Value Creation with Digital Twins – a Conceptual Framework: Dimension der Datenressourcen

Von Linard Barth und Dr. Matthias Ehrat

Im ersten Blogbeitrag zum Digital Twin Conceptual Framework der Fachstelle für Produktmanagement des Instituts für Marketing Management wurde das Rahmenmodell im Überblick vorgestellt und mögliche Anwendungen erläutert.

Um die Wertgenerierung mit digitalen Zwillingen ganzheitlich zu erfassen, werden im Rahmenmodell die drei Dimensionen «externe Wertgenerierung» (im Markt, bei den Kunden, in der Anwendung und Nutzung), «interne Wertgenerierung» (innerhalb des Unternehmens) und die dafür benötigten «Datenressourcen» unterschieden. In diesem letzten Beitrag unserer Reihe zum Rahmenmodell beleuchten wir die dritte Dimension «Datenressourcen». Wir erläutern dazu die drei Achsen und deren Spezifikationen.

Datenressourcen

Daten werden oft als das Öl des digitalen Zeitalters bezeichnet und sind für die Wertgenerierung mit digitalen Zwillingen unerlässlich. Die Analogie stimmt zwar hinsichtlich der zentralen Bedeutung dieser Ressource. Im Gegensatz zu Öl vergrössern sich jedoch die Vorkommen von Daten stetig.

Was ein digitaler Zwilling genau ist und wie welche Datenressourcen zur Realisierung verwendet werden, ist in Literatur und Praxis unterschiedlich definiert. Unter einem digitalen Zwilling wird jedoch immer eine Art von Datendrehscheibe verstanden, welche Daten erhalten, generieren, verarbeiten und weiterversenden kann. Damit ein Unternehmen die in der Betrachtung der externen und internen Dimension definierten Werte mit digitalen Zwillingen realisieren kann, ist es unabdingbar über die benötigten Datenressourcen zu verfügen.

Dabei stellen sich grundsätzlich die Fragen, über was beziehungsweise von was das Unternehmen Daten benötigt (Data Category), aus welchen Quellen (Data Sources) diese Daten gewonnen werden können und in welcher Qualität (Data Format) diese Daten benötigt werden. Hinsichtlich der letzten Teilfrage ist zudem zu beantworten, mit welchen Methoden und Werkzeugen die Aufbereitung und Analyse der Daten erfolgen soll.

Data Category

Über was/von was benötigen wir Daten?

Viele Unternehmen geben darauf eine vermeintlich einfache Antwort: Wir müssen über alles möglichst viele Daten generieren und speichern – so haben wir alle benötigten Daten für aktuelle und zukünftige Anwendungen, die wir teilweise auch erst mit «Big Data Mining» im so angestauten «Data Lake» entdecken werden. Diese Antwort mag für einige Unternehmen wie Facebook oder Google durchaus richtig sein. Für die meisten Unternehmen ergeben sich dadurch jedoch mehr Herausforderungen als Mehrwerte: Die Preise für Cloud-Speicher sinken zwar stetig, dennoch sind die Kosten für Datenseen, die keinen unmittelbaren Mehrwert bringen, nicht zu unterschätzen. Zudem sind auch die Aufbereitungs- und Analysemethoden mittels Algorithmen, wie «Machine Learning» oder «Artificial Intelligence», selten in der Lage unbekannte Muster zu entdecken, ohne dass vorgängig zumindest eine Idee vorhanden ist, wonach gesucht werden soll. Schliesslich steigen die Kosten und Zeitaufwände mit der Menge an zu verarbeitenden Daten, falls diese überhaupt in einem austausch- und verarbeitbaren Format vorliegen. Deshalb sollte aus unserer Sicht Folgendes die Antwort auf obig gestellte Frage sein: Wir benötigen vorrangig jene Daten, welche notwendig sind, um die vorgängig definierten internen und externen Werte zu realisieren. Dabei können die folgenden drei Hauptkategorien unterschieden werden:

Kundenorientierte Daten (Customer)

Dazu gehören sämtliche Daten, die Auskunft über die Nutzer der eigenen Leistungen geben. Dadurch kann die Beziehung zum Kunden im Kundenlebenszyklus optimal gestaltet werden und Kunden können gezielt einzelnen Segmenten zugeordnet werden. Beispiele entlang der «Customer Journey» sind die erstmalige Wahrnehmung des Angebots («Impression»), die Phasen der Bedarfsentwicklung, die Aktivitäten des Such-, Vergleichs- und Auswahlprozesses, die Wahl geeigneter Konfigurationen, oder das Verhalten während der Nutzungsphase und darüber hinaus.

Produktorientierte Daten (Product)

In diese Kategorie fallen alle Daten, welche Aufschluss über das eigene Marktangebot in Form von Produkten und Dienstleistungen geben, sowohl historisch, aktuell, als auch zukunftsorientiert. Dazu gehören unter anderem Eigenschaften, Prozesse, Funktionalitäten und Zustände. Gerade hier kann der digitale Zwilling eine zentrale Rolle als Drehscheibe produktorientierter Daten aus der externen Nutzung und aus der eigenen, internen Wertschöpfung über den gesamten (Produkt-) Lebenszyklus einnehmen.

Kontextorientierte Daten (Context)

Die dritte Kategorie enthält sämtliche Daten, welche Aufschluss über die umgebenden Systeme geben und nicht direkt produkt- oder kundenorientiert sind. Dazu gehören Daten über Umwelt, Wirtschaft, Gesellschaft, Bezugs- und Absatzmärkte oder Konkurrenten. Die Kontextdaten scheinen auf den ersten Blick weniger relevant zu sein als die beiden anderen Kategorien. Doch die Kenntnis des relevanten Kontexts ist oftmals unerlässlich für eine erfolgreiche Interpretation der produkt- und kundenorientierten Daten (vgl. «Data Format»).

Data Sources

Aus welchen Quellen können wir die benötigten Daten gewinnen?

Sind die benötigten Daten identifiziert und definiert stellt sich die Frage, aus welchen Quellen diese Daten bezogen werden. Oft sind bereits Daten im Unternehmen vorhanden, weshalb eine gründliche Inventur und Analyse der vorhandenen Daten meist den ersten Schritt darstellt. Gerade in grossen Unternehmen sind die Daten oft unkategorisiert in fragmentierten (Teil-) Systemen unterschiedlicher Verantwortungsbereiche abgelegt. Hinsichtlich der nicht bereits vorhandenen Daten stellt sich im nächsten Schritt die Frage, aus welchen Quellen diese gewonnen werden können.

Things

Eine der zentralen Quellen für die Wertgenerierung mit digitalen Zwillingen sind die Instanzen. Diese generieren Daten über Sensoren und kommunizieren diese über das Internet der Dinge («Internet of Things»). Eine Instanz kann hierbei ein «Connected Product», ein «System» oder ein «System of System» sein, wie wir in der Dimension der externen Wertgenerierung ausgeführt haben. Diese «Things» sind jedoch nicht nur Datenquellen, sondern auch Datenempfänger. Genau dieser bidirektionale Datenaustausch zwischen digitaler Repräsentation und realem Gegenstück ist charakterisierend für digitale Zwillinge. Die «Things» sind oft die einzig mögliche Quelle für Daten direkt aus der Nutzungsphase und können alle Datenkategorien umfassen. So können z.B. Daten zum Zustand und der Performance (Product), zu den Nutzungspräferenzen (Customer) oder der Umgebungstemperatur und Feuchtigkeit (Context) generiert werden.

Internal Systems

Hierzu gehören sämtliche verfügbaren internen Informationssysteme eines Unternehmens. Im Kontext der Wertgenerierung mit digitalen Zwillingen sind das typischerweise CAD, CRM, MES, ERP, PLM, PIM und weitere Service-Systeme. Auch diese Systeme sind sowohl Quellen als auch Empfänger von Daten des digitalen Zwillings.

External Systems

Viele der benötigten und nicht von «Things» oder internen Systemen erhältlichen Daten können über externe Systeme als Quellen bezogen werden. Dazu gehören neben öffentlichen Systemen wie Datenbanken staatlicher Institutionen, Forschungseinrichtungen und Non-Profit-Organisationen auch kommerzielle Datenanbieter, sowie die internen Systeme anderer Unternehmen. Weiter stellen das Internet und die sozialen Plattformen nicht zu unterschätzende Datenquellen für die Wertgenerierung mit digitalen Zwillingen dar. Oftmals sind externe Systeme alternative Datenquellen, sodass Unternehmen ähnlich wie für physische Ressourcen im klassischen Supply Chain Management auch bei den Datenressourcen systematische Make-or-Buy Analysen durchführen sollten.

Data Format

Welche Datenqualität und -wertigkeit benötigen wir?

Daten an sich stellen noch keinen Wert dar. Erst durch deren Verwendung in einem konkreten Anwendungsfall wird Wert generiert. Für einfache Anwendungen mag es ausreichend sein, die Daten unaufbereitet beispielsweise als Datenpunkt oder Verlauf zu visualisieren. Für anspruchsvollere Anwendungen ist es dagegen erforderlich, Daten mit geeigneten Verfahren aufzubereiten oder sogar anzureichern. In der Folge repräsentieren diese, analog zur DIKW Pyramide, keine reinen Daten, sondern Informationen, Wissen oder gar Weisheit.

Unstructured

Unstrukturierte Daten sind nicht aufbereitete Rohdaten. Sie liegen häufig in herstellerspezifischen, nicht austauschbaren Formaten vor. Diese Art von Daten machen den Grossteil aller auf der Welt vorhandenen Daten aus, da das Strukturieren und Aufbereiten der Daten Kosten verursacht und daher oft erst im Bedarfsfall durchgeführt wird. Zu den unterstrukturierten Daten gehören z.B. Sensormesswerte der «Things» oder Daten in internen Systemen, die nicht mit anderen Systemen kompatibel sind und somit zu den bekannten Datensilos führen. Einfache Beispiele wären eine Audio-Datei eines Interviews oder ein einzelner Messwert z.B. von einem Ultraschallsensor.

