SLO | ENG

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 2 / 2
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Model napovedovanja prodajnih priložnosti v medorganizacijskem poslovanju z uporabo metod strojnega učenja
Marko Bohanec, 2017, doktorsko delo/naloga

Opis: Področje medorganizacijske (B2B) prodaje je zahtevno. Običajno ne predvideva le prodaje končnih izdelkov, temveč so predmet prodaje kompleksnejše rešitve, prilagojene kupcu. Kupci pri tem sledijo svojim internim procesom, želijo doseči prilagoditve elementov pogodbe, se pogajajo in podobno. To zahteva od prodajalcev dobro poznavanje pričakovanj strank, njihovih želja in potreb. Proces B2B prodaje je zato daljši in kompleksnejši. V disertaciji se osredotočamo na napovedovanje prodajnega izida v medorganizacijski prodaji, ki v praksi večinoma temelji na subjektivni presoji prodajalcev. Glede na napovedi prodajalcev se podjetja odločajo o virih in aktivnostih, zato netočne napovedi lahko vodijo v nepopravljive posledice. Raziskave so pokazale, da podjetja, ki svoje odločitve temeljijo na podatkih (angl. ``data driven decison-making''), izkazujejo boljše poslovne rezultate. Vendar pa raziskave kažejo tudi, da je uporaba metod in orodij, ki temeljijo na podatkih, v praksi še vedno šibka. To lahko pripišemo slabemu razumevanju metod in orodij za podporo odločanju ter tudi nezaupanju v tehnologijo. Motivacija za raziskavo izhaja iz zaznanega problemskega stanja v medorganizacijski prodaji in vrzeli, ki smo jo zaznali v akademski literaturi. Izhajamo iz teze, da je mogoče z uporabo modelov stojnega učenja pomagati prodajalcu in podjetju tako, da pri napovedovanju poslovnega izida delajo manj napak. V ta namen smo po metodologiji akcijske raziskave in razvoja (angl. ``action design research'', s kratico ADR) razvili model napovedovanja prodajnih priložnosti v medorganizacijskem poslovanju z uporabo metod strojnega učenja. Pri tem sta nastala dva artefakta: informacijsko-tehnološki (IT) artefakt, ki temelji na modelih strojnega učenja, podkrepljenih s transparentnimi razlagami, ter organizacijski artefakt, ki spodbuja vključevanje spoznanj iz IT-artefakta v proces napovedovanja in organizacijsko učenje. Prednost ADR je v tem, da vključuje uporabnike v razvoj in evalvacijo modela že na začetku raziskave. Na ta način uporabniki lahko izrazijo svoja pričakovanja, sproti vrednotijo model ter tudi sproti predlagajo spremembe. To krepi zaupanje v razvit model in povečuje zavezanost h kasnejši uporabi v praksi. Jedro disertacije predstavlja model napovedovanja prodajnih priložnosti v medorganizacijskem poslovanju z uporabo metod strojnega učenja. Metode strojnega učenja se iz prodajne zgodovine naučijo prepoznati značilnosti prodaje. Ko se pojavijo nove priložnosti, metode ocenijo njihovo zrelost in ponudijo odločevalcem razlago vplivnih dejavnikov, omogočajo pa tudi analizo vpliva različnih prodajnih aktivnosti s pomočjo ``kaj-če'' analize. Pri tem uporabljamo poenoten format napovedi in njihovih razlag, ki podpirajo različne modele. Tako omogočamo uporabo visoko zmogljivih metod strojnega učenja (npr. naključni gozd), ki so običajno zaradi svoje zapletenosti netransparentne in jim uporabniki stežka zaupajo. Da smo lahko razvili model, smo opravili dodatne raziskave za oblikovanje nabora atributov, ki opisujejo proces B2B prodaje in razvili optimizacijske postopke za detekcijo šuma in redundance atributov. Za učinkovito detekcijo kvalitete učne množice smo razvili vizualno metodo. Potrdili smo domnevo, da je želen organizacijsko-informacijski model mogoče zgraditi, saj je večina uporabljenih metod dosegla klasifikacijsko točnost nad 70\%. Za podrobnejšo analizo vpliva atributov smo razvili simulacijske in optimizacijske algoritme. Praksa potrjuje koristnost razvitega modela, saj se je v realnem podjetju z uporabo modela točnost napovedi bistveno izboljšala. S kombinacijo uporabe modelov, znanja in prakse ekspertov, smo tako prispevali k preseganju pomanjkljivosti posameznih pristopov. Uporabljene metode predstavljajo novost na področju organizacijskih znanosti in tako prispevajo k znanstveni literaturi na področju organizacijskega učenja in uporabe metod strojnega učenja.
Ključne besede: strojno učenje, medorganizacijska prodaja, organizacijsko učenje, napovedovanje izida, razlaga modelov, analiza kaj-če
Objavljeno: 24.04.2017; Ogledov: 159; Prenosov: 12
.pdf Polno besedilo (3,49 MB)

2.
Organizational learning supported by machine learning models coupled with general explanation methods
Marko Bohanec, Marko Robnik Šikonja, Mirjana Kljajić Borštnar, 2017, izvirni znanstveni članek

Opis: Background and Purpose: The process of business to business (B2B) sales forecasting is a complex decision-making process. There are many approaches to support this process, but mainly it is still based on the subjective judgment of a decision-maker. The problem of B2B sales forecasting can be modeled as a classification problem. However, top performing machine learning (ML) models are black boxes and do not support transparent reasoning. The purpose of this research is to develop an organizational model using ML model coupled with general explanation methods. The goal is to support the decision-maker in the process of B2B sales forecasting. Design/Methodology/Approach: Participatory approach of action design research was used to promote acceptance of the model among users. ML model was built following CRISP-DM methodology and utilizes R software environment. Results: ML model was developed in several design cycles involving users. It was evaluated in the company for several months. Results suggest that based on the explanations of the ML model predictions the users’ forecasts improved. Furthermore, when the users embrace the proposed ML model and its explanations, they change their initial beliefs, make more accurate B2B sales predictions and detect other features of the process, not included in the ML model. Conclusions: The proposed model promotes understanding, foster debate and validation of existing beliefs, and thus contributes to single and double-loop learning. Active participation of the users in the process of development, validation, and implementation has shown to be beneficial in creating trust and promotes acceptance in practice.
Ključne besede: decision support, organizational learning, machine learning, explanations
Objavljeno: 01.09.2017; Ogledov: 51; Prenosov: 0
.pdf Polno besedilo (1,31 MB)

Iskanje izvedeno v 0.04 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici