Post on 01-Jun-2020
Exposé zur Anmeldung der Masterthesis
„Implikationen der digitalen Transformation für das Front-End des Innovationsprozesses am Beispiel
der Automobilbranche“
Eingereicht bei: Prof. Dr. Ralf Wagner
Fachgebiet: Internationales Direktmarketing
DMCC (Dialog Marketing Competence Center)
Eingereicht von: Joel Riek
Matrikelnummer: 33245609
Studiengang: Business Studies (Dialogmarketing)
Fachbereich: Wirtschaftswissenschaften (FB 07)
Inhaltsverzeichnis
I. Untersuchungsmodell
1. Einleitung
2. Stand der aktuellen Forschung
3. Konzeption eines Opinion Mining-Tools
4. Weitere Vorgehensweise
II. Literaturverzeichnis
1. Einleitung
2. Mobilität im Zeitalter der Digitalisierung
3. Anforderungen für die Transformation zum Mobilitätsdienstleister
4. Der Innovationsprozess in der Automobilindustrie
5. Konzeption eines Business Intelligence-Tools zur Einbindung des Kunden in das
Front-End des Innovationsprozess
6. Ausblick & Zusammenfassung
I. Untersuchungsmodell
Generation Divide New Mobility Urbanization
Mobilität im Zeitalter der Digitalisierung / Digital Disruption
Veränderte Geschäftsmodelle / Produktbegleitende
Dienstleistungen
Klassische Produktentwicklung
Anforderungen für das Front-End des Innovationsprozesses in der Automobilbranche
Interne Organisation
Externe Inputs
Wissens-Datenbank
RapidMiner
Konzeption eines BI-Tools
1. Einleitung
„Mobilität wird neu definiert – und dabei seien Autos nur ein Baustein in den fusionierten
Welten zwischen Wohnen, Freizeit und dem Transport dabei.“
Das obenstehende Zitat von Professor Dr. Bratzel vom Center of Automotive Research zeigt
auf, wie sehr Megatrends wie Urbanization und Generation Divide die zukünftige Auffassung
des Mobilitätsbegriffs prägen.
Neben dem klassischen Kerngeschäft eines Automobilherstellers ergeben sich getrieben durch
die zunehmende digitale Transformation des Automobils Betätigungsfelder in Form neuer
Geschäftsmodelle und produktbegleitender Services.
Da Car Sharing schon vielfach betrachtet wurde, sollen sich die Beispiele, welche in dieser
Arbeit verwendet werden auf digitale Geschäftsmodelle stützen.
Die Eigenschaften des Connected Cars wie die Vernetzung mit Infrastruktur oder anderen
Verkehrsteilnehmern werden dabei als Schlüsseltechnologie angeführt für den Schritt vom
Automobilhersteller zum individuellen Mobilitätsanbieter.
Die Frage, die in diesem Zusammenhang gestellt werden muss zielt darauf ab, inwieweit sich
die Herangehensweise im Front End des Innovationsprozesses – also der Ideengenerierung
und -Bewertung für die Entwicklung (digitaler) produktbegleitender Services bzw. neuer
Geschäftsmodelle von jenen Phasen im Rahmen des traditionellen
Produktentwicklungsprozess in der Automobilindustrie unterscheidet.
Dazu soll in einem ersten Schritt sowohl aufgezeigt werden, was mit dem Begriff der
digitalen Transformation in Bezug auf die Automobilbranche gemeint ist. Darüber hinaus
sollen ausgewählte Beispiele aufzeigen, wie eine solche Digital Disruption das
Wettbewerbsumfeld ganzer Branchen verändern kann. Danach soll zunächst der traditionelle
Produktentwicklungsprozess in der Automobilbranche thematisiert werden, bevor näher auf
Produktbegleitende Dienstleistungen bzw. Geschäftsmodelle eingegangen wird.
Darauf aufbauend soll sich das nächste Kapitel näher mit dem Innovationsprozess
beschäftigen. Dabei wird ein Vergleich zwischen dem klassischen Innovationsansatz in der
Automobilbranche und modernen Ansätzen aus dem Bereich Open Innovation vorgenommen.
Im Fokus steht dabei das Front End des Innovationsprozesses, also die Phasen der
Ideengenerierung -Bewertung. In diesem Zusammenhang soll gezeigt werden welches
Potential Business Intelligence für die Entscheidungsunterstützung in Bereichen bietet,
welche traditionell nicht dem Kerngeschäft eines Automobilherstellers zuzuordnen werden.
Schließlich soll ein Business Intelligence-Tool vorgestellt werden, welches sowohl
Mitarbeiter als auch (potentielle) Kunden in diese frühen Phasen des Innovationsprozesses
einbindet. Durch Opinion Miining sollen dabei Insights gewonnen werden, welche bei der
Konzeption produktbegleitender Services bzw. möglicher Geschäftsmodelle berücksichtigt
werden können.
2. Stand der aktuellen Forschung
In der folgenden Tabelle soll ein Überblick über die wichtigsten Forschungsergebnisse jener
Themengebieten gewährt werden, welche für die Entwicklung einer konkreten
Handlungsempfehlung in Form eines Business Intelligence-Tools von Relevanz sind.
Thema Quelle Inhalt
Megatrends in der
Automobilbranche
Bain & Company
(2011). Vom
Automobilbauer zum
Mobilitätsdienstleister
- Wie Hersteller ihr
Geschäftsmodell für
integrierte Mobilität
richtig aufstellen.
Globale Trends, welche Einfluss auf das
Käuferverhalten nehmen:
Urbanisierung
Zunehmende Bevölkerungsdichte und das
Wachstum der Metropolen
New Mobility
Restriktionen und Alternativen für das
eigene Automobil
Generation Divide
Veränderungen im generellen
Nachfrageverhalten
Digitale
Transformation
und Mobilität
Proff, H. et al. (2012),
Zukünftige Entwick-
lungen in der
Mobilität.
Herausforderungen der Elektromobilität und
vernetzte Technologien schaffen Impulse für
neue Services rund um das Automobil
Notwendigkeit für Automobilhersteller, im
Bereich der Entwicklung und Produktion
strategische Allianzen aufzubauen
Im Markt für Mobilitätsdienstleistungen,
konnten sich bereits einige Hersteller durch
Schaffung eines eigenen CarSharing-Dienstes
etablieren.
Unter dem Begriff „Smart Mobility“ können
Mobilitätsdienstleistungen und andere
Services gesammelt werden, um durch die
intelligente Vernetzung sowohl von
Fahrzeugen untereinander, als auch zwischen
Fahrzeugen und Infrastruktur auf Plattformen
abzubilden
Unter dem Begriff „Car Connectivity“ können
somit Möglichkeiten gesammelt werden,
welche durch die Bereitstellung von Daten
etwa über die Verkehrslage oder
Parkmöglichkeiten einen konkreten Mehrwert
für Kunden bieten können
Car Connectivity
(1)
Leskova, A. (2013).
Services in
Automobile Business
based in Car
Connectivity
Possibilities, Trendy v
podnikání – Business
Trends 3/2013, 27–34.
Durch den Trend „Car Connectivity“
verändert sich die Art und Weise wie Autos
genutzt werden
Chancen:
- Differenzierung von anderen Herstellern
Wahrnehmung als innovativer Hersteller
- Steigerung der Profitabilität durch das
Anbieten produktbegleitender Services
- Direkte Schnittstelle zum Kunden
Herausforderungen:
- Sicherheitsaspekt im Sinne von Ablenkung
und IT-Sicherheit
- Kulturwandel notwendig
- Konkurrenz durch IT-Unternehmen mit
mehr Expertise in diesem Bereich
Car Connectivity
(2)
Danne, B. et al. im
Auftrag des
Bundesverbands
Digitale Wirtschaft
(2014). 10 Thesen zur
Zukunft von
Connected Cars.
1. Nur Fahrzeughersteller, die digitale Öko-
systeme rund um ihre Produkte etablieren,
werden von der digitalen Revolution im
Bereich Connected Car (CC) profitieren
2. Die Entwicklungsrichtung in der
Konsumenten-Elektronik – insbesondere im
Mobile-Anwendungsbereich – beeinflusst den
Trend zum CC
3. Asynchronität der Entwicklungszyklen von
Consumer-Devices und Fahrzeugen erzeugt
Wettbewerbsdruck
4. Der Status-Charakter des Fahrzeugs verliert
an Wert, während Konnektivität und zweck-
mäßige Mobilität in den Vordergrund rücken
5. Solange es keine einheitlichen Standards
für CC gibt, wird es schwierig sein, den
Konsumenten die Vorteile zu erklären
6. Es fehlt an Anwendungsoptionen mit einem
signifikanten Nutzwert für den Kunden
7. After-Sales-Services und periphere Dienste
werden in Zukunft mehr Umsatz erbringen als
der Verkauf des Fahrzeugs selbst
8. Das CC öffnet den Zugang für bisher
branchenfremde Unternehmen und bietet eine
Plattform zur Mitgestaltung des
Fahrzeugmarktes
9. OEM müssen sich elementare Fragen zur
strategischen Ausrichtung im Feld Partnering
stellen Mitgestalten und Mitverdienen?
10. Content-Anbieter müssen neue mediale
Brücken ins Auto bauen
Klassischer
Produktentwick-
lungsprozess
Esch et. al (2013).
Strategie und Technik
des
Automobilmarketing.
In der ersten Phase des Produktentwicklungs-
prozesses in der Automobilindustrie
„Produktentscheidung & Produkt-
entwicklung“ werden die Ziele gesetzt
Dazu werden u.a. Ergebnisse aus der
Marktforschung herangezogen
Relativ hohes Produktinvolvement seitens der
Käufer in der Automobilbranche
Der Produktlebenszyklus eines Modells
verkürzt sich zunehmend
Aufgrund des steigenden
Innovationsdrucks, sind Facelifts eine
attraktive Alternative, um finanzielle
Belastungen zu mindern
Produkt–Service
Systeme
Reinhardt et. al
(2014). Innovations-
prozesse zyklen-
orientiert managen
Deutschland geprägt von Industriekultur.
Datengetriebene Geschäftsmodelle um
intelligenten Produkte herum, benötigen
jedoch eine Service-Kultur
Unterschied liegt u.a. in Entwicklungszyklen
Abhängigkeiten zwischen IT-Zyklen und
Zyklen anderer Disziplinen werden im
Innovationsprozess nicht ausreichend
berücksichtigt
Kürzeren Lebenszyklen der Software und
Elektronik sorgen für regelmäßige
Änderungen bzw. Updates
Management des
Produktlebens-
zyklus
Sendler, U. (2012).
Ganzheitliche
Strategie: Systems
Lifecycle
Management.
