See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/351698060

Erfolgsgrößen datengetriebener Geschäftsmodelle: Wie sich datengetriebene

Geschäftsmodelle in der produzierenden Industrie erfolgsgetrieben steuern
lassen

Article  in  ZWF Zeitschrift fuer Wirtschaftlichen Fabrikbetrieb · May 2021

DOI: 10.1515/zwf-2021-0081

CITATIONS READS

0 91

2 authors, including:

Sebastian Berndt
Technische Universität München
1 PUBLICATION   0 CITATIONS   

SEE PROFILE

All content following this page was uploaded by Sebastian Berndt on 25 January 2022.

The user has requested enhancement of the downloaded file.

 GESCHÄFTSMODELLE

Erfolgsgrößen datengetriebener
Geschäftsmodelle
Wie sich datengetriebene Geschäftsmodelle in der produzierenden Industrie
erfolgsgetrieben steuern lassen
Sebastian Berndt* und Das industrielle Internet der Dinge ermöglicht Unternehmen die Ge-
Lars Geismar staltung datengetriebener Geschäftsmodelle. Hierbei mangelt es der-
zeit noch an der Auseinandersetzung mit dem damit verbundenen
unternehmerischen Erfolg sowie an praxisnahen Empfehlungen zur
Erfolgsmessung. Aufbauend auf einer theoretischen Analyse zeigt die-
ser Beitrag anhand von Fallstudien, welche Messgrößen die Erfolgsbe-
wertung datengetriebener Geschäftsmodelle zulassen und welche Ka-
tegorien von Erfolgsmessgrößen in der Praxis verwendet werden.

Einleitung
Die Vernetzung von Maschinen und An-
lagen erlaubt es Unternehmen auf der ei-
nen Seite, Informationen aus Daten der
Produktion oder der logistischen Kette zu
nutzen, um die eigenen Prozesse zu ver-
bessern. Auf der anderen Seite bieten Da-
ten von verkauften und bei den Kunden
betriebenen Produkten die Möglichkeit,
datengetriebene Geschäftsmodelle zu
entwickeln oder das bestehende Ge-
schäftsmodell datengetrieben zu trans-
formieren. Neben der Frage nach der op-
timalen Gestaltung solcher Geschäftsmo-
dellinnovationen ist auch die Erfassung
und Messung des Erfolgs noch nicht ab-
schließend geklärt. Dieser Beitrag gibt
zunächst einen Einblick in die Struktur
datengetriebener Geschäftsmodelle und
beschreibt die Herausforderungen so-
wohl bei der Gestaltung als auch bei der
Erfolgsbewertung der Geschäftsmodel-
laktivitäten. Eine fallstudienbasierte Un-
tersuchung beschreibt im Anschluss,
welche monetären und nicht-monetären
* Korrespondenzautor
Sebastian Berndt, M.Sc. M.Sc.Eng. MBA
Technische Universität München
Forschungsinstitut für Unternehmens-
führung, Logistik und Produktion
Leopoldstraße 145, 80804 München
