ArticlePDF Available

Abstract and Figures

Ein Fahrzeug ist ein „Hochleistungscomputer auf vier Rädern“ und mit einer heterogenen Sensorik ausgestattet. Die von dieser Sensorik ermöglichte Sammlung von Fahrzeuglebenszyklusdaten erlaubt die Entwicklung völlig neuer Produkte, Services und Geschäftsmodelle. In den USA hat sich in diesem Kontext in Analogie zur Quantified-Self-Bewegung eine lebendige Quantified-Car-Startup-Szene etabliert, welche mit enormen Risikokapitalsummen von teilweise mehr als 20 Millionen USD ausgestattet ist. Diese Entwicklungen zeigen sehr deutlich, wie hoch der Marktwert eines Digitalen Ökosystems für Quantified Car durch Investoren eingeschätzt wird. Vor diesem Hintergrund liefert dieser Beitrag eine Einführung in das Phänomen Quantified Car und analysiert die Geschäftsmodelle der drei Startups Automatic, Mojio und Dash. Eine wesentliche Erkenntnis aus dieser Analyse besteht darin, dass sich die verfolgten Anwendungsszenarien, Dienste und Basistechnologien der Startups durchaus überdecken. Der Beitrag schließt mit einer kurzen Diskussion über den zunehmenden Wettbewerb zwischen der IKT-Industrie und den etablierten Automotive-Branchengrößen über die Vorherrschaft im Aufbau eines Digitalen Ökosystems für Quantified Car.
Content may be subject to copyright.
Elektrotechnik & Informationstechnik DOI 10.1007/s00502-016-0429-3 ORIGINALARBEITEN
Quantified Car: Potenziale,
Geschäftsmodelle und Digitale Ökosysteme
A. Stocker, C. Kaiser
Ein Fahrzeug ist ein „Hochleistungscomputer auf vier Rädern“ und mit einer heterogenen Sensorik ausgestattet. Die von dieser Sensorik
ermöglichte Sammlung von Fahrzeuglebenszyklusdaten erlaubt die Entwicklung völlig neuer Produkte, Services und Geschäftsmodel-
le. In den USA hat sich in diesem Kontext in Analogie zur Quantified-Self-Bewegung eine lebendige Quantified-Car-Startup-Szene
etabliert, welche mit enormen Risikokapitalsummen von teilweise mehr als 20 Millionen USD ausgestattet ist. Diese Entwicklungen
zeigen sehr deutlich, wie hoch der Marktwert eines Digitalen Ökosystems für Quantified Car durch Investoren eingeschätzt wird.
Vor diesem Hintergrund liefert dieser Beitrag eine Einführung in das Phänomen Quantified Car und analysiert die Geschäftsmodelle
der drei Startups Automatic, Mojio und Dash. Eine wesentliche Erkenntnis aus dieser Analyse besteht darin, dass sich die verfolgten
Anwendungsszenarien, Dienste und Basistechnologien der Startups durchaus überdecken. Der Beitrag schließt mit einer kurzen Dis-
kussion über den zunehmenden Wettbewerb zwischen der IKT-Industrie und den etablierten Automotive-Branchengrößen über die
Vorherrschaft im Aufbau eines Digitalen Ökosystems für Quantified Car.
Schlüsselwörter: Quantified self; Quantified car; Digitale Ökosysteme; Geschäftsmodelle
Quantified Car: potentials, business models and digital ecosystems.
A modern vehicle is a “computer on four wheels” equipped with many different types of sensors. The so enabled continuous collection
of vehicle lifecycle data facilitates the generation of innovative products, services and business models. In analogy to the Quantified-
Self-movement, the USA has already evolved a plethora of Quantified Car startup companies backed by enormous amounts of risk
capital, reaching more than 20 million USD in some cases. These developments clearly demonstrate how high investors perceive
the market value of a working digital ecosystem for Quantified Car. This paper provides an introduction into the Quantified-Car-
phenomenon and analyses the business models of three different Quantified-Car-startups: Automatic, Mojio, and Dash. One major
finding is that their use cases, services and underlying technologies show many similarities. The paper closes with a discussion on
the increasing competition between the players from the ICT and the automotive domain on the supremacy in the development of a
digital ecosystem for Quantified Car.
Keywords: Quantified Self; Quantified Car; digital ecosystems; business models
Eingegangen am 13. Juli 2016, angenommen am 8. August 2016
© The Author(s) 2016. Dieser Artikel ist auf Springerlink.com mit Open Access verfügbar
1. Von Quantified Self zu Quantified Car
In einer vernetzten Welt sammeln physische Dinge des täglichen
Alltags immer mehr Daten über sich selbst und ihre Umgebung
und transformieren langsam zu „Smart, Connected Products“ [5,
6]. Produkte werden zur Datenquelle und „Data-Scientists“ werten
die über den gesamten Lebenszyklus dieser intelligenten Produkte
gesammelten, stetig steigenden Datenmengen aus, um interessante
Erkenntnisse über das Nutzer- bzw. das Produktverhalten zu gewin-
nen. Im Privatbereich nutzt etwa die Quantified-Self-Bewegung die
Werkzeuge einer modernen Daten-gestützten Analyse dazu, viel-
schichtige Erkenntnisse über den eigenen Organismus zu gewinnen.
Als Begriff bezieht sich Quantified Self auf die wachsende Be-
reitwilligkeit vieler Menschen, Daten über sich, ihr Verhalten und
ihre Umwelt zu sammeln, seien sie von biologischer, verhaltensori-
entierter, oder physikalischer Natur [911]. Heute wollen Millionen
von „Quantified-Selfers“ mit einer systematischen Datensammlung,
-analyse und -auswertung vielschichtige Erkenntnisse zu persönli-
chen, gesundheitlichen, oder sportlichen Fragestellungen gewinnen.
Häufig verwenden sie dazu ihr persönliches Smartphone, welches
mit einer Vielzahl an Sensoren und Werkzeugen ausgestattet ist und
den Quantified-Selfer täglich begleitet. Der bereits im Jahr 20071mit
einem eigenen Begriff ausgezeichnete Quantified-Self-Trend zeigt
seine wirtschaftliche Relevanz vor allem durch jüngste Akquisitionen
von mobilen Smartphone Apps im Sport-Bereich. Etwa übernahm
Adidas im Jahr 2015 für rund 220 Millionen Euro die Mehrheit am
österreichischen Unternehmen Runtastic2. Das von Runtastic auf-
gebaute Ökosystem bietet mittlerweile für Konsumenten eine breite
Palette an Gesundheits- und Fitnessprodukten, Services und Inhalten
an. Die populäre App von Runtastic zählt mit Stand April 2016 be-
1What is The Quantified Self? www.quantifiedself.com/2011/03/what-is-the-
quantified-self, letzter Zugriff am 25.07.2016.
2Adidas Group acquires Runtastic: www.adidas-group.com/en/media/news-
archive/press-releases/2015/adidas-group-acquires-runtastic, letzter Zugriff
am 25.07.2016.
0 0000 0. Jahrgang ©The Author(s) heft 0.0000
Stocker, Alexander, Virtual Vehicle Research Center, Inffeldgasse 21a, 8010 Graz,
Österreich (E-Mail: alexander.stocker@v2c2.at); Kaiser, Christian, Virtual Vehicle
Research Center, Inffeldgasse 21a, 8010 Graz, Österreich
ORIGINALARBEITEN A. Stocker, C. Kaiser Quantified Car: Potenziale, Geschäftsmodelle und Digitale Ökosysteme
reits über 80 Millionen registrierte Nutzer3. Dieses Beispiel zeigt sehr
deutlich, dass etablierte Branchengrößen mittlerweile hohe Sum-
men investieren, um sich an innovativen Technologie-Startups im
Quantified-Self-Umfeld zu beteiligen. Der Analyst Gartner rechnet
gar mit einem Marktvolumen von 5 Milliarden USD für Quantified-
Self-Geräte für das Jahr 2016 [4].
Im Leben vieler Menschen sind Fahrzeuge eine große Anschaf-
fung und mit hohem Wert und Interesse für ihre Besitzer verbunden.
Das Interesse an durch eine Quantifizierung von Fahrzeuglebenszy-
klusdaten gewonnenen Erkenntnissen, wie beispielsweise Objekt-
zustand diagnostizieren, Fahrstil analysieren und optimieren, oder
durch Integration von Umgebungsdaten die eigene Fahrsicherheit
verbessern, kann vor allem bei Fahrzeug-Enthusiasten als besonders
hoch eingeschätzt werden. Denn auch Fahrzeuge besitzen ein hohes
Potenzial, als Datenquelle neue Services zu ermöglichen. Bezeichnet
der Begriff Quantified Self die Aufzeichnung, Analyse und Auswer-
tung der im Rahmen eigener Aktivitäten erzeugten Daten, umfasst
der Begriff Quantified Car in Analogie dazu das systematische Sam-
meln der Lebenszyklusdaten eines Fahrzeugs in der Nutzungsphase
und darauffolgend die intelligente Analyse, um für unterschiedliche
Stakeholder einen Nutzen zu stiften.
2. Quantified Car als Enabler von Digitalen Ökosystemen
Aufgrund ständiger Veränderungen im Wettbewerbsumfeld durch
die digitale Transformation herrscht ein hoher Anpassungsdruck bei
den Unternehmen. Im Zentrum der aktuellen Digitalisierungsdiskus-
sion steht vor allem die Vernetzung von technischen Geräten, die
im Alltag genutzt werden [12]. Digitale Ökosysteme stellen den
Lebensraum von digitalen Inhalten dar, indem sie ein technisch
abgegrenztes System bilden, das Hardware, Software, Inhalte und
Services miteinander vernetzt [1]. Nach dieser Systematik besteht
beispielsweise das vielzitierte Apple-Ökosystem aus iPod, iPhone,
iPad, Mac Desktop, MacBooks und Peripheriegeräten (Hardware),
iOS/Mac OS, Office Suite & Core Apps, iTunes & iBooks, Tools für
Media Developer (Software), Musik Podcasts, Hörbücher, Musik-
Video, TV-Serien, Filme, eBooks, iBooks, Textbooks (Inhalte), iCloud
und iTunes (Dienste). Die durch solche Digitale Ökosysteme ent-
stehenden Chancen werden durch Risiken minimiert, nicht zuletzt
deshalb, weil Anbieter stetig damit konfrontiert sind, ihre Leistungen
sowie die zugrunde liegenden Geschäftsmodelle zu überdenken, um
bei Notwendigkeit strategische Maßnahmen zu ergreifen, die eine
klassische, innovative oder disruptive Neu- bzw. Umorientierung be-
wirken [3].
Auch rund um den Quantified-Self-Trend haben sich mittlerweile
Digitale Ökosysteme gebildet: So sind neben klassischen Smartpho-
nes eine Reihe an smarten Produkten wie Smart Glasses, Smart
Watches, oder Fitness-Armbänder verfügbar, um weitere Facet-
ten einer kontinuierlichen Datensammlung und Datenanalyse zu
ermöglichen. Aus diesem Grund bieten die Marktplätze von Goo-
gle und Apple eine unüberschaubare Anzahl an Quantified-Self-
Applikationen an. Einige Hersteller der oben angeführten Smart,
Connected Products wie beispielsweise das von Intel akquirierte Un-
ternehmen Recon Instruments4bieten bereits eigene Marktplätze,
auf denen auch Dritte Anwendungen bereitstellen können.
Im Vergleich zu Quantified Self befindet sich die Quantified-Car-
Bewegung noch am Anfang, und die Nutzerzahlen sind entspre-
chend geringer. Es wird heute im Hinblick auf die Entwicklung von
3www.runtastic.com/mediacenter/corporate-assets/german/company-
overview/20160405_corporate_overview_de.pdf, letzter Zugriff am
25.07.2016.
4Recon Instruments: www.reconinstruments.com, letzter Zugriff am
25.07.2016.
Fahrerassistenzsystemen intensiv über die Vernetzung des Fahrzeugs
mit anderen Fahrzeugen („Car2Car“) sowie mit der Infrastruktur
(„Car2X“) diskutiert. Doch eine innovative Verwertung der von
Fahrzeugen gesammelten Lebenszyklusdaten mit Fokus auf die Ge-
nerierung von Mehrwert für den Fahrenden – in Analogie zur
Quantified-Self-Bewegung – hat bei den europäischen Fahrzeugher-
stellern noch keinen hohen Stellenwert erreicht. Damit bleibt die
Frage bisher unbeantwortet, wie das Quantified-Self-Phänomen er-
folgreich auf das Fahrzeug übertragen werden kann.
Moderne Fahrzeuge sind Hochleistungscomputer auf vier Rädern.
Ausgestattet mit einer umfangreichen und vielschichtigen Sensorik
sammeln sie bereits eine Unmenge an Daten über sich selbst und mit
der breiten Verfügbarkeit von Fahrerassistenzsystemen auch immer
mehr über ihre Umgebung. Laut dem von Volkswagen koordinierten
EU-Projekt AutoMat5, welches sich mit technischen Fragestellungen
rund um die Etablierung eines Marktplatzes für Fahrzeuglebenszy-
klusdaten befasst, verarbeitet ein modernes Fahrzeug pro Sekunde
bis zu 4000 Signale im in Fahrzeugen etablierten Controller Area
Network (CAN)-Bus System6und stellt damit einen viel umfassen-
deren und interessanteren Sensor-Messknoten und Datengenerator
dar, als die von Quantified-Selfern zur Datensammlung genutzten
Smartphones und Wearables. Die kontinuierliche Sammlung und
laufende Analyse von Fahrzeugdaten dient heute einem zentralen
Zweck, der Gewährleistung bzw. Überwachung von Fahrzeugfunk-
tionen. Doch die Möglichkeiten einer weiterführenden, intelligenten
Nutzung dieser Daten gehen weit über diesen originären Zweck hin-
aus, denn es ließen sich völlig neue Produkte, Dienstleistungen und
sogar Digitale Ökosysteme entwickeln.
3. Quantified Car-Ökosysteme
3.1 Akteure eines Digitalen Ökosystems für Quantified Car
In einem Quantified-Car-Ökosystem können folgende Akteure defi-
niert werden:
Primäre Endnutzer sind als individuelle Servicekonsumenten Fah-
rer/Eigentümer von Fahrzeugen, die direkt und unmittelbar aus in-
novativen Produkten, Visualisierungen, Statistiken, Gamification-
Elementen und Fahrstiloptimierungs-Empfehlungen profitieren,
deren Grundlage sie mit dem Bereitstellen ihrer Daten geschaf-
fen haben.
Sekundäre Endnutzer sind Organisationen bzw. Organisations-
einheiten wie beispielsweise Stadtplaner, Versicherungen oder
Flottenbetreiber, welche indirekt einen Nutzen durch gesammelte
und ausgewertete Fahrzeuglebenszyklusdaten ziehen, indem sie
die durch Serviceprovider bereitgestellten Dienstleistungen kon-
sumieren.
Serviceprovider sind wiederum Organisationen, welche Produk-
te/Services für primäre und/oder sekundäre Endnutzer anbie-
ten und dabei Umsätze lukrieren. Dazu zählen bspw. Flotten-
management-Serviceprovider, Serviceprovider für fahrstilabhängi-
ge Versicherungen, oder Serviceprovider für Services zur präven-
tiven Fahrzeugwartung. Alle Services basieren auf Daten, die von
primären Endnutzern bereitgestellt werden.
Cloudprovider (Plattformbetreiber) sind dafür verantwortlich, die
gesamte Infrastruktur eines Digitalen Ökosystems zu betreiben
5Automotive Big Data Marketplace for Innovative Cross-sectorial Vehicle Data
Services: http://www.automat-project.eu/content/about-automa, letzter Zu-
griff am 25.07.2016.
6ISO 11898-1:2015 „Road vehicles—Controller area network (CAN)—Part 1:
Data link layer and physical signaling“.
heft 0.0000 ©The Author(s) e&ielektrotechnik und informationstechnik
A. Stocker, C. Kaiser Quantified Car: Potenziale, Geschäftsmodelle und Digitale Ökosysteme ORIGINALARBEITEN
Abb. 1. Akteure eines Digitalen Ökosystems für Quantified Car
und für Serviceprovider zur Verfügung zu stellen. Primäre und
sekundäre Endnutzer sind als individuelle bzw. organisationale
Servicekonsumenten Nutzer von den durch Serviceprovider in die-
ser Cloud-Infrastruktur bereitgestellten Services (Fig. 1).
3.2 Innovationstreiber USA – quo vadis Europa?
Während in den USA seit einigen Jahren enorme Anstrengungen
unternommen werden, um Digitale Ökosysteme für Quantified Car
zu erschließen, geht diese Entwicklung an Europa fast völlig vor-
bei. Abseits des bereits erwähnten EU-Projekts AutoMat finden in
Europa nur vereinzelte und vergleichsweise kleine Aktivitäten oh-
ne signifikanten Impact statt. Dem gegenüber hat sich in den USA
eine sehr lebendige, mit enormen Risikokapitalinvestitionen von teil-
weise mehr als USD 20 Mio. finanzierte, Startup-Szene etabliert,
wie nachfolgende Tab. 1darstellt. Neben der IT-Szene investieren
laut CrunchBase, einem Portal mit Informationen über innovative
Technologieunternehmen und dazugehörige Investoreninformatio-
nen, auch Unternehmen wie Magna International, Continental ITS,
und BMW i Ventures.
Diese Entwicklungen zeigen sehr anschaulich, dass auch die
Automotive-Branche den Marktwert eines Digitalen Ökosystems für
Quantified Car als enorm einschätzt, wenngleich sie dort aus heuti-
ger Sicht nicht den Innovationstreiber darstellt. Das von Volkswagen
koordinierte EU-Projekt Automat führt drei wesentliche Gründe
an7, warum gerade die Automotive-Industrie mit ihren Connected-
Bestrebungen heute noch nicht in der Lage ist, ein offenes und
umfassendes Digitales Ökosystem zu etablieren:
Derzeit sind Angebote rund um das Connected Vehicle durch mar-
kenspezifische Geschäftsansätze geprägt, welche in proprietäre
und geschlossene Einzellösungen gemündet sind. Original Equip-
ment Manufacturers (OEMs) treten als Fahrzeughersteller in völlig
7Automat-Projekt: www.automat-project.eu/content/objectives, letzter Zu-
griff am 25.07.2016.
neue Märkte ein, die nicht notwendigerweise mit ihrem Kernge-
schäft korrelieren.
Aktuelle Connected-Services fokussieren auf den individuel-
len Fahrzeugkäufer, was unweigerlich zu Datenschutzbedenken
führt. Derzeit wird nicht berücksichtigt, wie anonymisierte Fahr-
zeuglebenszyklusdaten in anderen Kontexten überhaupt genutzt
werden könnten, die nicht den individuellen Fahrer betreffen.
Das assoziierte Risiko einer Zusammenarbeit zwischen den im
Wettbewerb befindlichen OEMs hinsichtlich einer gemeinsamen,
standardisierten Bereitstellung von Fahrzeuglebenszyklusdaten in
einem Digitalen Ökosystem ist eine wesentliche Hürde, warum
sich ein solches noch nicht etabliert hat.
4. Fallbeispiele für Quantified-Car-Ökosysteme
Nachfolgend werden die Geschäftsmodelle der drei Quantified-Car-
Fallbeispiele Automatic, Mojio und Dash nach der Methodik von
Stähler [7] analysiert, welche Geschäftsmodelle grob nach den drei
Aspekten Nutzenversprechen, Architektur der Wertschöpfung und
Ertragsmodell differenziert.
4.1 Quantified-Car-Fallbeispiel 1: Automatic
Nutzenversprechen: Nach dem Motto „Connect your car to the rest
of your digital life“ bietet das Unternehmen Automatic Labs8aus
San Francisco Applikationen für Endkunden und Business-Nutzer
an. Um diese nutzen zu können, muss in einem ersten Schritt ein
spezieller Adapter an der Standarddiagnoseschnittstelle (OBD) eines
Fahrzeuges betrieben werden, welcher Fahrzeugdaten über ein via
Bluetooth gepaartes Smartphone unterschiedlichen Apps als Daten-
basis zur Verfügung stellt, die über einen eigenen Marktplatz, die
Automatic Gallery, bezogen werden können.
8Automatic Labs: www.automatic.com, letzter Zugriff am 25.07.2016.
0 0000 0. Jahrgang ©The Author(s) heft 0.0000
ORIGINALARBEITEN A. Stocker, C. Kaiser Quantified Car: Potenziale, Geschäftsmodelle und Digitale Ökosysteme
Tab. 1. Quantified-Car-Startups in den USAa
Unternehmen Nutzenversprechen Verwendungsmöglichkeiten Geschäftsanwendungen Kosten Investoren
automatic.com
San Francisco
(USA),
gegründet
2011
Verbindet Auto mit
dem digitalen Leben
des Fahrers. Befähigt
Fahrer mit Wissen über
sich selbst und das
Fahrzeug darin,
sicherer und smarter zu
fahren.
Verbindet das Fahrzeug mit
vielen Apps, etwa für
Problemdiagnose,
Verbrauchsoptimierung,
Standort- und
Notfallservices. Beinhaltet
ein Web- dashboard mit
umfangreichen Statistiken.
Cloud-basierte Services
für Versicherungsunter-
nehmen,
Flottenbetreiber und
Fahrzeughersteller,
Bereistellug der Daten-
analyseinfrastruktur.
$99,95 für den
OBD2-Adapter zum
Einstieg in das
digitale Ökosystem,
keine Informationen
zu den Preisen der
BusinessServices
$24 Mio in 3
Runden von 13
Investoren
moj.io
Vancouver
(CAN),
gegründet
10/2012
Empowerment des
Fahrers. Verbinde dich
jederzeit mit deinen
Devices mit deinem
Fahrzeug.
Zugriff auf einen
Marktplatz für Apps zur
Fahrzeug-Vernetzung
(Standorttracking,
Fahrzeugdiagnose,
FahrAnalysen,..), offene
Plattform zum Zugriff auf
das Fahrzeug,
DeveloperCenter, API.
Nicht explizit genannt $149 für den
OBD2-Adapter zum
Einstieg in das
digitale Ökosystem.
Inkludiert 3G/4G
Konnektivität.
$10.3 Mio in 3
Runden von 6
Investoren
dash.by New
York (USA),
gegründet
06/2012
Smartes, sicheres,
grünes und leistbares
Fahren ermöglichen.
Connected Car Plattform,
Dienste zur
Fahrzeugdiagnose,
Verbrauchseffizienz,
Notfalldienste,
Fahrervergleiche,
Gamification und
Community-Dienste.
Nicht explizit genannt Funktioniert auch
mit OBD2-
Adaptern anderer
Hersteller, die u.a.
im Webshop von
dash bezogen
werden können
$1.9 Mio in 3
Runden von 8
Investoren
vin.li Dallas
(USA),
gegründet
2014
Dein Fahrzeug – dein
Weg. Bringt unzählige
Apps in das Fahrzeug,
von Sicherheit über
Entertainment bis zu
WIFI.
Hochgeschwindigkeits-
WIFI, App-Store für das
Fahrzeug, alle Arten von
smarten Fahrzeug-Apps
und Services zum
Download in einem
eigenen AppStore,
Developer-Portal.
Nicht explizit genannt $199.99 für den
OBD2-Adapter zum
Einstieg in das
Digitale Ökosystem.
Inkludiert 3G/4G
Konnektivität.
Zusätzliche Kosten
für Internet/Wifi je
nach gewünschtem
Datenvolumen.
$6.5 Mio in 2
Runden von 6
Investoren
zendrive.com
San Francisco
(USA),
gegründet
2013
Sichere Fahrer – sichere
Straßen,
Smartphone-gestützte
Sicherheit auf Straßen
in Städten, für Flotten
und Individuen.
Analysen von Smartphone-
Sensordaten durch
Machine learning. Fahrer-
und Flottenanalysen.
Kollisionserkennung, Versi-
cherungsUnterstützung,
etc. Developer-Kit und API.
Flottenservices,
Versicherungen,
Car-sharing,
Unterschiedliche
Preismodelle, von
kostenlos bis $4 pro
Fahrer/Monat für
Flotten.
Businesstarife sind
nicht angeführt.
$15 Mio in 3
Runden von 15
Investoren
zubie.com
Sullivans Island
(USA),
gegründet
05/2012
Wir machen das Fahren
sicherer, einfacher &
günstiger. Verbindet
dein Fahrzeug mit dem
Internet, um
Echtzeit-Informationen
am Smartphone zu
erhalten.
Fahr-Erkenntnisse,
VerhaltensWarnungen,
Ranglisten, Wartungs
Hinweise, Motordiagnose,
Batteriewarnung,
Notfallservices, Tracking,
Bewegungsaufzeichnung,
Vergünstigungen und
Tankstellen finden.
Lösung für
Versicherungen und
Fahrzeug-Anbieter,
Flottentracking, GPS
tracking, FahrzeugZu-
standsüberwachung,
Fahrerverhalten.
Unterschiedliche
Preismodelle, von
einmalig $99 für
OBD2-Adapter und
$10 pro Monat.
Business Nutzung
ab $17,95 pro
Monat.
$25,87 Mio in
5 Runden von
8Investoren
aRisikokapital und Investment-Informationen von Crunchbase.com:www.crunchbase.com, letzter Zugriff am 25.07.2016.
heft 0.0000 ©The Author(s) e&ielektrotechnik und informationstechnik
A. Stocker, C. Kaiser Quantified Car: Potenziale, Geschäftsmodelle und Digitale Ökosysteme ORIGINALARBEITEN
Architektur der Wertschöpfung: Automatic bietet seit 2011 ei-
ne Reihe von Services für private Nutzer an. Dazu gehören bei-
spielsweise umfangreiche Statistiken zu Fahrten am Smartphone
sowie in einem Browser-Dashboard, Funktionen zur Diagnose von
Motor- und Steuergeräteproblemen, Feedback zum jeweiligen Fahr-
stil, Funktionen zum Wiederauffinden eines geparkten Fahrzeugs,
Kollisionsdetektionen mit Notfallservices, bis hin zur Möglichkeit
mittels IFTTT9(If This, Then That) Fahrzeugfunktionen über Auto-
matic mit anderen digitalen Services aus dem Web zu verknüpfen.
Automatic Labs bietet auch Services für Business Kunden an. Da-
zu zählen etwa der Betrieb einer Automotive Cloud, Cloud-basierte
Fahrzeugversicherungen, Services für die intelligente Wartung von
Fahrzeugen sowie für eine erhöhte Kundenbindung im After-Sales,
Flottenmanagement sowie Datenanalysen. Spezifische Lösungen für
OEMs sind in Planung.
Ertragsmodell: Der Automatic OBD-II Adapter ist in den USA für
99,95 USD erhältlich und für den Einstieg in das Quantified-Car-
Ökosystem von Automatic nötig (Lock-in-Effekt). Alle Services sind
auf die USA begrenzt. Preise für Business-Lösungen werden auf der
Website von Automatic Labs nicht aktiv kommuniziert.
4.2 Quantified-Car-Fallbeispiel 2: Mojio
Nutzenversprechen: Ähnlich wie Automatic möchte auch Mojio10
den Fahrer „empowern“, wenn er sich mit einem einzigen Device,
dem Smartphone, jederzeit mit seinem Fahrzeug verbinden kann.
Auch bei Mojio besteht die Schnittstelle zwischen Smartphone und
Fahrzeug in einem am OBD-II Port des Fahrzeuges betriebenen Ad-
apter.
Architektur der Wertschöpfung: Auch Mojio bietet unterschied-
lichste Apps und Services für Fahrer an. Diese reichen über Location
Tracking, Fahrzeugdiagnose, Fahr-Analytics, Fahrstilanalyse und um-
fassen auch die Nutzung von mobilen Apps, die durch Dritte im
Digitalen Ökosystem von Mojio bereitgestellt werden. Mit dem
Developer Center bietet Mojio auch eine offene Connected-Car
Plattform an, die über Application Programming Interfaces (APIs)
und Software Development Kits (SDKs) verfügt, damit auch Dritte
möglichst einfach Apps entwickeln können.
Ertragsmodell: Mojio betreibt einen Online Shop, in dem auch der
OBD-II-Adapter inklusive einer eingebauten Sim-Karte für das AT&T
Mobilfunknetz um USD 149 in den USA bezogen werden kann. Da-
mit besteht bei Mojio eine direkte Konnektivität des Fahrzeugs zum
Internet – und nicht wie bei Automatic Labs nur über ein gepaartes
Smartphone.
4.3 Quantified-Car-Fallbeispiel 3: Dash
Nutzenversprechen: Gemäß dem Motto „Smarter.Driving.Everyday.“
werden mit der App des 2012 gegründeten New Yorker Unterneh-
mens Dash11 mit Hilfe eines OBD-II-Adapters erneut Fahrzeugle-
benszyklusdaten gesammelt, um Fahrer in Echtzeit über interessante
Ereignisse zu informieren. In der Business Variante werden Fahrzeug-
lebenszyklusdaten in aggregierter Form auch für Flotten dargestellt.
Architektur der Wertschöpfung: Die Dash-App ist für Android
und IOS frei erhältlich und kann mit mehreren am Markt ver-
fügbaren OBD-II-Adaptern kommunizieren, welche etwa über den
Online-Shop von Dash bezogen werden können. Highlights von
Dash sind Analysen von Fahrverhalten und Fahrzeugzustand, Be-
wertungen und Ranglisten (Community-Funktionen), persönliche
9IFTTT: ifttt.com, letzter Zugriff am 25.07.2016.
10Mojio: www.moj.io, letzter Zugriff am 25.07.2016.
11Dash: www.dash.by, letzter Zugriff am 25.07.2016.
Trend-Analysen sowie eine Kartenfunktion, um das geparkte Fahr-
zeug wiederzufinden. Auch Dash bietet mit der Dash Chassis API
unter dem Schlagwort „Internet of Cars“ eine Plattform für Ent-
wickler an.
Ertragsmodell: Von TechCrunch, einem populären Online-Nach-
richtenportal für Technologie- und Internet-Unternehmen, als „FitBit
for Cars“ bezeichnet, will Dash aus den gesammelten Fahrzeugle-
benszyklusdaten über eine eigene Analytics-Plattform („Dash IQ“)
interessante Erkenntnisse generieren, welche auch anderen Orga-
nisationen angeboten werden. Dash ist auch Projektpartner des
Projekts DriveSmart12 des New York City Department of Transpor-
tation13, bei dem es darum geht, dass Fahrer durch das Feedback
aus der App Zeit- und Geld sparen und dabei noch sicherer fahren.
Beispielsweise bekommen Fahrer eine Belohnung, wenn sie in New
York außerhalb der Rush-Hour fahren oder weniger überlastete Stre-
cken nutzen. Informationen zu konkreten Erlösquellen sind auf der
Website allerdings nicht ersichtlich.
5. Zusammenfassung und Diskussion
Nach einer Einführung in das Quantified-Car-Phänomen und in
das Bestreben von Startups aus den USA, Digitale Ökosysteme in
diesem Bereich zu etablieren, wurden die Geschäftsmodelle der
Quantified-Car-Fallbeispiele, Automatic, Mojio und Dash nach der
Methodik von Stähler [7] beschrieben. Dabei ist auffallend, dass alle
drei Player ähnliche Anwendungsszenarien verfolgen. Sie zielen je-
weils darauf ab, aus den während der Nutzungsphase gesammelten
Fahrzeuglebenszyklusdaten relevante Informationen zu erzeugen
und diese für Fahrer entsprechend zu visualisieren. Am weites-
ten verbreitet scheint, gemäß einer Analyse der Downloadzahlen
von Android-Installationen auf Google Play, Dash (100.000–500.000
Downloads) vor Automatic (10.000–50.000 Downloads) und Mojio
(1.000–5.000 Downloads) zu sein. Nachfolgende Abbildung zeigt
exemplarische Screenshots der jeweiligen Basis-Apps, wodurch sich
die Ähnlichkeiten der Anwendungsszenarien auch aus der Gestal-
tung der Benutzeroberfläche erschließen lassen können (Abb. 2).
Zusammengefasst ist festzuhalten, dass der Kraftstoff für erfolg-
reiche Quantified-Car-Ökosysteme die durch Fahrer bereitgestellten
Fahrzeuglebenszyklusdaten sind. Nur wenn eine kritische Masse an
Fahrer eine kritische Masse an Daten freiwillig bereitstellt, können
diese Digitalen Ökosysteme überhaupt erst entstehen. Doch dazu
bedarf es vielfältiger Anreize, welche vermutlich nur durch inter-
essante und kostenlose Services mit Mehrwert für Fahrer generiert
werden können.
Die Henne-Ei Problematik zeigt sich darin, dass Fahrer eine große
Menge an Daten bereitstellen, damit Dritte überhaupt Anwendun-
gen auf Basis dieser entwickeln, doch viele Fahrer werden vermutlich
überhaupt erst dann Daten bereitstellen, wenn interessante und
nutzenstiftende Services bereits existieren. Vom Henne-Ei-Problem
des „Web of Cars“ können Parallelen zum Henne-Ei-Problems des
Web of Data gezogen werden [2,8]. Um eine solche Henne-Ei-
Problematik überhaupt überwinden zu können, sind die im Beitrag
recherchierten Startups zum Teil mit sehr einfachen Anwendungen
gestartet, welche Fahrende rasch einen Nutzen wahrnehmen lassen
sollen.
Im Vergleich zur bereits etablierten Quantified-Self-Bewegung be-
findet sich die Quantified-Car-Bewegung gerade in Europa noch
am Beginn. Das Thema Datenschutz ist hier vor allem im deutsch-
sprachigen Raum in Politik, Gesellschaft und Industrie sehr stark
12Drive Smart: www.drivesmartnyc.com, letzter Zugriff am 25.07.2016.
13New York City DOT: www.nyc.gov/html/dot/html/home/home.shtml, letzter
Zugriff am 25.07.2016.
0 0000 0. Jahrgang ©The Author(s) heft 0.0000
ORIGINALARBEITEN A. Stocker, C. Kaiser Quantified Car: Potenziale, Geschäftsmodelle und Digitale Ökosysteme
Abb. 2. Exemplarische Screenshots der GUIs von Quantified-Car-Apps
verankert. Projekte mit Bezug zu datenschutzrelevanten Aspekten
müssen dementsprechend mit einer sehr sensiblen Vorgehensweise
durchgeführt werden. Nicht nur deswegen ist davon auszugehen,
dass eine radikale datengetriebene-Innovation im Umfeld Quanti-
fied Car nicht unbedingt durch die europäischen Fahrzeughersteller
aus Sicht der Technologieentwicklung stattfinden wird.
Dennoch sind bereits erste Aktivitäten zur Datensammlung und
-übertragung im Zusammenhang mit neuen Fahrzeugen in Europa
passiert, wie etwa ein Artikel von Heise Online als Berichterstattung
zu einem ADAC-Experiment beschreibt.14 Aus diesen Aktivitäten
wird aber weder ersichtlich, wie gesammelte Fahrzeuglebenszyklus-
daten einen Nutzen für den Fahrer generieren sollen, noch wie
Fahrer durch selektive Datenschutz-Einstellungen eine partielle oder
totale Datenweitergabe konfigurieren bzw. verhindern können.
Gerade in einem solchen sensiblen Umfeld preschen Startups
aus den USA, die nicht unter einer „Privacy-Bürde“ leiden, mit fri-
schen Ideen vor. Vergleichbar mit den Aktivitäten von IT-Größen
wie Google, Apple und Facebook wird das Thema Datenschutz
„erstmal etwas“ in den Hintergrund gerückt. Der Wettkampf zwi-
schen IT-Unternehmen und etablierten Branchengrößen aus der
Automotive-Industrie um die Vorherrschaft bei der Etablierung Di-
gitaler Ökosysteme rund um Fahrzeuglebenszyklusdaten wird si-
cherlich spannend, wie auch ein aktuelles Diskussionspapier des
BVDW beschreibt15. Mit Sicherheit besteht die langfristige Verwer-
14ADAC-Untersuchung: Autohersteller sammeln Daten in großem Stil: www.
heise.de/newsticker/meldung/ADAC-Untersuchung-Autohersteller-sammeln-
Daten-in-grossem-Stil-3227102.html, letzter Zugriff am 25.07.2016.
15Connected Cars – ein Diskussionspapier zum Thema Services des BVDW
– Bundesverband Digitale Wirtschaft: www.bvdw.org/presseserver/Connected
Cars/Finalversion_Diskussionspapier_Services_15.06.pdf, letzter Zugriff am
25.07.2016.
tungsstrategie einiger Quantified-Car-Startups darin, Technologie
samt Nutzerbasis an Branchengrößen aus der Automotive oder IT-
Industrie zu verkaufen. Eine solche Strategie lassen schon die sehr
hohen Risikokapitalinvestitionen auf der einen Seite und die intrans-
parenten Erlösmodelle der Startups auf der anderen Seite erahnen.
Abschließend soll an dieser Stelle explizit darauf hingewiesen wer-
den, dass auch in Europa in den letzten Jahren eine Reihe von
Startups mit dem Fokus auf die Entwicklung von Diensten rund
um die Themen Mobilität und Smart Cities entstanden sind. Diese
verfügen jedoch über weitaus weniger Risikokapital als ihre „Kon-
kurrenten“ aus den USA und sind damit langfristig vermutlich nicht
konkurrenzfähig. Etwa findet sich in Österreich mit Parkbob16 auch
ein innovativer Hersteller einer Smart Parking Anwendung, welcher
im Jahr 2016 ein Investment von 250.000 EUR lukriert hat. Die
Relevanz des Themas Smart Parking haben auch schon deutsche
Fahrzeughersteller wahrgenommen. So arbeitet etwa der deutsche
Premiumhersteller BMW im Rahmen der ConnectedDrive-Initiative
gemeinsam mit dem US-Unternehmen und Verkehrsdatenanalys-
ten INRIX17 (143 Mio. USD in 7 Runden von 6 Investoren laut
Crunchbase.com) an einer entsprechenden Lösung für intelligentes
Parken.
Danksagung
Diese Arbeit entstand am VIRTUAL VEHICLE Research Center in
Graz, Österreich. Die Autoren bedanken sich für die Förderung
im Rahmen des COMET K2 – Competence Centers for Excellent
Technologies Programms des Österreichischen Bundesministeriums
16Parkbob: www.parkbob.com, letzter Zugriff am 25.07.2016.
17INRIX: www.inrix.com, letzter Zugriff am 25.07.2016.
heft 0.0000 ©The Author(s) e&ielektrotechnik und informationstechnik
A. Stocker, C. Kaiser Quantified Car: Potenziale, Geschäftsmodelle und Digitale Ökosysteme ORIGINALARBEITEN
für Verkehr, Innovation und Technologie (bmvit), des Österreichi-
schen Bundesministeriums für Wissenschaft, Forschung und Wirt-
schaft (bmwfw), der Österreichischen Forschungsförderungsgesell-
schaft mbH (FFG), des Landes Steiermark sowie der Steirischen
Wirtschaftsförderung (SFG).
Open Access This article is distributed under the terms of the Creative
Commons Attribution 4.0 International License (http://creativecommons.org/
licenses/by/4.0/), which permits unrestricted use, distribution, and reproduc-
tion in any medium, provided you give appropriate credit to the original
author(s) and the source, provide a link to the Creative Commons license,
and indicate if changes were made.
Literatur
1. Ammon, T., Brem, A. (2013): Digitale Ökosysteme und deren Geschäftsmodelle:
Analyse und Implikationen für klassische Buchverlage. In Keuper, F. et al. (Hrsg.),
Digitalisierung und Innovation: Entwicklungsperspektiven, Planung, Entstehung (S.
93–121). Wiesbaden: Springer Gabler.
2. Latif, A., US Saeed, A., Höfler, P., Stocker, A., Wagner, C. (2009): The linked data value
chain: a lightweight model for business engineers. In Proceedings of I-SEMANTICS (S.
568–575).
3. Matt, C., Hess, T., Benlian, A. (2015): Digital transformation strategies. Bus. Inf. Syst.
Eng., 57(5), 339–343. 2015.
4. McIntyre, A. (2013): Market trends: enter the wearable electronics market with
products for the quantified self. Gartner report 2013. https://www.gartner.com/doc/
2537715/market-trends-enter-wearable-electronics. Letzter Zugriff am 25.07.2016.
5. Porter, M. E., Heppelmann, J. E. (2014): How smart, connected products are transfor-
ming competition. In Harvard Business Manager.
6. Porter, M. E., Heppelmann, J. E. (2015): How smart, connected products are transfor-
ming companies. In Harvard Business Manager.
7. Stähler, P. (2002): Geschäftsmodelle in der digitalen Ökonomie. 2. Aufl. Lohmar: EUL
Verlag.
8. Stocker, A., Tochtermann, K., Scheir, P. (2010): Die Wertschöpfungskette der Daten:
Eine Basis für zukünftige wirtschaftswissenschaftliche Betrachtungen des Web of Data.
HMD, Prax. Wirtsch.inform., 47(5), 94–104.
9. Swan, M. (2009): Emerging patient-driven health care models: an examination of he-
alth social networks, consumer personalized medicine and quantified self-tracking. Int.
J. Environ. Res. Public Health, 2009(6), 492–525.
10. Swan, M. (2013): The quantified self: fundamental disruption in big data science and
biological discovery. Big Data, 1(2), 85–99. 2013.
11. Swan, M. (2015): Connected car: quantified self becomes quantified car. J. Sens. Ac-
tuator Netw., 4(1), 2–29. 2015.
12. Yoo, Y., Henfridson, O., Lyytinen, K. (2010): The new organizing logic of digital inno-
vation: an agenda for information systems research. Inf. Syst. Res., 21(4), 724–735.
Autoren
Alexander Stocker
beschäftigt sich seit über 14 Jahren in Wis-
senschaft und Praxis mit dem Einsatz compu-
tergestützter Informationssysteme in Unter-
nehmen. Derzeit arbeitet er als Key Resear-
cher für Information & Process Management
am Kompetenzzentrum – Das Virtuelle Fahr-
zeug in Graz, Österreich. Zuvor war er Key
Researcher am Institut DIGITAL bei Joanneum
Research, Executive Assistant to the CEO am
Know-Center und Berater für Informationsmanagement und Infor-
mationstechnologie bei Datev.
Christian Kaiser
beschäftigt sich als Senior Researcher am
Kompetenzzentrum – Das Virtuelle Fahrzeug
mit Konzeption, Implementierung und Eva-
luierung von anwenderorientiertem Design
in Mensch-Maschine Kommunikation von
betrieblichen Informationssystemen in der
Automobilindustrie-Entwicklung. Insbeson-
dere interaktive Web-Visualisierungen von
betrieblichen Daten in Verbindung mit se-
mantischen Technologien wurden von ihm im Rahmen von For-
schungsprojekten mit der Automobilindustrie als Demonstratoren
eigenständig konzipiert, umgesetzt und evaluiert.
0 0000 0. Jahrgang ©The Author(s) heft 0.0000
... However, the data collected within current vehicles of limited smartness can be used beyond assisting their drivers in driving. Moreover, vehicle data is valuable for third parties [1,2,3] including e.g. vehicle manufacturers (i.e., OEMs), suppliers, and traffic managers to name three stakeholders, although, there are still many open issues connected to the exchange of vehicle usage data. ...
Chapter
Vehicle data is a valuable source for digital services, especially with a rising degree of driving automatization. Despite regulation on data protection has become stricter due to Europe’s GDPR we argue that the exchange of vehicle and driving data will massively increase. We therefore raise the question on what would be a privacy-preserving way of vehicle data exploitation? Blockchain technology could be an enabler, as it is associated with privacy-friendly concepts including transparency, trust, and decentralization. Hence, we launch the discussion on unsolved technical and non-technical issues and provide a concept for an Open Vehicle Data Platform, respecting the privacy of both the vehicle owner and driver using Blockchain technology.
Conference Paper
Full-text available
Distracted driving is known to be one of the leading causes of vehicle accidents. With the increase in the number of sensors available within vehicles, there exists an abundance of data for monitoring driver behaviour, which, however, have so far only been comparable across vehicle manufacturers to a limited extent due to proprietary solutions. A special role in distraction is played by the smartphone, which is repeatedly a source of distraction for drivers through calls and messages. However, the smartphone can be used for driver behaviour monitoring (like driver distraction detection) too, as current developments show. As vehicle manufacturer-independent device, which is usually equipped with adequate sensor technology, smartphones can provide significant advantages, however, an overview of such approaches is missing so far. Thus, this work carries out an author-centric literature review of 16 research papers to illustrate the opportunities in using smartphones to detect driver distraction.
Chapter
Full-text available
Even though the automotive industry was among the key players of the industrial revolution in the last century, striking transformations experienced in other sectors did not have significant repercussions on this industry until a few years ago. However, general advancements in technology and Industry 4.0 have presented new opportunities for the reconfiguration of the business environment. Developments in cryptocurrencies such as bitcoin, in particular, have attracted the attention to what is known as block-chain technology. Several successful examples of blockchain applications in different industries have tempted the automotive industry to be rapidly involved with efforts in this direction. As a consequence, the application of the blockchain technology to highly diverse areas in the automotive industry was set in motion. The purpose of this chapter is to explore the application of blockchain technology in the automotive industry, to analyse its advantages and disadvantages, and to demonstrate its successful in general.
Chapter
The quantify-everything trend has reached the automotive sector while digitalization is a still the major driver of innovation. New digital services based on vehicle usage data are being created for different actors and purposes, e.g. for individual drivers who want to know about their own driving style and behavior or for fleet managers who want to find out about their fleet. As a side effect, a growing number of ICT start-ups from outside Europe have entered the automotive market to work on innovative use cases. Their digital services are based on the availability of vehicle data on a large scale. To better understand and capture this ongoing digital change in the automotive sector, we present an extended version of the Vehicle Data Value Chain (VDVC) originally published in Kaiser et al. (2019a) and use it as a model for better structuring, describing and testing digital services based on vehicle usage data. We classify digital services of two projects by using the VDVC in our paper, an intermodal mobility service and a pothole and driving style detection service. Thus, we evaluate the VDVC and show its general applicability and usefulness in a practical context.
Article
Full-text available
In recent years, firms in almost all industries have conducted a number of initiatives to explore new digital technologies and to exploit their benefits. This frequently involves transformations of key business operations and affects products and processes, as well as organizational structures and management concepts. Companies need to establish management practices to govern these complex transformations. An important approach is to formulate a digital transformation strategy that serves as a central concept to integrate the entire coordination, prioritization, and implementation of digital transformations within a firm. Despite first research efforts and the frequent challenges encountered in practice, academia still lacks specific guidelines for firms on how to formulate, implement, and evaluate digital transformation strategies.
Article
Full-text available
A key contemporary trend emerging in big data science is the quantified self (QS)–individuals engaged in the self-tracking of any kind of biological, physical, behavioral, or environmental information as n=1 individuals or in groups. There are opportunities for big data scientists to develop new models to support QS data collection, integration, and analysis, and also to lead in defining open-access database resources and privacy standards for how personal data is used. Next-generation QS applications could include tools for rendering QS data meaningful in behavior change, establishing baselines and variability in objective metrics, applying new kinds of pattern recognition techniques, and aggregating multiple self-tracking data streams from wearable electronics, biosensors, mobile phones, genomic data, and cloud-based services. The long-term vision of QS activity is that of a systemic monitoring approach where an individual's continuous personal information climate provides real-time performance optimization suggestions. There are some potential limitations related to QS activity—barriers to widespread adoption and a critique regarding scientific soundness—but these may be overcome. One interesting aspect of QS activity is that it is fundamentally a quantitative and qualitative phenomenon since it includes both the collection of objective metrics data and the subjective experience of the impact of these data. Some of this dynamic is being explored as the quantified self is becoming the qualified self in two new ways: by applying QS methods to the tracking of qualitative phenomena such as mood, and by understanding that QS data collection is just the first step in creating qualitative feedback loops for behavior change. In the long-term future, the quantified self may become additionally transformed into the extended exoself as data quantification and self-tracking enable the development of new sense capabilities that are not possible with ordinary senses. The individual body becomes a more knowable, calculable, and administrable object through QS activity, and individuals have an increasingly intimate relationship with data as it mediates the experience of reality.
Article
Full-text available
Im Internet der Zukunft wird das Semantic Web als das Web der Daten (Web of Data) dazu beitragen, Daten für Maschinen interpretierbar zu machen und besser miteinander zu vernetzen. In der Folge werden auch für Menschen erhebliche Vorteile generiert, weil sich Vorgänge durch Softwareagenten automatisieren lassen. Für Unternehmen kann diese Entwicklung zu einem interessanten Markt führen, um Semantic-Web-An-wendungen bereitzustellen. Noch ist vielen Unternehmen unklar, wie sie ihr Geschäft bezogen auf ein künftiges Web of Data ausrichten sollen. Während die technologische Entwicklung im Web of Data rasch voranschreitet, fehlen jedoch die für Praktiker besonders wichtigen wirtschaftswissenschaftlichen Betrachtungen. Die in diesem Beitrag vorgestellte Wertschöpfungskette der Daten stellt ein einfaches und praktikables Modell dar, um künftige Geschäftsmodelle im Web of Data zu verstehen und zu entwickeln. Die Fallstudie BBC, der bekannteste »Industry Case« für Web of Data, veranschaulicht die Anwendung dieses Modells zur systematischen Strukturierung eines realen Geschäftsfalles.
Article
Full-text available
The automotive industry could be facing a situation of profound change and opportunity in the coming decades. There are a number of influencing factors such as increasing urban and aging populations, self-driving cars, 3D parts printing, energy innovation, and new models of transportation service delivery (Zipcar, Uber). The connected car means that vehicles are now part of the connected world, continuously Internet-connected, generating and transmitting data, which on the one hand can be helpfully integrated into applications, like real-time traffic alerts broadcast to smartwatches, but also raises security and privacy concerns. This paper explores the automotive connected world, and describes five killer QS (Quantified Self)-auto sensor applications that link quantified-self sensors (sensors that measure the personal biometrics of individuals like heart rate) and automotive sensors (sensors that measure driver and passenger biometrics or quantitative automotive performance metrics like speed and braking activity). The applications are fatigue detection, real-time assistance for parking and accidents, anger management and stress reduction, keyless authentication and digital identity verification, and DIY diagnostics. These kinds of applications help to demonstrate the benefit of connected world data streams in the automotive industry and beyond where, more fundamentally for human progress, the automation of both physical and now cognitive tasks is underway.
Article
Full-text available
In this essay, we argue that pervasive digitization gives birth to a new type of product architecture: the layered modular architecture. The layered modular architecture extends the modular architecture of physical products by incorporating four loosely coupled layers of devices, networks, services, and contents created by digital technology. We posit that this new architecture instigates profound changes in the ways that firms organize for innovation in the future. We develop (1) a conceptual framework to describe the emerging organizing logic of digital innovation and (2) an information systems research agenda for digital strategy and the creation and management of corporate information technology infrastructures.
Conference Paper
Full-text available
Linked Data is as essential for the Semantic Web as hypertext has been for the Web. For this reason, the W3C community project Linking Open Data has been facilitating the transformation of publicly available, open data into Linked Data since 2007. As of 2009, the vast majority of Linked Data is still generated by research communities and institutions. For a successful corporate uptake, we deem it important to have a strong conceptual groundwork, providing the foundation for the development of business cases revolving around the adoption of Linked Data. We therefore present the Linked Data Value Chain, a model that conceptualizes the current Linked Data sphere. The Linked Data Value Chain helps to identify and categorize potential pitfalls which have to be considered by business engineers.We demonstrate this process within a concrete case study involving the BBC.
Article
Full-text available
Im Internet der Zukunft wird das Semantic Web als das Web der Daten (Web of Data) dazu beitragen, Daten für Maschinen interpretierbar zu machen und besser miteinander zu vernetzen. In der Folge werden auch für Menschen erhebliche Vorteile generiert, weil sich Vorgänge durch Softwareagenten automatisieren lassen. Für Unternehmen kann diese Entwicklung zu einem interessanten Markt führen, um Semantic-Web-Anwendungen bereitzustellen. Noch ist vielen Unternehmen unklar, wie sie ihr Geschäft bezogen auf ein künftiges Web of Data ausrichten sollen. Während die technologische Entwicklung im Web of Data rasch voranschreitet, fehlen jedoch die für Praktiker besonders wichtigen wirtschaftswissenschaftlichen Betrachtungen. Die in diesem Beitrag vorgestellte Wertschöpfungskette der Daten stellt ein einfaches und praktikables Modell dar, um künftige Geschäftsmodelle im Web of Data zu verstehen und zu entwickeln. Die Fallstudie BBC, der bekannteste »Industrycase« für Web of Data, veranschaulicht die Anwendung dieses Modells zur systematischen Strukturierung eines realen Geschäftsfalles.
Article
Full-text available
A new class of patient-driven health care services is emerging to supplement and extend traditional health care delivery models and empower patient self-care. Patient-driven health care can be characterized as having an increased level of information flow, transparency, customization, collaboration and patient choice and responsibility-taking, as well as quantitative, predictive and preventive aspects. The potential exists to both improve traditional health care systems and expand the concept of health care though new services. This paper examines three categories of novel health services: health social networks, consumer personalized medicine and quantified self-tracking.
Chapter
Seit 1997 veröffentlicht das US-Wirtschaftsmagazin Fortune eine Liste mit den von US-Top- Managern am meisten bewunderten Unternehmen. Im Jahr 2012 wird diese Liste von den Unternehmen Apple, Google und Amazon angeführt, die in diesem Beitrag im Mittelpunkt stehen werden.