Technologie- und Innovationsmanagement Prof. Dr. Stefan Seifert

Technologie- und
Innovationsmanagement
Prof. Dr. Stefan Seifert
Seminar zu Technologie- und Innovationsmanagement
Seminarthemen – Sommersemester 2016
Ziel des Seminars ist es im Rahmen eines der im Folgenden ausgeführten Themengebiete ein Research Proposal zu erstellen, welches den aktuellen Forschungsstand zu einem Teilgebiet des
Themas erfasst. Auf Basis der Zusammenfassung des aktuellen Forschungsstands soll eine eigene
Forschungsfrage identifiziert, ggf. erste Hypothesen formuliert und ein Ausblick gegeben werden,
mit welchen Methoden und Daten sich diese beantworten ließe. Research Proposals können sich
dabei auf aktuelle Fallbeispiele beziehen.
1. Künstliche Intelligenz und maschinelles Lernen
Artifical intelligence and machine learning
Künstliche Intelligenz und Machine Learning sind beides Technologien, die heutzutage bereits in
einer Vielzahl von Anwendungen eingesetzt werden (bspw. Sprach- und Bilderkennung, autonomes
Fahren, Börsenhandel, Predictive Policing). Prominente Firmen wie Google (Deep Dream) und IBM
(Watson) investieren große Summen in die Entwicklung die Weiterentwicklung dieser Technologien. In diesem Kontext ergibt sich ein breites Feld für interessante und relevante Forschungsfragen. Diese können sich bspw. mit der Kommerzialisierbarkeit der Technologie, ethischen Fragen
oder auch technologischen Herausforderungen beschäftigen.
2. Industrie- und Unternehmenstransformation in der Automobilindustrie
Industry and business transformation in the automotive industry
Drei Entwicklungen wirken aktuell auf die Automobilindustrie und ihre Akteure ein. Zum einen verändern sich Kundenpräferenzen für individuelle Mobilität. Zweitens beeinflusst die Entwicklung
neuer (Querschnitts-)Technologien, häufig aus anderen Industrien kommend, die Funktionalität von
Autos und das erforderliche Know-how diese neue Funktionalität zu entwickeln (bspw. car-to-car
communication, autonomes Fahren). Drittens stellen neue gesetzliche Regelungen, die die Umweltbelastung des Automobilverkehrs reduzieren sollen, Anforderungen an die Entwicklung neuer
Antriebskonzepte (bspw. Elektro- oder Hybridantriebe).
In diesem Kontext stellen sich vor allem für die Akteure der Automobilindustrie (bspw. Hersteller
und Zulieferer) diverse Fragen, wie mit diesen Entwicklungen umgegangen werden kann. Diese
Fragen sind sowohl operativer als auch strategischer Natur und betreffen sehr häufig Kernthemen
des Managements von Innovationen und Technologien.
3. Gesellschaftlich-soziale Auswirkungen von Innovationen
Social impact of new business models
Häufig haben neue Geschäftsmodelle (bspw. Airbnb, Uber), Dienstleistungen (bspw. Personal
Shopping) und Produkte (bspw. Smartphones) auch gesellschaftlich-soziale Auswirkungen. Teilweise ändern diese Innovationen wie Menschen miteinander kommunizieren und interagieren, wie
wir Informationen aufnehmen und verarbeiten oder wie wir grundlegende Tätigkeiten des täglichen
Lebens gestalten (bspw. Einkaufen). Quantität und Qualität dieser Auswirkungen variieren dabei je
nach Innovation.
In diesem Kontext stellt sich eine Vielzahl relevanter Fragen. Dabei kann es um die Identifikation
und Bewertung dieser Auswirkungen gehen, aber auch um das Management (bspw. Internalisierung negativer Effekte) dieser Auswirkungen aus Unternehmenssicht. Auch staatlichen Akteuren
(bspw. der Legislative) stellen sich Fragen, u.a. wie auf gewisse Auswirkungen unter Umständen
durch neue und angepasste Gesetze reagiert werden sollte, um die gesellschaftliche Wohlfahrt zu
fördern.
1
Technologie- und
Innovationsmanagement
Prof. Dr. Stefan Seifert
4. Datenbasierte Geschäftsmodelle
Data based business models
In einer zunehmend digitalisierten Welt gibt es auch eine steigende Anzahl Unternehmen, die ihr
Geld nicht mit physischen Produkten oder Dienstleistungen erwirtschaften, sondern mit Software
oder der Sammlung und Verarbeitung von Daten. Die Nutzung von großen Datenmengen und deren Monetarisierung stecken dabei noch weitestgehend in ihren Anfängen.