Tel.: +49 (0) 176 101010 69
E-Mail: sebastian.berndt@wi.tum.de
Parameter in der Praxis für die Erfolgsbe-
urteilung datengetriebener Geschäftsmo-
dellinnovationen herangezogen werden
und liefert einen Vorschlag zur Kategori-
sierung relevanter Erfolgsgrößen.
Strukturierung daten-
getriebener Geschäftsmodelle
Die Frage danach, wie datenbasierte
Leistungsangebote erzeugt und Werte
mit datengetriebenen Geschäftsmodel-
len (DDBM – Data-driven Business Mo-
dels) erwirtschaftet werden, ist bis heute
noch nicht abschließend beantwortet [1,
2]. Nichtsdestotrotz haben Autoren in der
jüngeren Vergangenheit den Versuch un-
ternommen DDBM anhand mehrerer Di-
mensionen zu strukturieren [3 – 8]. Hart-
mann et al. unterscheiden dabei zwischen
der Schlüsseldatenquelle (Key Data Sour-
ce) und der Schlüsselaktivität (Key Activi-
ty) als Dimensionen, die wiederum in je-
weils drei Klassen eingeteilt werden [4].
Weiterhin stellen Hunke et al. einen An-
satz zur Klassifizierung datengetriebener
Geschäftsmodelle vor, der neben der Un-
terscheidung der Datenquellen auch die
Beziehung der Anbieter und Anwender
berücksichtigt, wodurch eine komplexi-
tätsabhängige Einteilung in vier Katego-
rien erfolgt [5]. Langley et al. betrachten
in ihrer Untersuchung insbesondere Leis-
tungsangebote, die auf der Nutzung des
Internets der Dinge (IoT – Internet-­
of-Things) aufbauen und unterscheiden
dabei insgesamt vier datengetriebene Ge-
schäftsmodelltypen anhand der zwei Di-
mensionen Konnektivität (Connectivity)
und Fähigkeiten (Capabilities) [6]. Es
zeichnet sich somit ab, dass sich datenge-
triebene Geschäftsmodelle anhand der
Kategorien Datensammlung [4, 5, 7], Da-
tenverarbeitung [4, 5, 7] sowie Datenan-
gebot [5, 6] differenzieren und strukturie-
ren lassen, wobei die Datensammlung den
eigentlichen Prozess der Datenerhebung
beschreibt, während die Datenverarbei-
tung sowohl das Speichern und Aufberei-
ten der Daten als auch die eigentliche
Analyse beinhaltet. Das Datenangebot
wiederum beschreibt, wie datenbasierte
Leistungsangebote in Form von Produk-
ten und Dienstleistungen gestaltet und
angeboten werden [1, 4, 7, 9, 10].
Praktische Herausforderungen
industrieller Anbieter von DDBM
Produkte und Dienstleistungen, die auf
der Nutzung des IoTs aufbauen, werden
zunehmen auch im Maschinen- und Anla-
genbau entwickelt und angeboten. Im in-
Hinweis
Bei diesem Beitrag handelt es sich um
einen von den Mitgliedern des ZWF-
Advisory Board wissenschaftlich
begutachteten Fachaufsatz (Peer-Review).

Jahrg. 116 (2021) 5 289

 GESCHÄFTSMODELLE
dustriellen Umfeld wird dabei auch vom
industriellen Internet der Dinge gespro-
chen [11]. Die Anwendung der mit dem
IoT einhergehenden Technologien und
die Nutzung der während des Betriebs
von Maschinen und Anlagen anfallenden
Daten eröffnen zahlreiche Möglichkeiten
das bestehende Geschäftsmodell weiter-
zuentwickeln. Gleichzeitig sehen sich die
Unternehmen mit neuen Herausforderun-
gen und veränderten Anforderungsprofi-
len an ihre Mitarbeiter konfrontiert, wenn
Produkte zunehmend Softwarekompo-
nenten enthalten und Leistungsangebote
sich kontinuierlich von einem primären
Produktgeschäft zu einem deutlich gestei-
gerten Anteil intelligenter Dienstleistun-
gen (Smart Services) entwickeln, was
häufig auch als „Servitization“ bezeichnet
wird. So verändern sich beispielsweise
die Anforderungen an die Vertriebsmitar-
beiter, wenn diese ihre Kunden nach jah-
relanger Arbeit im analogen Produktge-
schäft zunehmenden zu immateriellen
Leistungen beraten, für die zusätzlich
auch ein großes Verständnis im Bereich
von Software und IT notwendig ist. Neben
internen Herausforderungen verändert
sich auch die Wettbewerbssituation. Neue
Marktteilnehmer drängen mit ihren Lö-
sungen in bis dato wenig dynamische
Märkte. Hierin kann gleichzeitig eine
Chance bestehen, wenn es gelingt, über
Kooperationspartnerschaften einen zu-
sätzlichen Nutzen für das eigene Unter-
nehmen zu erzeugen und mittelfristig die
Umsätze je Kunde zu steigern. Auch kann
durch die Nutzung digitaler Lock-in-Ef-
fekte die Kundenbindung positiv beein-
flusst werden. Das Internet der Dinge er-
möglicht Unternehmen zudem das Ange-
bot von Advanced Services, bei denen der
Kunde nicht mehr das eigentliche Pro-
dukt, sondern eine definierte Leistung
des Produkts erwirbt [12]. Ein inzwischen
viel zitiertes Beispiel für ein solches Pro-
duct-as-a-Service-Modell wurde vom bri-
tischen Hersteller von Flugzeugtriebwer-
ken Rolls-Royce eingeführt. Während die
Flugzeugturbinen traditionell an den
Endkunden verkauft und Wartungs-
dienstleistungen zusätzlich vertrieben
wurden, werden die Triebwerke beim Er-
lösmodell „Power-by-the-Hour“ inklusive
aller Wartungstätigkeiten und Ersatzteile
vermietet und pro Betriebsstunde abge-
rechnet.
290
Bild 1.  Überblick über die untersuchten Fallstudien
Erfolgsmessung
für eine zielgerichtete
Unternehmenssteuerung
Die Frage nach der Definition von unter-
nehmerischem Erfolg ist eine der ältes-
ten Fragen der Betriebswirtschaft. Der
Erfolgsbegriff wird dabei von zahlreichen
Parametern beeinflusst. Neben der stra-
tegischen Zielsetzung ist die Wahl der
Messgrößen entscheidend dafür, ob und
wie gut es gelingt, unternehmerische Ak-
