Outline

Gliederung

IM 38, 2022, 33-36
Daten als Geschäftsmodellbasis – Handlungsempfehlungen für kompetitive Predictive-Maintenance-Geschäftsmodelle
Heiko Fischer, Sven Seidenstricker, Duale Hochschule Baden-Württemberg Mosbach, Saskia Ramm und Barbara Dinter, Technische Universität Chemnitz

Bibtex

Cite as text

						@Article{Fischer+Seidenstricker+Ramm+Dinter,
							Cite-key = "Fischer2022Daten", 
							Year= "2022", 
							Number= "6", 
							 Volume= "IM 38", 
							Pages= "33-36", 
							Journal   = "Industrie 4.0 Management",
							 Title= "Daten als Geschäftsmodellbasis – Handlungsempfehlungen für kompetitive  Predictive-Maintenance-Geschäftsmodelle", 
							Author= "Heiko Fischer, Sven Seidenstricker, Duale Hochschule Baden-Württemberg Mosbach,  Saskia Ramm und Barbara Dinter, Technische Universität Chemnitz", 
							Doi= "https://doi.org/10.30844/IM_22-6_33-36", 
							 Abstract= "In Forschung und Industrie zeigt sich, dass Produkt-Service-Systeme (PSS) und Big Data das Potenzial haben, Wettbewerbsvorteile zu erzielen. Doch hierfür sind neue innovative Geschäftsmodelle und eine Neupositionierung der Unternehmen unabdingbar, was gerade für den mittelständisch geprägten Maschinen- und Anlagenbau häufig eine Herausforderung darstellt. Daher zeigt der Beitrag am Beispiel der Predictive Maintenance (PdM) auf, welchen Einfluss Big Data und PSS auf Geschäftsmodelle von Unternehmen dieser Branche haben. Anhand einer systematischen Literaturrecherche in Kombination mit Experteninterviews konnten praktische Handlungsempfehlungen zur Geschäftsmodellgestaltung identifiziert werden, die sowohl fundierte Erläuterungen für Industrievertreter als auch ein tieferes Verständnis für datengetriebene PdM-Lösungen liefern.", 
							 Keywords= "Predictive Maintenance, Geschäftsmodell, Big Data, Produkt-Service-System, qualitativ", 
							}
					
Heiko Fischer, Sven Seidenstricker, Duale Hochschule Baden-Württemberg Mosbach,  Saskia Ramm und Barbara Dinter, Technische Universität Chemnitz(2022): Daten als Geschäftsmodellbasis – Handlungsempfehlungen für kompetitive  Predictive-Maintenance-Geschäftsmodelle. IM 386(2022), S. 33-36. Online: https://doi.org/10.30844/IM_22-6_33-36 (Abgerufen 20.11.24)
https://doi.org/10.30844/IM_22-6_33-36

Open Access

Abstract

Abstract

In Forschung und Industrie zeigt sich, dass Produkt-Service-Systeme (PSS) und Big Data das Potenzial haben, Wettbewerbsvorteile zu erzielen. Doch hierfür sind neue innovative Geschäftsmodelle und eine Neupositionierung der Unternehmen unabdingbar, was gerade für den mittelständisch geprägten Maschinen- und Anlagenbau häufig eine Herausforderung darstellt. Daher zeigt der Beitrag am Beispiel der Predictive Maintenance (PdM) auf, welchen Einfluss Big Data und PSS auf Geschäftsmodelle von Unternehmen dieser Branche haben. Anhand einer systematischen Literaturrecherche in Kombination mit Experteninterviews konnten praktische Handlungsempfehlungen zur Geschäftsmodellgestaltung identifiziert werden, die sowohl fundierte Erläuterungen für Industrievertreter als auch ein tieferes Verständnis für datengetriebene PdM-Lösungen liefern.

Keywords

Schlüsselwörter

Predictive Maintenance, Geschäftsmodell, Big Data, Produkt-Service-System, qualitativ

References

Referenzen

[1] Legner, C.; Eymann, T.; Hess, T.; Matt, C.; Böhmann, T.; Drews, P.; Mädche, A.; Urbach, N.; Ahlemann, F.: Digitalization: Opportunity and Challenge for the Business and Infor-mation Systems Engineering Community. In: Business & Information Systems Engineering 59 (2017) 4, S. 301–08.
[2] Vargo, S. L.; Lusch, R. F.: Institutions and axioms: an extension and update of service-dominant logic. In: Journal of the Academy of Marketing Science 44 (2016) 1, S. 5–23.
[3] Annarelli, A.; Battistella, C.; Nonino, F.: Product service system: A conceptual framework from a systematic review. In: Journal of Cleaner Production 139 (2016), S. 1011–32.
[4] BearingPoint: Predictive Maintenance Studie 2021. Technologische Hürden sind überwindbar – Erste messbare Erfolge geben Aufwind.
URL: https://www.bearingpoint.com/de-de/insights-events/insights/chancen-und-herausforderungen-von-predictive-maintenance-in-der-industrie/. Abrufdatum 11.10.2022.
[5] Peffers, K.; Tuunanen, T.; Rothen-berger, M. A.; Chatterjee, S.: A Design Science Research Methodology for Information Systems Research.
In: Journal of Management Information Systems 24 (2007) 3, S. 45–77.
[6] Gassmann, O.; Frankenberger, K.; Choudury, M.: Geschäftsmodelle entwickeln. 55 innovative Konzepte mit dem St. Galler Business Model Navigator, 2. Auflage. München 2017.
[7] Pflaum, A.; Schulz, E.: Auf dem Weg zum digitalen Geschäftsmodell. In: HMD Praxis der Wirtschaftsinformatik 55 (2018) 2, S. 234–51.
[8] Bogner, E.; Körner, N.; Abersfelder, S.; Franke, J.: Innovative Geschäftsmodelle der Digitalisierung. In: Zeitschrift für wirtschaftlichen Fabrikbetrieb 111 (2016) 6, S. 368–71.
[9] Feng, Q.; Shanthikumar, J. G.: How Research in Production and Operations Management May Evolve in the Era of Big Data. In: Production and Operations Management 27 (2018) 9, S. 1670–84.
[10] Storbacka, K.; Windahl, C.; Nenonen, S.; Salonen, A.: Solution business models: Transformation along four continua. In: Industrial Marketing Management 42 (2013) 5, S. 705–16.
[11] Groß, R.; Tonn, K.: Erfahrungen auf dem Weg zum Lösungsanbieter bei der Firma TRUMPF Werkzeugmaschinen. In: Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung 64 (2012) S65, S. 173–85.
[12] Brady, T.; Davies, A.; Gann, D. M.: Creating value by delivering integrated solutions. In: International Journal of Project Management 23 (2005) 5, S. 360–65.

Most viewed articles

Meist angesehene Beiträge

GITO events | library.gito