Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Roadmap zur Digitalen Transformation von Geschäftsmodellen Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

28. Wissensrisiken beim Design von datenbasierten Geschäftsmodellen identifizieren

Eine Design-Science Research Fallstudie in der Automobilindustrie

verfasst von : Michael Fruhwirth, Gert Breitfuß, Viktoria Pammer-Schindler, Stefan Thalmann

Erschienen in: Digitale Transformation von Geschäftsmodellen

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Unternehmen wie Google oder Amazon haben auf beeindruckende Weise die Wirkung und Bedeutung datenbasierter Geschäftsmodelle aufgezeigt. Im Zuge einer steigenden Bewusstseinsbildung für diesen Trend und der zunehmenden Digitalisierung, versuchen mehr und mehr Unternehmen datenbasierte Geschäftsmodelle zu entwickeln. Dies geschieht dabei häufig als Ergänzung zu traditionellen Geschäftsmodellen und erfolgt im Rahmen eines Geschäftsmodell-Innovationsprozesses. Dabei stellt sich zunächst einmal die Frage, inwieweit man diesen Prozess unterstützen kann? Ansätze die für allgemeine Geschäftsmodellinnovationen entwickelt wurden, wie z. B. der Business Model Canvas, sind hier natürlich grundsätzlich anwendbar. Bei näherer Betrachtung stellt man jedoch fest, dass datenbasierte Geschäftsmodelle besondere Eigenschaften haben und diese eine erweiterte Betrachtung erfordern.
Eine spezielle Herausforderung dabei ist es, Wissensrisiken zu erkennen: Die Grundlage von datenbasierten Geschäftsmodellen sind Daten. Durch moderne Sensorik und große Speicher- und Datenverarbeitungskapazitäten können diese Datensätze sehr umfangreich sein. Mit Hilfe von modernen Datenanalysewerkzeugen können aus solchen Datensätzen kritische Erkenntnisse gewonnen werden und damit möglicherweise wettbewerbskritisches Wissen nach Außen geraten. Da es nicht trivial ist zu erkennen, welches Wissen aus welchen Daten gewonnen werden kann, stellt dieses Szenario ein schwer zu kalkulierendes Risiko datenbasierter Geschäftsmodelle dar. Im Rahmen des Designprozesses von datenbasierten Geschäftsmodellen sollten jedoch Risiken und Vorteile eines möglichen Geschäftsmodells möglichst transparent sein. Denn nur auf einer möglichst umfassenden Analyse und Transparenz kann eine gute Entscheidung getroffen werden.
Im vorliegenden Buchkapitel wird anhand einer Fallstudie eines global tätigen großen Unternehmens in der Automobilbranche 1) eine systematische Vorgehensweise für die Entwicklung eines datengetriebenen Geschäftsmodells in Ergänzung zu einem bestehenden, wissensintensiven Unternehmen beschrieben, 2) dadurch veranschaulicht, welche Lücken bestehende Werkzeuge für Geschäftsmodell-Entwicklung in Bezug auf datengetriebene Geschäftsmodelle haben und 3) eine Visualisierung von Geschäftsmodellen vorgestellt, die die gezielte Identifikation von Wissensrisiken ermöglicht.
Die vorgeschlagene und in der Fallstudie bereits erfolgreich erprobte Visualisierung stellt eine interaktions-basierte Darstellung eines Geschäftsmodells dar. In dieser werden Wissensgrenzen dargestellt, über diese kein Kern-Wissen, sondern nur Daten und von Daten bzw. Wissen abgeleitete Werte (z. B. Vorhersagen) fließen sollen. Diese Visualisierung ist Diskussions- und Entscheidungsgrundlage, um für jeden Fluss von Werten über diese Wissensgrenze hinweg dieses in der Entwurfsphase sicherzustellen bzw. entsprechende Rahmen- und Handlungsrichtlinien für die Umsetzungsphase des Geschäftsmodells zu entwickeln.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Digitalisierung im gehobenen stationären Handel
Literatur
Abbasi, A., Sarker, S., & Chiang, R. (2016). Big data research in information systems: Toward an inclusive research agenda. Journal of the Association for Information Systems, 17(2), i–xxxii.CrossRef
Allee, V. (2008). Value network analysis and value conversion of tangible and intangible assets. Journal of Intellectual Capital, 9(1), 5–24.CrossRef
Bonakdar, A., & Gassmann, O. (2016). Design thinking for revolutionizing your business model. In W. Brenner & F. Uebernickel (Hrsg.), Design thinking for innovation (S. 57–66). Cham: Springer International Publishing.CrossRef
Breitfuß, G., Fruhwirth, M., Pammer-Schindler, V., Stern, H., & Dennerlein, S. (2019). The data-driven business value matrix – A classification scheme for data-driven business models. In Proceedings of the 32nd bled eConference – Humanizing technology for a sustainable society. Bled (S. 803–820).
