Forecasting Technology Trends through the Gap Between Science and Technology: The Case of Software as an E-Commerce Service

Capa

Citar

Texto integral

Resumo

Identifying technology trends can be a key success factor for companies to be competitive and take advantage of technological trends before they occur. The companies always work to plan for future products and services. For that, it is important to turn to methods that are used for technology forecasting. These tools help the companies to define potential markets for innovative new products and services. This paper uses text mining techniques along with expert judgment to detect and analyze the near-term technology evolution trends in a Software as a Service (SaaS) case study. The longer-term technology development trend in this case is forecasted by analyzing the gaps between science and technology. This paper contributes to the technology forecasting methodology and will be of interest to those in SaaS technology. Our findings reveal five trends in the technology: 1) virtual networking, 2) the hybrid cloud, 3) modeling methodologies, 4) mobile applications, and 5) web applications. Among the results achieved, we can summarize the interesting ones as follows: it is possible to say that traditional information systems are now evolving into online information systems. On the other hand, the use of a licensing model based on subscriptions triggers the change in perpetual licensing models. The product range that has evolved towards mobile technologies has put pressure on information storage technologies and has led to the search for new methods especially in the development of database systems.

Sobre autores

Tugrul Daim

Portland State University

Email: ji2td@pdx.edu
1900 SW 4th, Portland OR 97201 USA

Esraa Bukhari

Portland State University

Email: ebukhari@pdx.edu
1900 SW 4th, Portland OR 97201 USA

Dana Bakry

Portland State University

Email: dbakry@pdx.edu
1900 SW 4th, Portland OR 97201 USA

James VanHuis

Portland State University

Email: jvanhuis@pdx.edu
1900 SW 4th, Portland OR 97201 USA

Haydar Yalcin

Ege University, Erzene Mahallesi Ege Universitesi Merkez Yerleskesi

Email: haydar.yalcin@gmail.com
35040 Bornova/Izmir, Turkiye

Xiaoli Wang

Beijing University of Technology

Autor responsável pela correspondência
Email: bjutwxl@qq.com
NO.100, Pingle Garden,Chaoyang District, Beijing City, China

Bibliografia

  1. Angelou K., Maragakis M., Argyrakis P. (2019) A structural analysis of the patent citation network by the k-shell decomposition method. Physica A: Statistical Mechanics and Its Applications, 521, 476-483. DOI: https://doi.org/10.1016/j.physa.2019.01.063
  2. Bengisu M., Nekhili R. (2006) Forecasting emerging technologies with the aid of science and technology databases. Technological Forecasting and Social Change, 73(7), 835-844. DOI: https://doi.org/10.1016/j.techfore.2005.09.001
  3. Bildosola I., Rio-Belver R.M., Garechana G., Cilleruelo E. (2017) TeknoRoadmap: An approach for depicting emerging technologies. Technological Forecasting and Social Change, 117, 25-37. DOI: https://doi.org/10.1016/j.techfore.2017.01.015
  4. Boyack K.W., van Eck N.J., Colavizza G., Waltman L. (2018) Characterizing in-text citations in scientific articles: A large-scale analysis. Journal of Informetrics, 12(1), 59-73. DOI: https://doi.org/10.1016/j.joi.2017.11.005
  5. Chen C. (1998) Bridging the gap: The use of pathfinder networks in visual navigation. Journal of Visual Languages & Computing, 9(3), 267-286. DOI: https://doi.org/10.1006/jvlc.1998.0083
  6. Chen C.M., Ibekwe?SanJuan F., Hou J. H. (2010) The Structure and Dynamics of Cocitation Clusters: A Multiple-Perspective Cocitation Analysis. Journal of the American Society for Information Science and Technology, 61(7), 1386-1409. DOI: https://doi.org/10.1002/asi.21309
  7. Chen H., Zhang G., Zhu D., Lu J. (2017) Topic-based technological forecasting based on patent data: A case study of Australian patents from 2000 to 2014. Technological Forecasting and Social Change, 119(7), 39-52. DOI: https://doi.org/10.1016/j.techfore.2017.03.009
  8. Chen W., Shen B.J., Qi Z.W. (2011) Research and implementation of business logic customization framework for SaaS applications. Jisuanji Yingyong Yanjiu, 28(1), 155-158.
  9. Choi S., Park H., Kang D., Lee J.Y., Kim K. (2012) An SAO-based text mining approach to building a technology tree for technology planning. Expert Systems with Applications, 39(13), 11443-11455. DOI: https://doi.org/10.1016/j.eswa.2012.04.014
  10. Christensen C.M. (1997) The innovator's dilemma: When new technologies cause great firms to fail, Boston, MA: Harvard Business School Press.
  11. Coates V., Farooque M., Klavans R., Lapid K., Linstone H.A., Pistorius C., Porter A.L. (2001) On the Future of Technological Forecasting. Technological Forecasting and Social Change, 67(1), 1-17. DOI: https://doi.org/10.1016/S0040-1625(00)00122-0
  12. Cusumano M.A. (2008) The changing software business: Moving from products to services. Computer, 41(1), 20-27. https://doi.ieeecomputersociety.org/. DOI: https://doi.org/10.1109/MC.2008.29
  13. Daim T., Bukhari E., Bakry D., VanHuis J., Yalcin H., Wang X. (2021) Forecasting Technology Trends through the Gap Between Science and Technology: The Case of Software as an E-Commerce Service. Foresight and STI Governance, 15(2), 12-24.
  14. Elfatatry A., Layzell P. (2002) Software as a service: A negotiation perspective. In: Proceedings of the 26th Annual International Conference on Computer Software and Applications, 26-29 August 2002, Oxford, UK (ed. D.C. Martin), Piscataway, NJ: IEEE, pp. 501-506. https://ieeexplore.ieee.org/document/1045054, accessed 06.04.2021.
  15. Garcia-Lillo F., Claver-Cortes E., Marco-Lajara B., Ubeda-Garcia M. (2019) Identifying the ‘knowledge base' or ‘intellectual structure' of research on international business, 2000-2015: A citation/co-citation analysis of JIBS. International Business Review, 28(4), 713-726. DOI: https://doi.org/10.1016/j.ibusrev.2019.02.001
  16. Ghazinoory S., Ameri F., Farnoodi S. (2013) An application of the text mining approach to select technology centers of excellence. Technological Forecasting and Social Change, 80(5), 918-931. DOI: https://doi.org/10.1016/j.techfore.2012.09.001
  17. Graham R.L., Hell P. (1985) On the history of the minimum spanning tree problem. Annals of the History of Computing, 7(1), 43-57. DOI: https://doi.org/10.1109/MAHC.1985.10011
  18. Hasner C., de Lima A.A., Winter E. (2019) Technology advances in sugarcane propagation: A patent citation study. World Patent Information, 56, 9-16. DOI: https://doi.org/10.1016/j.wpi.2018.09.001
  19. Huang L., Zhang Y., Guo Y., Zhu D.H., Porter A.L. (2014) Four-dimensional Science and Technology Planning: A New Approach Based on Bibliometrics and Technology Roadmapping. Technological Forecasting and Social Change, 81(1), 39-48. DOI: https://doi.org/10.1016/j.techfore.2012.09.010
  20. Huang Y., Porter A.L., Zhang Y., Lian X., Guo Y. (2018) An assessment of technology forecasting: Revisiting earlier analyses on dye-sensitized solar cells (DSSCs). Technological Forecasting and Social Change, 146, 831-843. DOI: https://doi.org/10.1016/j.techfore.2018.10.031
