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

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

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.

Abschlussveranstaltung CAS Pricing and Go-to-Market

Von Linard Barth

Der CAS Pricing and Go-to-Market setzt sich aus den beiden Modulen Pricing und Go-to-Market zusammen. Im ersten Modul Pricing werden Strategien und Methoden hinsichtlich Preisfindung und Durchsetzung am Markt vermittelt und im zweiten Modul Go-to-Market erlernen die Teilnehmer, wie man neue Produkte und Dienstleistungen erfolgreich im Markt einführt. Dieser CAS ist Teil des MAS Product Management sowie des MAS Marketing Management.

Auch dieses Semester konnte eine weitere Klasse diesen spannenden CAS erfolgreich absolvieren. Die Abschlussveranstaltung des zweiten Moduls fand im Parkhotel Winterthur statt. In angenehmer Atmosphäre konnten die Teilnehmer am Vormittag ihre Präsentationen und die Argumentationsrhetorik mit Unterstützung von Frau Dr. Ilona Diesner noch einmal optimieren und am Nachmittag der Studiengangleitung präsentieren. Die 14 Teilnehmenden hatten die Aufgabe ein Market-Launch Konzept für ein Produkt oder eine Dienstleistung für ihren Arbeitgeber zu entwickeln. Am Ende bekamen die Teilnehmenden sogleich das Feedback zu ihren Präsentationen und die Note für die Gruppenpräsentation. So konnten die Teilnehmenden in der Folge ganz entspannt den wohlverdienten Apéro geniessen und das Gelernte noch einmal diskutieren und Revue passieren lassen. Herzlichen Glückwunsch auch vom Institut für Marketing Management und hoch die Gläser zum bestandenen CAS!

Glückliche Gesichter am Abschlusstag

Haben Sie Fragen zum CAS Pricing and Go-To-Market? Dann wenden Sie sich bitte an Linard Barth via Mail linard.barth@zhaw.ch oder via Telefon 058 934 68 67. Zahlreiche Information zu diesem Studiengang finden Sie auch online.

Der SC 02 United am SML Grümpel-Turnier

Von Linard Barth

Die ZHAW School of Management and Law veranstaltet ein jährliches «Grümpel-Turnier» für alle Mitarbeiter, Studenten und Alumni der SML, dieses Jahr massen sich 35 Teams in den Disziplinen Fuss- und Beachvolleyball. Das Zentrum für Unternehmensentwicklung und das Institut für Marketing Management haben sich zusammengeschlossen und eine kampffreudige Truppe unter dem Namen «SC 02 United» an den Start geschickt, «SC» steht dabei sowohl für «Sportclub» als auch für das SC-Gebäude, die Nummer 02 symbolisiert den zweiten Stock in dem sich die beiden Abteilungen befinden.

Trotz der unermesslichen Motivation und der guten Vorbereitung wurden die sowieso nicht allzu hohen Ambitionen in den ersten beiden Spielen gegen stark aufspielende Studententeams herb gedämpft. Nach den zwei relativ hohen Niederlagen in den Startspielen ohne SC-Torerfolg musste die Taktik bei einer von der SML gespendeten Wurst und einem Elektrolyten-auffüllenden Bier nochmal besprochen werden. In der Folge waren die SC-Kicker in beiden Spielen besser aufgestellt und konnten insgesamt vier Tore frenetisch feiern. Dennoch war am Ende mit nur einem Sieg aus vier Spielen nur der vorletzte Gruppenrang drin und die Mannschaft konnte sich nun ganz der zur Verfügung gestellten Verpflegung und dem Anfeuern der verbliebenen Teams in den Finalspielen widmen.

Trotz dem ausgebliebenen Pokal waren sich die Spieler des SC 02 United einig an der nächsten Austragung wieder teilzunehmen und für Sieg und Ehre für das SC-Gebäude zu kämpfen. Mit den ausgeliehenen Trikots des SC Bronschhofen und unseren strammen Waden waren wir wenigstens optisch echte Hingucker und dürfen uns getrost als Sieger der (Frauen-)Herzen betrachten. Dabei sein ist ja schliesslich auch (fast) alles und wir konnten bei einem sonnigen Freitagnachmittag der schönsten Nebensache der Welt frönen! 🙂

Der SC 02 United von o.l. nach u.r.: Florian «Freistoss-Ass» Spychiger, Linard «Stossstürmer» Barth, Marcel «Stellungsspiel» Hüttermann, Rafael «Flügerflitzer» Domeisen (Torschützenkönig des SC!), Kaspar «Ein-Mann-Abwehrmauer» Kilchenmann, Santhosh «Toptransfer» Kaduthanam, David «die Katze» Kübler und der fast schon verboten fotogene Rolf «Doppelpass» Rellstab.

Rolf «Doppelpass» Rellstab macht auch in Aktion eine gute Figur.

Rafael «Flügerflitzer» Domeisen ist auch ein Taktik-Ass und wusste die Gemüter nach den Startniederlagen wieder zu beruhigen.