Ein Geschäftsmodell ist die Verknüpfung einzelner Elemente zu der ganzheitlichen, übergeordneten Logik einer nutzenstiftenden Wertschöpfung, die ein Unternehmen für sich selbst, gegenüber seinen Kunden, seinen Partnern wie auch anderen Interessengruppen innerhalb eines Wertenetzwerks erbringt. Finanzielle Aspekte des Geschäftsmodells umfassen dabei Kostenblöcke sowie Preismechanismen. Ein nachhaltiges Geschäftsmodell kann die Quelle eines strategischen Wettbewerbsvorteils sein.
Es unterscheidet sich damit von der Geschäftsstrategie, die sich auf Positionierung konzentriert, und den Geschäftsprozessen, die Abläufe beschreiben, koordinieren und umsetzen. Eine Klassifizierung von Geschäftsmodellen dient der strukturierten Eingrenzung möglicher Geschäftsmodelle innerhalb einer Industrie. Sie zeigt Möglichkeiten auf und lässt Vergleiche zu, wie ein Unternehmen in der Industrie agieren kann.
Der vorliegende Ansatz umfasst neun Komponenten im Bereich Daten-Geschäftsmodelle: Datensammlung, Datendigitalisierung, Datenanalyse, Datenarchivierung, Datenteilung, Datenkombination, Datenverkauf, Datenzugriff und Daten-Consulting. Diese werden durch die „Enabler“ Datensicherheit und Datenübertragung ergänzt. Das Modell fokussiert sich zum einen auf den Datenfluss von der Kreation bis zur Verarbeitung, zum anderen auf Schlüsselkomponenten des Geschäftsmodells, wie Ressourcen, Aktivitäten, Kanälen oder Kundenbeziehung. Verwendungsmöglichkeiten bestehen dabei in der Erläuterung horizontaler und vertikaler Flüsse sowie der Kombination einzelner Dimensionen innerhalb der Klassifizierungsmatrix. Außerdem wird das Modell zur Weiterentwicklung, Innovation, Analyse und zum Vergleich genutzt.
Ein strukturierter Innovationsansatz für Geschäftsmodelle beinhaltet eine umfassende Analyse des Status Quo auf Basis einer Klassifizierungsmatrix, einer Umweltanalyse und dem Einsatz von Stufenmodellen wie auch dem Geschäftsmodell-Lebenszyklus. Danach können Ideen generiert, in Experimenten getestet, zu Prototypen weiterentwickelt und in Szenarien simuliert werden.
Das Modell wird mit Hilfe von vier Fallstudien aus dem Bereich der Fahrzeugtelematik – PAYD- / PHYD-Versicherungen, Remote Diagnose, Car Sharing und Flottenmanagement – getestet.
Inhaltsverzeichnis
1. Einleitung
1.1 Motivation
1.2 Forschungsproblematik und –fragen
1.3 Über das Unternehmen, das Praktikum und wahrgenommene Aufgaben
2. Theoretischer Teil
2.1 Vorgehen zur Entwicklung themenspezifischer Geschäftsmodelle
2.2 Theorie der Geschäftsmodelle
2.2.1 Herkunft, Definition und theoretisches Fundament
2.2.2 Anwendungsbereiche, Nutzen, Ziele und Barrieren
2.2.3 Einordnung des Geschäftsmodells
2.2.3.1 Geschäftsmodell und Strategie
2.2.3.2 Geschäftsmodell und Klassifizierung
2.2.3.3 Geschäftsmodell und Prozess
2.3 Herleitung generischer Geschäftsmodelle für Daten
2.3.1 Ein Klassifizierungsansatz für Daten-Geschäftsmodelle
2.3.2 Die neun generischen Value Propositions
2.3.3 Verwendung des Klassifizierungsansatzes
2.4 Geschäftsmodell-Innovation
2.4.1 Definition und Vorgehen zur Geschäftsmodellentwicklung
2.4.2 Analyse des Status Quo
2.4.3 Geschäftsmodell-Dynamik
3. Praktischer Teil
3.1 Management-Problematik
3.2 Fallstudien-Design
3.3 Fall 1: Pay-as-you-drive / Pay-how-you-drive
3.4 Fall 2: Remote Diagnose
3.5 Fall 3: Car Sharing
3.6 Fall 4: Flottenmanagement Logistik
4. Fazit
Zielsetzung & Themen
Die Arbeit untersucht die Notwendigkeit und Gestaltung spezifischer Geschäftsmodelle für Daten und entwickelt einen entsprechenden Klassifizierungsansatz, um den Innovationsprozess in datengetriebenen Industrien zu strukturieren und zu unterstützen.
- Klassifizierung von Datengeschäftsmodellen anhand von neun generischen Value Propositions.
- Analyse theoretischer Grundlagen der Geschäftsmodellforschung und -innovation.
- Strukturierung des Innovationsprozesses für datenbasierte Geschäftsmodelle.
- Praktische Erprobung des Ansatzes mittels Fallstudien aus dem Bereich der Telematik.
- Untersuchung von Zusammenhängen zwischen Datenfluss, Geschäftsmodell-Komponenten und strategischer Wertschöpfung.
Auszug aus dem Buch
2.3.2 Die neun generischen Value Propositions
Die Datensammlung, die erste Value Proposition, ist das vermutlich traditionellste Konzept. Es umfasst die schlichte Sammlung neuer (Roh-)Daten. Der Aufwand zur Erstellung des Datensatzes ist zunächst hoch und die Daten oftmals ungeordnet; dafür können sie anschließend beliebig oft an Interessenten weiterverkauft werden. Ein Marktforschungsinstitut kann Daten im Auftrag eines Unternehmens erheben, es kann aber auch sein, dass ein Unternehmen auf Grund seines Arbeitsbereiches für andere Unternehmen nützliche Daten „nebenbei“ erhebt und diese zusätzlich zum Alltagsgeschäft gewinnbringend umsetzt (McCallum & Gleason, 2013).
Die Sammlung von Daten bezieht sich auch auf Parmar et al. (2014) erstes Innovationsmuster, Produkte bereitzustellen, die vermehrt Daten generieren, bspw. neuartige Sensoren, die Blackbox im Flugzeug, die alle Daten mitschreibt und im Falle eines Absturzes hinzugezogen wird, oder einen OBD Dongle, mit dessen Hilfe ein KFZ-Mechaniker einen Fehlercode ausliest und damit das Fahrzeug schnell und gezielt reparieren kann.
Ähnlich funktioniert auch Rolls Royce bekanntes Engine Health Management (EHM) zur Wartung von Flugzeugen, welches die Firma mittlerweile auf Kreuzfahrtschiffe und Turbinen ausgeweitet hat. Werte lassen sich hierbei durch Problemprävention sowie optimale Wartungs- und Reparaturzyklen schaffen. Der Motor bleibt Eigentum von Rolls Royce und die Dienstleistung wird nach Nutzungsstunden abgerechnet.
Bei der Datengenerierung sollte beachtet werden, dass mehr Daten nicht zwangsweise besser sind (Moody & Walsh, 1999). Um Wertschöpfungspotenziale zu maximieren ist es daher nötig, eine Informationsüberflutung zu vermeiden.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in das Thema der Datengeschäftsmodelle ein, erläutert die Motivation des Autors und definiert die zentralen Forschungsfragen der Masterthesis.
2. Theoretischer Teil: Dieses Kapitel liefert das theoretische Fundament durch die Analyse von Geschäftsmodell-Literatur, leitet einen Klassifizierungsansatz für Datengeschäftsmodelle her und stellt Methoden zur Geschäftsmodell-Innovation vor.
