Blog abonnieren

Data Monetization – Die Grundsätze von Tesla für datengestützten Erfolg

Welche Erkenntnisse lassen sich aus Teslas erfolgreicher Datenmonetarisierung für den Maschinenbau ableiten? Eine genauere Untersuchung der Grundsätze hinter den datengestützten Services des Elektrokonzerns liefert interessante Ansatzpunkte.

Auf den ersten Blick haben Maschinenbau und Tesla nur wenig gemeinsam – während das Unternehmen Elektrofahrzeuge für den Massenmarkt produziert, sind die im Maschinenbau gefertigten spezialisierten Maschinen und Anlagensysteme absolute Nischenprodukte.

Der kürzlich erschienene Gartner-Bericht What Manufacturers Can Learn from Tesla on Data Monetization (Was Hersteller von Tesla über erfolgreiche Datenmonetarisierung lernen können) blickt über die offensichtlichen Unterschiede hinaus auf grundsätzliche Erkenntnisse, die sich der Maschinenbau zum Aufbau und Ausbau eigener umsatzfördernder datengestützter Services zunutze machen kann.

Dank des so genannten industriellen Internets der Dinge wird die Erhebung von Daten immer einfacher – Maschinensensoren sind inzwischen in der Lage, verschiedene Arten von Messgrößen zu erfassen. Aber was fängt man mit den gesammelten Daten an? Eine naheliegende Option ist, sie zu verkaufen. Schauen wir uns an, was Tesla mit seinen Daten macht.

Nutzen statt verkaufen

Die Autos von Tesla erfassen beim Fahren mithilfe von Sensoren und Kameras Daten aller Art aus der Umgebung. Diese Daten nutzt das Unternehmen zur Weiterentwicklung und Optimierung seines Self-Driving-Fahrassistenzsystems, das Kunden als Mehrwertservice in Form eines einfachen Softwareupdates ohne zusätzlichen Hardwarebedarf für einen Aufpreis von 10.000 US-Dollar erwerben können. 

Tesla generiert aus seinem Datenstrom einen neuen Service, der die Kundenbindung festigt oder Kunden in die Lage versetzt, mehr Nutzen aus ihrem Produkt zu ziehen.

Viele Maschinenhersteller versehen ihre Produkte mit Sensoren, um damit Daten zu erfassen, die Aufschluss über die Leistung einer Maschine geben könnten (Beispiel: Schwingfrequenz). Solche Daten können von einem Algorithmus für
maschinelles Lernen analysiert werden, der selbst minimale Abweichungen, die den Zustand oder die Effizienz der Maschine beeinflussen könnten, zuverlässig erkennt. Diese Daten können Maschinenbauer ihren Kunden als datengestützten Service zur Condition-Monitoring-Service zur Zustandsüberwachung ihrer Maschinen oder Anlagensysteme anbieten.


Lesen Sie den weiterführenden Gartner-Bericht:
What Manufacturers Can Learn from Tesla on Data Monetization

Download


Produkte und Plattformen für Datenservices

Tesla hat eine spezielle Plattform entwickelt, die Hardware und Software klar voneinander trennt, und massive Investitionen in eine leistungsfähige Fahrzeughardware getätigt. Dies ließ die Einnahmen des Unternehmens aus dem Fahrzeugverkauf zunächst zwar schrumpfen, eröffnete ihm jedoch die Möglichkeit, seinen Kunden auf viele Jahre hinaus Updates und Upgrades für seine Fahrzeugsoftware zu verkaufen und so langfristig stabile Umsätze aus Mehrwertservices zu generieren.

Dank der langen Nutzungsdauer seiner Fahrzeuge kann Tesla seinen Kunden nicht nur seine aktuellen datengestützten Services verkaufen, sondern schafft auch kontinuierlich Voraussetzungen für künftige Serviceangebote. So kurbelt Tesla trotz der niedrigen Anfangseinnahmen beim Fahrzeugverkauf erfolgreich die Gesamtprofitabilität seiner Produkte an.

