Zukunfts- und Wertschöpfungslabor DataLab WestSax — Ein regionaler Katalysator für datenbasierte Wertschöpfungsprozesse

Die Gesellschaft durch­läuft mehr denn je einen ras­an­ten dig­i­tal­en Wan­del. Ver­wal­tungs­be­hör­den, Haushalte, Unternehmen und ihre Inter­ak­tio­nen verän­dern sich auf­grund der zunehmenden Ver­bre­itung und des enor­men Wach­s­tumspoten­zials dig­i­taler Tech­nolo­gien. Für Unternehmen ist ein tiefes Ver­ständ­nis der Infor­ma­tion­stech­nolo­gie (IT) und der dig­i­tal­en Inno­va­tion außeror­dentlich wichtig. Die tech­nol­o­gis­chen Möglichkeit­en, ins­beson­dere die Ver­schmelzung der physis­chen mit der dig­i­tal­en Welt, führen zu grundle­gen­den Par­a­dig­men­wech­seln, die alle Branchen und Unternehmensgrößen betr­e­f­fen. Gle­ichzeit­ig kann die Dig­i­tal­isierung der eige­nen Geschäft­sprozesse und ‑aktiv­itäten den Umfang der in den Unternehmen anfal­l­en­den Dat­en drastisch erhöhen. Diese Daten­menge bietet den Unternehmen wiederum vielfältige Chan­cen, z. B. durch adäquate Date­nauf­bere­itung und Date­n­analyse neue Poten­ziale zu iden­ti­fizieren und zu heben [1–4].

Notwendigkeit und Potenziale datenbasierter Wertschöpfung

Die Poten­ziale der daten­basierten Wertschöp­fung sind vielfältig und kön­nen sich auf Wertver­sprechen für (neue) Kun­den, Wertschöp­fungsak­tiv­itäten oder Ertragsmod­elle beste­hen­der Geschäftsmod­elle beziehen. Die Vorteile bewe­gen sich im Spek­trum von „Sales Up & Cost Down“, etwa durch gesteigerte Effizienz und die Erhöhung der Reak­tions- und Entschei­dungs­geschwindigkeit­en in Unternehmen infolge von daten­basierten Prozes­sop­ti­mierun­gen. Weit­er­hin sind Ser­viceop­ti­mierun­gen wichtige strate­gis­che Ziele, insb. zur Gewährleis­tung eines besseren Kun­denser­vices und zur Geschäft­ser­weiterung um dig­i­tale Ser­viceange­bote. Auch sind völ­lig neue Wertschöp­fungs­for­men denkbar, die bspw. auf dem über­be­trieblichen Date­naus­tausch, dem Verkauf daten­basiert­er Exper­tise oder der datengestützten Kol­lab­o­ra­tion auf Basis dig­i­taler Plat­tfor­men (bspw. zur Kreis­laufwirtschaft) beruhen. Ins­ge­samt birgt eine ganzheitliche Betra­ch­tung daten­basiert­er Wertschöp­fungsak­tiv­itäten und ‑möglichkeit­en enorme Wet­tbe­werb­svorteile, kann Unternehmen nach­haltiger agieren lassen und schafft gle­ichzeit­ig vielfältigere und attrak­ti­vere Jobs in den jew­eili­gen Regio­nen der Unternehmen (z. B. [4, 5]). Trotz der voran­schre­i­t­en­den Dig­i­tal­isierungs­be­mühun­gen von vie­len deutschen klein- und mit­tel­ständis­chen Unternehmen (KMU) gelingt es bish­er jedoch nur bed­ingt, die Lücke zu dig­i­tal­en Vor­re­iterun­ternehmen zu schließen [5].

Bild 1: Überblick über das Data­L­ab WestSax.

Barrieren im Mittelstand hemmen Innovationspotenziale

Viele Unternehmen sehen die Dig­i­tal­isierung als Chance zur Stärkung der eige­nen Wet­tbe­werb­s­fähigkeit (z. B. [1]) oder haben die Poten­ziale der Nutzung datengetrieben­er Tech­nolo­gien (wie z. B. Inter­net of Things (IoT), Big Data Ana­lyt­ics, Kün­stliche Intel­li­genz (KI) oder Machine Learn­ing (ML)) erkan­nt (z. B. [5]). Den­noch fällt es vor allem KMU schw­er, deren Möglichkeit­en konkret für das eigene Unternehmen zu bew­erten. Das Wertschöp­fungspoten­zial der anfal­l­en­den und teils bere­its vorhan­de­nen Dat­en im Unternehmen wird in vie­len Fällen nicht gehoben [5, 6]. Eigene Forschung des Autor:innenteams sowie weit­ere ein­schlägige Pub­lika­tio­nen weisen im Hin­blick auf die Nutzbar­ma­chung dig­i­taler Lösun­gen bis hin zum Date­naus­tausch zwis­chen Unternehmen auf viele inner- und außer­be­triebliche Bar­ri­eren hin (z. B. [5–9]). Diese erhal­ten insb. für KMU eine beson­dere Rel­e­vanz. Die Wertschöp­fung mit Dat­en und dig­i­tal­en Services

• benötigt teil­weise hohe Investi­tio­nen zu Beginn,
• benötigt bes­timmte Fähigkeit­en und Kom­pe­ten­zen und
• benötigt die Möglichkeit des gün­sti­gen und ein­fachen Aus­pro­bierens (Serv­er, Soft­ware, Algo­rith­men etc.).

Diese Her­aus­forderun­gen wer­den poten­ziert angesichts inner­be­trieblich­er Bar­ri­eren (vor allem in KMU), die für eine Förderung der daten­basierten Wertschöp­fung beachtet bzw. reduziert wer­den müssen:

• Poten­ziale wer­den nicht erkan­nt: Oft­mals fehlt Unternehmen zur Umset­zung von Pro­jek­ten der daten­basierten Wertschöp­fung die konkrete Idee zur Daten­nutzung. Durch nicht automa­tisierte oder nicht passende Prozessstruk­turen sowie die fehlende Exper­tise wer­den die Möglichkeit­en der Dig­i­tal­isierung und Daten­nutzbar­ma­chung häu­fig nicht gese­hen und damit Poten­ziale ver­schenkt. Gle­ichzeit­ig fällt es Unternehmen schw­er, den Wert ihrer Dat­en einzuschätzen.

• Fehlende Ressourcen und Exper­tise: Ins­beson­dere in KMU fehlt es an Exper­tise im Umgang mit Dat­en. Hinzu kommt ein all­ge­gen­wär­tiger Fachkräfte­man­gel, der im Bere­ich der Data Sci­ence beson­ders offen­sichtlich wird. So hemmt u. a. der Man­gel an Ken­nt­nis­sen über die gel­tenden Reg­u­lar­ien und Geset­ze bspw. die Bere­itschaft, Dat­en auszu­tauschen und neue Wertschöp­fungs­for­men zu erproben. Gle­ichzeit­ig führt das fehlende notwendi­ge Wis­sen für die Daten­ver­ar­beitung zu einem man­gel­nden Ver­trauen in die Qual­ität der Dat­en (“Bauchge­fühl und Erfahrung reichen”). Möchte ein KMU den­noch eine Infra­struk­tur zur Förderung daten­basiert­er Wertschöp­fung auf­bauen, fehlt es häu­fig an finanziellen Ressourcen. Der große Aufwand für den Aus­bau ein­er tech­nis­chen Infra­struk­tur und Gestal­tung intern­er Prozesse, fehlende rechtliche Grund­la­gen sowie Exper­tise im Unternehmen führen zu hohen Kosten.

• Fehlen­des Ver­trauen: Es existieren mit­tler­weile viele tech­nis­che Lösun­gen, die bspw. Date­naus­tausch zwis­chen Unternehmen für neue Wertschöp­fungs­for­men ermöglichen. Großskalierte Pro­jek­te zum Auf­bau ein­er europaweit ein­heitlichen und sicheren Daten­in­fra­struk­tur beste­hen (z. B. GAIA‑X, Inter­na­tion­al Data Spaces), haben sich jedoch noch nicht durchge­set­zt. Die Skep­sis und das fehlende Ver­trauen in vorhan­dene Lösun­gen zeigen sich auch in der zöger­lichen Nutzung. Da die Bere­itschaft, nach und nach an einem dig­i­tal­en Ökosys­tem zu par­tizip­ieren, auch von der Anzahl der beteiligten Unternehmen abhängt, kann hier von einem wech­sel­seit­i­gen Wirk­mech­a­nis­mus („Henne-Ei-Prob­lem“) aus­ge­gan­gen werden.

