Technologiepartnerschaften

Wie aus Daten ein Geschäftsmodell wird

Aus Daten können mithilfe künstlicher Intelligenz neue Geschäftsmodelle und Produkte entstehen. Häufig fehlen Unternehmen aber Kompetenzen im Umgang mit KI, Big Data sowie Anwendungsfällen. Über die Zusammenarbeit in Geschäftsnetzwerken gelangt solches Wissen ins Projekt.
©Gorodenkoff/stock.adobe.com

Durch die fortschreitende Digitalisierung werden immer mehr Daten generiert: bei der Umstellung von Prozessen, in der computergestützten Arbeit, im Internet der Dinge, von vernetzten Maschinen und Anlagen oder bei der Erfassung der User Experience bei der Produktnutzung. Diese Daten sind oft entscheidender Teil der Wertschöpfung eines Unternehmens: Mithilfe von Methoden der künstlichen Intelligenz (KI) und des maschinellen Lernens können diese Daten analysiert und neue Erkenntnisse gewonnen oder bestehende Prozesse optimiert werden. Neue Geschäftsmodelle entstehen, mit denen sich Unternehmen einen Wettbewerbsvorteil gegenüber der Konkurrenz verschaffen können.

Wertschöpfungsnetzwerke als Beschleunigung

Die Covid-19-Pandemie wirkt als Katalysator der Digitalisierung und zeigt die Bedeutung der Plattformökonomie und der Kooperation von Unternehmen in Wertschöpfungsnetzwerken. Insbesondere zur Entwicklung neuer datengetriebener Anwendungen, die auf KI und maschinellem Lernen basieren, ist eine unternehmensübergreifende Vernetzung verschiedener Akteure im Sinne von Open Innovation vorteilhaft. Die Wertschöpfungsnetzwerke verschaffen den teilnehmenden Akteuren zum einen schnellen Zugang zu Kompetenzen und Technologien, die oft in den einzelnen Unternehmen nicht hinreichend vorhanden sind, und zum anderen ermöglichen sie, dass die Akteure ihre Daten über Unternehmens- und Branchengrenzen hinweg teilen. Dafür ist eine sichere und zuverlässige Infrastruktur für den geteilten Datenzugang und Datenaustausch eine Voraussetzung.

 Aufbau eines Wertschöpfungsnetzwerks, zu finden in: Plattform Lernende Systeme (Hrsg.): Von Daten zu Wertschöpfung: Potenziale von Daten- und KI-basierten Wertschöpfungsnetzwerken; München 2020.
Aufbau eines Wertschöpfungsnetzwerks, zu finden in: Plattform Lernende Systeme (Hrsg.): Von Daten zu Wertschöpfung: Potenziale von Daten- und KI-basierten Wertschöpfungsnetzwerken; München 2020.Bild: Acatech – Dt. Akademie der Technikwissenschaften

Datengetriebene Geschäftsmodelle entwickeln

Datenbasierte Geschäftsmodelle können Wettbewerbsvorteile erschließen. Doch was müssen Unternehmen beachten, um aus ihren Daten Grundlagen dafür zu schaffen? Und wie lassen sich diese Prozesse beschleunigen? So unterschiedlich Datenbestände und daraus resultierende Geschäftsmodelle auch sein mögen, die Unternehmen sind immer wieder mit den gleichen Fragen zu Datenformaten und Schnittstellen, Plattformen, Technologien, Anwendungen, Infrastruktur, Partnern sowie Zuverlässigkeit, Sicherheit und Einhaltung der gesetzlichen Anforderungen konfrontiert. Diese Fragen lassen sich zu drei Themenbereichen zusammenfassen: Wertschöpfungsnetzwerke und Ökosysteme, Umgang mit Daten sowie Technologien und Infrastrukturen.

1. Wertschöpfungsnetzwerke und Ökosysteme

Trotz starker hausinterner Kompetenzen im Umfeld des Maschinen- und Anlagenbaus verfügen derzeit nur wenige produzierende Unternehmen über ein ausreichendes Wissen im Umgang mit KI. Durch Kooperation mit geeigneten Partnern wird dieser Bedarf oft gedeckt. Bei einer geschickten Partnerauswahl und einer strategisch angelegten Zusammenarbeit, können nicht nur nachhaltig Kompetenzen im eigenen Unternehmen aufgebaut werden, sondern die Partner können auch gemeinsam an Kunden herantreten. Ein Beispiel hierfür ist ein Maschinenhersteller, der zusätzlich zur verkauften Maschine eine Dienstleistung für vorausschauende Wartung oder die Maschinenlaufzeit als Leistung im Verbund mit einem Softwarehersteller anbietet. Wichtig beim Aufbau eines Wertschöpfungsnetzwerks sind Transparenz, ein klar formuliertes Nutzenversprechen für alle Partner, langfristige Beziehungen gepaart mit Agilität in der Erstellung und Anpassung des Produktes sowie eine gemeinsame Strategie im Umgang mit Daten.

Seiten: 1 2Auf einer Seite lesen

Acatech - Dt. Akademie der Technikwissenschaften

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige