Abstrakt

Decyzja o zakupie systemu predykcyjnego utrzymania ruchu (Predictive Maintenance, dalej PdM) wiąże się z unikalnymi wyzwaniami. Główną wartość tej technologii stanowi prewencja – zapobieganie awariom, których nabywca finalnie nie doświadczy. Ten specyficzny model korzyści, choć potwierdzony w literaturze, może budzić niepewność, szczególnie w obliczu trudności z początkowym oszacowaniem zwrotu z inwestycji (ROI). Niniejszy artykuł analizuje te wyzwania z perspektywy potencjalnego kupującego, przedstawia możliwe korzyści z wdrożenia PdM oraz wskazuje strategie zwiększające pewność inwestycji i transparentność komunikacji wartości.

1. Wprowadzenie

Systemy PdM wykorzystują zaawansowaną analitykę danych, algorytmy uczenia maszynowego oparte na danych produkcyjnych w celu przewidywania potencjalnych awarii maszyn i urządzeń, zanim te rzeczywiście wystąpią (Carvalho et al., 2019; Lee et al., 2015). Choć w publikacjach naukowych wielokrotnie podkreśla się skuteczność i długofalowe korzyści PdM, z punktu widzenia przedsiębiorstwa rozważającego zakup pojawia się specyficzny problem: jak ocenić wartość rozwiązania, którego głównym atutem jest zapobieganie czemuś, co się nie wydarzy? 

Perspektywa potencjalnego nabywcy różni się od spojrzenia badaczy czy dostawców technologii. Kupujący oczekuje namacalnych dowodów, jasnej argumentacji i przekonujących danych. Problem ten przypomina sytuację branży ubezpieczeniowej czy cyberbezpieczeństwa, gdzie płaci się za prewencję ryzyka (Jimenez-Cortadi et al., 2019), a skuteczność rozwiązania przejawia się w braku negatywnych incydentów. Artykuł ten ma pomóc zrozumieć naturę korzyści PdM, przywołując wnioski z literatury naukowej i raportów wdrożeniowych oraz wskazując praktyczne strategie minimalizujące ryzyko i niepewność zakupową. 

1.1. Od Reaktywności do Predykcji – Ewolucja Strategii Utrzymania Ruchu

Utrzymanie ruchu odgrywa kluczową rolę w zapewnieniu niezawodności, wydajności i bezpieczeństwa systemów technicznych w przemyśle. Ewolucja strategii utrzymania ruchu od konserwacji reaktywnej, przez prewencyjną i proaktywną, aż po konserwację predykcyjną, odzwierciedla rosnące znaczenie danych, analityki oraz nowych technologii w zarządzaniu infrastrukturą przemysłową (Bocewicz et al., 2024). 

Konserwacja reaktywna (Reactive Maintenance) była najwcześniejszą formą zarządzania awariami. Jej celem jest przywrócenie funkcjonalności po wystąpieniu awarii. Charakteryzuje się brakiem planowania i wysokim kosztem napraw, a także ryzykiem uszkodzeń wtórnych i przestojów produkcyjnych. Konserwacja prewencyjna (Preventive Maintenance) wprowadziła regularne harmonogramy działań konserwacyjnych, mające na celu zmniejszenie ryzyka awarii. Jest to podejście czasochłonne i kosztowne, z ograniczoną elastycznością w dostosowaniu do rzeczywistego stanu technicznego urządzeń. Konserwacja proaktywna (Proactive Maintenance) stanowi krok naprzód, koncentrując się na identyfikacji przyczyn źródłowych usterek oraz ich eliminacji. Wykorzystuje wskaźniki zużycia, analizę środowiskową oraz prognozy pogody w celu skutecznego planowania działań naprawczych (patrz Tab. 1). 

Tab. 1 Tradycyjne strategie utrzymania ruchu (na podstawie Bocewicz, et al. 2024)

W miarę rozwoju technologii, konserwacja proaktywna zaczęła ustępować miejsca konserwacji predykcyjnej (Predictive Maintenance), która opiera się na analizie danych w czasie rzeczywistym oraz algorytmach uczenia maszynowego. W odróżnieniu od konserwacji proaktywnej, która koncentruje się na analizie historycznych przyczyn awarii, konserwacja predykcyjna umożliwia dynamiczne prognozowanie awarii na podstawie bieżących danych z czujników (patrz Tab. 2). 

Tab. 2 Różnice między konserwacją proaktywną (Proactive Maintenance) a predykcyjną (Predictive Maintenance)

2. Dlaczego trudno ocenić wartość PdM z perspektywy kupującego?

Ocena wartości PdM z perspektywy kupującego stanowi jedno z głównych wyzwań związanych z wdrożeniem tej technologii. W literaturze naukowej podkreśla się, że trudności te wynikają zarówno z charakteru oferowanej wartości, jak i złożoności procesu wdrożenia oraz analizy kosztów i korzyści. 

Najważniejszym źródłem niepewności w ocenie PdM jest niematerialny charakter korzyści, jakie oferuje to rozwiązanie. W tradycyjnych modelach utrzymania ruchu płaci się za konkretne usługi serwisowe, części zamienne lub prace naprawcze, które są łatwe do skwantyfikowania i oceny (Klees & Evirgen, 2022). PdM natomiast oferuje redukcję ryzyka kosztownych awarii, a sukces systemu polega na braku negatywnych wydarzeń, a nie na dostarczeniu konkretnego produktu lub widocznej interwencji. Taka sytuacja jest analogiczna do branży ubezpieczeniowej, gdzie wartość usługi ocenia się przez brak incydentów, a nie przez konkretne działania (Jimenez-Cortadi et al., 2019). 

Ocena zwrotu z inwestycji (ROI) dla PdM jest trudna do oszacowania, zwłaszcza w początkowej fazie wdrożenia. Lee et al. (2015) wskazują, że korzyści płynące z PdM ujawniają się w dłuższej perspektywie czasowej, kiedy dostępne są dane pozwalające na porównanie częstotliwości, kosztów i skutków awarii przed i po wdrożeniu systemu. Początkowo, przy ograniczonej ilości danych, trudno jest jednoznacznie wyliczyć korzyści finansowe. Firmy mogą mieć trudności w uzasadnieniu wysokich kosztów początkowych bez jednoznacznych wskaźników sukcesu. 

Tradycyjne metody utrzymania ruchu mają jasno określone kryteria oceny skuteczności, takie jak średni czas między awariami (MTBF) czy średni czas naprawy (MTTR). W przypadku PdM brakuje jednolitych standardów i powszechnie uznanych wskaźników pomiaru skuteczności. To komplikuje porównanie efektywności PdM z tradycyjnymi strategiami konserwacyjnymi oraz utrudnia ocenę uzasadnienia finansowego wdrożenia. 

Skuteczność PdM jest bezpośrednio związana z jakością zbieranych danych oraz zdolnością organizacji do ich skutecznej analizy. Dane zbierane przez czujniki i systemy IoT muszą być nie tylko dokładne, ale również odpowiednio analizowane przy użyciu zaawansowanych algorytmów. Organizacje bez doświadczenia w analizie danych mogą napotkać trudności w pełnym wykorzystaniu potencjału PdM, co z kolei prowadzi do niepewności co do rzeczywistych korzyści płynących z wdrożenia tej strategii. 

Analiza kosztów związanych z wdrożeniem PdM (Tab.3) wskazuje na istotne różnice między tą metodą a tradycyjnymi strategiami utrzymania ruchu. W literaturze naukowej podkreśla się, że koszty wdrożenia Predykcyjnego Utrzymania Ruchu (PdM) mogą być znacznie obniżone dzięki wykorzystaniu istniejących danych historycznych oraz odpowiednich metod analitycznych, co minimalizuje potrzebę dodatkowego opomiarowania maszyn. Tradycyjnie wdrożenie PdM wiązało się z koniecznością instalacji zaawansowanych czujników i systemów monitorujących, co generowało wysokie koszty. Jednakże, jak wskazują badania, możliwe jest zastosowanie metod analitycznych opartych na danych historycznych z dotychczasowych działań konserwacyjnych, co znacząco redukuje potrzebę dodatkowego opomiarowania. Analiza danych z wcześniejszych interwencji serwisowych oraz historii awarii pozwala na budowę modeli predykcyjnych bez konieczności inwestowania w nowe urządzenia pomiarowe. Takie podejście nie tylko obniża koszty wdrożenia, ale również skraca czas potrzebny na implementację systemu PdM. Zastosowanie zaawansowanych algorytmów analizy danych, takich jak uczenie maszynowe, umożliwia efektywne przewidywanie potencjalnych awarii na podstawie istniejących danych. Dzięki temu organizacje mogą wdrożyć PdM bez ponoszenia znaczących nakładów na nowe technologie pomiarowe, jednocześnie osiągając wyższy poziom efektywności operacyjnej i niezawodności infrastruktury technicznej. 

Tab. 3 Analiza kosztów związanych z wdrożeniem PdM

3. Potencjalne korzyści z wdrożenia PdM mimo początkowej niepewności

Tradycyjne podejście do utrzymania ruchu polega albo na prewencyjnym, albo reaktywnym naprawianiu lub wymianie sprzętu dopiero po jego awarii. PdM stanowi fundamentalną zmianę w strategiach utrzymania, opierając się na analizie danych, technologii sensorowej i algorytmach uczenia maszynowego w celu przewidywania awarii przed ich wystąpieniem, co umożliwia proaktywne planowanie działań konserwacyjnych (Carvalho et al., 2019; Poór et al., 2019; Wellsandt et al., 2016; Patel et al. 2023). Są to przede wszystkim:

  • Redukcja kosztów awarii i napraw: Wczesne wykrycie potencjalnych problemów pozwala uniknąć poważnych uszkodzeń, które generowałyby wysokie koszty serwisowe.
  • Zwiększenie niezawodności i dostępności urządzeń: Stabilna praca maszyn przekłada się na przewidywalność produkcji, ograniczenie przestojów oraz poprawę wykorzystania zasobów, co zaś zwiększa efektywność ogólną urządzeń (OEE).
  • Wydłużenie cyklu życia infrastruktury: Ciągłe monitorowanie i prewencja skutkują mniejszym zużyciem elementów i maszyn, opóźniając konieczność modernizacji czy wymiany kluczowych zasobów (Maktoubian & Ansari, 2019).
  • Poprawa bezpieczeństwa i jakości pracy: Zmniejszenie ryzyka nieoczekiwanych awarii to nie tylko mniejsze koszty, ale też zwiększone bezpieczeństwo pracowników i stabilizacja procesów.

Tab. 4 Korzyści I obawy związane z wdrożeniem Predictive Maintenance

4. Jak zmniejszyć niepewność i ryzyko inwestycji?

Z perspektywy kupującego, który waha się przed inwestycją w PdM, literatura naukowa wskazuje szereg kwestii pozwalających na zminimalizowanie niepewności związanej z wdrożeniem tego rozwiązania. Skuteczna implementacja PdM wymaga kompleksowego podejścia, które integruje aspekty technologiczne, organizacyjne oraz ludzkie. Kluczowe znaczenie ma zarówno właściwe zarządzanie procesem wdrożenia, jak i zaangażowanie wszystkich interesariuszy. 

Poniższa tabela prezentuje główne strategie, które według literatury naukowej odgrywają istotną rolę w sukcesie wdrożenia PdM. Każda z nich koncentruje się na innym obszarze zarządzania tym procesem, podkreślając kluczowe wyzwania oraz rekomendowane działania, które mogą znacząco zwiększyć efektywność i skuteczność implementacji. 

Tab. 5 Strategie wdrażania PdM

4.1. Integracja technologii, kultury organizacyjnej i kompetencji zespołów jako fundament skutecznego
wdrożenia

Fundamentem skutecznego wdrożenia PdM jest kompleksowa edukacja pracowników, którzy muszą zrozumieć zasady funkcjonowania tego systemu, korzyści płynące z jego implementacji oraz swoje role w całym procesie. Zarówno szkolenia teoretyczne, jak i praktyczne odgrywają kluczową rolę w podnoszeniu kompetencji personelu, umożliwiając im skuteczne rozpoznawanie potrzeb konserwacyjnych i szybkie reagowanie na potencjalne zagrożenia. 

Jednocześnie, z perspektywy zarządzania, sukces PdM w dużej mierze opiera się na zmianie kultury organizacyjnej. Konieczne jest stworzenie środowiska sprzyjającego współpracy między działami odpowiedzialnymi za utrzymanie ruchu, produkcję oraz IT. Takie podejście umożliwia lepszą koordynację działań oraz płynne wdrożenie modeli analitycznych. Jak wskazują badania, skuteczna integracja zespołów roboczych sprzyja wymianie wiedzy oraz pozwala na bieżące dostosowywanie strategii utrzymania ruchu do zmieniających się potrzeb organizacji. 

W kontekście badań nad modelem zarządzania działaniami konserwacyjnymi, kluczowe znaczenie ma wzajemny wpływ wydajności maszyn i wymagań jakościowych na proces produkcji. Badania wskazują, że zastosowanie algorytmów uczenia maszynowego pozwala menedżerom utrzymania ruchu oraz menedżerom produkcji planować działania konserwacyjne na podstawie monitorowania parametrów maszyn w czasie rzeczywistym oraz prognoz wskaźników jakości. Dzięki temu możliwe jest nie tylko zapewnienie ciągłości produkcji, ale również minimalizacja liczby produktów niezgodnych ze specyfikacją. 

Z perspektywy zarządzania, badania nad PdM podkreślają znaczenie oceny wzajemnych relacji między kosztami konserwacji a kosztami jakości. Włączenie tych dwóch obszarów w jeden spójny model zarządzania pozwala organizacjom na bardziej precyzyjną alokację zasobów i optymalizację procesów operacyjnych. Wdrożenie PdM nie tylko redukuje ryzyko awarii, ale również wspiera realizację długoterminowych celów biznesowych związanych z jakością i efektywnością produkcji. 

Na poziomie operacyjnym, PdM wymaga ciągłego monitorowania i optymalizacji. Organizacje muszą wdrożyć mechanizmy umożliwiające regularną ocenę skuteczności modeli predykcyjnych oraz dostrajanie algorytmów na podstawie aktualnych danych pochodzących z procesów produkcyjnych. Jest to proces dynamiczny, wymagający ścisłej współpracy pomiędzy wszystkimi zaangażowanymi działami. Tylko dzięki zintegrowanemu podejściu, obejmującemu zarówno technologię, jak i kulturę organizacyjną, możliwe jest pełne wykorzystanie potencjału PdM i osiągnięcie trwałych korzyści dla przedsiębiorstwa. 

4.2. Strategia stopniowego wdrażania a minimalizacja ryzyka i budowanie zaufania

Implementacja PdM w ograniczonym zakresie, na przykład na jednej linii produkcyjnej, stanowi efektywną strategię minimalizującą początkowe ryzyko oraz ułatwiającą ocenę efektów. Takie podejście pozwala na zebranie niezbędnych danych, identyfikację potencjalnych problemów oraz dostosowanie technologii do specyficznych warunków operacyjnych przedsiębiorstwa. Badania wskazują, że stopniowe wdrażanie PdM może być kluczem do zbudowania zaufania do tej technologii, zarówno wśród kadry zarządzającej, jak i pracowników operacyjnych. Przeprowadzenie pilotażowych programów PdM umożliwia demonstrację korzyści płynących z tej strategii, takich jak redukcja nieplanowanych przestojów, obniżenie kosztów utrzymania oraz zwiększenie efektywności operacyjnej. Dzięki temu organizacje mogą lepiej zrozumieć wymagania techniczne i organizacyjne związane z pełnym wdrożeniem PdM, co w konsekwencji prowadzi do bardziej świadomych decyzji inwestycyjnych i operacyjnych. 

W literaturze podkreśla się również znaczenie integracji narzędzi PdM z istniejącymi systemami IT oraz konieczność szkolenia personelu w zakresie nowych technologii. Stopniowe wdrażanie umożliwia lepsze zarządzanie tymi aspektami, minimalizując zakłócenia w bieżącej działalności przedsiębiorstwa i zapewniając płynne przejście do nowego modelu utrzymania ruchu. W efekcie, organizacje mogą stopniowo adaptować się do zmian, co zwiększa akceptację dla nowych rozwiązań i sprzyja ich efektywnemu wykorzystaniu w dłuższej perspektywie. 

Przykładem może być wdrożenie pilotażowego programu PdM w firmie produkcyjnej, gdzie zastosowano tę technologię na wybranej linii produkcyjnej. W wyniku tego pilotażu zaobserwowano znaczną redukcję nieplanowanych przestojów oraz optymalizację harmonogramów konserwacji, co przekonało zarząd do rozszerzenia PdM na pozostałe obszary produkcji. Takie podejście pozwala na stopniowe budowanie kompetencji w zakresie PdM oraz rozwijanie infrastruktury technicznej w sposób dostosowany do specyficznych potrzeb i możliwości organizacji.

4.3. Znaczenie przejrzystej komunikacji dostawców w implementacji

Przejrzysta i otwarta komunikacja ze strony dostawców technologii PdM odgrywa kluczową rolę w procesie decyzyjnym przedsiębiorstw rozważających wdrożenie takich rozwiązań. Dostawcy, którzy potrafią dostarczyć klarowne analizy, symulacje oraz odniesienia do udanych wdrożeń w podobnych środowiskach, znacząco zwiększają szanse na akceptację proponowanych systemów. Literatura naukowa podkreśla, że udokumentowanie wartości dodanej przez dostawców nie tylko buduje zaufanie, ale również ułatwia proces adaptacji nowych technologii w organizacjach, dzięki czemu decyzje o inwestycji mogą być podejmowane z większą pewnością. 

Przykładem potwierdzającym znaczenie takiej komunikacji jest raport McKinsey & Company, który wskazuje, że wdrożenie strategii PdM może przynieść oszczędności rzędu 10% do 40% kosztów związanych z utrzymaniem ruchu oraz zmniejszyć nakłady na inwestycje w sprzęt i maszyny o nawet 5%. Dane te, poparte konkretnymi analizami i studiami przypadków, stanowią solidną podstawę do podjęcia decyzji inwestycyjnych i przekonują kadrę zarządzającą o opłacalności implementacji PdM. 

Równie istotny jest aspekt edukacyjny. Dostawcy, którzy aktywnie angażują się w proces edukacji swoich klientów, oferując szkolenia i wsparcie techniczne w zakresie integracji systemów PdM z istniejącą infrastrukturą IT, mają kluczowy wpływ na efektywność wdrożenia. Jak wynika z badań, integracja narzędzi PdM z systemami zarządzania produkcją oraz odpowiednie przygotowanie personelu są fundamentem skutecznego funkcjonowania predykcyjnych systemów utrzymania ruchu w długim okresie. 

Na wartość współpracy z dostawcami wpływa również ich zdolność do przedstawienia udanych wdrożeń w środowiskach produkcyjnych o podobnych parametrach i wyzwaniach. Praktyczne przykłady zastosowania PdM pozwalają potencjalnym klientom lepiej zrozumieć zarówno możliwości, jak i ograniczenia tej technologii. Studia przypadków pełnią tutaj funkcję mapy drogowej, która nie tylko identyfikuje potencjalne wyzwania związane z wdrożeniem, ale również ilustruje osiągnięte korzyści i mierzalne efekty. W rezultacie organizacje mogą podejmować bardziej świadome i oparte na danych decyzje dotyczące implementacji PdM. 

4.4. Standaryzacja i zarządzanie danymi jako klucz do efektywnej analityki i precyzyjnego określenia
ROI

Współczesny świat opiera się na danych, które stały się nieodzownym elementem funkcjonowania organizacji. Jednakże, aby analityka danych była wiarygodna i przynosiła realne korzyści, konieczne jest zapewnienie ich wysokiej jakości. Bez odpowiedniej standaryzacji procesów zbierania, przechowywania i analizy danych trudno jest osiągnąć rzetelne wyniki, które skutecznie wspierałyby procesy decyzyjne na różnych poziomach zarządzania. 

Standaryzacja danych opiera się na ujednoliceniu formatów i struktur informacji pochodzących z różnych źródeł, co pozwala na ich efektywne porównywanie i analizę. Badania wykazują, że ujednolicenie tych procesów znacząco poprawia jakość decyzji biznesowych, umożliwiając konsolidację różnych źródeł informacji w spójną i jednolitą całość. W efekcie kadra zarządzająca oraz analitycy zyskują dostęp do bardziej precyzyjnych i kompletnych danych, co bezpośrednio przekłada się na lepsze decyzje strategiczne i bardziej efektywne zarządzanie zasobami. Równie istotnym elementem jest zarządzanie danymi, które obejmuje procesy ich gromadzenia, przechowywania, ochrony oraz analizy.  

