Maskininlärning inom digital marknadsföring
En studie om hur maskininlärning hjälper eller stjälper
digitala marknadsföringsbyråer, och vilka faktorer som bör tas i beaktning vid användning av maskininlärning.
Av: Joshua Cardell & Maya Källström
Handledare: Lars Degerstedt
Södertörns högskola | Institutionen för naturvetenskap, miljö och teknik Kandidatuppsats 15 hp
Informatik | Höstterminen 2020 Programmet för Management med IT
Abstract
Title: Machine learning in digital marketing: A study of how machine learning can benefit or harm digital marketing agencies, and what factors should be taken into account when using machine learning.
Problem: Although AI tools have come to facilitate and influence digital marketing in several ways, there is a continuing need for research on how AI can alleviate marketing problems and how the use of AI tools for marketing purposes can be facilitated for digital marketing agencies.
Purpose: The purpose of the study is to demonstrate how and why machine learning can both benefit and harm digital marketing agencies, as well as what factors digital marketing agencies need to take into account if they intend to use machine learning in digital marketing.
Method: The study is based on a qualitative research strategy, with an inductive approach where six semi-structured interviews were conducted. Semi-structured interviews have been conducted to create flexibility in the individual being interviewed, and thus new insights and thoughts can arise. Thematic analysis has been used as an analysis method for the study, where the focus was aimed on identifying patterns and themes.
Conclusion: Machine learning can benefit digital marketing agencies in digital marketing by streamlining work procedures by processing data and information, freeing up time for employees and also gaining the opportunity to achieve competitive advantage. Machine learning can harm digital marketing agencies in digital marketing by excluding human participants in the work system, reducing trust in the organization and creating discomfort with active personalization if used unethically. Factors that should be taken into account by digital marketing agencies if they intend to use machine learning in digital marketing are, that digital marketing agencies can not replace human interaction, human integrity is important insofar as digital marketing agencies follow laws and regulations, the size of the business determines which priorities is made between using previous knowledge and new technology, organizations need to be transparent and AI must be used throughout the organization in order for the organization to benefit in the long term.
Keywords: Digital marketing, content, digital marketing agency, big data, machine learning, artificial intelligence, personalized marketing, work system
Sammanfattning
Titel: Maskininlärning inom digital marknadsföring: En studie om hur maskininlärning hjälper eller stjälper digitala marknadsföringsbyråer, och vilka faktorer som bör tas i beaktning vid användning av maskininlärning.
Problem: Trots att AI-verktyg har kommit att underlätta samt påverka den digitala marknadsföringen på flertalet olika sätt, så finns det ett fortsatt behov för forskning kring hur AI kan underlätta marknadsföringsproblem samt hur användningen av AI-verktyg i marknadsföringssyfte kan underlättas för digitala marknadsföringsbyråer.
Syfte: Studiens syfte är att påvisa hur och varför maskininlärning både hjälper och stjälper digitala marknadsföringsbyråer, samt vilka faktorer som digitala marknadsföringsbyråer behöver ta i beaktning om de avser att använda maskininlärning inom digital marknadsföring.
Metod: Studien utgår från en kvalitativ forskningsstrategi, med ett induktivt tillvägagångssätt där sex genomförda semistrukturerade intervjuer utförts. Semistrukturerade intervjuer har genomförts för att skapa flexibilitet hos individen som blir intervjuad, och således kan nya insikter och tankar uppstå. Tematisk analys har använts som analysmetod för studien, där fokus legat på att identifiera mönster och teman.
Slutsats: Maskininlärning hjälper digitala marknadsföringsbyråer inom digital marknadsföring med att effektivisera arbetsprocesser genom att bearbeta data och information, frigöra tid för anställda samt möjligheten att erhålla konkurrensfördelar.
Maskininlärning stjälper digitala marknadsföringsbyråer inom digital marknadsföring genom att exkludera mänskliga deltagare inom arbetssystemet, minska förtroende för organisationen samt skapa obehag vid aktiv personalisering om det används oetiskt. Faktorer som bör tas i beaktning av digitala marknadsföringsbyråer om de avser att använda maskininlärning inom digital marknadsföring är att digitala marknadsföringsbyråer inte kan ersätta mänsklig interaktion, mänsklig integritet är viktigt i det mån att digitala marknadsföringsbyråer efterföljer lagar och regler, storleken av verksamheten avgör vilka prioriteringar som görs mellan att nyttja tidigare kunskap och ny teknologi, organisationer behöver vara transparenta och AI måste nyttjas genomgående i organisationen för att organisationen ska gynnas på lång sikt.
Nyckelord: Digital marknadsföring, innehåll, digitala marknadsföringsbyråer, big data, maskininlärning, artificiell intelligens, personaliserad marknadsföring, arbetssystem
Begreppsdefinition
Digital marknadsföring:
Begreppet “digital marknadsföring” har kommit att utvecklas från den specifika definitionen kring marknadsföring av produkter eller tjänster via digitala kanaler, till ett paraplybegrepp som istället syftar på processen att använda digital teknik för att attrahera samt behålla kunder, skapa kundpreferenser, marknadsföra varumärken samt öka försäljning (Kannan & Li 2017, s. 23).
Innehåll/innehållsskapande:
Begreppen “Innehåll” och “innehållsskapande” kan beskrivas likt the innehåll som en organisation skapar för att nå fram till den tilltänkta målgruppen (Baines, Fill & Rosengren 2017, s. 441). Därtill kan begreppen kopplas till utvecklingen av sociala medier och förändringen av konusmentbeteende (ibid.). Idag kan kunder och konsumenter producera eget innehåll genom bloggar, webbsidor och exempelvis sociala medier. Allt detta för att nå ut med meddelanden, åsikter, diskussioner eller involvera sig. (ibid.)
Digitala marknadsföringsbyråer:
Digitala marknadsföringsbyråer i denna studie, syftar till företag som genom business-to-business, hanterar, sköter och konsulterar andra företags digitala marknadsföring.
Inom digitala marknadsföringsbyråer arbetar de flesta som konsulter åt andra företag.
Big data:
Begreppet “big data” beskrivs som extremt stora och komplexa dataset, som har karaktären av hög volym, variation och hastighet (Valacich & Schneider 2018, s. 42). All data som genereras av individer, sensorer och dylikt klassas som en del av big data (ibid.).
Maskininlärning:
Maskininlärning är en form av Artificiell Intelligens (AI) som tillåter ett system att lära sig utifrån data istället för explicit programmering (Hurwitz & Kirsch 2018, s. 4). Vidare lyfter Hurwitz och Kirsch (ibid.) att maskininlärning inte är en simpel process, utan nyttjar flertal variationer av algoritmer som iterativt lär sig av data för att förbättra, beskriva samt förutse utfall. Maskininlärning är således ett essentiellt verktyg för att skapa analytiska modeller (ibid.).
Personaliserad marknadsföring:
Begreppet personaliserad marknadsföring även kallad “One-to-one marketing” är när varje individ bearbetas utifrån den data som hen har genererat (Murti & Sarkar 2003, s. 1344). Den data som har genererats kan därefter nyttjas för att skapa marknadsföring som är speciellt anpassat efter individen, och är således ofta mer relevant för individen (Kumar, Rajan, Venkatesan & Lecinski 2019, s. 136).
Innehållsförteckning
1. Inledning 1
1.1 Bakgrund 1
1.2 Problemdiskussion 2
1.3 Syfte och frågeställning 3
1.4 Avgränsningar 3
1.5 Relaterad forskning 3
2. Teoretisk bakgrund 5
2.1 The Work System Theory 5
2.2 Framework for understanding the role of AI in personalized marketing 8
2.3 AI Ethics: Framework of building ethical AI 10
3. Metod 13
3.1 Kvalitativ forskningsstudie 13
3.2 Datainsamlingsmetod 15
3.3 Utformning av intervjuguide 15
3.4 Genomförande av intervju 16
3.5 Analysmetod 16
3.6 Metodkritik 16
4. Resultat 18
4.1 Tema 1: Processes and activities 18
4.2 Tema 2: Participants 18
4.3 Tema 3: Information 18
4.4 Tema 4: Technologies 19
4.5 Tema 5: Products/services 19
4.6 Tema 6: Customers 19
4.7 Tema 7: Environment 20
4.8 Tema 8: Infrastructure 20
4.9 Tema 9: Strategies 21
4.10 Tema 10: Choice criteria and Decision Making 21
4.11 Tema 11: Knowledge Organization and Management 22
4.12 Tema 12: What Does AI Offer to Firms? 23
4.13 Tema 13: Waves in Customer Information Processing 24 4.14 Tema 14: Branding and Customer Management in an AI-Driven Environment 24
4.15 Tema 15: Funktioner inom AI 25
4.16 Tema 16: Mänskliga faktorer 25
4.17 Tema 17: Social påverkan 26
5. Analys 27
5.1 The Work System Theory 27
5.2 Framework for understanding the role of AI in personalized marketing 30
5.3 AI Ethics: Framework for building ethical AI 34
6. Diskussion 37
7. Slutsatser 39
Källförteckning 41
Bilagor 43
1. Inledning
Följande avsnitt avser att presentera bakgrund till studiens ämne, problemdiskussion, syfte, frågeställning, studiens avgränsningar och relaterad forskning till studiens ämne. I följande avsnitt tydliggörs även de forskningsbehov som ligger till grund för studien. Därtill avser följande avsnitt att motivera val av ämne ur dels ett samhälleligt perspektiv, dels ur ett vetenskapligt perspektiv kopplat till Informatikområdet.
1.1 Bakgrund
Digitaliseringen, digital teknik och digital innovation förändrar sättet företag verkar på (Kannan & Li 2017, s. 24). Likt detta lyfter Nambisan, Lyytinen, Majchrzak och Song (2017, s. 223) hur nyttjandet av digital teknologi inom digital innovation radikalt har förändrat den struktur och karaktär som ter sig hos nya produkter och tjänster. Genom att 90 procent av världens data har blivit producerad de senaste två åren, samt mer än 26 miljarder smarta teknologiska enheter i omlopp, lever människan idag i en era av konstant oöverträffad teknologisk innovation (O´Brien et al. 2020, s. 2). Därtill anses digital marknadsföring hos organisationer och företag i dagens samhälle vara en vital del för att erhålla konkurrensfördelar samt för att överleva (Yasmin, Tasneem & Fatema 2015, s. 69; Ström &
Vendel 2015, s. 1). Digitala närvaron växer och det är således viktigt att organisationer vet hur de ska ta till vara på möjligheter och hantera de utmaningar som uppstår för att fortsätta utvecklas (Ström & Vendel 2015, s. 1).
Digitala kanaler har genererat nya kundbeteenden, och likaså har det påverkat konsumenternas köpprocess (Juaneda-Ayensa, Mosquera & Sierra Murillo 2016, s. 1). Från traditionell marknadsföring, där företagen tar den aktiva parten som identifierar behov, utvecklar erbjudanden och aktivt kommunicerar, och konsumenterna anses passiva inom köpprocessen, har nu konsumenterna istället en aktiv roll, där de inte längre är isolerade från andra konsumenter och deras upplevelser (Ström & Vendel 2015, s. 55). Idag krävs kundanpassade lösningar, där konsumenter själva tar del i utformning, produktion och upplevelser (ibid.). Med konsumenternas aktiva roll, ökad egenmakt och förhandlingsstyrka, ses numera en iterativ process, vilket innebär att konsumenterna idag när som helst i köpprocessen kan återgå till tidigare och olika stadier i köpprocessen (Ström & Vendel 2015, s. 23). Att ta tillvara på de ständigt föränderliga trenderna som uppkommer inom bland annat digital marknadsföring anses vara rätt attityd för att erhålla konkurrensfördelar, där organisationer och företag behöver vara digitalt redo och anpassa sig till dessa förändringar och agera därefter (Buchholz & Briggs 2020, s. 3). Ström och Vendel (2015, s. 32) lyfter att ny teknik inom digital marknadsföring kan bidra till att företagets verksamheter, processer och aktiviteter blir snabbare, effektivare och flexiblare. Därtill lyfter Ström och Vendel (2015, s. 33) hur rätt utnyttjande av digital marknadsföring, digitala kanaler och digitala tekniker kan öka företags innovationstakt, kundanpassning, värdeskapande för kund och organisation, kostnadseffektivitet, öka konkurrenskraft samt förbättra tillgängligheten till företagets produkter eller tjänster för konsumenterna. Genom att förutse kundernas framtida behov, kan relationen styrkas och köpprocessen underlättas (Todor 2016, s. 87).
Utmaningar som lyfts inom digital marknadsföring ur ett samhälleligt perspektiv belyser däremot svårigheten i att korrekt identifiera vad som kommer agera värdeskapande ur konsumenternas perspektiv (Rowley 2008, s. 532). Vidare lyfts utmaningar för organisationer och företag kring att extrahera relevant och användbar information av all den data som numera finns tillgänglig, och hur effektivisering kan genereras, trots det allt större behovet av
personaliserat innehåll på flera olika digitala kanaler (Kannan & Li 2017, ss. 35-40). Mogaji, Soetan och Kieu (2020, s. 2) menar vidare på att digitalisering även kommit att flyttas från periferin av marknadsföringsstrategi, till att spela en stor central del och genomsyra hela arbetet kring marknadsföringsstrategier, där digital teknologi kommer spela allt större roll för företag. Då digitaliseringen kommer fortsätta ha en aktiv roll inom marknadsföring framtidsmässigt, menar Mogaji, Soetan och Kieu (ibid.) på att digital teknologi som AI kommer bli allt vanligare. Detta beror på att AI både i hastighet samt i volym, överträffar människans förmåga att både bearbeta information samt fatta beslut. Därtill kommer Big data bli allt viktigare för organisationer och företag för att bättre förstå sig på hur kunder engageras, värdeskapande och strategier, där AI-verktyg som exempelvis maskininlärning kan nyttjas för att fatta välgrundade affärbeslut och systematiskt nyttja denna data (ibid.).
Visserligen lyfter Yoo, Henfridsson och Lyytinen (2010, s. 725) hur forskning ständigt pågår kring att påvisa de positiva effekterna av digital teknologi på företags strategier, strukturer och processer samt vikten av informationsteknik (IT) för företag i syfte att öka värdeskapandet och erhålla konkurrensfördelar. Nylén och Holmström (2015, s. 66) menar dock på att det även behövs vidareforskning som specifikt avser att underlätta hanteringen av digitala teknologi och digital innovation till olika branscher, såsom hur till exempel big data, AI, maskininlärning och Augmented Reality kan nyttjas i olika branscher. Där Miklosik, Kuchta, Evans & Zak (2019, s. 85708) specifikt lyfter att det krävs mer forskning kring hur marknadsföringsspecialister såsom digitala marknadsföringsbyråer påverkas av AI-verktyg som maskininlärning. Därtill lyfter Overgoor, Chica, Rand och Weishampelet (2019, s. 157) att det finns ett fortsatt behov för forskning kring hur digitala teknologier som AI kan underlätta marknadsföringsproblem. Detta för att det anses nödvändigt för organisationer idag och framtidsmässigt, att på något sätt använda sig av AI, för att ta till vara på framväxten av big data samt framstegen inom datorkraft (Haenlein & Kaplan 2019, s. 8). Yoo, Henfridsson och Lyytinen (2010, s. 734) menar till och med på att när företag och organisationer fortsätter förstå rollen av digital teknologi inom företag, kommer en ny spännande era uppkomma inom informationssystem-samhället.
1.2 Problemdiskussion
Användningen av AI-verktyg har kommit att underlätta samt påverka den digitala marknadsföringen på flertalet olika sätt (Overgoor et al. 2019, s. 157). Ett exempel på hur digital marknadsföring i samband med AI-verktyg och maskininlärning kan te sig är när en konsument är intresserad av en viss produkt som hen söker efter på Google (Ma & Sun 2020, ss. 481-482). Hens sökning efter produkten genererar i sin tur användardata som använts för att automatiskt skapa personaliserat innehåll, vilket hen exponeras för i olika sammanhang genom exempelvis Youtube-reklam eller annan annonsering som sker digitalt (ibid.). Detta bidrar således till ett ökat intresse för produkten hos konsumenten, som således fortsätter sin efterforskning och genererar ytterligare användardata (ibid.). Konsumenten blir därefter exponerad för ännu mer personaliserad marknadsföring, som även innehåller rabatter och dylikt, vilket bidrar samt påverkar till ett beslutsfattande hos konsumenten som väljer att köpa produkten (ibid.).
Trots att AI-verktyg har kommit att underlätta samt påverka den digitala marknadsföringen på flertalet olika sätt, så finns det ett fortsatt behov för forskning kring hur AI kan underlätta marknadsföringsproblem samt hur användningen av AI-verktyg i marknadsföringssyfte kan underlättas (Overgoor et al. 2019, s. 157). Likt detta poängteras det att mer forskning kring hur marknadsföringsspecialister såsom digitala marknadsföringsbyråer påverkas av
AI-verktyg som maskininlärning krävs (Miklosik et al. 2019, s. 85708). Det blir således av intresse att urskilja hur digitala marknadsföringsbyråer som specifik grupp påverkas av maskininlärning samt hur användningen av AI-verktyget maskininlärning kan underlättas.
1.3 Syfte och frågeställning
Studiens syfte är att påvisa hur och varför maskininlärning både hjälper och stjälper digitala marknadsföringsbyråer, samt vilka faktorer som digitala marknadsföringsbyråer behöver tas i beaktning om de avser att använda maskininlärning inom digital marknadsföring. Genom att intervjua anställda och ägare av olika digitala marknadsföringsbyråer, kan deras unika erfarenheter kopplat till verksamhetens storlek, yrkesroll och perspektiv inkluderas i studien.
Därtill genom att fokusera på digitala marknadsföringsbyråer kan likheter och olikheter urskiljas, såsom synen på digital innovation och digital teknologi, vilken kan ha påverkan på utformningen av faktorerna kopplat till maskininlärning. Kunskapsbidraget blir således ett sociotekniskt perspektiv på en specifik grupp (marknadsföringsbyråer) av organisationer inom marknadsföringsbranschen.
För att belysa syftet med studien ska följande frågeställningar besvaras:
● Hur och varför hjälper eller stjälper maskininlärning digitala marknadsföringsbyråer?
● Vilka faktorer behöver digitala marknadsföringsbyråer ta i beaktning om de avser att använda maskininlärning inom digital marknadsföring?
1.4 Avgränsningar
Faktorerna, kopplat till maskininlärning inom digital marknadsföring, som studien avser att identifiera samt undersöka är avgränsade till de element, variabler och faktorer som återfinns i den teoretiska bakgrunden.
1.5 Relaterad forskning
Följande avsnitt avser att påvisa relaterad forskning kopplat direkt till studiens undersökningsområde. I detta avsnitt presenteras vetenskapliga artiklar som handlar om specifikt maskininlärning i relation till digital marknadsföring.
1.5.1 Styrkor och svagheter med maskininlärning inom digital marknadsföring
Ma och Sun (2020) har utfört en studie på diverse maskininlärningsverktyg samt metoder som kan nyttjas i samband med utveckling av digital marknadsföring. Ma och Sun (2020, s.
482) lyfter att digital marknadsföring kommit att utvecklas till att vara alltmer komplex, personaliserad samt förekommande, och således ökar data som genereras i interaktionen mellan organisation och konsument (ibid.). För att ge en översiktlig lösning till huruvida organisationer kan nyttja maskininlärningsverktyg, ger Ma och Sun (2020, s. 483) en redogörelse över normalt förekommande maskininlärningsmetoder och traditionella marknadsföringsmetoder. Vidare syftar Ma och Suns (2020) studie till att identifiera styrkor och svagheter som förekommer inom både maskininlärning och traditionell marknadsföring.
Styrkor som lyfts med maskininlärning är dess förmåga att: hantera komplex data som är omöjligt för en mänsklig individ att analysera, bearbeta data i hybrid-format, skalbarhet och flexibilitet samt förmågan att förutse händelser eller anomalier (Ma & Sun 2020, ss.
487-488). Ma och Sun (2020, s. 488) lyfter att även om det finns flertal styrkor med maskininlärning, så finns det även svagheter. Svagheterna med maskininlärning är att det är
relativt outforskat kring huruvida maskininlärning kan individuellt anpassa sig efter en organisations konsumenter (Ma & Sun 2020, ss. 488-489). Därtill uppstår svårigheter i att hantera kausalitet och att korrekt tolka relationernas samband (ibid.).
Ma och Sun (2020, s. 494) menar dock på att det saknas en holistisk syn på forskning inom området, således kan forskningsagendan agera som en grundpelare för fortsatt forskning. Ma och Sun (2020, s. 502) poängterar, utifrån ett organisatoriskt perspektiv att de kommande decennierna kommer se maskininlärning som en central del i alla aspekter inom marknadsföring.
1.5.2 Maskininlärning inom digital marknadsföring för strategiskt beslutsfattande
I en studie utförd av Miklosik et al. (2019, s. 85705), undersöks huruvida maskininlärning i samband med digital marknadsföring kan stödja strategisk beslutsfattande. Miklosik et al.
(ibid.) lyfter att de senaste åren har det skett en omfattande utveckling av information- och kommunikationsteknologi, som således påverkat digitala marknadsföringsstrategier.
Utvecklingen har lett till en bred spridning av informationsteknologi i samhället, vilket bidrar till att big data genereras. Miklosik et al. (2019, s. 85706) använder ett tvärvetenskapligt angreppssätt för att kunna identifiera kopplingen mellan informationsteknologi, maskininlärning och marknadsföring, för att identifiera hur marknadsförare kan nyttja dessa verktyg.
Miklosik et al. (2019, s. 85707) lyfter att tillgången till big data som kan analyseras, möjliggör att maskininlärning kan nyttjas i beslutsfattande processer inom marknadsföring.
Dock syftar Miklosik et al. (ibid.) till att det kan uppstå både utmaningar och möjligheter när maskininlärning anammas i dessa processer. De möjligheter som Miklosik et al. (ibid.) har identifierat med maskininlärning är optimal prestanda, snabbare beslutsfattande, automatisering av förutsägbara variabler, reducera mänskliga faktorn, agera digital assistans samt utforska områden som inte en mänsklig individ har möjlighet att göra. Även fast det finns flertal möjligheter med maskininlärning, finns det också begränsande faktorer. Miklosik et al. (2019, s. 85708) har identifierat de begränsande faktorerna som kreativitet, moraliska och etiska principer, konsumentens behov för mänsklig interaktion, maskininlärnings behov av mänskligt lärande, att algoritmer inte alltid är exakta samt maskininlärning som ersätter mänskliga arbeten. Mikolosik et al. (ibid.) poängterar dock att de begränsande faktorerna inte nödvändigtvis behöver hämma utvecklingen av maskininlärningsverktyg.
Mikolosik et al. (2019, s. 85717) har framtagit ett generaliserat och översiktligt ramverk med variabler samt begränsande faktorer som ska kunna nyttjas av organisationer såsom marknadsföringsbyråer, medieföretag och annonsörer. Mikolosik et al. (ibid.) beskriver dock att om det saknas någon essentiell variabel från ramverket kommer det direkt påverka utvecklingen inom organisationen negativt. Därtill poängterar Mikolosik et al. (2019, s.
85708) även att det saknas forskning om hur specialister inom marknadsföring, såsom marknadsföringsbyråer, anammar maskininlärnings-drivna analytiska verktyg, vilket således innebär att det kan skilja sig samt finnas flera essentiella variabler.
2. Teoretisk bakgrund
Följande avsnitt avser att presentera den teoretiska bakgrunden som skall nyttjas i studien.
Den teoretiska bakgrunden utgår från de tre teorier: The Work System Theory (Alter 2013), Framework for understanding the role of AI in personalized marketing (Kumar et al. 2019) samt AI Ethics: Framework for building ethical AI (Siau & Wang 2020). De tre teorierna kommer att nyttjas i analysavsnittet genom att kopplas till resultatet.
The Work System Theory (Alter 2013) används inom studien för att erhålla större insikt för hur arbetssystemet kring digitala marknadsföringsbyråer ter sig, och således även kunna urskilja förbättringsmöjligheter eller vitala delar för digitala marknadsföringsbyråer. Genom att bilda sig en uppfattning kring arbetssystemet, och låta det synsättet ligga som grund för de två andra teorierna (Framework for understanding the role of AI in personalized marketing (Kumar et al. 2019) samt AI Ethics: Framework for building ethical AI (Siau & Wang 2020)), kan en erhålla bättre inblick för hur olika teoretiska delar i kombination med arbetssystemets olika delar påverkas och kopplas samman. Således kan informationshantering i kombination med AI, inom ett arbetssystem urskiljas, och den eventuella etiska påverkan AI kan ha på arbetssystemet.
2.1 The Work System Theory
Alter (2013, s. 79) har tagit fram ett ramverk innefattande de nio mest grundläggande elementen för att beskriva samt analysera arbetssystem, där ramverket beskriver arbetssystemets form, funktion samt miljö (Se figur 1). Alter (2008, s. 451) beskriver att arbetssystem innefattas av att mänskliga deltagare och/eller maskiner som utför processer och aktiviteter. Detta görs genom att nyttja information och teknologier för att producera produkter eller tjänster i förmån för sina interna eller externa kunder (ibid.). Alter (ibid.) beskriver vidare hur ett informationssystem kan identifieras som ett arbetssystem, där processerna och aktiviteterna syftar till att bearbeta, införskaffa, förmedla, lagra, hämta, manipulera och skapa en överblick över information. Ramverket syftar till att bidra till ökad förståelse kring arbetssystemens uppbyggnad och viktiga element (Alter 2013, s. 79). Således kan ramverket nyttjas inom studien för att erhålla större insikt för hur arbetssystemet kring digitala marknadsföringsbyråer ter sig, och således även kunna urskilja förbättringsmöjligheter eller vitala delar för digitala marknadsföringsbyråer. Ramverkets element benämnda som processes and activities, participants, information och technologies ses som helt internt inom arbetssystemet (ibid.). Elementen customers och products/services kan ses både internt och externt från arbetssystemet då customers ofta deltar, och products/services ofta skapas, i processes and activities och elementen environment, infrastructure och strategies ses som externa element även om de kan ha direkt påverkan på arbetssystemet (ibid.). Alter (ibid.) lyfter även hur pilarna visar på vilka specifika element som behöver vara i linje med varandra, och att detta bör tas i beaktning när en försöker identifiera arbetssystemet.
Figur 1 - Modell av arbetssystemet (Alter 2013)
2.1.1 Processes and activities
Alter (2013, s. 80) menar på att processes and activities sker i ett arbetssystem för att producera produkter eller tjänster till kunderna, där ett arbetssystem utan processes and activities inte är möjligt. Alter (ibid.) lyfter vidare hur vissa av arbetssystems processer möjligen inte kan definieras som just processer, då det möjligen inte finns ett definierat och sekventiellt flöde. Således inkluderas begreppet aktiviteter, för att även inkludera aktiviteter som är starkt beroende av en mänsklig bedömning och improvisation (ibid.). Processes and activities bör även enligt Alter (ibid.) identifieras utifrån hur arbetet faktiskt utförs, och inte ur en idealiserad uppfattning om hur arbetet bör utföras.
2.1.2 Participants
Participants innefattar personer som utför arbetet inom arbetssystemet, inkluderande både personer som använder sig av IT, samt personer som inte använder sig av IT (Alter 2013, s.
80). Alter (ibid.) lyfter att det är viktigt att inkludera både IT-användande och icke-IT-användande participants, för att motverka att viktiga källor till variation i resultatet utelämnas. Därtill lyfter Alter (ibid.) även att kunder ofta innefattas inom detta element, då de ofta deltar i processerna/aktiviteterna som sker inom arbetssystemet.
2.1.3 Information
Alter (2013, s. 80) lyfter att alla arbetssystem använder eller skapar information. I kontexten av en analys av ett arbetssystem benämns denna information som informationsentiteter, som enligt Alter (ibid.) används, skapas, fångas, överförs, lagras, hämtas, manipuleras, uppdateras, visas eller raderas. Typiska informationsentiteter benämns som ordrar, fakturor, garantier, resultaträkningar, bokningar, jobbeskrivningar och jobberbjudanden (ibid.). Alter (ibid.) lyfter vidare att särskiljning av data från information inte är viktigt för att förstå ett arbetssystems uppbyggnad, eftersom att det som tas i beaktning är sådant som skapas,
används eller bearbetas av arbetssystemet. Informationen som identifieras inom ett arbetssystem innefattas även av både datoriserad och icke-datoriserad information, såsom innehåll i konversationer och verbala överenskommelser som insamlas av participants medan de utför sitt arbete (Alter 2013, s. 80).
2.1.4 Technologies
Technologies inkluderar verktyg som dels nyttjas och används av participants, men även automatiserade agenter såsom hårdvaru- / mjukvarukonfigurationer som utför helt automatiserade aktiviteter (Alter 2013, s. 80). Alter (ibid.) lyfter även att nästan alla arbetssystem idag är beroende av technologies för att fungera, och likaså är det viktigt att identifiera technologies utifrån verktyg samt automatiserade agenter.
2.1.5 Products/services
Alter (2013, s. 80) menar på att arbetssystem existerar i syfte att producera saker till sina kunder, där ignorans av arbetssystemet products/services är att likställa med att ignorera arbetssystemets effektivitet. Products/services menar Alter (ibid.) kan vara information, fysiska saker och/eller handlingar som produceras inom ett arbetssystem, och görs i förmån samt användning av sina kunder.
2.1.6 Customers
Alter (2013, s. 81) menar på att i och med att arbetssystem existerar i syfte att producera products/services för deras kunder behöver analyser av arbetssystem innefatta costumers som eget element. En analys av ett arbetssystem bör således identifiera vilka kunderna är, vad de efterfrågar samt hur de använder det som arbetssystemet producerar (ibid.). Customers innefattas av både interna och externa kunder, där externa kunder i ett arbetssystem är företagens kunder, och interna kunder är kunder som är anställda av företaget, exempelvis konsulter eller kunder som utför lönearbete (ibid.).
2.1.7 Environment
Alter (2013, s. 81) lyfter att environment innefattar alla de relevanta organisatoriska, kulturella, konkurrenskraftiga, teknologiska, reglerande samt demografiska aspekterna av miljön som arbetssystemet befinner sig inom. Organisatoriska aspekter bör identifieras för att kunna urskilja den operativa produktiviteten och effektiviteten i ett arbetssystem, vilka enligt Alter (ibid.) innefattar bland annat intressenter, policyer, organisationens historia samt politiska aspekter. Alter (ibid.) lyfter därtill vikten av att identifiera ett arbetssystems environment, då vissa aspekter kan ha direkt eller indirekt påverkan på resultat, ambitioner, mål samt förändringskrav.
2.1.8 Infrastructure
Infrastructure menar Alter (2013, s. 81) inkluderas av relevanta resurser inom mänskliga, informations-, samt tekniska aspekter, där dessa resurser nyttjas inom arbetssystemet, men hanteras utanför det samt delas med andra arbetssystem. Alter (ibid.) menar vidare på att identifiering bör göras ur en organisatorisk synvinkel, vilket kan innefatta mänsklig infrastruktur, informationsinfrastruktur samt teknisk infrastruktur, vilka alla kan spela en avgörande roll för arbetsystemets verksamhet.
2.1.9 Strategies
Alter (2013, s. 81) lyfter slutligen att strategies bör identifieras i ett arbetssystem. Strategies innefattas i allmänhet av tre nivåer som bör vara i linje med varandra (ibid.). Dessa tre nivåer
är företagsstrategi, avdelningsstrategi och arbetssystemstrategi, där arbetssystemstrategierna bör stödja företags- och avdelningsstrategierna (Alter 2013, s. 81). Dock förekommer det även att strategierna inte alltid ligger i linje med verkligheten, eller intressenters tro och/eller förståelse (ibid.).
2.2 Framework for understanding the role of AI in personalized marketing
Med digitaliseringen och teknologisk utveckling har informationshantering kommit att bli allt viktigare för organisationer för att förbli konkurrenskraftiga (Kumar et al. 2019, ss. 150-151).
Likaså har möjligheten till att bearbeta, införskaffa, förmedla, lagra, hämta, manipulera och skapa en överblick över ostrukturerad data och information uppstått, där detta kan underlättas med hjälp av ny teknologi som AI (ibid.). Kumar et al. (2019, s. 139) har således skapat ett ramverk för att ge en djupare förståelse kring hur AI påverkar digital marknadsföring positivt eller negativt, och lyfter att påverkan av en AI-driven miljö kommer resultera i ett skifte av fokus.
Det traditionella fokuset syftar till att skapa möjligheter för organisationen, medans i en AI-driven miljö kommer fokuset syfta till att manifestera personalisering, genom AI-verktyg som bearbetar och hanterar big data (ibid.). Ramverket har således kommit att består av fem delmoment som tillsammans skapar en helhet för alla aspekter och variabler som kan tänkas uppstå vid implementation av AI i marknadsföringssyfte (Se figur 2)(ibid.).
Figur 2 - AI-verktygs påverkan på digital marknadsföring. (Kumar et al. 2019)
2.2.1 Choice criteria and Decision Making
En konsument ställs nästan alltid inför multipla val när hen utsätts för marknadsföring, vilket således leder till en beslutsprocess för individen (Kumar et al. 2019, s. 140). När individen ställs inför dilemmat av vad hen skall köpa vänder sig hen till informationssökning för att dels underlätta beslutsprocessen, och även skapa ett förtroende till beslutet (ibid.). Om beslutet är svårt att fatta kan processen antas vara negativ, vilket kan leda till en missnöjd kund. Kumar et al (ibid.) lyfter att en AI-driven miljö, där personalisering är i grunden, kan förhindra eller förenkla beslutsprocessen för individen, således bör marknadsförare ta i beaktning hur individens beslutsfattande påverkas av marknadsföringen.