tivitäten erfolgsgetrieben zu steuern. Die
vielfältigen Bewertungsmöglichkeiten
erschweren eine einheitliche Definition
und sorgen für eine Vielzahl unterschied-
licher Interpretationen. [13 – 15]
Eine maßgebliche Unterscheidung er-
folgt hauptsächlich zwischen monetären
Messgrößen, wie z. B. dem Gewinn und
der Umsatzrendite, sowie nicht-monetä-
ren Kenngrößen, wie der Kundenzufrie-
denheit und dem Wettbewerbsvorteil [16].
Gerade weil der größte Wert von Unter-
nehmen in hochtechnisierten Nationen, in
denen Produkte immer seltener rein phy-
sischer Natur sind, heutzutage in Form
von immateriellen Vermögenswerten vor-
liegt, erscheint die Messung von aus-
schließlich finanziellen Messgrößen nicht
mehr zeitgemäß [17]. Neuere Versuche
den Erfolgsbegriff zu definieren betrach-
ten daher auch weniger den reinen öko-
nomischen Gewinn von Unternehmen, als
vielmehr das erreichte Ergebnis in Rela-
tion zu den vorab formulierten Zielen, wo-
mit klar wird, dass es sich bei Erfolg und
Misserfolg stets um relative Größen han-
delt, für deren Messung Unternehmen auf
Kenngrößen zurückgreifen [15].
Methodik
Für die praxisorientierte Ermittlung von
Erfolgsgrößen datengetriebener Ge-
schäftsmodelle wurden insgesamt zehn
Fallstudien von Unternehmen im Kontext
des Maschinen- und Anlagenbaus unter-
sucht. Die Informationen innerhalb der
Fallstudien ergeben sich sowohl aus pri-
mären als auch sekundären Quellen. Um
die Informationen aus öffentlich verfüg-
baren Quellen zu validieren und durch
detaillierte Einblicke und persönliche Er-
fahrungen von Praxisexperten zu ergän-
zen, wurden Expertengespräche mit Mit-
arbeitenden der untersuchten Unterneh-
men sowie mit Beratern und Spezialisten
in diesem Bereich durchgeführt. Eine
Übersicht und grundlegende Informatio-
nen zu den untersuchten Unternehmen
sind in Bild 1 dargestellt.
Erfolgskategorien daten-
getriebener Geschäftsmodelle
Die Untersuchung der Fallstudien zeigt,
dass es für die Beurteilung und Bewer-
tung von Erfolg und Misserfolg datenge-
triebener Geschäftsmodelle nicht genügt,
ausschließlich monetäre Messgrößen he-
ranzuziehen. Wenn auch jedes der be-
trachteten Unternehmen Erfolgsmess-
größen dieser Kategorie heranzieht, nut-
zen sie darüber hinaus, wie in Bild 2 zu-
sammenfassend dargestellt, Größen und
Kriterien jenseits klassischer betriebs-
wirtschaftlicher Erfolgskennzahlen. Für
die detaillierte Beschreibung der Erfolgs-
messgrößen datengetriebener Geschäfts-
modelle wird, als ein Ergebnis der fall-
Jahrg. 116 (2021) 5
 GESCHÄFTSMODELLE

übergreifenden Untersuchung, eine Un-

terteilung in kundenbezogene, angebots-
bezogene, wettbewerbsbezogene und un-
ternehmenswertbezogene Erfolgsmess-
größen vorgeschlagen.

