Trade-off Service Portfolio Planning – A Case Study on Mining the Android App Market
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Service portfolio planning is the process of designing collections of services and deciding on their provision. The problem is highly information intensive, and most of the information required is hard to gather. In this paper, we present a solution approach based on the paradigm of Analytical Open Innovation (AOI). Open innovation is a cheap and low risk problem solving approach which relies on knowledge exchange with outside of company as a competitive advantage. Different forms of open innovation; crowd source, open source and outsource; facilitate the provider and consumer interactions and brings higher customer value. In our proposed AOI approach, open innovation is utilized for elicitation of services from web data, crowdsourcing the service value from potential customers and for the estimation of service implementation effort. For service evaluation, we apply the Kano theory of product development and customer satisfaction. Based on that and as the result from an optimization process, resource-optimized service portfolios are created that constitute trade-offs in balancing between gained value and effort needed. As a proof of concept, the proposed approach is illustrated via a case study project for the composition of Over the Top TV (OTT) services. The atomic services from 241 qualified apps were analyzed from the android app market. We demonstrate that the proposed approach is able to generate optimized trade-off solutions, composing better apps at each capacity level and achieving better customer satisfaction .The level of improvement in customer satisfaction varies between 16.5% and 95.3%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle