Vorgehensmodell zur indikatorbasierten Potenzial- und Risiko-Bewertung industrieller Track & Trace Anwendungen

Abstract

Die vorliegende Dissertation beschäftigt sich mit der systematischen Bewertung industrieller Track & Trace-Anwendungen im Kontext der Industrie 4.0. Diese Technologien, die auf der Echtzeitverfolgung von Objekten basieren, bieten ein erhebliches Potenzial zur Effizienzsteigerung, Qualitätssicherung und Prozessoptimierung. Gleichzeitig sind mit ihrem Einsatz vielfältige Risiken verbunden – technischer, organisatorischer oder wirtschaftlicher Natur. Unternehmen stehen somit vor der Herausforderung, diese Technologien in einem frühen Stadium sachlich fundiert zu bewerten, um objektive Entscheidungen über deren Implementierung treffen zu können.Ziel dieser Arbeit ist die Entwicklung eines anwendungsorientierten, indikatorbasierten Vorgehensmodells zur Potenzial- und Risikoanalyse von Track & Trace-Anwendungsfällen im industriellen Kontext. Der Fokus liegt dabei, wie sich unternehmensspezifische Potenziale und Risiken strukturiert und reproduzierbar bewerten lassen, um eine objektive Entscheidungsgrundlage in der Phase der Technologiefrüherkennung zu schaffen. Das entwickelte Bewertungsmodell umfasst sowohl die Analyse des Anwendungspotenzials – unterteilt in Dimensionen wie Synergie-, Kosten-, Qualitäts- oder Innovationspotenzial – als auch die systematische Erfassung von Risiken wie Entwicklungs-, Umsetzungs-, Substitutions- oder Akzeptanzrisiken. Der Bewertungsprozess folgt einem mehrstufigen Schema, das unternehmensspezifische Einflussgrößen, wie z.B. den technologischen Reifegrad berücksichtigt und die Ermittlung eines aggregierten Potenzial- bzw. Risiko mittels einer Nutzwertanalyse ermöglicht.Die Anwendbarkeit und Aussagekraft des Vorgehensmodells wird anhand realer industrieller Fallbeispiele demonstriert und durch Expert_innen evaluiert. Die Ergebnisse bestätigen die Praxistauglichkeit des Modells und zeigen, dass eine fundierte, indikatorgestützte Bewertung entscheidend zur Reduktion von Unsicherheit und zur Unterstützung strategischer Technologieentscheidungen beiträgt.Die Dissertation leistet damit sowohl einen theoretischen als auch praxisrelevanten Beitrag zur Weiterentwicklung des Technologiemanagements. Sie bietet Unternehmen eine wissenschaftlich fundierte Methode zur frühzeitigen Bewertung von Track & Trace-Technologien und unterstützt eine gezielte Allokation von Ressourcen, um Wettbewerbsvorteile im Rahmen der digitalen Transformation nachhaltig zu realisieren.

This dissertation addresses the structured evaluation of industrial Track & Trace applications within the broader context of digital transformation and Industry 4.0. These technologies, which enable real-time localization of physical assets in production environments, offer significant potential for improving efficiency, ensuring quality, and optimizing processes. However, their implementation is also associated with various risks—technical, economic, organizational, legal, or regulatory. Companies are therefore faced with the challenge of making well-founded decisions about the introduction of these technologies, often at an early stage and under great uncertainty.The primary goal of this dissertation is to develop a structured, indicator-based evaluation framework for assessing both the potential and the risk of Track & Trace applications in the industrial enviroment. The model is grounded in systems theory, general modeling principles, technology management, and strategic risk management. The central research question is how to evaluate the company-specific potentials and risks of Track & Trace use cases in a systematic and reproducible manner to support early-stage decision-making. The proposed framework supports the dual assessment of potential and risk. Potential is analyzed across multiple dimensions, including synergy, cost reduction, quality improvement, innovation capability, and branding. Risk is evaluated in categories such as development risk, implementation risk, substitution risk, acceptance risk, and financial feasibility. The framework enables companies to assign case-specific weights to each dimension and generates an overall evaluation score to support decision-making.To demonstrate the practical applicability of the model, several industrial case studies are analyzed. Each case is evaluated using the developed framework, and the results are discussed in expert interviews. The findings confirm that the model enables a more transparent, structured, and informed decision process regarding technology adoption and resource allocation.This dissertation contributes to both academic and practical fields by extending existing approaches in technology evaluation with a robust, multi-dimensional framework specifically tailored to the needs of Track & Trace applications. Ultimately, the proposed model supports companies in harnessing the benefits of Track & Trace technologies while effectively managing associated risks—thus enabling strategic, data-driven decisions in the digital age.