Anwendungssoftware entwickelte sich
“zu einem entscheidenden Treiber neuer
Arten der Produktentwicklung (…) sowie
bedeutender Innovationen”
Dabei übernimmt Embedded Software
zunehmendend die prägende Rolle bei
Produktinnovationen ein
Auf cybertronischen Produkten basierende
Services werden zu einem entscheidenden
Faktor für die Wettbewerbsfähigkeit
vernetzter Produkte
Aus Prozesssicht müssen Unternehmen daher
mehr denn je darauf achten, dass Datenströme
Organisationseinheiten entlang der gesamten
Wertschöpfungskette verfügbar sind
Dazu bedarf es:
1. Multidisziplinärer Werkzeuge und Prozesse
der Produktentwicklung.
2. Professionelles Management des gesamten
Systemlebenszyklus für cybertronische
Produkte
Innovative Unternehmen zeichnen sich
dadurch aus, dass sie frühzeitig
Marktanforderungen identifizieren
Der momentane Erfolg europäischer
Unternehmen mit Blick auf intelligente
Produkte beruht auf der hohen Kompetenz,
muss jedoch durch eine bessere Verzahnung
der Fachbereiche abgesichert werden
Verknüfung unterschiedlicher IT-Systeme
und Organisationseinheiten notwendig
Dazu gehört auch eine “durchgängie
Nutzung der Daten über den gesamten
Lebenszyklus”
(Digitale)
Geschäftsmodelle
Morabito, V. (2014).
Trends and
Challenges in Digital
Business Innovation.
Im Rahmen einer digitalen Markenstrategie
lassen sich vier Voraussetzungen festhalten:
1. Ein klares Nutzenversprechen
kommunizieren
2. Vertrauen aufbauen indem das Versprechen
erfüllt wird
3. Nutzenversprechen kontinuierlich
verbessern
4. Innovationen hervorbringen
Erst durch das Geschäftsmodell können
innovative Ideen und Technologien auf den
Markt gebracht werden
„Der Einzug der digitalen Wirtschaft kann
(…) als neue industrielle Revolution
verstanden werden“
Wandel von einer Angebotsorientierung hin
zu der Nachfrageorientierung bietet Chancen
Digitale Services bilden eine direkte
Schnittstelle zum Kunden
Gerade in der Automobilindustrie ist das
aufgrund des indirekten Vertriebssystem ein
enormer Vorteil um Kunden stärker in den
Innovationsprozess einzubinden
Die Herausforderung für Unternehmen im
digitalen Zeitalter besteht daher darin, die
Besonderheiten zu erkennen und diese durch
Anpassen des Geschäftsmodells zu nutzen
Geschäftsmodell-
innovationen
Gassmann, O.,
Frankenberger, K.,
Csik, M. (2015).
Innovation Strategy:
From new Products to
Business Model
Innovation.
Der Wettbewerb wird in Zukunft zunehmend
zwischen verschiedenen Geschäftsmodellen
ausgetragen werden
Die Architektur eines Geschäftsmodells kann
anhand von 4 Dimensionen charakterisiert
werden:
1. Wer ist der Kunde?
2. Was wird dem Kunden geboten?
(Nutzenversprechen)
3. Wie sind die Prozesse entlang der
Wertschöpfungskette gestaltet?
4. Wie wird Wert geschaffen?
Produktbegleitende
Services
Witt, G., Hoffmann,
R., Reuter, F., Bartel,
S. (2013). Neue
Kompetenzanforderun
gen für die Integration
mobiler Dienste in der
Automobilindustrie,
Schritte in die künftige
Mobilität. 219–240.
Klassische Industrieunternehmen werden
durch die „Internetökonomie“ vor neue
Herausforderungen gestellt
Die Integration mobiler Dienste beeinflusst
die Eigenschaften des Primärgutes Automobil
„Komplementäre Produktkonvergenz“
durch den Technologie-Zusammenschluss
zwei vorher getrennter Märkte werden deren
Produkte zu Komplementärgütern
Vielversprechende Rolle der OEM als
Gatekeeper:
Aufbau eines Ökosystems, um den Markt
nicht anderen Playern zu überlassen.
Kompetenzen aufbauen, indem ein Wandel
durch strategische Programme eingeleitet
wird
Closed Innovation
Gaubinger, K. (2009).
Unternehmenserfolg
durch marktorientierte
Produktinnovationen.
Der Innovationsbegriff schließt neben der
Invention, im engeren Sinne die Markt-
einführung- sowie im weiteren Sinne die
Marktbewährung ein
Vier Dimensionen des Neuheitsgrads einer
Innovationen:
- Technologie
- Markt
- Innovationsumfeld
- Organisation
Empirische Studien belegen einen positiven
Zusammenhang zwischen der
Innovationsbestrebungen und dem Erfolg
eines Unternehmens
Innovationstreiber:
Globalisierung, technischer Fortschritt,
wachsende Kundenbedürfnisse sowie die
Verkürzung von Produktlebenszyklen
Ausbau der Wettbewerbsfähigkeit als
übergeordnetes Ziel sämtlicher Innovationen
Kernaufgaben des Innovationsmanagements:
1. Definition von Innovationszielen und -
Strategien
2. Planung, Steuerung und Kontrolle der
Innovationsprozesse
3. Aufbau und Pflege eines
Informationssystems
4. Aufbau einer Innovationsfördernden
Organisationskultur
5. Schaffung und Pflege einer
Innovationsfreundlichen
Unternehmenskultur
Kundenkommuni-
kation im Web 2.0
Wagner, R. (2013),
'Unternehmen als
Akteure und Objekte
des Dialogs', in
Gerdes, J.,
Dialogmarketing im
Dialog, 59-72,
Springer, Wiesbaden.