Structured

Werden die unstrukturierten Daten aufbereitet, liegen sie in der Folge als Informationen vor. D.h. sie liegen nun in austauschbaren, durchsuchbaren und/oder interpretierbaren Datenformaten vor und sind nun anwendungsbereite Informationen. Die oben erwähnte Audio-Datei des Interviews wurde transkribiert und liegt nun z.B. im .xml-Format vor, welches von unterschiedlichen Programmen gelesen werden kann. Der Messwert des Ultraschallsensors wurde in eine Distanzmessung von 50 cm übersetzt und in der Cloud abgespeichert.

Interpreted

Auch Informationen stellen noch keinen Wert dar, dafür müssen sie zuerst verwendet werden. Um die richtigen Entscheidungen und Aktionen abzuleiten, müssen die Informationen jedoch zuerst interpretiert werden. Erst die interpretierten Daten repräsentieren eine hinreichende Basis für die Entscheidungsfindung, sie implizieren folglich Wissen (bedingen also «sense-making»). Sollen Entscheidungen oder Aktionen automatisiert ausgelöst werden, muss dieses Wissen auf Basis der Informationen generiert und in Verbindung gesetzt werden. Dieser Prozess ist aufwändig und fehleranfällig, da unter Umständen eine Vielzahl an Interdependenzen berücksichtigt und Unsicherheiten abgewogen werden müssen. Auch wenn beispielsweise Methoden der künstlichen Intelligenzen diese Aufgabe übernehmen können, wird sie in vielen Fällen noch den Menschen überlassen. Bei unseren Beispielen könnte das transkribierte Interview mit einem kognitiven Dienst auf Präferenzen und Einstellung der Person analysiert werden. Die gemessene Distanz des Ultraschallsensors könnte als Überschreitung eines Behälterfüllstandes interpretiert werden und dieser für die nächste Leerungstour disponiert werden.

Ausblick

Die Möglichkeiten zur Wertgenerierung mit digitalen Zwillingen sind sehr umfangreich und können je nach Unternehmen und Anwendung sehr unterschiedlich ausfallen. Ein Rahmenmodell hilft zur Orientierung und zur Definition und Kommunikation des eigenen Verständnisses innerhalb des Unternehmens. Das in diesem abschliessenden Beitrag vorgestellte Rahmenmodell wurde im April 2020 im Rahmen der «International Conference on Information Science and Systems» publiziert und wird auf Anfrage gerne zugesendet.

Das Modell wird zudem kontinuierlich für den Einsatz in der Praxis optimiert. Wir freuen uns daher über Ihr Feedback. Wir sind auch an der Diskussion konkreter Anwendungen und deren Realisierung interessiert.

Autoren & Kontakt

Linard Barth ist Wissenschaftlicher Mitarbeiter, Projekt- und Studiengangleiter am Product Management Center der ZHAW. Seine Interessen gelten in erster Linie dem Zusammenspiel einzelner Elemente in grösseren Systemen und wie diese konsistent nachhaltig funktionierend ausgerichtet werden können. Dazu erforscht er den Einfluss von Internet of Things, Smart Connected Products und Digitalen Zwillingen auf Business Modelle und Value Propositions. Als ehemaliger Gründer schlägt sein Herz insbesondere für Start-Ups, Entrepreneure und innovative Firmen, welche die genannten Konzepte in der realen Welt umsetzen und berät diese in unterschiedlichen Projekten. Nebenbei leitet er den Studiengang CAS Pricing & Sales, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.

linard.barth@zhaw.ch / Telefon +41 58 934 68 67

Dr. Matthias Ehrat ist Dozent, Projektleiter und Start-up Coach am Product Management Center der ZHAW. Bereits seit seiner Ausbildung an der Eidgenössischen Technischen Hochschule (ETH) und der Universität St. Gallen (HSG) faszinieren ihn technologiegetriebene Innovationen. Durch langjährige Erfahrungen in verschiedenen Positionen in der Anlagenbau-Industrie konnte er sich ein breites Wissen im Betriebsmanagement aneignen. Er hält selbst mehrere Patente und berät Start-ups bezüglich den Schutzmöglichkeiten und der Anmeldungsverfahren ihrer technologischen Entwicklungen. Nebenbei leitet er den Studiengang CAS Industrial Product Management, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.

matthias.ehrat@zhaw.ch / Telefon +41 58 934 66 31

Value Creation with Digital Twins – a Conceptual Framework: Dimension der internen Wertgenerierung

Von Linard Barth und Dr. Matthias Ehrat

Im ersten Blogbeitrag zum Digital Twin Conceptual Framework der Fachstelle für Produktmanagement des Instituts für Marketing Management wurde das Rahmenmodell im Überblick vorgestellt und mögliche Anwendungen erläutert.

Um die Wertgenerierung mit digitalen Zwillingen ganzheitlich zu erfassen, werden im Rahmenmodell die drei Dimensionen «externe Wertgenerierung» (im Markt, bei den Kunden, in der Anwendung und Nutzung), «interne Wertgenerierung» (innerhalb des Unternehmens) und die dafür benötigten «Datenressourcen» unterschieden. In diesem Beitrag beleuchten wir die zweite Dimension «interne Wertgenerierung». Wir erläutern dazu die drei Achsen und deren Spezifikationen.

Interne Wertgenerierung

Bei Innovationsprojekten für digitale Zwillinge wird das Potenzial, interne Werte zu generieren, oft vernachlässigt. Zu sehr liegt der Fokus auf der Innovation der Value Proposition für die Kunden. Dabei gibt es eine Vielzahl an internen Akteuren und Prozessen, für die ebenfalls Wert entstehen kann. Diese Werte in Form von effizienteren und effektiveren Prozessen und Entscheidungen sind i.d.R. nicht nur unmittelbarer zu realisieren, sondern auch einfacher zu prognostizieren und zu quantifizieren als in der Dimension der externen Wertgenerierung. Nicht zuletzt deshalb müssen bei Investitionsentscheiden für digitale Zwillinge die Potenziale zur Wertgenerierung in der internen und externen Dimension berücksichtigt werden. Oft summieren sich erst in der ganzheitlichen Betrachtung genügend Mehrwerte, um einen positiven Return-on-Investment in Aussicht zu stellen.

Dabei stellen sich in jedem Fall die Fragen, auf welcher Wertebene des Produktmanagements (Value Creation Hierarchy) Wert entstehen soll, welche Prozesse des Lebenszyklus (Lifecycle) verbessert werden können und wie das optimale Management der Produkt- und Prozess-Generationen (Generations / Time) durch digitale Zwillinge unterstützt werden kann.

Value Creation Hierarchy

Welche Stufen des Produktmanagements sind betroffen oder können verbessert werden?

Das Leistungsangebots sollte hinsichtlich des Managements der Komplexität und Varietät eine hierarchische Grundstruktur aufweisen. Herausfordernd scheint dabei in der Praxis der Umstand, dass das Management der Instanzen, der Typen und des Masters in unterschiedliche Verantwortungsbereiche innerhalb des Unternehmens fallen. Während die Verantwortung Instanzen zu managen von der Produktion zum Service übergeht, kümmert sich das Engineering um das Typenmanagement. Die Entscheide auf Master-Stufe liegen oft in der Verantwortung eines Business Unit Leiters, welcher sich stark an den Bedürfnissen der Verkaufs- und Marketingabteilung orientiert. Häufig ist es die Aufgabe eines Produktmanagers, die Brücke zwischen den oft isoliert operierenden Bereichen zu schlagen und brach liegende Potenziale zu heben.

Ebene der Instanzen

Eine Instanz ist ein «Exemplar aus einer Menge gleichartiger Dinge», d.h. eine konkrete, zweifelsfrei identifizierbare (z.B. über Seriennummer) und abgegrenzte Einheit. Dieser können Prozesse, Akteure, Attribute usw. zugeordnet werden. Eine Instanz kann dabei ein einzelnes vernetztes Produkt, ein System oder ein System of Systems sein. Ein Beispiel wäre Ihr persönliches E-Bike «Summit Climber», welches bei Ihnen zu Hause vor der Tür oder in der Garage steht.

Ebene der Typen

Diese Ebene enthält die Blaupause, aus der die Instanzen abgeleitet werden. Oft wird dabei von der sogenannten «150% Bill of Material/Stückliste» gesprochen, welche alle möglichen Ausprägungen für davon abgeleitete Instanzen enthält. Diese für Aufträge konfigurierten Instanzen werden in der Folge als «100% Bill of Material/Stückliste» bezeichnet. Neben den Konfigurationsmöglichkeiten der Instanzen werden auf der Ebene der Typen auch alle weiteren Instanzen-übergreifenden Informationen verwaltet, wie z.B. Normwerte, Produktanforderungen, Operationspläne, Herstellungsverfahren oder Recycling-Anweisungen. Der für Kunden sichtbare Teil wäre beim E-Bike der Produkt-Konfigurator für den «Summit Climber», in dem Sie zum Beispiel die Akkugrösse, Farbe, Rahmen, Räder sowie weitere Optionen wie Rückspiegel, Handyhalterung usw. für Ihre Instanz ausgewählt haben.

Master Ebene

Die Master Ebene umfasst nun alle Typen eines Unternehmens oder einer Produktlinie und enthält weiterführende Informationen, die für Typen-übergreifende Prozesse und Entscheide relevant sind. Weit verbreitet ist z.B. das Plattformmanagement, bei dem sich mehrere Typen gleiche Merkmale und Ausprägungen teilen. Beim E-Bike werden z.B dieselben Akkus und Räder nicht nur beim «Summit Climber», sondern auch bei anderen Typen verwendet und angeboten. Eine weitere Aufgabe, welche auf der Master Ebene wahrgenommen wird, ist das Portfoliomanagement – also wie fügt sich der Typ «Summit Climber» in das gesamte Angebotsportfolio ein? Das gesamte Portfolio sollte dabei die definierten Kundensegmente widerspiegeln und sie mit einem optimalen Differenzierungsgrad der einzelnen Typen hinsichtlich Funktionsumfang, Positionierung und Preisgestaltung bedienen.

Lifecycle

Welche innerbetrieblichen Prozesse des Lebenszyklusmanagements sind betroffen oder können verbessert werden?

Da der Fokus bei vielen Projekten zur Wertgenerierung mit digitalen Zwillingen auf der externen Dimension liegt, werden in der internen Dimension oft nur die After-Sales Prozesse in der Middle of Life (MoL) Phase betrachtet. Durch die Daten, welche für und durch digitale Zwillinge gewonnen werden, können jedoch auch vielfältige Werte für die vor- und nachgelagerten Prozesse der Lebenszyklen von Instanzen, Typen und Master generiert werden.

Beginning of Life

Die Beginning of Life (BoL) Phase umfasst sämtliche Prozesse, welche durchgeführt werden, bevor eine Instanz, ein Typ oder ein Master mit ihrem digitalen Zwilling in die Nutzungsphase und somit in die Middle of Life (MoL) Phase übergeht. Dazu gehören u.A. Prozesse hinsichtlich Kundenbedarfsanalyse, Value Proposition Design, Produkt Design, Engineering, Shop-floor Design, Supply Chain Management, Produktion, sowie Marketing- und Verkaufsprozesse.

Middle of Life

Die Middle of Life (MoL) Phase umfasst sämtliche Prozesse zur Nutzung im erweiterten Sinne, u.A. auch Installation, Schulung, Wartung, Updates, Ersatzteilmanagement, sowie Upgrades und Retrofitting. Durch den Einsatz von digitalen Zwillingen werden Werte in dieser Phase meist im Zusammenspiel von Anbieter und Kunde gemeinsam geschaffen, wodurch z.B. auch vielseitige Möglichkeiten für das Customer Lifecycle Management geschaffen werden. Deshalb sollten bei der Betrachtung der MoL Phase nicht nur die Prozesse in den Service-Abteilungen betrachtet werden.

End of Life

Nachdem die Nutzungsphase sich gegen Ende neigt, sollten die End of Life (EoL) Prozesse nahtlos an die vorangegangenen Prozesse anknüpfen. Dazu gehören sämtliche «Close the Loop» Prozesse, u.A. Rückkauf-, Weiterverkauf- und Ersatzprozesse, sowie Verwertung und Archivierung der Instanzen, Typen, Master und deren digitalen Zwillingen.

Generations / Time

Was müssen wir über die Vergangenheit wissen?

Was müssen wir über IST-Zustände wissen?

Was wollen wir für die Zukunft berücksichtigen?

Das Denken in Generationen bezüglich der Instanzen, Typen und Master, sowie sämtlicher Prozesse des Lifecycles ist unabdingbar, um die Potenziale der Wertgenerierung mit digitalen Zwillingen auszuschöpfen. Durch digitale Zwillinge können historische Daten aus der Vergangenheit gespeichert, aufbereitet und analysiert werden, um die aktuellen IST-Zustände zu verbessern. Damit IST-Zustände nicht nur reaktiv, sondern proaktiv verbessert werden können, ist ein vorausschauender Blick in die Zukunft notwendig.

Past / History

Diese Kategorie umfasst alle Informationen, Massnahmen, Entscheidungen, Prozesse usw., welche in der Vergangenheit ein- und umgesetzt wurden. Hinsichtlich der Instanzen wurde dabei der Begriff «as-built» geprägt, der festhält, wie eine Instanz kreiert wurde und in welcher Form sie in die MoL-Phase eingetreten ist. Dieselbe Logik kann auch auf die Lebenszyklen von Typen und Master angewendet werden: Die im Software Bereich gängige Methode zur «Versionierung» hilft Veränderungen auch über mehrere Generationen (Versionen) zu jeder Zeit nachzuverfolgen und Rückschlüsse für aktuelle und zukünftige Generation ziehen zu können.

Present / Actual

Viele Unternehmen legen den Fokus ihrer Digitalisierungsbemühungen darauf, laufende Prozesse digital abbilden und optimieren zu können, um Mehrwerte im operativen Betrieb der Instanzen, Typen und Master in allen Phasen des Lebenszyklus möglichst effizient zu gestalten. Diese Perspektive umfasst somit alle aktuell gültigen Informationen, Massnahmen, Entscheidungen, Prozesse usw., welche aktuell ein- und umgesetzt werden. In Bezug auf die Instanzen wurde dabei der Begriff «as-maintained» geprägt. Neben der effizienten Abwicklung der Aufgaben der Gegenwart müssen dabei aber auch die für die Zukunft notwendigen Daten und Informationen gewonnen werden. Diese können entweder in Zukunft als historische Informationen dienen oder für den vorausschauenden Blick in die Zukunft, zur proaktiven Antizipation und Gestaltung zukünftiger IST-Zustände der Instanzen, Typen und Master, sowie sämtlichen dazugehörigen Prozessen des Lebenszyklus Managements genutzt werden.

Future / Innovation

Diese Perspektive öffnet nun den Blick in die Zukunft. Sie umfasst alle prädiktiven und präskriptiven Informationen, Massnahmen, Entscheidungen, Prozesse usw., zu denen bereits Daten und Informationen vorliegen, die aber noch nicht umgesetzt wurden. In der Praxis scheint sich dafür auch für Instanzen noch kein Begriff durchgesetzt zu haben, analog zu «as-built» und «as-maintained» könnten die zukünftig erwarteten Zustände als «as-anticipated» bezeichnet werden.

Ausblick

Die Möglichkeiten zur Wertgenerierung mit digitalen Zwillingen sind sehr umfangreich und können je nach Unternehmen und Anwendung sehr unterschiedlich ausfallen. Nachdem wir nun die interne und externe Dimension der Wertgenerierung in separaten Beiträgen erläutert haben, folgt als nächstes noch die Dimension der Datenressourcen.

Das in diesem Beitrag vorgestellte Rahmenmodell wurde im April 2020 im Rahmen der «International Conference on Information Science and Systems» publiziert und wird auf Anfrage gerne zugesendet. Das Modell wird zudem kontinuierlich für den Einsatz in der Praxis optimiert, wir freuen uns daher über jegliches Feedback oder gar die Kontaktaufnahme zwecks Gedankenaustauschs hinsichtlich konkreter Anwendungen und deren praktischen Umsetzung.

Autoren & Kontakt

Linard Barth ist Wissenschaftlicher Mitarbeiter, Projekt- und Studiengangleiter am Product Management Center der ZHAW. Seine Interessen gelten in erster Linie dem Zusammenspiel einzelner Elemente in grösseren Systemen und wie diese konsistent nachhaltig funktionierend ausgerichtet werden können. Dazu erforscht er den Einfluss von Internet of Things, Smart Connected Products und Digitalen Zwillingen auf Business Modelle und Value Propositions. Als ehemaliger Gründer schlägt sein Herz insbesondere für Start-Ups, Entrepreneure und innovative Firmen, welche die genannten Konzepte in der realen Welt umsetzen und berät diese in unterschiedlichen Projekten. Nebenbei leitet er den Studiengang CAS Pricing & Sales, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.

linard.barth@zhaw.ch / Telefon +41 58 934 68 67

Dr. Matthias Ehrat ist Dozent, Projektleiter und Start-up Coach am Product Management Center der ZHAW. Bereits seit seiner Ausbildung an der Eidgenössischen Technischen Hochschule (ETH) und der Universität St. Gallen (HSG) faszinieren ihn technologiegetriebene Innovationen. Durch langjährige Erfahrungen in verschiedenen Positionen in der Anlagenbau-Industrie konnte er sich ein breites Wissen im Betriebsmanagement aneignen. Er hält selbst mehrere Patente und berät Start-ups bezüglich den Schutzmöglichkeiten und der Anmeldungsverfahren ihrer technologischen Entwicklungen. Nebenbei leitet er den Studiengang CAS Industrial Product Management, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.

matthias.ehrat@zhaw.ch / Telefon +41 58 934 66 31

PRODUCT MANAGEMENT 4.0 – HAT DAS KLASSISCHE PRODUCT MANAGEMENT AUSGEDIENT?

Von Dr. Helen Vogt

Neue Technologien ermöglichen neue Produkte und Services und verändern somit auch das Berufsbild des Product Managers. Mittlerweile muss sich fast jedes Unternehmen nicht nur mit digitalisierten Prozessen, sondern auch mit digitalen Produkten und Services auseinandersetzen.

Die Bedeutung von IoT, Blockchain, VR und AR, KI, Micro- Roboter bis hin zu Smart Dust und anderen sog. Enabler Technologien hat rasant zugenommen. Kann man heute noch klassisches Product Management betreiben, wie von Ken Norton in seinem klassischen Essay «How to hire a productmanager» beschrieben oder muss das moderne Product Management sich viel mehr auf ganz neue Themen fokussieren, beispielsweise wie man mit IoT Produkten überhaupt Geld verdienen kann?

Diese Frage haben wir letztes Jahr der Swiss Product Management Community, einer geschlossenen LinkedIn Gruppe von über 900 Schweizer Product Managern aus den verschiedensten Branchen, gestellt. Von den knapp 130 Teilnehmenden der Umfrage arbeiten fast 60% in der sog. MEM (Maschinen, Metall und Elektronik) Branche, aber es waren auch Vertreter aus der Finanz- und Versicherungsbranche, Bauwesen und Infrastruktur, Software und der klassischen B2C-Produktion und dem Handel dabei.

Kleinere bis mittlere Unternehmen im Vorteil

Spannend war die Frage, welche Unternehmen überhaupt schon mit digitalen Produkten einen signifikanten Umsatz generieren. Hier zeigt sich, dass interessanterweise kleinere bis mittlere Unternehmen im Vorteil sind. Firmen mit 10 – 49 Mitarbeiter machen am meisten Umsatz mit digitalen Produkten, sh. Abb. 1.

Abb. 1: Umsatz mit digitalen Produkten in % versus Unternehmensgrösse

Korrelation von Umsatz und Alter der Product Manager

Wie in Abb. 2 zu sehen ist, korreliert der Anteil der digitalen Produkte signifikant mit dem Alter der Product Manager!

Abb. 2: Umsatz mit digitalen Produkten in % versus Alter der teilnehmenden Product Manager

Doch welche Kompetenzen braucht das moderne ProduCt Management? Und erfüllen heutige PM’s diese Anforderungen?

Um diese Fragen zu beantworten, haben wir die Teilnehmenden gebeten, sich selbst hinsichtlich folgender Kompetenzen auf einer Skala von 1 (trifft gar nicht zu) bis 6 (trifft voll zu) zu bewerten:

Ich habe eine ausgeprägte Produktdaten-Affinität.

  • Ich treibe die Digitalisierung von produktbezogenen Prozessen im Unternehmen massgeblich voran: Ich weiss, welche Prozesse intern oder zu Lieferanten und Partnern automatisiert und digitalisiert werden müssen – um neue Ertrags- und Geschäftsmodelle zu ermöglichen.
  • Der Erfolg meiner Produkte hängt von der Qualität meiner Netzwerke ab: Ich kann die Zusammenarbeit mit internen und externen Partnern sowie Kunden über digitale Plattformen managen und so generiertes Wissen in mein Produkt zurückfliessen lassen.
  • Ich bin ein Experte für Digitales Produkt-Marketing: Ich setze für mein Produkt hinsichtlich Leadgenerierung, Markenwahrnehmung und Verkaufsförderung digitale/online Kanäle ein.
  • Die Digitalisierung verändert die Value Proposition/das Nutzenversprechen meines Produktes: Ich weiss, wie smarte und vernetzte Produkte die wahren Pains und Gains meiner Kunden adressieren und so eine Win-Win Situation schaffen.
  • Ich bin interner Meinungsführer, wenn es um aktuelle Themen wie GDPR, Design Thinking, oder Blockchain geht, da ich weiss was davon für meine Produkte in naher Zukunft relevant sein wird.
  • Ich überwinde interne Widerstände gegen die Digitalisierung meiner Produkte: Ich beherrsche Methoden des Change Managements und der Führung ohne Hierarchie, um die nötigen Mehrheiten zu gewinnen.
  • Ich kenne und verwende die wesentlichen IoT, Workflow und Kollaborations-Methoden und Tools.

Kompetenzenunterschiede in den Alterskategorien

In Abb. 3 ist die Selbsteinschätzung der Teilnehmenden gegliedert auf verschiedene Alterskategorien dargestellt. Das Alter der Teilnehmer zeigt sich nicht überraschenderweise insbesondere beim Thema Digitales Produkt Marketing und interner Meinungsführung. Die jüngste Alterskategorie schätzt sich eindeutig kompetenter ein, dafür scheinen die älteren PMs mehr Einfluss im Unternehmen zu haben, um die Digitalisierung voranzutreiben.

Abb. 3: Selbsteinschätzung Umfrageteilnehmer betr. ihren Kompetenzen, in Abhängigkeit des Alters, n = 126

Minimale Unterschiede bei Methoden & Tools

Bei den verwendeten Methoden & Tools (sh. Abb. 4) sieht man vor allem bei den Webanalysetools einen grossen Vorsprung der 20-29-Jährigen. Bei den unternehmensübergreifenden Kommunikationstools ist zu sehen, dass sie vor allem von den jüngeren Generationen verwendet werden. Ansonsten sind die Unterschiede des Wissenstandes bei den verschiedenen Methoden & Tools minimal.

Abb. 4: Übersicht der bekannten und verwendeten Tools, in Abhängigkeit des Alters, n = 126

Wie können sich Product Manager fit für die Zukunft machen?

Diese Frage ist mit diesem Snapshot sicher noch nicht vollständig beantwortet. Aber es gibt Hinweise, welche Themen, Methoden und Tools ein Product Manager sich schrittweise erarbeiten kann, um die notwendigen Fähigkeiten zu erwerben und sich so «future proof» (um noch ein Buzzword zu nutzen) zu positionieren.

Value Creation with Digital Twins – a Conceptual Framework: Dimension der externen Wertgenerierung

Von Linard Barth und Dr. Matthias Ehrat

Im ersten Blogbeitrag zum Digital Twin Conceptual Framework der Fachstelle für Produktmanagement des Instituts für Marketing Management wurde das Rahmenmodell im Überblick vorgestellt und mögliche Anwendungen erläutert.

Um die Wertgenerierung mit digitalen Zwillingen ganzheitlich zu erfassen, werden im Rahmenmodell die Dimensionen «externe Wertgenerierung» (im Markt, bei den Kunden, in der Anwendung und Nutzung), «interne Wertgenerierung» (innerhalb des Unternehmens) und die dafür benötigten «Datenressourcen» unterschieden. In diesem Beitrag beleuchten wir die erste Dimension «externe Wertgenerierung». Wir erläutern dazu die drei-Achsen der ersten Dimension und deren Spezifikationen.

Externe Wertgenerierung

Am meisten Beachtung findet in Innovationsprojekten jeweils die externe Wertgenerierung, da eine Mehrheit der Unternehmen beabsichtigt, durch digitale Zwillinge und die dadurch ermöglichten datenbasierten Services zusätzliche Umsätze oder zusätzliche Kundenbindung zu generieren, Margen zu erhöhen und die Kundenzufriedenheit zu verstärken. Dabei stellen sich in jedem Fall die Fragen, auf welcher Hierarchieebene des Systems (System Hierarchy Level) Wert entstehen soll, welche Bereiche des Service-Umfangs (Service Scope) verbessert werden sollen und welche Fähigkeiten (Smartness Maturity) die digitalen Zwillinge dafür aufweisen müssen.

System Hierarchy Level

Welche Systemstufe ist für uns für die Generierung von Wert aktuell/in Zukunft zentral?

Um diese Frage zu beantworten, müssen sich Unternehmen ein Verständnis des wirtschaftlichen Ökosystems Ihrer Kunden und Anwender verschaffen. Dabei können theoretisch beliebig viele Ebenen unterschieden werden, von einzelnen Teilkomponenten, über Baugruppen und Smart Connected Products, unterschiedlichen System-Ebenen bis hin zu Smart City-/Factory- oder gar noch umfassenderen Systems-of-Systems. Wie viele Ebenen für die eigene Betrachtung sinnvoll sind muss im Einzelfall definiert werden, das Rahmenmodell unterscheidet die drei grundsätzlichsten Ebenen, die aus unserer Sicht mindestens unterschieden werden sollten.

Connected Product-Ebene

Die Ebene des Connected Products definiert die kleinste als Instanz identifizierbare Komponente oder Baugruppe mit eigener Konnektivität zum Anbieter oder zu höheren Systemen. Kommt die Fähigkeit dazu, auf selbstständig erfasste Daten oder Rückmeldungen zu reagieren, kann es bereits als «smart» bezeichnet werden. Die wichtigsten Bestandteile eines Smart Connected Products sind in der folgenden Abbildung dargestellt.

System

Ein System umfasst mehrere Connected Products, nutzt deren Daten und spielt ihnen auch Daten zurück. Smart Connected Products können innerhalb des Systems direkt miteinander kommunizieren oder nur über das System-Modul. Da ein solches System digitale (cyber) wie physische (physical) Elemente umfasst und die Erbringung von Diensten (Services) für Akteure (menschliche Benutzer oder andere Systeme) ermöglicht, wird es als «Cyber-Physical-Service-System» bezeichnet.

System of Systems

Ein System-of-Systems umfasst wiederum mehrere Systeme oder kleine Teilsysteme und nutzt deren Daten und spielt ihnen auch Daten zurück. Die Systeme innerhalb eines Systems-of-Systems können sehr hohe Autonomie besitzen und direkt mit anderen Systemen kommunizieren. System of Systems nutzen für deren Realisierung und Betrieb regelmässig Plattformdienste von Drittanbietern.

Service Scope

Wo liegt der Hauptfokus der Generierung von Wert unserer Leistungen?

Diese Frage ist insbesondere deshalb von hoher Relevanz, da hier die Bedürfnisse der Kunden mit der eigenen Value Proposition in Einklang gebracht werden müssen und in vielen Fällen ein zumindest teilweiser Zielkonflikt zwischen den drei grundlegenden Felder des Leistungsfokus besteht. Wird zum Beispiel die Performance in den Mittelpunkt gerückt, müssen u.U. Abstriche bei der Lebensdauer, höhere Ausfallwahrscheinlichkeiten (Availability) oder geringere Qualität in Kauf genommen werden.

Availability

Bei vielen insbesondere industriellen Güter und Anlagen ist das Ziel eine maximale rsp. optimale Verfügbarkeit und Kapazitätsauslastung zu erreichen. Dabei gibt es hinsichtlich der Anforderungen grosse Unterschiede, so sollten zum Beispiel Data Center, welche kritische Daten speichern und verwalten nie ausfallen. Steht der Einsatz für wechselnde Aufgaben im Vordergrund, soll dieser Wechsel möglichst optimal (schnell, automatisch, fehlerfrei) erfolgen.

Performance

Ziel ist die Steuerung (Maximierung oder Optimierung) des Output/Input-Verhältnisses der Ressourcen des Unternehmens. Grundsätzlich kann ceteris paribus durch eine Reduktion der Inputfaktoren als auch durch eine Erhöhung der Outputfaktoren die Performance gesteigert werden. Im Fokus stehen dabei die monetären Kosten sowie die Durchlaufzeiten für bestimmte Prozesse.

Quality

Ziel ist die bestmögliche Erreichung der Qualitätsanforderungen der Akteure. Die qualitativen Faktoren sind vielseitiger als die Availability oder die Performance und müssen aus Sicht der Kunden eruiert werden – dabei können neben klassischen Qualitätsfaktoren zusätzliche Elemente wie beispielsweise Anwenderzufriedenheit (z.B. Arbeitssicherheit, Reduktion von Stressoren wie Lärmemissionen, User Experience und Usability) oder die Erfüllung von Regularien (z.B. ISO-Standards) oder Nachhaltigkeitsthemen (z.B. CO2-Neutralität) definiert werden.

Smartness Maturity

Welches Mass an Intelligenz und Fähigkeiten ist/wird erforderlich?

Die Beantwortung hängt in grossem Masse davon ab, was hinsichtlich des «System Hierarchy Levels» und des «Service Scopes» definiert wurde. Zum einen sind generell je nach Service Scope unterschiedliche Reifegrade erforderlich, zum anderen gilt es festzustellen, in welcher Instanz auf welchem System Hierachy Level diese integriert werden sollten. Eine Instanz kann dabei sowohl ein einzelnes (individuelles) Connected Product, System oder auch System of Systems sein.

