt werden?

    Können Daten intern vorverarbeitet werden? Welche Skills besitzt das Unternehmen?

    Kann das Data Mining intern geschehen? Welche Data Mining Skills besitzt das Unternehmen?

    Wie kann die Auswertung der Ergebnisse intern durchgeführt

    werden?

    Welche Daten können vonPartnern genutzt werden?

    Wie müssen die Datenzusammengeführt werden?

    Können Partner die Daten für uns vorverarbeiten? Wenn ja, wie?

    Kann das Data Mining mit Hilfe von Partnern erfolgen? Welche

    Aufgaben kann der Partner übernehmen?

    Kann die Auswertung der Ergebnisse mit Hilfe von Partnern

    erfolgen? Wenn ja, wie?

    Part

    ner

    Unt

    erne

    hmen

    Kund

    e

    Datenvorbereitung Data Mining InterpretationDatensammlung Datenorganisation

    Part

    ner

    Unt

    erne

    hmen

    Kund

    e

  • 13.10.201728

    Phasen

    Kana

    lart

    en

    1. Aufmerksamkeit 2. Bewertung 3. Kauf 4. Bereitstellung 5. Erbringung

    Wie werden Kunden auf die datenbasierte Dienstleistung aufmerksam?

    • Website• Messeauftritt • Katalog • … • …• …

    Wie werden Kunden bei der Bewertung unterstützt?

    • Vertriebsmitarbeiter• Hotline • Website • Chat • Onlinetool • Katalog• Konfigurator • … • …• …

    Über welche Wege können Kunden die datenbasierte Dienstleistung erwerben?

    • Onlineshop (des Kunden)

    • Vertrieb• Bestellhotline • Vertriebspartner • … • …• …

    Wie kommen die Kunden an die diedatenbasierte Dienstleistung?

    • Physischer Versand• License Key • Download • Appstore• Physisches Interface

    (z.B. Tablet) • … • …• …

    Wie wird die datenbasierte Dienstleistung nach dem Kauf erbracht?

    • App • Cloud Lösung• Serverlösung • … • …• …

    Quelle: in Anlehnung an Osterwalder, A., & Pigneur, Y. (2010)

    Kanäle

  • Erlösmodelle – eine Entscheidungshilfe

    13.10.201729

    Abonnement Nutzungs-gebührProvision / Beteiligung

    Erduldung von Werbung

    Kauf und Verkauf von Daten

    Bezahlung mit Daten

    Bes

    chre

    ibun

    g

    • Kunde zahlt periodisches Entgelt für die Nutzung

    • Gestaltung des Entgelts auf Basis von Datenmengen(Volume-Restriction) oder Menge an Accounts (Access-Restriction)

    • Kunde bezahlt entsprechend der Nutzungshäufigkeit des Services

    • Serviceverbessert Prozesse beim Kunden

    • Kunde bezahlt einen Anteil (prozentual oder fest) seines Umsatzes als Entgelt

    • Nutzung des Servicesverbunden mit der Erduldung personalisierter Werbung

    • Informationen über Kunden locken zahlende Dienstleister an (Datenmarktplatz)

    • MehrereKundengruppenvorhanden

    • Kundegruppe 1 zahlt mit eigenen Daten für die Nutzung

    • Kundendaten werden weiterverarbeitet und als neuer Service per Abo/ Nutzungsgebühr an Kundengruppe 2 verkauft

    Vora

    usse

    tzun

    g • Kontinuierliche Sammlung/ Verarbeitung von Daten

    • Aktualität der Daten wichtig

    • Aktualität der Daten wichtig

    • WahrgenommenerNutzen des Kunden nimmt zu je häufiger der Service in Anspruch genommen wird

    • Erfolg/ Leistungdes Services messbar

    • Kundenprofilewerden erstellt

    • Werbung kann im Angebot geschaltet werden

    • Daten können gesammelt werden

    • Analyse der Daten ergibt neue Erkenntnisse

    • Kundendaten können gesammelt werden

    • Skalierbare und sich wiederholendeTransaktionen

    Um

    setz

    ung

    Entwicklung eines methodischen Baukastens zur Gestaltung von Big data DienstleistungenServitisierung ermöglicht den gemeinsamen Werterstellungsprozess mit dem Kunden – Möglichkeit für höhere Margen und Differenzierung�... dies ist auch im industriellen Umfeld zu beobachtenDie Servitisierung alleine sichert jedoch keinen WettbewerbsvorteilDas stetig zunehmende Datenvolumen bietet neue Chancen für strategische WettbewerbsvorteileDas BigDieMo-ProjektEine enge Zusammenarbeit mit den Umsetzungspartnern sichert die Praxisrelevanz des ProjektesWie können Daten das Geschäftsmodell verändern?Es existieren unterschiedliche Transformationsoptionen für den Einsatz von Daten in GeschäftsmodellenWie sehen die Startmöglichkeiten für die Entwicklung datenbasierter Geschäftsmodelle aus?Innerhalb des Geschäftsmodell-Entwicklungsprozesses unterstützt der BigDieMo-Baukasten insbesondere bei der IdeenfindungÜberblick der Baukasten ToolsDer BigDieMo-Baukasten kann durch seinen modularen Aufbau eine Hilfestellung für alle Entwicklungsstartpunkte liefernData-Infused Value PropositionData-Infused Value Proposition – Am Beispiel Rolls Royce Die Projektergebnisse werden über unterschiedliche Kanäle der Öffentlichkeit zugänglich gemachtFoliennummer 17Foliennummer 18SchlüsselressourcenData-Infused Value PropositionKey Activities – Am Beispiel Rolls RoyceFoliennummer 28Erlösmodelle – eine Entscheidungshilfe