INOM
EXAMENSARBETE TEKNIK, GRUNDNIVÅ, 15 HP
STOCKHOLM SVERIGE 2021,
Stora mängder användardata för produktutveckling
Möjligheter och utmaningar vid integrering av stora mängder användardata i
produktutvecklingsprocesser
JONAS HÄGERLÖF
THEODOR BENGTSSON
KTH
SKOLAN FÖR INDUSTRIELL TEKNIK OCH MANAGEMENT
Sammanfattning
Teknikutvecklingen har bidragit till ökad mängd användardata företag har tillgång till och väntas fortsätta öka. Företag som integrerar användardata i sina produktutvecklingsproces
ser väntas uppnå konkurrensfördelar.
Arbetets syfte handlar om att undersöka möjligheter och utmaningar vid integrering av stora mängder användardata. Genom att besvara två frågeställningar fastställer undersökningen arbetets syfte, där även konsekvenser för beslutsfattande behandlas.
Arbetsprocessen inleddes med en litteraturstudie som låg till grund för både problemati
seringen och syftet som identifierar ett gap i forskningen kring användardata i produktut
vecklingsprocesser. Genom litteraturstudien skapades en bredare förståelse för ämnet. Den empiriska delen utgjordes av en kvalitativ semistrukturerad intervjustudie med fyra delta
gande företag och lika många respondenter med kunskap inom området. Genom kodning av materialet identifierades områden bland respondenterna som bidrog med insikter som behandlats för att bidra till forskningsområdet.
Resultaten belyser möjligheter och utmaningar företag står inför vid integrering av stora mängder användardata i produktutvecklingsprocesser. Studien framhåller användaren som central i produktutvecklingen, där ökad data möjliggör komplexa dataanalyser. Effektiv analys av data möjliggör snabbare itereringsprocesser och repetitiva jobb kan ersättas av mer stimulerande. Därtill blir beslutsunderlag mer omfattande och kan generera nya strategier och utformningar av erbjudanden. Studien fastställer även att ökad mängd data ställer krav på företag, där relevansen i datan är viktig och processer för hantering måste kunna definiera relevant data. Vidare måste företag mogna i rollen att integrera användardata.
För att beslutsunderlag från användardata ska vara säkert bör kvalitativa och kvantitativa
analyser främjas att samverka för att bekräfta varandras identifierade mönster.
Integrering av stora mängder användardata i produktutvecklingsprocesser fastställs av denna studie kräva att kompetens erhålls för att i processer för hantering av data kunna säkerställa relevans genom att definiera vilken data som ska samlas in. Vid lyckad integrering uppnår företag som integrerar användardata konkurrensfördelar och kapitaliseringsmöjligheter som är långsiktigt gynnsamma.
Nyckelord
Användardata, Produktutveckling, Produktutvecklingsprocessen, AI, Artificiell intelligens, ML, Maskininlärning, Utmaningar, Möjligheter, Integrering
Abstract
The technology development has contributed to an increased amount of user data companies have access to and is expected to continue to increase. Companies that integrate user data into their product development processes are expected to gain competitive advantages.
The purpose of the work is to investigate opportunities and challenges when integrating large amounts of user data. By answering two questions, the study determines the purpose of the work, where the consequences for decisionmaking also are addressed.
The work process began with a literature study that formed the basis for both the problematization and the purpose that identifies a gap in the research about user data in product development processes. The literature study created a broader understanding of the subject. The empirical part consisted of a qualitative semistructured interview study with four participating companies and an equal number of respondents with knowledge in the field. Coding of the material identified areas among the respondents which contributed with insights that were processed to contribute to the research area.
The results highlight opportunities and challenges companies face when integrating large amounts of user data into product development processes. The study highlights the user as central to product development, where increased data enables complex data analysis.
Efficient analysis of data enables faster iteration processes and repetitive jobs can be replaced by more stimulating. In addition, the basis for decisionmaking becomes more extensive and can generate new strategies and designs for offers. The study also determines that increased data places demands on companies, where the relevance of the data is important and processes for handling must be able to define the relevant data. Furthermore, companies need to mature in the role of integrating user data. In order to ensure the safe basis for
decisionmaking from user data, qualitative and quantitative analyses should be promoted to work together to confirm each other’s identified patterns.
The integration of large amounts of user data into product development processes is determined by this study to require the acquisition of competence in order to ensure relevance in data management processes by defining which data to collect. With successful integration, companies that integrate user data achieve competitive advantages and capitalization opportunities that are longterm beneficial.
Keywords
User data, Product development, Product development process, AI, Artificial intelligence, ML, Machine learning, Opportunities, Challenges, Integration
Förord
Denna rapport har upprättats under vårterminen 2021 som en del av ett kandidatexamens
arbete inom Integrerad produktutveckling, MF131X, på Kungliga Tekniska Högskolan.
Vi riktar ett tack till våra handledare Gunilla Ölundh Sandström och Magnus Eneberg som varit till hjälp genom föreläsningar, handledningar och seminarier. Vi vill även tacka deltagande företags respondenter som möjliggjort studien genom att bidra med kunskap inom ämnesområdet. Avslutningsvis riktar vi ett tack till alla kurskamrater som bidragit med feedback under arbetets gång.
Stockholm, juni 2021 Jonas Hägerlöf Theodor Bengtsson
Innehåll
1 Inledning 1
1.1 Bakgrund och problematisering . . . . 1
1.2 Syfte . . . . 2
1.3 Frågeställningar . . . . 2
1.4 Avgränsningar . . . . 2
2 Teoretisk referensram 3 2.1 Produktutvecklingsprocessen . . . . 3
2.2 Dataintegrering i produktutvecklingsprocessen . . . . 4
2.3 Insamling av data . . . . 4
2.4 Analys av användardata . . . . 5
2.5 Definition av teknikföretag . . . . 7
3 Metod 8 3.1 Teoretisk referensram . . . . 8
3.2 Insamling och analys av data . . . . 8
3.3 Val av företag . . . . 9
3.4 Beskrivning av företag och respondenter . . . . 9
3.5 Kvalitetsmått . . . . 11
4 Empiri 12 4.1 Ekkono Solutions . . . 12
4.2 Flowscape Technology . . . 14
4.3 Brightec Time . . . 15
4.4 Knowit Experience . . . . 17
5 Analys och Diskussion 20 5.1 Utmaningar med integrering av stora mängder användardata . . . 20
5.2 Möjligheter med integrering av stora mängder användardata . . . 22
6 Slutsats 24 6.1 Fortsatt arbete . . . 25
6.2 Bidrag till praktik . . . 25
Referenser 26
Bilaga A I
1 Inledning
I följande avsnitt återges studiens problematisering, syfte och frågeställningar.
1.1 Bakgrund och problematisering
Teknikföretag jobbar ständigt för att öka sin förståelse kring användarna och deras behov, det är nyckeln till framgång i företagens produktutveckling. Information om användarnas behov erhålls i form av data från olika källor, som innefattar handhavande, uppfattning och åsikter kring produkten. Förståelse för den egna produkten och användarnas behov lever i symbios under produktutvecklingsarbetet. Tillgången till användardata har en nyckelroll i produktutvecklingsprocessen och är en av grundpelarna i genereringsarbetet (Andreasen 2015).
Mängden användardata som företag har tillgång till idag är betydligt mer utbredd än tidigare, detta i takt med den snabba teknikutvecklingen (Villars, Olofson och Eastwood 2011). Idag interagerar användare mer med företag och är aktivt involverade i företags produktutvecklingsprocesser (Zheng m. fl. 2017). De nya sätten användare interagerar med företag på resulterar i att mängden datakällor företagen har tillgång till har ökat (ibid.).
Dessa nya data som genereras beror bland annat på att produkter är utrustade med sensorer, minne samt är uppkopplade via internet (Mansaf, Ara och Samiya 2020). En nyckelfaktor för att företag ska kunna dra nytta av den ökade mängden användardata är att kunna dra slutsatser kring den data som samlas in. För att kunna göra detta krävs det att datan tolkas om för att kunna sättas i ett sammanhang, i dagsläget kan analysen göras med hjälp av exempelvis Machine Learning (ML), Artificiell Intelligens (AI) eller mänsklig analys (Abraham m. fl. 2018). Dagens ökade informationsintag kan skapa enorma möjligheter för produktutvecklande företag, men de står också inför en del utmaningar.
Idag står vi inför ett paradigmskifte där det i framtiden kommer bli tydligt vilka som tog till vara på möjligheterna och utvecklade sin analys av stora mängder användardata. Mängden tillgänglig data accelererar snabbare än någonsin i takt med att världen ständigt blir mer uppkopplad (Villars, Olofson och Eastwood 2011). Med teknikutvecklingen är utmaningarna påtagliga. Det är vedertaget att kompetensutveckling är en ständig utmaning, ty effektiva analyser av data behöver utvecklas som är en del av den snabba teknikutvecklingen.
Dagens forskning konstaterar att delar av företagens produktutvecklingsprocesser ligger efter, det saknas tillräcklig kompetens för att hantera och analysera användardata effektivt (Yang, Wei och Pu 2020). AI är ett bristande område, men för de produktutvecklare som lyckas implementera tekniken leder effektivare analys till konkurrensfördelar (ibid.).
Det råder inga tvivel om att data inte är användbar utan effektiv analys (Kaisler m. fl.
2013). Således följer möjligheterna av nya metoder för analys. Idag används begreppen AI och ML i stor utsträckning. Teknikerna innebär automatiserad analys av insamlad data som resulterar i att informationen kan kvalitetssäkras och effektivisera resursutnyttjande enligt önskade mål (Duan, Edwards och Yogesh K Dwivedi 2019). Data som processats ger upphov till effektiviseringar av produktutvecklingsprocesser och inte minst utläser mönster som används för att förbättra produktegenskaper enligt analyserade användarbehov. Ett problem som kan uppstå vid användandet av stora mängder användardata är att dessa i stor utsträckning blir ”hårda” och ofta kvantitativa värden. För många produkter och tjänster kräver kunderna även att deras ”mjuka” kvalitativa behov uppfylls. Användandet av stora mängder användardata kan därmed skapa en lucka i informationsintaget hos företagen (Koca m. fl. 2010).
Med denna studie av möjligheter och utmaningar med användardata ämnar rapporten komplettera nuvarande forskningsområde. Framförallt är området i stort behov av att företagen blir medvetna och faktiskt kan verkställa förändringar för att utvecklingen ska bli gynnsam framåt, samt att alla farhågor beaktas.
1.2 Syfte
Syftet med rapporten är att undersöka möjligheter och utmaningar vid integrering av stora mängder användardata i produktutvecklingsprocesser för mindre teknikföretag.
1.3 Frågeställningar
• Vilka möjligheter och utmaningar finns vid integrering av stora mängder användardata i produktutvecklingsprocesser för mindre teknikföretag?
• Hur analyseras information som samlas in och vad får de för konsekvenser för beslutfattande?
1.4 Avgränsningar
En kvalitativ studie har genomförts för att besvara frågeställningarna där fyra företag och lika många respondenter deltagit för att få flera perspektiv. Produktutvecklingsprocessen studeras där studien fokuserar på integreringen av stora mängder användardata. Detta eftersom teknikutvecklingen går snabbt och det är således ett område där ny forskning behöver adderas för att förstå innebörden samt hjälpa företag att navigera rätt.
2 Teoretisk referensram
I följande avsnitt presenteras litteraturstudien för integrering av stora mängder användardata i produktutvecklingsprocessen. Även analys av användardata samt definitionen av studerade bolag presenteras.
2.1 Produktutvecklingsprocessen
I teknikbolags strävan att vidareutveckla produkter krävs det förståelse för användarens önskade och kravställda behov (Ullman 2010). Produktutveckling är den process i vilken företag utvecklar nya produkter och vidareutvecklar befintliga produkter. För att förstå hur företag jobbar för att vidareutveckla sina produkter krävs en förståelse för produktutvecklingsprocessen (ibid.). I processen är det viktigt att förstå att interaktion och samarbete mellan leden bidrar till en effektivare process (Kahn 1996).
Figur 1: Generell överblick av produktutvecklingsprocessen. Källa: (Ullman 2010)
Sett till den generella produktutvecklingsprocessen, figur 1, handlar det om att skapa sig en förståelse för användningen av produkten. Utifrån insikter planeras projektet för utveckling av en produkt (Ullman 2010). För att utförandet ska bli så tydligt som möjligt, konkretiseras kraven på produkten för varje steg i utvecklingsprocessen för att slutligen produceras och motsvara användarens förväntningar (ibid.). Insikter kring produkter är idag ett dilemma, då den komplexa världen sällan återger eller reflekterar fysiska egenskaper helt korrekt enligt exempelvis olinjära samband (Lin m. fl. 2021). En produktutvecklare bygger sina antaganden kring hur produkten ska utvecklas baserat på vad som är känt om användningen av produkten enligt marknadspotentialen för produkten (Chang och Taylor 2016). Idag har teknikutvecklingen medfört tekniska verktyg som resulterat i större mängder data, främst läggs fokus av ett bolags ledning på kvantifierad data (Nell m. fl. 2021). I takt med teknikutvecklingen är det relevant för produktutvecklingens beslutstagare att öka sin förståelse för vilken data som är relevant i produktutvecklingen (ibid.). Dessutom är det viktigt att skilja på mjuka och hårda värden i utvecklingen, då användarens upplevelse av funktioner inte alltid kan fångas av kvantifierad data (Koca m. fl. 2010).
2.2 Dataintegrering i produktutvecklingsprocessen
I litteraturen definieras ett ramverk för produktutvecklingscykeln där integrering av använ
daren blir tydlig, den består av användarupplevelser, produktändringar och samskapande, se fig.2 (Zheng m. fl. 2017). Det presenterade ramverket är ett exempel på hur den generel
la produktutvecklingsmodellen, beskriven tidigare, har tagits ett steg längre. Den visar på beroendet mellan användare och samskapande genom nya tekniska lösningar som främjar interaktion (ibid.).
Figur 2: Överblick av ramverk för användarbaserad produktutveckling. Källa: (Zheng m. fl.