2.2.2 Knowledge Organization and Management
Enligt Kumar et al. (2019, s. 141) ackumulerar organisationer ständigt kunskap samt återanvänder tidigare kunskap. Dock hävdar Kumar et al. (ibid.) att det svåra med kunskap är att veta när det bör användas. Detta betyder således att det är essentiellt att organisationen har gynnsam förvaltning av kunskap, eftersom det kan vara mer värdeskapande för organisationen i sin helhet att nyttja tidigare kunskap, än att nyttja ett nytt teknologiskt verktyg (ibid.).
2.2.3 What Does AI Offer to Firms?
AI-lösningar har flertalet fördelar samt parametrar som avgör om en organisation är redo för AI. Dessa fördelar samt parametrar bör tas i beaktning av en marknadsföringsorganisation som vill ta del av AI (Kumar et al. 2019, s. 141). AI medför flera gynnsamma fördelar, som även ligger i linje med processer som utgör grunden för marknadsföring:
● Första fördelen är att AI kan kombinera variabler som ökad omsättning med reducerade kostnader, vilket är något alla organisationer strävar efter. Genom att effektivisera arbetsprocesser kan generella kostnader reduceras (ibid.).
● Andra fördelen med AI är möjligheten att kurera information på en omfattande skala.
Detta sker genom att flertal servrar är att uppkopplade samtidigt och kan öka hastighet och prestanda, utan att de negativt påverkar exaktheten av informationen (ibid.).
● Tredje fördelen med AI är att vissa arbetsuppgifter kan utföras av en automatiserad AI, vilket således bidrar till att arbetarna kan nyttja sin tid till mer kreativa arbetsuppgifter (ibid.).
Kumar et al. (2019, s. 142) poängterar dock att organisationer måste ha en tydlig inblick genomgående i sin verksamhet, för att således kunna avgöra om ett AI-verktyg är en komponent som de kan nyttja. Att avgöra denna aspekt är essentiellt för organisationen, både utifrån ett strategisk perspektiv, men också ett långsiktigt perspektiv (ibid.). För att avgöra om en organisation är redo för AI, har Kumar et al. (ibid.) identifierat parametrar som bör undersökas innan en organisation gör sitt val:
● Första parametern grundas utifrån att organisationen har en digital mognad, där organisationens fundamentala ekosystem och beslutsfattande redan grundas utifrån data (Kumar et al. 2019, s. 142).
● Andra parametern är att initiativet till att nyttja AI linjerar med organisationens målsättning, vilket betyder att AI bör nyttjas genomgående och omfatta alla delar av organisationen (ibid.).
● Tredje parametern handlar om riktlinjer av vilka arbetsprocesser som bör ersättas av AI (ibid.).
● Fjärde parametern utgår från att organisationen tydligt redogör för vilka arbeten som ersättas och således skapar nya arbetsprocesser (Kumar et al. 2019, s. 142).
● Femte parametern lyfter Kumar et al (ibid.) utifrån ett etisk perspektiv, där organisationen måste förstå hur data hanteras samt vad som är tillåtet och inte.
2.2.4 Waves in Customer Information Processing
Kumar et al. (2019, s. 141) lyfter att konsumenter har genomgått tre distinkta vågor av hur de har bearbetat information utifrån ett marknadsföringssyfte. Första vågen av information grundas utifrån rekommendationer från en pålitlig tredjepart (ibid.). Andra vågen av informationsbearbetning grundas utifrån mobilitet- och interneteran, vilket bidrog till att konsumenten själv hade möjlighet att uppfatta en produkt genom att eftersöka information (ibid.). Tredje vågen och den som Kumar et al. (ibid) menar är synonym med en AI-driven miljö, grundas utifrån en snävt perspektiv genom personalisering. Personalisering bidrar till innehåll och erbjudanden som grundas utifrån konsumentens data, och således blir direkt mer attraktivt för konsumenten (ibid.).
2.2.5 Branding and Customer Management in an AI-Driven Environment Kumar et al. (2019, s. 144) beskriver att en AI-driven miljö kommer påverka hur en organisation arbetar med sitt varumärke samt konsumenter både kortsiktigt och långsiktigt.
Utifrån det kortsiktiga perspektiv kommer AI stödja taktiska lösningar i de allmän arbetsprocesserna som organisationen har. Därtill kommer AI stödja utvecklingen av organisationens varumärke, samt arbeta för att stärka en organisations varumärke (ibid.). Den långsiktiga påverkan kommer vara mer utpräglad och djupgående i mer än enbart de tekniska lösningarna som de kortsiktiga perspektivet innehar. För att nå det långsiktiga påverkan behöver tre kritiska punkter tas i beaktning enligt Kumar et al. (2019, ss. 145-146):
● Att stärka organisationens konsmentförvärv grundas utifrån att det kan finnas svårigheter att generera nya konsumenter, då stora organisationer har mycket kontroll över konsumentinformation. För att arbeta med konsumentförvärv på ett gynnsamt sätt, menar Kumar et al (ibid.) att marknadsföringen måste arbeta med att stärka relationen till konsumenten, även om AI-verktyg nyttjas.
● Kumar et al. (2019, s. 145) lyfter att mänsklig kontakt är essentiellt för att stärka konsumentlojalitet, således måste organisationen nyttja AI-verktygen så att konsumenten får en känsla av att det är en mänsklig individ som representerar organisationen.
● För att kunna stärka konsumenttillväxt måste organisationen nyttja AI-verktyget i analyserande syfte (Kumar et al. 2019, s. 146). Kumar et al. (ibid.) menar att mer information, möjliggör analysen av konsumenter och således förståelse för konsumentbeetende. En organisation som arbetar aktivt med konsumenthantering kan nyttja det som grundpelare i deras marknadsföringsstrategi (Kumar et al. 2019, s.
145).
2.3 AI Ethics: Framework of building ethical AI
Med utvecklingen av AI har etiska och moraliska utmaningar som är förknippade med AI uppstått (Siau & Wang 2020, s. 74). Det handlar bland annat om människors moraliska beteenden när de designar och konstruerar, men även använder sig av och interagerar med AI-agenter såsom exempelvis maskininlärning (Siau & Wang 2020, s. 79). Siau och Wang (ibid.) lyfter således att etik inom AI bör tas i beaktning, för att urskilja vad för effekt det får på mänskligheten ur ett samhälleligt perspektiv (ibid.).
Siau och Wang (2020, s. 83) har skapat ett ramverk där de identifierat etiska faktorer som bör tas i beaktning för att urskilja etisk AI. Exempelvis menar Siau och Wang (2020, s. 77) att utvecklingen av teknologi som kan bearbeta big data, kan störa den mänskliga integriteten och datasäkerheten, där maskininlärning kan syntetisera data och uppskatta personliga egenskaper, baserat på platsinformation. Således menar Siau och Wang (2020, s. 83) att faktorer i ramverket bör användas som ramar och principer för att säkerställa att etisk AI utvecklas. Siau och Wang (2020, s. 79) lyfter att de etiska problemen kan delas in i tre kategorier: Funktioner inom AI, mänskliga faktorer samt social påverkan. De tre kategorierna tillsammans utgör ramverket där de etiska faktorerna kan observeras samt anammas för att utveckla etisk AI (se figur 3) (Siau & Wang 2020, s. 82).
Figur 3: Etiska faktorer inom AI (Siau & Wang 2020)
2.3.1 Funktioner inom AI
Siau och Wang (2020, ss. 79-81) lyfter tre variabler som ger upphov till etisk problematik:
transparens, datasäkerhet och integritet samt självständighet, avsikt och ansvar. Siau och Wang (2020, s. 79) lyfter att maskininlärning är ett extraordinärt verktyg som kan nyttjas inom marknadsföring. Dock är det svårt att förklara hur algoritmerna inom maskininlärning ter sig, och således är det svårt att uppfatta maskininlärning som transparens (ibid.). Siau och Wang (ibid.) menar att avsaknad av transparens leder till informationsasymmetri mellan experter och reguljära yrkesverksamma. Detta leder således till att förtroendet för maskininlärning hämmas, vilket är en negativ aspekt, då förtroende är essentiellt för acceptans (ibid.). Siau och Wang (2020, s. 80) lyfter vidare att AI förlitar sig på omfattande mängder data, både personlig data samt privat data, för att kunna fungera ordentligt. Detta betyder således att det är essentiellt för organisationer att behandla data utifrån strikta regler samt riktlinjer, för att således kunna förhindra illvilligt användande. För att kunna stärka säkerheten relaterat till data, så bör organisationer tydligt klargöra vem som ansvarar samt vem som har tillgång till data (ibid.). Siau och Wang (2020, s. 81) lyfter slutligen att det finns tre kriterier som ett AI-verktyg måste uppnå för att kunna anses vara moraliskt grundad:
● AI-verktyget måste vara självstyrande, vilket betyder att den enbart styrs av sig själv och inte ett annat AI-verktyg (ibid.).
● AI-verktyget måste agera avsiktligt, genom moraliskt korrekta samt förmånliga handlingar (Siau & Wang 2020, s. 81)
● AI-verktyget måste agera ansvarsfullt med dess antagna uppgifter (ibid.).
2.3.2 Mänskliga faktorer
Siau och Wang (2020, s. 81) lyfter att mänskliga faktorer också ger upphov till etiska problem, vilket grundas utifrån att AI-verktyg nyttjar data som har skapats av en mänsklig individ. Detta bidrar till att all data samt dataset har en mänsklig partiskhet, som kommer ligga i grunden till verkliga applikationer av AI (ibid.). För att motverka detta menar Siau och Wang (ibid.) att det är kritiska att redan idag träna AI utan mänsklig partiskhet, annars kommer problemet öka exponentiellt (ibid.). Ytterligare ett problem som föreligger med användande av AI är, vem som blir ansvarig om AI-verktyget misslyckas med att slutföra sin arbetsuppgift. Siau och Wang (ibid.) lyfter att det inte är kartlagt vem som blir ansvarig, och således kan alla involverade beskylla varandra. Att formulera etiska principer är enkelt utifrån ett teoretisk perspektiv, men är betydligt svårare i verkligheten (ibid.). Detta leder till dilemmat, hur AI-algoritmer skall kunna tränas opartiskt från mänskliga inslag, men samtidigt tränas av den mänskliga individen. Siau och Wang (ibid.) lyfter att en del av problematiken är informationsasymmetrin mellan AI-utvecklare och skaparna av etiska standarder. För att lösa en del av problematiken, bör forskare och utvecklare inom AI försöka att arbeta och förstå de existerande etiska standarderna (ibid.). En viktig aspekt med utvecklingen av AI är även att förstå grundläggande människorättslagar. Om AI-utvecklarna inte förstår vilka lagar och regler som finns, kan det hända att de bryter eller gör intrång mot den mänskliga integriteten (Siau & Wang 2020, ss. 81-82).
2.3.3 Social påverkan
Enligt Siau och Wang (2020, s. 82) pågår just nu en debatt om AI-verktygens sociala påverkan och de etiska dilemman som medföljer. Det går inte att konkret uttala sig om AI kommer att eliminera arbeten eller skapa nya arbeten. Siau och Wang (ibid.) poängterar dock att oavsett utfallet så tillkommer problematiken med hur AI och människan skall samarbeta utan störningar. Den ursprungliga avsikten med AI och teknologisk utveckling är att assistera och förbättra för människan, men bör utvecklingen fortsätta om AI till slut kommer ersätta mänskliga arbeten (ibid.)? Ytterligare ett etiskt dilemma som uppstår med AI är dess tillgänglighet. Som nämnt ovan är AI-verktygens grundläggande avsikt att assistera människan, men med digitala klyftor och dylikt kan det vara svårt för delar av populationen att nyttja nya tekniker (ibid.). Om tillgängligheten av AI är sämre hos äldre än nyare generationer, kan de då anses som etisk att fortsätta utvecklingen? Siau och Wang (ibid.) lyfter att utvecklingen av diverse AI-verktyg bör ha i åtanke att alla mänskliga individer skall kunna nyttja det likgiltigt, för att uppnå de etiska standarderna. Om resultatet av en oetisk AI nyttjas i ett samhällsviktigt mål och det sedan uppdagas att ursprunget är från ett oetiskt perspektiv, kan samhällsförtroendet för AI-teknologi minska. Detta betyder således att de etiska principer måste grundas med hänsyn till demokrati samt medborgarrättsliga aspekter (ibid.).
3. Metod
Följande avsnitt presenterar studiens metod, och syftar till att påvisa hur studien har utförts både praktiskt och teoretiskt och således hur detta påverkat och gör sig synligt i studien.
Metodavsnittet lyfter därtill en metodkritik som avser att kritisera den valda metoden som studien utförts med, där eventuell bättringsförslag på metod kan ges om studien skall återskapas.
3.1 Kvalitativ forskningsstudie
Följande studie utgår från en kvalitativ forskningsstrategi med semistrukturerade intervjuer.
Likt Yin (2013, s. 81) lyfter att åtta olika val kan användas för att försäkra kvalitativa studiers validitet och säkerställa att insamlad data är relevant till ämnet som ska studeras, likt har dessa åtta val tagits i beaktning vid metodbeskrivningen av studien. Yin (2013, s. 82) lyfter dock att alla dessa val inte måste göras, då kvalitativ forskning inte har en uppsättning fasta upplägg, och likt så får forskaren själv välja ut relevanta val. Nedan följer de val som gjorts utifrån de åtta olika valen, med fokus på relevansen för studien.
3.1.1 Åtgärder för att stärka studiens validitet (Val 2)
Yin (2013, ss. 83-84) lyfter sju strategier för att minska risken för bristande validitet inom kvalitativ forskning, där målet bör ligga i att anamma så många av dessa strategier som möjligt för att stärka studiens validitet. Av dessa sju strategier, har fem anammats (Se tabell 1).
Tabell 1 - Strategier för att stärka studiens validitet.
Strategi: Beskrivning: Hur strategin har anammats i
studien:
“Rika” data Yin (2013, s. 84) menar på att insamlad data bör vara detaljerade och varierande, för att täcka intervjuerna och observationerna på fältet.
“Rika” data har uppnåtts genom att respondenterna av studien deltagit i cirka 26-39 minuters långa intervjuer. Respondenterna omfattas av olika yrkesroller, digitala marknadsföringsbyråer, samt att organisationerna skiljer sig till storlek.
Validering från respondenterna Yin (2013, s. 84) menar på att återkoppling från respondenterna är viktig. Detta görs för att reducera eventuella feltolkningar samt felaktig representation av respondenterna (ibid.).
Transkriberade intervjuer delges med intervjuade respondenter, där de har möjlighet att poängtera om eventuella feltolkningar samt felaktig representation har uppstått.
Konkurrerande förklaringar Konkurrerande förklaringar innebär att forskaren i en studie med avsikt söker efter konkurrerande svar (Yin 2013, s.
85). Forskaren bör se på studiens alla steg med skepsis, oavsett om det handlar om egna åsikter, egna tolkningar, datainsamlingen eller teorier (Yin 2013, ss. 85-86).
Att se på studiens alla steg med skepsism, har legat som grund för studien. Detta för att alternativa idéer och andra synsätt inte ska förkastas. Vidare har
“konkurrerande förklaringar”
eftersöks för att hitta samband eller icke-samband, samt för att undvika att forskarna av studien
fastnar i sina egna förutfattade meningar och åsikter kring ämnet.
Triangulering Yin (2013, s. 86) lyfter att principen triangulering grundar sig i ett förhållande mellan tre referenspunkter för att beräkna föremålets exakta position. Detta görs genom att söka efter tre referenspunkter som kan verifiera eller styrka ett viss faktum (ibid.).
Behovet av triangulering minskas dock enligt Yin (2013, s. 87) när en till exempel omedelbart fångar eller dokumenterar datan, likt ljudupptagning av en intervju.
Studien har använt sig av flertalet olika källor för att styrka samband och icke-samband.
Vidare minskar även behovet av triangulering om en till exempel kan genomföra ljudupptagning av en intervju (Yin 2013, s. 87), vilket har gjorts på samtliga intervjuer. Samtliga intervjuer har spelats in med respondenternas godkännande.
Jämförelse Yin (2013, s. 84) menar på att bristande validitet kan minska genom att jämföra resultat från olika miljöer, grupper och händelser.
Jämförelse har gjorts mellan olika marknadsföringsbyråer, där respondenternas svar har ställt mot varandra, samt mot teorierna.