Bild 2: Phasen der Realexperimente.

Potenziale durch Realexperimente heben

Gespräche, Work­shops und Inter­views, die durch das Autor:innenteam seit 2019 mit mehr als 100 KMU ver­schieden­ster Branchen (bspw. Maschi­nen- und Anla­gen­bau, Telekom­mu­nika­tion, Gesund­heits­di­en­stleis­tung, Handw­erk, Han­del) geführt wur­den, haben gezeigt, dass die Unternehmen im Hin­blick auf die daten­basierte Wertschöp­fung ins­ge­samt deut­lich mehr dieser Bar­ri­eren und Hemm­nisse anstatt Treiber und Chan­cen anführen. Generell beste­hen große Wertschöp­fung­sun­sicher­heit­en im Kon­text der Dig­i­tal­isierung. Die Dig­i­tal­isierung wird in KMU oft­mals als eine Baustelle beze­ich­net – beste­hende Sys­teme sind häu­fig Insel­lö­sun­gen und die Menge und Qual­ität der Dat­en ist oft unzure­ichend. Damit Unternehmen mit ihren Dat­en nutzbrin­gend arbeit­en kön­nen, müssen die Dat­en iden­ti­fiziert und auf­bere­it­et wer­den. Daraus ergibt sich vor allem bei KMU ein großer Bedarf für Date­n­analy­sen. Infor­ma­tions- und Unter­stützungsange­bote helfen Unternehmen die Wertschöp­fungspoten­ziale in ihren Dat­en zu ermit­teln. Die Umset­zung ist ohne weit­er­führende bzw. externe Unter­stützung nur eingeschränkt möglich.

Aus­prä­gun­gen der­ar­tiger Unter­stützungsange­bote kön­nen unter­schiedlich­ster Natur sein. Dies kön­nen bspw. Lern- und Exper­i­men­tier­räume oder auch Real­la­bore sein [10]. Beispiele für das For­mat der Lern- und Exper­i­men­tier­räume sind die INQA-Exper­i­men­tier­räume (z. B. [11]), die vor allem darauf abzie­len, neue Arbeits­for­men und Arbeitsmod­elle zu erproben, die oft­mals auf­grund von dig­i­tal­en Trans­for­ma­tion­sprozessen notwendig wer­den [10]. Bezo­gen auf das For­mat der Real­la­bore hat die Wirtschaftsmin­is­terkon­ferenz in ihrem Beschluss vom 17./18. Juni 2021 betont, dass Real­la­bore uner­lässlich seien, „um [..] den Weg für Inno­va­tio­nen zu ebnen und diese zu beschle­u­ni­gen“ [12]. Mit dem Data­L­ab West­Sax wurde von den Forschungspart­nern, dem Fraun­hofer-Zen­trum für Inter­na­tionales Man­age­ment und Wis­sensökonomie IMW in Leipzig und der West­säch­sis­chen Hochschule Zwick­au, ein der­ar­tiges Real­la­bor geschaf­fen, das es KMU u. a. mit einem struk­turi­erten Vorge­hen für Real­ex­per­i­mente ermöglicht, im Sinne eines „Test before Invest“-Szenarios in ein­er geschützten Umge­bung gemein­sam Daten­nutzungsideen zu entwick­eln und deren Umset­zung zu erproben. Das Data­L­ab West­Sax ist auf die Bedürfnisse der KMU angepasst und ver­net­zt regionale Part­ner sowohl branchen­spez­i­fisch als auch branchenüber­greifend miteinan­der. Dabei fußt das Data­L­ab West­Sax auf drei Säulen (Bild 1).

Kern und damit wichtig­ste Säule des Data­L­ab West­Sax sind die „Real­ex­per­i­mente“ mit KMU, in denen gezielt in einem koop­er­a­tiv­en Prozess Dig­i­tal­isierungs- und Daten­nutzungspoten­ziale der Unternehmen iden­ti­fiziert und gehoben wer­den. Ein Real­ex­per­i­ment ist eine zeitlich begren­zte Zusam­me­nar­beit zwis­chen den Forschungspart­nern und jew­eils einem KMU, um konkrete Lösun­gen für gemein­sam iden­ti­fizierte Prob­lem­stel­lun­gen des KMU pro­to­typ­isch zu erar­beit­en bzw. zu entwick­eln. Dafür fol­gen die Real­ex­per­i­mente einem struk­turi­erten Ablauf, der nach­fol­gend genauer erläutert wird. Die zweite Säule bildet das „Dig­i­tale Labor“, in dem KMU zukün­ftig eigen­ständig Date­n­analy­sen mit aus­gewählten Tools aus­pro­bieren kön­nen. Es han­delt sich um eine web­basierte Exper­i­men­tierumge­bung, in der Kom­pe­ten­zen der Daten­nutzung on-demand eigen­ständig aus­ge­baut wer­den kön­nen – bei Bedarf mit Unter­stützung der Pro­jek­t­mi­tar­bei­t­en­den. Die dritte Säule beste­ht aus dem über­greifend­en „Think Tank“, der in ein­er Art Vogelper­spek­tive aktuelle Fra­gen und Bedarfe der daten­basierten Wertschöp­fung auf­greift und einen Wis­senstrans­fer mit eher klas­sis­chen For­mat­en wie Work­shops, Sem­i­naren und Webina­ren bietet. Mit dem Data­L­ab West­Sax wird eine Möglichkeit für Unternehmen geschaf­fen, die Poten­ziale der daten­basierten Wertschöp­fung ganzheitlich auszuschöpfen.

Vor allem die Real­ex­per­i­mente bieten den Unternehmen einen sehr direk­ten und konkreten Aus­tausch sowie Ansatz, ihren eige­nen „Daten­schatz“ zu heben. Zwei Beispiele sollen dies verdeutlichen:

• Vorhan­dene Datenbestände eines Dien­stleis­ters im Bere­ich des betrieblichen Gesund­heits­man­age­ments wer­den analysiert, um die Kapaz­ität­s­pla­nung an die Schwankun­gen bzw. das enorme Wach­s­tum seit der Covid-19-Pan­demie nachvol­lziehbar zu prog­nos­tizieren. Diese Back­end-Analy­sen zu Auf­trags- und Ressourcen-Dat­en im Zeitver­lauf wer­den anschließend in einem dynamis­chen Dash­board (Pro­to­typ) zusam­menge­fasst bzw. visu­al­isiert, um einen schnellen Überblick über Deck­ungs­beiträge pro Train­ingsmod­ul oder dem Buchungsver­hal­ten im Zeitver­lauf zu ermöglichen.

• Mit einem Her­steller im Bere­ich Ausstel­lungs­bau und Wer­betech­nik wird an der Konzep­tion von Use Cas­es für ein neu entwick­eltes Inno­va­tion­spro­dukt des Unternehmens gear­beit­et. Diese Use Cas­es sollen anschließend ökonomisch pri­or­isiert und mit Umset­zungsim­p­lika­tio­nen verse­hen wer­den. Ein Fokus liegt auf der Ableitung geeigneter Erlös­mod­elle für app-basierte Ser­vi­cein­no­va­tio­nen des Unternehmens.

Die Real­ex­per­i­mente laufen dabei in drei Phasen ab (Bild 2), die sich je nach Dauer und konkreter Aus­gestal­tung auf Basis der Gegeben­heit­en bei den Unternehmen unter­schei­den kön­nen. Im Durch­schnitt liegt die Gesamt­dauer aller Phasen bei drei bis sechs Monaten.

• Prä-RX-Prozess: Die erste Phase im Rah­men der Real­ex­per­i­mente umfasst die Exper­i­men­tan­bah­nung. Dabei kann die Kon­tak­tauf­nahme seit­ens der inter­essierten Unternehmen direkt mit ein­er konkreten (Datennutzungs-)Idee erfol­gen oder eher all­ge­mein­er Natur sein. Auch über gemein­same Ver­anstal­tun­gen mit Mul­ti­p­lika­toren (Kam­mern und Ver­bände) sowie durch eigene Ver­anstal­tun­gen wer­den die Unternehmen auf das Data­L­ab West­Sax aufmerk­sam gemacht. In dieser Phase ist ein wichtiger Bestandteil die Abstim­mung der Rah­menbe­din­gun­gen und damit ver­bun­den der Abschluss ein­er Geheimhal­tungsvere­in­barung oder eines Koop­er­a­tionsver­trags. Vor allem let­zter­er bein­hal­tet umfassende Daten­schutzbes­tim­mungen, sodass sichergestellt wird, dass alle am Real­ex­per­i­ment beteiligten Part­ner auf Infor­ma­tio­nen und Dat­en zugreifen kön­nen. Zugle­ich wird fest­gelegt, wie und in welchem Umfang mit den Infor­ma­tio­nen und Dat­en umge­gan­gen wird.

• RX-Prozess: Diese Phase umfasst die Ker­nauf­gaben eines Real­ex­per­i­ments. Es erfol­gt die Bestand­sauf­nahme aktueller Unternehmen­sprozesse, Tech­nolo­gien und bish­eriger Daten­nutzung, zumeist in gemein­samen Work­shops vor Ort im Umfang von ein bis zwei Tagen. Anschließend wer­den geeignete Quick Wins (kurzfristige Umset­zungspoten­ziale) und „Long Term Wins” (Aktiv­itäten mit langfristi­gen Umset­zungspoten­zialen, die bis max. zum Ende des Real­ex­per­i­ments durchge­führt wer­den) abgeleit­et. In nach­fol­gen­den gemein­samen Arbeit­str­e­f­fen mit dem Unternehmen wer­den Quick Wins und Long Term Wins fix­iert und entsprechende Maß­nah­men vere­in­bart. Inhaltlich kann dies sehr indi­vidu­ell auf die Anforderun­gen der Unternehmen abges­timmt wer­den. Beispiele hier­für sind u. a. Geschäftsmod­eller­weiterun­gen, Mark­t­poten­zial­analy­sen, Schaf­fen dig­i­taler Touch­points für bish­er ana­log abgewick­elte Geschäft­sprozesse, Kun­denbe­darf­ser­fas­sung, Ressourcen-/Ka­paz­ität­s­pla­nung, Aus­las­tungs­darstel­lung oder Visu­al­isierung (inkl. entsprechen­der Back-End-Analy­sen) und Dash­boards. Ins­ge­samt kön­nen die Ergeb­nisse der Real­ex­per­i­mente rein tech­nis­ch­er Art sein, zum Beispiel in Form von Pro­to­typen. Sie kön­nen aber auch konzep­tioneller Art sein und sich auf die (Weit­er-) Entwick­lung der Unternehmensstruk­tur fokussieren.

• After-RX-Prozess: Im Rah­men dieser Phase erfol­gt der Abschluss des Real­ex­per­i­ments. Nach­dem die vere­in­barten Quick Wins und Long Term Wins soweit umge­set­zt wur­den, wird die Umset­zung vali­diert. Die erziel­ten Ergeb­nisse wer­den umfassend evaluiert und betrieb­swirtschaftlich bew­ertet. Es wer­den den Unternehmen konkrete Möglichkeit­en aufgezeigt, die erar­beit­eten Lösun­gen dauer­haft im Unternehmen zu etablieren und zu betreiben. Dies kann auch eine Ableitung notwendi­ger Kom­pe­ten­zen oder die notwendi­ge Anpas­sung der IT-Infra­struk­tur umfassen.

Somit stellen die Real­ex­per­i­mente, in der Aus­prä­gung, wie sie für das Data­L­ab West­Sax konzip­iert wur­den, mit ihrem regelmäßi­gen Aus­tausch bzgl. Feed­back, Test­de­sign und User Research eine wichtige Entschei­dungs­grund­lage für die beteiligten Unternehmen dar, kün­ftig in daten­basierte Lösun­gen und neue Wertschöp­fungswege zu investieren. Der Trans­fer des beste­hen­den Wis­sens der Forschungspart­ner auf die Unternehmen entspricht dem Ziel des „Test before Invest“-Szenarios, indem Hand­lung­sop­tio­nen für ihr Busi­ness Devel­op­ment (z. B. betrieb­swirtschaftlich pri­or­isierte Umset­zungss­chritte zur Weit­er­en­twick­lung der tech­nis­chen Pro­to­typen, Aus­blick auf geeignete Geschäftsmod­el­lop­tio­nen, Erlös­mod­elle, Port­fo­lio­er­weiterun­gen etc.) aufgezeigt werden.

Der­ar­tige For­mate, wie die aufgezeigten Real­ex­per­i­mente, kön­nen Unternehmen mit maßge­blich dabei unter­stützen, Ver­trauen in die Dig­i­tal­isierung und in die Möglichkeit­en der daten­basierten Wertschöp­fung aufzubauen bzw. zu steigern und helfen gle­ichzeit­ig die Hemm­nisse und Bar­ri­eren auf den Weg zur „Hebung des Daten­schatzes“ zu überwinden.

Ins­ge­samt bieten Real­la­bore (aber auch andere Aus­tausch- und Trans­fer­for­mate) gle­ich zwei Poten­ziale: Erstens wer­den Nutzungspoten­ziale von Tech­nolo­gien zur Daten­ver­w­er­tung unternehmensin­di­vidu­ell erar­beit­et und aufgezeigt. Die angestrebte Kom­pe­tenz-ver­mit­tlung kann langfristig den Ein­satz dig­i­taler Tech­nolo­gien in Unternehmen fördern. Zweit­ens wird der konkrete Aus­tausch zwis­chen Unternehmen und Forschungsin­sti­tu­tio­nen gefördert. Das hil­ft, Vor­be­halte gegenüber dig­i­tal­en Tech­nolo­gien dank risikoarmer Exper­i­men­tier­möglichkeit­en und niedrigschwelligem Tech­nolo­giezu­gang gemein­sam mit Forschen­den abzubauen.

Wie Unternehmen, die sich an Real­ex­per­i­menten beteili­gen, von der Zusam­me­nar­beit mit dem Forschung­steam prof­i­tieren: Es kön­nen umfassende Erfahrun­gen gesam­melt wer­den, Prozesse und Inter­ak­tion zu gestal­ten, um Quick Wins und Long Term Wins abzuleit­en und gemein­sam ziel­stre­big zu bear­beit­en. Die Forschungspart­ner stellen die richti­gen Fra­gen, brin­gen eine Vielfalt an Meth­o­d­en (bspw. Date­n­analy­sen, Geschäftsmodel­l­analy­sen) ein und haben dank aktuell 16 in Bear­beitung ste­hen­der Real­ex­per­i­mente im Pro­jekt Data­L­ab West­Sax eine erfahrungs­basierte und lösung­sori­en­tierte Vogelper­spek­tive inne, von der alle Unternehmen prof­i­tieren können.

Dieser Beitrag ent­stand im Rah­men des Pro­jek­ts Data­L­ab West­Sax, das mit­fi­nanziert wird aus Steuer­mit­teln auf Grund­lage des vom Säch­sis­chen Land­tag beschlosse­nen Haushaltes. Das Säch­sis­che Staatsmin­is­teri­um für Regiona­len­twick­lung (SMR) unter­stützt das Pro­jekt im Rah­men der Zukun­ftsini­tia­tive simul+.

Diesen Beitrag als pdf herun­ter­laden 

Schlüsselwörter:

Dig­i­tale Trans­for­ma­tion, Real­la­bor, Real­ex­per­i­ment, Daten­basierte Wertschöpfung

Autoren:

Chris­t­ian Leyh, Wibke Kus­turi­ca, Sarah Neuschl und Christoph Laroque

Literatur:

[1] Leyh, C.; Bley, K.; Ott, M.: Chan­cen und Risiken der Dig­i­tal­isierung – Befra­gun­gen aus­gewählter KMU. In: Hof­mann, J. (Hrsg): Arbeit 4.0 – Dig­i­tal­isierung, IT und Arbeit. S. 29–51. Wies­baden 2018. https:// doi.org/10.1007/978–3‑658–21359-6_3.
[2] Leyh, C.; Schäf­fer, T.; Bley, K.; Forsten­häusler, S.: Assess­ing the IT and Soft­ware Land­scapes of Indus­try 4.0‑Enterprises: The Matu­ri­ty Mod­el SIMMI 4.0. In: Ziem­ba, E. (Hrsg): Infor­ma­tion Tech­nol­o­gy for Man­age­ment: New Ideas and Real Solu­tions, LNBIP, Vol. 277, S. 103– 119. Cham 2017. https://doi.org/10.1007/978–3‑319–53076-5_6.
[3] Pagani, M.: Dig­i­tal Busi­ness Strat­e­gy and Val­ue Cre­ation: Fram­ing the Dynam­ic Cycle of Con­trol Points. In: MIS Quar­ter­ly 37 (2013) 2, S. 617–632. https://doi.org/10.25300/MISQ/2013/37.2.13.
[4] Mohr, N.; Hürt­gen, H.: Achiev­ing busi­ness impact with data – A com­pre­hen­sive per­spec­tive on the insights val­ue chain. Dig­i­tal McK­in­sey. Düs­sel­dorf 2018.
[5] Küh­lein, A.; Soba­nia, K.: Zeit für den dig­i­tal­en Auf­bruch – Die IHK-Umfrage zur Dig­i­tal­isierung. Deutsch­er Indus­trie- und Han­del­skam­mertag e. V. Berlin 2022.
[6] Küh­lein, A.; von Eicke, S.; Fellinger, J.: Wie Betriebe Dat­en nutzen und was sie dabei aus­bremst – DIHK-Son­der­auswer­tung zur Dig­i­tal­isierung­sum­frage. Deutsch­er Indus­trie- und Han­del­skam­mertag e. V. URL: www.dihk.de/de/themen-und-posi­tio­nen/wirtschaft-dig­i­tal/dig­i­tal­isierung/dig­i­taler-auf­bruch-mit-hin­dernissen/wie-betriebe-dat­en-nutzen-und­was-sie-dabei-aus­bremst-66654, Abruf­da­tum 20.08.2022.
[7] Sharafizad, J.; Brown, K.: Region­al small busi­ness­es’ per­son­al and inter-firm net­works. In: Jour­nal of Busi­ness & Indus­tri­al Mar­ket­ing 35 (2020) 12, S. 1957–1969. https://doi.org/10.1108/JBIM-09–2019-0432.
[8] Rus­so, M.; Feng, T.: What B2B can learn from B2C about data pri­va­cy and shar­ing. URL: www.bcg.com/de-de/publications/2020/imperative-of-data-pri­va­cy-plans-for-b2b­com­pa­nies-part‑4, Abruf­da­tum 20.08.2022.
[9] Euro­pean Com­mis­sion: Study on data shar­ing between com­pa­nies in Europe. Pub­li­ca­tions Office of the Euro­pean Union. Lux­em­burg 2018. https://doi.org/10.2759/354943.
[10] Bullinger, A.; Malanows­ki, N.: Neue inno­va­tion­spoli­tis­che Instru­mente: Real­la­bore und Exper­i­men­tier­räume. Work­ing Paper Forschungs­förderung, No. 203. Hans-Böck­ler-Stiftung, Düs­sel­dorf 2021.
[11] Ini­tia­tive Neue Qual­ität der Arbeit 2022 (INQA): Start­seite INQA. URL: https://www.inqa.de/DE/startseite/startseite.html, Abruf­da­tum 15.10.2022.
[12] BMWK: Neue Räume, um Inno­va­tio­nen zu erproben. Konzept für ein Real­la­bore-Gesetz. URL: www.bmwi.de/Redaktion/DE/Publikationen/Dig­i­tale-Welt/konzept-fur-ein-real­la­bore-gesetz. pdf?__blob=publicationFile&v=6, Abruf­da­tum 20.08.2022.