Bakgrund: Den industriella marknadsföringen kännetecknas av djupa kundrelationer, där affärer ofta karaktäriseras av långa säljprocesser som innefattar åtskilliga interaktioner med flertalet aktörer involverade. Denna försäljning har blivit allt mer relationsorienterad där kundens behov, värde och önskemål sätts i fokus. Covid-19 har främjat ett digitalt arbetssätt vilket har påverkat verksamheter, affärslandskapet och interaktionen mellan säljare och kunder. Den fysiska interaktionen som anses vara grundläggande vid en nykundsbearbetning och för skapandet av en kundrelation har nu ersatts av digitala möten.  Syfte: Syftet med studien är att undersöka och bidra med ökad förståelse för hur omställningen till att arbeta digitalt på distans har en inverkan på säljarens nykundsbearbetning och etableringen av kundrelationer B2B.  Metod: Denna flerfallstudie tillämpar en kvalitativ forskningsmetod och utgår från ett hermeneutiskt perspektiv i samverkan med en deduktiv ansats med induktiva inslag. Studiens empiriska resultat har samlats in med hjälp av semistrukturerade intervjuer från fyra olika fallföretag. Utifrån tidigare forskning analyseras det empiriska resultatet.  Slutsats: Denna studies resultat påvisar att säljarens arbetssätt har påverkats i viss utsträckning vid bearbetning av nya kunder. Affärer präglas i hög grad av mjuka värden där den fysiska interaktionen förblir viktig för utvecklingen av en kundrelation. Digitala interaktioner ställer högre krav på säljaren inför ett möte och innebär svårigheter att kunna knyta en personlig kontakt för att komma kunden nära och utveckla ett förtroende. Samtidigt visar studien att det digitala verktyget medför en högre effektivitet, tillgänglighet, och en ökad möjlighet att nå fler kunder. Affärslandskapet har förändrats och en kombination av fysiska och digitala möten kommer vara ett sätt för säljarna att nykundsbearbeta på. / Background: Industrial marketing is defined by deep customer relationships, where business is characterized by long sales processes which include numerous interactions with multiple participants. B2B-sales have become more relationship-oriented where the customer's needs, values and wishes are the focal points. Covid-19 has promoted a digital way of working, which has changed the business landscape and the way salespeople interact with customers. The physical interaction that is considered vital when acquiring new customers has now been replaced by digital meetings.  Purpose: The purpose of the study is to investigate and contribute with an increased understanding of how the transition to working remotely has an impact on the seller’s customer acquisition and the establishment of B2B-relations.  Method: This multiple case study applies a qualitative research method, based on a hermeneutic perspective and a deductive approach with inductive elements. The empirical results of the study have been collected by means of semi-structured interviews from four different companies. The result of the interviews has been analysed using previous research.  Conclusion: The results of this study show that the salesperson’s way of working has been affected to a certain extent when acquiring new customers. B2B-sales is characterized by soft values where the physical interaction remains important for the development of customer relationships. Digital interactions require higher demands on salespeople before a meeting and can imply difficulties in developing a personal contact and association between the parties in order to establish trust. However, it turns out that digital tools lead to higher efficiency, availability, and an increased opportunity to reach more customers. The business landscape has changed, and a mix of physical and digital meetings will be a way for salespeople to acquire new customers.

This thesis explores the application of machine learning 8ml9 techniques in customer classification and their intergration into customer relationship management (CRM) systems within the corporate insurance industry. The research aims to address the gap in the use of AI-CRM for the corporate insurance industry. It was conducted as a case study at a Swedish insurance broker company. The study leveraged external data sources to create a data seet on customer information. The feature selection process included Variance Influence Factor (VIF) to remove collinearity and then Mutual Class Info and Random Forest, which are methods used to find which independent variables affect the dependent variable the most. Also, Recursive Feature Testing was applied to find the best feature combinations. Four different binary classification models were implemented and compared - Decision Tree, Random Forest, Support Vector Machine, and Artificial Neural Network. Note that Random Forest can be used both for feature selection and classification. The models were tested on four different feature combinations and evaluated using Accuracy, Recall, Precision, F1-score, and ROC-AUC. The study further conducted interviews at the partner company to evaluate their current CRM system. The findings show that ML-based customer classification can be leveraged to effectivize the customer acquisition process for corporate insurance. The Support Vector Machine model achieved the highest accuracy, at 80%. Depending on the avaliable data and the use of metrics, different classifiers had the best performance. The study also found that when implementing classification into AI-CRM, the specific requirements at the company need to be examined. This study found it important to conersider the data procurement process, the current customer acquisition process, the risks associated with misclassification, and present bias. The findings of this study have theoretical implications for the implementation of AI-CRM for customer acqusition. It demonstrates the practical benefits of intergrating machine learning techniques into CRM systems, emphasizing the effectiveness of AI-CRM for customer classification. Further, by comparing different classification models and evaluating their performance, the study enhances the theoretical understanding of model selection for customer classification tasks in this specific domain. Additionally, the research provides insights into effective feature selection methods, aiding researchers and practitioners in extracting relevant variables for customer classification. / Denna studie utforskar tillämpningen av maskininlärning (ML) inom kundklassificering och dess intergration i kundrelationssystem (CRM) inom företagsförsäkringsbranschen. Forskningen syftar till att fylla kunskapsluckan inom användningen av AI-CRM inom företagsförsäkringsbranschen. Studien genomfördes som en fallstudie på ett svenskt försäkringsmäklarföretag. Studien utnyttjade externa datakällor för att skapa en dataset av kundinformation. Processen för val av variabler inkluderade Variance Influence Factor (VIF) för att ta bort kollinearitet och sedan Mutual Class Info och Random Forest, som är metoder som användsför att hitta vilka oberoende variabler som påverkar den beroende variabeln mest. Dessutom användes Recursive Feature Testing för att hitta de bästa kombinationerna av funktioner. Fyra olika binära klassificeringsmodeller implementerades och jämfördes- Decision Tree, Random Forest, Support Vector Machine och Artificial Neural Network. Observera att Random Forest kan användas både för val av funktioner och klassificering. Modellerna testades med fyra olika kombinationer av variabler och utvärderades med hjälp av Accuracy Recall, Precision, F1-score och ROC-AUC. Studien genomförde även intervjuer på partnerföretaget för att utvärdera deras nuvarande CRM-system. Resultaten visar att ML-baserad kundklassificering kan användas för att effektivisera processen för kundanskaffning inom företagsförsäkring.  Support Vector Machine-modellen uppnådde högst accuracy, 80%. Beroende på tillgängliga data och användning av evalueringsmått hade olika klassificerade bäst prestanda. Studien fann också att vid implementering av klassificering i AI-CRM måste de specifika kraven på företaget undersökas. Denna studie fann det viktigt att beakta processen för dataanskaffning, den nuvarande processen för kundanskaffning, riskerna med felklassificering och nuvarande partiskhet. Resultaten av denna studie har teoretiska implikationer för implementeringen av AI-CRM för kundanskaffning. Den visar på de praktiska fördelarna med att integrera maskininlärningstekniker i CRM-system och betonar effektiviteten hos AI-CRM för kundklassificering. Dessutom förbättrar studien den teoretiska förståelsen för val av modeller för kundklassificeringsuppgifter i det specifika domänet genom att jämföra olika klassificeringsmodeller och utvärdera deras prestanda. Studien ger också insikter om effektiva metoder för val av variabler och hjälper forskare och utövare att extrahera relevanta variabler för kundklassificering.