Ett Intelligent Beslutsstöd

Ett Intelligent Beslutsstöd

En analys över ett intelligent beslutsstöds påverkan på

beslutsprocessen för konsultmatchning

An Intelligent Decision Support

System

An analysis of an intelligent decision support's impact on

the decision-making process for consultant matching

Kandidatuppsats

Ina Kraemer

Linnea Ranggren

Ett Intelligent Beslutsstöd

Kandidatuppsats

Kraemer, Ina, IT & ekonomi, Malmö Universitet, Sverige Ranggren, Linnea, IT & ekonomi, Malmö Universitet, Sverige

Sammanfattning

Denna fallstudie syftar till att undersöka effekterna av ett intelligent beslutsstöd på beslutsprocessen i en konsultverksamhet. Vi har utvecklat ett intelligent beslutsstöd och sedan undersökt beslutsprocessen vid kompetensmatchning av konsulter och kundförfrågningar. Vår forskningsfråga är således: Hur kan beslutsprocessen vid kompetensmatchning påverkas av ett intelligent beslutsstöd i en konsultverksamhet? Det finns studier som visar effekten av ett vanligt beslutsstöd och beslutsforskare tror att mer utvecklade beslutsstöd har potential. Dock studeras inte denna typ av intelligent beslutsstöd vanligtvis i kombination med beslutsprocessen. Syftet med studien är att bidra till forskningsläget, på grund av bristen på forskning inom detta område. För att undersöka detta fall behövde vi samla in kvalitativa data, som gjordes med semistrukturerade intervjuer och observationer, före och efter införandet av ett intelligent beslutsstöd. När vi analyserade den insamlade datan användes en kvalitativ innehållsanalys för att hitta teman och kategorier, som vi sedan jämförde resultaten före och efter med en teoretisk referensram. Vi fann att det intelligenta beslutsstödet kunde tillgängliggöra informationen i beslutsprocessen som kunde frigöra tid. Utifrån det kunde tiden istället fokusera på utvärdering. Detta ledde till att beslutsprocessen blev mer rationell i tre av fyra steg. Avslutningsvis fann vi att det intelligenta beslutsstödet hjälpte beslutsprocessen att bli mer rationell.

Nyckelord: Intelligent beslutsstöd, beslutsprocessen, konsultverksamhet

Abstract

This case study aims to investigate the impact of an intelligent decision support system on the decision-making in a consulting firm. We have developed an intelligent decision support system and then investigated the decision-making when competence matching consultants and customer requests. Thus, our research question: How can the decision-making process when competence matching be affected by an intelligent decision support system in a consulting business? Studies shows the effect of an ordinary decision support system, and decision scientists thinks that more evolved decision support system has potential. However, this type of intelligent decision support system is not usually researched in combination with the decision-making process. The purpose of this study is to contribute to the gap of missing research in this area. To investigate this case, we needed to collect qualitative data, which was done with semi structured interviews and observations, before and after the introduction of the intelligent decision support system. When analyzing our data, we used a qualitative content analysis to find themes and categories, which we then compared the before and after results with theoretical input. We found that the intelligent decision support system could enable the information in the decision-making process which could make more time available. With that extra time, the focus of the time could shift to evaluation. This led the decision-making process to become more rational in three of four steps. In conclusion we found that the intelligent decision support system helped the decision-making process to become more rational.

Förord

Vi vill rikta ett stort tack till den studerade verksamheten och de personer där som gett oss både ett stort förtroende samt tillträde till data, arbetsmiljöer, fantastiskt inspirerande idéer och mycket mer. Vi vill även tacka er i egenskap av respondenter, utan allt detta vore inte studien möjlig. Ett stort tack riktas även till vår handledare för det stora engagemanget under hela arbetets gång och som hjälpt oss genom konstruktiv kritik, vägledning och nya infallsvinklar.

Tack även till opponenter för givande kritik, samt tack nära och kära för stöd och support. Linnea Ranggren och Ina Kraemer

Innehåll

1. Inledning ... 1

1.1 Forskningsfråga, avgränsning och syfte ... 2

2. Litteraturgenomgång ... 3 2.1 Begreppsbeskrivningar ... 3 2.2 Beslutsteori ... 4 2.3 Beslutsprocessen ... 4 2.4 Rationalitet ... 5 2.4.1 Economic Man ... 5 2.4.2 Administrative Man ... 6

2.5 Val av litteratur och sammanfattning ... 6

3. Metod ... 7

3.1 Val av forskningsstrategi - Fallstudie ... 7

3.2 Litteraturstudie ... 7

3.3 Datainsamlingsmetod ... 7

3.3.1 Intervju ... 8

3.3.2 Observation ... 9

3.4 Analysmetod ... 10

3.5 Data Mining Processen ... 12

3.6 Etiska överväganden för studien ... 14

4. Den ursprungliga beslutsprocessen ... 15

4.1 Matchningsprocessen ... 15

5. Utveckling av det intelligenta beslutsstödet ... 19

5.1 Data och förberedelse ... 19

5.2 Modellering ... 20

5.3 Resultat för rekommendationer ... 21

6. Matchningsprocess med intelligent beslutsstöd ... 23

7. Analys ... 25

8. Slutsats ... 29

8.1 Hur påverkar det intelligenta beslutsstödet matchningsprocessen ... 29

8.2 Förslag till vidare forskning ... 30

Referenser ... 31 Bilaga 1

Bilaga 2 Bilaga 3 Bilaga 4

1

1. Inledning

Att ta beslut i dagens informations- och kunskapssamhälle kan vara en komplex utmaning. Beslut och beslutsprocesser finns i alla organisationer och det är avgörande för hur dessa lyckas. Det finns enskilda beslut som kan få stora konsekvenser, men det finns även dagliga mindre beslut som tillsammans kan åstadkomma stor påverkan på organisationers operativa arbete och dess resultat (Nutt, 2008). Ett sådant beslut kan tänkas vara de beslut som tas i en konsultverksamhet när en viss konsult tilldelas ett visst uppdrag. Detta är ett komplext och svårt beslut eftersom det inte bara handlar om att läsa av och ta in vad som eftersöks i uppdraget, utan även kräver en bred kunskap om konsulternas kompetenser. En manuell process av den här typen av informationsinhämtning är dels tidskrävande, dels svår att fullända. I en del av teorierna för beslutsprocessen finns det idag kunskap om att effektiviteten kan öka med beslutsunderlag (Simon, 1979, Dean & Sharfman, 1996). Tekniken har dock utvecklats sedan dessa upptäckter. Idag finns intelligenta beslutsstöd som kan konstruera en helhetsbild över den kunskap som behövs för att kunna fatta dessa beslut, men hur detta påverkar beslutsprocessen är ännu oklart.

Under den första halvan av 1900-talet fanns det i stort sett inget som kallades för konsulter i Sverige (Metzger, 2019). Metzger (2019) menade att det inte var förrän under 80-talet som konsultbranschen tog fart på riktigt i Sverige. Den främsta anledningen till detta var den begynnande IT-boomen som kom och förde konsultbranschen i full fart framåt (Metzger, 2019). Efter detta har konsultbranschen fortsatt framåt i takt med att IT-området utvecklats. Konsulter är idag ett vanligt sätt för verksamheter att tillsätta en brist på kompetens som de själva inte besitter. En tillväxt på elva procent kunde uppmätas under året 2016 för tekniska konsulter och bemanning, varav båda har gått starkt i många år (SCB, 2018). Under det senaste uppmätta året, 2018, har det funnits en makalös efterfrågan på konsulter och detta har speglats i branschens tillväxt (Loxi, 2019). Enligt Cinode (2019) som årligen gör mätningar på hur det går för företag i konsultbranschen, kunde en 21,4% ökning i medelvärde på omsättning för konsultbolag uppmätas.

Att det går bra för konsultbranschen är alltså något som kan konstateras. Möjligtvis beror detta på den affärsmodell som konsultverksamheter har, som går ut på att hjälpa företag att tillsätta den kompetens som efterfrågas, samtidigt som vi allt mer lever i ett kunskapssamhälle (Rosenberg, 2012). Arbetet med att fördela och tillgängliggöra kunskap och kompetens är dock ingen lätt uppgift. Eftersom det kräver att informationsnätverkets alla noder samarbetar för att tillgängliggöra stora mängder information. I detta arbete har den undersökta verksamheten en önskan om att implementera ett intelligent beslutsstöd för att underlätta arbetet som krävs för att avgöra vilken konsult som innehar kompetensen som ett uppdrag kräver.

