Schlagwort-Archive: Digital Twin

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

Veröffentlicht am von
Antworten

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 externen Wertgenerierung

Veröffentlicht am von
Antworten

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

Value Creation with Digital Twins – a Conceptual Framework

Veröffentlicht am von
Antworten

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.

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

Veröffentlicht am von
Antworten

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.

Product Management 4.0: Hilfe, meine Produkte werden digital! (Teil 2)

Veröffentlicht am von
Antworten

Von Linard Barth

Produkte erzeugen immer mehr Daten in allen Phasen ihres Lebenszyklus, wie wir in diesem Blog bereits mit den Beiträgen zu smarten Zahnbürsten und Tennisschlägern aufgezeigt haben. Doch die Reise ist noch lange nicht zu Ende – denn was passiert eigentlich mit dem sogenannten «Digitalen Zwilling» des Produktes, wenn zusätzlich die Daten aus dem Customer Lifecycle Management hinzukommen?

Die Antwort: Es entstehen weitere ungeahnte Möglichkeiten für Innovationen von Produkten und Services und natürlich auch für die Ausgestaltung des Customer Lifecycle Managements – die Daten fliessen ja nicht nur in eine Richtung!

Bis heute ist für viele Unternehmen die Kommunikation mit den Kunden nach dem Kauf des Produktes vorerst beendet und wird erst wieder aufgenommen, wenn der Kunde sich beim Unternehmen für eine Beschwerde, Reparatur oder einen Neukauf meldet. Automatisch «getriggerte» Marketing Massnahmen wie die standardisierte Nachfrage nach Kundenfeedback einige Wochen nach dem Kauf oder die Unterbreitung eines Angebots für einen Wiederkauf kurz vor Ablauf der üblichen Nutzungsdauer erreichen nur wenige Kunden und sind nicht wenigen ein lästiges Ärgernis.

Durch Digitale Zwillinge von Smart Connected Products verändern sich die Interaktionsmöglichkeiten mit den Kunden während der Nutzungsphase der Produkte nun aber grundlegend. Zum einen hat das Unternehmen eine massiv umfangreichere Datengrundlage für die individualisierte Ansprache der Kunden, zum anderen kann der Zeitpunkt der Ansprache über das Produkt im geeigneten Zeitpunkt erfolgen – aus der USP wird die ISP (Individual Selling Proposition) und schlussendlich die SSP (Situational Selling Proposition), wie der Marketing Entertainer Dietmar Dahmen Anfang Jahr auf einer Konferenz eindrücklich erläuterte.

Doch zurück zur langweiligen Theorie: In unserem Framework haben wir uns für die meist verwendete Aufteilung der Customer Journey in 5 Phasen entschieden. Die Customer Journey hat natürlich Parallelen zur Wertschöpfungskette des Unternehmens bzw. zum Lifecycle des Smart Products, wie zum Beispiel die Retention-Phase, welche im direkten Zusammenhang mit der Nutzungsphase (Utilization & Operation) des Smart Products steht. Doch obwohl es Schwerpunkte gibt, können die Phasen nicht 1:1 zugeordnet werden. Es wirken vielmehr alle Phasen des Smart Connected Product Lifecycles auf alle Phasen des Customer Experience Lifecycles, umgekehrt kann der Kunde auf seiner Customer Journey grundsätzlich in jeder Phase Informationen aus jedem Schritt des Smart Connected Product Lifecycles berücksichtigen. Im Idealfall kann der Kunde auch von sich aus direkt über das Produkt einen Informationsfluss auslösen – und plötzlich wird das Unternehmen «getriggert»!

Digital Twin Framework des Product Management Centers (Fuchs & Barth, 2018)

Insbesondere wenn im Digitalen Zwilling nicht nur die Daten des einen konkreten Produktes vorliegen, sondern aller Smart Connected Products des ganzen Unternehmens eröffnen sich enorme Möglichkeiten zu Innovationen des Customer Experience Managements. Fand bis vor kurzem die Kommunikation zwischen Kunden und Unternehmen nur in eine Richtung statt, sprechen heute viele vom «bidirektionalen» Austausch – dabei ist das mit ganzheitlichen Digitalen Zwillingen von Smart Connected Products schon wieder Schnee von gestern, die viel gerühmten dezentralen Netzwerke lassen grüssen!

Wie zum Beispiel die Firma Babolat, deren smarte Tennis Rackets wir bereits vorgestellt haben, ihre Kunden auf eine Mehrwert stiftende Art untereinander, mit sich und ihren Werbeträgern vernetzt, stellen wir im zweiten Teil vor, der Anfang des kommenden Jahres erscheinen wird.

Über den Autor

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.

