UdZ 2-2017

41 UdZ – Unternehmen der Zukunft 2/2017 FIR-Forschungsprojekte Zusammenfassung Die konkrete Implementierung und Durchführung von Service-Analytics er- fordert ein ausgeprägtes Fachwissen. Bereits bei der Datensammlung müssen Entscheidungen hinsichtlich des Umgangs mit fehlenden Daten, der Umwandlung verschieden skalierter Daten oder der Behandlung von Ausreißern getroffen werden. Die Analyse selbst verlangt die Auswahl des für die jeweilige Problem- stellung geeignetsten Algorithmus aus einer Vielzahl von Verfahren. KMU mit ihren begrenzten (Personal-)Kapazitäten ist es kaummöglich, sich dieses Fachwissen allein zu erschließen. Es ist daher notwen- dig, eine KMU-gerechte Ausprägung von Service-Analytics zu erarbeiten. Daher fo- kussiert das Vorhaben „ServiceAnalytics“ die Entwicklung geeigneter Analytics- Algorithmen für die unterschiedlichen Phasen des Managements industriel- ler Dienstleistungen in Unternehmen des Maschinenbaus. Darauf aufbauend werden die ermittelten Algorithmen in eine KMU-gerechte Vorgehensweise zur Durchführung von Service-Analytics aufbereitet, um die Nutzung der vor- Literatur [1] Davenport, T. H.: Enterprise Analytics – Optimize Performance, Process, and Decisions Through Big Data. Pearson, London [u. a.] 2013. [2] VDMA; McKinsey (Hrsg.): Zukunftsperspektive deutscher Maschinenbau – Erfolgreich in einem dynamischen Umfeld agieren. Frankfurt a. Main, Juli 2014. http://www.vdma.org/documents/105628/4408117/Zukunftsperspektive+Maschi nenbau_Brosch%C3%BCre_DE.pdf/fed72f6c-1add-40c1-91ee-1d5c9167fcd4 (zuletzt geprüft: 06.12.2017) [3] VDMA (Hrsg.): Maschinenbau in Zahl und Bild 2015. http://mbg.vdma.org/do- cuments/10181/0/MbauinZuB2015.pdf/dfd7ce29-a013-4872-9d72-9efa79ae814d (zuletzt geprüft: 06.12.2017) [4] Deloitte (Hrsg.): Data Analytics im Mittelstand – Die Evolution der Entscheidungsfindung. Aus der Studienserie „Erfolgsfaktoren im Mittelstand“. München 2014. https://www2.deloitte.com/content/dam/Deloitte/de/Documents/ Mittelstand/studie-data-analytics-im-mittelstand-deloitte-juni-2014.pdf (zuletzt geprüft: 06.12.2017) [5] Bange, C.; Grosser, T.; Janoschek, N.: [BARC Research Study] Big Data Use Cases – Getting real on data monetization. https://www.sas.com/content/dam/SAS/ bp_de/doc/studie/ba-st-barc-bigdata-use-cases-de-2359583.pdf (zuletzt geprüft: 06.12.2017) [6] Husmann, M.; Jussen, P.: KVD-Service-Studie 2015 – “Neue Geschäftsmodelle im Service”. Hrsg.: G. Schuh; G. Gudergan; M. Schröder; V. Stich. Aachen 2015. liegenden Daten zu stärken. Die Ergebnisse dieses Forschungsprojekts sollen KMU der Maschinenbaubranche zur selbständigen Durchführung von Service-Analytics befähigen. Ansprechpartner: Projekttitel: ServiceAnalytics Projekt-/Forschungsträger: BMWi; AiF Förderkennzeichen: 19164 N Projektpartner: HANSA-FLEX AG; IPRI International Performance Research Institute gemeinnützige GmbH; KVD Kundendienst-Verband Deutschland e. V.; noltewerk GmbH & Co. KG; Verband Deutscher Maschinen- und Anlagenbau (VDMA) e. V.; Westaflexwerk GmbH; Bardenhagen Maschinenbau und Dienstleistungs GmbH & Co. KG; EUCHNER GmbH + Co. KG; Hammelmann GmbH; TREIF Maschinenbau GmbH Internet: serviceanalytics.fir.de Denis Krechting, M.Sc. Wissenschaftlicher Mitarbeiter FIR, Bereich Business-Transformation Tel.: +49 241 47705-311 E-Mail: Denis.Krechting@fir.rwth-aachen.de Frederik Endres IPRI International Performance Research Institute Tel.: +49 711 620 32 68 -8040 E-Mail: FEndres@ipri-institute.com