Control

Im Reifegrad «Control» kann die Instanz ferngesteuert werden oder steuert sich selbst anhand festgelegter Grenzwerte (horizontale Linien in Abbildung 6). Dabei sind nicht nur die Grenzwertkategorien, sondern auch deren Höhe voreingestellt und werden von der Instanz selbst nicht verändert. Die dadurch realisierbaren Reaktionen, wie z.B. Notausschaltungen, senden von Alarmen oder erzeugen von Ampelsystemen sind simpel, können jedoch bereits enorme Mehrwerte generieren.

Optimize

Im Reifegrad «Optimize» kann die Instanz ihre Reaktionen selbstständig optimieren, zum Beispiel durch ein Anpassen der festgelegten, normierten Grenzwerte anhand eigener «Erfahrungen» bzw. Erfahrungen typen-gleicher Instanzen. Dadurch können sowohl die bereits auf dem «Control» Level möglichen Mehrwerte verbessert als auch zusätzliche Mehrwerte generiert werden, wie z.B. Selbstkalibrierung/-einstellung, Prozessoptimierung usw.

Autonomy

Die Instanz optimiert ihre eigene Viabilität eigenständig, legt z.B. neue Grenzwertkategorien auf Basis automatisierter Ursachenanalysen fest oder optimiert konfligierende Ziele hinsichtlich des Service-Scopes. Im Vergleich zum Reifegrad «Optimize» bedeutet das, das die Instanz über eine eigene maschinelle Lernfähigkeit im erforderlichen Mass verfügt.

Ausblick

Die Möglichkeiten zur Wertgenerierung mit digitalen Zwillingen sind sehr umfangreich und können je nach Unternehmen und Anwendung sehr unterschiedlich ausfallen. In zukünftigen Beiträgen werden wir die weiteren Dimensionen erläutern.

Das in diesem Beitrag vorgestellte Rahmenmodell wurde im April 2020 im Rahmen der «International Conference on Information Science and Systems» publiziert und wird auf Anfrage gerne zugesendet. Das Modell wird zudem kontinuierlich hinsichtlich des Einsatzes in der Praxis optimiert, wir freuen uns daher über jegliches Feedback oder gar die Kontaktaufnahme zwecks Gedankenaustauschs hinsichtlich konkreter Anwendungen und deren praktischen Umsetzung.

Autoren & Kontakt

Linard Barth ist Wissenschaftlicher Mitarbeiter, Projekt- und Studiengangleiter am Product Management Center der ZHAW. Seine Interessen gelten in erster Linie dem Zusammenspiel einzelner Elemente in grösseren Systemen und wie diese konsistent nachhaltig funktionierend ausgerichtet werden können. Dazu erforscht er den Einfluss von Internet of Things, Smart Connected Products und Digitalen Zwillingen auf Business Modelle und Value Propositions. Als ehemaliger Gründer schlägt sein Herz insbesondere für Start-Ups, Entrepreneure und innovative Firmen, welche die genannten Konzepte in der realen Welt umsetzen und berät diese in unterschiedlichen Projekten. Nebenbei leitet er den Studiengang CAS Pricing & Sales, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.

linard.barth@zhaw.ch / Telefon +41 58 934 68 67

Dr. Matthias Ehrat ist Dozent, Projektleiter und Start-up Coach am Product Management Center der ZHAW. Bereits seit seiner Ausbildung an der Eidgenössischen Technischen Hochschule (ETH) und der Universität St. Gallen (HSG) faszinieren ihn technologiegetriebene Innovationen. Durch langjährige Erfahrungen in verschiedenen Positionen in der Anlagenbau-Industrie konnte er sich ein breites Wissen im Betriebsmanagement aneignen. Er hält selbst mehrere Patente und berät Start-ups bezüglich den Schutzmöglichkeiten und der Anmeldungsverfahren ihrer technologischen Entwicklungen. Nebenbei leitet er den Studiengang CAS Industrial Product Management, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.

matthias.ehrat@zhaw.ch / Telefon +41 58 934 66 31

Internet of Things: What’s Next? Smart Dust!

Von Dr. Manuel Holler

Momentan ist das Internet der Dinge eines der Hauptthemen, doch was kommt danach? Es könnte sich um Smart Dust handeln, weiträumig verteilte Sensornetzwerke mit winzigen Bestandteilen. In der Forschung wird die Rolle von Smart Dust im industriellen Sektor untersucht.

Smart Dust als radikale Miniaturisierung von IoT

Das Paradigma der Vernetzung von physischer und digitaler Welt hat in den letzten zehn Jahren weite Bereiche von Wirtschaft und Gesellschaft erfasst, und sich unter Schlagworten wie Smart City, Smart Manufacturing oder Smart Health etabliert. In Zeiten rasanten technologischen Wandels stellt sich die Frage: Was kommt nach dem Internet der Dinge? Die Chancen stehen gut für Smart Dust. Dieser «schlaue Staub» beschreibt integrierte, weiträumig verteilte Sensornetzwerke, deren einzelne Bestandteile sich in einer Grössenordnung von unter einem Kubikmillimeter bewegen [1].

Vision von Smart Dust in einem Trägermedium © iStock

SNF Spark-Projekt zur Erforschung von Nutzenpotenzialen

Motiviert zum einen durch die steigende Technologiereife und zum anderen durch das unklare Bild über Nutzungsmöglichkeiten, leitet das Product Management Center der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) ein SNF-Grundlagenprojekt zum Thema.

Das Projekt im Rahmen des neuen Förderungsinstruments «Spark», welches besonders gewagte, aber auch vielversprechende Ideen adressiert, hat zum Ziel, einzelne Anwendungsfelder, übergeordnete Einsatzbereiche und die grundsätzliche Rolle von Smart Dust im industriellen Sektor zu untersuchen.

Grössenordnung eines einzelnen Smart Dust-Korns © iStock

Zwischenfazit: Grosse Potentiale, grosse Herausforderungen

Bisher durchgeführte Forschungsarbeiten [2,3] in der deutschsprachigen Maschinen-, Elektro- und Metall-Industrie zeigen grosses Potential – einige Beispiele:

Im Fluidtechnikbereich kann Smart Dust durch verbesserte Flüssigkeitsmessungen helfen, hochsensible Prozesse, wie etwa das Thermomanagement in Rechenzentren, besser zu steuern. Auch industrieübergreifend bietet der «schlaue Staub» die Chance, Logistikprozesse transparenter und belastungsintensive Bauteile sicherer zu machen.

Spannend wird es insbesondere auch, wenn neben rein sensorischen auch noch aktuatorische Fähigkeiten ins Spiel kommen («Micro Robots»). So werden beispielsweise im Aerospacebereich adaptive Oberflächen, die dynamisch ihre Struktur verändern können, ermöglicht.

Gleichermassen gilt es noch viele offene Fragen zu beantworten, sei es bezüglich technischer Leistungsdaten, wirtschaftlicher Überlegungen, oder auch in Bezug auf Datenschutz und Nachhaltigkeit. Wenn auch heute noch visionär anmutend, hat das Internet der Dinge gezeigt, wie schnell und tief die Diffusion von digitalen Technologien erfolgen kann.

Danksagung

Dieses Projekt wurde durch das «Spark»-Programm des Schweizerischen Nationalfonds zur Förderung der wissenschaftlichen Forschung (SNF) unterstützt.

Literatur zum Thema

[1] Warneke, B., Last, M., Liebowitz, B., and Pister, K.S.J. 2001. “Smart Dust: Communicating with a Cubic Millimeter Computer,” Computer (34), pp. 44–51.

[2] Holler, M., Haarmann, J., van Giffen, B., and Frank, A. 2020. “Smart Dust in the Industrial Economic Sector – On Application Cases in Product Lifecycle Management,” Springer IFIP Advances in Information and Communication Technology (forthcoming).

[3] Holler, M., Dremel, C., van Giffen, B., and Fuchs, R. 2020. “Smart Dust und Micro Robots im industriellen Sektor – Chancen, offene Punkte und Handlungsempfehlungen,” Springer HMD Praxis der Wirtschaftsinformatik – Special Issue on Robotics (under review).

Ansprechpartner & Kontakt

Dr. Manuel Holler (manuel.holler@zhaw.ch | +41 58 934 7060) ist Wissenschaftlicher Mitarbeiter am Product Management Center der ZHAW. Seine Forschung konzentriert sich auf digitale Innovationen für das industrielle Produkt- und Dienstleistungsgeschäft.

Value Creation with Digital Twins – a Conceptual Framework

Von Linard Barth und Dr. Matthias Ehrat

Der Fortschritt in der Informations- und Kommunikationstechnologie verwandelt traditionelle in intelligente Produkte und ermöglicht es Unternehmen, neuartige intelligente Dienstleistungen anzubieten. Dabei gilt das Konzept des «digitalen Zwillings» als eine Schlüsseltechnologie, um mit intelligenten Diensten Mehrwert zu schaffen.

Der Digitale Zwilling wird von Gartner dementsprechend auf Platz 4 innerhalb der Top 10 der strategischen Technologietrends geführt, die „noch nicht weithin anerkannte Trends sind, jedoch Auswirkungen auf die Transformation von Industrien bis 2023 haben“ (Panetta, 2018). Auch wenn das Konzept des digitalen Zwillings relativ jung ist, wird ihm eine grosse Zukunft vorausgesagt, so soll der Markt von schätzungsweise $ 3,8 Mrd. im Jahr 2019 auf $ 35,8 Mrd. im Jahr 2025 wachsen (Rais, 2019).

Entsprechend viele Unternehmen haben sich in den letzten Jahren und Monaten dieses Thema auf die Fahne geschrieben und investieren gewaltige Ressourcen in entsprechende Entwicklungen. Allerdings sind die konkreten Mehrwerte und damit die Renditeaussichten von Investitionen in digitale Zwillinge in der Praxis oft schwierig abzuschätzen, da interne wie externe Prozesse betroffen sind und die erfolgreiche Bewältigung der Herausforderungen dieses komplexes Themas das Zusammenspiel von verschiedenen Unternehmensbereichen erfordert.

