Företaget Cake har idag inte en komplett bild över hur dess fordon används. Därför samlar företaget idag upp användardata i en förhoppning om att kunna analysera denna data för att få insikter över hur dess produkter används och vad de ska satsa på i framtiden. Företaget har idag inte någon komplett lösning för att analysera denna mängd data. De efterlyser en kartläggning över den data som samlas in och vilket analysverktyg som kan utvecklas. Rapportens syfte var att undersöka om företagets användardata kan utvinnas och användas till visualisering samt maskininlärning för att få mer nytta av den.För att uppnå detta började arbetet med en undersökning av de befintliga processerna och metoderna såsom hur data samlas in och kan analyseras hos uppdragsgivaren samt genomgång hur den insamlade datan var strukturerad. Därefter utvecklades och implementerades en lösning för att visualisera och analysera användardata, inklusive undersökning av möjligheterna med maskininlärning för att få djupare insikter i användarnas beteenden. Resultatet visar att om företaget implementerar ett användarvänligt visualiserings- och analysverktyg blir det överlägset jämfört med nuvarande verktyg och metoder då prototypen möjliggör att företaget kan undersöka användarmönster under specifika tidsperioder och göra jämförelser mellan fordon vilket inte kunde göras med befintliga verktyg och metoder. Vid implementeringen måste säkerhet avseende personuppgifter beaktas. Vid analys av IoT-data med maskininlärningsmetoden Clustering samt den behandling som görs dras slutsatsen att möjligheten fanns till att särskilja olika användares dolda användarmönster och gruppera dessa. Användarmönster refererar till de regelbundna och karakteristiska sätten på vilka användare interagerar med en specifik teknologi, tjänst eller system över tid. Dessa mönster kan inkludera upprepade handlingar, preferenser, tidsbaserade aktiviteter och andra beteendemässiga aspekter. / Today, the company Cake does not have a complete picture of how its vehicles are used.Therefore, the company today collects user data in the hope of being able to analyze this data to gain insights into how its products are used and what they should focus on in the future. Today, the company does not have a complete solution for analyzing this amount of data. Today, the company also does not have a complete solution for analyzing this amount of data. They are calling for a survey of the data that is collected and what analysis tools can be developed. The purpose of the report was to investigate whether the company's user data can be mined and used for visualization and machine learning to get more use out of it. To achieve this, the work began with an investigation of the existing processes and methods such as how data is collected and can be analyzed at the client and a review of how the collected data was structured. A solution to visualize and analyze user data was then developed and implemented, including exploring the possibilities of machine learning to gain deeper insights into user behaviour. The result shows that if the company implements a user-friendly visualization and analysis tool, it will be superior compared to current tools and methods, as the prototype enables the company to examine user patterns during specific time periods and make comparisons between vehicles, which could not be done with existing tools and methods. During the implementation, security regarding personal data must be taken into account. When analyzing IoT data with the machine learning method Clustering and the processing that is done, it is concluded that the possibility existed to distinguish the hidden user patterns of different users and group them. User patterns refer to the regular and characteristic ways in which users interact with a specific technology, service or system over time. These patterns may include repeated actions, preferences, time-based activities, and other behavioral aspects.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-343860 |
Date | January 2024 |
Creators | Järte, Erik |
Publisher | KTH, Hälsoinformatik och logistik |
Source Sets | DiVA Archive at Upsalla University |
Language | Swedish |
Detected Language | English |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-CBH-GRU ; 2024-019 |
Page generated in 0.0022 seconds