All companies deal with tactical planning questions and decisions, for example balance demand and supply, to be able to create an acceptable delivery ability without too much inventory or resources/capacities. For that, some companies use Sales and Operations Planning (S&OP) as their tactical planning process. The ongoing customization wave applies to more and more products and there is a general displacement from standard products, manufactured to stock, towards more customized ones where the product is either assembled-, manufactured-, or engineered-to-order (ETO). This displacement brings an increased complexity into tactical planning questions and decisions, which might be new to a company and must be handled efficiently. The use of S&OP in an ETO context is, however, rarely documented.

The possibility for companies to store large amounts of data and the availability of technologies such as Machine Learning (ML) to make predictions, opens up for an improved decision support for S&OP. ML models are normally trained with large datasets, and this is a challenge in an ETO context since there are normally small datasets to work with. Moreover, the use of ML in S&OP and ETO contexts are rarely documented.

The purpose of this thesis is, thus, to explore where and how ML can be a useful tool for tactical planning, such as in S&OP in an ETO context. This thesis takes the first steps toward using ML as a decision support for S&OP in an ETO context. Three studies have been performed to map the current state of ML in S&OP in ETO contexts, to understand the challenges and tasks connected to S&OP in an ETO context, and to explore some of the considerations required when implementing ML in S&OP in an ETO context.

The main findings indicate that implementing ML in an ETO context with the purpose of improving S&OP requires an understanding of challenges and related tasks before starting any ML implementation projects. Further, considerations are required before starting to understand available data and to build data models. Tasks for ML must also be understood and agreed. Mechanisms behind occurring challenges need to be understood as well. What is driving trust for a technology and the business process is also important to understand and prepare for, ahead of an ML implementation. The results of the studies are (i) a model presenting the different parts of S&OP in an ETO context, (ii) specific challenges and related tasks, (iii) a model of critical aspects of trust connected to the process, the technology, and the combination of the two, and finally, (iv) a model for assisting in understanding the mechanisms behind capacity and load in engineering.

Alla företag hanterar taktiska planeringsfrågor och beslut för att till exempel balansera tillgång och efterfrågan för att kunna skapa en tillräckligt bra leveransförmåga utan för mycket lager eller resurser/kapacitet. Vissa företag använder sälj och verksamhetsplanering (SVP) som sin taktiska planeringsprocess. Den pågående vågen mot ökad kundanpassning gäller för allt fler produkter vilket ger en förskjutning från standardprodukter, tillverkade mot lager, till mer kundanpassade produkter där produkten antingen är monterad, tillverkad eller konstruerad mot order (engineer-to-order, ETO). Denna förskjutning medför en ny ökad komplexitet i frågor och beslut kopplade till taktisk planering för företag och måste hanteras på ett effektivt sätt. Litteraturen är fåtalig avseende användningen av SVP i en ETO-kontext.

Möjligheter för företag att lagra stora mängder data och tillgänglighet av teknologier som maskininlärning (ML) ger möjligheter att använda ML-prediktioner som beslutsstöd i affärsprocesser som SVP. ML-modeller tränas normalt med stora datamängder, och det är en utmaning i en ETO-kontext eftersom det normalt är förknippat med små datamängder. Litteratur avseende användningen av ML i SVP och i ETO-kontext är också den fåtalig.

Syftet med denna forskning är att utforska var och hur ML kan vara ett användbart verktyg för taktisk planering såsom SVP i en ETO-kontext. Här tas de första stegen mot användningen av ML som beslutsstöd för SVP i ett ETO-sammanhang. Tre studier har genomförts för att kartlägga litteratur kring ML för SVP i ETO-kontext, för att förstå utmaningarna och uppgifterna kopplade till SVP i en ETO-kontext och för att utforska några av de överväganden som krävs vid implementering av ML i SVP i en ETO-kontext.

De viktigaste resultaten indikerar att implementering av ML i ett ETO-sammanhang med syftet att förbättra SVP kräver en förståelse för utmaningar och relaterade uppgifter innan man startar ML-implementeringsprojekt. Vidare krävs överväganden innan tillgängliga data analyseras och datamodeller byggs. De som ska utföra implementeringen behöver förstå och komma överens om vad uppgiften är. Förståelse för mekanismer bakom utmaningar som uppkommer krävs också. Vad som driver förtroende (trust) för en teknik och affärsprocess är också viktigt att förstå och vara förberedd på inför en ML-implementering.

Resultaten av studierna är (i) en modell för att presentera de olika delarna av SVP i en ETO-kontext, (ii) specificerade utmaningar och relaterade uppgifter, (iii) en modell med kritiska aspekter av trust kopplat till processen, teknologin, och kombinationen av de två och slutligen (iv) en modell för att förstå mekanismerna bakom kapacitet och beläggning inom orderkonstruktion.