[go: up one dir, main page]
More Web Proxy on the site http://driver.im/ Skip to main content
Springer Nature Link
Log in

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

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

  • Schwerpunkt
  • Published:
HMD Praxis der Wirtschaftsinformatik Aims and scope Submit manuscript

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.

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.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Subscribe and save

Springer+ Basic
£29.99 /Month
  • Get 10 units per month
  • Download Article/Chapter or eBook
  • 1 Unit = 1 Article or 1 Chapter
  • Cancel anytime
Subscribe now

Buy Now

Price includes VAT (United Kingdom)

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5
Abb. 6

Notes

  1. Vgl. https://www.dmk.de.

  2. Vgl. https://www.leoni.com.

  3. Vgl. https://www.facebook.com; https://www.instagram.com.

  4. Vgl. https://www.epo.org.

  5. Vgl. https://www.api.elsevier.com; https://www.scopus.com.

  6. Vgl. https://www.webhose.io.

  7. Ein Boolean Query ist ein Query, bei dem die Suchwörter durch logische Operatoren wie beispielweise AND und OR verknüpft sind.

Literatur

  • Albright K (2004) Environmental scanning: radar for organizational success. Inf Manag J 38(3):38–45

    Google Scholar 

  • Blei DM, Ng AY, Jordan MI (2003) Latent dirichlet allocation. J Mach Learn Res 3:993–1022

    MATH  Google Scholar 

  • Boucher JL (2017) Mediterranean eating pattern. Diabetes Spectr 30(2):72–76

    Article  MathSciNet  Google Scholar 

  • Engeström Y (1987) Learning by expanding. Cambridge University Press, Cambridge

    Google Scholar 

  • Forsgren E, Byström K (2018) Multiple social media in the workplace: contradictions and congruencies. Inf Syst J 28(3):442–464

    Article  Google Scholar 

  • Gregor S (2006) The nature of theory in information systems. MIS Q 30(3):611–642

    Article  Google Scholar 

  • 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 85:81–92

    Article  Google Scholar 

  • Liaw SS, Huang HM, Chen GD (2007) An activity-theoretical approach to investigate learners’ factors toward e‑learning systems. Comput Hum Behav 23(4):1906–1920

    Article  Google Scholar 

  • Mühlroth C, Grottke M (2018) A systematic literature review of mining weak signals and trends for corporate foresight. J Bus Econ 88(5):643–687

    Google Scholar 

  • Pawlak R, Parott SJ, Raj S, Cullum-Dugan D, Lucus D (2013) How prevalent is vitamin B12 deficiency among vegetarians? Nutr Rev 71(2):110–117

    Article  Google Scholar 

  • 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 1–14

    Google Scholar 

  • 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

    Article  Google Scholar 

  • 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 235–249

    Chapter  Google Scholar 

Download references

Funding

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.

Author information

Authors and Affiliations

  1. Lehrstuhl für Statistik und Ökonometrie, Friedrich-Alexander-Universität Erlangen-Nürnberg, Lange Gasse 20, 90403, Nürnberg, Deutschland

    Laura Kölbl, Christian Mühlroth & Michael Grottke

  2. Lehrstuhl für Wirtschaftsinformatik, TU Braunschweig, Mühlenpfordtstr. 23, 38106, Braunschweig, Deutschland

    Fabian Wiser

  3. Global Data Science, GfK SE, Nordwestring 101, 90419, Nürnberg, Deutschland

    Michael Grottke

  4. Campus Rothenburg, Hochschule Ansbach, Hornburgweg 26, 91541, Rothenburg ob der Tauber, Deutschland

    Carolin Durst

Authors
  1. Laura Kölbl
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Christian Mühlroth
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Fabian Wiser
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Michael Grottke
    View author publications

    You can also search for this author in PubMed Google Scholar

  5. Carolin Durst
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Laura Kölbl.

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Kölbl, L., Mühlroth, C., Wiser, F. et al. Big Data im Innovationsmanagement: Wie Machine Learning die Suche nach Trends und Technologien revolutioniert. HMD 56, 900–913 (2019). https://doi.org/10.1365/s40702-019-00528-3

Download citation

  • Received:

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1365/s40702-019-00528-3

Schlüsselwörter

Keywords

Search

Navigation