Geschäftsmodellentwicklung von Predictive Maintenance in der Energiewirtschaft


Hausarbeit, 2020

21 Seiten, Note: 1,3


Leseprobe

Inhaltsverzeichnis

ABBILDUNGSVERZEICHNIS

ABKURZUNGSVERZEICHNIS

1 TRENDS IN DER ENERGIEWIRTSCHAFT

2 DAS POTENTIAL VON PREDICTIVE MAINTENANCE
2.1 PREDICTIVE MAINTENANCE
2.2 MARKTANALYSE VON PREDICTIVE MAINTENANCE
2.3 POTENZIELLE GESCHAFTSFELDER IN DER ENERGIEWIRTSCHAFT

3 GESCHAFTSMODELL
3.1 INITIIERUNG
3.1.1 Dimension - Wer
3.1.1.1 Zielkunden
3.1.1.2 Kundenbeziehung
3.1.1.3 Schlusselkunden
3.1.1.4 Kundenbeeinflussung
3.1.2 Dimension - Was
3.1.2.1 Problemlosung
3.1.2.2 Mehrwert
3.1.2.3 Konkurrenzprodukte
3.1.3 Dimension - Wie
3.1.3.1 Kompetenzen
3.1.3.2 Schlusselressourcen
3.1.3.3 Partner
3.1.4 Dimension - Wert
3.1.4.1 Kostenaspekte
3.1.4.2 Einnahmen
3.1.4.3 Finanzielle Risiken
3.2 IDEENFINDUNG
3.2.1 Add-On
3.2.2 Affiliation
3.2.3 Cross Selling
3.2.4 Customer Loyalty
3.2.5 Direct Selling
3.2.6 Flatrate
3.2.7 Guaranteed Availability
3.2.8 Lock - In
3.2.9 Open Business Model
3.2.10 Solution Provider
3.2.11 User Designed
3.3 INTEGRATION
3.4 IMPLEMENTIERUNG

4 EINSCHATZUNG VON PREDICTIVE MAINTENANCE

LITERATURVERZEICHNIS

Abbildungsverzeichnis

Abbildung 1: Ausgangsposition zur Geschaftsmodellentwicklung

Abbildung 2: Die Dimensionen zur Entwicklung eines Geschaftsmodells

Abkurzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Trends in der Energiewirtschaft

Die Energiewelt steht mit der Energiewende und der digitalen Transformation vor einem Umbruch. Dies ebnet die Chancen von neuen innovativen Produkten und Dienstleistungen in vielen Bereichen. Hieraus haben sich sieben relevante Trendbereiche herauskristallisiert. Der erste Trend ist die Dezentralisierung, die Energie (Strom und Warme) sollen an dem Ort erzeugt werden, an dem diese auch verwendet wird. Ein weiterer Trend die Konnektivitat, durch die Digitalisierung bietet sich auch fur die Energiewirtschaft die Option einer besseren Vernetzung entlang der Wertschopfungskette. Der dritte Trend ist das Sharing, bezogen auf die Energiewirtschaft insbesondere das Teilen von E­Autos. Der nachste Trend ist die gesamte Mobilitat von E-Autos, E-Bikes, E­Bussen oder E-Rollern. Der funfte Trend betrifft die Nachhaltigkeit und den Umgang mit Ressourcen. Der folgende Trend ist die Urbanisierung. Durch den Zuzug der Bevolkerung in die Stadte ergeben sich steigende Umweltbelastungen, die minimiert werden mussen. Der letzte Trend bezieht sich auf die erneuerbaren Energien und deren Ausbau(vgl. eon, o.J)

