Nieuwe verdienmodellen door data

Hoewel het belang van data niet meer ontkend kan worden, zijn er enkelen die nog een stap verder gaan en het potentieel van data zo hoog zien dat ze er een nieuw verdienmodel aan over houden. Data als verdienmodel is in opkomst, maar hoe gaat de transformatie van raw data naar waardevolle intelligente actiegerichte data juist in zijn werk?

featverdienmodel-1

Data als verdienmodel

Onderstaande figuur geeft een overzicht van de verschillende stappen en hoe deze met elkaar interageren. Deze stappen zijn noodzakelijk om raw data te transformeren in waardevolle informatie die verschillende businessmodellen kan ondersteunen. Als bedrijf kan je zo nieuwe verdienmodellen, gebaseerd op je data, inzetten die stapsgewijs omzet zullen genereren.

Een nieuw verdienmodel opstarten is een grote stap en kan initieel disruptief werken voor een bedrijf. Iedereen in het bedrijf moet de omslag maken en vaak zullen nieuwe salesprofielen nodig zijn om het nieuwe aanbod aan de man te brengen. We verwachten hier dat de ‘klassieke’ CAPEX (= investeringsgebaseerde) verdienmodellen vervangen zullen worden door OPEX (= variabele gebruikskosten, gebaseerde) verdienmodellen.

dataverdienmodel

Actiegerichte (intelligente) data zorgt voor USP’s

We gaan een tijdperk tegenmoet waarin een nieuw concurrentieel spel gespeeld zal worden met actiegerichte (intelligente) data als inzet. Vroeger onderscheidden bedrijven zich door middel van hun fysieke product, de hardware als het ware. Vandaag zien we, door het gebruik van data, het unieke voordeel verschuiven van het fysieke product naar de software en het optimaal gebruik van data. Producten die zich aanpassen aan de gebruiker en aan veranderende omgevingsfactoren, waardoor ze steeds beter/bruikbaarder worden, zullen meer en meer de markt gaan domineren.

Data uit producten en productie

Het verzamelen van de juiste data is niet zo vanzelfsprekend als je misschien zou denken. Het type data en de frequentie van opslaan is belangrijk om je data goed te kunnen begrijpen. Maar ook het nadenken over datastructuren is van cruciaal belang voor toekomstige analyses en het maken van vergelijkingen.

Om data van een product/machine te verzamelen zijn er verschillende controle loops. Zo zullen er snelle in-depth controles alsook tragere overkoepelende controle loops nodig zijn om een compleet beeld te kunnen vormen. Ook de snelheid en frequentie waarmee de data opgehaald wordt zal variëren van zeer snel tot traag, afhankelijk van de loop. Door sensorwaarden te monitoren kan je niet-optimale productprestaties snel en eenvoudig bijsturen. Bovendien zal je op basis van deze waarden kunnen voorspellen wanneer je machine zal uitvallen en kan je preventief onderhoud inplannen om dit te voorkomen.

In vergelijking met een product zal je in een productieomgeving data verzamelen op een hoger niveau aan een lagere snelheid en frequentie. Door productiedata te verzamelen en te analyseren zal je je productie-efficiëntie gevoelig kunnen verhogen en zo, idealiter, tot een ‘zero defect production’ kunnen komen. Ook zal je kunnen meten waar op de productielijn er nog efficiëntiewinsten te halen zijn door, bijvoorbeeld, ondersteuning van operatoren door een robot of cobot.

De productieomgeving wordt gekarakteriseerd door verschillende machines die elk hun eigen individuele defecten kunnen hebben en, die in sommige gevallen, gelinkt zijn. Een uitval van 1 van de machines kan de hele productie lam leggen. Om dit te voorkomen zal je data moeten verzamelen om te detecteren welke machine of machineonderdeel in de keten de problemen veroorzaakt. Door deze ‘Overall Equipment Effectiveness’ (OEE) te meten kan je de prestaties van een product of productielijn in 1 cijfer zien. Door dit cijfer zorgvuldig te analyseren kan je conclusies trekken over wat er dient te veranderen om een betere productiviteit te bereiken. Bovendien laat de uniforme definitie van OEE toe om cijfers van verschillende departementen binnen én buiten je bedrijf te vergelijken en af te toetsen met benchmarks uit de sector.

Het succes van een bedrijf wordt door verscheidene factoren bepaald. Het optimaal verzamelen en gebruiken van data is daarbij een nieuwe, niet te onderschatten factor. Het efficiënt benutten van data bevat zoveel potentieel dat er zelfs nieuwe verdienmodellen uit kunnen ontstaan. Hoewel deze verdienmodellen gepaard kunnen gaan met betere prestaties, brengen ze natuurlijk ook nieuwe uitdagingen met zich mee. Hoe snel je als onderneming de laatste nieuwe trends opmerkt en omspringt met bijhorende uitdagingen, zal in de toekomst succesbepalend zijn.
 

Download onze white paper over digitale transformatie.

Dirk Torfs
Auteur

Dirk Torfs

Dirk Torfs is sinds 2014 CEO van Flanders Make. Dirk is Burgerlijk Werktuigkundig-Elektrotechnisch Ingenieur en Doctor in de Toegepaste Wetenschappen (KU Leuven) en behaalde een Executive MBA aan de Flanders Business School. . Hij heeft meer dan 25 jaar ervaring in managementfuncties in de Vlaamse industrie (o.a. bij Trasys, ABB en Imtech) en is Professor Quantitative Decision Making voor het Executive MBA programma van de Flanders Business School.

Related Posts

Lees meer
Lees meer
Lees meer

BLIJF OP DE HOOGTE!

Schrijf je in voor onze nieuwsbrief en ontvang de interessantste artikels over innovaties in de maakindustrie en updates over Flanders Make.