Utveckling av ramverk för möjlighetsbedömning av när man ska utnyttja maskininlärning för att skapa datadrivna produkter

In!recent years, machine!learning has developed to the!extent that it can be utilized and implemented to create business value in organizations by either reducing costs or increasing innovation and growth opportunities. Machine learning can unlock possibilities to create a better! product and experience, and thereby aid in gaining a stronger position in the industry. With millions of users traveling through their e2commerce platform, the case company of this thesis, a subscription based digital service company, has the potential tocreate an improved customer experience using optimization and machine learning, generating business value and revenue. With limited resources and need for prioritization, understanding in which areas it would be most beneficial and generate most value to implement machine learning is critical. This thesis conducted an empirical study and thematic analysis based on semistructured interviews with machine learning engineers and managers at a subscription based digital service company to investigate how to assess when it is beneficial to utilize machine learning for optimization problems within an e2commerce organization. Impact, confidence, and effort were identified as suitable factors to assess the return on investment (ROI) of machine learning. In addition to this, three factors associated with machine learning were identified as required to have in place!or to consider in order to ensure a successful machine learning implementation. These three factors were data, business metrics (what to optimize), and discovery/research.Under senare år har maskininlärning utvecklats i den mån att det kan utnyttjas och genomföras för att skapa affärsvärde i organisationer genom att antingen minska kostnaderna eller öka innovations- och tillväxtmöjligheter. Maskininlärning kan låsa upp möjligheter att skapa en bättre produkt och användarupplevelse och därigenom bidra till att få en starkare position i branschen. Med miljontals användare som reser via sin e-handelsplattform har fallstudieföretaget av denna avhandling, ett abonnemangsbaserat digitalt serviceföretag, potential att skapa en förbättrad kundupplevelse med hjälp av optimering och maskininlärning, som genererar affärsvärde och intäkter för organisationen. Med begränsade resurser och behov av prioritering är det viktigt att förstå inom vilka områden det är mest fördelaktigt och skapar mest värde att implementera maskininlärning. Denna avhandling genomförde en empirisk studie och tematisk analys baserad på halvstrukturerade intervjuer med maskininlärningsingenjörer och managers på ett abonnemangsbaserat digitalt serviceföretag för att undersöka hur man bedömer när det är fördelaktigt att använda maskininlärning för optimeringsproblem inom en e-handelsorganisation. Impact, confidence och effort identifierades som lämpliga faktorer för att bedöma avkastningen på investeringar (ROI) för maskininlärning. Utöver detta identifierades tre faktorer som hör samman med maskininlärning som krävs att ha på plats eller att överväga för att säkerställa en framgångsrik maskininlärningsimplementation. Dessa tre faktorer var data, business metrics (vad man optimerar) och discovery/research