Im weiteren Verlauf dieses Konzeptpapieres wird auf den Trend Konnektivitat eingegangen. Mit der Vernetzung bzw. Digitalisierung ergeben sich neue Produkte und Dienstleistungen in der Energiewirtschaft. Zu diesen gehoren Smart Contracts und die Blockchain. Mit diesen Technologien konnen sog. Microgrids umgesetzt werden, die einen Peer-to-Peer (P2P) - Handel ermoglichen. Hieruber konnen Prosumer unmittelbar handeln und brauchen weder einen Energieversorger noch den Strommarkt(vgl. PWC, 2016, S. 16 f.). Ein weiteres Beispiel ist die Smart-Home-Anwendung. Durch ein Gateway konnen die Verbraucher im Haushalt mit intelligenten Zahlern per Smartphone oder einem anderen Gerat gesteuert und auf den Alltag des Haushaltes abgestimmt werden (vgl. Robert Bosch Smart Home GmbH, o.J.). Mit Big Data konnen grofte, heterogene und vielfaltige Datenmengen analysiert werden, um anschlieftend einen Nutzen aus diesen zu ziehen. (vgl. King, 2014, S.34 ff.). Durch Algorithmen konnen die Daten analysiert und daraus Vorhersagen getroffen werden.Dies ermoglicht u.a. die Digitalisierung der Instandhaltung, um praventiv Schaden an Anlagen zu vermeiden, das sog. Predictive Maintenance (PM)(vgl. Roland Berger, 2017, S.3).

2 Das Potential von Predictive Maintenance

2.1 Predictive Maintenance

Wie im Kapitel davor erlautert, kann Predictive Maintenance durch die Analyse von Live-Daten vorausschauend sagen, wann die nachste Wartung oder Reparatur fallig ist. Fur die Analyse der Daten sind zunachst die Datenmafte notwendig. Uber Sensoren an den Anlagen oder Geraten konnen Daten wie die Temperatur, Drehbewegung usw. ermittelt werden. Mit der Unterstutzung eines IoT-Gateways konnen die Daten auf einem Server oder cloudbasiert gespeichert werden. Anschlieftend werden die Daten mit Hilfe eines Algorithmus analysiert und die Ausfallwahrscheinlichkeit der Anlage berechnet. (vgl. eoda, 2019, S. 14 f.). Weiter kann hieraus der perfekte Instandhaltungszeitpunkt ermittelt werden. Die Orientierung erfolgt an den Kostenaspekt. Insbesondere nach den Kosten fur die Instandhaltung und Opportunitatskosten (vgl. Deloitte, 2015, S.5 f.).

2.2 Marktanalyse von Predictive Maintenance

In einer Umfrage der Staufen AG haben 450 Unternehmen, vorwiegend aus der Anlagen-, Maschinen- und Elektrobranche, teilgenommen. Hierbei haben 42% der Unternehmen angegeben, Predictive Maintenance in der Praxis noch nicht angewendet zu haben. Die restlichen 58% haben PM im Einsatz, hiervon haben 84% eine gute bis sehr gute Erfahrung, wohingegen 16% weniger gut bis schlechte Erfahrungen mit PM-Produkten gemacht haben (vgl. Staufen AG, 2018, S.34 f.). Anhand einer weiteren Studie der Roland Berger GmbH sind 50 % der Umfrageteilnehmer aus der Maschinenbaubranche der Auffassung, dass bis 2020 Predictive Maintenance am Markt den Durchbruch erlangt. Jedoch ist im Bezug auf die Nachrustung von Sensorik und IoT-Gateways bei den Anlagen noch unklar, ob dies moglich ist. Aufterdem ist fraglich, ob die Kunden auf das Speichermedium der Daten den Anbietern Zugriff gewahren, da sensible Daten vorliegen. Es wird die Annahme getroffen, der zukunftige Markt von Predictive Maintenance-Anwendungen wird in erster Linie von den herkommlichen Maschinenbauern bzw. Zulieferern dominiert. Sog. Domain-Know-How (Branchenwissen) ist notwendig, um Komponenten der Anlagen und Kundenprozesse zu verstehen, demnach werden 37% des Marktes durch die klassischen Maschinenbauunternehmen gestellt. Mit 29% folgen Maschinenb- auer, die sich auf Plattformen zur Bereitstellung und Datenspeicherung spezialisieren. Weiterhin werden Softwareunternehmen mit Serviceprodukten auf den Markt dringen und stellen 22% Marktanteil. Die restlichen 12% werden von Start Up-Unternehmen, die auf den Markt drangen, eingenommen (vgl. Roland Berger, 2017, S.12).

2.3 Potenzielle Geschaftsfelder in der Energiewirtschaft

Mit der Unterstutzung von Predictive Maintenance konnen Instandhaltungen besser optimiert werden. Dies bietet auch in der Energiebranche viel Potenzial. Insbesondere im Bereich der Erzeugung und Speicherung kann die Verwendung von PM sehr nutzlich sein, um die Stromgenerierung stetig aufrechtzuerhalten und zu gewahrleisten(vgl. Doleski, 2020, S. 50 ff.). Hierzu bietet sich nicht alleine der Business - to - Business-Markt (B2B-Markt), sondern auch der Business to Consumer Markt (B2C-Markt) an. Im B2B-Markt konnen fur Versorgungs- unternehmen die Dienstleistungen angeboten werden. Mit der Unterstutzung von Predictive Maintenance kann der optimale Instandhaltungszeitpunkt fur die Wartung von ihren Kraftwerksanlagen gefunden werden (vgl. Doleski, 2020, S. 50 ff.). Im B2C-Markt kann das Unternehmen dem Privatkunden u.a. eine PM - Losung fur Solaranlagen anbieten, um die optimale Wartungs-und Reparaturzeit zu kalkulieren(vgl. SolarPower Europe, 2018, S.37). Neben der Erzeugung bietet PM auch Produkte im Feld der Verteilung und Transport an. Hierbei sind die Ubertragungs- und Verteilnetzbetreiber Kunden des Unternehmens. Mit der Unterstutzung von PM konnen u.a. Transformatoren uberwacht und der Instandhaltungszeit vorausschauend bestimmt werden. Dies dient zur Minimierung der Ausfallzeiten der Stromubertragung (vgl. Doleski, 2020, S. 50 ff.).

Zudem ist zu klassifizieren, wie der aktuelle Stand fur Predictive Maintenance zur Entwicklung von neuen Geschaftsmodellen (GM) ist. Dies wird uber zwei Parameter definiert. Die beiden Parameter sind das Grundprodukt und Geschaftsmodell. Hierbei werden die beiden Faktoren einmal unter dem Aspekt der abhangigen Verknupfung vom Produkt betrachtet, zum anderen unter dem zeitlichen Aspekt der Entwicklung des Geschaftsmodells. Hieraus ergeben sich 3 wesentliche Ansatze: Der integrale Ansatz, der modulare Ansatz und der Vermarktungsansatz(vgl.Lingengel et al., 2016, S.54 f.).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Ausgangsposition zur Geschaftsmodellentwicklung (Lingengel et al. 2016, S.54)

Das Produkt PM ist weitestgehend ausgereift und wird aufterhalb der Energiewirtschaft in vielen Bereichen angewendet. In der Automobilbranche wird PM dazu verwendet, Daten von Motoren oder Fahrwerk durch die Sensoren zu nutzen, um Autoteile fruhzeitig auszutauschen, bevor diese komplett ausfallen. Auch in der Luftverkehrsbranche wird PM z.B. fur Turbinen oder Pumpen angewendet. Zudem hat Airbus die Plattform „Skywiese“ geschaffen, um dort Daten fur die Flugzeuge zu speichern und damit vorausschauend Bauteile der Flugzeuge auszutauschen. Des Weiteren wird PM im Schienenverkehr angewendet, um Ausfallzeiten von Zugen durch fruhzeitigen Austausch von Zugteilen durch eine datenbasierte Grundlage durchzufuhren (vgl. Industry of Things, 2019).

Dementsprechend ist fur Predictive Maintenance in der Energiewirtschaft der Vermarktungsansatz auszuwahlen. Hierzu kann PM in den oben genannten Wertschopfungsfeldern seine Anwendung finden. Energieunternehmen in diesen Bereichen konnen auf Basis des Kernproduktes Geschaftsmodelle fur die internen sowie externen Kunden schaffen, um damit neue Marktanteile zu gewinnen und Kosten zu reduzieren.

3 Geschaftsmodell

Im folgendem Text erfolgt die Entwicklung eines Geschaftsmodells fur Predictive Maintenance. Die Entscheidung fur PM fiel durch die eindeutige Abgrenzung von gegenwartigen Instandhaltungsmaftnahmen. Mit PM, einem wesentlichen Element der Industrie 4.0 (vgl. Roland Berger, 2017, S. 3), besteht auch fur die Energiewirtschaft enormes Potenzial. Insbesondere der Transport von Strom und Versorgungssicherheit kann mit Hilfe von Predictive Maintenance weiter verbessert werden (vgl. Doleski, 2020, S. 50 ff.).