Przejrzyste standardy dotyczące zbierania, przechowywania i analizy danych umożliwiają tworzenie długoterminowych baz porównawczych, które wspierają monitorowanie działań organizacji na przestrzeni czasu. Dzięki takim bazom możliwe jest identyfikowanie trendów oraz precyzyjne ocenianie efektywności wdrożonych strategii zarządzania. W kontekście analizy danych najlepsze praktyki koncentrują się na określeniu jasnych celów analizy, systematycznym gromadzeniu danych z różnych źródeł oraz ciągłym monitorowaniu i kontroli jakości informacji. Zapewnienie dokładności i rzetelności tych danych staje się fundamentem podejmowania skutecznych decyzji zarządczych. 

Ostatecznym celem tych działań jest precyzyjne określenie zwrotu z inwestycji (Return on Investment – ROI) w kontekście zarządzania danymi. Wysokiej jakości dane, które podlegają starannej analizie, stanowią podstawę rzetelnej oceny opłacalności inwestycji w technologie i narzędzia zarządzania danymi. Jak wskazują badania, proces zarządzania danymi, podobnie jak każdy inny projekt biznesowy, powinien mieć określony wskaźnik ROI. Rzetelna analiza opłacalności wymaga przejścia od ogólnych założeń do szczegółowych wskaźników efektywności, które pozwolą precyzyjnie określić korzyści wynikające z poprawy jakości danych. 

5. Podsumowanie

Z perspektywy potencjalnego nabywcy systemu predykcyjnego utrzymania ruchu pojawia się naturalny dylemat: jak zapłacić za wartość, której nie widać, i jak zaufać technologii, która obiecuje brak pewnych zdarzeń zamiast dostarczenia konkretnych produktów czy usług? Literatura naukowa, dotychczasowe wdrożenia oraz przykłady z innych sektorów sugerują, że choć początkowo trudno jest oszacować ROI, z biegiem czasu, wraz z gromadzeniem danych i doświadczeń, korzyści stają się wyraźne i mierzalne. 

Dzięki edukacji, stopniowemu wdrażaniu, transparentnej komunikacji ze strony dostawców oraz standaryzacji danych można znacząco zmniejszyć poczucie niepewności i ryzyka. W efekcie, inwestycja w PdM, choć oparta na prewencji i niewidocznych efektach, może okazać się jednym z najbardziej wartościowych i strategicznych posunięć dla przedsiębiorstw dążących do długoterminowej stabilizacji i konkurencyjności. 

Bibliografia

Bocewicz, G., Frederiksen, R., Nielsen, P., Banaszak, Z. (2024). Integrated preventive–proactive–reactive offshore wind farms maintenance planning. Annals of Operations Research. 1-32. 10.1007/s10479-024-05951-4.

Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. D. P., Basto, J. P., & Alcalá, S. G. S. (2019).  A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024.

Jimenez-Cortadi, A., Irigoien, I., Boto, F., Sierra, B., & Rodriguez, G. (2019). Predictive maintenance on the machining process and machine tool. Applied Sciences, 9(21), 4506.

Klees, M., Evirgen, S. (2022). Building a smart database for predictive maintenance in already implemented manufacturing systems. Procedia Computer Science, 204, 14-21.

Lee, J., Ardakani, H. D., Yang, S., & Bagheri, B. (2015). Industrial big data analytics and cyber-physical systems for future maintenance & service innovation. Procedia CIRP, 72, 267–272.

Maktoubian, J., & Ansari, K. (2019). An IoT architecture for preventive maintenance of medical devices in healthcare organizations. Health and Technology, 9, 233–143.

Patel, M., Vasa, J., Patel, B. (2023) Predictive Maintenance: A Comprehensive Analysisand Future Outlook. 2023 2nd International Conference on Futuristic Technologies (INCOFT)Karnataka, India. Nov 24-26.

Poór, P., Ženíšek, D., & Basl, J. (2019). Historical overview of maintenance management strategies: Development from breakdown maintenance to predictive maintenance in accordance with four industrial revolutions. Proceedings of the International Conference on Industrial Engineering and Operations Management.

Wellsandt, S., Nabati, E., Wuest, T., Hribernik, K. A., & Thoben, K. D. (2016). A survey of product lifecycle models: Towards complex products and service offers. International Journal of Product Lifecycle Management, 9(4), 353-390.