Autonome Busse sind ein wichtiger Potenzialträger für zukunftsfähige Mobilitätslösungen. Für ihre weitere Entwicklung und Einführung in den Realbetrieb des ÖPNV ist unter anderem die Konzipierung der benötigten digitalen Kommunikations- und Datenmanagement-Systeme wichtig. Zunächst muss hierfür ein Verständnis geschaffen werden, welche Stakeholder in diesem Kontext zu involvieren sind. Da es sich um ein komplexes Stakeholdernetzwerk handelt, müssen diese durch eine geeignete Klassifizierung eingeordnet werden, um Priorisierungen in den weiteren Schritten vornehmen zu können. Anhand mehrerer Industrieworkshops werden zunächst die relevanten Stakeholder identifiziert und ihre Rollen beschrieben. Anschließend werden die Stakeholder gemäß der VMI-Matrix als Klassifizierungslogik mit Bezug zu Rollen der Datenkommunikation entlang des gesamten Lebenszyklus verordnet. Aus der daraus resultierenden gesamtheitlichen Betrachtung werden wichtige Kernstakeholder wie Autonomer Bus, Leitstelle, Technische Aufsicht, Datenmanagement, OEM oder Betriebsplanung identifiziert, um welche der Aufbau der Kommunikationssysteme herum erfolgen muss, bevor um weitere erweitert werden kann.

Die effektive Integration von Stakeholdern spielt eine zentrale Rolle für den Produktentwicklungserfolg. Im Model-Based Systems Engineering (MBSE) wird der Informationszugang für Stakeholder ohne MBSE-Erfahrung durch eine formalisierte, abstrakte Darstellung erschwert und damit das Integrationspotential für Stakeholder vermindert. Zur Unterstützung der Stakeholder existiert im MBSE das Konzept der Sichtenbildung mit Sichten und Sichtweisen. Zudem existieren in der Literatur neuartige, smarte Darstellungsformen, die die Stakeholderintegration ohne formalisierte Diagramme unterstützen. Die intuitive Lesbarkeit solcher smarten Sichten wurde bisher nicht analysiert. Das Ziel dieser Arbeit ist die Untersuchung intuitiv lesbarer Darstellungsformen und intelligenter Visualisierungen sowie deren mögliche Ausgestaltung. Zudem wird der positive Einfluss solcher Visualisierungen – in Form eines Videos – auf das Systemverständnis von Stakeholdern im Vergleich zu konventionellen, diagrammbasierten Darstellungen analysiert. In der durchgeführten Laborstudie zeigt sich, dass sich bei der Anwendung einer smarten Sicht das Systemverständnis bei verringertem Zeitaufwand verbessert.

Smarte Produkt-Service-Systeme (smart PSS) kombinieren intelligente Produkte und datenbasierte Dienstleistungen zu integrierten Lösungen, die über den gesamten Lebenszyklus hinweg Mehrwert schaffen. Die Entwicklung smarter PSS stellt Unternehmen vor besondere Herausforderungen, wie die nahtlose Integration von Hardware, Software und Dienstleistungen sowie die Abstimmung komplexer Stakeholder-Interessen oder aktive Berücksichtigung von Nutzerbedürfnissen.

Dieser Beitrag adressiert diese Herausforderungen und präsentiert einen strukturierten, praxisorientierten Entwicklungsansatz. Aufbauend auf einer umfassenden Literaturrecherche und praxisnahen Erkenntnissen aus der Zusammenarbeit mit fünf deutschen KMU wurde ein Modell entwickelt, das auf sechs iterativen Phasen basiert, vom Geschäftsmodell über die Markteinführung hin zur Nutzung, und mittels eines Doppelzyklus-Ansatzes Entwicklungs- und Betriebszyklen verknüpft. Zusätzlich werden die spezifischen Besonderheiten der einzelnen Phasen durch eine umfassende Erkenntnissammlung aus verwandten Domänen gezielt adressiert.

Cross-domain traceability represents a key challenge in the development of cyber-physical systems (CPS), particularly given the increasing interconnections and use of modern technologies. This paper presents an approach for integrating mechanical, electrical and software-based models to support traceability. The Contact and Channel Approach (C&C²) establishes semantic connections between models and generates traceability reports. A case study shows the successful application to an electromechanical brake system. The results show the potential of the approach for improving the consistency, quality and maintainability of CPS However, challenges remain in automating model linking, scaling for large systems, and visualizing reports. Future method developments aim to address these limitations through AI-driven approaches and optimized interfaces to enable efficient and practical implementation.