In diesem Kontext stellt sich eine Vielzahl relevanter Fragen. Angefangen bei einer klaren Definition
und ggf. einer Kategorisierung datenbasierter Geschäftsmodelle, über den Wert von Daten an sich
bis hin zur konkreten Ausgestaltung entsprechender Geschäftsmodelle bzw. Geschäftsmodellelemente ist die Ausgestaltung des Themas vielfältig. So kann beispielsweise auch zwischen Geschäftsmodellen unterschieden werden, die ihr Geld ausschließlich mit Daten verdienen und solchen, die Daten lediglich zur Optimierung interner Prozesse nutzen.
5. Data Mining & Data Science
Data Mining & Data Science
Durch zunehmende Digitalisierung, Verbreitung von Internet und Nutzung mobiler Geräte (z. B.
Smartphone, Tablet) werden zunehmend Daten generiert und gespeichert. Diese Daten enthalten
potenziell wertvolle Informationen für unterschiedliche Akteure (z. B. Regierungen oder Unternehmen). Allerdings müssen diese Daten zunächst erhoben werden, bevor sie bearbeitet und interpretiert bzw. genutzt werden können. Ein Problem bei deren Nutzung ist ggf. ihre Heterogenität (AudioDateien, Bilder, Messdaten, Texte), sodass Daten in unstrukturierter Form zunächst aufbereitet
werden müssen.
Dieser Themenblock ist eng mit den Themenblöcken „Datenbasierte Geschäftsmodelle“ und
„Künstliche Intelligenz und maschinelles Lernen“ verwandt. Allerdings geht es hier weniger darum
wie die konkrete Nutzung der Daten (z. B. in Form eines Geschäftsmodells oder künstlicher Intelligenz) aussieht, sondern vielmehr um die Daten selbst, deren Erhebung, Aufbereitung und die prinzipiellen Möglichkeiten der Nutzung. Welche Aussagekraft haben Daten? Wozu kann ich sie einsetzen? Wie stark lassen sich Entscheidungen auf Daten basieren? In diesem Zusammenhang sind
auch relevante Technologien interessant, die die Sammlung und Verarbeitung von (ggf. komplexen)
Daten (Stichwort: Big Data) ermöglichen.
6. Share-Economy
Share economy
In den westlichen Industrieländern rückt in bestimmten Bereichen zunehmend der Besitz in den
Hintergrund und die gemeinsame Nutzung von Produkten wird interessanter. Dies zeigt sich beispielsweise im Bereich der Mobilität mit Konzepten des Car-Sharings oder Mitfahrgelegenheitsplattformen, aber auch in anderen Bereichen wie Übernachtungsmöglichkeiten. Diese Trends werden
durch das Internet und die dadurch verbesserte Vernetzung noch verstärkt bzw. überhaupt erst ermöglicht.
Dieser Themenbereich wirft einige interessante Fragen auf. Dabei geht es einerseits um eine präzise Definition des Begriffs Share-Economy und um die Abgrenzung zu anderen, verwandten Begriffen. Spannend ist auch die Vielfalt von Geschäftsmodellen, die in diesem Bereich entstanden sind
und immer noch entstehen, als auch die Frage, wie diese – auch vor dem Hintergrund eines gewissen sozialen Charakters ihrer Angebote – Gewinne erwirtschaften (wenn sie das denn tun und es
ihre Absicht ist) und welche Auswirkungen sie auf bestehende Märkte und Geschäftsmodelle haben. Ferner wirft diese Ökonomie des Teilens auch rechtliche und gesellschaftliche Fragen (z. B.
bzgl. Vertrauen und Transparenz) auf.
2
Technologie- und
Innovationsmanagement
Prof. Dr. Stefan Seifert
7. Treiber von Fortschritt, Innovation und Wachstum
Drivers of Growth, Innovation, and Progress
Das Streben nach Fortschritt und Wachstum scheint in den meisten heutigen Gesellschaften fest
verankert zu sein. Fraglich ist jedoch, ob Menschen auf ewig in der Lage sein werden Innovationen
hervorzubringen und Fortschritt als auch Wachstum unbeschränkt sind. Vor dem Hintergrund dieser
Thematik gibt es diverse Wachstumstheorien (z. B. das S-Kurven-Modell) die mehr oder weniger
optimistisch auf die langfristige Entwicklung blicken. Häufig werden einzelne Technologien als Treiber von Fortschritt ausgemacht wie beispielsweise Computer oder das Internet. In diesem Zusammenhang ist Solow (1987) zu nennen, der Produktivität im Hinblick auf den Einsatz von Computern
untersuchte und zu folgendem Paradoxon kam: „You can see the computer age everywhere but in
the productivity statistics.“
In diesem Themenblock sollten Treiber von Fortschritt, Innovation oder Wachstum herausgearbeitet
werden und Ihre Wirkung auf konkrete, beobachtete Variablen (z. B. Produktivität, BIP) untersucht
werden. Hierzu bietet es sich an Daten zu den Treibern und den beobachteten „Outputvariablen“
über einen gewissen Zeitraum zusammenzutragen und beispielsweise mit Hilfe einer einfachen linearen Regression Trends in den Outputvariablen zu erklären.
3