Funktionsübergreifende Diskussionen und Zusammenarbeit gestalten sich daher oft mühselig, da ein gemeinsamer konzeptioneller Rahmen, eine eindeutige Terminologie und gemeinsame Sprache auf der Grundlage eines ausreichend abstrakten, intuitiv verständlichen und einfach zu handhabenden Referenzmodells fehlen. Deshalb hat die Fachstelle für Produktmanagement des Instituts für Marketing Management 2018 ein Forschungsprojekt gestartet, um ein entsprechendes konzeptionelles Referenzmodel für die Wertgenerierung mit digitalen Zwillingen zu entwerfen und die Unternehmen damit bei ihren Innovationsprojekten zu unterstützen.

Das in diesem Beitrag vorgestellte Modell umfasst die aus akademischer Sicht zentralen Dimensionen des digitalen Zwillings und spezifiziert diese im Hinblick auf eine abgestimmte und schlüssige Wertgenerierung.

Das Digital Twin Conceptual Framework

Um die Wertgenerierung mit digitalen Zwillingen ganzheitlich zu erfassen, werden in einem ersten Schritt die Dimensionen externe Wertgenerierung (im Markt, bei den Kunden), interne Wertgenerierung (innerhalb des Unternehmens) und die dafür benötigten Datenressourcen unterschieden.

Externe Wertgenerierung

Am meisten Beachtung findet in Innovationsprojekten jeweils die externe Wertgenerierung, da eine Mehrheit der Unternehmen beabsichtigen, durch digitale Zwillinge und die dadurch ermöglichten datenbasierten Services zusätzliche Umsätze zu generieren, Margen zu erhöhen und die Kundenzufriedenheit und -bindung zu verstärken. Dabei stellt sich in jedem Fall die Frage, auf welcher Hierarchieebene des Systems (System Hierarchy Level) Wert entstehen soll, welche Bereiche des Service-Umfangs (Service Scope) verbessert werden sollen und welche Fähigkeiten (Smartness Maturity) die digitalen Zwillinge dafür aufweisen müssen.

Interne Wertgenerierung

Dabei wird oft vernachlässigt, dass digitale Zwillinge auch innerhalb des eigenen Unternehmens viele Prozesse verändern und auf vielseitige Art und Weise Wert generieren können. Im Fokus steht dabei das Management der Lebenszyklusprozesse (Lifecycle), von einzelnen Instanzen bis hin zu Produktportfolios (Value Creation Hierarchy) unter Berücksichtigung historischer, aktueller als auch zukünftiger Zustände und Daten (Generations / Time).

Datenressourcen

Sowohl die interne als auch die externe Wertgenerierung wird jedoch erst durch die Nutzung von entsprechenden Datenressourcen ermöglicht. Hierbei stellt sich die Frage welche Daten (Data Category) aus welchen Quellen (Data Sources) gewonnen werden sollen und wie stark diese aufbereitet und analysiert werden müssen (Data Format).

Anwendung des Modells zur Wertgenerierung

Das Modell bildet das ganze Spektrum an möglichen Datenressourcen und der daraus ermöglichten Wertgenerierung mit digitalen Zwillingen innerhalb und ausserhalb des eigenen Unternehmens ab. Durch die jeweils 3 Achsen mit wiederum 3 Spezifikationen können in jeder der 3 Dimensionen (Würfel) insgesamt 27 Anknüpfungspunkte für die Innovation mit digitalen Zwillingen unterschieden werden, welche für die Wertgenerierung mit digitalen Zwillingen in Frage kommen.

Für Unternehmen ist es jedoch nicht das Ziel, alle 81 im konzeptionellen Referenzmodell abgebildeten Anknüpfungspunkte umzusetzen, sondern sinnvolle Kombinationen zu ermitteln, die mit im Verhältnis möglichst optimalem Aufwand hinsichtlich der Datenressourcen effizient und effektiv interne und externe Werte schaffen. Die so generierten Werte entstehen durch einen kooperativ geschaffenen digitalen Zwilling, der ein dynamisches Verhältnis zwischen Anbieter und Nachfrager kreiert – und dadurch zu einem kaum replizierbaren Wettbewerbsvorteil führt.

Ein Beispiel wäre «predictive maintenance» also die proaktive Wartung physischer Güter aufgrund datenbasierter Vorhersagen. Hierbei wird externer Wert generiert durch Steigerung der Verfügbarkeit (Availability) mittels Kontrolle (Control) eines IoT-fähigen Assets (Connected Product). Aber nicht nur der Besitzer dieses Assets profitiert von dieser Anwendung, auch intern entsteht Wert für das Unternehmen, da die Prozesse innerhalb der Nutzungsphase (Middle of Life / MoL) des Assets (Instanz) auf Basis vergangener, aktueller und zukünftiger Zustände (Past, Present, Future) optimal gestaltet werden können. Dazu reicht es in der Regel bereits aus, ein Set an produktbezogenen (Product) IST-Daten aus dem Asset (Thing) mit überschaubaren Mitteln aufzubereiten (Structured) und mit den SOLL-Werten aus den internen Systemen (internal Systems) abzugleichen.

Predictive Maintenance kann daher ein geeigneter Einstieg in die Entwicklung eines umfangreicheren digitalen Zwillings sein, der zu einem späteren Zeitpunkt weitere Datenkategorien (Context oder Customer) aus zusätzlichen Quellen (external Systems) verwendet, um nicht nur Dashboards mit strukturierten Daten zu visualisieren, sondern daraus Aktionen (interpreted Data) zur Generierung zusätzlicher interner und externer Werte ableitet.

Ausblick

Die Möglichkeiten zur Wertgenerierung mit digitalen Zwillingen sind sehr umfangreich und können je nach Unternehmen und Anwendung sehr unterschiedlich ausfallen. In weiteren Beiträgen werden wir die drei zentralen Dimensionen der internen und externen Wertgenerierung als auch der Datenressourcen vertieft darstellen und deren Zusammenspiel anhand konkreter Beispiele erläutern.

Das in diesem Beitrag vorerst oberflächlich vorgestellte Konzept wurde im April 2020 im Rahmen der «International Conference on Information Science and Systems» publiziert und wird auf Anfrage gerne zugesendet.

Das Modell wird zudem kontinuierlich hinsichtlich des Einsatzes in der Praxis optimiert, wir freuen uns daher über jegliches Feedback oder gar die Kontaktaufnahme zwecks Gedankenaustauschs hinsichtlich konkreter Anwendungen und deren praktischen Umsetzung.

Autoren & Kontakt

Linard Barth ist Wissenschaftlicher Mitarbeiter, Projekt- und Studiengangleiter am Product Management Center der ZHAW. Seine Interessen gelten in erster Linie dem Zusammenspiel einzelner Elemente in grösseren Systemen und wie diese konsistent nachhaltig funktionierend ausgerichtet werden können. Dazu erforscht er den Einfluss von Internet of Things, Smart Connected Products und Digitalen Zwillingen auf Business Modelle und Value Propositions. Als ehemaliger Gründer schlägt sein Herz insbesondere für Start-Ups, Entrepreneure und innovative Firmen, welche die genannten Konzepte in der realen Welt umsetzen und berät diese in unterschiedlichen Projekten. Nebenbei leitet er den Studiengang CAS Pricing & Sales, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.

linard.barth@zhaw.ch / Telefon +41 58 934 68 67

Dr. Matthias Ehrat ist Dozent, Projektleiter und Start-up Coach am Product Management Center der ZHAW. Bereits seit seiner Ausbildung an der Eidgenössischen Technischen Hochschule (ETH) und der Universität St. Gallen (HSG) schlägt sein Herz für technologiegetriebene Innovationen. Durch langjährige Erfahrungen in verschiedenen Positionen im industriellen Anlagenbau konnte er sich ein breites Wissen im Betriebsmanagement aneignen. Er hält selbst mehrere Patente und berät Start-ups bezüglich den Schutzmöglichkeiten und der Anmeldeverfahren ihrer technologischen Entwicklungen. Nebenbei leitet er den Studiengang CAS Industrial Product Management, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.

matthias.ehrat@zhaw.ch / Telefon +41 58 934 66 31

Quellen:

Barth, L.; Ehrat, M.; Fuchs, R. & Haarmann, J. (2020). Systematization of digital twins : ontology and conceptual framework. In: ICISS 2020 : Proceedings of the 2020 The 3rd International Conference on Information Science and System. 3rd International Conference On Information Science And Systems ICISS 2020, Cambridge, UK, 19-22 March 2020. New York: Association for Computing Machinery. S. 13-23. Verfügbar unter: https://doi.org/10.1145/3388176.3388209

Panetta, K., (2018). Gartner Top 10 Strategic Technology Trends for 2019. Published online October 15, 2018. https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2019 / Accessed 12 August 2019.

Rais, A. (2019). Growth of the digital twin market. Published online August 2, 2019. https://www.maschinenmarkt.international/growth-of-the-digital-twin-market-a-851571/ Accessed 12 August 2019.

Abschlussfeier des MAS Product Management – Masterklasse 2019

Von Dr. Helen Vogt

Zweieinhalb Jahre intensive Weiterbildung führten schlussendlich zum Abschluss des MAS Product Management. In den Masterarbeiten mussten die erlernten Kompetenzen angewendet werden. Am Schluss konnte jedoch das lang ersehnte Diplom in den Händen gehalten werden.

Wir wissen es alle schon lange, intensives und regelmässiges Training legt den Grundstein für künftige Könnerschaft. Ob es 10’000 Stunden braucht, wie von Malcolm Gladwell in seinem Buch Überflieger: Warum manche Menschen erfolgreich sind – und andere nicht propagiert wird, ist (noch) nicht erwiesen. So schön diese Faustregel mit dem einfachen Wirkungszusammenhang klingt, so einseitig stellt sie die Tatsachen dar. Reines Üben reicht zur Erlangung von Expertise nämlich keineswegs aus. Entscheidend sind die Begleitumstände. Dazu gehören professionelle Anleitung und Feedback ebenso wie persönliche Motivation und Durchhaltewillen.

