Daten allein reichen nicht: Wie Unternehmen datenbasiertes Produktmanagement systematisch gestalten können

Produktmanager:innen müssen Entscheidungen zu Märkten, Kunden, Produkten und Portfolios unter zunehmender Komplexität treffen. Gleichzeitig stehen in vielen Unternehmen umfangreiche Daten zur Verfügung, etwa aus Vertrieb, Service, Produktion, Produktnutzung oder digitalen Kundeninteraktionen. Häufig werden diese Informationen jedoch nur punktuell für Produktentscheidungen genutzt. Daten liegen über Abteilungen und Systeme verteilt. Ihre Verfügbarkeit und Qualität unterscheiden sich und ihre Einbindung in konkrete Aufgaben und Entscheidungsprozesse des Produktmanagements ist häufig nicht durchgängig geregelt. Genau hier setzt das Projekt product.intelligence an.

Die eigentliche Herausforderung liegt vor dem Dashboard

Die Projektarbeiten zeigen, dass datenbasiertes Produktmanagement nicht allein durch zusätzliche Analyse- oder Visualisierungstools entsteht. Entscheidend ist bereits die Frage, welche Informationen für eine konkrete Produktmanagement-Aufgabe benötigt werden, wo diese Daten verfügbar sind und wie sie sinnvoll zusammengeführt werden können.

In vielen Unternehmen verteilen sich produktrelevante Informationen auf operative Quellsysteme, Analysewerkzeuge, dezentrale Ablagen, Tabellen oder Präsentationen. Dadurch entstehen Medienbrüche und zusätzlicher Aufwand bei der Datenaufbereitung. Gleichzeitig müssen Verantwortlichkeiten, Rollen und Entscheidungsprozesse so gestaltet sein, dass aus Analysen tatsächlich nutzbare Entscheidungsgrundlagen entstehen.

Genau diese Verbindung stand im Zentrum des Projekts. Datenanalysen wurden deshalb konsequent mit den Aufgaben und Entscheidungen des Produktmanagements sowie mit den dafür notwendigen organisatorischen und technologischen Voraussetzungen verknüpft. Das Ergebnis ist ein Referenzmodell, das diese unterschiedlichen Perspektiven systematisch zusammenführt.

Für Timm Fichtler, Projektleiter vom Heinz Nixdorf Institut, liegt darin ein zentraler Ansatzpunkt des Projekts: Unternehmen benötigen Transparenz darüber, welche Daten sie für ihre Produktmanagement-Aufgaben benötigen und welche Voraussetzungen geschaffen werden müssen, um diese Daten dauerhaft für Entscheidungen nutzbar zu machen.

63 Use Cases konkretisieren den Nutzen von Datenanalysen

Welche konkreten Einsatzmöglichkeiten ergeben sich für das Produktmanagement? Dafür wurden im Projekt 63 spezifizierte Use Cases erarbeitet. Sie umfassen unter anderem Markt- und Wettbewerbsanalysen, Kunden- und Nutzungsverhalten, Produkteigenschaften und -performance, Produktstrategie und Portfolio, Produktion und Engineering, Marketing, Vertrieb sowie Service.

Jeder Use Case orientiert sich an einer konkreten Fragestellung des Produktmanagements und beschreibt Analysezweck, typische Leitfragen sowie erwartete Ergebnisse. Die Datenanalyse wird dadurch mit einer konkreten Aufgabe oder Entscheidung verknüpft. Beispiele reichen von der Identifikation neuer Marktanforderungen über die Bewertung der Produktperformance und die Priorisierung von Entwicklungsmaßnahmen bis hin zu Portfolio- und Lifecycle-Entscheidungen.

Besonders hohe Potenziale wurden in den Bereichen Marktanalyse und Ideengenerierung sowie Produktcontrolling und -monitoring identifiziert. Strategische Aufgaben wie Produktstrategie oder Portfolioentscheidungen können wiederum von den Ergebnissen vorgelagerter Analysen profitieren.

Die Use Cases dienen damit als konkrete Einstiegspunkte. Sie helfen Unternehmen, Analysepotenziale mit Aufgaben, benötigten Daten und organisatorischen Rahmenbedingungen zu verbinden und daraus umsetzbare Initiativen abzuleiten.

Fünf Unternehmen erproben unterschiedliche Anwendungen

Wie unterschiedlich datenbasiertes Produktmanagement in der Praxis ausgestaltet sein kann, zeigen die Pilotanwendungen bei DMG MORI, Diebold Nixdorf, ISRINGHAUSEN, Schmitz Cargobull und WAGO. Parallel zur Entwicklung des Referenzmodells wurden dort spezifische Lösungen für reale Fragestellungen, Datenlagen und organisatorische Rahmenbedingungen entwickelt und erprobt. Die Erfahrungen aus den Pilotunternehmen flossen wiederum in die Weiterentwicklung des Referenzmodells ein.

Bei Diebold Nixdorf werden Betriebsdaten von Geldautomaten miteinander verknüpft. Produktfehler-, Nutzungs- und Konfigurationsdaten bilden eine faktenbasierte Grundlage, um Ausfallraten auf Modul- und Komponentenebene zu analysieren, Trends frühzeitig zu erkennen und die Produktperformance global vergleichbar zu machen. Die Kombination der Daten ermöglicht beispielsweise Aussagen darüber, welche Firmwarestände mit einer höheren Produktstabilität verbunden sind.

Schmitz Cargobull kombiniert vorgefilterte Sales-Daten mit Telematikdaten aus Fahrzeugen im Feld. Dadurch entsteht ein umfassenderes Verständnis der tatsächlichen Produktnutzung. Die gewonnenen Nutzungsmetriken können dazu beitragen, Anforderungen und Lastenhefte bedarfsgerechter zu formulieren, Kundenprojekte besser zu unterstützen und zukünftige Anwendungsszenarien fundierter zu bewerten.

Bei ISRINGHAUSEN werden vorhandene Unternehmensdaten aus ERP-System, Excel-basierten Übersichten und einem Konstruktionstool zusammengeführt. Daraus entsteht eine Ausstattungsmatrix mit einem zentralen Überblick über Merkmale, Optionen und weitere relevante Informationen zu Sitzsystemen. Auf dieser Grundlage kann das Produktmanagement beispielsweise Ausstattungs- und Absatzentwicklungen oder Ersatzteilzuordnungen analysieren und Fragestellungen zu Neuentwicklungen, Qualitätsüberwachung oder Abkündigungen schneller und eigenständiger bearbeiten. Die verknüpften Daten werden zusätzlich über Power BI visualisiert.

DMG MORI fokussiert die systematische Erfassung und Auswertung von Kundenfeedback im Kontext der Academy. Daten aus Kundenzufriedenheitsanalysen werden mit verschiedenen Informationsquellen zusammengeführt und in einem Dashboard ausgewertet. Ziel ist es, Trainingsqualität transparenter zu machen, Kundenfeedback kontinuierlich in Optimierungsprozesse einzubeziehen und Schulungsangebote gezielter weiterzuentwickeln.

Bei WAGO steht die datengetriebene Entscheidungsunterstützung anhand externer Online- und Community-Daten im Mittelpunkt. Informationen aus Social-Media-Plattformen, Fachforen und weiteren frei verfügbaren Quellen werden analysiert, um Markttrends, Wettbewerbsaktivitäten, relevante Themen und Nutzerreaktionen zu erkennen. Die Ergebnisse können unter anderem die Feature-Entwicklung, Zielgruppenansprache, Roadmap-Planung und strategische Weiterentwicklung des Produktportfolios unterstützen.

Die fünf Pilotanwendungen verdeutlichen zugleich, dass es keine einheitliche Lösung für datenbasiertes Produktmanagement gibt. Ausgangssituation, Fragestellung, verfügbare Daten und organisatorische Rahmenbedingungen bestimmen, welche Form der Unterstützung sinnvoll ist. Diese Kontextabhängigkeit ist ein zentrales Ergebnis der praktischen Erprobung.

Datenbasiertes Produktmanagement braucht organisatorische Voraussetzungen

Neben konkreten Datenanalysen untersuchte das Projekt deshalb auch, welche Voraussetzungen Unternehmen schaffen müssen, um datenbasierte Arbeitsweisen dauerhaft im Produktmanagement zu verankern.

Dafür wurde ein Reifegradmodell für die Digitalisierungsbereitschaft im Produktmanagement entwickelt. Es umfasst 22 Fähigkeiten in vier Gestaltungsfeldern: strategische Verankerung, organisationale Implementierung, Personalmanagement und technologische Fundierung.

Dazu gehören beispielsweise strategische Zieldefinition und Alignment, Rollen- und Zusammenarbeitsstrukturen, Kompetenzentwicklung sowie Datenzugänglichkeit und Systemintegration. Jede Fähigkeit wird über fünf aufeinander aufbauende Reifegradstufen beschrieben.

Das Modell ermöglicht Unternehmen, ihre Ausgangssituation strukturiert zu reflektieren, Stärken und Entwicklungsbedarfe sichtbar zu machen und erste Ansatzpunkte für Transformationsmaßnahmen abzuleiten.

Dabei zeigt sich eine wichtige Verbindung zur technologischen Perspektive: Fortschritte bei Tools oder Dateninfrastruktur entfalten ihre Wirkung vor allem dann, wenn entsprechende Fähigkeiten in Strategie, Organisation, Zusammenarbeit und Kompetenzentwicklung vorhanden sind.

KI-Unterstützung für konkrete Aufgaben im Produktmanagement

Einen weiteren Baustein bildet der product.intelligence Copilot. Er wurde im Projekt als prototypischer Demonstrator entwickelt und zeigt exemplarisch, wie generative KI konkrete Produktmanagement-Aufgaben unterstützen kann.

In einer konsortialweiten Bedarfsanalyse wurden zunächst Aufgaben identifiziert, bei denen generative KI einen Beitrag leisten kann. Als unternehmensübergreifend relevante Anwendungsfälle erwiesen sich insbesondere die Überwachung von Wettbewerberaktivitäten, die Analyse technologischer Trends sowie die Beobachtung von Gesetzen und Normen.

Für den Prototyp wurden Wettbewerbs- und Technologietrendanalysen umgesetzt. Auf eine vertiefte technische Umsetzung der Normen- und Gesetzesanalyse wurde aufgrund restriktiver Lizenzbedingungen vieler Normungsorganisationen verzichtet.

Der Copilot folgt einem modularen Bausteinkonzept. Methodenwissen, unternehmensspezifisches Wissen, technische Konnektoren und Funktionsbausteine lassen sich kombinieren, um unterschiedliche Produktmanagement-Aufgaben zu unterstützen. Nutzer:innen können beispielsweise eine Wettbewerbs- oder Technologietrendanalyse auswählen. Anschließend werden Recherche- und Aggregationsprozesse angestoßen und die Ergebnisse dialogisch oder in Form generierter Berichte bereitgestellt.

Auch die Anbindung interner Unternehmensdaten ist in der prototypischen Architektur exemplarisch über einen Konnektor zu SAP S/4HANA berücksichtigt.

Damit zeigt der Demonstrator, wie generative KI, externe Informationsquellen und interne Unternehmensdaten technisch für konkrete Aufgaben des Produktmanagements zusammengeführt werden können.

Ein Referenzmodell verbindet die einzelnen Bausteine

Zentraler Ausgangspunkt des Projekts war die Entwicklung eines wissenschaftlich fundierten und anwendungsnahen Referenzmodells für datenbasiertes Produktmanagement. Parallel dazu wurden die Lösungen in den fünf Pilotunternehmen entwickelt, erprobt und genutzt, um das Modell weiter zu schärfen.

Das Referenzmodell verbindet vier Perspektiven: Grundlagen des Produktmanagements, Grundlagen der Transformation, spezifische Grundlagen des datenbasierten Produktmanagements sowie den product.intelligence Copilot als Demonstrator.

Zu den erarbeiteten Artefakten gehören unter anderem 23 Erfolgsfaktoren für das Produktmanagement, 16 Fokusrollen im Produktmanagement, 16 Rollen für die Organisation eines datenbasierten Produktmanagements, 47 Datenarten, 18 generische Anwendungsgebiete, 63 Use Cases und das Reifegradmodell.

Dabei gibt das Projekt nicht für jedes Unternehmen einen identischen Ablauf vor. Der entwickelte 150-Prozent-Produktmanagementprozess bündelt beispielsweise die in den Pilotunternehmen beobachteten Tätigkeiten bewusst als Orientierungsmodell. Er bildet ausdrücklich keinen universellen Standardprozess ab.

Das übergeordnete Referenzmodell besitzt gleichzeitig einen präskriptiven Anspruch. Es strukturiert, welche inhaltlichen, organisatorischen, methodischen und technologischen Bausteine für ein datenbasiertes Produktmanagement relevant sind und wie diese miteinander verbunden werden können.

Das it’s OWL Projekt product.intelligence lief von April 2023 bis Oktober 2025. Beteiligt waren Diebold Nixdorf, DMG MORI, ISRINGHAUSEN, Schmitz Cargobull und WAGO sowie die Forschungspartner Fraunhofer IEM und Heinz Nixdorf Institut. Mit dem Abschlussbericht stehen die entwickelten Modelle, Methoden und Anwendungserfahrungen nun auch Unternehmen außerhalb des Projektkonsortiums zur Verfügung.