Geschäftsmodelle mit Datenorientierung

Vom traditionellen Geschäftsmodell zum Geschäftsmodell mit Datenorientierung

 

Aus den digitalen Geschäftsmodellen entwickeln sich datenorientierte bzw. datengetriebene Geschäftsmodelle (vgl. Fritsch/Krotova 2020a), welche die „Ressource“ Daten in den Mittelpunkt ihrer Geschäftstätigkeit rücken und diese gewinnbringend einzusetzen versuchen. Analog zum digitalen Geschäftsmodell wird auch hier der Schwerpunkt auf das angebotene Gut und dessen Her- und Bereitstellung gelegt, wobei wissenschaftliche Analysen sich aufgrund einer komplexeren Quantifizierbarkeit von Wertschöpfungsprozessen weitestgehend auf das Wertangebot konzentrieren (Fritsch/Krotova 2020b: 5).

Vor diesem Hintergrund legt diese Arbeit bewusst den Fokus auf eine Geschäftsmodellanalyse, die eine konsequente Integration und Nutzung von Daten bei allen Elementen eines Geschäftsmodells beachtet, die aber das angebotene Gut als solches nicht in die weitere Betrachtung einbezieht. Damit wird der Erkenntnis Rechnung getragen, dass der Veränderungsprozess der digitalen Transformation über eine reine Digitalisierung von operativen Prozessen hinausgeht und auch auf die taktische und strategische Ebene einwirkt. Daraus entwickelt sich eine datenorientierte bzw. datenintegrierende Sichtweise im Unternehmen, die die Ressource Daten mit all ihren Potenzialen sinnvoll einsetzt (siehe Arten von Geschäftsmodellen).

Beispiel: Zielstellung der Nutzung von Sensordaten in der Produktion oder Logistik

Beispielsweise (siehe Abbildung 2) können Sensoren (als Datenquellen) in der Logistik oder Produktion eingesetzt werden, um den Standort von Werkzeugen, Förderern oder Produkten aufzuzeigen (Deskriptiv). Dazu sind die Sensoren mit einem Wireless Sensor Network zu verknüpfen und die generierten Daten für ein Tracking an einer zentralen Stelle zu hinterlegen. Die Daten sind nachfolgend zu bearbeiten und als Ergebnis dem*der Nutzer*in zur Verfügung zu stellen (Diagnostisch). Im Optimalfall ist die Datenverarbeitung automatisiert. Durch die Nutzung der Sensordaten gelingt im Ergebnis ein Echtzeit- Tracking des gesamten Materialflusses, womit Durchlaufzeiten oder Störungen prognostiziert werden (Prädiktiv). In einem weiteren Schritt können Prognosen eingesetzt werden, um mittels Simulationsverfahren Entscheidungen zur Verbesserung des Liefermanagements abzuleiten (Präskriptiv). (vgl. Namuduri et al. 2020)

Potenziale von Geschäftsmodellen mit Datenintegration

Geschäftsmodelle mit Datenintegration fokussieren die wertschöpfende Nutzung von generierten Daten, von Produktionsprozessen und -abläufen bis hin zur Anwendung der Produkte und der Dienstleistungen bei den Kunden. Die Orientierung an sowie Integration von Daten kann – oder bestenfalls: sollte – alle Dimensionen eines Geschäftsmodells betreffen: vom tatsächlichen Produkt und dessen Ausrichtung an den Bedürfnissen der Kund*innen über die Prozesse und Aktivitäten der Wertschöpfung bis hin zu den Erlös- und Kostenstrukturen. In allen genannten Dimensionen soll ein Mehrwert aus Daten geschaffen werden, indem Daten zur geschäftsmodellübergreifenden Ressource des Unternehmens werden.

Dieser (weitere) Schritt im Zuge der digitalen Transformation stellt Unternehmen einerseits vor (neue) Herausforderungen, andererseits sind die Potenziale ebenfalls nicht von der Hand zu weisen. Mittels einer Integration von Daten in die Prozesse und Strukturen des Unternehmens sowie einer adäquaten Implementierung und Umsetzung entstehen Verwertungspotenziale, die wiederum Produktinnovationen hervorrufen, Wachstums- impulse generieren oder eine Voraussetzung für eine bessere Marktpositionierung sein können. Tabelle 1 soll beispielhaft verschiedene Anwendungsfälle einer Datenintegration im Unternehmen darstellen (vgl. Universität des Saarlands 2019; Mittelstand-Digital Begleitforschung 2019):

Produkte/Dienstleistungen

  • Produktverbesserung; Weiterentwicklung (smarter) Produkte
  • Dynamische Preisoptimierung
  • Zielgenaue Werbung/Promotion

Kunden(-management)

  • Analyse des Kaufverhaltens der Kund*innen und abgeleitete Absatzprognosen
  • Klassifikation von Kundendaten zur Analyse der Zielgruppe
  • Analyse möglicher Ursachen von Retouren zur Verringerung von Warenrücksendungen
  • Optimierung der Kundeninteraktion (Resonanz des Marketings oder Einsatz von Chatbots)

Produktion

  • Steuerung und Optimierung von Fertigungsabläufen
  • Datengestützte Assistenzsysteme für Beschäftigte
  • Anomalieerkennung und Qualitätskontrolle (optische und akustische Qualitätssicherung)
  • Vorausschauende Wartung von Maschinen und Anlagen 

Eingangs- und Ausgangslogistik

  • Optimierung der Lagerhaltung
  • Optimierung der Lieferkette
  • Bedarfsprognosen
  • Datenbasierte Bedarfs- und Routineplanung
  • Datenbasierte Unterstützung bei Abwicklung (Übernahme vom Bestellvorgang bis zur Lieferung) 

Administration

  • Übernahme von Routineaufgaben (z. B. Bestellvorgänge, Buchhaltung)
  • Teilautomatisiertes Bewerbermanagement

(vgl. Universität des Saarlands 2019; Mittelstand-Digital Begleitforschung 2019) 

Bereits hier zeigt sich, dass auf unterschiedlichen Ebenen Potenziale hinsichtlich Produktinnovationen und -anpassungen, Prozessoptimierungen und/oder Erlös- maximierung und Kostenminimierung stecken. In Summe gelingen Veränderung des Werteversprechens sowie Optimierungen der Wertschöpfung und Anpassungen der Organisationsstrukturen; gleichzeitig sind Potenziale erkennbar, die auf die Unternehmenssteuerung wirken, indem Daten zur Unterstützung (des Menschen) bei der Entscheidungsfindung eingesetzt werden können.

Eine Grundvoraussetzung für die erfolgreiche Implementierung von Daten im Unternehmen und zur Umsetzung der hier vorliegenden Verwertungspotenziale ist eine vorausgehende Analyse des Geschäftsmodells mit seinen zugrunde liegenden Bestandteilen.

Literaturübersicht

Becker, Wolfgang (2019): Geschäftsmodelle in der digitalen Welt. Strategien, Prozesse und Praxiserfahrungen. Wiesbaden: Springer Gabler.

Bieger, Thomas; zu Knyphausen-Aufseß, Dodo; Krys, Christian (2011): Innovative Geschäftsmodelle. Roland Berger Strategy Consultants. Berlin, Heidelberg: Springer Berlin Heidelberg.

Botzkowksi, Tim (2018): Digitale Transformation von Geschäftsmodellen im Mittelstand. Theorie, Empirie und Handlungsempfehlungen. Wiesbaden: Springer Gabler.

Gassmann, Oliver; Frankenberger, Karolin; Csik, Michaela (2017): Geschäftsmodelle entwickeln. 55 innovative Konzepte mit dem St. Galler Business Model Navigator. 2., überarbeitete und erweiterte Auflage. München: Hanser.

Hoffmeister, Christian (2015): Digital Business Modelling. Digitale Geschäftsmodelle entwickeln und strategisch verankern. München: Hanser.

Meinhardt, Stefan; Pflaum, Alexander (Hg.) (2019): Digitale Geschäftsmodelle. Springer Fachmedien Wiesbaden GmbH. Wiesbaden, Germany: Springer Vieweg.

Neugebauer, Reimund (Hg.) (2018): Digitalisierung. Schlüsseltechnologien für Wirtschaft und Gesellschaft. Springer-Verlag GmbH. 1. Auflage. Berlin, Heidelberg: Springer Vieweg (Fraunhofer-Forschungsfokus).

Schallmo, Daniel; Rusnjak, Andreas; Anzengruber, Johanna; Werani, Thomas; Jünger, Michael (Hg.) (2016): Digitale Transformation von Geschäftsmodellen. Grundlagen, Instrumente und Best Practice. Springer Gabler.

Schallmo, Daniel; Reinhart, Joachim (Hg.) (2018): Digitale Transformation von Geschäftsmodellen erfolgreich gestalten. Trends, Auswirkungen und Roadmap. Wiesbaden: Springer Gabler.

Wittpahl, Volker (Hg.) (2016): Digitalisierung. Bildung, Technik, Innovation. Springer-Verlag GmbH. Berlin, Heidelberg: Springer Vieweg (iit-Themenband).