Medien des Web 2.0 zeichnen sich vor allem
durch aus, dass sie anders als klassische
Instrumente auf Pull-Kommunikation setzen
Zudem erlaubt es das Web 2.0 dem Kunden
die Rolle eines Dialogpartners zuzuordnen
„Die bewusste Öffnung der
Kommunikationspolitik ermöglicht den
Konsumenten einen eigenen Beitrag in der
Wertschöpfung und deren Ausgestaltung“
Open Innovation Mladenow, A., Bauer,
C., Strauss, C. (2014).
Social Crowd
Integration in New
Product Development:
Crowdsourcing
Communities Nourish
the Open Innovation
Paradigm, Global
Journal of Flexible
Systems Management,
77–86.
Open Innovation Paradigma bedeutet die
Suche und Einbindung externer Ideen in die
Organisation
Als Methode zur Adaption von Kundenwissen
haben sich Crowdsourcing-Communities
bewährt
Nutzung von Web 2.0 Plattformen
Durch Analyse mit Hilfe von Text Mining
Einbindung von „Prosumern“ in den
Produktentwicklungsprozess bietet einen
Vorteil für alle beteiligten Parteien
Die „Social Crowd“ ist grundsätzlich in jede
beliebige Stufe des
Produktentwicklunsprozesses integrierbar.
Product Innovation Kohli, A. (2007). A.
Does Listening to
Customers Hurt
Product Innovation?,
Vielfalt und Einheit
der Marketingwissen-
schaften, 67–75.
Bedenken, dass Formen von Open Innovation
einen negativen Effekt auf die interne
Kreativität einer Organisation haben gehen
auf drei Annahmen zurück:
1. Technisches Wissen: Kunden haben keinen
Zugang zu modernen Technologien, daher
eher für inkrementelle Innovationen zu
gebrauchen
2. Motivation: Kunden haben keine
Motivation, dem Unternehmen Arbeit
abzunehmen
3. Vorstellungskraft: Sie können kein
Konzept für ein neues Produkt vorlegen, von
dem Sie nicht wissen, dass Sie es wollen
Ob Open Innovation einem Unternehmen mit
Blick auf den Innovationsprozess schadet
oder hilft hängt davon ab:
1. Welche Kunden eingebunden werden?
- Lead User haben ein großes Interesse daran,
neue Produkte auszuprobieren und Ihre Ideen
dazu mitzuteilen
- Ehemalige Kunden bzw. Kunden von
Wettbewerbern einbinden
- Mitarbeiter aus anderen Abteilungen
einbinden, die sich gerne kreativ betätigen
und Marktkenntnisse besitzen
2. Welche Fragen gestellt werden?
- Wie bei der klassischen Marktforschung
hängt auch bei Open Innovation die Qualität
der Antworten von den Fragen ab
- Explizit nach der Motivation fragen, warum
Kunden ein bestimmtes Produkt nutzen
- Oder erfragen, welche Probleme im
Zusammenhang mit der Nutzung eines
Problems auftreten, um Lösungen zu finden
3. Wie Kunden eingebunden werden?
- Fragen, können sowohl Individuen als auch
Gruppen gestellt werden
- Vorteil die Idee eines Kunden inspiriert
einen Zweiten diese weiterzuentwickeln.
- Auch möglich ohne explizit Fragen zu
stellen, wenn man den richtigen Kunden
(Innovatoren) einfach zuhört
- Während Kunden also Wünsche äußern,
welche aus ihrer Sicht einen Mehrwert bieten,
kann das Unternehmen mit diesen
Informationen zu neuen Technologien, etc.
teilen
- Co-Creation in Form einer iterativen
Konversation zwischen Unternehmen und
ausgewählten Kunden, indem sich beide
Parteien abwechselnd stimulieren
- Problem der Geheimhaltung
4. Wer für die Einbindung von Kunden
zuständig ist?
- Viele Spezialisten innerhalb eines OEM,
welche zusammengeführt werden können.
- Marktforscher verstehen Kundenbedürfnisse
- F&E Wissen um neue Technologien,
- Designer habe eine große Vorstellungskraft
Starrer Fragenkatalog nicht geeignet um
Innovationen zu fördern
Herausforderung besteht darin den Co-
Creation Prozess anzustoßen und Kreativität
aufrecht zu erhalten
Front End des
Innovations-
prozesses
Brem, A. & Voigt, K.-
I. (2009). Integration
of market pull and
technology push in the
corporate front end
and innovation
management - Insights
from the German
software industry.
Die Fähigkeit eines Unternehmens, externe
Ideen aufzunehmen und sich dessen Potential
zu Nutze zu machen, ist mit Blick auf die
Marktposition als erfolgskritisch einzustufen
Der Begriff „Fuzzy Front-End“ beschreibt die
ersten beiden Stufen des Innovations-
prozesses (Ideengenerierung und –Selektion)
Dadurch, dass diese Phasen, wie der Name
impliziert, schwer beherrschbar sind, ist eine
strukturierte Methode notwendig, um
externen Input gewinnbringend einfließen
lassen zu können
Business
Intelligence
Sundsøy, P. et al.