Kundenbezogene Erfolgsgrößen
Daten von im Feld befindlichen und bei
den Kunden betriebenen Maschinen und
Anlagen können sehr detailliert Auf-
schluss darüber geben, wie verkaufte
Produkte von den Kunden oder Kunden-
gruppen genutzt werden. Auf diese Weise
lässt sich die Kundensegmentierung ver-
bessern und die Kundenansprache indivi-
dueller gestalten [19]. Durch die konti-
nuierliche Sammlung von Nutzungsdaten
können Verhaltensmuster von Kunden
durchgängig nachvollzogen und so das
Verständnis über das Nutzungsverhalten
gesteigert und die Kundenanforderungen
besser nachvollzogen werden [20, 21].
Durch die datengetriebene Transforma-
tion von Geschäftsmodellen können zu-
dem Lock-in-Effekte den Wechsel zu an-
deren Anbietern erschweren und die
Kundenbeziehungen verstetigen, was
sich anhand der Kundenbindungsrate,
also dem Anteil der Kunden, die dem An-
bieter über einen vorab definierten Zeit-
raum als Kunden erhalten bleiben, be-
messen lässt [22 – 25]. Fleisch et al. spre-
chen hierbei von einem digitalen Lock-in
physischer Produkte, bei dem ein daten-
basierter, digitaler Handschlag die Kom-
patibilität mit Produkten anderer Her-
steller verhindert und die Verbreitung
von Fälschungen einschränkt [19]. Ähn-
lich kann die vorwiegend im Online-Mar-
keting verwendete Conversion Rate auch
bei datengetriebenen Leistungsangebo-
ten Auskunft darüber geben, wie viele
Nutzer dazu bereit sind, neben kosten-
freien Freemiums auch kostenpflichtige
digitale Add-ons in Anspruch zu nehmen.
Angebotsbezogene Erfolgsgrößen
Der Erfolg datengetriebener Geschäftsmo-
delle kann auch daran bemessen werden,
wie gut die Leistungsangebote am Markt
angenommen werden. Aus den analysier-
ten Fallstudien lassen sich daher auch an-
gebotsbezogene Messgrößen als Erfolgs-
maß identifizieren. Die betrachteten Un-
ternehmen ziehen hierfür beispielsweise
die Anzahl der aktiven Nutzer oder auch
die Anzahl der Vertragsabschlüsse als Er-
Bild 2.  Übersicht der identifizierten Messgrößen je Fallstudie
folgsparameter heran, um Kundenbewe-
gungen messbar zu machen. Da datenba-
sierte Leistungsangebote häufig eine
durchgängige Interaktion mit den Kunden
voraussetzten, sind die uneingeschränkte
Verfügbarkeit und Zuverlässigkeit weitere
Messgrößen, deren Berücksichtigung es-
senziell für einen dauerhaft gegebenen
Kundennutzen sind. Die Reichweite gibt
zudem darüber Auskunft, inwieweit es mit
einem Leistungsangebot möglich ist, Ska-
leneffekte zu nutzen und das Risiko zu di-
versifizieren. Eine volatile Nachfrage kann
bei hoher Reichweite besser ausgeglichen
sowie Skalen- und Netzwerkeffekte besser
genutzt werden. Aufgrund der stark ver-
kürzten Produktlebenszyklen digitaler
Produkte und Dienstleistungen, wurde die
Implementierungszeit (Time-to-Market)
als ein weiterer angebotsbezogener Er-
folgsfaktor identifiziert. Schließlich kön-
nen die gewonnenen und analysierten Da-
ten den Betrieb von verkauften Maschinen
und Anlagen überwachen, Fehler identifi-
zieren oder prognostizieren und so die
Servicequalität und -effizienz steigern.
Wettbewerbsbezogene Erfolgsgrößen
Ein weiterer Indikator dafür, ob und wie
erfolgreich datengetriebene Geschäftsmo-
delle im Hinblick auf die strategische
Wettbewerbssituation sind, lässt sich an-
hand von wettbewerbsbezogenen Erfolgs-
größen, wie der Erfassung des Marktan-
teils ableiten. Wenn produktbegleitende
Dienstleistungen exklusiv angeboten
werden oder ein digitaler Lock-In den
Wechsel zu anderen Anbietern verhindert,
wird häufig zusammenfassend von einem
gesteigerten Wettbewerbsvorteil gespro-
chen. Gerade Unternehmen, die sich in-
nerhalb ihrer Branche frühzeitig für die
Transformation ihres Geschäftsmodells
entschieden haben, begründen diese Ent-
scheidung häufig mit einem gesteigerten
Differenzierungspotential. Durch daten-
basierte Erweiterungen bestehender Leis-
tungsangebote und den zunehmend höhe-
ren Dienstleistungsanteil datengetriebe-
ner Geschäftsmodelle kann auch der Fäl-
schungs- und Imitationsschutz als weitere
wettbewerbsbezogene Erfolgsgröße ange-
sehen werden. Eine häufig auch in ande-
ren Zusammenhängen herangezogene
Maßzahl für den Erfolg von Innovationen
beschreibt schließlich auch der Innova-
tionsgrad, den Hauschildt und Schlaak als
ein Maß für die Gesamtheit aller, durch
Innovationen hervorgebrachten Verände-
rungen definieren [26].

Jahrg. 116 (2021) 5 291

 GESCHÄFTSMODELLE

Unternehmenswertbezogene
Erfolgsgrößen
Trotz der Erkenntnis, dass für eine um-
fängliche Erfolgsbetrachtung datenge-
triebener Geschäftsmodelle monetäre Er-
folgsgrößen allein nicht ausreichend
sind, stellen auf den Unternehmenswert
bezogene Kenngrößen dennoch den in
Bild 3.  Erfolgskatego-
diesem Zusammenhang am häufigsten rien datengetriebener
verwendeten Bereich von Erfolgsmaß- Geschäftsmodelle
zahlen dar, nicht zuletzt, weil das primä-
re Ziel der allermeisten Geschäftsmodel-
le aus der dauerhaften Erwirtschaftung
von Betriebsgewinnen besteht. Die posi-
tive Gewinnentwicklung kann somit als
eine erste unternehmenswertbezogene
Erfolgsgröße angesehen werden. [27]
Im Rahmen der Kostenrechnung ergibt
sich der Gewinn aus den Erlösen abzüg- gestaltet, Ressourcen im Servicebereich triebener Geschäftsmodelle nicht mit der
lich der für die Erlöserwirtschaftung an- eingespart und Aufgaben automatisch ge- Messung nur einer Größe begegnet wer-
fallenden Kosten. Durch das Angebot da- plant werden können. Hierdurch lassen den kann. Zum anderen ist es gerade in
tenbasierter Leistungsangebote können sich die Kosten innerhalb der Serviceorga- der frühen Phase der Entwicklung sinn-
Erlössteigerungen und -verstetigungen nisation senken und die Gewährleistungs- voll, Erfolgsgrößen abseits gewinnorien-
insbesondere im Servicegeschäft erreicht kosten für das gesamte Unternehmen re- tierter Indikatoren zu suchen, da sich mo-
werden, wobei etwa 70 Prozent der Unter- duzieren [22]. Im Bereich der Entwicklung netäre Erfolge häufig erst in späteren Pha-
nehmen den Erfolg datenbasierter Leis- liefern Daten aus im Feld betriebenen Ma- sen der Geschäftsmodelle einstellen. Die
tungsangebote mit diesen Größen assozi- schinen und Anlagen zudem detaillierte vier beschriebenen und in Bild 3 darge-
ieren [25, 28]. Während bei bisher vor- Einblicke in die Nutzung und den Umgang stellten Kategorien, mit den in den unter-
wiegend produkt- und verkaufsorientier- der Kunden mit den Produkten, wodurch suchten Unternehmen identifizierten Er-
ten Geschäftsmodellen der Umsatz je ver- zielgerichteter entwickelt und so die Ent- folgsgrößen, geben dabei einen Rahmen
kauftem Produkt im Vordergrund steht, wicklungseffizienz gesteigert sowie Blind- vor, an dem sich Unternehmen bei der
führen die vielfältigen Erlösmodellmuster entwicklung reduziert werden kann [24]. Messung des Erfolgs ihrer datengetriebe-
datengetriebener Geschäftsmodelle zu- Auf diese Weise ist es beispielsweise dem nen Geschäftsmodellaktivitäten orientie-
nehmend zu einer Betrachtung der Er- Unternehmen aus Fallstudie 7 gelungen, ren können. Unabhängig der Messgrößen
folgsmaßzahl Umsatz pro Kunde. Neben die entwicklungsseitigen Annahmen zu innerhalb der vier Bereiche stellen das
den Erlösen beschreiben die Kosten die den Produktanforderungen zu überprüfen möglichst genaue Verständnis über die
zweite Größe zur Ermittlung des Unter- und so kostenintensive Über- und Unter- Bedürfnisse der Kunden und damit die
nehmensgewinns und die Verbesserung spezifizierungen zu vermeiden. Schaffung eines realen Kundennutzens
der Kostenposition somit eine weitere un- die Grundlagen für ein erfolgreiches Ge-
ternehmenswertbezogene Erfolgsgröße Zusammenfassung schäftsmodell dar [18]. Um in einem
[23]. Datenbasierte Informationen können und Ausblick nächsten Schritt korrelative Zusammen-
einzelnen Servicetechnikern sowie der ge- hänge aus den Spezifika von Unternehmen
samten Serviceorganisation Informatio- Die fallstudienbasierte Untersuchung hat als Eingangsgrößen und aus der Wahl ge-
nen zur Verfügung stellen, mit denen die zum einen gezeigt, dass den Herausforde- eigneter Erfolgsgrößen ableiten zu können
bestehenden Serviceprozesse effizienter rungen bei der Erfolgsmessung datenge- und so situationsspezifische Handlungs-
empfehlungen zu entwickeln, wird in der
Industrielle Anwendung weiteren Auseinandersetzung eine umfas-
sende quantitative Untersuchung dieser
Die Befragung von Praxisexperten zeigt, dass datengetriebene Geschäftsmodelle Wirkungszusammenhänge empfohlen.
für Unternehmen des Maschinen- und Anlagenbaus eine steigende Relevanz aufwei-
sen. Erste Anwendungsfälle wurden bereits erfolgreich am Markt umgesetzt. Gera- Literatur
de am Anfang weisen datenbasierte Leistungsangebote jedoch häufig keine kurzfris-
1. Lim, C. et al.: From Data to Value: A Nine-
tige Rentabilität auf, weshalb monetäre Zielgrößen allein kein vollständiges Bild er-
factor Framework for Data-based Value Cre-
geben. Um die unternehmerischen Aktivitäten dennoch erfolgsgetrieben zu steuern, ation in Information-intensive Services. In-
eignen sich neben unternehmenswertbezogenen daher insbesondere kunden-, ange- ternational Journal of Information Manage-
bots- und wettbewerbsbezogene Größen zur Erfolgsbeurteilung. ment 39 (2018), S. 121 – 135
DOI: 10.1016/j.ijinfomgt.2017.12.007

292 Jahrg. 116 (2021) 5


2. Wiener, M.; Saunders, C.; Marabelli, M.: Big-
data Business Models: A Critical Literature
Review and Multiperspective Research
Framework. Journal of Information Technol-
ogy 35 (2020) 1, S. 66 – 91
DOI: 10.1177/0268396219896811
3. Beverungen, D.; Müller, O.; Matzner, M.;
Mendling, J.; vom Brocke, J.: Conceptualiz-
ing Smart Service Systems. Electronic Mar-
kets 29 (2019) 1, S. 7 – 18
DOI: 10.1007/s12525-017-0270-5
4. Hartmann, P. M.; Zaki, M.; Feldmann, N.;
Neely, A.: Capturing Value from Big Data –
A Taxonomy of Data-driven Business Mod-
els Used by Start-up Firms. International
Journal of Operations & Production Manage-
ment 36 (2016) 10, S. 1382 – 1406
DOI: 10.1108/IJOPM-02-2014-0098
5. Hunke, F. et al.: Pathways from Data to Val-
ue: Identifying Strategic Archetypes of Ana-
lytics-Based Services. In: Gronau, N. et al.
(Hrsg.): Entwicklungen, Chancen und
Herausforderungen der Digitalisierung.
GITO Verlag, Potsdam 2020, S. 1035 – 1050
DOI: 10.30844/wi_2020_j7-hunke
6. Langley, D. J. et al.: The Internet of Every-
thing: Smart Things and Their Impact on
Business Models. Journal of Business Re-
search (2020), S. 853 – 863
DOI: 10.1016/j.jbusres.2019.12.035
7. Rizk, A.; Bergvall-Kåreborn, B.; Elragal, A.:
Towards a Taxonomy for Data-Driven Digital
Services. In: Bui, T. (Hrsg.): Proceedings of
the 51st Hawaii International Conference on
System Sciences. Hawaii International Con-
ference on System Sciences, Hawaii, 2018,
S.  1076 – 1085
DOI: 10.24251/HICSS.2018.135
8. Troilo, G.; Luca, L. M. de; Guenzi, P.: Linking
Data-Rich Environments with Service Inno-
vation in Incumbent Firms: A Conceptual
Framework and Research Propositions.
Journal of Product Innovation Management
34 (2017) 5, S. 617 – 639
DOI: 10.1111/jpim.12395
9. Hunke, F.; Engel, C.; Schüritz, R.; Ebel, P.:
Understanding the Anatomy of Analytics-
Based Services-A Taxonomy to Conceptual-
ize the Use of Data and Analytics in Servic-
es. In: 27th European Conference on Infor-
mation Systems, Stockholm, 2019
10. Lehrer, C. et al.: How Big Data Analytics En-
ables Service Innovation: Materiality, Affor-
dance, and the Individualization of Service.
Journal of Management Information Sys-
tems 35 (2018) 2, S. 424 – 460
DOI: 10.1080/07421222.2018.1451953
11. Jeschke, S.; Brecher, C.; Song, H.; Rawat, D.
B.: Industrial Internet of Things. Springer
International Publishing, Cham, 2017, S. 3
DOI: 10.1007/978-3-319-42559-7
12. Baines, T.; Lightfoot, H.: Made to Serve. Wiley,
Chichester, West Sussex, 2013, S. 64 – 68
DOI: 10.1002/9781119207955
Jahrg. 116 (2021) 5
View publication stats
13. Bierich, M.: Der wirtschaftliche Erfolg von
Auslandsgesellschaften. Aufgabentypische
Erfolgskonzeptionen um einem Unterneh-
mensverbund. In: Domsch, M. et al. (Hrsg.):
Unternehmenserfolg. Gabler Verlag, Wies-
baden 1988, S. 43 – 51
DOI: 10.1007/978-3-322-87487-0_4
14. Glaum, M.: Internationalisierung und Unter-
nehmenserfolg. Gabler Verlag, Wiesbaden
1995, S. 137
DOI: 10.1007/978-3-322-96501-1
15. Hutzschenreuther, T.: Allgemeine Betriebs-
wirtschaftslehre. Springer-Gabler-Verlag,
Wiesbaden 2015, S. 103
16. Wolfond, E.: Einflussfaktoren und Wirkun-
gen der Unternehmenskommunikation auf
den Unternehmenserfolg im Anlagen- und
Systemgeschäft. Springer-Gabler-Verlag,
Wiesbaden 2018, S. 83
DOI: 10.1007/978-3-658-23216-0_3
17. Himmel, H.; Krostewitz, A.: Bewertung imma-
terieller Ressourcen als Teil der Unterneh-
menssteuerung: Herausforderungen für das
Controlling. ZfCM - Zeitschrift für Controlling
und Management 2012 (2012) 56, 30 – 39
DOI: 10.1365/s12176-012-0143-x
18. Gassmann, O., et al.: Geschäftsmodelle ent-
wickeln. Hanser, München, 2013, S. 6
DOI: 10.3139/9783446437654.fm
19. Fleisch, E.; Weinberger, M.; Wortmann, F.: Ge-
schäftsmodelle im Internet der Dinge. Schma-
lenbachs Zeitschrift für betriebswirtschaftli-
che Forschung 67 (2015) 4, S. 444 – 465
DOI: 10.1007/BF03372914
20. Westergren, U. H.: Opening up Innovation:
The impact of Contextual Factors on the Co-
creation of IT-enabled Value Adding Servic-
es within the Manufacturing Industry. Infor-
mation Systems and e-Business Manage-
ment 9 (2011) 2, S. 223 – 245
DOI: 10.1007/s10257-010-0144-2
21. Schüritz, R.; Satzger, G.; Seebacher, S.;
Schwarz, L.: Datatization as the Next Fron-
tier of Servitization. Understanding the
Challenges for Transforming Organizations.
In: Association for Information Systems
(Hrsg.): 38th International Conference on
Information Systems: Transforming Society
with Digital Innovation, Seoul, 2017
22. Herterich, M. M.; Uebernickel, F.; Brenner, W.:
Stepwise Evolution of Capabilities for Har-
nessing Digital Data Streams in Data-Driven
Industrial Services. MIS Quarterly Executive
15 (2016) 4, S. 297 – 318
23. Tesch, J. F.: Business Model Innovation in
the Era of the Internet of Things. Springer
International Publishing, Cham, 2019, S. 108
24. Allmendinger, G.; Lombreglia, R.: Four Strat-
egies for the Age of Smart Services. Harvard
Business Review 83 (2005) 10, 131 – 145
25. Grubic, T. et al.: The Adoption and Use of Di-
agnostic and Prognostic Technology within
UK-based Manufacturers. Proceedings of
the Institution of Mechanical Engineers,
GESCHÄFTSMODELLE
Part B: Journal of Engineering Manufacture
225 (2011) 8, S. 1457 – 1470
DOI: 10.1177/0954405410395858
26. Hauschildt, J.; Schlaak, T. M.: Zur Messung
des Innovationsgrades neuartiger Produkte.
Universität Kiel, Kiel 1999, S. 3
27. Husmann, M.; Paluch, S.; Kampker, A.: Suc-
cess Factors for the Market Launch of Data-
Driven Services for Manufacturing Compa-
nies. In: Gal, D., et al. (Hrsg.): AMA Summer
Academic Conference, Boston, Massachu-
setts, 2018, S. 30 – 37
28. Klein, M. M.; Biehl, S. S.; Friedli, T.: Barriers
to Smart Services for Manufacturing Com-
panies. Journal of Business & Industrial
Marketing 33 (2018) 6, S. 846 – 856
DOI: 10.1108/JBIM-10-2015-0204
Die Autoren dieses Beitrags
Sebastian Berndt, M.Sc. M.Sc.Eng. MBA, promo-
viert an der Technischen Universität München
zum Thema datengetriebener Geschäftsmodel-
linnovationen. Zuvor studierte er an der RWTH
Aachen sowie der Keio University in Tokio und
besitzt einen MBA des Collège des Ingénieurs.
Lars Geismar studiert an der Technischen
Universität München Management and Tech-
nology. Zuvor studierte er Betriebswirtschaft in
Bayreuth und Kopenhagen.
Abstract
Success Parameters of Data-driven Business
Models. The industrial internet of things ena-
bles companies to design data-driven business
models. Currently, there is still a lack of consid-
eration of the entrepreneurial success as well as
of practical recommendations for measuring
success. Based on a theoretical analysis, this ar-
ticle uses case studies to show which metrics al-
low the evaluation of the success of data-driven
business models and which categories of suc-
cess measures are used in practice.
Schlüsselworte
Datengetriebene Geschäftsmodelle, Erfolgsgrö-
ßen, Erfolgsmessung, Internet der Dinge, IoT,
Maschinen- und Anlagenbau, Predictive Main-
tenance, Smart Services
Keywords
Data-driven Business Models, Performance
Measures, Performance Measurement, Internet
of Things, IoT, Machine and Plant Engineering,
Predictive Maintenance, Smart Services
Bibliography
DOI 10.1515/zwf-2021-0081
ZWF 116 (2021) 5; page 289 – 293
© 2021 Walter de Gruyter GmbH,
Berlin/Boston, Germany
ISSN 0947-0085 ∙ e-ISSN 2511-0896
293