Babolat Play® Teil 1: Wie Digitale Zwillinge und Smart Connected Products das Product Lifecycle Management verändern.

Veröffentlicht am von
Antworten

Von Linard Barth

 

Babolat Play® – Smart Connected Tennis-Rack mit Trainingsapp © Babolat

Bereits 1875 gegründet, verarbeitete das Familienunternehmen ursprünglich Naturdärme zu Wursthäuten, Klaviersaiten sowie Saiten zur Bespannung der damals ausschliesslich hölzernen Tennis Rackets. Erst seit 1994 produziert Babolat überhaupt eigene Tennisschläger und hat seitdem sein Produktprogramm stetig ausgebaut. Heute bietet Babolat neben Saiten und Schlägern auch Schuhe, Schlägertaschen und vieles mehr an, mittlerweile auch für verwandte Sportarten wie Badminton oder Padel. Die grösste Innovation seit der Firmengründung ist aber wohl die Einführung des «Babolat Play & Connect Racquets», welches 2012 angekündigt wurde und 2014 auf den Markt kam.

Bei dem Produkt Babolat Play® (Abb. 1) handelt es sich um ein High-Tech Racket, welches mit zahlreichen Sensoren ausgestattet ist. Diese zeichnen in der Nutzungsphase des Schlägers auf, wo genau der Ball getroffen wird, mit welcher Kraft und in welchem Winkel geschlagen wird und wie konstant die aufgezeichneten Parameter über die Spieldauer sind. Zusammen mit den hinterlegten Materialeigenschaften des Schlägers, seiner der Benutzungsdauer geschuldeten Alterung und Umweltdaten wie der Umgebungstemperatur entsteht so ein digitales Abbild des physischen Produktes in der konkreten Anwendungssituation. Dank der Auswertung dieser Daten können dem Kunden Informationen zu seinem Spiel und Hinweise zur Verbesserung desselben gegeben werden. Die Value Proposition – das Leistungsversprechen – des ehemaligen, «analogen» Tennisschlägers verändert sich beim Übergang zum Smart Connected Product drastisch: Stand früher die Dauerhaftigkeit des Produktes und die hohe Schlagkraft dank der hochwertigen Eigenschaften der Babolat-Saiten im Vordergrund, so zieht der Produktverwender heute den Nutzen in erster Linie aus der Verbesserung seines Spiels, also dem Trainingseffekt.

Ein solcher «Digitaler Zwilling» des Tennisschlägers verändert jedoch nicht nur die Value Proposition in der Nutzungsphase, sondern führt zu neuen Daten und Informationen, die in allen Phasen des Produktlebenszyklus verwendet werden können und setzt somit Innovations-Impulse an ganz unterschiedlichen Stellen. Die zentralen Datenströme sind in der folgenden Abbildung 2 im von Fuchs und Barth (2018) entwickelten Digital Twin Framework orange dargestellt.

Digital Twin Konzept für Smart Connected Product Lifecycle Management (eigene Darstellung nach Fuchs & Barth (2018))

So konnte zum Beispiel der bei Babolat unter Vertrag stehende Ausnahmesportler Rafael Nadal Ende 2016, nachdem er über Monate neue Modelle getestet hatte und sein Spiel digital analysiert wurde, endlich überzeugt werden seinen Schläger erstmals seit 2004 zu verändern: Babolat fügte 2 Gramm an den entsprechenden Stellen hinzu. Seither wird auch jeder einzelne Schlag seiner Profispiele gespeichert, z.B. beim zehnten Roland Garros Sieg 2017 – für die Ewigkeit – und natürlich vor allem für die Fans.

Wie durch den Einsatz eines digitalen Zwillings die durch Smart Connected Products generierten Daten zudem systematisch für das Customer Lifecycle Management eingesetzt werden können, beschreiben wir anhand der Babolat App im zweiten Teil dieses Blogbeitrags.

http://de.babolat.ch/

Fuchs, Rainer; Barth, Linard, 2018. Wie Smart Connected Products Kunden emotionalisieren. In: Rüeger, Brian; Hrsg., Hannich, Frank; Hrsg., Fuchs, Rainer; Hrsg., Müller, Steffen; Hrsg., Klaas, Michael; Hrsg., Suvada, Adrienne, Hrsg., Emotionalisierung im digitalen Marketing : erfolgreiche Methoden für die Marketingpraxis. Stuttgart: Schäffer-Poeschel. S. 89-103.

Über den Autor

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.

Product Management 4.0: Hilfe, meine Produkte werden digital!