2017)
Modellen i figur 2 vidareutvecklar produktutvecklingsprocessen för att integrera använda
rens upplevelse av produkten och medge feedback till produktutvecklingen (ibid.). Det är viktigt att förstå sambanden i modellen för att förstå hur användardata integreras i produkt
utvecklingen. Modellen redogör dock inte för hur data samlas in och kvalitetssäkras för vi
dareutveckling, varför denna studie ämnar komplettera dagens forskning med insikter kring hur användardata kan analyseras för beslutsfattande.
2.3 Insamling av data
Som tidigare diskuterat i avsnittet om produktutvecklingsprocessen bygger processen på användare och dess behov (Ullman 2010). Det är utifrån kundernas behov beslut tas kring hur en produkt ska utvecklas eller skapas (ibid.). Tidigare har traditionella undersökningar av marknaden och personlig kommunikation med användare varit en nyckel för att samla in den data som används, men det har uppmärksammats att detta inte är ett effektivt sätt (Martín 2021). Idag samlas data in på fler sätt och i större omfattning än någonsin tidigare
i och med att användare interagerar mer med företag (Zheng m. fl. 2017). Det har även blivit allt vanligare att användardata samlas in i form av stora mängder användardata, som innehar högre volym och flera dimensioner (Tsang m. fl. 2021). Sensorer och uppkopplade produkter är några av de sätt som stora mängder användardata kan samlas in på i dagsläget (Azeem m. fl. 2021). Den data som samlas in från sensorer och uppkopplade produkter är mycket varierad, ostrukturerad och svårläst. (ibid.). För att kunna analysera denna data, hitta mönster och förutspå utfallet används olika typer av verktyg som består av datorkraft eller människor (ibid.).
2.4 Analys av användardata
För att en ökande mängd tillgänglig data ska vara användbar vid beslutsfattande, särskilt i produktutvecklingsprocessens komplexa moment, krävs effektiv analys av data (Kaisler m. fl. 2013). Det ökande behovet av effektiv analys av data är en direkt konsekvens av att kvantitet mot kvalitet måste jämföras och rätt metoder för informationsunderlaget måste vara genomtänkt (ibid.). Genom att utveckla analysen av data genom nya verktyg kommer underlag att kvalitetssäkras och nålen i höstacken kunna hittas (ibid.).
Idag har företag kommit olika långt i sin utveckling av analys av data för att kunna förbättra sina produkter och tjänster (Riesener m. fl. 2020). En del företag har kommit så pass långt att det samlar in stora mängder användardata från till exempel sensorer som sedan i viss utsträckning automatiskt analyseras och leder till effektivitet (Schuh m. fl. 2019; Choudhary, Harding och Tiwari 2009). En liten andel av världens företag har kommit så pass långt att de inbyggda systemen i produkterna automatiskt lär sig av ingående data för att optimera systemet att bli mer robust (Schuh m. fl. 2019). Nedan följer avsnitt som beskriver de olika nivåerna av analys av data. Litteraturen lyfter att ökande data är en förutsättning för datadrivna beslut som resulterar i konkurrensfördelar (Conboy, Dennehy och O’Connor 2020).
I kontrast till ökat användande av kvantifierad data poängterar en del av litteraturen att mjuka data är viktigt för att fånga upp användarens förväntningar på produkten och inte bara de mätbara fysiska konsekvenser produkten utsätts för (Koca m. fl. 2010). Författarna grundar sin argumentation i Kanomodellen som redogör för att användartillfredsställelse uppnås av uppfyllelse av oväntade egenskaper och inte av hygienfaktorer (ibid.).
2.4.1 Artificiell intelligens
Artificiell Intelligens, AI, delas ofta upp i Machine Learning och Deep Learning, som är metoder för att utvärdera genererad data och producera användbar information (Kotsiopoulos m. fl. 2021). I detta sammanhang handlar det om att automatiskt presentera relevant data för beslutsfattning i produktutvecklingsprocessen. Det är särskilt intressant att studera AI kopplat till beslutsfattande, där AI kan ses som ”expertsystem” som kan ta mer komplexa beslut som kräver högre kognitiv förmåga genom avvägning av till exempel känslor (Duan, Edwards och Yogesh K Dwivedi 2019). En del företag har börjat med AI
tillämpningar, där AI integreras i produktutvecklingen för att möta användarnas önskade egenskaper (Lanxes 2020).
Möjligheterna vid en integrering av AI i en organisations produktutvecklingsprocesser är automatisering, snabbare cykler och ökad tillförlitlighet (W. Baumung och V. Baumung 2020). En implementering av AI i en produktutvecklingsprocess eller organisation kan skapa problem för myndigheter och organisationen genom sociala, etiska och politiska aspekter.
Dessa måste organisationen lära sig att handskas med för att kunna implementera AI på ett effektivt sätt (Yogesh K. Dwivedi m. fl. 2021)
2.4.2 Maskininlärning
Machine Learning, ML, är ett av de verktyg som kan användas för att analysera data och få fram relevant information utifrån stora mängder data (Kotsiopoulos m. fl. 2021). Principen bygger på att utifrån tidigare förekommande data kunna förutspå utfall från ny data och i de fall det är möjligt även kunna ta beslut utan specifik handpåläggning (ibid.)
Integrering av ML i produktutveckling har möjligheten att automatisera de komplexa manuella steg som sker, öka tillförlitlighet och relevans samt snabba på processen (W.
Baumung och V. Baumung 2020). Utöver dessa aspekter är det ett kostnadseffektivt sätt att genomföra en produktutvecklingsprocess på (ibid.). De fördelar som finns med en integrering av ML i produktutvecklingsprocessen vägs även mot vissa nackdelar. Dessa nackdelar innefattar främst svårigheten med att ta hänsyn till mjuka värden i processen, detta då en dator ej kan uppfatta dessa genom algoritmer (Koca m. fl. 2010).
2.4.3 Mänsklig analys
Mänsklig analys av data är precis vad det låter som, en människa tar del av mätvärden från en datasekvens. Utifrån sekvensen av data används data som antas relevant för att förstå sammanhanget i vilken produkten används av en användare. På detta sätt
försöker människan förstå hur produkten använts för att med dessa insikter förbättra eller vidareutveckla produkten för att skapa ännu bättre upplevelser för användaren. Idag har datamängden ökat och dataanalytiker lyfts som en nyckel till att förbättra hanteringen av data med hjälp av nya digitala verktyg (Davenport 2012).
Människans kognitiva förmåga är begränsad vilket medföljer att effektiviteten inte går att jämföra med digitala analysverktyg (O’Sullivan 2017). Därmed måste data vara tydligt definierad för att analysen ens ska vara genomförbar (H. Martens och M. Martens 2001).
De fördelar som lyfts med en mänsklig analys istället för en analys som genomförs med hjälp av digitala hjälpmedel som AI eller ML är främst att de mjuka värden som finns i produktutvecklingsprocessen kan tas hänsyn till (Koca m. fl. 2010). Människor har en känslomässig förmåga till skillnad från datorer och algoritmer (ibid.).
2.5 Definition av teknikföretag
I detta projekt studeras mindre teknikbolag. Gruppen definierar dessa enligt EU:s SME standard, som inkluderar små till medelstora företag (European Comission 2016). De bolag vi studerar räknas som små, då de enligt definitionen är färre än 50 anställda och varken balansomslutning eller årlig omsättning överstiger €10M (ibid.). Företagen som studeras utvecklar mjukvara och hårdvara, således faller begreppet teknikföretag naturligt att använda.
3 Metod
I följande metodavsnitt redogörs arbetsprocessens delar inkluderat den teoretiska referensramen, kvalitativa intervjustudien, beskrivning av deltagande företag och respondenter samt studiens kvalitetsmått.
3.1 Teoretisk referensram
Den teoretiska referensramen består av en litteraturstudie som beskriver det nuvarande kunskapsläget inom området och uppfattningen av ämnesområdet bland forskare. För att söka information kring dessa parametrar användes olika databaser för vetenskapliga artiklar och rapporter som exempelvis IEEE Xplore, Science Direct och Web of Science. För att få fram relevant information kring ämnesområdet användes nyckelord som exempelvis Big Data, Internet of Thing, IoT, Machine Learning, ML, product developement, user data, smart products och user phase data etc. De tidigare granskade vetenskapliga studierna har tillsammans med den empiriska undersökningen lett fram till arbetets slutsatser.
3.2 Insamling och analys av data
Den kvalitativa intervjustudien bestod av fyra intervjuer med företag som har kunskap och insikter inom det berörda ämnesområdet. Upplägget för intervjuerna var semistrukturerade där frågor utgick från intervjuguiden, se bilaga A och sedan fanns det utrymme för att ställa följdfrågor som klargjorde och gav ytterligare förståelse. Bryman och Bell (2011) framhåller att semistrukturerade intervjuer medför att djupare kunskap kan erhållas inom det studerade området. Intervjuerna genomfördes via ZOOM och kunde därmed spelas in.
Genom de inspelade intervjuerna kunde innehållet transkriberas automatiskt och sedan justeras i enlighet med inspelningen, då den automatiska transkriberingen inte tolkat innehållet på rätt sätt. Efter att transkriberingarna var färdiga kunde teman kopplade till syftet och frågeställningarna identifieras. Varje tema som kunde identifieras markerades med en färg i de olika intervjuerna. De teman som identifierades låg sedan till grund för det fortsatta arbetet i empiriavsnittet. Vidare har studien antagit en abduktiv forskningsansats där erhållen data kunnat kopplas till befintlig teori i englighet med att kunna besvara studiens frågeställningar (Bryman och Bell 2011). Detta är studiens forskningsansats för presenterade analysresultat med tillhörande diskussion i avsnitt 5. Analys och Diskussion.
Under arbetets gång har det även varit möjligt att få ytterligare kontakt med respondenterna för förtydliganden. Efter det att arbetet slutförts raderades ljudfilerna enligt överenskom
melse med respondenterna.
3.3 Val av företag
Urvalsstrategin som användes vid val av företag och respondenter var ett målinriktat urval utifrån ett par kriterier (Bryman och Bell 2011). Dess kriterier var att boalget var ett teknikbolag som använder sig av stora mängder användardata för att utveckla sina produkter eller tjänster. De intervjuade respondenterna jobbar för företag som är verksamma inom produktutveckling av mjukvara och hårdvara, där användardata används i produktutvecklingen. Företag som undersökts har kontaktats genom antingen personliga kontakter eller genom mail. För att säkerställa kvaliteten hos de intervjuade företagen har mailutskick försetts med en kort introduktion om vad rapporten kommer att handla om för att på så sätt ge företaget möjlighet att tacka nej till en intervju på grund av lämplighet eller delegera intervjun till någon som är insatt i ämnet.
3.4 Beskrivning av företag och respondenter
Den kvalitativa intervjustudiens deltagande företag och respondenter beskrivs i följande avsnitt.
3.4.1 Ekkono Solutions
Ekkono Solutions är ett mjukvaruföretag som grundades 2016. Företagets huvudidé är att göra maskiner smarta genom mjukvaruutveckling som med information från exempelvis sensorer optimerar processer. Från sensorerna samlas alltså data in som sedan analyseras och bearbetas på plats i ett kretskort programmerat med Ekkonos programvara. Detta istället för att datan ska skickas till molnet och analyseras på en annan plats, vilket innebär en säkerhetsrisk. Istället möjliggör detta för kunder att de får tillgång till all data och får då istället den data avseende specifika KPI:er som företaget är intresserade av. Produktens applikationer används inom områden där maskiner ska göras självgående och intuitiva, förutspående samt övervakning av det rådande läget.
I sin roll som CEO har respondenten ansvar för hela verksamheten, som inkluderar alla 22 anställda. CEO var med och grundade bolaget och har haft en central roll sedan dess. Med en teknisk bakgrund från telekombranschen har flera teknikskiften upplevts.
3.4.2 Flowscape Technology
Flowscape är ett mjukvaruföretag som grundades 2011. Flowscape utvecklar en IoTbaserad lösning för det moderna kontoret. Systemet ger genom Flowmap en digital överblick av kontoret som möjliggör funktioner som exempelvis rums och platsbokning, hitta mötesrum,
skrivbord, kontorsutrustning och kollegor. Flowscape erbjuder analysverktyg som låter företag analysera information från sensorer i Flowscape´s system och exempelvis analysera beläggning i mötesrum, arbetsplatser eller kontorsytor.
Respondenten har i sin roll som CTO tekniskt ansvar, vilket medför kunskap om den pågående teknikutvecklingen. CTO har en teknisk bakgrund som chef på flera svenska storbolag och har jobbat på Flowscape i drygt ett år.
3.4.3 Brightec Time
Brightec Time är ett produktföretag som utvecklar både mjukvara och hårdvara.
Bolaget utvecklar tidterminaler, som är integrerade med en rad applikationer som personalsystem (HRM) och resursplanering (WFM system). Idag har företaget även ett ben i fastighetsbranschen, där bolaget erbjuder en helhetslösning för boknings, lås och informationssystem.
Som VD på företaget har respondenten ansvar för de operationella, som inkluderar produktutveckling. Respondenten har en teknisk bakgrund från flera stora svenska IT
bolag och verkstadsbolag. Med tre år som VD för Brightec har respondenten god insyn i utvecklingsarbetet.
3.4.4 Knowit Experience
Knowit är ett svenskt itkonsultbolag med kompetens inom flera områden. Knowit Experience är ett bolag i koncernen som hjälper bolag att utveckla sina produkter. Företaget erbjuder kompetens inom bland annat UX och dataanalys. Bolaget riktar in sig mot både offentliga och privata företag.
Respondenten jobbar som konsult på Knowit som UXdesigner och har en rad uppdrag mot olika kunder. Respondenten jobbar mot både mindre och större bolag. I sin roll som UXdesigner har respondenten framförallt kunskap som innefattar kvalitativ inhämtning av användardata, men även tätt samarbete med analysfunktioner inom bolaget som främst analyserar kvantitativ data.
3.4.5 Mötesdetaljer
I tabell 1 presenteras mötesdetaljer för de genomförda intervjuerna med respektive företag.
