Bakgrund: Artificiell intelligens (AI) innebär att skapa intelligenta system som överträffar mänsklig kunskap. Den snabba framväxten av AI har gjort att stora företag behöver överväga implementering för att hänga med i dagens utveckling. Forskning visar att maskininlärning kan användas vid redovisning, revision samt vid analyser inom banksektorn. Frågan är dock hur företag använder sig av maskininlärning vid företagsekonomiska analyser? Syfte: Syftet med uppsatsen är att undersöka hur maskininlärning används vid företagsekonomiska analyser. Vidare avser uppsatsen att analysera vilka faktorer som behöver tas i beaktande av företag vid implementering av AI samt vilka faktorer som enligt Rogers adaptionsteori har legat till grund för spridningen av maskininlärning. Metod: Uppsatsen utgår från en kvalitativ metod med ett induktivt tillvägagångssätt. Den empiriska materialinsamlingen baseras på tio semistrukturerade intervjuer med relevanta personer för arbetets frågeställningar. Arbetets teoretiska referensram har samlats in via befintlig litteratur, såsom vetenskapliga artiklar samt böcker. Slutsats: Slutsatserna som kan dras utifrån studiens frågeställningar och syfte är att användningen av AI vid företagsekonomiska analyser ses som ett hjälpmedel som effektiviserar arbetet för ekonomer. Arbetet effektiviseras då maskinerna kan komma med tips, insikter och avvikelser som människan annars hade behövt leta efter själv. Den främsta fördelen vi identifierat med maskininlärning är att det kapar tid för användaren, vilket gör att personalen kan ägna sig åt andra arbetsuppgifter som är mer tidskrävande. Studien kom fram till att faktorerna som företag behöver beakta vid implementering av maskininlärning är legala, cybersäkerhet, kostnad, kunskap, etik samt datakvalitet. / Background: Artificial intelligence (AI) entails creating intelligent systems which surpass human knowledge. Because of the rapid growth of AI, large companies must consider an implementation to keep up with the current development. Previous research shows that machine learning is used in accounting, auditing as well as analysis in the banking sector. However, the question that remains is how companies use machine learning in business analyses. Purpose: The purpose of this study is to investigate how machine learning is used in business analyses. The thesis aims to analyze and identify which factors need to be taken into account by companies when implementing AI. Also which factors, according to Rogers theory of adaptation, underlie the spread of machine learning. Method: The study is based on a qualitative method with an inductive approach. The empirical data collection is based on ten semi-structured interviews with relevant individuals for the research questions of the study. The theoretical reference framework of the study has been collected through existing literature, such as scientific articles and books. Conclusion: The conclusion that can be drawn, based on the research questions of the study and purpose, is that the use of AI in business analysis is seen as a tool that makes the economists’ work more efficient. The work is more efficient since the machines can come up with/give tips, insights and deviations that humans otherwise would have to find themselves. The biggest advantage we have identified, when using machine learning, is that it saves time for the user, which allows employees to focus on other, more time-consuming tasks. The study also concluded that the factors companies have to consider when implementing machine learning are legal, cyber security, cost, knowledge, ethics and data quality.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:lnu-123088 |
| Date | January 2023 |
| Creators | Kärrbrant, Tintin, Olsson, Ella, Abrahmson, Stina |
| Publisher | Linnéuniversitetet, Institutionen för management (MAN) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.003 seconds