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.