  21. Kim G., Bae J. (2017) A novel approach to forecast promising technology through patent analysis. Technological Forecasting and Social Change, 117, 228-237. DOI: https://doi.org/10.1016/j.techfore.2016.11.023
  22. Kim H.J., Jeong Y.K., Song M. (2016) Content- and proximity-based author co-citation analysis using citation sentences. Journal of Informetrics, 10(4), 954-966. DOI: https://doi.org/10.1016/j.joi.2016.07.007
  23. Kose T., Sakata I. (2018) Identifying technology convergence in the field of robotics research. Technological Forecasting and Social Change. DOI: https://doi.org/10.1016/j.techfore.2018.09.005
  24. Laplante P.A., Zhang J., Voas J. (2008) What's in a Name? Distinguishing between SaaS and SOA. IT Professional, 10(3), 46-50. https://doi.ieeecomputersociety.org/. DOI: https://doi.org/10.1109/MITP.2008.60
  25. Lee H., Lee S., Yoon B. (2011) Technology clustering based on evolutionary patterns: The case of information and communications technologies. Technological Forecasting and Social Change, 78(6), 953-967. DOI: https://doi.org/10.1016/j.techfore.2011.02.002
  26. Li X., Xie Q., Daim T., Huang L. (2019) Forecasting technology trends using text mining of the gaps between science and technology: The case of perovskite solar cell technology. Technological Forecasting and Social Change. DOI: https://doi.org/10.1016/j.techfore.2019.01.012
  27. Ma D. (2007) The business model of Software-as-a-Service. In: Proceedings of the IEEE International Conference on Services Computing (SCC 2007), Salt Lake City, UT, 9-13 July 2007, Hoboken, NJ: IEEE, pp. 701-702. http://doi.ieeecomputersociety.org/. DOI: https://doi.org/10.1109/SCC.2007.118
  28. Madani F., Weber C. (2016) The evolution of patent mining: Applying bibliometrics analysis and keyword network analysis. World Patent Information, 46, 32-48. DOI: https://doi.org/10.1016/j.wpi.2016.05.008
  29. Olsson O. (2005) Technological opportunity and growth. Journal of Economic Growth, 10(1), 31-53. DOI: https://doi.org/10.1007/s10887-005-1112-4
  30. Park C., Yong T. (2017) Prospect of Korean nuclear policy change through text mining. Energy Procedia, 128, 72-78. DOI: https://doi.org/10.1016/j.egypro.2017.09.017
  31. Porter A.-L., Detampel M.J. (1995) Technology opportunities analysis. Technological Forecasting and Social Change, 49(3), 237-255. DOI: https://doi.org/10.1016/0040-1625(95)00022-3
  32. Porter A.L., Cunningham S.W. (2004) Tech Mining: Exploiting New Technologies for Competitive Advantage, Hoboken, NJ: Wiley.
  33. Rezaeian M., Montazeri H., Loonen R.C.G.M. (2017) Science foresight using life-cycle analysis, text mining and clustering: A case study on natural ventilation. Technological Forecasting and Social Change, 118, 270-280. DOI: https://doi.org/10.1016/j.techfore.2017.02.027
  34. Rongying Z., Limin X. (2010) The Knowledge Map of the Evolution and Research Frontiers of the Bibliometrics. Journal of Library Science in China, 5, 60-68. https://en.cnki.com.cn/Article_en/CJFDTotal-ZGTS201005007.htm, accessed 06.04.2021.
  35. SIIA (2001) Software as a Serice: Strategic Backgrounder. Washington, D.C.: Software & Information Industry Association.
  36. Shibata N., Kajikawa Y., Sakata I. (2010) Extracting the commercialization gap between science and technology - Case study of a solar cell. Technological Forecasting and Social Change, 77(7), 1147-1155. DOI: https://doi.org/10.1016/j.techfore.2010.03.008
  37. Teufel S., Siddharthan A., Tidhar D. (2009) An annotation scheme for citation function. In: SigDIAL '06: Proceedings of the 7th SIGdial Workshop on Discourse and Dialogue (eds. J. Alexandersson, A. Knott), Stroudsburg, PA: Association for Computational Linguistics, pp. 80-87. http://dl.acm.org/citation.cfm?id=1654595.1654612, accessed 06.04.2021.
  38. Wang M.-Y., Fang S.-C., Chang Y.-H. (2015) Exploring technological opportunities by mining the gaps between science and technology: Microalgal biofuels. Technological Forecasting and Social Change, 92, 182-195. DOI: https://doi.org/10.1016/j.techfore.2014.07.008
  39. Yoon B., Park I., Coh B. (2014) Exploring technological opportunities by linking technology and products: Application of morphology analysis and text mining. Technological Forecasting and Social Change, 86, 287-303. DOI: https://doi.org/10.1016/j.techfore.2013.10.013
  40. Yoon B., Park Y. (2005) A systematic approach for identifying technology opportunities: keyword-based morphology analysis. Technological Forecasting and Social Change, 72 (2), 145-160. DOI: https://doi.org/10.1016/j.techfore.2004.08.011

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».