Fur das Geschaftsmodell wird in vier Schritten vorgegangen. Zunachst die Initiierung, hierzu wird das Geschaftsmodell anhand der vier Dimensionen Wer, Was, Wie und Wert analysiert. Im nachsten Schritt erfolgt die Ideenfindung fur das Geschaftsmodell, hierbei werden mit der Unterstutzung des St. Galler Geschaftsmodells Muster fur ein GM fur Predictive Maintenance erlautert. Im dritten Schritt erfolgt die Integration des Geschaftsmodells. Im letzten Punkt erfolgt die Implementierung des GMs.

3.1 Initiierung

Bei der Initiierung wird das Umfeld fur das Geschaftsmodell von Predictive Maintenance analysiert. Hierzu wird auf die vier Dimensionen Wer, Was, Wie und Wert eingegangen (vgl. Gassmann et al., 2013, S.29 f.).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Die Dimensionen zur Entwicklung eines Geschaftsmodells (Gassmann et al. 2013, S.7)

3.1.1 Dimension - Wer

In dieser Dimension wird auf die Kunden bzw. Kundensegmente eingegangen. Hierbei werden die Fragen beantwortet, welche Kundengruppen fur das Produkt in Betracht kommen, wie die Kundenbeziehung aufgebaut werden soll, wer die Hauptkunden fur das Produkt sind, wie die Absatzkanale zu wahlen sind und durch welche Gruppen die Kunden bzgl. des Produktes beeinflusst werden konnen (vgl. Gassmann et. al., 2013, S.29 f.).

3.1.1.1 Zielkunden

Wie im Kapitel potenzielle Geschaftsfelder beschrieben kann Predictive Maintenance in den Feldern Erzeugung und Verteilung seine Anwendung finden, sowie auf dem B2B- und B2C-Markt auftreten. Dementsprechend sind die Zielkunden von PM-Anbietern aus der Energiebranche zum einen Betreiber von dezentralen und konventionellen Anlagen, die im Bereich der Energieerzeugung tatig sind. Aufterdem sind potenzielle Kunden alle Ubertragungsnetz- und Verteilnetzbetreiber, die fur die Aufrechterhaltung des Strom- oder Gasnetzes sorgen (vgl. Doleski, 2020, S. 50 ff.). Zudem kann PM allen Privatkunden, die eine Anlage zur Strom- und Warmegewinnung haben, angeboten werden (vgl. SolarPower Europe, 2018, S.37) . Des Weiteren ist das Energieunternehmen selbst ein Kunde und kann PM fur seine eigenen Anlagen zur Erzeugung oder im Netzbereich anwenden.

3.1.1.2 Kundenbeziehung

Die Kunden erwarten eine vollstandige Unterstutzung bei der Verwendung von Predictive Maintenance. Dementsprechend ist das Unternehmen nach der Installation der Hard- und Software nicht fertig, sondern muss langfristig die Dienstleistung beim Kunden betreuen. Alternativ ist durch Schulungen ein Wissenstransfer auf die Mitarbeiter des Kunden moglich, um selbstandig die Leistung zu verwenden. Jedoch sollte hier in regelmaftigen Abstanden zur Auffrischung und zum Neueinlernen Schulungen fur die Kunden angeboten werden. Zusatzlich konnen fur die Schlusselkunden sogenannte Power User eingesetzt werden, dies sind Mitarbeiter, die hohe Kompetenzen im Umgang mit PM haben und fur einen Kunden zustandig sind(vgl. SAP,o.J.).

[...]

Ende der Leseprobe aus 21 Seiten

Details

Titel
Geschäftsmodellentwicklung von Predictive Maintenance in der Energiewirtschaft
Hochschule
Hochschule Darmstadt
Note
1,3
Autor
Jahr
2020
Seiten
21
Katalognummer
V536216
ISBN (eBook)
9783346128225
ISBN (Buch)
9783346128232
Sprache
Deutsch
Schlagworte
Geschäftsmodell Geschäftsmodelentwicklung Energiewirtschaft Predictive Maintenance St. Galler Business Modell
Arbeit zitieren
Damon Krause (Autor), 2020, Geschäftsmodellentwicklung von Predictive Maintenance in der Energiewirtschaft, München, GRIN Verlag, https://www.grin.com/document/536216

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Geschäftsmodellentwicklung von Predictive Maintenance in der Energiewirtschaft



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden