Feedbacks auf digitalen Plattformen stellen formelle Steuerungsmechanismen dar, die für den Erfolg der Plattform entscheidend sind. Feedbacks bestehen typischerweise aus einer Sterne Bewertung und einer textuellen Bewertung. Die textuellen Bewertungen können sich dabei hinsichtlich des Umfangs des Textes aber auch der inhaltlichen Stimmung unterscheiden. Ziel der Arbeit ist es zu analysieren, wie sich der Umfang der textuellen Bewertungen und die Stimmungen einzelner Anbieter entwickeln. Dazu soll eine Sentiment-Analyse durchgeführt werden.

Einführende Literatur:

• Hu, N., Zhang, J., & Pavlou, P. A. (2009). Overcoming the J-shaped distribution of product reviews. Communications of the ACM, 52(10), 144-147.

Daten:

• https://www.yelp.com/dataset

Bewertungen auf Plattformen wie Amazon und Co. haben zum Ziel, die Nutzer bei ihrer Entscheidung für oder gegen ein Produkt oder eine Dienstleistung zu unterstützen. Denn bei Onlineeinkäufen können sich Kunden nicht direkt von der Qualität des Produkts überzeugen, sondern informieren sich durch die Bewertungen anderer Nutzer darüber. Dabei haben viele Plattformen mit falschen Bewertungen, sogenannten Fake Reviews zu kämpfen. Diese schädigen oder steigern absichtlich die Reputation eines Produkts oder Anbieters und können zu Wettbewerbsverzerrungen führen. Die Fake Reviews lassen sich jedoch nicht ohne weiteres erkennen. Auch bei großen Plattformen wie Amazon tritt das Problem sehr stark auf. Amazon versucht dem entgegenzuwirken und entfernt falsche Bewertungen, das Problem besteht jedoch weiterhin. Ziel der Arbeit ist es, Ansätze zur Identifikation von Fake Reviews zu entwickeln und anhand der Plattform Yelp zu evaluieren.

Einführende Literatur:

• Lappas, T. (2012): Fake Reviews: The Malicious Perspective
• Carbonell, G. et al. (2019): The impact of emotionality and trust cues on the perceived trustworthiness of online reviews 
• Liu, W. et al. (2019): A Method for the Detection of Fake Reviews Based on Temporal Features of Reviews and Comments
• Li, Y. et al. (2020): Detection of Fake Reviews Using Group Model

Daten:

• https://www.yelp.com/dataset

Subscription Geschäftsmodelle erlauben durch die Analyse von Nutzungsdaten ein besseres Verständnis der Kundenbedürfnisse und eine kontinuierliche Verbesserung des Produkts. Sie können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger. Die Maschine bleibt im Eigentum des Anbieters, sodass dieser Zugriff auf eine große Menge an Maschinendaten aus dem produktiven Einsatz bei den Kunden erhält und daraus Optimierungen ableiten kann. Dazu zählen bspw. eine Reduzierung von Wartungsaufwänden durch Predictive Maintenance, eine Erhöhung des Outputs oder eine verbesserte Ressourcenallokation. Damit können Subscription Geschäftsmodelle Unternehmen die Möglichkeit bieten, neben ihrer ökonomischen auch ihre soziale und ökologische Performance zu optimieren. Ziel der Arbeit ist es, hierzu einen systematischen Literaturreview durchzuführen und Anwendungsbeispiele für die Verbesserung der Nachhaltigkeitsperformance durch die Nutzung von Subscription-Lösungen in produzierenden Unternehmen zu identifizieren.

Einführende Literatur:

• Corrêa, H. L. (2018): Servitization meets Sustainability. In: Future Studies Research Journal: Trends and Strategies 10 (2), S. 358–364.
• González Chávez, C. A.; Holgado, M.; Rönnbäck, A. Ö.; Despeisse, M.; Johansson, B. (2021): Towards sustainable servitization: A literature review of methods and frameworks. In: Procedia CIRP 104, S. 283–288.
• Schuh, G., Wenger, L., Stich, V., Hicking, J., Gailus, J. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering. In: Procedia CIRP 93(1), S. 599-604.
• Sharma, M. G.; Singh, K. N. (2017): Servitization, Coopetition, and Sustainability: An Operations Perspective in Aviation Industry. In: Vikalpa: The Journal for Decision Makers 42 (3), S. 145–152.
• Stojkovski, I., Achleitner, A.-K., Lange, T. (2021): Equipment as a Service – The Transition Towards Usage-Based Business Models. In: SSRN, S. 1-44.
• Szász, L.; Seer, L. (2018): Towards an operations strategy model of servitization: the role of sustainability pressure. In: Operations Management Research 11 (1-2), S. 51–66.

5G stellt eine neue Mobilfunk-Technologie dar, welche als Nachfolger von 4G (LTE) den neuen Standard des mobilen Internets darstellt. Der Ausbau des 5G-Netzes, welcher derzeit in Deutschland und vielen weiteren Ländern erfolgt, dient als Grundlage für die Digitalisierung vieler Lebensbereiche und ermöglicht eine noch schnellere Übertragung mobiler Daten. Denn die 5G-Technologie ist bis zu 100-mal schneller als LTE und macht somit Übertragungen in Echtzeit möglich. 6G stellt eine Weiterentwicklung der 5G-Mobilfunk-Technologie dar, welche in Zukunft den neuen Standard des mobilen Internets darstellen soll. Das Ziel der Arbeit ist es, die beiden Technologien zu vergleichen und Gemeinsamkeiten sowie Unterschiede herauszuarbeiten.

Einführende Literatur:

• Bariah, L.; Mohjazi, L.; Muhaidat, S.; Sofotasios, P. C.; Kurt, G. K.; Yanikomeroglu, H.; Dobre, O. A. (2020): A prospective look: Key enabling technologies, applications and open research topics in 6G networks. In: IEEE Access 8, S. 174792-174820.
• De Alwis, C.; Kalla, A.; Pham, Q. V.; Kumar, P.; Dev, K.; Hwang, W. J.; Liyanage, M. (2021): Survey on 6G frontiers: Trends, applications, requirements, technologies and future research. In: IEEE Open Journal of the Communications Society 2, S. 836-886.
• Johnston, Robert; Jones, Peter (2004): Service productivity. In: Int J Productivity & Perf Mgmt 53 (3)

Durch die Digitalisierung generieren immer mehr Unternehmen eine Vielzahl an Daten. Diese Daten stellen einen Wert dar. Deshalb sind Datenmarktplätze entstanden, auf denen Daten gekauft und verkauft werden können. Die auf dem Marktplatz gehandelten Daten sind aus verschiedenen Quellen wie beispielsweise Social Media, Prozess- und Maschinen Daten oder Open Data. Die auf den Marktplätzen ermöglichte Verknüpfung von verschiedenen Daten erleichtern die Nutzungsweise und ermöglichen den unternehmensübergreifender Datenaustausch. Ein Beispiel für einen Datenmarktplatz stellt der Data Intelligence Hub der deutschen Telekom dar. Auf dieser Plattform können verschiedene Daten frei oder gegen Bezahlung angeboten und erworben werden. Ziel der Arbeit ist es, den aktuellen Forschungsstand zu Datenmarktplätzen zu erarbeiten und anhand eines Fallbeispiels die Funktionsweise von Datenmarktplätzen zu analysieren, in dem das Beispiel anhand eines Business Model Canvas veranschaulicht wird. 

Einführende Literatur:

• Lange, J.; Stahl, F.; Vossen, G. (2016): Datenmarktplätze in verschiedenen Forschungsdisziplinen: Eine Übersicht.
• Balazinska, M.; Howe, B.; Suciu, D. (2011) Data markets in the cloud: an opportunity for the database community.

Methoden der künstlichen Intelligenz (KI) eröffnen den Weg die Digitalisierung im Mittelstand voranzutreiben. Während die Automatisierungsquote von einfachen, regelbasierten Prozessen bereits sehr fortgeschritten ist, ist der Einsatz von KI bei kritischen Prozessen verhalten. Tatsächlich belegen Studien, dass Menschen der Einschätzung anderer Menschen oder ihrer eigenen Erfahrung mehr vertrauen, sobald sie erkennen, dass ein Algorithmus nicht perfekt ist, obwohl dieser die besseren Prognosen erzielt. Dieses Phänomen wird auch als Algorithmenaversion bezeichnet. Ziel der Arbeit ist es, Ansätze zur Überwindung der Algorithmenaversion zu identifizieren. Dafür soll ein Literaturreview durchgeführt und der aktuelle Stand der Forschung aufgearbeitet werden.