Brillinger, A. S. (2018). Mapping business model risk factors. International Journal of Innovation Management, 22(5), 1840005.CrossRef
Casadesus-Masanell, R., & Ricart, J. E. (2010). From strategy to business models and onto tactics. Long Range Planning, 43(2–3), 195–215.CrossRef
Davenport, T. H., & Kudyba, S. (2016). Designing and developing analytics-based data products. MIT Sloan Management Review, 58(1), 83–89.
Davenport, T. H., & Prusak, L. (1998). Working knowledge: How organizations manage what they know. Boston: Harvard Business Press.
Fruhwirth, M., Breitfuß, G., & Pammer-Schindler, V. (2020a). The data product canvas. A visual collaborative tool for designing data-driven business models. In Proceedings of the 33rd bled eConference enabling technology for a sustainable society. Online (S. 515–528).
Fruhwirth, M., Ropposch, C., & Pammer-Schindler, V. (2020b). Supporting data-driven business model innovations. A structured literature review on tools and methods. Journal of Business Models, 8(1), 7–25.
Gambardella, A., & McGahan, A. M. (2010). Business-model innovation. General purpose technologies and their implications for industry structure. Long Range Planning, 43(2–3), 262–271.CrossRef
Gordijn, J., & Akkermans, J. M. (2003). Value-based requirements engineering: Exploring innovative e-commerce ideas. Requirements Engineering, 8(2), 114–134.CrossRef
Gregor, S., & Hevner, A. R. (2013). Positioning and presenting design science research for maximum impact. Management Information Systems Quarterly, 37(2), 337–355.CrossRef
Hallikas, J., Karvonen, I., Pulkkinen, U., Virolainen, V.-M., & Tuominen, M. (2004). Risk management processes in supplier networks. International Journal of Production Economics, 90(1), 47–58.CrossRef
Hartmann, P. M., Zaki, M., Feldmann, N., & Neely, A. (2016). Capturing value from big data – A taxonomy of data-driven business models used by start-up firms. International Journal of Operations & Production Management, 36(10), 1382–1406.
Hertog, P. D. (2000). Knowledge-intensive business services as co-producers of innovation. International Journal of Innovation Management, 4(4), 491–528.CrossRef
Hevner, A. (2007). A three cycle view of design science research. Scandinavian Journal of Information Systems, 19(2), 87–92.
Hevner, A., March, S., Park, J., & Ram, S. (2004). Design science in information systems research. Management Information Systems Quarterly, 28(1), 75–105.CrossRef
Hirt, R., & Kühl, N. (2018). Cognition in the era of smart service systems. Inter-organizational analytics through meta and transfer learning. In Proceedings of the thirty-ninth international conference in information systems (ICIS). San Francisco.
Hunke, F., Seebacher, S., Schüritz, R., & Illi, A. (2017). Towards a process model for data-driven business model innovation. In Proceedings of the 19th IEEE conference on business informatics. Thessaloniki (S. 150–157).
Hunke, F., Engel, C., Schüritz, R., & Ebel, P. (2019). Understanding the anatomy of analytics-based services. A taxonomy to conceptualize the use of data and analytics in service. In Proceedings of the twenty-seventh european conference on information systems (ECIS). Stockholm.
Ilvonen, I., Thalmann, S., Manhart, M., & Sillaber, C. (2018). Reconciling digital transformation and knowledge protection: A research agenda. Knowledge Management Research & Practice, 16(2), 235–244.CrossRef
Kronsbein, T., & Müller, R. M. (2019). Data thinking: A canvas for data-driven ideation workshops. In Proceedings of the 52nd Hawaii international conference on system sciences 2019. Maui (S. 561–570).
Kühne, B., & Böhmann, T. (2018). Requirements for representing data-driven business models. Towards extending the business model canvas. In Proceedings of the twenty-fourth americas conference on information systems (AMCIS). New Orleans.
Kühne, B., & Böhmann, T. (2019). Data-driven business models. Building the bridge between data and value. In Proceedings of the twenty-seventh european conference on information systems (ECIS). Stockholm.
Lee, J., Min, J., & Lee, H. (2015). Setting a knowledge boundary for enhancing work coordination and team performance: Knowledge protection regulation across teams. In Proceedings of the thirty-sixth international conference on information systems (ICIS), Fort Worth.
Lifshitz-Assaf, H. (2017). Dismantling knowledge boundaries at NASA: The critical role of professional identity in open innovation. Administrative Science Quarterly, 63(4), 746–782.CrossRef
