This thesis explores and evaluates the forecasting application of the machine learning method Gradient Boosting Decision Trees. This method is used to forecast the demand of the online grocery market with a 7-day time horizon. The thesis was conducted in collaboration with the online grocery company Mathem. The model is applied and evaluated on three different periods representing the spring, summer and fall. The main evaluation metric is the mean absolute percentage error (MAPE), and clear differences were found depending on the predictability of the period. Apart from the model and its application to demand forecasting, the related risk was investigated. This was done by studying the Value-at-Risk and Expected Shortfall associated with discrepancies between the forecasted and actual values over the three periods. The most important conclusion of the case study at Mathem is that overestimation in the forecast is more costly in terms of monetary value than underestimating. It is also found that this is highly dependent on the cost structure of the company's operation and could therefore vary between companies. Thus, the study has contributed to understanding the applications of machine learning models in forecasting processes as well as the risks related to over/underestimating the demand of the online grocery market. / I denna uppsats utforskas och utvärderas maskininlärningsmetoden Gradient Boosting Decision Trees och dess tillämpningsområde inom prognostisering. Metoden används för att prognostisera efterfrågan på onlinehandel av dagligvaror med en 7 dagars tidshorisont. Uppsatsen gjordes i samarbete med företaget Mathem som är aktiva inom denna sektor. Modellen appliceras och utvärderas på tre olika tidsperioder som representerar våren, sommaren och hösten. Modellen själv utvärderas med avseende på måttet mean absolute percentage error (MAPE) och tydliga skillnader mellan tidsperioderna observerades relaterat till variansen i datan. Förutom modellen och dess applikation på prognostisering av efterfrågan utforskades även de relaterade riskerna. Detta genomfördes genom att studera riskmåtten Value-at-Risk och Expected Shortfall baserade på differensen mellan de prognostiserade och de faktiska värdena under dessa tre tidsperioder. Den viktiga slutsatsen som kunde dras från uppsatsen i samband med Mathem var att det, i monetära termer, är dyrare att prognostisera för högt än för lågt. En ytterligare slutsats som kan dras är att den monetära risken är mycket beroende av kostnadsstrukturen hos företaget och skulle därför kunna variera mellan olika företag. Således har denna uppsats bidragit till förståelse för användandet av maskininlärning för prognostisering samt riskerna kopplade till över- och underskattning av efterfrågan i marknaden för dagligvaruhandel online.

I takt med den ökade globaliseringen har konkurrensen tilltagit på marknaden och påverkat förutsättningarna för de traditionella tillverkningsföretagen. Att utöver produkter sälja tjänster har blivit ett vanligt sätt att differentiera sig från andra aktörer och höja det värde som erbjuds mot kunderna. Denna lösning kallas tjänstefiering och är en växande trend inom tillverkningsindustrin.  Syftet med denna studie är att identifiera vad som är av vikt att fokusera på för företag som tillverkar konsumtionsvaror vid utformning av tjänstefierade erbjudanden till restauranger. Genom att samla in material har vi utformat praktiska rekommendationer till företag som tillverkar konsumtionsvaror kring vad som är av vikt att tänka på vid tjänstefiering. Tidigare forskning inom tjänstefiering har utförts främst i en kapitalvarukontext, detta trots att det visat sig både i praktik och teori att tjänstefiering är lönsamt även för andra typer av tillverkningsföretag. Forskningen har även främst utförts ur ett företagsperspektiv, trots att kundens viktiga roll i tjänstefiering är vida känt. Litteraturområdet som belyser tjänstefiering kopplat till konsumtionsvaror ur ett kundperspektiv anses därav vara begränsat. Studien har därför utförts i en restaurangkontext då restauranger köper in olika typer av konsumtionsvaror vilket ansågs bidra till en bredd i studien. För att undersöka detta område har studien därför haft för avsikt att besvara frågeställningen: Vad värdesätter restauranger vid utformning av tjänstefierade erbjudanden av konsumtionsvaror? För att besvara denna fråga har vi genomfört sju kvalitativa intervjuer med personer som arbetar på olika restauranger med en sådan position att de har insyn kring köp av tjänstefierade erbjudanden. Inför intervjuerna skapade vi en teoretisk referensram med relevant forskning för vår studie gällande tjänstefiering och kundvärde. Referensramen har sedan använts som stöd vid utformning av intervjuguiden som använts vid genomförandet av intervjuerna samt använts vid analys av den insamlade datan.  Resultatet från studien visar att restauranger värdesätter flera faktorer vid utformning av tjänstefierade erbjudanden av konsumtionsvaror från alla dimensioner av kundvärdet. Relationer och den personliga kontakten, möjlighet till att påverka erbjudandet och delta i utvecklingen samt ekonomi visade sig vara värdeskapande aspekter där den personliga kontakten var något som visade sig vara en avgörande faktor för restaurangerna.