Das zielgerichtete Management von Innovationen hat in Zeiten globaler und dynamischer Märkte einen maßgeblichen Einfluss auf die Wettbewerbsfähigkeit von Unternehmen. Insbesondere die frühe Phase des Innovationsprozesses zielt darauf ab, Innovationschancen im Rahmen des Umfeldscannings frühzeitig zu erkennen. Hierfür stehen immer stärker wachsende Datenmengen zur Verfügung, aus denen relevante Informationen jedoch erst extrahiert werden müssen. Dieser Beitrag präsentiert die Ergebnisse einer Studie zu den Herausforderungen an ein erfolgreiches Innovationsmanagement und stellt ein Umfeldscanningsystem vor, welches die Effektivität und die Effizienz des Innovationsmanagements mithilfe von künstlicher Intelligenz steigert. Durch das dreistufige Verfahren, bestehend aus Themenerkennung, Trenderkennung und Trendbeobachtung, kann das Umfeldscanning in hohem Maße automatisiert werden. In der anschließenden Fallstudie wird anhand von drei Praxisbeispielen gezeigt, wie mithilfe des Systems die Trends von Morgen erkannt werden können. Zum Schluss wird das datenbasierte Umfeldscanningsystem als Chance für Unternehmen jeder Größe diskutiert.

The design of socio-technical systems is a challenging task due to diverse stakeholders and complex processes that have to be mapped into software. Following a socio-technical approach for information system analysis and design results in more user-friendly systems accompanying various benefits for associated stakeholders. However, there is a lack of theories and methods which consider technical, social and organisational factors. Researchers recommended activity theory as a rich framework to study socio-technical systems. While the benefits trigger increased use of activity theory, there seems to be a shared heritage of disadvantages linked to its nature and hence its application. This article introduces a novel conceptual activity theory framework to resolve these problems and evaluates it within a case study in the context of innovation management. For the development of the framework a design science research methodology approach is followed.

Innovationsmanagement ist für Unternehmen in der heutigen Zeit ein wichtiges Instrument, um in sich schnell wandelnden Märkten konkurrenzfähig und erfolgreich zu bleiben. Dafür stehen in der heutigen Zeit große Mengen an Daten zur Verfügung, aus denen die relevanten Informationen jedoch zunächst herausgefiltert werden müssen. Dieser Beitrag präsentiert die Ergebnisse einer Studie zu den Herausforderungen an ein erfolgreiches Innovationsmanagement in Unternehmen und stellt ein Umfeldscanningsystem vor, das die Effizienz von Innovationsmanagement mithilfe von Big Data Analytics steigert. Durch die Anwendung von modernen Verfahren des maschinellen Lernens und mathematischen Algorithmen kann dieses in hohem Maße automatisiert werden. In der anschließenden Fallstudie wird anhand von zwei Datensätzen gezeigt, wie mithilfe des Umfeldscanningsystems aktuelle Trends gefunden werden können. Zum Schluss wird das datenbasierte Umfeldscanningsystem als Chance für kleine und mittlere Unternehmen und als Lösung für die im Vorfeld erkannten Herausforderungen diskutiert.