Einführende Literatur:

• Dietvorst, Berkeley J.; Simmons, Joseph P.; Massey, Cade (2015). Algorithm aversion: people erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114.
• Jussupow, Ekaterina; Izak Benbasat; Heinzl, Armin (2020). Why are we averse towards algorithms? A comprehensive literature review on algorithm aversion.

Subscription Geschäftsmodelle erlauben durch die Analyse von Nutzungsdaten ein besseres Verständnis der Kundenbedürfnisse und eine kontinuierliche Verbesserung des Produkts. Sie können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger. Neben der Maschine an sich werden in der Regel weitere Leistungen in der Subscription gebündelt, bspw. verschiedene Smart Services oder Versicherungsleistungen. Ziel der Arbeit ist die Durchführung einer Marktanalyse zur systematischen Darstellung der etablierten Leistungsbündel in der produzierenden Industrie.

Einführende Literatur:

• Stojkovski, I., Achleitner, A.-K., Lange, T. (2021): Equipment as a Service – The Transition Towards Usage-Based Business Models, SSRN, S. 1-44.
• Schuh, G., Wenger, L., Stich, V., Hicking, J., Gailus, J. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering, in: Procedia CIRP 93(1), S. 599-604.
• Seiter, M., Grünert, L., Kenner, K. (2021): Subscription Models – Merkmale, Praxisbeispiele und Auswirkungen auf die Unternehmensteuerung, in: Schmalenbach IMPULSE (1), S. 1-17.
• Roth, S., Stoppel, E. (2014): Preissysteme zur Gestaltung und Aufteilung des Service Value, in: Bruhn, M., Hadwich, K. (Hrsg.): Service Value als Werttreiber, Wiesbaden, S. 183-204.

Subscription Geschäftsmodelle erlauben durch die Analyse von Nutzungsdaten ein besseres Verständnis der Kundenbedürfnisse und eine kontinuierliche Verbesserung des Produkts. Sie können als Weiterentwicklung klassischer Abonnementmodelle betrachtet werden und sind derzeit vor allem im B2C-Bereich zu finden. Bekannte Beispiele sind Spotify und Netflix. Auch in der produzierenden Industrie werden Subscription Geschäftsmodelle immer wichtiger. Die Maschine bleibt im Eigentum des Anbieters, sodass dieser Zugriff auf eine große Menge an Maschinendaten aus dem produktiven Einsatz bei den Kunden erhält und daraus Optimierungen ableiten kann (bspw. Reduzierung von Wartungsaufwänden, Erhöhung des Outputs). Ziel der Arbeit ist die Durchführung einer Marktanalyse zur Identifikation von konkreten Optimierungen, die Anbieter im Rahmen bereits etablierter Subscription Geschäftsmodelle in der produzierenden Industrie versprechen.

Einführende Literatur:

• Stojkovski, I., Achleitner, A.-K., Lange, T. (2021): Equipment as a Service – The Transition Towards Usage-Based Business Models, SSRN, S. 1-44.
• Schuh, G., Wenger, L., Stich, V., Hicking, J., Gailus, J. (2020): Outcome Economy – Subscription Business Models in Machinery and Plant Engineering, in: Procedia CIRP 93(1), S. 599-604.
• Seiter, M., Grünert, L., Kenner, K. (2021): Subscription Models – Merkmale, Praxisbeispiele und Auswirkungen auf die Unternehmensteuerung, in: Schmalenbach IMPULSE (1), S. 1-17.
• Roth, S., Stoppel, E. (2014): Preissysteme zur Gestaltung und Aufteilung des Service Value, in: Bruhn, M., Hadwich, K. (Hrsg.): Service Value als Werttreiber, Wiesbaden, S. 183-204.