(2014). Big Data-
Driven Marketing:
How Machine
Learning Outperforms
Marketers’ Gut-
Feeling, 367–374.
Experimente zeigen, dass Data-Driven
Marketing vor allem dann hilfreich ist, wenn
wenig Vorwissen vorhanden ist und bieten
sich daher für OEM bei Innovationen im
Bereich neuer Geschäftsmodelle besonders an
Datenanalytik im
Marketing
Gross, P. (2015).
Datenanalytik im
Marketing, Marketing
Review St. Gallen
2/2015, 12-19.
Intensität und Qualität der Datenanalytik
korreliert stark mit dem gemessenen
Unternehmenserfolg
Zur Gewinnung relevanter Insights ist eine
starke Schnittstelle zwischen Business
Intelligence und Marketing wichtig
Eine Kultur, Entscheidungen auf Grundlage
von Datenanalysen zu treffen, muss vom
Management gefördert werden.
Handlungsempfehlungen:
- Pilot-Projekte durchführen und Erfolge
aufzeigen
- Analyse-Einheit bzw. Kompetenzen im
Marketing aufbauen
Besonders relevant in umkämpften
Märkten
Marketing
Intelligence (1)
Göb, J. (2010).
Marketing Intelligence
- Wissen als
Entscheidungsgrund-
lage im Marketing.
“Die Aufgabe einer Marketing Intelligence
besteht [..] in der fortlaufenden Versorgung
des Managements mit aktuellen
Informationen, die sowohl internen als auch
externen Quellen entstammen“
Ein Mehrwert ergibt sich für den Entscheider
erst, wenn neben dem Erfahrungswissen die
aus Marketing Intelligence Aktivitäten
gewonnenen Customer Insights in den
Entscheidungsprozess einfließen
Damit diese Integration erfolgreich
durchgeführt werden kann, ist es wichtig, dass
eine Definition von Marketing Intelligence
entwickelt wird, die Marketinginformationen
sowohl von der Seite der Daten (Angebot) als
auch der –Entscheidung (Nachfrage)
betrachtet
Als entscheidende Herausforderung auf
Angebotsseite ist die Integration der
heterogenen Datenströme zu nennen
Marketing
Intelligence (2)
Decker, R., Wagner,
R. & Scholz, S.
(2005), 'An Internet-
Based Approach to
Environmental
Scanning in
Marketing Planning',
Marketing Intelligence
and Planning, 23, pp.
189-199.
Die Auswahl und Strukturierung der Quellen,
aus denen Marketinginformationen bezogen
werden, können durch verschiedene Ansätze
effektiv automatisiert werden.
So zeigt etwa ein Internet-basierter Ansatz zur
Umwelterkennung, welcher auf der
„information foraging Theorie“ beruht,
dass Manager von entsprechenden Marketing-
Intelligence-Systemen bei Scanning-
Aufgaben übertroffen werden.
Morabito, V. (2014).
Trends and
Challenges in Digital
Business Innovation.
Mit Blick auf die Ideengenerierung und -
Bewertung hat sich Social Listening bewährt.
Durch Differenzierung von
Konkurrenzangeboten einen
Wettbewerbsvorteil zu erlangen
1. Definition der Grenzen:
Relevante Meinungsquellen in Form von
Blogs, Foren oder Social Media-Kanälen
extrapolieren
2. Identifikation von Meinungsführern:
Meinungen einfließen lassen
3. Sentiment Analyse / Open Mining:
Identifizierung/Monitoring von Beiträgen mit
Hilfe eines Text-Mining Tools
Anforderungen an Opinion Mining Software:
- Relevante Beiträge identifizieren und
klassifizieren
- Erkennen, ob ein Betrag lediglich Fakten
enthält oder Meinungen aufgreift
- Identifikation, ob Meinungsbeiträge positiv,
negativ oder neutral sind
- Überscheidende Beiträge identifizieren und
aggregieren
Herausforderungen:
- Verletzung der Privatsphäre
- Genereller Umgang mit den gewonnenen
Daten
- Verzerrung der Ergebnisse durch Opinion
Spam.
- Nicht-Repräsentativität durch Kunden, die
eine starke emotionale Bindung zu einem
Produkt oder einer Marke haben Online
Communities
Klaus, M. & Wagner,
R. (2010), Gaining
Consumer Insights
from Influential
Actors in Weblog
Networks, in Locarek-
Junge, H. & Weihs,
C., Classification as a
Tool for Research,
553-561, Springer,
Berlin.
Online communities wie bspw. Blogs können
Unternehmen wertvolle Consumer Insights
mit Blick auf Marken, Produkte und Trends
bieten
Besonders viel Potential besteht dabei für die
Evaluierung bestehender- sowie für die
Anregung zu neuen Produkten und Services
Opinion Mining /
Sentiment Analysis
Böhnke, A. (2011).
Opinion Mining in der
Marktforschung,
Seminar „KogSys-
Sem-M2“, Professur
für Angewandte
Informatik / Kognitive
Systeme,
Otto-Friedrich-
Universität Bamberg.
Der öffentliche Zugang zu
Bewertungsportalen, Foren oder Sozialen
Netzwerken sorgt dafür, dass ein Teil des
zeitlichen- und finanziellen Aufwands,
welcher mit der klassischen
Primärmarktforschung einhergeht entfällt und
Meinungen unzensiert geäußert werden.
Als Nachteile des Opinion Minings sind vor
allem der Mangel an Repräsentativität sowie
die Gefahr manipulierter Meinungs-
äußerungen zu nennen.
Exemplarisch wurde das Vorgehen von
Samsung beschreiben, bei welchem Opinion
Mining mit Ziel eingesetzt wurde, aus
Produktbewertungen zum Galaxy
S II Insights für das Nachefolgemodell
Galaxy S III zu gewinnen.
Als Begründung für die Verwendung des
Tools RapidMiner wurde vor allem die gute
Reputation sowie die Möglichkeit der
kostenfreien Nutzung angeführt.
Data Mining Fayyad, U., Piatetsky-
Shapiro, G., Smyth, P.
(1996). Data Mining
to Knowledge
Discovery in
Databases, AI
Magazine. 17, Nr. 3,
1996, S. 37–54.
Data Mining ist „ein Schritt des KDD-
Prozesses, der darin besteht, Datenanalyse-
und Entdeckungsalgorithmen anzuwenden,
die unter akzeptablen Effizienzbegrenzungen
eine spezielle Auflistung von Mustern (oder
Modellen) der Daten liefern“
Knowledge
Discovery
Hamel, L. (2009).
Knowledge Discovery
with Support Vector
Machines, Wiley.
Knowledge Discovery ist ein
halbautomatisierter Prozess, welcher große
Datenmengen auswertet und zur
Entscheidungsunterstützung dient.
Dieser Transformationsprozess blendet in der
Regel unnütze Informationen aus und wird
somit durch ein Modell abgebildet.
Ein solches Modell stellen etwa Support
Vektor Machines dar.
3. Konzeption eines Opinion Mining-Tools
Im Ersten Schritt wurde eine relationale Datenbank mittels Microsoft Access erstellt, welche
als Wissensplattform dienen soll. Die zentrale Aufgabe besteht darin, Ideen bzw.
Verbesserungen mit Blick auf neue Geschäftsmodelle oder produktbegleitende Services zu
generieren. Dieser Vorgang kann sowohl über die Dokumentation interner- als auch externer
Insights stattfinden. Bei der internen Variante können Mitarbeiter des Unternehmens oder
gesamte Abteilungen per Laufwerk-Berechtigung eingeladen werden, ihre Impulse in ein
Formular einzutragen, welches über den Menüpunkt „Interne Insights“ zugänglich ist.
Der Zugangs-Link für „Externe Insights“ soll hingegen an Kunden bzw. Interessierte
übermittelt werden, welche etwa durch Wettbewerbe als Lead-User identifiziert wurden oder
anders Ihre Expertise unter Beweis gestellt haben.
Nachdem also das interne- und externe Formular gefüllt wurde, sollen diese strukturierten
Daten in das Data-Mining Tool RapidMiner importiert werden. Im Gegensatz zum Samsung-
Beispiel, welches im Bereich „Opinion Mining / Sentiment Analysis“ aufgegriffen wird, gibt
es jedoch zwei entscheidende Unterschiede. Zum einen handelt es sich nicht um konkrete
Produktbewertungen sondern darum, Anregungen für Geschäftsmodelle und Services zu
gewinnen. Zwar bestehen bereits Services wie „Quicar“ oder „V-Charge“ von Volkswagen,
jedoch ist das Erfahrungswissen der Kunden sowie des Unternehmens in diesem Bereich
keineswegs mit dem der Kernprodukte zu vergleichen.
Daraus ergibt sich die Notwendigkeit einer gewissen Struktur durch die Eingabe in die
Formulare. Zwar sollen die Impulsgeber in ihrer Kreativität nicht eingeschränkt werden,
jedoch sollen die Ergebnisse in einer Struktur eigetragen werden, welche die Komplexität
einer Analyse mit RapidMiner reduziert. Schließlich soll im Rahmen dieses Analysevorgangs
die internen- mit den externen Insights abgeglichen werden, um lediglich jene Ergebnisse zu
sammeln, welche vielversprechend sind und es in die zweite Phase der Ideenbewertung
schaffen.
Die unten stehende Abbildung des Startbildschirms der Wissensdatenbank zeigt die
Schaltflächen „Interne Insights“, „Externe Insights“ sowie „Ergebnisse“.
Abbildung: Startbildschirm der Wissens-Datenbank
Durch diese Struktur können Innovationsprojekte identifiziert werden und durch die
anschließende Bewertung anhand vordefinierter Kriterien einen Beitrag zur
Entscheidungsunterstützung des Managements liefern.
II. Literaturverzeichnis
[33] McKinsey (2013). The road to 2020 and beyond: What’s driving the global automotive
industry?
[12] Berylls Strategy Advisors (2013). Car Connectivity Compass 2013.
[16] BITKOM (2013). Intelligente Mobilität – Smarte Lösungen für Autofahrer.
[26] Detecon International (2015). Datentechnisch wird das Auto das Mobiltelefon noch
übertrumpfen, Detecon Management Report 1/2015, 40–43.
[31] Detecon International (2014). Das Markt- und Technologieumfeld ist reif für Connected
Car, DMR MARKETS (Automotive) 2014, 14–18.
[116] McKinsey (2015). Wettlauf um den vernetzten Kunden – Überblick zu den Chancen aus
Fahrzeugvernetzung und Automatisierung.
[160] Bain & Company (2011). Vom Automobilbauer zum Mobilitätsdienstleister
- Wie Hersteller ihr Geschäftsmodell für integrierte Mobilität richtig aufstellen.