3. Praktischer Teil: In diesem Teil wird der entwickelte theoretische Klassifizierungsansatz anhand von vier konkreten Fallbeispielen aus der Telematik-Branche angewendet und auf seine Praxistauglichkeit geprüft.
4. Fazit: Das Fazit fasst die Ergebnisse der Arbeit zusammen, beantwortet die eingangs gestellten Forschungsfragen und diskutiert die Grenzen sowie künftige Forschungsmöglichkeiten des entwickelten Ansatzes.
Schlüsselwörter
Geschäftsmodell, Daten, Telematik, Wertschöpfung, Klassifizierung, Innovation, Digitalisierung, Geschäftsmodell-Innovation, Value Proposition, Datenfluss, Strategie, Fallstudie, Geschäftsmodell-Dynamik, Geschäftsmodell-Entwicklung, Wettbewerbsvorteil
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Entwicklung eines spezifischen Klassifizierungsansatzes für Geschäftsmodelle in der Datenindustrie, um die Komplexität datengetriebener Wertschöpfung strukturiert abzubilden.
Was sind die zentralen Themenfelder der Arbeit?
Die zentralen Themen umfassen die Theorie der Geschäftsmodelle, die Herleitung generischer Leistungskonzepte für Daten sowie die praktische Anwendung von Innovationsmethoden in der Fahrzeugtelematik.
Was ist das primäre Ziel der Masterthesis?
Das primäre Ziel ist es, einen industriespezifischen Klassifizierungsansatz für Datengeschäftsmodelle zu formulieren, der Unternehmen hilft, den Innovationsprozess für datenbasierte Lösungen zu strukturieren.
Welche wissenschaftliche Methode verwendet der Autor?
Der Autor nutzt eine Kombination aus umfassender Literaturrecherche zur theoretischen Fundierung und einer induktiven, qualitativen Herleitung eines Typologie-Modells, das anschließend in einer multiplen Fallstudienanalyse validiert wird.
Was wird im praktischen Teil behandelt?
Der Praxisteil wendet den theoretischen Klassifizierungsansatz auf vier spezifische Telematik-Szenarien an: PAYD/PHYD-Versicherungen, Remote Diagnose, Car Sharing und Flottenmanagement in der Logistik.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Die wichtigsten Schlagworte sind Geschäftsmodell, Daten, Telematik, Wertschöpfung, Klassifizierung, Innovation und Value Proposition.
Wie unterscheidet der Autor zwischen Geschäftsmodell und Strategie?
Der Autor ordnet die Strategie auf einer übergeordneten Positionierungsebene ein, während das Geschäftsmodell als die gedankliche und operative Umsetzungsebene betrachtet wird, die Wertschöpfung visualisiert.
Warum hält der Autor einen spezifischen Daten-Geschäftsmodell-Ansatz für notwendig?
Da generische Ansätze die Besonderheiten datenbasierter Wertschöpfung oft vernachlässigen, ermöglicht ein spezifischer Ansatz eine präzisere Strukturierung und Standardisierung von Geschäftsmodellen innerhalb der Datenindustrie.
Welche Bedeutung kommt den "Enablern" im Modell zu?
Datensicherheit und Datenübertragung werden als fundamentale „Enabler“ identifiziert, die als technisches Rückgrat die Umsetzung der jeweiligen Value Propositions erst ermöglichen.
Welches Fazit zieht der Autor zur Innovationsfähigkeit von Daten-Geschäftsmodellen?
Der Autor kommt zu dem Schluss, dass ein strukturierter Innovationsansatz – basierend auf Klassifizierung, Umweltanalyse und Prototyping – wesentlich dazu beiträgt, den Innovationsprozess planbar zu machen und sich gegenüber dem Wettbewerb zu differenzieren.
- Quote paper
- Daniel Hasler (Author), 2014, Von generischen zu spezifischen Geschäftsmodellen, Munich, GRIN Verlag, https://www.hausarbeiten.de/document/282534
