Service systems in the smart living domain integrate a multitude of heterogenous data sources and affect the most private area of human lives. Therefore, particular challenges for service systems engineering arise in terms of interoperability of Internet-of-Things (IoT)-devices, privacy concerns and creating truly smart value propositions. By applying a promising approach, this paper examines smart service systems engineering and reveals the potential for extensions and adaptations of existing methods. A need for the integration of data science and software engineering approaches as well as a focus on acceptance, usability and the business perspective within a holistic smart service systems engineering method is discussed. This enables smart service systems to reconcile their human-centered and data-driven qualities.
In smart service systems engineering, where actors rely on the mutual exchange of data to create complex and holistic solutions, integration is crucial. Nevertheless, the management of data as a driving resource still lacks organizational structure. There is no holistic lifecycle approach that integrates data and service lifecycle and adopts a cross-actor perspective. Especially in data ecosystems, where sovereign actors depend on the mutual exchange of data to create complex, but transparent service systems, an integration is of crucial importance. This particularly applies to the smart living domain, where different industries, products and services interact in a complex environment. In this paper we address this shortcoming by proposing an integrated model that covers the different relevant lifecycles based on a systematic literature review and supplement it by concrete domain requirements from the smart living ecosystem obtained through semi-structured expert interviews.
ZusammenfassungViele Unternehmen setzen Künstliche Intelligenz zur Verarbeitung großer Datenmengen bereits heute erfolgreich für die Kundenbindung ein. So schaffen große Unternehmen individuelle Kundenerlebnisse basierend auf der Auswertung großer kundenbezogener Datenmengen zur kurz- aber auch langfristigen Kundenbindung, z. B. durch intelligente Empfehlungen von Inhalten auf Videoplattformen. Bei Unternehmen mit traditioneller Wertschöpfung wird dieses Potenzial jedoch noch nicht ausreichend genutzt. Vor diesem Hintergrund wird im Rahmen einer Fallstudie exemplarisch ein datengetriebenes Kundenbindungsszenario in Kooperation mit einer Autowerkstatt umgesetzt. Im konkreten Fall wurde eine zeitlich optimierte Kundenansprache auf Basis von KI-basierten Prognosen der täglichen Fahrleistung von Kunden angestrebt. Grundlage dafür war die Analyse eines Kundendatensatzes einer Autowerkstatt und die anschließende Entwicklung einer Künstlichen Intelligenz. Aufbauend auf der Fallstudie wird ein datenbasiertes Geschäftsmodell konzipiert, dessen Werteangebot vor allem Unternehmen mit traditioneller Wertschöpfung und wenig Wissen im Bereich Künstlicher Intelligenz dazu befähigt, datenbasierte Technologien in der Kundenbindung einzusetzen. Das dem Geschäftsmodell zugrundeliegende Plattformkonzept wird dabei als Open-Innovation-Modell entwickelt und soll neben der Entwicklung eigener Services auch die Interaktion von Datenkonsumenten, Datenlieferanten und anderen Datenbefähigern, mit dem Ziel sich als Datenökosystem für Kundenbindung zu etablieren, unterstützen.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.