[6] Proff, H. et al. (2012), Zukünftige Entwicklungen in der Mobilität, Heidelberg: Gabler.
[11] Arthur D. Little (2014), The Future of Urban Mobility 2.0.
[162] Arthur D. Little (2009), Zukunft der Mobilität 2020 - Die Automobilindustrie im
Umbruch?
[4] Leskova, A. (2013). Services in Automobile Business based in Car Connectivity
Possibilities, Trendy v podnikání – Business Trends 3/2013, 27–34.
[37] Danne, B. et al. im Auftrag des Bundesverbands Digitale Wirtschaft (2014).
10 Thesen zur Zukunft von Connected Cars.
[81] Hoffmann, C. P. et al. (2015). Business Innovation: Das St. Galler Modell, Wiesbaden:
Springer.
[18] Detecon International (2013). Digitale Transformation, DMR Impulse.
[2] Luckow, A., BMW Group (2013), Big Data in der Automobil-Industrie. Wie erzeugt man
aus Daten Wissen?
[85] Kraijo, C. et al. (2013). Digitalisierung und Innovation, Wiesbaden: Gabler.
[84] Lemke, C. & Brenner, W. (2015). Einführung in das digitale Zeitalter, Einführung in die
Wirtschaftsinformatik, Heidelberg: Springer-Verlag, 11–51.
[23] Tata Consultancy Services (2014). Digitization - The Way Forward for Automotive
Companies.
[165] BDI (2011). Deutschland 2030 – Zukunftsperspektiven der Wertschöpfung.
[122] Morabito, V. (2014). Trends and Challenges in Digital Business Innovation, Springer.
[66] Liesenkötter, B. & Schewe, G. (2013). Der Sailing-Ship-Effect in der Automobilbranche,
Schritte in die künftige Mobilität. 273–286.
[91] Vogel-Heuser, B., Lindemann, U., Reinhart, G. (2014). Innovationsprozesse
zyklenorientiert managen, Heidelberg: Vieweg.
[10] Meffer, H., Burmann, C., Kirchgeorg, M. (2012). Marketing
Grundlagen marktorientierter Unternehmensführung, 11. Aufl., Wiesbaden: Gabler.
[49] Schulz, M. (2014). Der Produktentstehungsprozess in der Automobilindustrie,
Wiesbaden: Gabler.
[86] Aumayr, K. (2013). Erfolgreiches Produktmanagement, 3. Aufl., Wiesbaden: Gabler.
[169] Esch et. al (2013). Strategie und Technik des Automobilmarketing, Wiesbaden: Gabler.
[54] Raubold, U. (2011). Lebenszyklusmanagement in der Automobilindustrie, Wiesbaden:
Gabler.
[63] Gaubinger, K. (2009). Unternehmenserfolg durch marktorientierte Produktinnovationen,
Wiesbaden: Gabler.
[61] Spanner-Ulmer, B. & Leiber, L. (2014). Fahrer-Fahrzeug-Schnittstelle – Interaktion
des Menschen mit dem Produkt, Ebel (2014). Automotive Management, 319–337,
Berlin: Springer Gabler.
[62] Stefanova, E. & Wößner, J. (2013). Ausbau von Wettbewerbsvorteilen durch Smart Data
Management in der Automobilbranche, Schritte in die künftige Mobilität. 331–342.
Wiesbaden: Springer.
[79] Heger, G. & Schmeisser, W. (2007). Beiträge zum Innovationsmarketing, München:
Rainer Hampp Verlag.
[163] Sendler, U. (2012). Ganzheitliche Strategie: Systems Lifecycle Management, abgerufen
unter: http://www.plmportal.org/de/forschung-detail/ganzheitliche-strategie-systems-
lifecycle-management-syslm.html.
[64] Witt, G., Hoffmann, R., Reuter, F., Bartel, S. (2013). Neue Kompetenzanforderungen für
die Integration mobiler Dienste in der Automobilindustrie, Schritte in die künftige Mobilität.
219–240. Wiesbaden: Springer.
[161] Boes, A., Kämpf, T., Marrs, K. (2014): Dienstleistung in der digitalen Gesellschaft,
München.
[38] Bundesverband Deutscher Unternehmensberater (2014). Mobilität der Zukunft gestalten.
[90] Howaldt, J., Kopp, R., Beerheide, E. (2011). Innovationsmanagement 2.0, Wiesbaden:
Gabler.
[14] Bain & Company (2014), Big Data revolutioniert die Automobilindustrie.
[120] Eckert, R. (2014). Business Model Prototyping, Wiesbaden: Springer.
[81] Gassmann, O., Frankenberger, K., Csik, M. (2015). Innovation Strategy:
From new Products to Business Model Innovation, Das St. Galler Modell, 81-104.
[22] Schilling, L. (2010). Der Einfluss der Digitalisierung auf die Branchenstrukturanalyse
von Michael E. Porter, abgerufen unter:
http://www.digitale-unternehmung.de/2010/08/der-einfluss-der-digitalisierung-auf-die-
branchenstrukturanalyse-von-michael-e-porter/
[65] Seidenstricker, S., Scheuerle, S., Linder, C. (2013). Geschäftsmodell-Innovationen im
Mobilitätsumfeld, Schritte in die künftige Mobilität. 241–252. Wiesbaden: Springer.
[159] PwC (2013). Driving Co-Creation in the Automobile Industry.