Methoden der künstlichen Intelligenz (KI) eröffnen für kleine und mittlere Unternehmen (KMU) bspw. den Weg zu einer datengetriebenen Prozesskette, die domänenspezifisches Wissen mit virtuellen Abbildern und zunehmend natursprachlich und intuitiv bedienbaren Schnittstellen verbindet. Beim Einsatz von Methoden der KI ist jedoch zu beachten, dass das Verständnis für und die Akzeptanz von KI-Systemen bei den im Unternehmen tätigen Menschen wenig verbreitet ist – dies gilt von den Führungsebenen bis zu den Auszubildenden. Ziel der Arbeit ist es, Einflussfaktoren der Akzeptanz von KI (sowohl positiv als auch negativ) zu identifizieren. Dafür soll ein Literaturreview zur Identifikation der Einflussfaktoren durchgeführt und der aktuelle Stand der Forschung aufgearbeitet werden.

Einführende Literatur:

• Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015): Algorithm aversion: people erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114.
• Logg, J. M., Minson, J. A., & Moore, D. A. (2019): Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, 151, 90-103.
• Schaefer, K. E., Chen, J. Y. C., Szalma, J. L. und Hancock, P. A. (2016): A Meta-Analysis of Factors Influencing the Development of Trust in Automation.

Objectives and Key Results (OKR) ist ein durch Google bekannt gewordenes Managementsystem, das vor allem im operativen Bereich Anwendung findet. Es bildet ein Rahmenwerk für die lang- und kurzfristigen Ziele und die Zielsetzung (Objectives) sowie der Messung von Ergebniskennzahlen (Key Results). Dabei werden durch OKR die einzelnen Aufgaben von Teams und Mitarbeitern mit der Unternehmensstrategie verknüpft. Dadurch werden die Priorisierungsfähigkeit sowie die Kommunikation und Transparenz im Unternehmen verbessert, die Leistung kann qualitativ und quantitativ gemessen werden und das Mitarbeiterengagement wird gestärkt. Somit unterstützt OKR das Erreichen von Unternehmenszielen. Ziel der Arbeit ist es, fünf Unternehmensbeispiele zu recherchieren, die OKR erfolgreich implementiert haben und diese Cases miteinander zu vergleichen.

Einführende Literatur:

• Doerr, J. E. (2018): Measure what matters. How Google, Bono, and the Gates Foundation rock the world with OKRs.
• Lihl, H. T., Mahlendorf, M. D. und Schmotz, D. (2019): Agiles Controlling mit OKR für schnelles Wachstum.
• Engelhardt, P. und Möller, K. (2017): OKRs - Objectives and Key Results. Kritische Analyse eines neuen Managementtrends.
• Lobacher, P. et al. (2017): Agiles Zielmanagement und modernes Leadership mit Objectives & Key Results (OKR): Das umfassende Kompendium.
• Alberti, M. (2015): Das OKR Buch – Führen wie im Silicon Valley. 

5G stellt eine neue Mobilfunk-Technologie dar, welche als Nachfolger von 4G (LTE) den neuen Standard des mobilen Internets darstellten wird. Der Ausbau des 5G-Netzes, welcher derzeit in Deutschland und vielen weiteren Ländern erfolgt, dient als Grundlage für die Digitalisierung vieler Lebensbereiche und ermöglicht eine noch schnellere Übertragung mobiler Daten. Denn die 5G-Technologie ist bis zu 100-mal schneller als LTE und macht somit Übertragungen in Echtzeit möglich. Dadurch können beispielsweise Produktionsprozesse automatisiert und autonomes Fahren ermöglicht werden, da hierfür eine Datenübertragung in Echtzeit notwendig ist. Das Ziel der Arbeit ist es, durch einen systematischen Literaturreview 5G-Anwendungsfälle zu identifizieren. Dabei sollen sowohl Verbesserungen von Anwendungen, die bisher mit anderen Technologien umgesetzt werden, als auch neu entstehende Anwendungen betrachtet werden. 

Einführende Literatur:

• Rajaneesh, Shetty (2021): 5G Mobile Core Network: Design, Deployment, Automation, and Testing Strategies.
• Hemmings, Max (2021): 5G Networks.
• Ruess, Patrick; Litauer, Rebecca (2021): 5G als Schlüsseltechnologie für mehr Nachhaltigkeit in der Logistik?: Ein Anwendungsfall zur Prozessinnovation im Kombinierten Verkehr. In: HMD Praxis der Wirtschaftsinformatik. 58(1):36-49