I verksamheten sammanställs i dagsläget uppdragsförfrågningar och information för att tillsätta uppdraget manuellt. Två roller som identifierats i verksamhetens beslutsprocess är samordnaren och konsultledaren. Samordnarens roll är att förbereda dokument, sammanställa nya uppdragsförfrågningar och leda det dagliga mötet. Konsultledarens roll handlar om att ansvara för sina konsulter och är även den slutgiltiga beslutsfattaren i det fall ledaren ansvarar för den matchade konsulten. I beslutsprocessen innebär konsultledarens roll att delta i diskussionerna på det dagliga mötet om nyinkomna uppdrag, för att identifiera konsulter som kan uppfylla uppdragsförfrågan. Om inga tillgängliga kandidater identifieras stängs förfrågan. Problematiken i informationssammanställandet handlar om att alla ledare inte alltid är på plats för mötet, vilket leder till att det uppstår informationsluckor. Mycket tid under mötet går till att diskutera om någon känner till någon som har en viss kompetens och under den här tiden så sitter resterande ledare och lyssnar. Det optimala omständigheterna för sammanträdet hade varit om alla ledare hade närvarat. Då hade nätverket bidragit med alla noder för fullständig information.

2

Den undersökta verksamheten har en önskan om ett implementerat intelligent beslutsstöd och det finns ett antagande om att systemet kommer arbeta rationellt. Deras förhoppning är där med att beslutsfattaren inte behöver göra de initiala rationella avvägningarna som beslutsprocessen kräver. Beslutsstöd utan intelligens har visat sig underlätta och effektivisera beslut för beslutsfattaren (Van Bruggen, Smidts & Wierenga, 1998). Då systemet samlar den tillgängliga informationen som ett underlag visar Van Bruggen, Smidts och Wierenga (1998) att implementering av beslutsstöd minskar antalet ogenomtänkta beslut.

Beslutsstöd som begrepp förekom först i en artikel av Gorry och Scott Morton (1971) där de skapade ett ramverk för att förbättra ledningsinformationsystem (management information system). Arnott och Pervan (2005) beskriver i sin översikt över beslutsstöd, att det primära syftet med beslutsstöd var att skapa en miljö där beslutsfattare och IT-system arbetade tillsammans för att lösa problem. En utvecklad variant av beslutsstöd är ett intelligent beslutsstöd, vilket innebär att artificiell intelligens appliceras i beslutsstödet (Bidgoli, 1998).

Intelligenta beslutsstöd använder den artificiella intelligensen för att möjliggöra ett bättre stöd för beslutsfattaren (Philips-Wren, 2013). Arnott och Pervan (2005) berör intelligenta beslutsstöd väldigt kort, då de beskriver termens introduktion från i början av 1980-talet. I sin översikt visar Arnott och Pervan (2005) att ämnet studerades under 1990-talet och att det på senare tid avtagit i mängd. Enligt studien var 19% av artiklarna fokuserade på beslutsprocessen och 17% var fokuserade på organisationspåverkan av besluten (Arnott & Pervan, 2005). Enligt Barredo Arrieta et al. (2020) har fältet dock förflyttat sig, eftersom intelligenta beslutsstöd som användes på 1990-talet oftast var regelbaserade. En stark utveckling har ägt rum och idag syftar intelligenta beslutsstöd oftast på beslutsstöd som använder sig av maskininlärning (Barredo Arrieta et al, 2020).

1.1 Forskningsfråga, avgränsning och syfte

Forskningen om dessa intelligenta beslutsstöd i samband med beslutsprocessen är begränsad. Ännu färre är studierna som visar på hur det intelligenta beslutsstödet påverkar beslutsprocessen. Med detta som bakgrund har vi undersökt frågan:

Hur kan beslutsprocessen vid kompetensmatchning påverkas av ett intelligent beslutsstöd i en konsultverksamhet?

Denna fråga har studerats genom intervjuer och observationer av beslutsprocessen i ett stort svenskt konsultbolag. Därefter har utveckling, testning och utvärdering av ett intelligent beslutsstöd genomförts, som är anpassat efter den affär som beslutsmiljön utgör. Efter införandet har ytterligare intervjuer och observationer genomförts. Resultaten av de båda beslutsprocesserna, med och utan det intelligenta beslutsstödet, har sedan jämförts. Med hjälp av den kvalitativa metoden hoppas vi kunna uppnå en bild av ett annars komplext sammanhang.

Syftet med studien är således att bidra till en förståelse för hur beslutsprocessen i en konsultverksamhet påverkas av ett intelligent beslutsstöd. Genom att studera och beskriva hur beslutsprocessen förändras under och efter utvecklingen av ett intelligent beslutsstöd, hoppas vi kunna uppnå vårt syfte. På så sätt kan studien bidra till det aktuella forskningsläget, som idag saknar studier om hur beslutsprocesser påverkas av intelligenta beslutsstöd. Samtidigt kan det även bidra som underlag för praktiskt nytta, eftersom studien kommer undersöka potentialen av intelligenta beslutsstöd för konsultverksamheters kompetensmatchning.

3

2. Litteraturgenomgång

Inledande i avsnittet beskrivs och förklaras olika begrepp som används genom hela arbetet, vilket vi hoppas kan öka förståelsen hos läsaren. Vidare har vi valt att utgå ifrån de fundamentala beskrivningarna om hur beslutsprocessen fungerar. Därtill beskrivs även den kopplade rationaliteten som är central i beslutsteori. Tanken med teorierna är att se hur beslutsprocessen förändras av det intelligenta beslutsstödet. Vi har valt att presentera olika syner på hur beslutsprocessen fungerar i teorin för att visa på variation.

2.1 Begreppsbeskrivningar

Beslutsstöd

Beslutsstöd används av beslutsfattaren för att tillgängliggöra data, modeller och kunskap som används för att fatta beslut. Beroende på systemets syfte och användare, använder sig beslutsstöd av dessa komponenter på olika sätt (Philips-Wren, 2013). Arnott och Pervan (2005) beskriver även att systemet ska assistera beslutsfattaren med strukturerad information om beslutssituationen, då det är omöjligt eller olämpligt att låta ett sådant system försöka lösa dessa problem själva. Fortsättningsvis menar Arnott och Pervan (2005) att beslutsstöd i själva verket handlar om utvecklingen och användandet av informationssystem, snarare än teknologin i sig. Beslutsstöd som är utformade för en enda användare är oftast baserad på Simons (1977) beslutsprocess och har ofta komponenter som hanterar indata (Intelligence), bearbetning (Design) och utdata (Choice).

Intelligenta beslutsstöd

Intelligenta beslutsstöd använder sig av verktyg med artificiell intelligens (AI) för att förbättra beslutsstödet för beslutsfattaren. Den artificiella intelligensen, tillsammans med det övriga beslutsstödet, bearbetar stora mängder data för att sedan väga in all tillgänglig information på ett rationellt sätt och generera de bästa möjliga alternativen för given situation (Philips-Wren, 2013). Några olika AI-verktyg som kan användas är Fuzzy Logic, Artificiellt Neuralt Nätverk, Expertsystem och Intelligenta agenter (Philips-Wren, 2013).

Artificiell Intelligens

Artificiell intelligens kan enligt Norvig och Russell (2010) tolkas och definieras på en mängd olika sätt. En gemensam nämnare är dock kopplingen till människan och dess kognitiva egenskaper. Detta menar Norvig och Russell (2010) exempelvis kan vara likheten i regelbaserade handlingar, mönsterigenkänning, inlärning osv. Enligt Barredo Arrieta et al. (2020) har AI de senaste åren utvecklats i en hög hastighet. Detta har gjort att området förflyttat sig från expert- och regelbaserade system, till att oftast använda sig av maskininlärning, såsom modeller med linjär regression, sannolikhetsträd, K-Nearest Neighbors, osv.

K-Nearest Neighbors (KNN)

KNN är en matematisk algoritm som används för att beräkna likheten mellan entiteter. Därmed kan modellen användas inom flertalet områden, såsom rekommendationer, klassificering, osv. Barredo Arrieta et al. (2020) menar att den påminner om en mänsklig beslutsfattare som tar ett beslut utefter tidigare liknande erfarenheter, men kan ta sig an större mängder data. För att använda modellen menar Provost och Fawcett (2013) att det är vanligt att representera entiteter genom att beskriva deras egenskaper. Detta kan bland annat göras i ett binärt dataset. Eghbali och Tahvildari (2019) menar att KNN-modellen och dess ”Cosine Similarity”-metod lämpar sig väl för binära representationer, på grund av dess hastighet och noggrannhet.

4

Cosine Similarity

För att avgöra likheten mellan olika entiteter, kan KNN-modellen använda sig av olika beräkningsmetoder. Gemensamt för dessa är att de mäter avståndet mellan entiteterna i den rymd som KNN-modellen skapat utifrån entiteternas egenskaper (Provost & Fawcett, 2013). Genom metoden Cosine Similarity mäts avståndet mellan entiteterna genom att urskilja den vinkel som finns mellan entiteternas vektorer i n-dimensionella rummet (Manning, Raghavan & Schütze, 2008). Enligt Manning et al. (2008) kan Cosine Similarity Cosϴ räknas ut med följande formel, där 𝑎⃗ och 𝑏⃗ står för de två vektorer av entiteterna som jämförs:

𝑎 𝑜𝑐ℎ 𝑏 är koordinaterna av a och b i n-dimensionella rummet, där 1 ≤ 𝑖 ≤ 𝑛. Illustration i 3-dimensionella rummet (n=3):

Figur 1. 3-dimensionella rummet

2.2 Beslutsteori

Beslutsteori är ett tvärvetenskapligt ämne som studeras av bland annat ekonomer, matematiker och filosofer. Nutt (2011) beskriver att forskningsfältet består av många olika strömmar, men att deskriptiv och normativ forskning dominerar. Den deskriptiva forskningen dokumenterar vad beslutsfattare gör och deras beteende, varav Cyert & March (1963) gjorde en tidig insats med verket “A Behavioral Theory of the Firm”. Den normativa forskningen, som bland annat Simon & March (1958) och Perrow (1967) bidragit med, erbjuder däremot sätt att fatta beslut, bedöma effekten och ge förslag till praxis.

2.3 Beslutsprocessen

Enligt Jonassen (2012) är beslutsfattande en vanlig typ av problemlösning. Många studier om beslutsfattande dokumenterar en process (Nutt, 2011). Simon (1960) beskriver processen från upptäckt av beslut som behöver fattas (problem) till att ett beslut tas. Baserat på Deweys arbete består beslutsprocessen enligt Simon (1977) ursprungligen av tre faser: Intelligence - att hitta tillfälle att fatta beslut, Design - att hitta olika handlingsalternativ och slutligen Choice - att välja handling bland de befintliga alternativen. Även en fjärde fas Implementation läggs senare till.

a1 a2 a3 b1 b2 b3 4 3 6 2 5 3 Cosϴ a1 a2 a3 b1 b2 b3 4 3,8 3,5 3,7 4 3 Cosϴ a1 a2 a3 b1 b2 b3 4 4 3 4 4 3 Cosϴ 0,851583309 0,996535056 1

5

Nutt (2011) fastslår en del återkommande överskridande steg i beslutsprocessen, som används av ett flertal forskare inom fältet. Dessa grundar sig i Simons (1945) ursprungliga teorier, om att beslut bör betraktas som ett slutresultat av en beslutsprocess. Beslutsprocessen är enligt detta de bedömningar och handlingar som slutligen kommer fram till en åtgärd och realisering av ett beslut. Processen tar enligt Nutt (2011) avstamp i att en möjlighet eller ett behov identifieras, och att detta är av ett sådan slag att det bör åtgärdas. I detta skede har det som det skall beslutas om alltså uppstått. Det nästkommande steget, som enligt Nutt (2011) mången forskning har gemensam, innebär att beslutsfattaren samlar information om möjliga åtgärder för behovet eller möjligheten. Därefter sker ett ställningstagande om vilken handling som är lämplig och i detta steg ingår även en eftersökning och ställningstagande mot andra alternativ (Nutt, 2011). De sista stegen menar Nutt (2011) är ett val och slutligen implementering. Beslutets effektivitet avgörs således av hur pass bra beslutet levde upp till beslutsfattarens förväntning (Nutt, 2011).

Dessa processer beskrivs som sekventiella, vilket Witte (1972) kritiserar baserat på sitt empiriska material. Han menar på att människor inte kan samla information utan att samtidigt utveckla lösningar och även att utvärdering av dessa alternativ görs, vilket gör att beslut fattas (Witte, 1972). En icke sekventiell beslutsprocess skulle i så fall innebära att olika steg skulle ske vid olika tillfällen vid olika beslut. Även Mintzberg, Raisinghani & Théorêt (1976) menar på att beslutsprocessen inte är sekventiell. Mintzberg et al. (1976) menar på att stegen har en cyklisk relation till varandra, snarare än en linjär. Liknande diskussioner om sekventiella versus cykliska processer har sedan 1970-talet också förts till exempel inom ’Software Engineering’ (mjukvaruutvecklingen). Tidigare har dessa projekt planerats och utförts plandrivet, men nu för tiden är det vanligare att arbeta med agila metoder (Laanti, M., Salo, O. & Abrahamsson, P., 2011).

2.4 Rationalitet

I beslutsteorier är tanken om rationellt handlande centralt. Rationalitet är ett ord som används på olika sätt, ibland kan det innebära intelligent och vid andra tillfällen kan det syfta till framgångsrikt. Begreppet används för att beskriva handlingar som har önskvärda resultat. March (1994) beskriver rationella teorier om val, givet att beslutsprocessen är följd- och preferensbaserad. Med följdbaserad menar March (1994) att handlingarna som utförs ger de framtida effekterna, och att preferensbaserad innebär att konsekvenserna utvärderas baserat på personliga preferenser.

2.4.1 Economic Man

Den rationella idealmodellen även kallad Economic Man-modellen, har en central ställning i klassisk beslutsteori. Modellen utgår ifrån att människan är kapabel till att handla helt rationellt (Simon, 1945). Den fodrar även tydliga mål, preferenser samt fullständig information och är tänkt visa ett ideal som bör eftersträvas vid beslutsfattande. Det innebär att den antar att beslutsprocessen ser ut som följande: Beslutsfattaren har klara mål.

Beslutsfattaren har all information gällande tänkbara lösningar samt konsekvenser. Beslutsfattaren har möjlighet att rangordna alla alternativ enligt fastlagda preferenser. Beslutsfattaren kan välja det bästa alternativet för att uppfylla målet.

Den rationella ideal-modellen är normativ och speglar alltså inte verkligheten då människor har svårt att handla efter perfekt rationalitet. March (1994) menar att de begränsningar som en beslutsfattare kan stå inför handlar om att tid, information och övriga resurser är begränsade. Även minnet är begränsat enligt March (1994), då historik inte samlas in, är lättillgänglig eller lagras och kan därmed utgöra ett hinder

6

för rationalitet. Det är även problematiskt om beslutsfattarens förmåga att förstå är begränsad, eftersom det leder till att viktig information förbises eller inte blir sammanhängande. Det kan även vara problematiskt om kommunikationen är begränsad vid informationsspridning. March (1994) menar på att det kan vara svårt att kommunicera mellan kulturer, generationer och professionella yrkesområden. 2.4.2 Administrative Man

Simon (1957) studerade beslutsfattande inom organisationer och introducerade den begränsade rationaliteten, vilket även går under beteckningen ”Administrative man”. Hansson (2005) beskriver i sin översikt om beslutsteori att forskningen har landat i att människan är begränsat rationell. Vilket innebär att istället för att överväga all tillgänglig information så väljer människor att lita på sina tidigare erfarenheter samt en del ny information. Beslutsprocessen för den här modellen skulle därför se ut som följande:

Beslutsfattaren har mål, men de kan vara oklara.

Beslutsfattaren bedömer vissa möjliga lösningar och några konsekvenser utav dessa. Beslutsfattaren utvärderar efter hand, utifrån preferenser, när det finns tid och förmåga. Beslutsfattaren väljer ett tillfredsställande alternativ i förhållande till målet.

De stora skillnaderna mellan Economic Man och Administrative Man är dels att Economic Man väljer det bästa alternativet medan Administrative Man väljer det alternativ som är tillräckligt bra (Simon, 1976). Modellerna skiljer sig åt baserat på hur de uppfattar världen/situationer. Medan Economic Man ser och tar hänsyn till alla faktorer som spelar roll i situationen, så har Administrative Man en förenklad uppfattningen av världen och tar endast hänsyn till de faktorer som är mest relevanta och avgörande (Simon, 1976).

2.5 Val av litteratur och sammanfattning

Analysen baseras på beslutsprocessen som Nutt (2011) beskriver, samt Economic Man från Simon (1945) och Administrative Man från Simon (1957). Kopplingen mellan de valda teorierna utgörs av att Economic Man och Administrative Man båda beskriver en beslutsprocess, men att en skillnad i rationalitet kan tolkas. På så sätt använder analysen sig av teorierna för att analysera det intelligenta beslutsstödets påverkan på beslutsprocessen. En hypotes är att artificiell intelligens skulle vara mer rationell än en människa, vilket skulle kunna synas i skillnaden mellan Economic Man och Administrative Man.

7

3. Metod

3.1 Val av forskningsstrategi - Fallstudie

Givet syftet att bidra till en förståelse om hur beslutsprocessen i en konsultverksamhet påverkas av ett intelligent beslutsstöd, har forskningsstrategin fallstudie valts. Fallstudien är en forskningsstrategi som riktar sig till att förstå dynamiken inom en inramning (Eisenhardt, 1989). Vi ansåg fallstudie som en lämplig metod för att undersöka en förändring i en beslutsprocess, då denna kan vara just dynamisk. Dessutom lämpar sig fallstudien för småskalig forskning, vilket tillåter forskaren att koncentrera arbetet på en eller få undersökningsplatser (Denscombe, 2016). Detta har möjliggjort att vi kunnat studera beslutsprocessen på djupet och beskriva, jämföra och utforska detaljer, alternativ, samt aspekter av situationen. Därmed har vi valt att arbeta med en upptäcktsstyrd fallstudie, genom att utforska hur det intelligenta beslutsstödet påverkar beslutsprocessen. Detta möjliggör en djupare redogörelse för processen i sin realistiska miljö (Backman, 2016). För att kunna studera ett intelligent beslutsstöd för fallstudien, har vi valt att utveckla ett själva. Data Mining processen beskrivs i avsnitt 3.5.

3.2 Litteraturstudie

Initialt gjordes en litteraturgranskning över tidigare forskning om beslutsstöd, beslutsteori och konsultbranschen, både genom separata artiklar men även med ämnena i kombination. Syftet med översikten var att själva få en bredare kunskap kring ämnesområdena, samt att undersöka vilka möjligheter som finns för vår forskningsfråga, givet rådande forskning. Resultatet från den initiala litteraturgranskningen resulterade i det inledande kapitlet. Senare gjordes även en fördjupad litteraturstudie i samband med urval av teori. Detta gjordes med syftet att fördjupa kunskapen för studien, för att göra ett urval av teorin som senare skulle ligga till grund för de slutliga stegen i analysen. För sökning efter artiklar med validitet och reliabilitet användes bland annat databaserna Google Scholar, LibSearch, BrowZine Library, SAGE journals, IEEE Xplore Digital Library och Emerald Journals. När sökningarna gjordes användes väl utvalda sökord för att strategiskt hitta relevanta artiklar. Sökorden och fraserna som användes var: intelligent decision support system, decision support system, artificial intelligence, decision theory, consulting, KNN. Urvalet av artiklar som valdes avgjordes genom användning av ett antal inspirerade tumregler som Denscombe (2016) beskriver kan användas för att avgöra artiklars, tidskrifters och böckers trovärdighet. Det vi utgick ifrån vid urval av artiklar var när materialet publicerades, vem som var utgivare av materialet, om det var expertgranskade artiklar och antalet citeringar som materialet hade. Utöver detta gjordes även kedjesökningar för att följa upp artiklars referenser vilket gav intressant indata.

3.3 Datainsamlingsmetod

Utifrån syftet och frågeställningen bedömdes att kvalitativa data krävdes för att besvara dessa. Detta går även i linje med den forskningsstrategi som valts. Utifrån strategins möjlighet till flexibel och kvalitativ datainsamling planerades och genomfördes två tillfällen för observation och intervju. Varje tillfälle inleddes med en observation för att sedan efterföljas av två intervjuer. Se tabell 1 för sammanfattning om observation- och intervjutillfällena.

8

Tabell 1. Sammanfattning av genomförda intervjuer och observationer

Tillfälle Observation (Antal personer)

Intervju (Antal personer) Tema 2020-02-26 Observation av 7

personer

Beslutsprocessens gång.

Intervju 1 med samordnare Beskrivande och förklarande bild om hur beslutsprocessen fungerar. Intervju 1 med konsultledare Beskrivande och förklarande bild

om hur beslutsprocessen fungerar. 2020-04-21 Observation av 20

personer

Hur beslutsstödet påverkat den del av processen som ägde rum under mötet.

Intervju 2 med samordnare Respondenternas tankar om hur det intelligenta beslutsstödet påverkat beslutsprocessen.

Intervju 2 med konsultledare Respondenternas tankar om hur det intelligenta beslutsstödet påverkat beslutsprocessen.

3.3.1 Intervju

Intervjuer är en datainsamlingsmetod som samlar in vad människor berättar att de gör och tänker för forskaren (Denscombe, 2016). Forskaren kan själv bestämma dagordningen för intervjun, och styra diskussionerna beroende på vilken intervjustil som används (Denscombe, 2016). För samtliga intervjuer som gjordes användes semistrukturerade personliga intervjuer, vilket innebar att en person i taget intervjuades.

Urval

Val av respondenter gjordes baserat på rollen som respondenterna hade vid tillfället för intervjun. Därmed gjordes explorativa urval, som enligt Denscombe (2016) kan studera extra intressanta eller ovanliga exempel. Enligt Ahrne och Svensson (2015) är en nyckelperson som kan ge en tillgång till data gällande den studerade situationen en avgörande del av den kvalitativa studien. I vårt fall fick vi tillgång till två personer i två olika roller, med mycket stark koppling till den studerade beslutsprocessen. En samordnare samt en konsultledare. Därför valde vi att intervjua dessa vid de bägge observationstillfällena. Detta kan ses som ett icke- sannolikhetsurval, vilket enligt Denscombe (2016) ger forskaren en viss valfrihet i urvalet. På det sättet har vi kunnat beakta respondenternas position till det studerade, dess expertis samt erfarenhet. Det innebär att vi kunnat undvika mindre relevant data och kunnat ägna mer resurser på det som står i direkt relation till de områden som forskningsfrågan undersöker. Därmed har fördjupningar kunnat göras och relevanta och kvalitativa data frigöras.

Genomförande

Den struktur som valdes för att samla in kvalitativa data genom intervjuer vid båda tillfällen var semistrukturerade intervjuer. Det semistrukturerade intervjuerna utgår ifrån att forskaren väljer ut ett antal ämnen som behandlas och frågor som ska besvaras (Denscombe, 2016). Därför valdes inför varje intervjutillfälle ett antal teman. Utifrån dessa teman sammanställdes övergripande frågor som skulle besvaras, samt möjliga följdfrågor i en intervjuguide (intervjuguiderna kan ses i bilaga 1 och 3). Tanken med upplägget var att låta respondenten utveckla sina tankar och svar, vilket enligt Alvesson (2011) ger mer kvalitativa data.

9

Vilka teman och frågor som valdes vid respektive tillfälle baserades på syftet för det specifika intervjutillfället. Vid det första tillfället valdes teman för att skapa en bild av hur den studerade beslutsprocessen såg ut innan förändringen. Vid det andra tillfället hade ett intelligent beslutsstöd utvecklats, och respondenterna hade inför intervjun tagit del av dess resultat på både gamla och nyinkomna fall. De hade även fått beskrivit för sig hur det intelligenta beslutsstödet fungerade. Därför var de teman som valdes till den andra intervjuguiden färgade av två inriktningar. Dels respondenternas tankar om de beslut som beslutsstödet rekommenderat i det material de fått tillgodo. Dels hade det en stark teoretisk inriktning på hur processen påverkas av det intelligenta beslutsstödet. I övrigt förberedes inte respondenterna inför intervjuerna med tillexempel intervjufrågorna. Detta för att undvika förberedda svar, samt för att få en icke påverkad bild av hur de tänker.

Det fysiska genomföranden av intervjuerna skilde sig likaså mellan de båda tillfällena. Vid det första tillfället genomfördes intervjuerna som fysiska möten på företaget i bokade mötesrum. Vid det andra tillfället genomfördes intervjuerna genom videosamtal, till följd av covid-19. Resterande aspekter förblev de samma vid båda tillfällena. Tid och plats var förutbestämt innan intervjuerna ägde rum. Inga störningsmoment kunde identifieras och intervjuerna hölls ostörda. Den intervjuade var sedan tidigare underrättad om vad arbetet handlade om. Innan intervjun startade underrättades den intervjuade om rättigheterna om att dra sig ur och den intervjuade bekräftade även tillåtelse till inspelning av intervjun. Under intervjutillfällena var två intervjuare närvarande och den intervjuade.

Utmaningar

Det finns många utmaningar med att hålla intervjuer. En av utmaningarna är intervjuareffekten, vilket innebär att den intervjuades uttalanden påverkas av intervjuarens identitet (Denscombe, 2016). Vi har inte aktivt arbetat mot den här effekten då vi inte behandlade några känsliga ämnen som till exempel religion eller personlig hälsa. Intervjuer kan utföras på distans, tillexempel via telefon för att försöka motverka intervjuareffekten (Denscombe, 2016). I vårt fall så hade vi redan innan intervjuerna observerat och interagerat med respondenterna under det första tillfället. Både av praktiska skäl och av viljan om att få respondenterna att känna sig mer avslappnade, valde vi att hålla intervjuerna ansikte mot ansikte. Det ansågs även vara fördelaktigt genom ett rikt informationsutbyte med möjlighet att läsa av stämningar, kroppsspråk och tonlägen. Vid det andra tillfället genomfördes både observationen och intervjuerna på distans på grund av covid-19. För att behålla ett så rikligt informationsutbyte som möjligt genomfördes intervjuerna genom videosamtal.

En annan utmaning med intervjuer är att de samlar data om vad människor säger och inte om hur de faktiskt handlar i en operativ situation (Denscombe, 2016). Det kan därför vara svårt att validera den data som samlas in genom intervjuer. Av frågorna som besvarades under intervjuerna kan vi inte alltid bekräfta det som sagts, utan får lita på att det respondenten säger är riktigt. Genom att intervjua två olika respondenter med samma intervjuguide, kunde vi dock jämföra svar för att se likheter och utifrån det bedöma validiteten. Därför skickades inte heller intervjuguiden till respondenterna innan intervjun ägde rum. Som komplement till intervjun gjordes även en observation för att observera en del av processen som studerades, vilket likaså anses öka validiteten.

3.3.2 Observation

Observationer kan genomföras strukturerade med observationsschema eller ostrukturerade utan observationsschema (Bryman, 2012). Syftet med observationerna var att observera och samla in data om beslutsprocessens del där beslutsfattarna sammanträder för informationsutbyte. Detta är en informationsspäckad dynamisk miljö, med uppemot 20 deltagare och kräver därför stor uppmärksamhet för att observera. Vid första tillfället var det även tämligen oklart exakt vilka delar av beslutsprocessen

10

som vi skulle få bevittna. Därför valdes en ostrukturerad observationsmetod för att samla in kvalitativa data, tillsammans med en observationsguide (se bilaga 2).

Observationsguiden innehöll bland annat flertalet metodiska och teoretiska frågeställningar att begrunda efter att observationen avslutats. Detta är enligt Ahrne och Svensson (2015) en bra metod för att genomföra en fokuserad observation och samtidigt säkerställa kvalitativa data. De teoretiska delarna i observationsguidernas innehåll skilde sig åt mellan de två observationstillfällena. Den första observationen var mer förutsättningslös än den andra. Under den observationen försökte vi skapa oss en bild över hur den del av beslutsprocessen som ägde rum under mötet såg ut innan den blivit påverkat av ett intelligent beslutsstöd. När den andra observationen ägde rum hade det intelligenta beslutsstödet utvecklats samt gett rekommendationer på gamla och nya fall. Därför inriktade sig de teoretiska reflektionsfrågorna i observationsguiden vid det andra tillfället på hur beslutsstödet påverkat den del av processen som ägde rum under mötet (se bilaga 4). De metodiska reflektionsfrågorna för att säkerställa validiteten för observationen förblev till stor del desamma mellan tillfällena.

Ytterligare en fråga att ta hänsyn till är om observationen ska vara deltagande eller icke deltagande. En deltagande observation innebär att observatörerna interagerar med de som observeras (Bryman, 2012). Eftersom målet med observationen var att studera den del av beslutsprocessen som ägde rum under mötet, ville vi inte påverka den. Därför valdes en icke deltagande observation. På grund av etiska skäl inledde vi med att presentera oss, våra avsikter, möjlighet att stoppa observationen, samt hur materialet skulle behandlas. Båda observationstillfällena var avtalade med verksamhetens representanter innan mötet ägde rum, tid och plats var bestämd på förhand. Förutsättningarna skildes sig mellan observationstillfällena, eftersom det första delvis var fysiskt och delvis med videosamtal. Vid detta tillfälle var det svårt att dölja vår närvaro för dem som befann sig i samma rum som oss. Det andra observationstillfället utfördes enbart via videosamtal, till följd av covid-19. Det medförde att vi kunde slå av både kamera och mikrofon under mötet, vilket gjorde att vår närvaro inte blev lika påtaglig.

Utmaningar

Strukturerade observationer som använder observationsscheman kan möjliggöra en mer strukturerad data där utvalda handlingar utgör vad som studeras under observationen (Bryman, 2012). I vårt fall kände vi inte till exakt vad vi skulle observera vid det första tillfället, vilket gjorde det svårt att göra ett observationsschema att följa. Mötet visade sig även vara dynamiska med rikliga kvalitativa data som delades. En strukturerad observation skulle möjliggöra mer kvantitativa data, men även medföra att vi riskerar att gå miste om betydelsefulla kvalitativa data. Utifrån den forskningsstrategi vi valt för att besvara vår frågeställning, valde vi att prioritera kvalitativa data under observationen. Detta ansågs även vara till fördel för observationens avsikt att bygga en förståelse för beslutsprocessen som ägde rum under mötet.

3.4 Analysmetod

I analysen av den data som samlas in, menar Denscombe (2016) att en förståelse byggs och utifrån detta kan sedan fenomen förklaras. För att åstadkomma en sådan analys måste dock en rad olika problem bemötas. Enligt Ahrne och Svensson (2015) innebär en kvalitativ datainsamling ofta en brokig svåröverskådlig mängd data. Enligt dem ligger vikten i en kvalitativ studie inte i mängden material, utan snarare i variationen och innebörden. För att bemöta detta problem hade vi redan från början försökt att inte samla in för mycket data från flera olika källor. Därav har vår studie begränsats till två intervjutillfällen, med två personer kompletterat med observationer kopplat till intervjutillfällena. På det viset har mängden data för analysen begränsats till viss del. Samtidigt har en givande innebörd i

11

materialet eftersträvas i tillvägagångssätt och materialinsamlingarnas relation till varandra. Baserat på resultatet av analysen av intervjuerna och observationerna har vi i figur 3 och figur 10 illustrerat möjliga processdiagram för beslutsprocesserna.

Trots begränsat material är det enligt Ahrne och Svensson (2015) viktigt att bli förtrogen med materialet för att det ska bli överskådligt. För att bemöta detta valde vi bland annat att transkribera de intervjuer som gjordes. En nackdel som diskuteras gällande intervjuer som transkriberas är tidsåtgången som krävs för arbetet (Bryman, 2012; Denscombe, 2016). Nackdelarna bedöms trots detta övervinnas av de fördelar som Denscombe (2016) skriver att transkriberingen har, i att noggrant studera intervjuerna och på så vis bidra till analysen. Utöver transkriberingen, lästes materialet ett flertal gånger samtidigt som meningsbärande enheter markerades och anteckningar gjordes på materialet. På så vis kunde en empirisk ordning växa fram.

Efter att materialet gjorts överskådligt för analytikerna, kommer enligt Ahrne och Svensson (2015) steget att göra en fokuserad sortering. De meningsbärande enheterna sorterades och grupperades. Därefter skapades kondenserade meningsenheter utifrån grupperingarna. Vilket begränsade vokabulären och på så sätt påbörjades en analys för att finna mönster i materialet. Ahrne och Svensson (2015) menar att det fortfarande är empirin som tyglar förståelsen och mönstret som dokumenteras av det beskådade. Teorin fick först en mer betydande roll då vi reducerade och kodade de kondenserade meningsbärande enheterna som identifierats. För likt den initiala begränsningen innebar reduceringen att utrymme skapades för en mer detaljerad analys. Nedan visas ett exempel från den kvalitativa innehållsanalysen (se tabell 2).

Tabell 2. Exempel från analysens kodningsprocess.

Tillfälle Meningsbärande enhet

Kondenserad meningsenhet

Kod Underkategori Huvudkategori

1 Målet är ju att hitta den bästa kandidaten för uppdraget för kund och för oss. Vårt mål är såklart att vinna en affär. __ Att vinna affärer och skapa en långsiktig relation till en kund.

Målet är att vinna affärer och skapa långsiktiga

relationer genom att hitta den bästa kandidaten för uppdraget och för oss Målet för ledaren är en solid och lönsam verksamhet. Relationer Ledarperspektiv Mål med beslutprocessen

Genom att koda intervjuerna från två olika håll, förhöjdes trovärdigheten för resultatet. Detta har gjorts för att minska osäkerheterna om tolkning av svar som erhållits vid intervjuer. Även validering från verksamheten har gjorts för att bekräfta att tolkningarna som vi gjort stämmer, vilket även görs för att öka trovärdigheten av resultatet. Därefter valdes teoretiska underkategorier och slutligen huvudkategorier ut. Ahrne och Svensson (2015) menar att analysen i detta steg kan ses som en dialog, där analytikern om vart annat lyssnar på materialet och sedan formulerar bidrag kopplade till teorin. Gradvis skapade vi en skärpa och koncentration som genererade referenser till studien. I samtliga steg satte vi vikt vid att ge en rättvis bild, och inte enbart välja de delar som går i linje med forskningsfrågan.

12 3.5 Data Mining Processen

Utöver studien har vi under arbetet även utvecklat det intelligenta beslutsstödet. För att göra det använde vi oss av CRISP-DM (Cross Industry Standard Process for Data Mining), i avsikt att arbeta iterativt och flexibelt. Dess sex steg är enligt Provost och Fawcett (2013) affärsförståelse, dataförståelse, dataförberedelser, modellering, utvärdering och driftsättning. Aktiviteternas relation i processen visas i figur 2.

Figur 2. Data Science for Business (s. 27), Provost, F., & Fawcett, T. (2013).

Affärsförståelse

Eftersom det intelligenta beslutsstödet hade en stor roll i studien var också affärsförståelsen för den studerade organisationen mycket viktig. Provost och Fawcett (2013) menar på att det är viktigt att förstå problemet som ska behandlas, eftersom det är mot detta problem som resultatet kommer utvärderas. I det studerade fallet hade verksamheten ett behov av att undersöka möjligheten med ett intelligent beslutstöd, på grund av den nuvarande problematiken i informationshanteringen. För studien tillkom en dimension då beslutsstödet inte bara skulle bearbeta ett affärsproblem, utan även kunna användas för att besvara forskningsfrågan. Den ytterligare dimensionen bidrog även till möjligheter i utvecklingsprocessen, då observations- och intervjutillfällen kunde bidra med en ökad affärsförståelse. Provost och Fawcett (2013) menar att den första lösningen inte måste vara den enda. Steget för affärsförståelse sker iterativt tillsammans med dataförståelsen inom CRISP-DM processen, men även hela processen sker iterativt (Provost & Fawcett, 2013). Eftersom vi arbetade med snäva tidsbegränsningar, insåg vi på ett tidigt stadium att vi inte skulle hinna så många iterationer utav hela processen. Samtidigt ansågs steget avgörande för studiens resultat. Därför itererades steget inom processen ett flertal gånger. Utöver intervjuerna och observationerna hölls flera möten med

13

organisationen för att diskutera affärsförståelse samt dataförståelse. Utifrån det kunde vi identifiera vilken modell som skulle utvecklas, samt hur den skulle användas.

Dataförståelse

För att urskilja möjliga begränsningar och möjligheter är det viktigt att veta vilket material som finns att arbeta med (Provost & Fawcett, 2013). I det här fallet fanns den data som skulle bearbetas inom den studerade organisationen. Det utgjorde en begränsning beträffande åtkomst eftersom flera aspekter av datasäkerhet var tvungna att beaktas. Därför skapades förståelsen på ett initialt skede genom möten där data och affären diskuterades. Den data som fanns inom organisationen gällande affären var främst lagrad i konsulternas CV:n eller i uppdragsbeskrivningar (dvs. i flytande text). Detta möjliggjorde en binär datastruktur vilket är lämpligt för det syfte som modellen skulle åstadkomma. Även strukturer där de olika kompetenserna skulle kunna viktas efter uppdragsgivares efterfrågan eller konsulters erfarenhet övervägdes. För att åstadkomma detta skulle dock mycket resurser krävas, medan vi fortfarande uppskattade att vi skulle få en bra modell för affärsproblemet och forskningsfrågan med den binära datastrukturen. Därför valdes den binära datastrukturen på det här inledande stadiet. Längre fram i processen, när den data som skulle bearbetas tillgängliggjorts, kunde en djupare förståelse för data uppnås.

Dataförberedelse

Utifrån de ursprungliga lagringsenheterna krävdes en del bearbetning för att göra den relevanta data tillgänglig och läsbar för en maskininlärningsmodell. Data extraherades därför och mellanlagrades i tabellform på en SQL-databas. Därifrån kunde dataseten hämtas för vidare bearbetning. Enligt Provost och Fawcett (2013) handlar det dataförberedande steget främst om att manipulera data för att få mer givande resultat. Utifrån den data som var tillgänglig, samt det affärsproblem som skulle bearbetas, valde vi att strukturera dataseten i binära tabeller. Provost och Fawcett (2013) menar att detta är en vanlig struktur för rekommendationssystem. Utöver detta bearbetades datakvalitén genom att entiteter rensades bort utefter bedömning av innehåll och datasetens densitet. Eftersom dataseten efter manipuleringen bestod av binära värden på en likvärdig skala utfördes ingen normalisering.

Modellering

Modelleringen var det primära steget för att applicera intelligenta tekniker på den data som bearbetades i processen. För att utföra detta finns flera olika metoder och vilken som är lämplig beror på syftet som modellen skall fylla (Provost & Fawcett, 2013). Givet syftet att skapa en modell som matchar kompetenser skapades två datarymder, en med konsulter och en med uppdrag. Utifrån dessa tränades två oövervakade K-Nearest Neighbor algoritmer med Cosine Similarity för att mäta avståndet mellan entiteterna. Genom att placera uppdrag i rymden för konsulter kunde rekommendationer ges om vilka konsulter som lämpade sig för uppdraget. Detta kan i sin tur användas som stöd för beslutsfattande och undersöker därmed möjligheten med ett intelligent beslutstöd.

Utvärdering

I syfte att skapa pålitlighet och giltighet för modellen, har den testats och utvärderats under databearbetningens och modellutvecklingens gång. Utvärderingen ska kontrollera om modellen bemöter de affärsmål och problem som tidigare har identifierats (Provost & Fawcett, 2013). För att kontrollera detta har återkommande möten anordnats, där modellen och dess validering mot affärsproblemet diskuterats. Utefter dessa utvärderingar har modellen justerats. Efter justeringarna har även tester utförts där modellen fått göra rekommendationer på gamla fall. Dessa rekommendationer har sedan givits de som skall använda modellen, för reflektion och utvärdering av rekommendationernas giltighet.

14

Driftsättning

Vid driftsättning av resultatet implementeras oftast modellen i något typ av system eller affärsprocess (Provost & Fawcett, 2013). Inget befintligt IT-system för beslutstöd fanns sedan innan för den studerade processen hos verksamheten. Istället var avsikten med utvecklingen av det intelligenta beslutsstödet, att driftsätta den prototyp som vi skapat för beslutsprocessen vid kompetensmatchning, för att sedan kunna studera hur den påverkar beslutsprocessen. Därför har rapporter upprättats med de rekommendationer som modellen tagit fram, på både nyinkomna och gamla uppdrag. Utöver rekommendationerna har rapporten även innehållit en teoretisk förklaring till hur modellen är uppbyggd och hur rekommendationerna görs. Där igenom har beslutsstödet driftsatts i den beslutsprocess som matchningen mellan konsulter och uppdrag innebär.

3.6 Etiska överväganden för studien

För att upprätthålla den etiska ställningen i vår studie har vi följt ”Etik i forskningen” av Vetenskapsrådet (2019). Forskningsetik handlar om forskarens relation till forskningsuppgiften. Den europeiska kodexen för forsknings integritet innehåller fyra grundläggande principer som ska vägleda forskaren vid etiska, praktiska och intellektuella problem som uppstår vid forskningen. En av principerna handlar om tillförlitlighet vilket innebär att kvaliteten på forskningen ska säkerställas (Vetenskapsrådet, 2019). Detta har vi försökt säkerställa, genom att designa studien och använda oss av beprövade forskningsstrategier och metoder som passat för att uppnå studiens syfte. Vi har även låtit respondenterna ta del av och godkänna den analys vi gjort utifrån deras svar. En annan princip handlar om ärlighet genom att genomföra, granska och rapportera forskningen på ett öppet och rättvist sätt (Vetenskapsrådet, 2019). För att säkerställa att vi arbetat på ett öppet och rättvist sätt, har vi valt att vara transparenta med sättet som vi arbetat genom att beskriva vår metod. I bilagorna 1–4, har vi även valt att presentera våra intervju- och observationsguider, så att studien ska kunna replikeras. Vi har även inför datainsamlingen varit transparenta mot respondenterna om syftet med studien samt vilka metoder som skulle komma att användas. Vid datainsamlingen har respondenterna gett samtycke för detta syfte och för hur deras uppgifter skulle komma att bearbetas. För att skydda deltagare i studien, har vi valt att anonymisera deltagarna, samt verksamheten som de representerat. Principerna handlar även om respekt för kollegor, deltagare och miljön men även ansvar för forskningen och konsekvenserna som följer (Vetenskapsrådet, 2019). Därmed kommer inte den data som samlats in användas för andra syften och mål än de som presenterats för studien.

15

4. Den ursprungliga beslutsprocessen

I dagens samhälle är det vanligt att företag använder sig av konsulter för att tillsätta den kompetens som de behöver, men som de själva inte besitter. Konsulterna i sin tur är anställda av en konsultverksamhet, vars affärsmodell innebär att hjälpa företag att hitta och tillsätta den kompetens som efterfrågas. Därför är just processen som identifierar uppdrag, kompetenser efterfrågan och matchande konsulter viktig för konsultverksamheten. Denna process har vi framöver valt att benämna matchningsprocessen.

