«Vom Produktverkauf zum Customer-Success.»

Das Institut für Data Science (IDS) der ZHAW School of Engineering zählt zu den führenden Schweizer Adressen für angewandte Data-Science und Business-Engineering. Beim Forschungsschwerpunkt «Smart Services and Operations» verbindet das Institut wissenschaftliche Methoden mit einer hohen Praxisrelevanz. Es begleitet Industrieunternehmen auf dem Weg vom reinen Produktverkauf zum Customer-Success. Gemeinsam mit dem SKDV und weiteren Hochschulen wie der OST und der HSLU bringt die ZHAW aktuelles Hochschulwissen direkt auf die Messebühne der «maintenance Schweiz 2026», die vom 26. bis 27. August in der Messe Zürich stattfindet. Im Trendinterview spricht Prof. Dr. Jürg Meierhofer, Leiter des Forschungsschwerpunkts «Smart Services and Operations», über Smart Services im industriellen Field-Service. Er thematisiert Customer-Value-Creation, den Value of Solving Pains und neue Service-Geschäftsmodelle. IoT, Machine-Learning sowie KI sind weitere relevante Themen. Zum Schluss beantwortet er die Frage, wie aus Kundennutzen wirtschaftlicher und ökologischer Mehrwert entsteht.

Warum Smart Services jetzt zählen

Herr Prof. Meierhofer, warum sind Smart Services im industriellen Field-Service 2026 zu einem entscheidenden Erfolgsfaktor geworden?

Jürg Meierhofer: In den Smart Services steckt die gesamte Wertschöpfung für die Kunden. Kundenunternehmen – ich spreche hier vom industriellen B2B-Umfeld – kaufen Anlagen, weil sie damit über ihre eigene Produktion Wert schaffen wollen. Gleichzeitig werden Anlagen und Produkte immer schwerer verkäuflich. Die Schweiz verzeichnet hier teilweise Kostennachteile. Wenn ein Hersteller stattdessen über Servicebeziehungen Wert generiert, kann er auf der installierten Basis über die gesamte Nutzungsdauer hinweg immer wieder Wertschöpfung erzielen. Genau darin liegt das eigentliche Potenzial.

Wie verändert sich die Rolle des Herstellers, wenn Produkte oder Systeme technologisch immer vergleichbarer werden und Kunden ganzheitliche Lösungen erwarten?

Die Anlage selbst macht die Differenzierung nur noch zum Teil aus. Den Unterschied macht, wie gut die Kunden mit den Anlagen und Produkten Wert schöpfen. Ich spreche in diesem Zusammenhang gerne davon, dass der Hersteller zum Customer-Success-Manager seiner Kunden wird: Mit dem Service hilft er ihnen, das Optimum aus der Anlage herauszuholen. Der Service deckt diese Verantwortung für den Nutzungserfolg ab.

Servitization: mehr als ein Preismodell

Servitization wird regelmässig auf Preis- oder Subscription-Modelle reduziert. Was bedeutet der Begriff für Sie im Kern?

Servitization heisst im Kern, dass man mit einem Produkt nach dem Verkauf wiederkehrend Wert generiert. Wer das auf Subscription- oder Preismodelle reduziert, denkt bloss: Die Kunden zahlen jetzt mehrfach für etwas, während sie früher einmal für den Kauf bezahlt haben. Das greift viel zu kurz. Denkt man Servitization dagegen im Sinne des Customer-Success, geht es darum, den Kunden nach dem Verkauf der Anlage immer wieder zu helfen, mit dieser Anlage Wert zu schaffen – ihnen zum Erfolg zu verhelfen und dafür Verantwortung zu übernehmen. Die Kunden bezahlen demnach dafür, dass man ihnen hilft. Das ist weit mehr als eine Finanzierungstechnik: Es geht um permanente, wiederkehrende Wertschöpfung.

Wie identifiziert ein Technologiehersteller systematisch die Problempunkte seiner Kunden, statt seine Services beziehungsweise After-Sales-Prozesse primär aus technologischer Sicht zu denken?

Das knüpft erneut daran an, den Kunden zum Erfolg zu verhelfen. Das gelingt nur, wenn man genau versteht, wie die Kundenunternehmen arbeiten. Man muss ihre Prozesse kennen und die Kundenunternehmen genau durchleuchtet haben, bevor man überhaupt versteht, wo der Schuh drückt – und wie das eigene Produkt noch besser zur Wertschöpfung beiträgt. Entsprechend variiert die Lösung für jedes Kundenunternehmen. Es gibt nicht die eine Lösung für alle. Man kann sie natürlich modularisieren und Ähnliches bei bestimmten Kunden wieder anwenden. Welches Modul oder welche Kombination davon beim einzelnen Kunden jedoch das richtige ist, muss man zuerst über diese Kundennähe herausfinden – mit den entsprechenden Techniken: Kunden besuchen, ihre Prozesse verstehen, tief eintauchen.