Tabell 1: Mötesdetaljer
Företag Respondent Plats Intervjulängd Datum Ekkono Solutions CEO & Grundare Zoom 55 min 25/221
Flowscape Technology CTO Zoom 50 min 12/321
Brightec Time CEO Zoom 40 min 20/321
Knowit Experience UX designer Teams 60 min 24/321
3.5 Kvalitetsmått
Det är viktigt att vara medveten om att resultatet är begränsat då den kvalitativa studien utförs på en liten grupp. Endast fyra företag och lika många respondenter har intervjuats.
Studerade företag är relativt nystartade, men är pionjärer inom sina områden, med undantag för UXdesignern som dock varit konsult på flera mindre bolag. Deras relevans för ämnesområdet är tydligt, de befinner sig på samma väg mot att kunna analysera ökande mängd användardata för att förbättra produktutvecklingsprocesser. Ekkono strävar efter att tillhandahålla sina kunder verktyg för dataanalys så att de kan optimera sina processer och bli så bra som möjligt på det de håller på med. Flowscape´s ambition är att möjgliggöra en friktionsfri arbetsplats, där allt bara fungerar. Affärsmodellen bygger på att kunderna blir betydligt mer effektiva och sparar resurser på att använda Flowscape´s system, där dataanalys möjliggörs. Brightec utvecklar produkter och har en stor bas dagliga användare, där bolaget strävar efter att få ut mer insikter från användardata. Knowit Experience hjälper företag med produktutveckling där UXdesignern hjälper till att förstå användarna för att utvecklingen av produkter sker enligt deras behov. Respondenternas erfarenhet av produktutveckling och breda förståelse för teknikutveckling i kombination med att deras företag är produktutvecklingsorienterade bidrar till arbetets reabilitet och validitet.
4 Empiri
I följande avsnitt presenteras data som inhämtats från intervjuerna. Data är uppdelad per respektive företag samt per identifierade teman som belysts av företagen i intervjuerna.
4.1 Ekkono Solutions
Nedan presenteras insamlad data från intervju genomförd med Ekkono Solutions CEO.
4.1.1 Datainsamling
Respondenten lyfte att för att förbättra den utvecklade kodbasen samlar Ekonno in modellerna som körs ute på olika plattformar, istället för att direkt samla in kundernas data. Således fås all relevant användardata, men i en anonym form då det exempelvis är en representation av sensordata ute på en produkt som erhålls. För att kunna utveckla robust mjukvara är bolaget beroende av att produkten körs i olika miljöer för att utsättas för så många tänkbara scenarion som möjligt. Datainsamlingen är beroende av att ge en sanningsenlig bild av vad produkten utsatts för, därigenom är insamlingen av modellerna ett bra sätt för att förstå hur driften påverkat modellen. Respondenten poängterade även vikten av att öka sätten modellerna samlas in data på, vilket skulle leda till att modellerna återspeglar verkligheten ännu bättre.
4.1.2 Konsekvenser för beslutsfattande
Ekkono har valt att inte samla in och analysera sina kunders data, utan låta datan vara kvar i kundernas nätverk. De erbjuder verktyg som kan användas för att analysera data. Sedan är det upp till kunden att avgöra på vilken nivå åtgärden ska ligga, det vill säga vilken nivå på automationsgrad som tillämpas i beslutsfattande. Exempelvis innebär analysen av data att användarna optimerar processen med handpåläggning enligt resultat av långa sekvenser mätdata Ekkonos mjukvara analyserat, alternativt att mjukvaran är programmerad med maskininlärning och kan optimera processen automatiskt.
För att säkerställa att resultat från modellen är tillförlitliga jobbar företaget med att avgöra vilken noggrannhet modellen kan vara säker på. Modellen körs över längre sekvenser där ett
”probability span” görs för modellens noggrannhet. Allt eftersom modellen körs upptäcker den vad som händer i miljön och blir mer säker på vad som kan inträffa i framtiden. Därmed bör automationsgraden med fördel implementeras sekventiellt. Från att först indikera
prediktiva insikter för preventiva åtgärder till att slutligen uppnå den kognitiva nivån, där modellen lär sig och automatiskt optimerar plattformen.
4.1.3 Möjligheter
Respondenten lyfte fördelen med att flytta en modell istället för att skicka användardata mellan servrar och moln som leder till att stöldrisken minimeras. En möjlighet är alltså att implementera edge ML inom fler områden. Det leder enligt respondenten till att mer analys av relevant data görs på plats kopplat till den berörda processen. Mindre data behöver då skickas till ett moln för analys som kräver någon form av mänskligt handpåslag. Dessutom undviks att fler portar ut från lokala nätverk behöver öppnas för att underleverantörer av komponenter vill komma åt data för förbättringar av sina komponenter. Respondenten menade att de då kan få ut all relevant information om sin prestation från modeller som körts på plattformen.
Respondenten lyfte att den fysiska robotiseringen har tillämpats inom många områden och ersatt muskelkraft samt fysiska repetitiva arbeten. Det har enligt respondenten varit en bra utveckling då mängden förslitningsskador har minskat. Genom en kognitiv robotisering ersätts repetitiva tankejobb, vilket också är bra då det väntas leda till mer stimulerande arbeten, enligt respondenten.
4.1.4 Utmaningar
Enligt respondenten befinner sig utvecklingen av integrering av användardata i ett infantilt stadie, där det blir viktigare för företagsledare att införa mer datadrivna beslutsprocesser.
Mängden data ökar och för att begrunda beslut på data är det viktigt att förstå att data måste vara trovärdig. Enligt respondenten är en ”black box” inte lämplig att ta beslut ifrån och således är det en utmaning att veta hur tillförlitlig insamlad data är.
Omställningstiden lyfts fram av respondenten som en bromsande kraft. Respondenten framhävde att trots att tekniken är tillräckligt utvecklad, tar det tid innan produkter uppgraderas till uppkopplade varianter. För att modeller ska kunna tillämpas för att ligga till grund för beslut krävs det att tillräckligt kvalitativ input finns tillgänglig för att generera output. Enligt respondenten fås detta först då en modell kunnat köras under en längre sekvens med stora mängder inputkällor som beskriver miljön på ett sanningsenligt sätt.
”Omställningstiden är en utmaning, tekniken finns men det tar tid innan produkter byts ut till uppkopplade varianter.” CEO, Ekkono Solutions
Teknik som uppfattas som för svår leder till teknikresistens, enligt respondenten.
Respondenten framhävde att för att undvika användare som inte är mottagliga, måste utvecklingen ske steg för steg, där graden av exempelvis automation implementeras stegvis.
Vid en ökad automationsgrad lyfte respondenten dilemmat att en användares identitet inte ska kopplas till vad som händer i processen. Respondenten menade att den etiska aspekten måste poängteras och inte handla om ifall någon gör rätt eller fel. En användare ska känna att denne har integritet och inte utvärderas. Respondenten framhöll att denna utmaning väntas bli mer påtaglig allt eftersom företag lämnar det infantila stadiet och börjar implementera automatiserade processer för integrering av användardata.
4.2 Flowscape Technology
Detta avsnitt presenterar insamlad data från intervju med CTO på Flowscape.
4.2.1 Datainsamling
Respondenten beskrev att bolaget har ett brett erbjudande som innehåller en app för mobil och dator, mjukvara för Outlookintegration samt sensorer som mäter nyttjandegrader.
Respondenten lyfte att bolaget därigenom har tillgång till användardata från både sensorer samt hur användare interagerar med bolagets app. Enligt respondenten handlar bolagets datainsamling om att genom kunskap om användaren kunna stärka sitt erbjudande som motiverar kunderna att använda deras produkter och således skapa värde för kunderna.
4.2.2 Konsekvenser för beslutsfattande
Enligt respondenten är det viktiga vid produktutveckling att möta flera intressenters behov.
Respondenten uttryckte att för det första bör produkten vara tillräckligt bra för att en kund ska vara villig att betala för den snarare än att det är en fantastisk produkt i en kunds ögon men som inte ämnar vara villig att betala för den. Enligt respondenten handlar det om att möta olika intressenters viljor, där säljare vill skapa så häftiga produkter som möjligt som möter kundernas efterfrågan medans utvecklingsavdelning vill ha möjlighet att skapa robusta produkter som med små iterationer vidareutvecklas och de klarar av att utveckla.
Respondenten poängterar att användardata bör användas för att stärka produktutvecklingen i enlighet med vad användaren i slutändan ser som ett större värde och kunden därmed är villig att betala för.
”Kan låta högtravande, att vara kreativ i produktutvecklingen är snarare en konstform” CTO, Flowscape
Enligt respondenten är mjuka värden i produktutvecklingsprocessen viktigt, där itereringar mot kundens efterfrågan ger input som används i produktutvecklingen. I framtiden kommer dessa insikter enligt respondenten troligtvis fås genom automatiska itereringar mot kunden som inte märker av de små itereringarna, men produktutvecklingen jobbar vidare och har möjlighet att vidareutveckla produkten. Respondenten framhåller att det idag är svårt att kvantifiera de mjuka värdena genom data analys, varför produktutveckling handlar om kreativitet och itereringar för att uppfylla användares behov.
4.2.3 Möjligheter
Möjligheten att kapitalisera på användning av integrering av användardata lyftes av respondenten, men poängterades att det snarare gäller mindre förbättringar i utvecklingen än nya insikter som leder till större förändringar. Enligt respondenten kommer ökande data i framtiden komma att bli värdefull för produktutvecklingsprocesser, men även för strategier som medför förändrade erbjudanden.
4.2.4 Utmaningar
Den intervjuade lyfte dilemmat med ökande tillgång till användardata som medför att det är svårt att få ut rätt data och tolka den. Utan att ha definierat vilken typ av data som ska samlas in leder ökad datamängd snarare till ett hinder som kräver resurser och därmed försvinner den sökta effekten. Enligt respondenten är detta eftersom stora mängder data är tidskrävande att analysera. Respondenten lyfter även att det blir svårt att sålla ut relevant data och presentera den på rätt sätt. Det kan leda till att ingående parametrar som ett beslut ska grundas på blir för många och således blir det svårt att veta vad man ska göra med all data.
4.3 Brightec Time
Följande avsnitt presenterar insamlad data med CEO på Brightec Time.
4.3.1 Datainsamling
Vid insamling av data poängterade respondenten att det skiljer sig mellan olika typer av produkter och processer, idag finns det till exempel analysverktyg som mäter hur appar används. Med hjälp utav mätserier kan användares beteende studeras som exempelvis
hur lång tid som spenderas på olika sidor eller använder olika funktioner. I processer för utveckling kan driftdata insamlas som exempelvis kan visa under vilka förhållanden maskiner går sönder. Framförallt lyftes detta av respondenten som en fördel då belastningar som orsakar fel kan identifieras och förbättras i nya konstruktioner. Enligt respondenten är den data som de samla in huvudsakligen ifrån befintlig elektronik i maskiner samt med tilläggsverktyg för att analysera appanvändning.
4.3.2 Konsekvenser för beslutsfattande
När det kommer till mjukvaruutveckling blir det naturligt enligt respondenten att besluta om förbättringar när underlag i form av långa mätsekvenser finns som indikerar vad det är som brister och därmed vad som ska korrigeras för att fungera bättre i vidareutvecklingar.
Respondenten lyfter även att kvantitativ data är ett bekräftande underlag som påskyndar processen att bekräfta en iterering av en ny uppdatering av en produkt. Därigenom kan utvecklingen fortgå baserat på den senaste itereringen.
”Långa mätsekvenser är en förutsättning för att beslutsunderlag ska vara trovärdiga baserat på säkerställd data.” CEO, Brightec Time
Vid utveckling av processer handlar det enligt respondenten snarare om att ha en så hög drifttid som möjligt genom förebyggande underhåll. Med data och insikter om processer kan även åtgärder utföras av alla, där det inte ska ta olika lång tid att åtgärda ett fel. Därigenom är data ett effektivt verktyg för att bekräfta hur åtgärder genomförts och bekräfta att processer är robusta.
4.3.3 Möjligheter
Långa mätsekvenser av användardata lyftes fram av respondenten som en möjlighet i produktutveckling baserat på respondentens egna erfarenheter. Där problem och fel som stöts på av produktanvändningen under mätsekvenser kan identifieras och korrigeras i produktutvecklingen. Respondenten exemplifierade med mjukvaruutveckling som är beroende av testning och som kräver en bred testmiljö för att säkerställa att de tänkbara problem som kan inträffa har inträffat i vilken produktens mjukvara klarat av att hantera miljön.
I framtiden ser respondenten potential i automatiserad analys av data som en tideffektiv lösning. Det förutsätter enligt respondenten att datamängden som analyseras är definierad och har körts under lång tid för att datasekvensen ska vara pålitlig.
4.3.4 Utmaningar
Enligt respondenten kräver en produkt som utvecklas för att uppfattas som användarvänlig att produktutvecklaren har kunskap om användaren. En utmaning som respondenten ser är att ökad mängd användardata tenderar att leda till att det blir svårt att få ut relevant information om användningen. Det är även svårt enligt respondenten att genom mönster från tidigare användning veta hur användaren kommer svara på uppgraderingar av produkten.
4.4 Knowit Experience
Nedan presenteras insamlad data från intervju genomförd med UXdesigner på Knowit som arbetar som konsult.
4.4.1 Datainsamling
Respondenten förklarade att som UXdesigner samlas data kring användare in kontinuerligt överskridande projekt från digitala knytpunkter och återanvänds. Vid insamling av data är det enligt respondenten först och främst viktigt att definiera vilken typ av data som behöver samlas in.
”Effektiv analys av data kräver att den data som ska samlas in har definierats innan.” UX Designer, Knowit
UXdesignern jobbar främst med kvalitativ data, där en förhållningsregel gäller att den mängd användardata som behöver samlas in definieras i storleksordning av tidigare studier på kvalitativa studier. I tidigare metoder visar det sig enligt respondenten att kvalitativa studier skiljer sig från metod till metod. Användarbarhet av flöden kan räcka med att fem personer konfirmerar, medans exempelvis informationsstruktur och navigation kräver 30 till 60 personer enligt kortsortering eller trädtestning.
Respondenten förklarade att i bolagets produktutvecklingsprocesser ute hos kunder jobbar bolaget tvärfunktionellt via sin egen organisation. I organisationen finns datautvecklare som exempelvis hjälper UXdesignern att konfirmera användardata, men även leverera slutsatser på mönster i användardata som UXdesignern kan använda och konfirmera genom kvalitativa studier av användare.
4.4.2 Konsekvenser för beslutsfattande
Respondenten lyfter ett ”skräckexempel” för hur beslut tas kopplat till produktutveckling.
Det handlar om att det i bolag där respondenten varit del av ett projekt inte baserar beslut kring produktutvecklingen på användardata, utan istället har haft en ”workshop i ledningsrummet” eftersom de tror sig känna sina användare. Istället är det viktigt enligt respondenten att förstå att kvalitativa analyser av användare läser studien om användare mellan raderna och identifierar omedvetna användarbehov.
Respondenten lyfte att en begränsning för användning av användardata i produktutveck
lingsprocesser är att alla projekt som respondenten varit delaktig i har en budget och tidsram att förhålla sig till.
Respondenten lyfte att organisationsnivån, det vill säga den som initierar produktutveckling, föredrar kostnadseffektiva kvantitativa dataanalyser. Den intervjuade medgav att kvantitativ data är fördelaktigt att dra slutsatser ifrån, men att datamängden som ligger till grund sällan är statistiskt konfirmerad och således är kvalitativa datainsamling och analys en förutsättning för att konfirmera hypotetiska slutsatser.
4.4.3 Möjligheter
”Look back” lyftes som en möjlighet av respondenten för att effektivisera insamling av kvalitativ användardata, där höjd automationsgrad av dataanalys kan medföra effektiv analys av användares reaktioner vid användning av appar. Därigenom kan itereringsprocessen av nya produkter påskyndas enligt respondenten och snabbare leda till en förbättrad produkt som uppfyller marknadens behov.
Respondenten lyfte att utveckling av algoritmer kommer kunna bli ett effektivt verktyg för hur en användares uttryck av hur den upplever en produkt analyseras. Men det förutsätter enligt respondenten, enligt resonemang i tidigare avsnitt, att kvantitativ och kvalitativ analys sker tvärfunktionellt i närmare samarbete.
Respondenten lyfte även att det är viktigt att visualisera data på ett intuitivt sätt för att den ska kunna förstås enklare och slutsatser kunna dras. Det leder till bättre beslut enligt UX
designern.
4.4.4 Utmaningar
En utmaning idag är enligt den intervjuade att kvalitativa studier som tidigare i de flesta fall var fysiska numera sker digitalt. Detta har enligt respondenten varit en språngbräda till
mer effektiva kvalitativa analysmetoder. Respondenten lyfte ”optimal workshops” som en effektivisering av kvalitativ datainsamling, även ”look back” som är ett effektivt verktyg vid studie av användares reaktioner vid appanvändning. Där kan användarens beteende och reaktioner studeras och inte bara en rak skärmavspegling som i tidigare avsnitt nämndes.
En utmaning med detta som också lyftes var att omställningen till digitala studier medfört att viktiga insikter kring användarens hantering av produkten missas. Ett problem som borde tagit fem minuter att lösa tog i själva verket en kvart för användaren, men användarens svårigheter att komma fram till lösningen kan inte observeras på distans och således inte relevanta insikter fås.
Intervjurespondenten lyfter problemet med att datamängden har ökat till ohanterligt stora mängder och väntas fortsätta öka. Enligt respondenten medför det dilemmat att all data är svår att sålla i för att hitta det som är relevant. Det behöver enligt respondenten definieras tydligare vad som ska samlas in för att kvaliteten av det analyserade materialet ska hålla hög kvalitet. Dock lyfte också respondenten att om inte all data som finns tillgänglig samlas in, går komplexa dataanalyser förlorade.
Den största utmaningen enligt UXdesignern är att branschen inte är tillräckligt mogen för vad användardata innebär. Den är inte villig att lyssna på användarna, istället är Henry Fords klassiska citat frekvent återkommande som argument. Man nonchalerar användare och tror att de inte vet vad de vill ha, istället vill man i sann Henry Fordanda ge användarna vad de inte vet att de vill ha. Branschen måste istället förstå att den kvalitativa analysen av användardata innebär att användaren läses av mellan raderna.
”Kvaliteten i analyserade data kan höjas genom att kvantitativ och kvalitativ analys samverkar.” UX Designer, Knowit
5 Analys och Diskussion
I följande avsnitt presenteras det analyserade resultatet från empiriavsnittet. Vidare jämförs detta med litteraturstudien.
5.1 Utmaningar med integrering av stora mängder användardata
Nedan presenteras de utmaningar som identifierats utifrån empiri och litteraturen med grund i integrering av stora mängder användardata i produktutvecklingsprocessen.
5.1.1 Ökad mängd data och dess relevans
Idag samlas data in på olika sett av de studerade företagen. Av alla respondenter lyftes att data måste definieras innan insamling av data för att säkerställa relevansen. Utmaningar lyftes även kopplat till datarelevans, där respondenterna ser att datainsamling idag är överväldigande sett till resurskapacitet och därmed blir relevant data svår att sålla ut.
Respondenter från Flowscape, Brighttec Time och Knowit Experience lyfte fram dilemmat med den ökande mängden data som finns tillgänglig och att denna blir svår att navigera i. Dilemmat ligger främst i att det är svårt att få ut relevant data. Samtliga respondenter poängterade vikten av att i förhand bestämma vilken typ av data som ska samlas in istället för att samla in så mycket data som möjligt och försöka dra slutsatser utifrån det. Enligt Zheng m.fl. (2017) är dataintegrering en viktig faktor i samskapandet mellan användare och produktutvecklare, men hur relevant data samlas in och definieras fastställs inte. Därmed måste ett tydligt syfte sättas med att samla in stora mängder data och ha ett specifikt mål som ämnas åstadkommas. Respondenten på Flowscape lyfte i samband med detta fram att de ingående parametrarna blir så pass många att man inte vet vilka parametrar som beslut ska grundas på. Respondenten på Knowit Experience belyste dock även aspekten att om inte all data samlas in går potentiellt komplexa analyser och mönster förlorade.
Respondenten på Flowscape lyfte även fram att det finns svårigheter i att den data som samlas in är svår att tolka, även när den bearbetats. Respondenten ansåg att den ökade datamängden blir mer av ett hinder än en möjlighet då det kräver större resurser och därmed försvinner vinsten i stora mängder användardata. Även när man lyckats tolka informationen på ett bra sätt vet man inte hur man ska presentera och använda denna information för att skapa konkurrensfördelar. Respondenten på Birghttec Time lyfte även upp svårigheten med att utifrån tidigare mönster från användning veta hur användaren reagerar på nya uppdateringar och funktioner. Det är alltså ingen teknik som kan förutse framtiden vilket många inom marknaden verkar tro.
Den information som lyftes fram av respondenterna styrks även i aktuell forskning och beskrivs som att insamlad data är väldigt varierad, ostrukturerad och svårläst (Azeem m. fl.
2021). Analysen av denna varierade och ostrukturerade data behöver göras med hjälp av datorkraft eller mänsklig analys, men det finns brister i båda dessa (ibid.). Resultaten lyfter därtill vikten av att data måste definieras vid insamling för att bidra till effektiv analys som kompletterar forskningen. Martens och Martens (2001) framhåller att data måste vara definierad och sanningsenlig för att analys ska vara genomförbar. Detta överensstämmer med respondenternas syn.
5.1.2 Trovärdighet och svårigheter
Respondenten på Ekkono Solutions lyfte fram vikten av att data som beslut grundas på måste vara trovärdig och sanningsenlig. Detta är av betydande vikt då beslut annars kan grundas på felaktig basis. Processen för att insamlad data ska vara kvalitetssäkrad är av stor vikt, men något som många aktörer har svårt att säkerställa. Kaisler m.fl. (2013) lyfter att den definierade datan måste vara genomtänkt för att effektiva analyser ska kunna utföras.
Respondenten på Ekkono lyfte fram att de lyckats skapa sig en sanningsenlig bild genom att köra modeller i långa sekvenser med stora mängder datainput. Utöver det genomförs kontinuerliga kontroller av datainsamlande källor vid avvikelser för att ytterligare säkra kvalitativ data.
Samtliga respondenter lyfte fram aspekten av att tekniken för att behandla data på ett effektivt och nyttjande sätt är i ett tidigt skede och att vidare utveckling krävs för att det ska bli användbart till fullo. För att genomföra detta innebär det att det behövs ytterligare kompetens och innovation. Denna bild styrks ytterligare av litteratur där det lyfts att det saknas tillräcklig kompetens inom företag för att analysera och hantera användardata på ett effektivt sätt (Yang, Wei och Pu 2020). En av de aspekter där marknaden ligger efter är AI, vilket gör att företag blir mindre konkurrenskraftiga än i de fall där det bemästrats (ibid.).
5.1.3 Vikten av användare för beslutfattande
Samtliga respondenter framhöll vikten av att integrera användardata i produktutvecklings
processer, men såg också olika svårigheter med varför användardata inte utnyttjas på ett ef
fektivt sätt för produktutveckling. Respondenten från Flowscape förde fram resursbegräns
ning som en utmaning, där resurser inte kan utnyttjas och prioritera analys av användardata.
Följaktligen är det intressant att förstå varför mindre teknikbolag inte har möjlighet att pri
oritera integrering av användardata. Yang, Wei och Pu (2020) framhåller att kompetens är
den brist som håller tillbaka utvecklingen av dataanalys, men av respondenten på Flowscape handlar det om att resurstillgängligheten gör att utvecklingen inte kan prioriteras.
Båda respondenterna från Ekkono och Knowit poängterade att branschen inte är mogen att anamma omställningen till att integrera nya källor av användardata. CEO på Ekkono uttryckte att tekniken för automatisk analys av användardata är väl utvecklad, men att omställningstiden är lång innan företag väljer att byta ut produkter till uppkopplade varianter som medger stöd för automatiserad dataanalys. UXdesignern på Knowit påpekade att ledningen av företag som tillverkar produkter tar avstånd från användares perspektiv.
Således distanseras förståelse, vilket får till följd att produkten inte utformas på bästa sätt för användaren och företaget riskerar att missa kapitaliseringsmöjligheter. Istället framhävde UXdesignern att ledningen av bolag måste släppa ”entreprenörsandan” att veta bättre än användaren och istället erkänna insikter från användaren som värdefulla för produktutvecklingen.
Vidare framhöll UXdesignern att insamling av användardata bör beakta konkurrensen mellan kvalitativ och kvantitativ användardata som istället bör samverka för att skapa synergier. Genom samverkan förstås användaren på detta sätt bättre genom att de kvalitativas respektive kvantitativas mönster bekräftas av varandra och således styrker datainsamlingen för beslutsunderlag. Detta perspektiv kompletterar forskningen med insikter kring kvantitativ och kvalitativ analys som genom samverkan effektiviserar analysen av data. Detta är viktigt till litteraturen av Koca m.fl. (2010) som identifierat att fokus på stora mängder användardata missar den kvalitativa aspekten i informationsintaget.
5.2 Möjligheter med integrering av stora mängder användardata
Nedan presenteras de möjligheter som identifierats utifrån empiri och litteratur med grund i integrering av stora mängder användardata i produktutvecklingsprocessen.
5.2.1 Datorkraft och dess vinster
Samtliga respondenter framhöll möjligheter med teknikutvecklingen som medför ökande mängd användardata. De förespråkar att stora mängder användardata är en förutsättning för att kunna göra komplexa dataanalyser genom effektiva analyser. Kaisler m.fl. (2013) konstaterar detsamma, att data inte är användbar utan effektiv analys. Detta medför att utvecklingen är i sin linda och behöver implementeras i större utsträckning för att användardata ska få större påverkan.
Vidare lyfte respondenterna genomgående att effektivare användning av användardata
kommer leda till att itereringsprocesser påskyndas. Itereringsprocesser lyftes som viktiga i processen att förbättra produkter och snabbt få input till fortsatt arbete och eventuella feljusteringar. Ett alternativ är AI som lyfts av W.Baumung och V.Baumung (2020) som en lösning för tillämpning som innebär automatiserad produktutveckling med snabbare cykler.
Genomgående bland respondenterna lyftes att långa mätserier är en nyckel för att beslutsunderlag ska vara tillförlitliga. Detta menade respondenterna är en möjlighet då teknikutvecklingen medfört nya sätt att samla in data på och allteftersom data från nya källor samlas in, kan avvikelser utläsas och datan bli mer tillförlitlig. Vidare underströk respondenten på Ekkono liknelsen med robotiseringen av industrin och dagens automation av dataanalys. Robotiseringen har ersatt repetitiva fysiska arbeten och automation av dataanalys väntar sig respondenten kommer ersätta repetitiva kognitiva arbeten med mer stimulerande.
5.2.2 Mer omfattande beslutsunderlag
I framtiden ser respondenterna möjligheter med användning av ökad mängd användarda
ta som ett mer omfattande beslutsunderlag. CTO på Flowscape ser att produktutvecklings
processer kan förbättras samt nya strategier och utformningar av erbjudanden skapas, vil
ket leder till kapitaliseringsmöjligheter. UXdesignern på Knowit tillägger även att när sto
ra mängder användardata kan förstås enklare och mer intuitivt kan slutsatser dras enklare och beslutsunderlaget blir mer konkret. Dessa resonemang går i linje med litteraturen, där W. Baumung och V. Baumung (2020) understryker att maskininlärning har möjligheten att analysera och få fram relevant data som leder till tillförlitliga beslutsunderlag. Vidare är detta resultat viktigt att poängtera för mindre teknikbolag som har möjlighet att utvecklas bättre än sina konkurrenter som inte anammar integreringen av stora mängder användardata lika fort.
För att ett mer omfattande beslutsunderlag ska bli komplett krävs det att både det kvalitativa och kvantitativa perspektivet på analys av användardata knyts ihop. UXdesignern lyfte detta som en utmaning idag, men framhävde även att detta är en stor möjlighet som resulterar i att relevant data konfirmerar varandras analyser av insamlad användardata och således skapar ett konkret beslutsunderlag. Koca m.fl. (2010) lyfter just detta med exemplifiering av Kano
modellen, där argumentationen lyder att användares omedvetna behov är svåra att utläsa utan kvalitativ analys.
