Vom Konzept zur Kommerzialisierung: Deep-Tech-Startups verstehen

• Antragsteller: Professor Dr. David Bendig
• Fachliche Zuordnung: Operations Management und BWL-spezifische Wirtschaftsinformatik ; Wirtschaftspolitik, Angewandte Volkswirtschaftslehre
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 531021081

Deep-Tech-Startups erfahren aktuell großes Interesse und werden mit erheblichen privaten und öffentlichen Mitteln unterstützt. Dennoch haben sie in der Managementforschung noch wenig Aufmerksamkeit erlangt. Wir argumentieren, dass Deep-Tech-Startups Charakteristika aufweisen, die sie von gewöhnlichen Technologie-Startups unterscheiden. Insbesondere unterliegen sie spezifischen Normen und Dynamiken bezüglich der Vermarktung ihrer Technologien, die derzeit unzureichend verstanden werden und die besondere Aufmerksamkeit erfordern. Um diese Wissenslücken zu schließen, haben wir einen umfassenden, aus drei Arbeitspaketen (AP) bestehenden, Forschungsplan entwickelt. AP1 wird zunächst den Untersuchungsgegenstand "Deep-Tech-Startup" konzeptualisieren. Die zentrale Forschungsfrage lautet: Wie können Deep-Tech-Startups konzeptionell abgegrenzt werden? Um dies zu beantworten, wird ein Mixed-Methods Ansatz angewendet: Zunächst wird Text Mining zur Themenmodellierung eingesetzt, um induktiv charakteristische Merkmale von Deep-Tech-Startups auf Basis verschiedener Datenquellen zu identifizieren. Anschließend werden Deep-Tech-Experten zur Validierung und Ergänzung dieser initialen Ergebnisse herangezogen, um iterativ eine tragfähige Konzeptualisierung zu entwickeln. AP2 zielt auf die Entwicklung eines effektiven Ansatzes zur Ermittlung eines Product-Market-Fits (PMF) in Deep-Tech-Startups ab. Die Forschungsfrage lautet: Wie kann der PMF für Deep-Tech-Startups effektiv identifiziert werden? Um dies zu beantworten, soll wiederum ein Mixed-Methods-Ansatz genutzt werden, der qualitative Experteninterviews mit Gründern und Branchenexperten mit einer Survey-Studie zur Triangulation der Ergebnisse verbindet. Auf diese Art wollen wir einen validierten PMF-Ansatz für Deep-Tech-Startups entwickeln, der anders als bestehende Paradigmen für deren spezifische Dynamiken optimiert ist. AP3 untersucht die Rolle von Teamzusammensetzung und organisationaler Professionalisierung für die Erreichung von PMF in Deep-Tech-Startups. Die zentrale Forschungsfrage lautet: Wie kann die Zusammensetzung von Deep-Tech-Startup-Teams so gestaltet werden, dass diese zum optimalen Zeitpunkt im Unternehmenslebenszyklus mit Geschäftssinn und Ressourcen für die Kommerzialisierung ihrer Technologien ausgestattet werden? Zur Beantwortung planen wir zwei Studien: Eine qualitative Studie zur Erforschung der Entstehung von Deep-Tech-Startup-Teams und potenziellen Verzerrungen bei Entscheidungen über deren Zusammenstellung sowie eine quantitative Studie, die ökonometrische Methoden zur Analyse von Deep-Tech-Startup-Teams in einer umfassenden Arbeitgeber-Arbeitnehmer-Datenbank nutzt. Die Ergebnisse werden Einblicke in die Auswirkungen der Teamstruktur auf den Markterfolg liefern und helfen, betriebswirtschaftliche und technische Hintergründe in Deep-Tech-Venture-Teams effektiv auszutarieren. In Summe werden diese Ergebnisse eine wichtige Grundlage für die künftige Forschung zu Deep-Tech-Startups liefern.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Schweiz
• Kooperationspartner: Professor Dr. Martin Murmann; Professor Dr. Stefan Raff