Fleet management: application framework and business models

Fleet management systems (FMS) have developed from simple tracking solutions into advanced digital environments that combine telematics, artificial intelligence (AI), analytics, and autonomous systems. As the level of innovation intensity in the industry rises, the relationship between technological intensity, implementation costs, and economic value has not been adequately investigated. Current studies usually focus on engineering or specific financial aspects, failing to provide a comprehensive comparison framework that could assess diverse solution types. This thesis aims to fill this research gap by creating a comprehensive empirical database of 59 fleet management solution vendors operating in different technological, functional, and geographical environments. Each firm has been examined systematically according to a set of feature-level parameters, such as hardware architecture, software paradigm, AI usage, integration needs, organizational effects, pricing model, target users, and business model design. Based on this data set, three composite indices were developed: a Cost Index that evaluates the implementation complexity of hardware, software, integration, and organizational factors; a Return on Investment (ROI) Index that measures operational, risk-related, capital efficiency, compliance, and productivity drivers; and an Innovation Index that assesses technological novelty, data maturity, and business model innovation. A normalized five-point benchmarking scale was used to facilitate cross-case comparisons. The empirical study plots firms on ROI-Cost and Innovation-Cost matrices and uses an Innovation-Cost efficiency ratio to highlight structural patterns and strategic clusters. The findings show that the ecosystem is layered, not linear. While capital-intensive frontier technologies are characterized by high innovation and high implementation costs, some software and platform-based solutions demonstrate high innovation intensity with relatively low-cost indices. This suggests that innovation is not necessarily capital-intensive; its economic viability depends on its architectural properties and scalability.

I sistemi di Fleet Management (FMS) si sono evoluti da semplici soluzioni di tracciamento a ecosistemi digitali avanzati che integrano telematica, intelligenza artificiale (AI), analisi dei dati e sistemi autonomi. Con l’aumento dell’intensità innovativa nel settore, la relazione tra complessità tecnologica, costi di implementazione e valore economico non è stata ancora adeguatamente indagata. Gli studi esistenti tendono a concentrarsi su aspetti ingegneristici o su singoli indicatori finanziari, senza offrire un quadro comparativo integrato capace di valutare archetipi eterogenei di soluzioni. La presente tesi intende colmare tale lacuna attraverso la costruzione di un database empirico strutturato composto da 59 fornitori di soluzioni di fleet management operanti in contesti tecnologici, funzionali e geografici differenti. Ciascuna azienda è stata analizzata in modo sistematico sulla base di parametri a livello di caratteristiche specifiche, tra cui architettura hardware, modello software, livello di utilizzo dell’AI, requisiti di integrazione, impatti organizzativi, struttura di pricing, utenti target e configurazione del modello di business. A partire da questo dataset sono stati sviluppati tre indici compositi: un Cost Index, che valuta la complessità di implementazione in termini di hardware, software, integrazione e fattori organizzativi; un Return on Investment (ROI) Index, che misura driver di valore legati a efficienza operativa, riduzione del rischio, efficienza del capitale, conformità normativa e produttività; e un Innovation Index, che analizza novità tecnologica, maturità nell’utilizzo dei dati e innovazione del modello di business. È stata adottata una scala normalizzata a cinque livelli per consentire il confronto tra casi differenti. L’analisi empirica posiziona le aziende all’interno di matrici ROI–Cost e Innovation–Cost e utilizza un rapporto di efficienza Innovation–Cost per evidenziare pattern strutturali e cluster strategici. I risultati mostrano un ecosistema stratificato piuttosto che lineare. Sebbene le tecnologie frontier ad alta intensità di capitale presentino elevati livelli di innovazione e costi di implementazione altrettanto elevati, alcune soluzioni software e platform-based dimostrano un’alta intensità innovativa associata a indici di costo relativamente contenuti. Ciò suggerisce che l’innovazione non è necessariamente capital-intensive; la sua sostenibilità economica dipende dalle caratteristiche architetturali e dalla scalabilità della soluzione.