Advertisement

Big Data im Innovationsmanagement: Wie Machine Learning die Suche nach Trends und Technologien revolutioniert

  • Laura KölblEmail author
  • Christian Mühlroth
  • Fabian Wiser
  • Michael Grottke
  • Carolin Durst
Schwerpunkt
  • 7 Downloads

Zusammenfassung

Innovationsmanagement ist für Unternehmen in der heutigen Zeit ein wichtiges Instrument, um in sich schnell wandelnden Märkten konkurrenzfähig und erfolgreich zu bleiben. Dafür stehen in der heutigen Zeit große Mengen an Daten zur Verfügung, aus denen die relevanten Informationen jedoch zunächst herausgefiltert werden müssen. Dieser Beitrag präsentiert die Ergebnisse einer Studie zu den Herausforderungen an ein erfolgreiches Innovationsmanagement in Unternehmen und stellt ein Umfeldscanningsystem vor, das die Effizienz von Innovationsmanagement mithilfe von Big Data Analytics steigert. Durch die Anwendung von modernen Verfahren des maschinellen Lernens und mathematischen Algorithmen kann dieses in hohem Maße automatisiert werden. In der anschließenden Fallstudie wird anhand von zwei Datensätzen gezeigt, wie mithilfe des Umfeldscanningsystems aktuelle Trends gefunden werden können. Zum Schluss wird das datenbasierte Umfeldscanningsystem als Chance für kleine und mittlere Unternehmen und als Lösung für die im Vorfeld erkannten Herausforderungen diskutiert.

Schlüsselwörter

Big Data Analytics Machine Learning Umfeldscanning Technologie-Vorausschau Trend-Scouting Innovationsmanagement 

Big Data in Innovation Management: How Machine Learning is Revolutionizing the Search for Trends and Technologies

Abstract

Fast changes in global and local markets make innovation management an important factor for companies to stay competitive. Nowadays, a large amount of data is available which holds all the information we need—but the information that is crucial first needs to be identified by filtering these vast amounts of data. The authors show the results of a study on challenges that companies face with Innovation Management and present a concept on how big data analytics can be used to improve the efficiency of Innovation Management. State-of-the-art machine learning and other mathematical algorithms can automate and optimize the procedure tremendously. In a case study, the usage of an environmental scanning system for the detection of trends is demonstrated in a practical example on two data sets. Finally, it is discussed how a data-based approach to innovation management can help small and medium-sized companies to keep in touch with the times.

Keywords

Big Data Analytics Machine Learning Environmental Scanning Technology Foresight Trend Detection Innovation Management 

Notes

Förderung

Dieses Forschungs- und Entwicklungsprojekt wird/wurde mit Mitteln des Bundesministeriums für Bildung und Forschung (BMBF) in der Fördermaßnahme „Technikbasierte Dienstleistungssysteme“ (02K16C190) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.

Literatur

  1. Albright K (2004) Environmental scanning: radar for organizational success. Inf Manag J 38(3):38–45Google Scholar
  2. Blei DM, Ng AY, Jordan MI (2003) Latent dirichlet allocation. J Mach Learn Res 3:993–1022zbMATHGoogle Scholar
  3. Boucher JL (2017) Mediterranean eating pattern. Diabetes Spectr 30(2):72–76MathSciNetCrossRefGoogle Scholar
  4. Engeström Y (1987) Learning by expanding. Cambridge University Press, CambridgeGoogle Scholar
  5. Forsgren E, Byström K (2018) Multiple social media in the workplace: contradictions and congruencies. Inf Syst J 28(3):442–464CrossRefGoogle Scholar
  6. Gregor S (2006) The nature of theory in information systems. MIS Q 30(3):611–642CrossRefGoogle Scholar
  7. Keller J, Gracht HA (2014) The influence of information and communication technology (ICT) on future foresight processes: Results from a Delphi survey. Technol Forecast Soc Change 85:81–92CrossRefGoogle Scholar
  8. Liaw SS, Huang HM, Chen GD (2007) An activity-theoretical approach to investigate learners’ factors toward e‑learning systems. Comput Hum Behav 23(4):1906–1920CrossRefGoogle Scholar
  9. Mühlroth C, Grottke M (2018) A systematic literature review of mining weak signals and trends for corporate foresight. J Bus Econ 88(5):643–687CrossRefGoogle Scholar
  10. Pawlak R, Parott SJ, Raj S, Cullum-Dugan D, Lucus D (2013) How prevalent is vitamin B12 deficiency among vegetarians? Nutr Rev 71(2):110–117CrossRefGoogle Scholar
  11. Rohrbeck R, Bade M (2012) Environmental scanning, futures research, strategic foresight and organizational future orientation: a review, integration, and future research directions. In: XXIII ISPIM Annual Conference, S 1–14Google Scholar
  12. Whitworth B, Banuls V, Sylla C, Mahinda E (2008) Expanding the criteria for evaluating socio-technical software. IEEE Trans Syst Man Cybern A 38(4):777–790.  https://doi.org/10.1109/TSMCA.2008.923038 CrossRefGoogle Scholar
  13. Wiser F, Durst C, Wickramasinghe N (2018) Activity theory: a comparison of HCI theories for the analysis of Healthcare technology. In: Theories to inform superior health Informatics research and practice. Springer, Cham, S 235–249CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Lehrstuhl für Statistik und ÖkonometrieFriedrich-Alexander-Universität Erlangen-NürnbergNürnbergDeutschland
  2. 2.Lehrstuhl für WirtschaftsinformatikTU BraunschweigBraunschweigDeutschland
  3. 3.Global Data ScienceGfK SENürnbergDeutschland
  4. 4.Campus RothenburgHochschule AnsbachRothenburg ob der TauberDeutschland

Personalised recommendations