@article{34197,
  abstract     = {{<jats:title>Abstract</jats:title><jats:p>Comprehensive data understanding is a key success driver for data analytics projects. Knowing the characteristics of the data helps a lot in selecting the appropriate data analysis techniques. Especially in data-driven product planning, knowledge about the data is a necessary prerequisite because data of the use phase is very heterogeneous. However, companies often do not have the necessary know-how or time to build up solid data understanding in connection with data analysis. In this paper, we develop a methodology to organize and categorize and thus understand use phase data in a way that makes it accessible to general data analytics workflows, following a design science research approach. We first present a knowledge base that lists typical use phase data from a product planning view. Second, we develop a taxonomy based on standard literature and real data objects, which covers the diversity of the data considered. The taxonomy provides 8 dimensions that support classification of use phase data and allows to capture data characteristics from a data analytics view. Finally, we combine both views by clustering the objects of the knowledge base according to the taxonomy. Each of the resulting clusters covers a typical combination of analytics relevant characteristics occurring in practice. By abstracting from the diversity of use phase data into artifacts with manageable complexity, our approach provides guidance to choose appropriate data analysis and AI techniques.</jats:p>}},
  author       = {{Panzner, Melina and von Enzberg, Sebastian and Meyer, Maurice and Dumitrescu, Roman}},
  issn         = {{1868-7865}},
  journal      = {{Journal of the Knowledge Economy}},
  keywords     = {{Economics and Econometrics}},
  publisher    = {{Springer Science and Business Media LLC}},
  title        = {{{Characterization of Usage Data with the Help of Data Classifications}}},
  doi          = {{10.1007/s13132-022-01081-z}},
  year         = {{2022}},
}

@article{34196,
  abstract     = {{<jats:p>Mounting sensors in disk stack separators is often a major challenge due to the operating conditions. However, a process cannot be optimally monitored without sensors. Virtual sensors can be a solution to calculate the sought parameters from measurable values. We measured the vibrations of disk stack separators and applied machine learning (ML) to detect whether the separator contains only water or whether particles are also present. We combined seven ML classification algorithms with three feature engineering strategies and evaluated our model successfully on vibration data of an experimental disk stack separator. Our experimental results demonstrate that random forest in combination with manual feature engineering using domain specific knowledge about suitable features outperforms all other models with an accuracy of 91.27 %.</jats:p>}},
  author       = {{Merkelbach, Silke and Afroze, Lameya and Janssen, Nils and von Enzberg, Sebastian and Kühn, Arno and Dumitrescu, Roman}},
  issn         = {{2345-0533}},
  journal      = {{Vibroengineering PROCEDIA}},
  keywords     = {{General Medicine}},
  pages        = {{21--26}},
  publisher    = {{JVE International Ltd.}},
  title        = {{{Using vibration data to classify conditions in disk stack separators}}},
  doi          = {{10.21595/vp.2022.23000}},
  volume       = {{46}},
  year         = {{2022}},
}

@inbook{34195,
  author       = {{Hobscheidt, Daniela and Menzefricke, Jörn Steffen and Gabriel, Stefan and Kühn, Arno and Dumitrescu, Roman}},
  booktitle    = {{Praxishandbuch Robotic Process Automation (RPA)}},
  isbn         = {{9783658383787}},
  publisher    = {{Springer Fachmedien Wiesbaden}},
  title        = {{{Soziotechnische Herausforderungen bei der Einführung von RPA managen}}},
  doi          = {{10.1007/978-3-658-38379-4_8}},
  year         = {{2022}},
}

@inbook{34193,
  author       = {{Bansmann, Michael and Dumitrescu, Roman and Fechtelpeter, Christian}},
  booktitle    = {{Gestaltung digitalisierter Arbeitswelten}},
  isbn         = {{9783662580134}},
  issn         = {{2523-3637}},
  publisher    = {{Springer Berlin Heidelberg}},
  title        = {{{Transfer von Arbeit 4.0-Anwendungsszenarien}}},
  doi          = {{10.1007/978-3-662-58014-1_3}},
  year         = {{2022}},
}

@inbook{34194,
  author       = {{Brock, Jonathan and von Enzberg, Sebastian and Kühn, Arno and Dumitrescu, Roman}},
  booktitle    = {{Praxishandbuch Robotic Process Automation (RPA)}},
  isbn         = {{9783658383787}},
  publisher    = {{Springer Fachmedien Wiesbaden}},
  title        = {{{Nutzung von Process Mining in RPA-Projekten}}},
  doi          = {{10.1007/978-3-658-38379-4_5}},
  year         = {{2022}},
}

@article{27776,
  author       = {{Koldewey, Christian and Rasor, Anja and Reinhold, Jannik and Gausemeier, Jürgen and Dumitrescu, Roman and Chohan, Nadia and Frank, Maximilian}},
  issn         = {{0040-1625}},
  journal      = {{Technological Forecasting and Social Change}},
  publisher    = {{Elsevier}},
  title        = {{{Aligning strategic position, behavior, and structure for smart service businesses in manufacturing}}},
  doi          = {{10.1016/j.techfore.2021.121329}},
  year         = {{2022}},
}

@inproceedings{33503,
  author       = {{Gabriel, Stefan and Aring, Theresa and Hobscheidt, Daniela and Kühn, Arno and Dumitrescu, Roman}},
  booktitle    = {{Tagungsband des 68. Frühjahrskongress der Gesellschaft für Arbeitswissenschaft}},
  location     = {{Magdeburg 02.03. - 04.03.2022}},
  publisher    = {{GfA-Press}},
  title        = {{{Handlungsfelder für die KI-Einführung in der Arbeitswelt produzierender Unternehmen}}},
  year         = {{2022}},
}

@inproceedings{33505,
  author       = {{Anacker, Harald and Günther, Matthias and Wyrwich, Fabian and Dumitrescu, Roman}},
  booktitle    = {{17th Annual System of Systems Engineering Conference (SOSE)}},
  location     = {{Rochester, NY, USA}},
  pages        = {{178--183}},
  title        = {{{Pattern based engineering of System of Systems - a systematic literature review}}},
  doi          = {{10.1109/SOSE55472.2022.9812697}},
  year         = {{2022}},
}

@inproceedings{31188,
  author       = {{Anacker, Harald and Dumitrescu, Roman and Könemann, Ulf and Wilke, Daria}},
  booktitle    = {{ Proceedings of the 16th Annual IEEE International Systems Conference}},
  location     = {{Montreal, Canada}},
  title        = {{{Identification of stakeholder-specific Systems Engineering competencies for industry}}},
  year         = {{2022}},
}

@inproceedings{33553,
  author       = {{Pfeifer, Stefan and Akgül, Didem and Röbenack, Silke and Tihlarik, Amelie and Albert, Bruno and Anacker, Harald and Dumitrescu, Roman}},
  booktitle    = {{DS 118: Proceedings of NordDesign 2022}},
  editor       = {{Mortensen, N.H. and Hansen, C.T. and Deininger, M.}},
  isbn         = {{9781912254170}},
  location     = {{Copenhagen, Denmark}},
  publisher    = {{The Design Society}},
  title        = {{{Design Decisions in the Architecture Development of Advanced Systems: Towards traceable and sustainable Documentation and Communication}}},
  doi          = {{10.35199/norddesign2022}},
  year         = {{2022}},
}

@inproceedings{33552,
  author       = {{Disselkamp, Jan-Philipp and Seidenberg, Tobias and Anacker, Harald and Dumitrescu, Roman}},
  booktitle    = {{Proceedings of the IEEE}},
  location     = {{Nancy, France}},
  title        = {{{Design of an optimised value creation network for zero emission ferries}}},
  year         = {{2022}},
}

@inproceedings{33556,
  author       = {{Eckertz, Daniel and Anacker, Harald and Dumitrescu, Roman}},
  booktitle    = {{Proceedings of the 5th International Conference on Information and Computer Technologies (ICICT)}},
  location     = {{New York City, NY, United States}},
  publisher    = {{IEEE}},
  title        = {{{Knowledge-based Interactive Configuration Tool for Industrial Augmented Reality Systems}}},
  doi          = {{10.1109/icict55905.2022.00021}},
  year         = {{2022}},
}

@inproceedings{33554,
  author       = {{Merkelbach, Silke and von Enzberg, Sebastian and Kuhn, Arno and Dumitrescu, Roman}},
  booktitle    = {{Proceedings of the IEEE}},
  publisher    = {{IEEE}},
  title        = {{{Towards a Process Model to Enable Domain Experts to Become Citizen Data Scientists for Industrial Applications}}},
  doi          = {{10.1109/icps51978.2022.9816871}},
  year         = {{2022}},
}

