Open Access

Purpose: Although there is an apparent potential in using data for advanced services in manufacturing environments, SMEs are reluctant to share data with their ecosystem partners, which prevents them from leveraging this potential. Therefore, the purpose of this paper is to analyse the reasons behind these resistances. The argumentation paves the way for elaborating countermeasures that are adequate for the specific situation and the typical capabilities of SMEs. Design/Methodology/Approach: The analysis is based on literature research and in-depth interviews with management representatives of 15 companies in manufacturing service ecosystems. Half of these are manufacturers and the other half technology or service providers for manufacturers. They are SMEs or partly larger companies operating in structures that are typical for SMEs. Findings: Data sharing hurdles are investigated in the five dimensions, 1. quantifying the value of data, 2. willingness to share data and trust, 3. organizational culture and mindset, 4. legal aspects, and 5. security and privacy. The ability to quantify the value of data is a necessary but not sufficient precondition for data sharing, which must be enabled by adequate measures in the other four dimensions. Originality/Value: The findings of this empirical study and the solution approach provide an SME-specific framework to analyze hurdles that must be overcome for sharing data in an ecosystem. Manufacturing SMEs can apply the framework to overcome the hurdles by specific insights and solution approaches. Furthermore, the analysis illustrates the future research direction of the project towards a comprehensive solution approach for data sharing in a manufacturing ecosystem.

The design and development of smart products and services with data science enabled solutions forms a core topic of the current trend of digitalisation in industry. Enabling skilled staff, employees, and students to use data science in their daily work routine of designing such products and services is a key concern of higher education institutions, including universities, company workshop providers and in further education. The scope and usage scenario of this paper is to assess software modules (‘tools’) for integrated data and analytics as service (DAaaS). The tools are usually driven by machine learning, may be deployed in cloud infrastructures, and are specifically targeted at particular needs of the industrial manufacturing, production, or supply chain sector. The paper describes existing theories and previous work, namely methods used in didactics, work done for visually designing and using machine learning algorithms (no-code / low- code tools), as well as combinations of these two topics. For tools available on the market, an extended assessment of their suitability for a set of learning scenarios and personas is discussed.

Small and medium-sized enterprises often face resource deficits and there- fore depend on cooperating with other actors to stay innovative in a competitive environment. Establishing and maintaining actual co-creation and service inter- action strategies however is challenging. A reason for this is the complexity of finding methodologies and tools to create valuable outcome and the lack of knowledge of collaboration toolsets, also in virtual environments. This paper introduces an Innovation-Method-Framework consisting of innovation methods for increased service interaction and value co-creation among service stakeholders. Also, toolsets for the framework’s practical application are provided.

Daten werden heute oft auch als das «neue Gold» bezeichnet. Denn die letzten Jahre haben gezeigt, dass Daten die Grundlage erstaunlicher unter- nehmerischer Erfolgsgeschichten sein können. Dabei ist die Arbeit mit Daten nicht grundlegend neu. Vielmehr geht es heute im Vergleich zu früher um nahezu unendlich grossen Mengen an Daten, die im Rahmen nahezu aller denkbaren Prozesse oder Schnittstellen gesammelt, gespeichert und ausgewertet werden können. Unter anderem beinhaltet dies Maschinendaten, unternehmens- interne Prozesse oder Daten über Kunden und den Markt, welche die Grundlage für lernende Systeme (Künstliche Intelligenz) bilden. Wir können heute davon ausgehen, dass künftig nicht mehr die technische Machbarkeit, sondern die mensch- liche Vorstellungskraft die Grenzen des Möglichen definiert. Bekannt sind vor allem etliche Erfolgsgeschichten von Grossunternehmen, die ihr Geschäft auf Daten aufbauen. Etablierte KMU sind hingegen noch zögerlicher, mit Daten zu arbeiten und diese wertschöpfend einzusetzen. Diese Broschüre geht auf die besondere Situation von KMU im Umgang mit Daten und Data Science ein. Denn auch für KMU kann es lohnend oder sogar zwingend notwendig sein, sich mit dem Thema «Data Science» zu beschäftigen. Daten und Data Science bieten grosse Chancen, sie können aber auch zu einer Bedrohung im Wettbewerb werden. Und, zu lange warten sollten KMU nicht, die Zeit drängt. Denn Geschwindigkeit ist einer der zentralen Wettbewerbsfaktoren im digitalen Zeitalter. Das IBH-Lab KMUdigital unter- stützt KMU dabei, den herausfordernden Weg in eine digitale Zukunft schneller und einfacher zu gehen. Diese Broschüre geht daher insbesondere auf die Rolle von Daten und Data Science für KMU in der Bodenseeregion ein. Sie stellt eine Zusammen- fassung ausgewählter Erkenntnisse und Handlungs- empfehlungen dar, die wir in einem zweijährigen Forschungsprojekt gemeinsam mit 16 Unternehmen aus der Bodenseeregion gewinnen konnten. Die Erkenntnisse sollen KMU bei der Nutzung von Daten anhand von Data Science unterstützen. Dabei ist es kein Ziel, dass KMU zu einem «kleinen Google» werden. Vielmehr braucht es KMU- spezifische Lösungen und Überlegungen, wie mit Daten sinnvoll, zielorientiert und ressourcen- schonend umgegangen werden kann. Wie kann das aussehen? Welche Chancen, Herausforderungen und Lösungen bieten sich KMU vor dem Hinter- grund ihrer besonderen Situation? Was muss dazu im Unternehmen verändert werden? Welche Unterschiede bestehen im Vergleich zu Gross- unternehmen auf diesem Weg? Diese und weitere Fragen stehen im Mittelpunkt des vorliegenden Projektberichts zum Einzelprojekt «Data Science für KMU leicht gemacht» oder kurz «Data Science 4 KMU» bzw. «Data4KMU», welches unter dem Dach des IBH-Labs KMUdigital in den Jahren 2018 bis 2019 durchgeführt wurde. Dazu werden Daten und Data Science aus mehreren Perspektiven betrachtet, die nicht unabhängig voneinander sind: Strategie und Geschäftsmodell, Services und Prozesse, Leadership, HRM und Organisation, Organisationskultur und Ganzheitichkeit, sowie Technologie. Diese Perspektiven greifen wir in den nachfolgenden Kapiteln auf. Die vorliegende Broschüre wäre ohne die wertvolle Unterstützung der Praxispartner des Projektes, des Managements des IBH-Labs KMUdigital sowie ohne die finanzielle Projektförderung durch die Inter- nationale Bodenseehochschule (IBH) und Interreg nicht möglich gewesen. Ihnen allen gilt unser ganz besonderer Dank!