Målet med matchningsprocessen inom den studerade verksamheten kan uppfattas som olika beroende på roll och relation den tillfrågade har till processen. Två högst avgörande roller för matchningsprocessen är dels samordnaren, som driver och administrerar processen. Dels ledaren, som fungerar som informationsbärare för de konsulter hen leder och som även är beslutsfattare över matchningen. I grunden är matchningsprocessen en kärnaktivitet i verksamhetens affärsmodell. Det går i linje med ledarens svar som anger att målet är att skapa långsiktiga relationer och vinna uppdrag, genom att finna den bästa kandidaten för uppdraget. Samordnarens svar går även i linje eftersom svaret i detta fall är att målet är att tillsätta de bäst matchade kandidaterna för att öka beläggningen bland konsulterna. Tillsammans ger svaret ett mål om en solid och lönsam verksamhet.

4.1 Matchningsprocessen

Det första steget i matchningsprocessen är att identifiera möjliga uppdrag som företaget skulle kunna tillgodose med konsulter. Insamlingen av uppdrag sker från olika kanaler så som portaler för konsultuppdrag, mejl, samt personliga rekommendationer. Dessa samordnas och sammanställs i en fil, vilken är tillgänglig för samtliga inom verksamheten. Vid urvalet av uppdrag sker även en första prioritering, eftersom samordnaren överväger vilka uppdrag som kan vara relevanta. De uppdrag som verksamhetens konsulter möjligtvis kan tillgodose väljs ut, men även de som samordnaren är osäker på. För att identifiera möjliga kandidater för uppdragen sammanträder samtliga ledare, samordnaren och säljare på dagliga möten. Om samtliga är närvarande kan det vara över tjugo deltagare på mötet. Dagordningen för mötet går igenom samtliga nyinkomna uppdrag i den sammanställda filen. Beskrivning för uppdraget, efterfrågad roll, samt angivna kompetenser läses upp. Utifrån dessa diskuteras och förtydligas vilka kompetenser som krävs, samt vilka kandidater som skulle kunna vara möjliga. Ledarna fungera i detta skede som informationsbärare och förväntas bidra med information om deras konsulters kompetens och tillgänglighet. Utöver ledarna används även en tavla där information finns om vilka konsulter som är lediga, snart lediga eller öppna för rotation. Ledarna har dock den djupare kunskapen och är den som kan besluta om konsulten matchas med uppdraget eller inte. Matchningen är därför mycket beroende av att samtliga ledare är på plats och kan delge information om sina konsulter. Skulle ledare saknas från mötet, saknas även den djupgående informationen om konsulterna och informationsluckor uppstår.

16

Figur 3. Illustration över en möjlig version av matchningsprocessen

Är det så att en ledare saknas vid ett möte där någon misstänker att deras konsulter besitter den kompetens som efterfrågas, skickas uppdraget vidare till den frånvarande ledaren. Dessa uppdrag förblir då öppna och uppe för diskussion vid nästkommande möte där ledaren förhoppningsvis är på plats och kan delge information.

Om mötesdeltagarna diskuterat uppdraget och kommit fram till att de inte har någon konsult som matchar de kompetenser som efterfrågas, stängs uppdraget. Hur mycket tid och energi som läggs på diskussionen innan mötesdeltagarna väljer att stänga uppdraget, kan bero på uppdragsgivaren. Eftersom det är viktigt för verksamheten med långsiktiga relationer prioriteras de uppdragsgivare som verksamheten har en relation med sedan tidigare. I vissa fall kan det även finnas ramavtal vilket kan ge ytterligare information, men också en smidigare process. Därför prioriteras även dessa. I andra fall finns det erfarenheter kopplade till uppdragsgivare, om icke givande utfall. Eftersom detta antagande kan

17

göras utefter erfarenheterna, prioriteras inte dessa uppdragsgivare och uppdragen stängs efter en kortare diskussion.

Om mötesdeltagarna däremot kommer fram till att det finns konsulter inom verksamheten som har de efterfrågade kompetenserna, beslutas en matchning. Detta kan vara en konsult som redan är upptagen med ett uppdrag, men om uppdragsgivaren är prioriterad kan konsultens ledare överväga en rotation. Dock väljs oftast en konsult som är tillgänglig, med rätt roll, kompetens och erfarenhet. När matchningen har beslutats, sammanställer samordnaren den information som diskuterats under mötet, samt annan tillgänglig och befintlig information som kan behövas för ansökan. Detta skickas sedan till konsultens ledare för slutgiltigt avgörande och komplettering. Finns det flera konsulter som matchats, och dessa har olika ledare, skickas informationen till respektive ledare. Efter vidare undersökning med en gemensam diskussion bestämmer dessa ledare vilken konsult som ska matchas.

I vissa fall saknas tillräcklig information för att ledaren ska kunna ta ett slutgiltigt beslut om konsulten passar för uppdraget. Ledaren kan då välja att kontakta uppdragsgivaren för att få uppdraget förtydligat. Detta är att föredra eftersom en bättre matchning kan göras, samtidigt som relationen till uppdragsgivaren stärks. Uppdraget diskuteras med den matchade konsulten och om inga invändningar finns sammanställs den information som behövs för att söka uppdraget. Detta kan vara motivering, CV, prisförslag, osv. Den slutgiltiga sammanställda informationen skickas sedan till samordnaren, som söker uppdraget genom respektive kanal.

19

5. Utveckling av det intelligenta beslutsstödet

Samtliga data som användes för att utveckla maskininlärningsmodellerna fanns sedan tidigare inom den studerade verksamheten. Data om de kompetenser som konsulterna besatt var dokumenterad som flytande text i deras CV:n. Detta räknades dock som konfidentiell information och därför fick vi som utomstående inte tillgång till denna. Istället extraherades och anonymiserades data om konsulternas kompetenser och lagrades i tabellformat (likt figur 4) i en SQL-databas.

person Technicalskills1 Technicalskills2 Technicalskills3 Technicalskills4 …

p1 Accessibility NULL Agile methods NULL …

p2 NULL NULL NULL Amazon …

p3 NULL NULL Agile methods NULL …

p4 NULL Adobe Photoshop NULL NULL …

p5 NULL Adobe Photoshop Agile methods NULL …

p70 NULL NULL Agile methods NULL …

… … … … …

Figur 4. Exempel över en del av en databastabell.

Från SQL-databasen kunde vi dels bearbeta data, till exempel slå ihop kompetenser som innebar samma sak men hade skrivits olika av konsulterna. Dels hämta data till datalagret i den molntjänst vi arbetade i. Från datalagret kunde vi sedan hämta data och skapa dataset genom SQL-frågor. Dessa dataset kunde därefter importeras till experimentarbetsytan för bearbetning och utveckling. Figur 5 visar en illustration av just detta.

Figur 5. Indataflöde.

Väl på experimentytan hade datasetet i stort sett samma struktur som den ordinarie databastabellen. Därför behövde en del bearbetning genomföras för att kunna träna en modell på datasetet. För att genomföra det användes python-programmering tillsammans med pandas, för bland annat ändra index, konvertera eller rensa värden, kolumner och rader. Även för att ta reda på statistik och utifrån det avgöra vilken bearbetning som skulle genomföras.

20 Figur 6. Utdrag på kod för databearbetning.

Efter att datasetet bearbetats har det en binär form likt figur 7 nedan. Efter detta var datasetet redo för att träna en maskininlärningsmodell.

person Accessibility Adobe Photoshop Agile methods Amazon …

p1 1 0 1 0 … p2 0 0 0 1 … p3 0 0 1 0 … p4 0 1 0 0 … p5 0 1 1 0 … p70 0 0 1 0 … … … … … …

Figur 7. Exempel över en del av den binära tabellen.

5.2 Modellering

För att skapa en modell som kan matcha konsulter med uppdrag användes scikit-learn ”Nearest Neighbor”. Eftersom utvecklingstiden var begränsad och vi visste att vi eventuellt inte skulle hinna så många iterationer som vi ville, grundades många beslut om modellen på tidigare teoretiska studier. Detta handlar dels om val av modellen, dels dess parametrar likt algoritm, metric, n_neighbors, osv. Lyckligtvis hann vi även utvärdera flera av dessa genom att praktiskt testa och jämföra dem, men kom fram till att våra teoretiska val gav önskat resultat utifrån vårt syfte och data.

21

Under modellutvecklingen hölls även regelbundna avstämningsmöten med den studerade verksamheten. Under mötena diskuterades modellen, dess resultat, samt affären för att utvärdera arbetet samt avgöra riktningen för den framtida utvecklingen. För detta testades även modellen med output där metoden ”kneighbors” (se figur 9) användes för att finna ett utvalt antal konsulter som låg närmas antingen ett utvalt eller slumpmässigt uppdrag eller konsult. Den här metoden användes även för de rekommendationer som slutligen gavs till verksamheten, men avståndet mättes istället från enbart inmatade uppdrag.

Figur 9. Exempelkod för redovisning av output, där X är data för ett uppdrag.

5.3 Resultat för rekommendationer

När modellen ansågs tillräckligt bra utifrån avstämningsmöten och den efterföljande utvecklingen, gjordes en slutgiltig utvärdering på rekommendationer för fem äldre förfrågningar. Tabellen (se tabell 3) beskriver den sammanfattade utvärderingen för de fem representativa uppdrag som verksamheten fått in och som det intelligenta beslutsstödet utvärderades med.

22

Tabell 3. Utvärdering av matchningarna med det intelligenta beslutsstödet

Uppdrag Sammanfattad utvärdering

1. För det första uppdraget var rekommendationen som det intelligenta beslutsstödet gett i enlighet med kandidaten som verksamheten själva hade skickat och de var nöjda med matchningen. 2 Det andra uppdragets rekommendation matchade kompetenserna som efterfrågats, men rollen som

efterfrågats matchade inte. Matchningen var bra baserat på kompetenserna som efterfrågats, då det inte fanns någon konsult tillgänglig med den rollen, som hade varit en bättre matchning. Den rekommenderade konsulten hade inte skickats vidare.

3 Den tredje matchningen träffade på kompetens och roll, dock inte erfarenhet. Verksamheten hade ändå valt att skicka kandidaten vidare, trots att kandidaten inte mött den efterfrågade erfarenheten. Även för det här uppdraget, fanns det inte någon annan tillgänglig konsult som hade kunnat matcha uppdraget bättre.

4 För det fjärde uppdraget rekommenderades en kandidat som besitter efterfrågade kompetenser. Kandidaten hade även skickats vidare för uppdraget och de var nöjda med matchningen. 5 Den femte rekommendationen fanns i tankarna för att matcha med uppdraget. Ingen tillgänglig

kandidat hade matchat bättre för förfrågan.

Av fem uppdrag, rekommenderade det intelligenta beslutsstödet tre kandidater i enlighet med vad samordnaren och ledaren själva hade tillsatt. Resterande två uppdragsförfrågningar som inte fick någon självklar kandidat, hade samordnaren och ledaren själva inga kandidater tillgängliga för att tillsätta uppdraget. Baserat på resultatet av detta, insamlades tankar och funderingar om det intelligenta beslutsstödet i samband med matchningsprocessen, under det andra intervjutillfället. Det insamlade materialet från intervjun, användes som empiriskt underlag till analysen.

23

6. Matchningsprocess med intelligent beslutsstöd

Det första steget i matchningsprocessen (se figur 10) förblir desamma som vid processen utan det intelligenta beslutsstödet, trots att detta tillkommer. Insamlingen och sammanställningen av uppdrag påverkas alltså inte av det intelligenta beslutsstödets införande.

I nästa steg infördes det intelligenta beslutsstödet. Nyinkomna uppdrag matchas mot konsulter i det intelligenta beslutsstödet och ger rekommendationer i ett förberedande syfte inför diskussion om nya uppdragsförfrågningar. Det intelligenta beslutsstödet har visat sig kunna rekommendera alternativ som inte hade tagits upp på mötet, vilket innebär att vyerna för vem som kan matchas kan utvidgas. Eftersom rekommendationerna görs baserat på konsulternas CV och uppdragens beskrivning på efterfrågade kompetenser, upplever respondenterna enligt intervjun att diskussionerna kan bli mer faktabaserade. Matchar ingen konsult med uppdraget kan det behövas lyftas på det dagliga mötet för att se om det finns möjligheter som förbisetts. Då skulle proceduren för matchningen vara oförändrad. Skulle det intelligenta beslutssystemet däremot matcha uppdraget med en konsult som skulle accepteras, skulle konsulternas ledare kunna kontaktas direkt för att initiera en dialog. När dialogen med ledarna initierats, kontrollerar ledarna att konsulten både vill och kan ta sig an uppdraget. Då skulle det uppdraget inte behöva tas upp på mötet och mötet skulle därför inte behöva uppta lika lång tid.

En annan möjlig matchningsprocess med det intelligenta beslutsstödet skulle kunna bibehålla mötet med dess tidigare form. Det vill säga att samtliga uppdrag diskuteras varje morgon, oavsett om de matchats eller inte av beslutsstödet. Med underlaget som stöd kan diskussioner inledas gällande de konsulter som matchats. I den här alternativa processen, har informationen om möjliga kandidater samlats och tillgängliggjort för att kunna få bättre diskussioner.

Tycker ledaren att det inte finns tillräckligt med information i uppdragsbeskrivningen, kontaktas uppdragsgivaren för mer information. Om ledaren fått tillräckligt med information om uppdraget och klargjort att konsulten både vill och kan ta sig an uppdraget, sammanställs CV, motivation och pris. Därefter skickas ansökan för uppdraget in och förfrågan stängs.

24

25

7. Analys

I den ursprungliga beslutsprocessen har en del svagheter kunnat identifierats. Dessa är även påtagliga för den studerade verksamheten och är en av anledningarna till att ett behov av ett intelligent beslutsstöd fanns. Den studerade verksamheten hade därmed en förhoppning om att ett intelligent beslutsstöd skulle kunna hjälpa dem att matcha konsulter med uppdrag på ett bättre sätt.

Svagheter i den ursprungliga beslutsprocessen

En avgörande del för beslutsprocessers rationalitet är den informationsinhämtning som genomförs för att kunna ta ett beslut (Nutt, 2011). I den studerade verksamheten används till största del mänskliga informationsbärare i form av ledare. Information om konsulternas kompetenser finns även lagrade i CV:n, men dessa är ofta inte uppdaterade. Informationen i dessa är inte heller sammanställda vilket kan göra att informationsinhämtningen från dessa kan bli en tidskrävande process. Samtidigt är det viktigt att verksamheten snabbt kan matcha uppdragen för att kunna vinna dem. Därför används sällan informationen från CV:n vid informationsinhämtning på ett inledande stadie. Istället förväntas ledarna närvara på det dagliga matchningsmötet och delge information om de konsulter de ansvarar för. På så sätt skapas ett mänskligt informationsnätverk där informationsbärarnas kapacitet och närvarande är avgörande för beslutet. Skulle någon av dessa punkter fallera, innebär det att det även saknas kontakt med samtliga noder i det mänskliga informationsnätverket. Det blir därmed mycket svårt att svara på om det finns konsulter med den efterfrågade kompetensen. Detta innefattar att beslutsfattaren har begränsad tillgång till att utvärdera lösningar och konsekvenser som kan liknas vid Simons (1957) Administrative Man. I och med detta skapas ett beroende som ger en svaghet till hur processen samlar in alternativa kandidater.

Beroendet av den mänskliga informationsbäraren är problematisk eftersom människans kapacitet för att hålla information och handla rationellt kan enligt March (1994) ifrågasättas. Människans minne är begränsat eftersom samtlig information inte samlas in på ett strukturerat sätt. Detta sker eftersom människans förmåga att förstå är begränsad, vilket kan leda till att viktig information blir osammanhängande eller till och med förbisedd. Utöver detta är informationen i det mänskliga minnet inte lagrad på ett sätt som är lättillgängligt för andra och kräver därför tid och resurser för en fungerande kommunikation (March, 1994). Samtidigt kan historik om erfarenheter falla ifrån okontrollerat, då informationen även här är kopplat till människans begränsade minne.

Det är därför viktigt för ledarna att försöka upprätta en djup kunskap om deras konsulters kompetenser, men även en grundläggande kunskap om samtliga konsulter. I dagsläget görs rekommendationer utan ett intelligent beslutsstöd, baserat på erfarenhet och genom diskussion. När en ledare, som har en konsult med den efterfrågade kompetensen, brister i kapacitet eller närvarande, förväntas mötesdeltagarna komplettera varandra. En annan informationsbärare kan alltså göra gruppen medveten om att en kandidat med rätt kompetens möjligen finns. Efter identifiering av möjliga kandidater hålls en diskussion om någon har motstridig information eller om dem instämmer. Om ledaren är frånvarande meddelas detta vidare till denna. I den här situationen är processen fortfarande beroende av det mänskliga nätverket och även bunden av människans begränsade minne. Alternativet att istället inkludera konsulter under mötet för att underlätta informationsinhämtningen är dessvärre inte organisatorisk möjlig, eftersom verksamheten har hundratals konsulter.

Problematiken med det mänskliga informationsnätverket och dess beroende av alla noder i nätverket ökar med antalet konsulter som finns att bevaka. Med fler deltagare ökar komplexiteten, eftersom det även finns fler möjliga brister i nätverket. Den mänskliga beslutsfattaren står inför begränsningar i form