@inproceedings{33557,
  author       = {{Eckertz, Daniel and Anacker, Harald and Dumitrescu, Roman}},
  booktitle    = {{Proceedings of NordDesign 2022}},
  publisher    = {{The Design Society}},
  title        = {{{Systematics for the individual assessment of augmented reality potentials to support product validation}}},
  doi          = {{10.35199/norddesign2022.12}},
  year         = {{2022}},
}

@inproceedings{33558,
  author       = {{Wilke, Daria and Pfeifer, Stefan and Heitmann, Rebecca  and Anacker, Harald  and Dumitrescu, Roman and Franke, Volker }},
  booktitle    = {{Proceedings of the IEEE ISSE }},
  location     = {{Wien, Österreich}},
  title        = {{{Implementation of Systems Engineering: A maturity-based approach}}},
  year         = {{2022}},
}

@techreport{33702,
  abstract     = {{<jats:p>Im Rahmen dieser Studie wird der Status Quo des KI-Einsatzes in der industriellen Arbeitswelt in der Region OstWestfalenLippe erfasst und beschrieben. Dadurch wird eine Grundlage geschaffen, um eine zielführende Unterstützung der Gestaltung von durch Künstliche Intelligenz (KI) gestützter Arbeitsprozesse in Unternehmen zu ermöglichen, indem beispielsweise bedarfsbezogene Maßnahmen entwickelt und durchgeführt sowie weiterer Forschungsbedarf aufgezeigt wird.  Die Befragung wurde im Jahr 2021 von dem Kompetenzzentrum Arbeitswelt.Plus sowie dem Spitzencluster it’s OWL initiiert. Dabei sind drei Zielgruppen – Unternehmensleitung, Personalabteilung (HR) sowie Arbeitnehmer*innen – adressiert worden. Insgesamt nahmen 317 Personen aus 89 verschiedenen Unternehmen bzw. Organisationen an der Befragung teil – zu 38 % Unternehmer*innen, zu 13 % Personaler*innen und zu 49 % Arbeitnehmer*innen. Die meisten der Teilnehmenden stammten aus der Elektroindustrie, dem Maschinenbau sowie dem Informations- und Kommunikationstechnologie (IKT)-Sektor.  Die Befragungsergebnisse zeigen, dass sich die meisten Unternehmen in der Anfangsphase der KI-Nutzung befinden. Zwischen einzelnen Unternehmensbereichen und verschiedenen Branchen zeigen sich gewisse Unterschiede in der Nutzungsphase. Die Befragten stehen aktuell vor der Nutzung von vor allem teilautonomen KI-Systemen, die ausführende und analytische menschliche Tätigkeitenbeispielsweise durch Informationsbereitstellungen unterstützen. Wesentliche Ziele der KI-Nutzung sind die Effizienzsteigerung, Qualitätsverbesserung, Entscheidungsoptimierung sowie Unterstützung der Arbeitnehmer*innen. Allerdings werden in allen Unternehmen die fehlende Expertise sowie insgesamt die Komplexität des Themenfelds als Hinderungsgründe identifiziert.  In allen Unternehmen und allen Unternehmensbereichen werden hohe Auswirkungen durch KI erwartet. Auf die Arbeitsgestaltung werden insgesamt eher positive Auswirkungen erwartet. Die Befragten schätzen die Bedeutung von KI, ihre Aufgeschlossenheit sowie ihr Vertrauen gegenüber KI als insgesamt hoch ein, ihr Verständnis von KI dagegen eher als gering. Tendenziell zeigt sich eine große Diskrepanz zwischen Selbst- und Fremdbild mit einer teils deutlich negativeren Wahrnehmung anderer. Die Befragten erwarten außerdem steigende Kompetenzanforderungen sowie einen hohen Weiterbildungsbedarf, insbesondere bezüglich des grundlegenden Verständnisses über KI. In den wenigsten Unternehmen existiert jedoch ein gezieltes Weiterbildungsangebot.  Die Erkenntnisse aus der Befragung fließen im Rahmen des Kompetenzzentrums Arbeitswelt.Plus in die gezielte Gestaltung und Einführung KI-gestützter Arbeitsformen sowie bedarfsgerechter Unterstützungsangebote ein. Die hohe Komplexität der KI-Einführung sowie die sowohl technischen als auch mitarbeiterbezogenen Herausforderungen verdeutlichen den Bedarf für eine soziotechnische Perspektive und ein systematisches Vorgehen bei der Gestaltung dieses vielschichtigen Themenfelds.</jats:p>}},
  author       = {{Papenkordt, Jörg and Gabriel, Stefan and Thommes, Kirsten and Dumitrescu, Roman}},
  publisher    = {{Kompetenzzentrum Arbeitswelt.Plus}},
  title        = {{{Künstliche Intelligenz in der industriellen Arbeitswelt - Studie zum Status Quo in der Region OstWestfalenLippe}}},
  doi          = {{10.55594/tmao3234}},
  year         = {{2022}},
}

@article{33701,
  abstract     = {{<jats:title>Abstract</jats:title>
               <jats:p>Künstliche Intelligenz bietet großes Potenzial im Engineering. Der Einsatz gestattet insbesondere für Wissensarbeiter eine effiziente Arbeitsteilung, in der beispielsweise fehleranfällige und repetitive Aktivitäten unterstützt werden. Eine erfolgreiche Einführung bedarf einer vorangehenden Analyse von nutzenstiftenden Einsatzpotenzialen, bei der alle Anwendenden frühzeitig einbezogen werden. Der folgende Beitrag verdeutlicht dieses Vorgehen anhand eines realen Beispiels im Sondermaschinenbau.</jats:p>}},
  author       = {{Kharatyan, Aschot and Humpert, Lynn and Anacker, Harald and Dumitrescu, Roman and Wäschle, Moritz and Albers, Albert and Horstmeyer, Sarah}},
  issn         = {{2511-0896}},
  journal      = {{Zeitschrift für wirtschaftlichen Fabrikbetrieb}},
  keywords     = {{Management Science and Operations Research, Strategy and Management, General Engineering}},
  number       = {{6}},
  pages        = {{427--431}},
  publisher    = {{Walter de Gruyter GmbH}},
  title        = {{{Künstliche Intelligenz im Engineering}}},
  doi          = {{10.1515/zwf-2022-1074}},
  volume       = {{117}},
  year         = {{2022}},
}

@article{33705,
  abstract     = {{<jats:title>Abstract</jats:title><jats:p>The ongoing digitalization of products offers product managers new potentials to plan future product generations based on data from the use phase instead of assumptions. However, product managers often face difficulties in identifying promising opportunities for analyzing use phase data. In this paper, we propose a method for planning the analysis of use phase data in product planning. It leads product managers from the identification of promising investigation needs to the derivation of specific use cases. The application of the method is shown using the example of a manufacturing company.</jats:p>}},
  author       = {{Meyer, Maurice and Wiederkehr, Ingrid and Koldewey, Christian and Dumitrescu, Roman}},
  issn         = {{2732-527X}},
  journal      = {{Proceedings of the Design Society}},
  pages        = {{753--762}},
  publisher    = {{Cambridge University Press (CUP)}},
  title        = {{{Planning the Analysis of Use Phase Data in Product Planning}}},
  doi          = {{10.1017/pds.2022.77}},
  volume       = {{2}},
  year         = {{2022}},
}

@inproceedings{33708,
  abstract     = {{The megatrend digitalization turns mechatronic products into continuous collectors and generators of use phase data. By analyzing this data, manufacturers can uncover valuable insights about the products and the users. Especially in product planning, these insights could be used to plan promising future product generations. The systematic exploitation of data analytics results, however, represents a serious challenge, as research on the topic is still scarce. In this paper, we present 13 design principles for exploiting data analytics results in product planning. The results are based on a systematic literature review and a workshop with a research consortium. The evaluation of the design principles is demonstrated with a real case of a manufacturing company. The identified design principles represent a first contribution to a still scarcely explored research field.}},
  author       = {{Meyer, Maurice and Fichtler, Timm and Koldewey, Christian and Dumitrescu, Roman}},
  booktitle    = {{ AMCIS 2022 Proceedings}},
  location     = {{Minneapolis}},
  title        = {{{How can Data Analytics Results be Exploited in the Early Phase of Product Development? 13 Design Principles for Data-Driven Product Planning}}},
  year         = {{2022}},
}

@article{33707,
  author       = {{Meyer, Maurice and Panzner, Melina and Koldewey, Christian and Dumitrescu, Roman}},
  issn         = {{2212-8271}},
  journal      = {{Procedia CIRP}},
  keywords     = {{General Medicine}},
  pages        = {{1053--1058}},
  publisher    = {{Elsevier BV}},
  title        = {{{17 Use Cases for Analyzing Use Phase Data in Product Planning of Manufacturing Companies}}},
  doi          = {{10.1016/j.procir.2022.05.107}},
  volume       = {{107}},
  year         = {{2022}},
}