Detaljhandelns användande av frontlinjepersonalen, som betydelsefull faktor för kundrelationer och skapande av intäkt

Syftet med denna studie var att komma fram till om kedjeföretag inom detaljhandeln intagit ett serviceperspektiv, där fokus ligger på relationer. Detta genom att undersöka hur aktörerna använder sin frontlinjepersonal. En kvalitativ flerfallstudie har genomförts där tre kedjeföretag bidragit med information rörande transaktions- eller relationsorienterad försäljning, medarbetarskap och betraktande av frontlinjepersonalen. Utgångspunkten för analys av fallstudierna har varit två intervjuer per företag. Dels med butikens högste chef samt med en medarbetare. Det teoretiska ramverket i denna studie rörande medarbetarskap, skapande av värde/nytta för kund samt intern marknadsföring som möjliggör att kund upplever hög tjänstekvalité, signalerar ett tankesätt inom ett serviceperspektiv och används för att svara på syftet. Huruvida kedjeföretagen intagit ett serviceperspektiv fullt ut, är inte möjligt att konkludera i denna småskaliga forskningsuppsats. Vidare forskning är nödvändig. Resultatet från de undersökta företagen i denna studie visar på tendenser till att utveckla ett serviceperspektiv med fokus på goda kundrelationer, vilket är det som skall ge framgång. De undersökta kedjeföretagen skiljer sig dock åt vad gäller intagandet av ett serviceperspektiv. Exempelvis förlitar sig ett företag alltjämt till lågt pris och produktens egenskaper som primära faktorer för intäktsskapande, medan andra premierar det personliga mötet.

Machine Learning Algorithms in Heavy Process Manufacturing

In a global economy, manufacturers mainly compete with cost efficiency of production, as the price of raw materials are similar worldwide. Heavy industry has two big issues to deal with. On the one hand there is lots of data which needs to be analyzed in an effective manner, and on the other hand making big improvements via investments in cooperate structure or new machinery is neither economically nor physically viable. Machine learning offers a promising way for manufacturers to address both these problems as they are in an excellent position to employ learning techniques with their massive resource of historical production data. However, choosing modelling a strategy in this setting is far from trivial and this is the objective of this article. The article investigates characteristics of the most popular classifiers used in industry today. Support Vector Machines, Multilayer Perceptron, Decision Trees, Random Forests, and the meta-algorithms Bagging and Boosting are mainly investigated in this work. Lessons from real-world implementations of these learners are also provided together with future directions when different learners are expected to perform well. The importance of feature selection and relevant selection methods in an industrial setting are further investigated. Performance metrics have also been discussed for the sake of completion.