Manhart, M., Thalmann, S., & Maier, R. (2015). The ends of knowledge sharing in networks. Using information technology to start knowledge protection. In Proceedings of the twenty-third European conference on information systems (ECIS). Münster.
Mathis, K., & Köbler, F. (2016). Data-need fit – Towards data-driven business model innovation. In Proceedings of the fifth service design and innovation conference. Kopenhagen (S. 458–467).
Oh, S. J., Augustin, M., Schiele, B., & Fritz, M. (2018). Towards reverse-engineering black-box neural networks. In Proceedings of the sixth international conference on learning representations. Vancouver.
Olander, H., Hurmelinna-Laukkanen, P., & Mähönen, J. (2009). What’s small size got to do with it? Protection of intellectual assets in SMEs. International Journal of Innovation Management, 13(3), 349–370.CrossRef
Osterwalder, A., & Pigneur, Y. (2010). Business model generation: A handbook for visionaries, game changers, and challengers (1. Aufl.). Hoboken, New Jersey: Wiley.
Osterwalder, A., Pigneur, Y., Bernarda, G., Smith, A., & Papadakos, P. (2014). Value proposition design: How to create products and services customers want (Strategyzer series). Hoboken: Wiley.
Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of Management Information Systems, 24(3), 45–77.CrossRef
Prat, N., Comyn-Wattiau, I., & Akoka, J. (2015). A taxonomy of evaluation methods for information systems artifacts. Journal of Management Information Systems, 32(3), 229–267.CrossRef
Schüritz, R., Seebacher, S., & Dorner, R. (2017a). Capturing value from data. Revenue models for data-driven services. In Proceedings of the 50th Hawaii international conference on system sciences. Hawaii (S. 5348–5357).
Schüritz, R., Seebacher, S., Satzger, G., & Schwarz, L. (2017b). Datatization as the next frontier of servitization. Understanding the challenges for transforming organizations. In Proceedings of the thirty-eighth international conference on information systems (ICIS). Seoul.
Simon, H. A. (1959). Theories of decision-making in economics and behavioral science. The American Economic Review, 49(3), 253–283.
Tempich, C. (2019). Konzeption und Entwicklung von Data-driven Products/Datenprodukten, in Carsten Felden, Michael Zimmer, Uwe Trahasch, Uwe Haneke und Stephan Trahasch (Hg.): Data Science. Grundlagen, Architekturen und Anwendungen. Heidelberg: dpunkt (Edition TDWI).
Terrenghi, N., Schwarz, J., & Legner, C. (2018). Towards design elements to represent business models for cyber physical systems. In Proceedings of the twenty-sixth European conference on information systems (ECIS). Portsmouth.
Tesch, J., & Brillinger, A. S. (2017). The evaluation aspect of digital business model innovation: A literature review on tools and methodologies. In Proceedings of the twenty-fifth European conference on information systems (ECIS). Guimarães.
Tramèr, F., Zhang, F., Juels, A., Reiter, M. K., & Ristenpart, T. (2016). Stealing machine learning models via prediction APIs. In Proceedings of the 25th USENIX security symposium. Austin, Texas (S. 601–618).
Vahs, D., & Burmester, R. (2005). Innovationsmanagement. Von der Produktidee zur erfolgreichen Vermarktung (3. Aufl., S. 187–223). Stuttgart: Schäffer-Poeschel.
Weinberger, M., Bilgeri, D. und Fleisch, E. (2016): 20 Linsen auf digitale Geschäftsmodelle, in Gassmann, O. and Sutter, P. (Hg.), Digitale Transformation im Unternehmen gestalten: Geschäftsmodelle Erfolgsfaktoren Fallstudien (1. Aufl.). München: Carl Hanser Fachbuchverlag, S. 65–70.
Wixom, B. H., & Markus, M. L. (2015). Data value assessment: Recognizing data as an enterprise asset. MIT CISR Research Briefing, XV(3), 1–4.
Wixom, B. H., & Schüritz, R. (2017). Creating customer value using analytics. MIT CISR Research Briefing, XVII(11), 1–4.
Zins, C. (2007). Conceptual approaches for defining data, information, and knowledge. Journal of the American Society for Information Science and Technology, 58(4), 479–493.CrossRef
Metadaten
Titel
Wissensrisiken beim Design von datenbasierten Geschäftsmodellen identifizieren
verfasst von
Michael Fruhwirth
Gert Breitfuß
Viktoria Pammer-Schindler
Stefan Thalmann
Copyright-Jahr
2021
Buch
Digitale Transformation von Geschäftsmodellen

Print ISBN: 978-3-658-31979-3

Electronic ISBN: 978-3-658-31980-9

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-658-31980-9_28

Premium Partner

    Bildnachweise