Eigentlich klassisches Customer-Relationship-Management (CRM)?

Je nachdem, was man darunter versteht. Was aber nicht ausreicht, ist, in einer Kundendatenbank nur unternehmensdemografische Merkmale wie Unternehmensgrösse, Produkte, Technologie und so weiter abzulegen. Das greift zu kurz. Zwei Unternehmen können in solchen Variablen genau gleich aussehen und trotzdem unterschiedliche konkrete Prozesse haben: Wo staut sich etwas, wo entsteht ein Qualitätsproblem, wo dauert etwas zu lange, wo gibt es Ressourcenengpässe? Das kann trotz der gleichen demografischen Beschreibung sehr verschieden ausfallen. Ein klassisches CRM-Denken allein ersetzt diese Tiefe des Kundenverständnisses nicht.

Kundennutzen sichtbar und quantifizierbar machen

Wie macht man die Auswirkungen von Kundenproblemen wie Stillstände, Qualitätsprobleme oder CO₂-Emissionen so transparent, dass eine belastbare und langfristige Zahlungsbereitschaft und damit echte Kundenbindung entsteht?

Diese Problempunkte, diese Pains, erarbeitet man gemeinsam mit den Kunden – vom Schreibtisch aus geht das gar nicht. Man muss zwingend ins Gespräch kommen, Daten der Kunden erhalten, Interviews führen oder Factory-Visits machen. Damit findet bereits in diesem Moment eine Co-Creation zwischen Kunden und Anbietern statt: Die Ansprechpersonen beim Kunden sind mit auf der Reise und haben die Erkenntnis mitentwickelt. Das ist die halbe Miete. Anschliessend bewertet man die entdeckten Pains quantitativ: Wie hoch ist ihr finanzieller Impact durch schlechte Qualität, Verzögerungen, Wartezeiten oder Ausschuss? Man beziffert, wie viele Franken pro Jahr verloren gehen, und zwar gemeinsam mit den Kunden. Sie sind dann im Verständnis auf der gleichen Höhe und sehen: Hier verliere ich Geld und mit einem Service liesse sich dieser Verlust vermeiden. Das verdeutlicht, dass ein Teil dieses Werts über die Bezahlung des Service zurückfliesst.

Das ist wie eine gemeinsame Reise. Man muss nicht nur bildlich gesprochen die Transportmittel und die gepackten Koffer bereithalten, sondern es ist ein kontinuierlicher Prozess, oder?

Genau, ein Co-Creation-Prozess. Teile davon lassen sich mit Daten automatisieren. Trotzdem muss man die Kunden beim Ergebnis einbeziehen, es gemeinsam verstehen und interpretieren. Am Schluss steht eine Zahl: die Quantifizierung. Die Zahlungsbereitschaft entsteht nur, wenn die Kunden diese Erkenntnisreise selbst mitgemacht haben. Sie kann mehr oder weniger automatisiert sein, aber – um bei Ihrem Bild zu bleiben – man steigt gemeinsam ins Fahrzeug und fährt die Reise zusammen.

Von kosten- zu wertbasierten Preismodellen mit Business-Engineering

Welche Voraussetzungen müssen erfüllt sein, damit ein Hersteller oder KMU für Instandhaltungsdienstleistungen den Sprung von kostenbasierten zu wertbasierten Preismodellen schafft?

Das baut direkt auf dem Vorherigen auf. Man muss überhaupt verstehen, wie und wo man für die Kunden Wert schafft. Das steht ganz am Anfang. Die Überlegung, wo die Kunden in ihrer Produktion ihre Pains haben, ist die notwendige Voraussetzung. Diese Kette muss man durchgearbeitet haben. Dann kommt eine interne Voraussetzung beim Hersteller selbst: Er muss in der Lage sein, die Logik umzustellen. Wertbasiert bedeutet nämlich, dass nicht mehr alle Kunden den gleichen Preis zahlen – weil nicht alle den gleichen Wert erhalten. Das setzt voraus, dass man die Kommunikation des Angebots entsprechend aufbereitet. Es darf nicht widersprüchlich wirken, dass unterschiedliche Kunden für vermeintlich das Gleiche verschiedene Preise zahlen. Denn es ist eben nicht mehr das Gleiche. Von der Rechnungsstellung bis zur Kommunikation muss man darauf ausgerichtet sein und es als kundenindividuelle Lösung vermitteln, in der die Technik nur ein Teil ist. Das ist letztlich Business-Engineering. Das verdeutlicht, dass es um kundenindividuelle Pains und Herausforderungen geht, die man kennen muss. Das bilden wir an der ZHAW unter anderem am Institut für Data Science (IDS) aus, zum Beispiel im CAS Smart Services: von datengetriebener Innovation zur digitalen Wertschöpfung

Für welche Unternehmen und Anlagentypen eignen sich outputorientierte Servicemodelle, bei denen das Ergebnis statt einzelner (Maintenance-)Einsätze im Vordergrund steht?

Weil outputorientierte Modelle neu sind, lässt sich das noch nicht auf breiter Basis beantworten. Sie sind noch nicht sehr verbreitet. Was man jedoch bereits sieht: Sie eignen sich dort, wo Verfügbarkeit oder die erwartete Qualität für das Kundenunternehmen besonders kritisch ist. Es gibt Fälle, in denen eine Anlage zwar wichtig ist, aber nicht unternehmenskritisch. Wenn dort einmal etwas nicht stimmt, können sich die Kunden arrangieren, in der Zwischenzeit etwas anderes tun oder kompensieren. Dort sind solche Modelle weniger angebracht. Anders, wenn es sehr kritisch ist und der Kunde ein grosses Problem hat, sobald die Anlage nicht liefert: Dann ist der Value of Pain entsprechend hoch. Genau dort passen outputorientierte Modelle.

Wo sich outputorientierte Modelle lohnen

Können Sie ein Beispiel für eine solche kritische Anlage nennen, das zeigt, dass so etwas komplex analysiert werden muss und sich nicht mit einzelnen Einsätzen abbilden lässt?

Es gibt Produktionen bei Kunden, die hoch industrialisiert sind. Der industrielle Trend geht dahin, zumeist im Schichtbetrieb. Dann hat jede Betriebsstunde oder gar jede Minute einen konkreten Wert, weil laufend Endprodukte aus der Produktion kommen. Jede Minute Stillstand lässt sich direkt mit dem Taximeter in Franken umrechnen. Dem stehen eher manufakturartige Betriebe gegenüber, die eine Anlage sporadisch einsetzen und dann etwas anderes damit machen – zum Beispiel bei Nischenanbietern, deren Endkunden ebenfalls in spezialisierte Nischen sind. Das hat absolut seine Berechtigung. Dort besteht jedoch viel mehr Flexibilität, etwas zeitlich umzuschichten: Was man für Montag geplant hat, lässt sich vielleicht auch am Mittwoch erledigen. Im hoch industrialisierten Fall geht das nicht und dort lohnt sich die genaue Analyse.

Kann man generell sagen: In der Hochtechnologieproduktion ist das besonders relevant oder gilt es auch für KMU mit einfacheren Prozessen?

Hochtechnologie gibt es auch im manufakturartigen Umfeld. Entscheidend ist aber die industrialisierte, serielle Massenproduktion – besonders dann, wenn der Output sehr hochwertig ist. Im Prinzip kann man sagen: Sobald es eine Massenproduktion ist – also für ein Produkt, das für sich nur einen kleinen Wert hat, jedoch in sehr hoher Stückzahl anfällt –, ist es trotzdem viel wert, wenn die Anlage eine Stunde stillsteht. In solchen Umgebungen ist das immer relevant.

Kann es demnach für KMU mit einzelnen Servicetechnikereinsätzen relevant sein, outputorientiert zu denken?

Ja. Nur würde ich die Entscheidung nicht den Servicetechnikern aufbürden, sondern sie ein, zwei Schritte früher treffen, beispielsweise im Scheduling, wo entschieden wird, wer eingesetzt wird, oder sogar schon dort, wo der Servicevertrag mit den Kunden vereinbart wird. Es gibt Störungsmeldungen oder Bedarfsanfragen, deren Kritikalität man unterschätzt. Analysiert man den Value of Pain, sollten diese Unterschiede deutlich herauskommen. Dann gibt es für unterschiedliche Fälle verschiedene Servicekomponenten, die abgerufen werden. Im Störungsfall geht es darum, zu erkennen, welche Kritikalität das jetzt hat. Das sollte ins Scheduling einfliessen.
Wir hatten einen Fall mit limitierten Serviceressourcen: Ein Hersteller hatte begrenzte Kapazitäten und mehrere Kunden meldeten gleichzeitig Störungen. Dann kam unweigerlich die Frage auf, wohin man zuerst geht. Eben nicht «first come, first served», sondern abhängig von der Kritikalität – hergeleitet aus der vorangegangenen Analyse der Value of Pains und dem jeweiligen Servicevertrag.

Daten, Machine-Learning und KI – mit Augenmass und in drei Horizonten

Welchen Wert haben die Nutzungsdaten aus dem Feld über das einzelne Serviceangebot hinaus, etwa für Produktverbesserung und Innovation?

Aus Servicesicht haben die Daten zunächst einen Trainingscharakter: Wenn ich mit KI- oder Machine-Learning-Modellen etwas vorhersagen oder einen Zustand beurteilen will, brauche ich Trainingsdaten – sogenannte annotierte, also «gelabelte» Daten aus der Vergangenheit. Im laufenden Betrieb brauche ich die Daten, um im laufenden Servicefall zu entscheiden, was gerade vorliegt. In die Zukunft gedacht haben die Daten immer einen Wert, um zu verstehen, wo es in der nächsten Produkt- oder Servicegeneration wiederkehrende Probleme gab. Das untersucht man dann in der Root-Cause-Analyse. Oder innovationsgetrieben: Gibt es Funktionen, die kaum genutzt werden, oder solche, die so stark genutzt werden, dass man sie ausbauen sollte? Das sind drei Horizonte: erstens Daten zum Lernen von Modellen, zweitens zur situativen Entscheidungsunterstützung im laufenden Servicefall und drittens Daten als strategische Ressource für Produkt- und Serviceinnovation der nächsten Generation.

Und dabei Predictive Analytics anwenden?

Ja, genau. Meist meint man damit Predictive Maintenance. Das setzt beim ersten der genannten Zeitelemente an, also in der Vergangenheit: Was hat drei Tage später den Ausfall verursacht? Welche Muster sind bei Vibrationen, Stromverbräuchen und Ähnlichem zu erkennen? Im Moment selbst trifft man dann eine Prediction beziehungsweise Vorhersage: Der Stromverbrauch beziehungsweise die Klassifikation sieht so und so aus, also fällt die Anlage voraussichtlich in drei Tagen aus. Man kann Prediction auch im übertragenen Sinn verwenden für den oben genannten dritten Horizont: Was könnte die nächste Produktgeneration brauchen? Im engeren Sinn meint Predictive Maintenance jedoch genau diese Ausfallvorhersage.

Wie viel KI braucht ein Unternehmen wirklich, um den Einstieg in datengetriebene Services beziehungsweise seine Digitalisierungsstrategie zu schaffen?

Eine etwas provokative Ansage, aber ich sage: a priori gar keine. Warum? Natürlich braucht es irgendwann KI oder Machine Learning. Aber ich empfehle nicht, mit der KI zu starten. Denn das können relativ grosse Vorhaben sein, mit Datenaufbereitung, Algorithmen und so weiter, nach dem Motto: zuerst entwickeln und dann schauen wir, was wir damit im Service machen. Es ist sinnvoller, man startet umgekehrt und versucht zuerst, zu verstehen, mit welchen Services man den Kundenunternehmen überhaupt helfen kann. Und erst wenn man das verstanden hat, giesst man es in KI. Die braucht es dann schon, sonst skaliert der Service nicht. Häufig geht man zunächst mit einer erfahrenen Fachperson hin, die beurteilt: Das verursacht das Qualitätsproblem, das würde ich umstellen und hier setze ich eine Person ein, die es beobachtet und bei Veränderungen rasch alarmiert. So etwas macht man vielleicht drei Monate lang mit einer Fachperson. Vieles von dem, von dem man glaubt, dass es den Kunden hilft, hilft dann gar nicht, während man bei anderen Punkten sieht: Davon sollten wir mehr haben. Das ist genau diese Phase der Customer-Insights und Pain-Analyse, die ich am Anfang erläutert habe. Hat man das verstanden, unterstützt man die Person allmählich mit KI und macht sie zeiteffizienter.
Wenn eine qualifizierte Fachperson die Analysen beim Kunden bereits mit einem KI-Tool vorwegnehmen kann, wird das Kundengespräch kürzer oder erübrigt sich. Die Beobachtung lässt sich zudem oft vom Schreibtisch aus erledigen. Dadurch wird die Person immer effizienter, bis die Aufgabe vielleicht ganz durch KI abgedeckt und automatisiert ist. Dann skaliert der Service vollständig. Mein Best-Practice-Rat lautet deshalb: personenbasiert starten und dann schrittweise mit KI unterstützen.

Kostenloser Eintritt auf die Doppelmesse mit Rundumservice

Der Eintritt zu beiden Fachmessen sowie allen Vortragsflächen ist kostenlos. Vor Ort werden die Besuchenden mit Getränken und Snacks versorgt. Ein kostenloses Ticket kann mit dem Einladungscode «1417» auf der Website gesichert werden. Treffen Sie die Branche vom 26. bis 27. August 2026 in der Messe Zürich und nutzen Sie diese wertvolle Weiterbildung sowie Networking zum Nulltarif.

Weitere Informationen finden Sie unter: www.maintenance-schweiz.ch

Das Interview mit Prof. Dr. Jürg Meierhofer führte Markus Frutig im Namen von Easyfairs Switzerland GmbH.