Global affärsmodellering och digitalisering
Bibliographic record
Abstract
Följande examensarbete har genomförts inom Högskoleingenjörsutbildningen i Maskinteknik, Industriell Ekonomi och Produktion vid Kungliga Tekniska Högskolan, Institutionen för Hållbar Produktionsutveckling. Studien har utförts på uppdrag av Alfa Laval Lund AB, vid enheten Business Unit GPHE, under vårterminen 2019. Målet med detta arbete har varit att utföra en kartläggning av intressenter i det digitala ekosystemet, identifiera kundbehov och aktörer på marknaden inom området prediktivt underhåll och uppkopplade produkter samt att definiera möjliga affärsmodeller. Alfa Lavals förväntningar av projektet har varit att resultatet skall understödja uppfyllelse av kundernas behov samt att bolaget skall erhålla en överblick av det digitala ekosystem som idag växer fram. Under genomförandet har metoder såsom research av intressenter samt intervjuer varit centrala. Efterforskningar av bolag har skett med avsikten att utforma en kartläggningsmodell. Intervjuer med aktörer och slutkund har varit till stöd för att undersöka i vilka fall uppkoppling skapar kundvärde samt för att få en helhetssyn kring andra spelares strategier inom digitaliseringen. Litteraturstudier har omfattat information beträffande Internet of Things, Connectivity, Industri 4.0, prediktivt underhåll samt affärsmodellering. Resultatet har visat att de mest förekommande kundbehoven är statusmonitorering av utrustning, prediktivt underhåll och högre produktivitet med flera, vilka alla har anknytning till att kunden vill minska sina kostnader. För det digitala ekosystemet kan det konstateras att det aktuella läget är ganska splittrat samt att det ständigt dyker upp nya lösningar och spelare som försöker positionera sig på marknaden. Studien visar likaledes att uppkopplingen till internet bidrar till uppkomst av nya erbjudanden i form av tjänster, varför det förekommer ett ökat behov av att implementera nya serviceinriktade affärsmodeller med nya intäktsströmmar baserade på prenumerationer.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.004 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.050 | 0.020 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".