Reststoffe im Kreislauf verwerten durch überbetrieblich-kooperatives, datenbasiertes Geschäftsmodell

Im Fokus des fünfmonatigen Digitalisierungsprojektes NEO stand die Entwicklung eines unternehmensübergreifenden, digitalen und kooperativen Geschäftsmodells in der Leder- und Textilindustrie. In vier Schritten wurden Ansätze für einen wertsteigernden Datenraum geschaffen, eine Produktidee entwickelt sowie ein diese umschließendes Geschäftsmodell konzipiert.

1. Business Model Ideation | Sammeln von Ideen, Potenzialen und Problemen
2. Business Model Creation | Schaffen eines zentralen Leistungsangebotes und entwickeln von Geschäftsmodellansätzen
3. Business Model Evaluation | Methodengestützte Bewertung der Geschäftsmodellansätzen
4. Business Model Implementation | Umsetzungsphase, Entwicklung des Leistungsangebotes und einführen des Geschäftsmodells

Entwicklung eines überbetrieblichen, datenbasierten und kooperativen Geschäftsmodells: 1. Business Model Ideation 

Zunächst stand hier das Kennenlernen der Teilnehmer im Vordergrund, um gemeinsam das Kernnetzwerk zu bilden. Dabei wurden in einer interaktiven Gruppendiskussion Probleme und individuelle Wertversprechen extrahiert. Auf Grund der unterschiedlichen Zusammensetzung der Unternehmen entlang der Wertschöpfungskette der Leder- und Textilindustrie waren diese unklar. Die Herausforderung hierbei bestand in der Identifikation  möglicher individueller Mehrwerte und im Erzeugen eines gemeinsamen Wertversprechens aus diesen sowie dem Schaffen eines gemeinsamen Problemverständnisses.

Bei der detaillierten Problemanalyse kam heraus, dass die Unternehmen ein Sichtbarkeitsproblem haben und ihre Kompetenzen aktuell nicht in vollumfänglicher Reichweite anbieten können. Darüber hinaus fallen bei den teilnehmenden Unternehmen hochwertige Reststoffe an Textilien oder Leder unterschiedlicher Qualität, Größen und Mengen an, welche momentan in unternehmenseigenen Lagern auf Abnehmer warten (Reststoffproblem). Zum aktuellen Zeitpunkt lohnt es sich für die Unternehmen nicht, diese sehr unterschiedlichen Stoffe digital zu erfassen. Erstens ist der Aufwand die physischen Eigenschaften dieser Materialien zu Beschreiben und das Anfertigen verkaufsunterstützender Bild- bzw. Videomaterialien oder andere Visualisierungsformen sehr hoch. Zweitens ist der Reststoffmarkt auf der Nachfrageseite sehr überschaubar, was nicht zuletzt an der geringen Reichweite der Unternehmen zu solchen Sekundärstoffen liegt. Ebenso wurde ein gemeinsamer Wertstrom skizziert, welcher später dabei helfen soll, analoge Informationsströme mit automatisierten Datenströmen zu ersetzen.

Keine Kooperation ohne gemeinsames Wertversprechen: 2. Business Model Creation

Der zweite Workshop hatte das Ziel, ein zentrales Leistungsangebot zu erstellen. Dabei kristallisierten sich weitere Charakteristika einer Online-Plattform heraus, welche Kompetenzen und Reststoffe intelligent zusammenbringt, um Aufwände für die Anbieter und Abnehmer so gering wie möglich zu halten. Mit Hilfe von Künstlicher Intelligenz  sollte ein auf Basis der jeweiligen Kompetenzen der Abnehmer sowie bestehender Reststoffinformationen der Anbieter ein intelligentes Matching der Plattformnutzer stattfinden. Beispielsweise könnten Vorschläge zu neuen Produktdesigns zu bestehenden Reststoffen Anbieter und Abnehmer zusammenbringen.

Diskutiert wurde eine Implementierung eines auf das Fach- und Prozesswissen (Domänenwissen) der Leder- und Textilindustrie trainiertes Sprachmodell (Large Language Model). Das explizite Domänenwissen ist in dem Fall das Wissensgebiet um die Leder- und Textilindustrie herum, welche die Gesamtheit des Wissens innerhalb des Fachbereichs abbildet (Wissen zur Herstellung und Verarbeitung von Leder und Textilprodukten).

Da es auf Grund des aktuellen Hypes im Bereich KI unterschiedliche Auffassungen zur Machbarkeit gab, wurde durch den Projektleiter Sascha Mühl ein zusätzlicher Input zu den Grenzen und Möglichkeiten generativer KI gegeben und Beispiele sowie Bewertungsebenen hinsichtlich der nötigen Eingabequalität und möglicher Ausgabequalität  vorhandener Sprachmodelle gegeben. Mit dem gemeinsamen Verständnis zur erwartbaren Ausgabequalität bestehender Sprachmodelle – insbesondere das dem Plattformnutzer vorgeschlagene fachlich korrekte Matchingergebnis anhand der Kompetenzen und Informationen bestehender Reststoffe - konnte die Produktidee konkretisiert werden.

Um den Unternehmen eine Idee einer funktionierenden Plattform zu geben, hat das Mittelstand Digitalzentrum Augsburg deren entwickelten Plattformprotypen ETkoop vorgestellt. Ebenso wurde eine ähnliche im Internet verfügbare Plattform analysiert.

Da eine Produktidee nur ein Teil eines Geschäftsmodells ausmacht, mussten weitere Ebenen diskutiert werden: Leistungskommunikation, Leistungserzeugung, Leistungsbereitstellung, Gewinnerzeugung. Der Workshopleiter Julian Heinrich  konnte eine Diskussionsgrundlage schaffen. Dabei wurde eine spezielle Form eines Business Model Canvas „Platform Canvas” verwendet, welche von der Arbeitsgruppe „Digitale Geschäftsmodelle/Plattformökonomie“ der Smart Service Welt-Begleitforschung entwickelt wurde. Das reine Ausfüllen eines Canvases stellt noch kein abschließendes Geschäftsmodell dar! Jedoch hat die Diskussion anhand des Tools viele Fragen aufgeworfen, welche noch beantwortet werden müssen - bspw. zum Betrieb der Plattform, ob die geschäftliche Verantwortung über alle Unternehmen verteilt werden kann oder institutionalisiert werden muss und wie die Gewinn- und Kostenbeteiligung aufgebaut sein sollte.

Kein Geschäftsmodell ohne zentrales Produkt oder Dienstleistung: 3. Business Model Evaluation

Bei der Bewertung am dritten Tag wurden folgende Herausforderungen festgestellt:

Informationen zu den Roh- und Reststoffen und den Verarbeitungskompetenzen liegen (noch) nicht in digitaler Form vor.

Es ist noch kein gemeinsamer einheitlicher Datenraum vorhanden. Dieser muss erst geschaffen werden (Erstellung der Plattform bzw. Kompetenz- und Reststoffdatenbank). Erst dann können digitale Anknüpfungspunkte (Schnittstellen) sowie Rollen (Zugänge z.B. nach International Data Space Association) geschaffen werden.

Bewertung und Priorisierung messbarer Mehrwerte (bisher wertorientiert statt gewinnorientiert) steht noch aus.

Für den Abschluss eines vollumfänglichen Geschäftsmodells bedarf es der Klärung weiterer Fragestellungen wie beispielsweise wer die Plattform entwickelt und betreibt sowie ob dafür eine Institionalisierung notwendig ist oder ein loses Unternehmensbündnis dafür ausreicht. 

Um diese Herausforderungen analytisch zu bewerten, wurden SWOT-Analysen durchgeführt, das Plattform Model Canvas weiter mit hinzugewonnen Informationen befüllt und ein Katalog mit offenen Fragestellungen zur Klärung erstellt.

Die Plattform-Idee wurde mit Hilfe zweier SWOT-Analysen in den Lösungsebenen Kompetenz und Material mit den Unternehmen bewertet und priorisiert. Gemeinsame Mehrwerte wurden qualitativ sowie über die zusammengetragenen Bewertungsebenen: Einkauf, Produktion (neue Produkte), Marketing, Vertrieb und Digitalisierung quantitativ auf einer Skala von (--) „Werteinbuße durch Plattform“ bis (++) „zusätzlicher Mehrwert durch die Plattform“ bewertet. Das mögliche KI-Modul bringt neben der online gestellten Materialdatenbank zusätzliche Mehrwerte (siehe Analyseergebnis Mehrwert). Um vom vorhanden Informationsstrom in der bestehenden Wertschöpfungskette zum zukünftigen Datenstrom zu kommen, wurde eine Wertstromanalyse durchgeführt. Diese hilft bei der Erstellung der Vision eines zukünftigen Datenraums.

Nun haben Unternehmen ein klares Zielbild in Form eines ausformulierten, dokumentierten, unternehmensübergreifenden, digitalen Geschäftsmodells vorliegen und können in die Implementierungsphase übergehen.

Kein Digitalisierungsprojekt ohne digitalem Datenstrom und grundlegende wirtschaftlich relevante Entscheidungen: 4. Business Model Implementation 

Da die Produktidee nun stand und es sich um eine Entwicklung einer Software handelt, konnte der nächste Schritt gegangen werden. Im Fokus stand die Erstellung eines Anforderungskatalogs, welche an zukünftige Dienstleister ausgehändigt werden soll.

Der Workshopleiter Tim Hädicke moderierte die Erarbeitung von User-Stories, angelehnt an die Methode des Quality Stormings. User Stories ermöglichen es vereinfacht Anforderungen zu sammeln. Hierbei wurden rund 41 Storys, als Basis für den Anforderungskatalog in den Bereichen: Grundlegenden Funktionen, Informationsfluss (Informationen erlangen und angeben), Handel und Bepreisung, nötige Standards, Software (z. B. API-Anbindungen) sowie individuelle Anforderungen gesammelt, gruppiert und priorisiert und Erwartungen an die Ausgabe des KI-Moduls aus Abnehmersicht dokumentiert.

In der Umsetzungsphase wurde ein Prototyp der Plattform in Form eines Clickdummies erstellt. Dieser wurde vom Mittelstand Digitalzentrum Augsburg, welches von Anfang an in den Prozess eingebunden wurde, erarbeitet und mit den Unternehmen validiert.

Da es bei der branchenübergreifenden Kommunikation und Organisation oft zu Fehlinterpretationen führt bzw. Missverständnisse auftauchen (Kommunikationsproblem), wurde eine Kommunikationstoolbox zur zielgerichteten Kommunikation von Vorhaben und Anforderungen an IT-Dienstleister entwickelt. Diese Checkliste für kleine und mittelständische Unternehmen (KMU) soll dabei helfen, nach der ersten Protypenphase weitere Prototypen zu erstellen bzw. erstellen zu lassen, um Schritt für Schritt zum gewünschten Produkt und letztendlich das Ziel des kooperativen und digitalen Geschäftsmodells zu erreichen.

Unternehmen sollten sich selbst organisieren und die Plattform entwickeln (lassen): weitere Schritte

Den Unternehmen wurden drei Beispielplattformen vorgelegt (welche bewertet werden sollten) und ein Clickdummy erarbeitet. Nun sollten diese einen Software-Prototyp oder gleich direkt die Plattform entwickeln lassen. Dazu wurde dem Unternehmensverbund Kontakte zu mehreren Dienstleistern vermittelt und erste Gespräche, welche bestehende, bereits ähnliche Plattformen entwickelt haben, auf welchen man aufbauen könnte.

Die KMU im Kernnetzwerk müssen weitere Plattformnutzer finden, um die Plattform skalieren zu können und das Marktpotential in einer Marktstudie tiefergreifend analysieren. Ebenso müssen diese einen Weg der weiteren Zusammenarbeit finden (institutionell oder als loses Konstrukt). Für erste Tests würde es zunächst ausreichen, die Chat-GPT-API für das KI-Modul zu nutzen. Jedoch sollten parallele Tests eines auf die Domäne trainierten Large Language Models in Verbindung mit Retrieved Augmented Generation (RAG) durchgeführt werden. So können datenschutzrechtliche Themen und die Verknüpfung des Sprachmodells mit der bestehenden sich dynamisch ändernden Reststoff-Datenbank berücksichtigt werden.

Lesen Sie hier den Projektstecksteckbrief zum Digitalisierungsprojekt NEO.