Dirar Sweidan försvarar sin licentiatavhandling "Data-Driven Decision Support in Digital Retailing".
Sammanfattning
I den digitala eran och med framväxten av artificiell intelligens har digital detaljhandel framträtt som en betydande förändring inom handeln. Den ger e-handlare möjligheten att använda datadrivna insikter och prediktiva modeller för att hantera en rad utmaningar, vilket främjar informerat beslutsfattande och strategisk planering. Även om prediktiva modeller är grundläggande för att fatta beslut baserade på data, sätter denna avhandling strålkastarljuset på binära klassificerare som ett centralt fokus. Dessa klassificerare avslöjar komplexiteten i två verkliga problem, kännetecknade av deras särskilda egenskaper. Konkret görs binära beslut baserade på förutsägelser, och att enbart förlita sig på förutsedda klassificeringsbeteckningar är otillräckligt på grund av variationer i klassificeringsnoggrannheten. Dessutom har förutsägelseutfall olika kostnader kopplade till olika typer av misstag, vilket påverkar användbarheten.
För att möta dessa utmaningar är probabilistiska förutsägelser, ofta outforskade eller okalibrerade, ett lovande alternativ till klassbeteckningar. Därför utforskar man maskininlärningsmodellering och kalibreringstekniker, med användning av benchmark-dataset tillsammans med empiriska studier förankrade i industriella sammanhang. Dessa studier analyserar förutsägelser och deras associerade sannolikheter över olika datasegment och inställningar. Avhandlingen fann, som en bevisföring, att vissa algoritmer inneboende har kalibrering medan andra, med kalibrerade sannolikheter, visar pålitlighet. I båda fallen drar avhandlingen slutsatsen att använda de bästa förutsägelserna med högsta sannolikheter ökar precisionen och minimerar falska positiva resultat. Dessutom är användningen av välkalibrerade sannolikheter ett kraftfullt alternativ till enbart klassbeteckningar. Följaktligen, genom att omvandla sannolikheter till pålitliga förtroendevärden genom klassificering med en avvisandemöjlighet, uppstår en väg där självsäkra och pålitliga förutsägelser tar huvudrollen i beslutsfattandet. Detta gör det möjligt för e-handlare att skapa olika strategier baserade på dessa förutsägelser och optimera deras användbarhet.
Denna avhandling belyser värdet av kalibrerade modeller och probabilistiska förutsägelser och understryker deras betydelse för att förbättra beslutsfattandet. Resultaten har praktiska konsekvenser för e-handlare som använder datadrivet beslutsstöd. Framtida forskning bör fokusera på att utveckla ett automatiserat system som prioriterar höga och välkalibrerade sannolikhetsförutsägelser medan andra förkastas, och som optimerar användbarheten med hänsyn till de kostnader och vinster som är kopplade till olika förutsägelseutfall för att förbättra beslutsstödet för e-handlare.
Handledare
Ulf Johansson, professor, Jönköping University
Beatrice Alenljung, lektor, Högskolan i Skövde
Anders Gidenstam, universitetsadjunkt, Högskolan i Borås
Opponent och examinator
Björn Johansson, biträdande professor, Linköpings universitet