Veröffentlicht am von
Antworten

Von Prof. Dr. Rainer Fuchs

Ist es ein Fluch oder ein Segen? Konsumgüter, aber auch Industriegüter und Dienstleistungen, erzeugen im Zeitalter der Digitalisierung Daten – womöglich sogar in allen Phasen ihres Lebenszyklus. Welche Aufgaben haben Produktmanager in Angesicht dieser veränderten Ausgangslage? Welchen Herausforderungen müssen sie sich stellen, welche Chancen eröffnen sich ihnen? Ein vom Product Management Center der ZHAW kürzlich veröffentlichtes Framework  bietet Struktur und Erklärungsansätze zur Beantwortung dieser Fragen.

Wie sich die Welt verändert hat, merken wir unter Umständen schon morgens beim Zähneputzen: Hatten wir bis vor einigen Jahren noch eine klassische, «analoge» Zahnbürste, so halten heute viele von uns ein Wunderwerk des Innovations- und Produktmanagements in den Händen: Ein vernetztes Gerät, das uns vorgibt, wie lange wir wo und wie fest putzen sollten, und wann wir bitte einen neuen Bürstenkopf kaufen sollten. Wie konnte es nur so weit kommen?

Zahnbürsten werden smart (Bild links: © Pixabay, Bild rechts: © Procter & Gamble)

Klar: Schon bei Entwicklung, Produktion, Logistik und Vermarktung unserer klassischen Zahnbürste fielen Daten an. Diese halfen, Produkte und Prozesse zu optimieren – eine klassische Aufgabe des Produktmanagements. Bei der smarten Zahnbürste sind jetzt aber zwei Dinge grundlegend anders:

  • Erstens, es entstehen wesentlich mehr Daten im Verlauf des Produktlebenszyklus, besonders während der Phase der Vermarktung (z.B. durch die Cookies, die wir beim Surfen auf der Suche nach der idealen Zahnbürste hinterlassen) und der Phase der Produktnutzung (dank zahlreicher Sensoren und den Segnungen des IoT). Analoge Produkte werden also zu Smart Connected Products (ein Begriff, der auf Porter und Heppelmann zurückgeht ).
  • Zweitens ist es heute möglich, diese Menge an Daten, die in verschiedenen Systemen entstehen, zusammen zu ziehen und als Ganzes zu betrachten. Dank «Big Data» entsteht so der «Digital Twin» – der cyberphysische Zwilling des Produktes in der Datenwelt, der allenfalls noch durch externe Daten von Standortdiensten, Wetterdaten oder anderen Quellen ergänzt wird.

Das Framework des Product Management Centers

Damit wird klar, wie sich die Aufgabe des Produktmanagements geändert hat und weiter ändern wird:

  • Product Manager müssen definieren können, welche Daten ihre Produkte erheben müssen, und wie das von statten gehen soll (z.B. mit welchen Sensoren, Schnittstellen, etc.).
  • Sie müssen die gewonnenen Daten aggregieren und verknüpfen können, damit sie zu Informationen werden, d.h. mittels geeigneten Tools auf sie zugreifen, analysieren, aufbereiten und visualisieren.
  • Somit sind sie auch in der neuen, digitalen Produktwelt in der Lage, Produkte und Prozesse zu optimieren – eines der vorrangigen Ziele der allenthalben propagierten Industrie 4.0–  bzw. Industrie 2025– Initiativen.

Doch die wohl spannendste neue Aufgabe des Product Managers ergibt sich durch die Tatsache, dass Smart Connected Products plötzlich eine neue Value Proposition für den Kunden eröffnen können, mit der sich neue Ertrags- und womöglich sogar gänzliche Geschäftsmodelle schaffen lassen. Dies wird am Beispiel unserer Zahnbürste klar:

War das Leistungsversprechen unserer analogen Plastikzahnbürste einst, dem Kunden bei richtiger Anwendung gesunde Zähne zu erhalten, wird ihre smarte Weiterentwicklung zum persönlichen Zahngesundheitsassistenten: Dieser gibt uns persönliche Zahnpflegetipps, bestellt Consumables (irgendwann autark?) nach, und erlaubt uns vielleicht eines Tages den Nachweis einer lückenlosen Zahnpflege, um Rabatte bei der Krankenkasse zu erhalten – weil das Produktmanagement der Kasse mit dem Produktmanager der Zahnbürste zusammengespannt ist. Und wer weiss, vielleicht bezahlen wir irgendwann im Pay-per-Use-Modell nur noch für die Nutzungsminute der Zahnbürste – ich höre schon den Aufschrei der Schweizerischen Zahnärzte-Gesellschaft…

Über den Autor

Rainer Fuchs ist Professor für Product Management an der ZHAW und leitet das Product Management Center . Ursprünglich Physiker mit einem Dr. in Ingenieurwissenschaften und einem Master in Industrial Management, forscht er heute im Themenbereich von Smart Connected Products und teilt diese Erkenntnisse mit Studierenden in Bachelor-, Master- und Weiterbildungsstudiengängen wie dem MAS Product Management .