Ihrem persönlichen «Future-Fit» – ein Ziel, sind die Absolventen des MAS Product Management sicherlich ein gutes Stück nähergekommen. Während ihrer rund zweieinhalb jährigen Weiterbildung sind sie in Tiefen der Datenanalyse und Marktforschung eingetaucht, haben neue Methoden für Produkt und Serviceentwicklung live getestet, aktuelle Konzepte in Pricing und Verkauf auf ihr Unternehmen angewendet, sowie die Einflüsse der Digitalisierung auf Geschäftsmodelle untersucht und daraus neue Strategien abgeleitet.

Die Krönung des MAS ist die eigentliche Masterarbeit. Während 15 Wochen haben die Studierenden die Möglichkeit, die erlernten Kompetenzen anzuwenden, um beispielsweise dem traditionellem Retail zu neuem Wachstum zu verhelfen, Lean Start-up Konzepte und agile Arbeitsprozesse innerhalb der Unternehmen auszutesten oder neue Wertangebote und digitale Services zu entwickeln. Die abgegebenen Arbeiten zeichnen sich durch systematische Analysen, kritische Reflexionen und kreative aber zugleich praxisnahe Lösungsfindungen aus. Juste Hahne und Lukas Westermann haben den diesjährigen Preis für die beste Masterarbeit erhalten. Herzliche Gratulation zu dieser ausgezeichneten Leistung!

An der Abschlussfeier im Casino Theater in Winterthur durfte der Leiter des Instituts für Marketing Management (IMM), Prof. Dr. Brian Rüeger, den Absolventen endlich die Diplome überreichen und die Leistung würdigen.

Prof. Dr. Brian Rüeger würdigte die Leistung

Das ganze Team vom Institut für Marketing Management wünscht unseren Absolventen weiterhin solch grosse Begeisterung für die vielfältigen Aufgaben im Produkt Management und viel Erfolg in ihrem weiteren Berufsleben.

Wir gratulieren (von unten nach oben): Daniel Welter, Lukas Westermann, Fabian Gerschwiler, Juste Hahne, Stefan Sturzenegger, Benjamin Berger, Raphael Meier, Antonio Voci, Simon Hunziker und Louis Bischof (nicht im Bild) zu dieser tollen Leistung!

Der Studiengang MAS Product Management bildet seit acht Jahren Fachkräfte im Product Management aus, welche aus verschiedensten Industrien und Branchen stammen. Bei Fragen dürfen Sie sich gerne an die Studienleiterin, Dr. Helen Vogt, wenden (helen.vogt@zhaw.ch).

Kontakt

ZHAW School of Management and Law, Institut für Marketing Management, Product Management Center, Dr. Helen Vogt.  Telefon +41 58 934 66 99, E-Mail: helen.vogt@zhaw.ch

Mehrwert von digitalen Geschäftsmodellen – Lohnt sich der Aufwand?

Von Dr. Helen Vogt

Digitale Technologien sind der Auslöser für neue Geschäftsmodelle der produzierenden Unternehmen und ermöglichen neues Wachstum. Das Potenzial ist riesig, die globale Wertschöpfung durch digitale Technologien wird im Jahr 2025 auf bis zu 6’000 Mrd. US$ geschätzt (1). Dank digitaler Services können Industrieunternehmen nach dem Verkauf der Neuanlagen, welcher oft mit einem substantiellen Rabatt erkauft wurde, wiederkehrende Einnahmen, oftmals mit höheren Margen, erwirtschaften. Im Fokus steht dabei insbesondere der Maschinenbau und die sich dort ergebenden Möglichkeiten zur Entwicklung und Umsetzung neuer Geschäftsmodelle.

In diesem Zusammenhang avancieren Daten zu einer bedeutenden Ressource und die nutzenstiftende Verwertung dieser Daten zum Befähiger für digitale Services und Geschäftsmodelle ermöglichen Unternehmen zudem, die Kundenbeziehung nach dem Verkauf der Produkte aufrecht zu erhalten und werden daher zu den wichtigsten marktseitigen Unterscheidungsmerkmalen der Industrie 4.0 gezählt. Ein Industrievertreter (Senior Product Manager, Maschinenbauer) bringt es auf den Punkt: «Durch digitale Geschäftsmodelle können wir uns am Markt differenzieren und den Nutzen für unsere Kunden erhöhen».

Digitale Geschäftsmodelle bergen aber auch grosse Hürden bei der Umsetzung, insbesondere für Unternehmen der produzierenden Industrie. Digitale Services und Software-Lösungen haben bei Mitarbeitenden oftmals nicht den gleichen Stellenwert wie der Verkauf von grossen Anlagen. «Mit Software als Add-on kann man schwierig Umsatz machen, im Vergleich zu einigen Millionen für die Überholung einer Turbine» (Senior Product Manager, Energiesysteme).

Die Einführung von neuen Service-Geschäftsmodellen hat oftmals nicht immer den erwünschten finanziellen Erfolg gebracht. Bisher unbeantwortet ist die Frage, welche von den vorab im B2C erfolgreichen Geschäftsmodellen, welche sich auf digitale Geschäftsmodelle erweitern lassen, die grösste Relevanz für Firmen aus dem B2B Umfeld haben. Diese Fragestellung wird in einem aktuellen Innosuisse-Projekt untersucht. Zu diesem Zweck wurde bei Industrie- und Fachexperten eine Umfrage durchgeführt und an der diesjährigen Smart Service Summit präsentiert. Die Umfrage bestand aus einem offenem Experten-Interview sowie aus einer Online-Umfrage zur Bewertung von zwölf digitalen Geschäftsmodellen gemäss Gassman et al (2). und Fleisch et al. (3) hinsichtlich des erwarteten Mehrwertes sowie dem Implementierungsaufwand. Der abgefragte Mehrwert bezieht sich auf höheren Umsatz und Marge, innovatives Image, vertieftes Know-How und Transparenz bezüglich den Kundenprozessen sowie eine bessere Kundenbindung. Der Implementierungsaufwand beinhaltet die Komplexität der Datensammlung, -übermittlung und -verarbeitung, die erwartete Kundenakzeptanz sowie der Einfluss von Normen und Richtlinien.

Erste Erkenntnisse aus der Umfrage

In Abbildung 1 sind die Geschäftsmodelle hinsichtlich des erwarteten Mehrwertes sowie des Implementierungsaufwandes auf einer Skala von 1 (sehr niedrig) bis 5 (sehr hoch) bewertet.

Abbildung 1: Mehrwert und Implementierungsaufwand für digitale Geschäftsmodelle
Abbildung 1: Mehrwert und Implementierungsaufwand für digitale Geschäftsmodelle

Die Experten haben ebenfalls eine Abschätzung zur Umsetzungswahrscheinlichkeit des jeweiligen Geschäftsmodelles abgegeben, siehe Abbildung 2:

Abbildung 2: Ranking der Geschäftsmodelle nach der Umsetzungswahrscheinlichkeit

Aus den Beurteilungen der Experten wird ersichtlich, dass Konzepte wie Object Self Service, Solution Provider und Pay per Use den höchsten Mehrwert hinsichtlich dem finanziellen Return und der Kundenbindung bieten (siehe Abbildung 1). Insbesondere sehen die Industrie- und Fachexperten viel Potential beim Geschäftsmodell Solution Provider, bei dem der Anbieter nicht nur die Hardware, sondern auch das notwendige Anwendungs-Know-How und Softwarelösungen zum Betreiben der Anlage mitliefert. «Die Kunden haben vielfach das Engineering ausgelagert resp. verkleinert und sind daher auf das Prozess-Know-How der Lieferanten angewiesen.» (Innovationsmanager, Maschinenbauer)

Diese drei Geschäftsmodelle sind aber hinsichtlich der Implementierung sehr aufwendig. Andere Modelle wie Subscription oder insbesondere das Flat Rate-Modell sind einfacher einzuführen, bieten aber gemäss den Erwartungen der Experten weniger Mehrwert für die Anbieter. Wiederum in B2C etablierte Geschäftsmodelle wie Razor and Blade, oftmals kombiniert mit (digital) Lock-in, scheinen wenig Akzeptanz bei Endkunden der Maschinenbauer zu finden und sind daher aus Mehrwertsicht weniger interessant.

Betreffend der Umsetzungswahrscheinlichkeit hat gemäss Einschätzung der Experten das Freemium Geschäftsmodell bei Maschinen- und Anlagebauer die höchsten Chancen. Hierbei wird die Anlage mit einem kostenfreien digitalen Service angeboten, weitere (Premium) Services sind kostenpflichtig. Dank dieser zweistufigen Struktur können die Kunden mit relativ wenig Risiko und finanziellem Aufwand die Vorteile der digitalen Services testen und dann bei Bedarf weitere Services dazukaufen. Am schwierigsten ist die Implementierung des Geschäftsmodells des Two-sided Market. Dies liegt vor allem an der erwarteten Komplexität bei der Einbindung von externen Partnern.

Die Entwicklung neuer Geschäftsmodelle auf Basis einer Lebenszyklus- und Serviceorientierung steht noch am Anfang

Zukünftige Differenzierungsmöglichkeiten werden im Maschinen- und Anlagenbau stark im Bereich der Software und/ oder den Dienstleistungen gesehen (4), die eigentliche Maschine oder Anlage ist nur ein Teil der übergreifenden Kundenlösung. Innovative Maschinenbauer, die ihren Geschäftsmodell-Fokus weg vom Verkauf der Maschine hin zu nutzenstiftenden Lifecycle-Diensten mit Pay per Use-Ansätzen verschieben, haben grosse Chancen, sich signifikant und nachhaltig am Markt zu differenzieren. Damit verbunden sind aber auch hohe Investitionen sowie das schwierige Umdenken in einer völlig neuen Welt.

Welches Geschäftsmodell schlussendlich den grössten Nutzen bringt, muss methodisch noch weiter untersucht werden (5). Eine besondere Herausforderung ist, dass Geschäftsmodell-Innovation insbesondere bei Maschinen- und Anlagenbauer noch kein etabliertes strategisches Instrument ist. Unsere aktuelle Forschung hat zum Ziel, eine übertragbare Systematik zur Identifikation und Bewertung von attraktiven digitalen Geschäftsmodellen zu entwickeln. In einem zweiten Schritt wird die hierfür notwendige Datenteilbereitschaft der Endkunden untersucht.

Für weitere Informationen zum Thema «Digitale Geschäftsmodelle für die MEM-Industrie» können Sie sich an Dr. Helen Vogt (helen.vogt@zhaw.ch) wenden.