[21] Jacob, F., Bruns, K., Bues, M. (2014). Co-Creation im Produktentwicklungsprozess und
Auswirkungen auf Vertrauen und Commitment - Eine empirische Untersuchung am Beispiel
der Automobilbranche. ESCP Europe Working Paper 63, 11/14.
[43] Bundesverband Informationswirtschaft, Telekommunikation und neue Medien (2014).
Crowdsourcing für Unternehmen.
[56] Kohli, A. (2007). A. Does Listening to Customers Hurt Product Innovation?, Vielfalt und
Einheit der Marketingwissenschaften, 67–75. Wiesbaden: Gabler.
[104] Mladenow, A., Bauer, C., Strauss, C. (2014). Social Crowd Integration in New Product
Development: Crowdsourcing Communities Nourish the Open Innovation Paradigm,
Global Journal of Flexible Systems Management, 77–86.
Wagner, R. (2013), 'Unternehmen als Akteure und Objekte des Dialogs', in Gerdes, J.,
Dialogmarketing im Dialog, 59-72, Springer, Wiesbaden.
[35] Brem, A. & Voigt, K.-I. (2009). Integration of market pull and technology push in the
corporate front end and innovation management - Insights from the German software
industry, Technovation – The International Journal of Technological Innovation,
Entrepreneurship and Technology Management, Vol. 29, No. 5, 351–367.
[93] Herstatt, C., Verworn, B. (2007). Management der frühen Innovationsphasen,
Wiesbaden: Gabler.
[125] Gassmann, O. & Schweitzer, F. (2014). Managing the Unmanageable: The Fuzzy Front
End of Innovation, Management of the Fuzzy Front End of Innovation, Heidelberg: Springer,
3–14.
[167] Lauto, G., Valentin, F., Hatzack, F., Carlsen, M. (2013. Managing Front-End
Innovation through Idea Markets at Novozymes: Idea Markets Stimulate Creativity and
Enable Recombination of Existing Knowledge in Large Corporations, Research-Technology
Management, Volume 56, No. 4, Juli-August 2013, 17–26.
[97] Keller, B., Klein, H.-W., Tuschl, S. (2015). Zukunft der Marktforschung -
Entwicklungschancen in Zeiten von Social Media und Big Data, Wiesbaden: Springer Gabler.
[70] Kreutzer, R. & Land, K.-H. (2013). Big-Data und Technologie – Treiber der
Informations-Revolution auf Unternehmensseite und Beschleuniger des Zeitalters der
Kooperation, Digitaler Darwinismus, 77–100.
[164] Holland, H. (2014). Digitales Dialogmarketing, Wiesbaden: Springer Gabler.
[158] Gluchowski, P., Schieder, C., Böhringer, M. (2011). Web 2.0-inspirierte Business
Intelligence Lösungen, HMD Praxis der Wirtschaftsinformatik, Ausgabe 06/2011, 16–25.
[44] Müller, R. & Lenz, H.-J. (2013). Business Intelligence, Berlin: Springer Vieweg
[42] Sundsøy, P. et al. (2014). Big Data-Driven Marketing: How Machine Learning
Outperforms Marketers’ Gut-Feeling, 367–374.
[51] Burmester, L. (2011). Adaptive Business-Intelligence-Systeme - Theorie, Modellierung
und Implementierung, Wiesbaden: Vieweg+Teubner Verlag.
[154] Gross, P. (2015). Datenanalytik im Marketing, Marketing Review St. Gallen, 2/2015,
12–19.
[52] Göb, J. (2010). Marketing Intelligence - Wissen als Entscheidungsgrundlage im
Marketing, Wiesbaden: Gabler.
Decker, R., Wagner, R. & Scholz, S. (2005), 'An Internet-Based Approach to Environmental
Scanning in Marketing Planning', Marketing Intelligence and Planning, 23, pp. 189-199.
[139] Kaiser, C. Opinion Mining im Web 2.0 – Konzept und Fallbeispiel, HMD 268,
Friedrich-Alexander-Universität, 90–99.
[118] Gronwald, K.-D. (2015). Business Intelligence (BI) und Big Data Analytics (Big Data),
Integrierte Business-Informationssysteme, Heidelberg: Springer-Verlag, 51–55.
[149] Kalisch, F. (2012). Opinion Mining - Eine Einführung in den Themenkomplex,
Data Warehousing und Business Intelligence. Hochschule Furtwangen University
[150] Gronwald, K.-D. (2015). Big Data Analytics, Integrierte Business-Informationssysteme,
Springer-Verlag Berlin Heidelberg, 121–164.
Klaus, M. & Wagner, R. (2010), Gaining Consumer Insights from Influential Actors in
Weblog Networks, in Locarek-Junge, H. & Weihs, C., Classification as a Tool for Research,
553-561, Springer, Berlin.
[146] Böhnke, A. (2011). Opinion Mining in der Marktforschung, Seminar
„KogSys-Sem-M2“, Professur für Angewandte Informatik / Kognitive Systeme,
Otto-Friedrich-Universität Bamberg.
[142] Breitsprecher, T. et al. (2011). Formalisierung und Verwaltung von Entwicklungs-
wissen im Kontext des Integrierten Produktmodells, 22. DfX-Symposium 2011, 33–44.
[145] Deuse, J., Erohin, O., Lieber, D., Wissensentdeckung in vernetzten, industriellen
Datenbeständen, 374–395.