Geschwindigkeit vs. Beständigkeit im Marketing: «Swiss Marketing Leadership Studie 2018»

Veröffentlicht am von
Antworten

Gestern feierte die Swiss Marketing Leadership Studie ihre Veröffentlichung am «Future of Marketing» Event. Die diesjährige Studie fokussierte sich auf das Thema «Geschwindigkeit vs. Beständigkeit». Dazu befragte das Institut für Marketing Management mittlere und grössere Schweizer Unternehmen und eruierte grosse Spannungsfelder hinsichtlich Beständigkeit und Geschwindigkeit. Die Unternehmen werden von der digitalen Transformation im Marketing vorangetrieben. Sie wollen schneller werden, sehen aber auch die Bedeutung eines nachhaltigen Markenaufbaus. Die meisten Unternehmen möchten den digitalen Trends folgen, haben jedoch nicht die Daten zur Verfügung, um die für sie relevanten Trends umzusetzen und sind von Smart Connected Products sowie Digital Twins noch weit entfernt. Folgerichtig steigt die Bereitschaft, sich externe Unterstützung durch Managed Marketing Services zu suchen, stark an.

Nachhaltigkeit im Markenaufbau liegt im Trend

In der Swiss Marketing Leadership Studie 2018 wurde ermittelt, dass Kontinuität für das Brand Management entscheidend ist. Eine konsistente Markenführung im Sinne einer klaren Differenzierung gegenüber der Konkurrenz ist eminent wichtig für den Erfolg eines Unternehmens. Auch in dynamischen Zeiten, wenn Digitalisierung und Agilität im Trend liegen, wird im Branding auf die Beständigkeit und Konstanz einer Marke gesetzt. Dabei wird den Mitarbeitern eine wichtige Rolle zugeschrieben, zumal sie einen starken Einfluss auf die Markenidentität haben. Auch die Nachhaltigkeit in der Markenführung wird von den befragten Unternehmen gleich nach der Kontinuität als relevanter Trend bezeichnet.

Spannungsfeld zwischen Geschwindigkeit und Beständigkeit im CRM

Das diesjährige Trendthema «Geschwindigkeit vs. Beständigkeit» wird im CRM besonders kontrovers diskutiert. Eine knappe Mehrheit der Unternehmen legt auf Beständigkeit einen stärkeren Fokus als auf Geschwindigkeit. Die Entwicklung bei der Kanalnutzung sowie die Bedeutung konkreter CRM­Trends zeigen ein bipolares Bild: Die Digitalisierung schreitet weiter voran, aber gleichzeitig wird der persönliche Kontakt zu den Kunden für die Unternehmen immer bedeutender. Der Grund dafür ist der Wunsch, den Kunden und die Kundenbeziehung zu emotionalisieren.

Geschwindigkeit durch Digitalisierung im Produktmanagement

Die Digitalisierung wirkt sich stark auf das Produktmanagement aus. Die Mehrheit der befragten Schweizer Unternehmen stimmt zu, dass durch Digitalisierung das Marktumfeld und die Anforderungen an die Produkte komplexer werden. Doch dank der Daten aus allen Phasen des Produktlebenszyklus ergeben sich auch Chancen, die eigene Leistung zu innovieren. Das haben die Schweizer Unternehmen grösstenteils erkannt. Die Digitalisierung der Unternehmensprozesse ermöglicht dem Produktmanager, über alle Phasen des Produktlebenszyklus die notwendigen Informationen zu eruieren, um Potentiale zu erschliessen. Das Verständnis dafür ist bei den Schweizer Unternehmen verankert, jedoch sind die Unternehmen hinsichtlich der Umsetzung noch lange nicht da, wo sie gerne sein würden und sollten. Ersichtlich wird dies daran, dass lediglich 22% der Unternehmen Smart Connected Products besitzen, um auswertbare Daten aus den verschiedenen Phasen ihres Lebenszyklus sammeln.

Hintergrund und Details

Die «Swiss Marketing Leadership Studie» wurde 2018 zum vierten Mal veröffentlicht. Das Institut für Marketing Management der ZHAW School of Management and Law hat dazu 1968 mittlere und grosse Unternehmen zufällig ausgewählt, davon haben 295 den Fragebogen ausgefüllt.

Kostenloser Download der Studie

Die Studie steht Ihnen hier kostenlos digital zur Verfügung.

Downloadlink: https://digitalcollection.zhaw.ch/bitstream/11475/15995/2/Swiss_Marketing_Leadership_Studie_2018.pdf

Kontakt

Marcel Hüttermann, Telefon 058 934 76 98, E-Mail: marcel.huettermann@zhaw.ch