Quellen:

  1. Ematinger, R. (2017). Von der Industrie 4.0 zum Geschäftsmodell 4.0: Chancen der digitalen Transformation. Springer-Verlag.
  2. Gassmann, O., Frankenberger, K., & Csik, M. (2017). Geschäftsmodelle entwickeln: 55 innovative Konzepte mit dem St. Galler business model navigator. Carl Hanser Verlag GmbH Co KG.
  3. Fleisch, E., Weinberger, M., & Wortmann, F. (2014). Business models and the internet of things, Bosch IoT Lab Whitepaper. Bosch Internet of Things and Services Lab.
  4. Bauernhansl, T., Emmrich, V., Döbele, M., Paulus-Rohmer, D., Schatz, A., & Weskamp, M. (2015). Geschäftsmodell-Innovation durch Industrie 4.0–Chancen und Risiken für den Maschinen-und Anlagenbau. Dr. Wieselhuber & Partner GmbH und Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA.
  5. Demont, A., & Paulus-Rohmer, D. (2017). Industrie 4.0-Geschäftsmodelle systematisch entwickeln. In Digitale Transformation von Geschäftsmodellen (pp. 97-125). Springer Gabler, Wiesbaden.

Forschungsfreudige Master Absolventen

Von Dr. Helen Vogt

Eine kleine aber feine Gruppe von Studierenden des MAS Product Management hat erfolgreich ihr Studium mit der Verteidigung ihrer Masterarbeit abgeschlossen.

Die angehenden und praktizierenden Produkt Manager und Product Owner haben in ihrer Abschlussarbeit verschiedenste Themen untersucht. So wurde die Chancen der Digitalisierung im Gesundheitswesen beleuchtet, neue digitale Services für Leuchtkörper entwickelt, agile Produkt Management Methoden für die Finanzindustrie evaluiert, neue Lösungsräume für Finanzsoftware erarbeitet sowie die Akzeptanz von Smart Services in der MEM Industrie und die Datenteilbereitschaft in sogenannten sensitiven Branchen untersucht.

Wir gratulieren (von links nach rechts): Antonio Voci, Daniel Welter, Benjamin Berger, Fabian Gerschwiler, Stefan Sturzenegger und Lukas Westermann zu dieser tollen Leistung!

Marktforschung am Limit

Als Abschluss ihres Studiums haben sich die Studierenden eine gemeinsame Reise gegönnt. Inspiriert von der Vorlesung «Marktforschung im Produkt Lebenszyklus» bei Prof. Dr. Siems haben sie das in Marketing Kreisen sehr bekannte deutsche Städtchen Hassloch besucht. In dieser «durchschnittlichsten Stadt von Deutschland» betreibt die Nürnberger Gesellschaft für Konsumforschung (GfK) seit 1986 einen bundesweit einzigartigen Testmarkt. Diese Stadt entscheidet quasi darüber, welche Produkte in Deutschland ins Regal kommen.

Willkommen in der durchschnittlichsten Stadt Deutschlands

Das ganze Team vom Institut für Marketing Management wünscht unseren Absolventen weiterhin eine solche grosse Begeisterung für die vielfältigen Aufgaben im Produkt Management und viel Erfolg in ihrem weiteren Berufsleben.

Der MAS Product Management bildet seit acht Jahren Fachkräfte im Product Management aus, welche aus verschiedensten Industrien und Branchen stammen. Bei Fragen dürfen Sie sich gerne an die Studienleiterin, Dr. Helen Vogt, wenden (helen.vogt@zhaw.ch, Tel. 058 934 66 99).

Geschwindigkeit durch Digitalisierung im Produktmanagement: «Wir wüssten schon wie es geht, nur …»

Von Prof. Dr. Rainer Fuchs

Der Metatrend unseres Zeitalters, die Digitalisierung, hat substantielle Auswirkungen auf das Produktmanagement. Die Aufgabe des Produktmanagers wird immer interdisziplinärer und dadurch komplexer, doch dank der Daten und Informationen aus allen Phasen des Produktlebenszyklus erschliessen sich auch enorme Chancen die eigene Leistung zu innovieren. Das haben die Schweizer Unternehmen mittlerweile grösstenteils erkannt: Durch die Digitalisierung der Unternehmensprozesse über alle Phasen des Produktlebenszyklus können dem Produktmanager die notwendigen Informationen zur Verfügung gestellt werden, um neue Businesspotentiale zu erschliessen. Soweit zur Theorie. In der Umsetzung sind die Unternehmen aber noch lange nicht da, wo sie gerne sein würden und sollten-

Die Digitalisierung hat in alle Phasen des Produktlebenszyklus Einzug gehalten. Digitalisierte Unternehmensprozesse erlauben die Erzeugung von produktbezogenen Daten während der Entwicklung, der Produktion und Logistik, der Vermarktung und des Verkaufs sowie in der Nutzungsphase selber. Smart Products sind in der Lage diese Daten bzw. digitalen Informationen mittels eigener Sensorik zu erheben und zu speichern. Können die Produkte diese Daten zusätzlich noch gezielt nach aussen kommunizieren, meist über das Internet, spricht man von Smart Connected Products (SCP) (Porter & Heppelmann, 2015). Der Digital Twin ist die Summe der produktbezogenen Daten. Sie ergeben ein cyberphysisches Abbild des vernetzten realen Produktes. Mit ihm können in Echtzeit Veränderungen im und um das Produkt dargestellt und somit Rückschlüsse zur Optimierung sämtlicher Phasen des Produktlebenszyklus und der Customer Journey gezogen werden (Fuchs & Barth, 2018). Insbesondere können die Produkte so besser den Kundenbedürfnissen angepasst werden, wodurch unter Umständen ganz neue Value Propositions, Revenue Streams und Business-Modelle entstehen (Osterwalder & Pigneur, 2010), die substantielle Auswirkungen auf den Erfolg der Unternehmen haben können (Gassmann, Frankenberger & Csik, 2013). Auch die Mehrheit der Schweizer Unternehmen (62%) stimmt der Aussage zu, dass das Marktumfeld und die Anforderungen an die Produkte durch die Digitalisierung komplexer werden (im Schnitt rund 3,6 von 5 Zustimmungspunkten, vgl. Abb. 1).

Abbildung 1: Auswirkungen der Digitalisierung auf das Produktmanagement
© Swiss Marketing Leadership Studie 2018

Sie sind ebenfalls der Meinung, dass dadurch die Rolle des Produktmanagers komplexer wird und er an Verantwortung und Bedeutung gewinnt. Besonders die Top-Performer unter den befragten Unternehmen haben verstanden, dass Produktmanager immer mehr Unternehmer im Unternehmen sein müssen. Der Produktmanager wird in ihren Augen zum Mini-CEO und managt die Komplexität seiner Produkte und des Produktportfolios über den gesamten Produktlebenszyklus, um so neue Business-Potenziale zu erschliessen. Des Weiteren haben die Top-Performer erkannt, dass durch die Digitalisierung der Unternehmensprozesse der Produktmanager mehr Transparenz über den gesamten Produktlebenszyklus erhält und so besser zum Unternehmenserfolg beitragen kann. Doch umso ernüchternder ist der «State of the Nation»: Gerade einmal 18,3% der Schweizer Unternehmen gaben an, ein zufriedenstellendes Niveau hinsichtlich der Digitalisierung der Unternehmensprozesse erreicht zu haben (vgl. Abb. 2).

Abbildung 2: Digitalisierungs-Niveau © Swiss Marketing Leadership Studie 2018

Ersichtlich wird dies daran, dass lediglich 22% der Unternehmen über Smart Connected Products verfügen, welche auswertbare Daten aus den verschiedenen Phasen ihres Lebenszyklus sammeln (durchschnittliche Zustimmung von 2,2 von 5 Punkten, vgl. Abb. 3). Entsprechend sind auch nur 13% der Unternehmen in der Lage, den Digital Twin zu erzeugen (2,0 von 5 Zustimmungspunkten) – und anscheinend herrscht gegenüber diesen Konzepten noch einige Skepsis vor. So glaubt eine Mehrheit von 60% der Unternehmen nicht, dass der Digital Twin die notwendige Transparenz schaffen würde (2,2 von 5), um damit Produkte mit grösserem Kundennutzen (2,4 von 5) zu schaffen. Deshalb haben auch erst 16% der befragten Schweizer Unternehmen ihre Business Modelle oder Revenue Streams dank Smart Connected Products innovieren können (2,1 von 5). Die Top-Performer, welche den Nutzen des digitalen Twins von Smart Connected Products erkannt haben und danach handeln, liegen hinsichtlich all dieser Aussagen teilweise signifikant über den übrigen Unternehmen, doch auch bei Ihnen handelt es sich immer noch um eine Minderheit.

Abbildung 3: Smart connected Products und ihr Digital Twin © Swiss Marketing Leadership Studie 2018

Zusammenfassend kann festgehalten werden, dass viel Potenzial vorhanden ist, welches allerdings noch nicht von allen Unternehmen wahrgenommen wird. Auch bei der Umsetzung haben viele Unternehmen noch einen weiten Weg vor sich, da selbst viele „Early Adopter“ noch am Anfang dieses Prozesses stehen.

Kostenloser Download der Studie
Die komplette Studie steht Ihnen hier kostenlos digital zur Verfügung.

Verwendete Quellen:

Fuchs, R., & Barth, L. (2018). Wie Smart Connected Products Kunden emotionalisieren. In: Rüeger, B., Hannich, F, Fuchs, R., Müller, S., Klaas, M., Suvada, A. (Hrsg). Emotionalisierung im digitalen Marketing: erfolgreiche Methoden für die Marketingpraxis. Stuttgart: Schäffer-Poeschel. S. 89–103.

Gassmann, O., Frankenberger, K., & Csik, M. (2013). Geschäftsmodelle innovieren. München: Hanser.

Osterwalder, A., & Pigneur, Y. (2010). Business Model Generation. Frankfurt: Campus Verlag.

Porter, M., & Heppelmann, J. (2015). How Smart, Connected Products Are Transforming Companies. Harvard Business Review, 93(10), S. 53–71.