Was heißt das für Sie? Sie sollten die Hardwarefunktionen Ihrer Produkte so aufsetzen, dass sie ausreichend Flexibilität und Spielraum für den Verkauf von Produktsoftware-Upgrades und digitalen Services bieten – und zwar über den gesamten Produktlebenszyklus hinweg. Ein Beispiel hierfür ist Teslas kostenpflichtiges Beschleunigungs-Update „Acceleration Boost“, das für zusätzliche 2.000 US-Dollar erhältlich ist.

Maschinenhersteller können, wie oben bereits erwähnt, Sensoren zur Erfassung von Maschinendaten wie Schwingungswerten einsetzen und einen Zustandsüberwachungsservice anbieten, der die Echtzeitbeobachtung der Maschine ermöglicht.

Im Laufe der Zeit generierte historische Maschinendaten können mithilfe eines Algorithmus mit den Echtzeitdaten verglichen werden, um Abweichungen zu ermitteln, die möglicherweise auf einen Maschinenausfall hindeuten. Die so gewonnenen Erkenntnisse können den Kunden in Form eines datenbasierten Predictive Maintenance-Service angeboten werden.

In einem weiteren Schritt lassen sich die gleichen Datensätze dann mit einem neuen Datenanalysealgorithmus auf Abweichungen überprüfen, die sich auf die Qualität der von der Maschine hergestellten Produkte auswirken könnten. Auch diese Analyse kann als eigenständiger Predictive-Quality-Service vermarktet werden.

Entwicklung einer Innovationskultur

Jede Organisation hat in Bezug auf Innovation ihre eigene Herangehensweise. Tesla verlässt sich eigenen Angaben nach bei der Bereitstellung seiner disruptiven Produkte und Services nicht auf Erkenntnisse aus der Marktforschung, sondern pflegt stattdessen eine Unternehmenskultur, die konsequent auf Innovation setzt.

Eine ganzheitliche Betrachtung unterschiedlicher Perspektiven und ein kooperativer Ansatz bei der Schaffung datenbasierter Initiativen sorgen für ein günstiges Innovationsumfeld. Und auch Fehler als notwendige Chance und wichtigen Schritt bei der Entwicklung erfolgreicher Services zu akzeptieren, ist von unschätzbarem Wert.

Im Maschinenbau hat es sich besonders bewährt, Fertigungsexperten und Datenwissenschaftler zusammenzubringen, um spezifische Anwendungsfälle zu formulieren, die dann im Hinblick auf ihre Eignung getestet werden.

Wir verfügen über eine eigene dreistufige Methode zur Identifikation von Anwendungsfällen, Durchführung von Prototypentests und Operationalisierung von Services, die sich bei unseren Kunden bewährt haben. Doch der entscheidende Faktor ist die Zusammenarbeit.

Fazit

Das Beispiel Tesla hat auf den ersten Blick nur wenig mit den spezifischen Geschäftsanforderungen des Maschinenbaus gemeinsam, doch bestimmte Grundsätze sind – entsprechend abgewandelt – auch auf die Entwicklung erfolgreicher datenbasierter Services anwendbar.

  • Begreifen Sie die Daten, die von Ihren Maschinen und Anlagensystemen generiert werden, als Chance für die Entwicklung von Mehrwertservices
  • Schaffen Sie langlebige Produkte, die auch als Plattform für digitale Services dienen
  • Innovation vollzieht sich nicht in einem Vakuum – fördern Sie daher stets eine Kultur der Zusammenarbeit.

Machen Sie sich diese Grundsätze zu eigen und kontaktieren Sie uns, wenn Sie darüber hinaus eine kostenlose Beratung wünschen.


Lesen Sie den weiterführenden Gartner-Bericht:
What Manufacturers Can Learn from Tesla on Data Monetization

Download

 

Martin Landis

Martin Landis

Martin Landis startete seine berufliche Laufbahn als Software-Entwickler und kam 1999 zur USU. Dort war er zunächst als Projektleiter und später als Business Unit Manager für die Implementierung von USU-Lösungen bei vielen namhaften Kunden verantwortlich. Danach folgten die Positionen Produktmanager, Leiter Presales und Global Sales. Seit 2015 ist Martin Landis als Business Unit Manager für die Vermarktung der USU-Produkte im Bereich Valuemation zuständig.

Revolutionieren Sie Ihr Wissen im Kundenservice!

Weitere interessante Artikel