Machine Learning in Business: A Process and Project Perspective

Titelangaben

Albrecht, Tobias:
Machine Learning in Business: A Process and Project Perspective.
Bayreuth , 2023 . - 61 S.
( Dissertation, 2023 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)

Volltext

	Format: PDF Name: Doctoral_Thesis_TA_Publication.pdf Version: Veröffentlichte Version Verfügbar mit der Lizenz Deutsches Urheberrechtsgesetz. Das Dokument darf zum eigenen Gebrauch kostenfrei genutzt werden. Darüber hinaus bedürfen die Vervielfältigung, Bearbeitung, Verbreitung und jede Art der Verwertung der schriftlichen Zustimmung des jeweiligen Rechteinhabers.
	Download (895kB)

Abstract

At the core of present-day artificial intelligence (AI), machine learning (ML) is a transformative force in the business world. While the tremendous potential of ML is reflected by large-scale investments in industry and research, organizations that are not among the technology leaders are still struggling with effective ML implementation. Accordingly, ML initiatives often fail to realize actual performance gains and drive business value. ML workflows and lifecycle models provide standardized procedures with considerable technical depth. However, understanding and orchestrating the socio-technical process of ML implementation in business remains one of the most critical challenges for scholars and professionals alike. Therefore, theoretical guidance on how to approach different ML methods in the context of diverse industry-specific socio-technical problems is required across all phases of ML implementation (i.e., business understanding, data understanding, data preparation, modeling, evaluation, and deployment). In addition, it is essential to progress from a (single-)project perspective to the process level and expand the scope of ML implementation. This dissertation comprises six research papers that aim to contribute to a better understanding of the socio-technical process of ML implementation in business in two ways: First, this thesis zooms out from a (single-)project perspective to provide guidance on how to examine ML opportunities and business processes in an integrated way (i.e., process fit) and how to scale novel ML-enabled processes (i.e., process ramp-up) by expanding the scope of previous concepts of ML implementation. Research Paper P1 presents a blueprint for investigating the opportunities of leading-edge digital technologies such as ML, emerging from the dynamic interrelation between technology, processes, and a lead-ing-edge application domain through the theoretical lens of affordance theory. Research Paper P2 introduces business process ramp-up management (BPRUM) as a new business process management (BPM) capability area and presents action-oriented sub-capabilities that provide managerial tools for the effective scaling of novel ML-driven business processes. Second, this thesis transfers theoretical ML knowledge to applications that solve (domain-)specific problems at the project level. It provides theoretical guidance to practitioners in applying ML methods across all phases of ML implementation and aims to expand the ML knowledge base by gaining practical insights from the application of ML in leading-edge domains (i.e., mobility and CRM) to advance theory. Research Paper P3 analyzes the role of spatial access in the individual decision-making of carsharing users in small urban areas and presents an XML approach to reveal its influence on ML predictions of user behavior (i.e., data understanding). Thereafter, Research Paper P4 explores generative ML for creating synthetic trip data to support carsharing decision-making by overcoming the barrier of limited data access during the introduction and expansion of new services (i.e., data preparation). Research Paper P5 and Research Paper P6 examine contact center forecasting. The studies propose a novel forecasting method including con-textual information and present an evaluation approach for ML models in this domain (i.e., modeling and evaluation). The thesis concludes by pointing to limitations of the presented work as well as directions for future research. Motivated by the need to sustainably realize ML implementation in business, the overall purpose of this dissertation is to guide scholars and practitioners in understanding and performing the operational, methodological, and managerial practices associated with the intricate socio-technical process of effective ML implementation. This thesis strives to contribute to this area of research at both a process and a project level.

Abstract in weiterer Sprache

Als Kernbereich der künstlichen Intelligenz (KI) transformiert maschinelles Lernen (ML) die Geschäftswelt. Während sich das enorme Potenzial von ML bereits in umfangreichen Investitionen in Industrie und Forschung widerspiegelt, haben Unternehmen, die nicht zu den Technologieführern gehören, immer noch Probleme mit der effektiven ML-Implementierung. Dementsprechend gelingt es ML-Initiativen oft nicht, tatsächliche Performancesteigerungen hervorzurufen und Wert zu generieren. ML Workflows bieten bereits standardisierte Verfahren mit erheblicher technischer Tiefe. Das Verständnis und die Orchestrierung des soziotechnischen Prozesses der ML-Implementierung in Unternehmen ist jedoch sowohl für Wissenschaftler als auch für Experten aus der Praxis nach wie vor eine große Herausforderung. Daher sind theoretische Richtlinien für die Herangehensweise an verschiedene ML Methoden im Kontext unterschiedlicher branchenspezifischer soziotechnischer Probleme in allen Phasen der ML Implementierung (Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation und Deployment) erforderlich. Darüber hinaus ist es notwendig die bestehende (Einzel-)Projektperspektive bei der ML-Implementierung um eine Prozessebene zu erweitern. Diese Dissertation umfasst sechs Forschungsbeiträge, die in zweierlei Hinsicht zu einem besseren Verständnis des soziotechnischen Prozesses der ML-Implementierung in Unternehmen beitragen sollen: Erstens abstrahiert diese Arbeit von einer (Einzel-)Projektperspektive, um Anhaltspunkte dafür zu liefern, wie ML-Potenziale und Geschäftsprozesse integriert untersucht (Process Fit) und neuartige ML basierte Prozesse skaliert werden können (Process Ramp-up), indem der Anwendungsbereich bisheriger Konzepte der ML-Implementierung erweitert wird. Forschungspapier P1 stellt einen Ansatz für die strukturierte Untersuchung der Potenziale digitaler Technologien wie ML vor, die sich im Sinne der Affordance Theorie aus der dynamischen Wechselbeziehung zwischen Technologie, Prozessen und dem Anwendungskontext ergeben. Forschungspapier P2 führt Business Process Ramp-up Management (BPRUM) als neue Capability des Business Process Managements (BPM) ein und stellt handlungsorientierte Sub-Capabilities vor, die Management Tools für die effektive Skalierung neuartiger ML-gesteuerter Geschäftsprozesse bieten. Zweitens überträgt diese Arbeit ML-Wissen aus der Theorie auf praktische Anwendungen, die (domänen-)spezifische Geschäftsprobleme auf Projektebene lösen. Sie bietet einen Ansatz für Praktiker zur Anwendung von ML-Methoden in allen Phasen der ML-Implementierung und zielt darauf ab, die ML Wissensbasis zu erweitern, indem praktische Erkenntnisse aus führenden Domänen (z. B. Mobilität und CRM) gewonnen werden. Forschungspapier P3 analysiert die Rolle des räumlichen Zugangs bei der individuellen Entscheidungsfindung von Carsharing-Nutzern in kleinen städtischen Gebieten und stellt einen Explainable ML-Ansatz vor, um dessen Einfluss auf ML-Vorhersagen des Nutzerverhaltens aufzuzeigen (Data Understanding). Anschließend untersucht Forschungspapier P4 die Anwendung von Generative ML für die Erstellung synthetischer Fahrdaten zur Unterstützung von Carsharing-Entscheidungen, indem es die Barriere des begrenzten Datenzugangs bei der Einführung neuer Services überwindet (Data Preparation). Forschungspapier P5 und Forschungspapier P6 befassen sich mit Prognosen für Kundenservice-Center. Die Studien schlagen eine neuartige Prognosemethode vor, die kontextuelle Informationen einbezieht, und stellen einen Evaluierungsansatz für ML-Modelle in diesem Bereich vor (Modeling und Evaluation). Die Dissertation schließt mit einem Hinweis auf die Limitationen der vorgestellten Arbeit und zeigt Möglichkeiten für zukünftige Forschung auf. Motiviert durch die Notwendigkeit, ML-Implementierung in der Wirtschaft nachhaltig zu realisieren, besteht das übergeordnete Ziel dieser Dissertation darin, Wissenschaftlern und Praktikern das Verständnis und die Durchführung der operativen, methodischen und geschäftsleitende Praktiken zu erleichtern, die mit dem komplizierten soziotechnischen Prozess einer effektiven ML-Implementierung verbunden sind. Diese Dissertation trägt zu diesem Forschungsbereich sowohl auf Prozess- als auch auf Projektebene bei.