| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava
Prva stran > Izpis gradiva

Izpis gradiva Pomoč

Naslov:Model napovedovanja prodajnih priložnosti v medorganizacijskem poslovanju z uporabo metod strojnega učenja
Avtorji:ID Bohanec, Marko (Avtor)
ID Kljajić Borštnar, Mirjana (Mentor) Več o mentorju... Novo okno
ID Robnik-Šikonja, Marko (Komentor)
Datoteke:.pdf DOK_Bohanec_Marko_2017.pdf (3,49 MB)
MD5: 53E3CF36336098568329FAD1397BA382
 
Jezik:Slovenski jezik
Vrsta gradiva:Doktorsko delo/naloga
Organizacija:FOV - Fakulteta za organizacijske vede
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
Kraj izida:Kranj
Leto izida:2017
PID:20.500.12556/DKUM-64964 Novo okno
COBISS.SI-ID:7916819 Novo okno
NUK URN:URN:SI:UM:DK:EYDPOVEP
Datum objave v DKUM:24.04.2017
Število ogledov:1904
Število prenosov:275
Metapodatki:XML DC-XML DC-RDF
Področja:FOV
:
BOHANEC, Marko, 2017, Model napovedovanja prodajnih priložnosti v medorganizacijskem poslovanju z uporabo metod strojnega učenja [na spletu]. Doktorska disertacija. Kranj. [Dostopano 23 april 2025]. Pridobljeno s: https://dk.um.si/IzpisGradiva.php?lang=slv&id=64964
Kopiraj citat
  
Skupna ocena:
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share


Iščem podobna dela...Prosim, počakajte...
Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Sekundarni jezik

Jezik:Angleški jezik
Naslov:A machine learning model for business-to-business sales forecasting
Opis:The field of B2B sales is a complex one. Sellers are not just simply selling finish goods; rather they deal with complex solutions, which need to be adapted to a client. Clients usually follow their internal procurement processes, request changes in terms and conditions, negotiate prices, etc. Sellers, therefore, need to understand expectations, wishes and needs of their clients very well. Thus, the process of B2B sales takes longer and is more complex. In this dissertation, we are focusing on forecasting B2B sales, which is in practice frequently done subjectively. Companies are taking sales forecasts into decision-making processes to decide about the allocation of resources and the execution of activities; therefore, incorrect forecasts can have disruptive consequences. Research has shown that companies leveraging data-driven decision-making achieve improved performance. However, other research shows that the use of methods and tools using data remain weak, which can be attributed to insufficient understanding of methods and tools for decision support as well as low trust in technology. This research is motivated by the problems observed in B2B sales forecasting and a gap related to B2B academic work. Our thesis is that it is possible to use machine-learning models to help a seller and a company in such a way that they make fewer mistakes in sales forecasting. To develop such a framework, we have followed the action design research methodology (ADR). Two artefacts resulted from the application of the methodology. First, the information-technology (IT) artefact, which is based on models developed by machine-learning methods, supported by transparent explanations. Second, the organizational artefact, which promotes the integration of insights from the IT artefact into the sales forecasting process and supports organizational learning. The advantage of ADR is its inclusiveness of users in development and model evaluation from the start of the research. Users can express their expectations, concurrently evaluate the models, and provide feedback and suggestions for adaptations. This fosters trust in the developed model and increased commitment to use in practice. At the core of the dissertation is the model developed for B2B sales forecasting using machine-learning methods, which learn sales characteristics from sales history. When new sales opportunities arrive, they are evaluated by the model and provide decision makers with explanations of impactful attributes. An evaluation of sales activities is supported by what-if analysis. To provide explanations, a uniform format supporting various models is used. This enables the use of high performing machine-learning methods, frequently black boxes, such as Random Forest, which are not transparent, and users are reluctant to trust them. To develop the model, we conducted additional research. First, we identified a set of attributes in academic literature, describing B2B sales processes. Second, we developed optimization procedures to detect noise and the redundancy of attributes. Third, we developed a visual method to detect the quality of learning data set. Therefore, we confirmed our thesis: it is possible to build such a model. Most of the methods used achieved classification accuracy above 70\%. The developed visual and optimization algorithms estimated the impact of attributes. The practice confirms a utility of developed model in use, shown by significant improvement of forecasting accuracy in a real-world company. With a combination of the use of models, and the insights of knowledge and experts, this research contributes to overcoming weaknesses of any one particular approach. The methods used are novel in the field of organizational science and contribute to scientific literature in the field of organizational learning and in the use of machine-learning methods.
Ključne besede:machine learning, B2B sales, organizational learning, sales forecasting, models' explanation, what-if analsys


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici