Den senaste tiden så har användningen av termen BI (Business Intelligence) och molnet blivit allt mer uppmärksammad. Den utökade användningen av internet har resulterat i att majoriteten av dagens företag ställs inför utmaningar när det kommer till att hantera den ökade datatrafiken. Med hjälp av datorstödd affärsanalys, BI, kan en organisation använda analytiska rapporteringsverktygen och förse rätt affärsenhet med relevant information vilket leder till ett effektiviserat beslutsfattande. Den ökade utvecklingstakten och användningen av molnbaserade tjänster har resulterat i att organisationer ställs inför nya möjligheter att effektivisera skalbarheten och tillgänglighet inom verksamheten. Hantering av säkerhet och att kunna säkerställa integritet är utmanande aspekter som måste hanteras. Syftet med denna undersökning är att identifiera vilka möjligheter och utmaningar som kommer med användningen av molnbaserade tjänster jämfört mot On-Prem system, samt undersöka hur utmaningarna och möjligheterna med användning av molnbaserade BI-system skiljer sig mot andra molntjänstemodeller.  Med hjälp av en genomgående litteraturstudie samt sex semi-strukturerade intervjuer med respondenter som arbetar med BI, Data analytics och IT-säkerhet har slutsatser för studien kunnat fastställas. Möjligheterna som respondenterna för fallföretaget anser kommer med användningen av molnbaserade tjänster är en utökad skalbarhet, förbättrad tillgänglighet och flexibilitet samt en mer kostnadseffektiv lagring av data. Utmaningarna som fallföretaget anser vara av betydande grad är säkerhetsmekanismer som kryptering, och strategiska utmaningar med övergripande strategier för att optimera affärsnytta. Med användning av molnbaserade BI-system så kan företag analysera stora mängder data och genom användningen av molntjänstemodeller få tillgång till en molnbaserad infrastruktur.

Business Intelligence (BI) är en central del av modern affärsverksamhet och används för att omvandla rådata till meningsfull information för bättre beslutsfattande. Införande av BI kan möta flera utmaningar som påverkar BI:s effektivitet och framgång. Utmaningar som teknisk integration till andra system, datakvalitet och tekniska hinder vid anpassning av komplexa krav förekommer. Men det främsta utmaningarna vid införande av BI är de mjuka/mänskliga faktorerna, vilket är faktorer som har prioriterats bort vid tekniskt komplexa IT-införanden. Ett BI-införande är en stor investering och genom att adressera de mjuka faktorerna och dess utmaningar, skapar verksamheten större möjligheter till att uppnå ett framgångsrikt BI-införande.  Syftet med denna kandidatuppsats i informatik är att identifiera, beskriva och förklara mjuka framgångsfaktorer som påverkar graden av framgångsrikt BI-införande och vilka uppfattade effekter en högre grad av framgångsrikt BI-införande får, för en mellanprojektsrelation mellan kund- och systemimplementatör.  I denna studie har en litteraturstudie genomförts och fallstudiemetoden tillämpats. En analysmodell har utformats och är baserat på det viktigaste från litteraturstudien. Semistrukturerade intervjuer har genomförts via teams eller varit personliga på ett kontor. Semistrukturerade intervjuer genomfördes för att få fram empiriska data om studiens syfte. Tre intervjuer har genomförts med fallföretaget Atea och två intervjuer med kundföretaget Myndigheten för Yrkeshögskolan (MyH).  Studiens viktigaste slutsatser är; Aktivt arbete med förändringsledning under och efter projektet. Verksamhetsförståelse för att kunna anpassa BI-systemet till verksamheten för att det ska bli användbart och användarvänligt. Ha förtroende för varandra i projektet och ha en öppen och tydlig kommunikation. Slutligen är det viktigt att systemanvändarna har ett aktivt deltagande i BI-projektet och att de fortsätter med kontinuerlig efter BI-införandet. Kunskapsbidraget för denna studie är tre indikatorer som har uppdaterats i modifierade analysmodellen grad av verksamhetsförståelse, omfattning av förstudie och grad av förtroende för varandra. Sedan bidrar studien med insikter inom framgångsfaktorer som inte är lika utforskade som de ¨hårda¨ framgångsfaktorerna är.

Business Intelligence (BI) är en teknik som används av företag för att förbättra beslutsfattningen i den dagliga verksamheten. Bättre beslutsfattning kan betyda stora fördelar för de företagen som nyttjar BI-tekniken på rätt sätt. Att hitta korrekt tillvägagångssätt är däremot svårt, då organisationer bedriver sin verksamhet på olika sätt och inom olika branscher. Individer inom organisationer har ansvaret för implementeringen av tekniken, som kan begränsas av bristande kompetens. För en ny användare inom BI kan det vara svårt att veta vilken kompetens som behövs, något vi försöker klargöra i denna rapport. Det saknas däremot information om uppfattat behov av kompetens hos yrkesverksamma inom BI, därav vill vi även skapa en grund för denna kunskapsbrist. Tekniken förändras även över tid, en aktuell granskning av yrkesverksamma kan därför leda till klarhet angående behov av kompetens hos BI-användare. Studien genomfördes genom en kvalitativ ansats med semistrukturerade intervjuer där BI-användares åsikter om deras kompetens och ansedda behov av kompetens samlades in. De anonyma respondenterna var vid tidpunkten av rapportens genomförande yrkesverksamma på stora företag och myndigheter i Sverige. Intervjuerna transkriberades och analyserades genom en tematisk analys. Resultatet av studien visade på en trend av kunskap och kompetens hos yrkesverksamma samt deras individuella uppfattningar angående behov av kunskap och kompetens för att arbeta med BI. Kunskapen om tekniken hos företag som använder BI behöver spridas inom hela organisationen. De behoven av kunskap och kompetens som har kunnat identifierats i vår studie redovisas i resultatet. Vi tror att tydlighet angående BI och behov av kompetens kan gynna förståelsen för teknikens potential hos användare samt även öka teknikens användning. Studien bidrar med information ämnad för yrkesverksamma BI-användare, slutanvändare, ledning för organisationer, forskare inom BI eller nyfikna amatörer.

TV distribution and stream content delivery of video over the Internet, since is made up of complex networks including Content Delivery Networks (CDNs), cables and end-point user devices, that is very prone to issues appearing in different levels of the network ending up affecting the final customer’s TV services. When a problem affects the customer, and this prevents from having a proper TV delivery service in devices used for stream purposes, the issue is reported through a call, a TV case is opened and the company’s customer handling agents start supervising it to solve the problem as soon as possible. The goal of this research work is to present an ML-based solution that predicts the Resolution Times (RTs) of the TV cases in each TV delivery service type, therefore how long the cases will take to be solved. The approach taken to provide meaningful results consisted in utilizing four Machine Learning (ML) algorithms to create 480 models for each of the two scenarios. The results revealed that Random Forest (RF) and, specially, Gradient Boosting Machine (GBM) performed exceptionally well. Surprisingly, hyperparameter tuning didn’t significantly improve the RT as expected. Some challenges included the initial data preprocessing and some uncertainty in hyperparameter tuning approaches. Thanks to these predicted times, the company is now able to better inform their costumers on how long the problem is expected to last until is resolved. This real case scenario also considers how the company processes the available data and manages the problem. The research work consists in, first, a literature review on the prediction of RT of Trouble Ticket (TT) and customer churn in telecommunication companies, as well as the study of the company’s available data for the problem. Later, the research focuses in analysing the provided dataset for the experimentation, the preprocessing of the this data according to the industry standards and, finally, the predictions and analysis of the obtained performance metrics. The proposed solution is designed to offer an improved resolution for the company’s specified task. Future work could involve increasing the number of TV cases per service for improving the results and exploring the link between resolution times and customer churn decisions. / TV-distribution och leverans av strömningsinnehåll via internet består av komplexa nätverk, inklusive CDNs, kablar och slutanvändarutrustning. Detta gör det känsligt för problem på olika nätverksnivåer som kan påverka slutkundens TV-tjänster. När ett problem påverkar kunden och hindrar en korrekt TV-leveranstjänst rapporteras det genom ett samtal. Ett ärende öppnas, och företagets kundhanteringsagenter övervakar det för att lösa problemet så snabbt som möjligt. Målet med detta forskningsarbete är att presentera en maskininlärningsbaserad lösning som förutsäger löstiderna (RTs) för TV-ärenden inom varje TV-leveranstjänsttyp, det vill säga hur lång tid ärendena kommer att ta att lösa. För att få meningsfulla resultat användes fyra maskininlärningsalgoritmer för att skapa 480 modeller för var och en av de två scenarierna. Resultaten visade att Random Forest (RF) och framför allt Gradient Boosting Machine (GBM) presterade exceptionellt bra. Överraskande nog förbättrade inte finjusteringen av hyperparametrar RT som förväntat. Vissa utmaningar inkluderade den initiala dataförbehandlingen och osäkerhet i metoder för hyperparametertuning. Tack vare dessa förutsagda tider kan företaget nu bättre informera sina kunder om hur länge problemet förväntas vara olöst. Denna verkliga fallstudie tar också hänsyn till hur företaget hanterar tillgängliga data och problemet. Forskningsarbetet börjar med en litteraturgenomgång om förutsägelse av RT för Trouble Ticket (TT) och kundavhopp inom telekommunikationsföretag samt studier av företagets tillgängliga data för problemet. Därefter fokuserar forskningen på att analysera den tillhandahållna datamängden för experiment, förbehandling av datan enligt branschstandarder och till sist förutsägelser och analys av de erhållna prestandamätvärdena. Den föreslagna lösningen är utformad för att erbjuda en förbättrad lösning för företagets angivna uppgift. Framtida arbete kan innebära att öka antalet TV-ärenden per tjänst för att förbättra resultaten och utforska sambandet mellan löstider och kundavhoppbeslut.