Technology Intelligence durch Data Envelopment Analysis, neuronale Netzwerke und System Dynamics Methoden

Bedingt durch die heutigen Geschäftsstrukturen hängt das Überleben eines Unternehmens sowohl von der Interaktion mit seinen lokalen Märkten als auch von der internationalen Orientierung seiner Entwicklungsaktivitäten ab. In diesem Zusammenhang wird es in Zeiten der Globalisierung und des stetig zunehmenden internationalen Wettbewerbs für Unternehmen relevanter denn je, die technologischen Entwicklungen und deren möglichen Einflüsse auf den Markt sowie die damit verbundene Entscheidungsfindung fortlaufend zu beobachten und zu bewerten. Das Technologiemanagement verfügt über bekannte und etablierte Methoden und Verfahren, die den aktuellen Entwicklungsstand von Technologien und deren Weiterentwicklungspotenzial frühzeitig erkennen. Diese Methoden, sogenannte Technologiefrühaufklärungsverfahren (Technology Intelligence), ermöglichen es Unternehmen, technologische Entwicklungen zu beobachten, zu analysieren und frühzeitig Vorhersagen (Forecasts) über die Entwicklungsrichtung einer Technologie zu treffen. Es gibt zahlreiche Technologiefrühaufklärungsmethoden, die hinsichtlich der Qualität ihrer Prognosen differieren. Die Technology Forecasting using Data Envelopment Analysis (TFDEA), erstmalig im Jahr 2001 auf der Portland International Conference on Management of Engineering and Technology vorgestellt [Inman (2004b)], gilt als einer der besten quantitativen Ansätze zur Technologiefrühaufklärung (TF). Sie lässt sich auf unterschiedliche Technologien anwenden und kann positive Ergebnisse aus dem Bereich von Flugzeug bis hin zu Wireless-Technologien aufzeigen. Die Prognoseerstellung mit dem von Inman beschriebenen TFDEA-Ansatz basiert auf der Hauptannahme, dass sich historische Muster in der Zukunft wiederholen [Inman (2004b)]. Aufgrund dessen wird bei der klassischen TFDEA eine konstante Rate of Change (ROC) verwendet. In die Bestimmung der ROC fließen lediglich die vorhandenen Input- und Output-Daten einer Technologie mit ein [Tudorie (2012a)]. Andere Einflussfaktoren auf die Entwicklung einer Technologie oder Fehler aus vorherigen Berechnungen werden jedoch nicht berücksichtigt. Diese Aspekte lassen viel Spielraum für Erweiterungen, mit denen sich diese Forschungsarbeit beschäftigt. In dieser Arbeit erfolgt eine Auseinandersetzung mit dem TFDEA-Ansatz mit dem Ziel, eine intelligente Dynamik zu erweitern. Obwohl keine hundertprozentig zutreffende Aussage über die Zukunft formuliert werden kann, besteht das Hauptziel in einer möglichst genauen Prognoseerstellung durch Minimierung von Vorhersagefehlern. Die Kernelemente einer Prognoseerstellung nehmen die ROC ein. Anders als Inman geht diese Arbeit von dynamischen Änderungsraten aus, die aus vorhandenen Input- und Output-Daten, externen Einflussfaktoren und Fehlerinformationen vergangener Kalkulationen errechnet werden können. Zusätzlich lassen sich in der Regel genauere Prognosen erstellen, wenn statt einzelner Produkte Produktgruppen verwendet und die Analysezeiträume verkürzt werden. Das in dieser Arbeit entwickelte Modell impliziert drei aufeinander aufbauende Entwicklungsstufen. Die erste Stufe befasst sich mit der allgemeinen Beschreibung von ROC-Funktionen durch die Regressionsanalyse. Dabei wird Abstand von einfachen, das heißt linearen oder exponentiellen, Funktionen genommen, und das Hauptaugenmerk wird auf zusammengesetzte und komplexere Funktionen gelegt. Die zweite Stufe zielt auf eine Adaption der ermittelten ROC-Funktionen durch künstliche neuronale Netzwerke (NN) ab. Ähnlich dem menschlichen Gehirn durchlaufen auch künstliche NN einen iterativen Lernprozess, der bei dem erweiterten TFDEA-Modell zu einer Anpassung der ROC durch angelerntes Wissen aus vergangenen Kalkulationen führt. Die letzte Stufe befasst sich mit der Einbindung von äußeren Einflussfaktoren in die Berechnung der Änderungsraten. Dazu wird in dieser Forschungsarbeit die System Dynamics (SD)-Methode von Jay W. Forrester angewendet, die sich durch eine „gesamtheitliche Analyse und Simulation von komplexen und dynamischen Systemen“ auszeichnet [Forrester (1989)]. Abseits der Adaption von Änderungsraten kann das TFDEA-Modell auch durch das Konzept der Netzwerk-DEA verbessert werden. Die klassische DEA ist mit einem Blackbox-Modell vergleichbar. Technologien werden in diesem Zusammenhang ausschließlich anhand ihrer Input- und Output-Daten beschrieben. Eine Analyse der Prozesse, die im Inneren einer Technologie erfolgen, findet nicht statt. Abhilfe schafft das Modell der Netzwerk-DEA mit dem Ziel, die in einer Blackbox ablaufenden Vorgänge zu beschreiben. Ein Produkt bzw. eine Technologie beinhaltet in den meisten Fällen mehrere Subtechnologien, die miteinander in Verbindung stehen. Sofern alle Subtechnologien eines Produkts definiert und bekannt sind, können daraus vollständige Informationen über die gesamte Technologie abgeleitet werden. Neben der Ermittlung von effizienten und ineffizienten Subtechnologien kann die Aufschlüsselung einer Technologie für die genauere Bestimmung der State-of-the-Art (SOA)-Technologie genutzt werden. Die eben genannten Möglichkeiten zur Verbesserung des TFDEA-Ansatzes lassen sich durch vielschichtige mathematische Modelle beschreiben. Für eine einfachere Verwendung können diese Funktionen auch in einem Softwaresystem abgebildet werden. In diesem Beitrag ist ein umfassendes Verfahren entworfen worden, das in Form eines Computer assisted Technology Intelligence (CaTI)-Systems umgesetzt und als modulares, interaktives System entwickelt wurde. Das Ziel des CaTI-Systems liegt in einer besseren Unterstützung des gesamten Technologiefrühaufklärungsprozesses, von der Datenerfassung und -erzeugung mit Data- bzw. Text- und Webmining sowie der Netzwerk-DEA über die Analyse, Auswertung und Prognoseerstellung durch eine Kombination von TFDEA mit Regressionsanalysen, einem NN und einer SD bis hin zur Kommunikation der Ergebnisse mit einem Reporting-System.