3.1.2 Göra urval (Val 4)
Studiens urval av respondenter har gjorts utifrån ett avsiktligt urval. Yin (2013, s. 93) lyfter att ett avsiktligt urval görs utifrån målsättningen eller syftet att välja specifika datainsamlingsenheter/respondenter som kan generera den talrikaste datan i relation till ämnets relevans. Respondenterna som valt för följande uppsats är personer anställda eller ägande av digitala marknadsföringsbyråer i Sverige. Dessa olika personer med olika yrkesroller, men där alla har den gemensamma nämnaren digitala marknadsföringsbyråer, kan således generera unika erfarenheter kopplat till verksamhetens storlek, yrkesroll och perspektiv inkluderas i studien. Därtill genom att fokusera på digitala marknadsföringsbyråer kan likheter och olikheter urskiljas, såsom synen på digital innovation och digital teknologi, vilken kan ha påverkan på utformningen av faktorerna kopplat till maskininlärning.
Respondenterna kontaktades via respektives jobb, där respondenterna blev tillfrågade att ställa upp som respondent till studien. Studiens respondenter består av sex stycken yrkesverksamma inom digital marknadsföring. Bryman och Bell (2013, s. 145) lyfter vikten av anonymitet av respondenterna, där deltagarnas identiteter, vem som sagt vad och organisationens identitet ska behandlas på ett konfidentiellt sätt, för att skydda deltagarna och organisationen för skada. Studiens respondenter samt organisationer har därför i denna studie valts att hålla anonyma, men i tabell 2 kan en ta del av respondenternas referens, yrkesroll, antal anställda inom organisationen samt intervjulängd, vilket inte behöver behandlas på ett konfidentiellt sätt.
Tabell 2 - Respondenterna av studien.
Referens Yrkesroll Antal anställda
inom
organisationen
Intervjulängd
Respondent 1 Projektledare &
delägare 120+ st 34:24 minuter
Respondent 2 VD 6 st 37:41 minuter
Respondent 3 VD 6 st 32:15 minuter
Respondent 4 Konsult &
föreläsare
14 st 38:23 minuter
Respondent 5 Konsult &
projektledare
50 st 30:25 minuter
Respondent 6 Konsult 30 st 26:59 minuter
3.1.3 Införliva begrepp och teorier i en studie (Val 5)
Studien tillämpar ett induktivt tillvägagångssätt. Yin (2013, s. 97) lyfter att det induktiva tillvägagångssättet tenderar att låta data leda till begrepp. Inom kvalitativ forskning är även det induktiva tillvägagångssättet det mest vanliga tillvägagångssättet (ibid.).
3.1.4 Planera feedback (Val 6)
Yin (2013, s. 99) lyfter att om en genomför en kvalitativ forskning bör en vilja dela med sig av studiens rön eller data till de man samarbetat och/eller intervjuat, detta för att få feedback från dessa personer. Studien avsikt gällande att planera feedback, är att både delge transkriberingar samt sammanställd avslutad studie till vardera respondent som deltagit.
Respondenterna har även blivit informerade om möjligheten att ta del av sin intervjutranskribering samt sammanställd avslutad studie vid respektive intervjutillfälle.
3.2 Datainsamlingsmetod
Datainsamlingsmetoden som studien avser att nyttja är semistrukturerade intervjuer.
Intervjumetoden är tänkta att tillämpas vid alla intervjuer oavsett vilken position som individen innehar. Vidare har semistrukturerade intervjuer valts som metod eftersom de främjar samt skapar flexibilitet hos individen som blir intervjuad, och således kan nya insikter och tankar uppstå (Bryman & Bell 2013, ss. 475-477). Bryman och Bell (ibid.) lyfter att semistrukturerade intervjuer även kan bidra till ett mer omfattande djup inom ämnet som studien avser att undersöka. Semistrukturerade intervjuer har således ansetts passa studien bäst. Detta då arbetssystemet, som ligger som grund för studien, är omfattande och således kan det krävas att en har djupare insikt och förståelse för att kunna dels urskilja faktorer, men även förstå hur maskininlärning hjälper eller stjälper marknadsföringsbyråer, inom arbetssystemets olika delar.
3.3 Utformning av intervjuguide
Vid utformning av intervjuguide har fokus legat på att rymma både flexibilitet i intervjuerna, men även låta den intervjuade skildra sina upplevelser och värderingar utan att ha ledande frågor. Bryman och Bell (2013, s. 482) lyfter att det är avgörande att intervjuguider utformas på ett sådant sätt att den intervjuade får möjlighet att förklara sina upplevelser om sin sociala verklighet, och att intervjun rymmer flexibilitet både för intervjuaren och den som intervjuas.
Vid formulering av intervjufrågorna, har fokus legat på att utforma frågor som varken är för specifika och snäva. Detta menar Bryman och Bell (2013, ss. 482-483) bör göras för att undvika att alternativa ideér och andra synsätt förkastas, eller inte blir tillmötesgående.
Intervjufrågorna har även formulerats efter begrepp och variabler som används i de valda
teorierna. Detta för att kunna koppla mot, men även kunna tydligt ifrågasätta teorierna mot respondenternas svar.
3.4 Genomförande av intervju
Alla intervjuer genomfördes under en period av två veckor förutom en intervju som tillkom i efterhand. Intervjuernas omfattning är mellan ca 26-39 minuter. Vid varje intervju var båda författarna av studien närvarande. Intervjuerna har utförts både digitalt och även via telefon, detta baserat på rådande Covid-19-restriktioner. Innan varje intervju har respondenterna dels tagit emot information kring deras anonymitet, men även tillfrågats om de ger tillåtelse till att låta sig spelas in för underlättning av transkribering. Alla intervjuer är semistrukturerade, vilket således betyder att en intervjuguide nyttjades som grund för alla intervjuer. Detta betyder att det finns en stor frihet i intervjun, och respondent kan således utforma svaren på frågorna så nära sin verklighet som möjligt. Bryman och Bell (2013, ss. 475-476) lyfter att detta sätt att intervjua leder till en intervjuprocess som anses vara flexibel, vilket är något som bör eftersträvas. Efter genomförande samt transkriberade intervjuer har dessa delgivits till vardera intervjuade respondent, där vardera respondent fått möjlighet att poängtera om eventuella feltolkningar samt om felaktig representation har uppstått (Yin 2013, s. 87).
Vardera respondent ska även kunna ta del av sammanställd avslutad studie.
3.5 Analysmetod
Studiens analysmetod innefattas av en tematisk analys, där fokus legat på att identifiera mönster och teman. Kodifiering av insamlad data har även gjorts, detta för att generera en överblick av de eventuella mönster som finns, kontinuerligt söka efter förklaringar, göra jämförelser och urskilja negativa fall. Yin (2013, ss. 199-200) lyfter just att dessa tillvägagångssätt bör anammas i processen i att finna mönster och teman. Yin (2013, s. 205) lyfter även flertalet olika typer av tolkning. I denna studie har en förklarande tolkning anammats. En förklarande tolkning syftar till att exempelvis förklara hur och/eller varför något inträffade, uppstår eller artar sig på ett visst sätt (ibid.). I studien anammas detta genom att förklara hur och varför digital marknadsföring hjälper och stjälper digitala marknadsföringsbyråer samt vilka faktorerna är.
3.6 Metodkritik
Den kritik som kan framföras mot den valda metod som använts för att genomföra studien, kan kopplas till bland annat de åtta valen, sju strategierna och hur respondenterna valts att undersökas.
I metodavsnittet beskrivs hur fyra av åtta val använts för att försäkra kvalitativa studiers validitet och säkerställa att insamlad data är relevant till ämnet som ska studeras (Yin 2013, s.
81). Visserligen lyfte Yin (ibid.) att valen är frivilliga och likaså upp till forskaren själv att avgöra relevansen av alla de olika valen till studien som skall undersökas, men det torde vara möjligt att studien hade gynnats av att innefattas av ytterligare val. Bland annat hade studien möjligen kunnat gynnats av ett forskningsprotokoll som kunnat agera vägledande genom exempelvis intervjufrågor, teman eller i sökandet efter mönster, under genomförandet av studien. Detta för att undvika att relevanta ämnen, teman eller mönster förkastas. Vidare går det även att föreställa sig att de resterande två strategier som inte har anammats gällande
“Intensiv, långvarigt förhållande till fältet” samt “Kvasistatistik” hade kunnat påverkat utformningen kring hur respondenterna valts att undersökas (Yin 2013, ss. 83-84). Bland annat handlar kvasistatistik om att använda faktiska siffror istället för adjektiv, vilket således kan göra att bristande validitet minskas (Yin 2013, s. 84). Genom att nyttja kvasistatistik på
något sätt i intervjuguiden hade möjligen intervjufrågorna tolkats lättare och mer liknande av respondenterna sinsemellan, vilket i sin tur möjligen bidragit till underlättning av analysen.
Vidare har studien på grund av tidsbegränsning, inte kunnat undersöka eller haft möjligheten att följa respondenterna över tid, genomföra upprepande observationer och/eller intervjuer.
Därtill kan möjligen tidslängden på intervjuerna ses som ytterligare en negativ aspekt.
Visserligen har intervjuerna som genomförts givit mycket material med tillräckligt utförliga svar, men en kan tänka sig att datan möjligen hade blivit mer djupgående och kanske gått att analysera ytterligare om intervjuerna generellt hade varit längre tidsmässigt. Alternativt hade studien möjligen gynnats av ett kvantitativt angreppssätt, där mängden enkätsvar kanske varit lättare att uppnå än djupet på dessa intervjuer. Det kvantitativa angreppssättet hade även möjligen kunnat generera en större generaliserbarhet. Studien är i dagsläget, likt Yin beskriver (2013, s. 101), enbart generaliserbar till den specifika situationen eller de specifika respondenter som deltagit. Således kan det uppstå svårigheter i att generalisera till över en större massa, vilket ett kvantitativt angreppssätt möjligen hade underlättat.
4. Resultat
Följande avsnitt avser att presentera studiens resultat baserat på genomförda intervjuer.
Resultatet av intervjuerna har sammanfogats efter gemensamma teman, där vardera tema beskriver vardera respondents svar inom det temat. Respondenterna har valts utifrån ett avsiktligt val för att generera den talrikaste datan i relation till ämnet.
4.1 Tema 1: Processes and activities
Respondent 1 uppgav att en vanlig arbetsdag består av både interna och externa möten, där respondent 1 lyfter att interna möten syftar till att planera och koordinera hur projekt ska gå till, och externt handlar om kundinteraktion. Respondent 2 uppgav att aktiviteter som sker inom företaget är allt från möten och uppdateringar rörande organisationens aktuella marknadsföring, framtida marknadsföring och strategier som kunden syftar till att börja nyttja. Respondent 3 uppgav att hens ansvarsområden innefattas bland annat av att delta på kundmöten, delta i säljprocessen, projektleda till att ekonomin sker på rätt sätt. Respondent 4 uppgav att organisationen har olika aktiviteter och arbetssätt beroende på om det är en befintlig kund eller om det är en ny kund. Vid ett nytt kundmöte gör organisationen en grundläggande analys rörande deras resurser, som ägd media och hyrd media enligt respondent 4. Respondent 4 uppgav även att innehåll- och länkarbete är en process som sker i organisationen. Respondent 5 uppgav att de är ca 50 personer på hens arbetsplats, där respondent 5 planerar och koordinerar dessa projekt. Respondent 6 beskriver att arbetsdagarna ofta ter sig olika, men att dagens aktiviteter ofta innefattas av interna och externa möten.
4.2 Tema 2: Participants
Respondent 1 arbetar som projektledare och är delägare av organisationen som respondent 1 arbetar på. Respondent 1 uppgav att hens primära ansvarsområde är företagets större kunder, men ansvarar även över att handleda kollegor i företagets mindre kunder. Vidare lyfter respondent 1 att teamen runt varje kund innehåller en analytiker, projektledare, strateg, digital designer, webbutvecklare och en Google ads-analytiker. Respondent 2 är VD i företaget och arbetar övergripande inom organisationen och är således en konsult. Respondent 2 lyfter att hens arbetsområden inom organisationen innefattar till stor del nära kontakt med organisationens kunder. Likt respondent 2 är respondent 3 också VD för organisationen hen arbetar på och hens ansvarsområden innefattas bland annat av att delta på kundmöten.
Respondent 4 arbetar som konsult i företaget och hjälper större företag med deras digital marknadsföringsstrategier. Därtill beskriver hen att arbetsdagarna är kundcentrerade, vilket betyder att dagen baseras på vad kunden behöver, är det nya kunder så är det kundmöten, är det befintlig kund så är det planering. Respondent 5 arbetar som konsult och projektledare på företaget och har primärt ansvar över att hjälpa kunder med deras digitala kanaler samt kunders digitala strategier. Likt respondent 5 är även respondent 6 konsult och hjälper organisationens kunder.
4.3 Tema 3: Information
Respondent 1 uppgav att kundinteraktionerna ofta handlar om vad som har gjorts, vad som ska göras och utmaningar. Därtill lyfte respondent 1 och respondent 2 att kundinteraktionerna ofta handlar om vad för strategier som kunden syftar till att börja nyttja. Respondent 3 uppgav att avrapportering samt avstämning med kunder även är något som ter sig på de externa mötena. Respondent 4 uppgav att informationen som ter sig vid ett kundmöte kan innefattas av analys av olika resurser. Även identifiering och observering av kundens digital
fotspår är information som återges på externa möten enligt respondent 4. Detta görs enligt respondent 4 för att bilda sig en uppfattning av kundens situation. Respondent 4 uppgav att organisationens innehålls- och länkarbete grundar sig på insamlad data.
4.4 Tema 4: Technologies
Respondent 1 lyfter att organisationen aktivt arbetar med Google Ads och Facebook, som båda använder sig av maskininlärning. Respondent 2 menar att organisationen inte har några arbetsprocesser internt som nyttjar AI, men deras arbetsverktyg som Facebook och Instagram nyttjar AI. Respondent 2 menar på att i framtagningen av målgrupper, så nyttjar Facebook och Instagram data, som i sin tur styr annonseringen självmant mot en viss målgrupp.
Respondent 3 använder sig av Linkedin, Instagram samt Google som sina primära arbetsverktyg för att marknadsföra. Likt respondent 3 nyttjar respondent 4 också Instagram, men därtill även Ahrefs, Analytics, Google Search Console, Screaming Frog samt Hubspot.
Respondent 4 beskriver att de idag nyttjar Hubspot för marketing automation, vilket är ett verktyg som är datadrivet och AI-baserat. Därtill lyfter hen att verktyget genererar allt per automatik, så det frigör resurser. Även respondent 6 nyttjar Facebook och Instagram, där hen menar på att dessa arbetsprocesser utgår från ett AI-verktyg som nyttjar maskininlärnings-algoritmer för att identifiera målgrupper utifrån olika variabler.
4.5 Tema 5: Products/services
Respondent 1 beskriver att organisationen erbjuder tjänster såsom Google Ads och Facebook-annonsering. Därtill uppgav respondent 1 även att hen såg möjligheter kring att förbättra och/eller ersätta nuvarande innehållsskapandet med hjälp av maskininlärning.
Respondent 2 lyfter att deras organisationen till störst del specialiserar sig inom Facebook/Instagram-annonsering, men har även kunskaper inom Google, Linkedin och SEO.
Likt respondent 2 poängterar respondent 3 att de också nyttjar Instagram och arbetar även med skapandet av olika blogginlägg. Respondent 4 menar att organisationen erbjuder olika tjänster beroende på om det är en befintlig eller ny kund. Hen förklarar att om det är en befintlig kund så arbetar de till störst del med innehållsarbete eller strategiska länkarbeten.
Respondent 5 uppgav att organisationen har flertalet olika digitala marknadsföringssätt.
Bland annat handlar det om massmarknadsföring, som kan innefatta reklamfilmer och annonser, till att producera mer individualiserad digital marknadsföring. Respondent 6 beskriver att organisationen arbetar med digital marknadsföring på flera sätt, exempelvis, sociala medier, annonseringar, dataanalyser, innehållsskapande och SEO.
4.6 Tema 6: Customers
Respondent 1 uppgav att hens primära ansvarsområde är företagets större kunder, men ansvarar även över att handleda kollegor i företagets mindre kunder. Respondent 2 uppgav att de riktar in sig på företag som är på den mindre skalan och behöver således enklare och billigare digital marknadsföring. Respondent 3 uppgav att deras kunder även är företag och att organisationen i nuläget har ett sekretessbelagt pågående projekt där de ska applicera AI-verktyg på ett ganska stort bolag. Respondent 4 uppgav att organisationen hjälper större företag med deras digital marknadsföringsstrategier. Därtill uppgav respondent 4 att även om hens egna yrkesroll är konsult, så outsourcar organisationen arbetsuppgifter även till andra konsulter, där dessa arbetsuppgifter kan komma att ersättas av automatiserade verktyg.
Respondent 5 och respondent 6 uppgav även de att deras kunder består av företag.
