Companies in engineer-to-order (ETO) settings face increasing pressure to enhance effectiveness and efficiency in their supply chain planning (SCP) practices through digital transformation. Yet despite the recognized potential of machine learning (ML), its adoption In SCP practices in ETO settings remains minimal. This implementation gap forms the central motivation fort his thesis.

This thesis explores SCP practices in ETO settings, especially sales and operations planning (S&OP) and request for quotation (RFQ) planning and investigates how ML techniques can be integrated to improve these practices. Through three complementary studies involving nine ETO companies, the research addresses the gap between ML's theoretical potential and practical implementation in complex manufacturing settings. The research employs a multiple case study approach for two of the studies of which one is conducting a mapping of ML techniques in four SCP areas to improve agility and adaptability. The other study is grounded in paradox theory and contingency theory to examine S&OP, RFQ planning and their interaction. Despite mounting pressure for digital transformation, the studies reveal minimal ML adoption across the investigated cases, highlighting a significant implementation contradiction that shapes the research contributions. The third study is focusing on how efficiency and effectivity of SCP in ETO settings enhanced with ML should be measured.

The thesis presents four key findings through five interconnected papers. First, different ETO settings fundamentally impact S&OP and RFQ planning through in total eight hierarchical contingency factors, creating an iterative cycle where practices reshape organizational context and generate new contradictions. Second, performance measurement frameworks require adaptation for ML implementation in ETO settings, with a bidirectional relationship between metrics and technology adoption that challenges traditional linear improvement models. Third, specific ML techniques can address SCP challenges in ETO settings, with systematic mapping across the demand planning, production planning, supply management, and inventory management areas. In addition, specific ML techniques can address contradictions for improved management in S&OP and RFQ planning. Fourth, practical implementation requires a structured actionable framework addressing data integration, targeted applications, scaling, and continuous learning systems. The research makes theoretical contributions by extending the Triple-A framework to ETO settings, advancing paradox theory applications in SCP practices, and challenging established assumptions in performance measurement literature. The integration of paradox and contingency theories provides novel insights into how contradictions and contextual factors dynamically influence SCP practice formation in ETO settings.

Practically, the thesis delivers actionable frameworks, propositions, and implementation guidance for companies pursuing ML adoption in SCP. Successful implementation requires sustained investment in data quality, technical infrastructure, organizational capabilities, and performance maturity, prerequisites that the studied cases had not yet fully established.

Future research should pursue longitudinal studies of actual ML implementations, cross-organizational culture validation, cross-manufacturing setting validation, and quantitative assessment of contradiction management effectiveness.

Företag i engineer-to-order‑miljöer (ETO) står inför en ökande press att förbättra processeffektivitet och förbättra kvalitet och innehåll i sina planeringsprocesser av försörjningskedjan (Supply Chain Planning, SCP) genom digital transformation. Trots den erkända potentialen hos maskininlärning (ML) är användningen av ML inom SCP i ETO‑miljöer fortfarande mycket begränsad. Detta implementeringsgap utgör det centrala skälet till forskningen i denna avhandling.

Avhandlingen undersöker SCP i ETO‑miljöer, med särskilt fokus på Sälj och Verksamhetsplanering (Sales and Operations Planning, S&OP) och planering kring offertförfrågningar (Request for Quotation, RFQ), samt analyserar hur ML‑tekniker kan integreras för att förbättra dessa planeringsprocesser. Genom tre kompletterande studier som omfattar nio ETO‑företag adresserar forskningen gapet mellan ML’s teoretiska potential och dess praktiska tillämpning i komplexa tillverkningsmiljöer. Två av studierna använder fallstudie med flera fall (case) som grund för forskningen, varav den ena genomför en kartläggning av ML‑tekniker inom fyra SCP‑områden i syfte att förbättra förmåga att anpassa sig till kortsiktiga marknadsförändringar (agility) och anpassningsförmåga på lite längre sikt (adaptability). Den andra studien tar sin teoretiska utgångspunkt i paradoxteori och kontingensteori för att analysera S&OP, RFQ‑planering och samspelet mellan dessa. Trots det ökande trycket på digital transformation visar studierna på en mycket begränsad ML‑användning i de undersökta fallen, vilket belyser en motsägelse kring införande av ML som präglar avhandlingens forskningsbidrag. Den tredje studien fokuserar på hur processeffektivitet och processutfall i SCP i ETO‑miljöer, förstärkta med ML, bör mätas.

Avhandlingen presenterar fyra centrala resultat via fem sammanlänkade publikationer. För det första påverkar olika ETO‑miljöer i grunden S&OP‑och RFQ‑planering genom totalt åtta hierarkiska kontingensfaktorer, vilket skapar en iterativ cykel där ett valt processutförande omformar den organisatoriska kontexten och genererar nya motsägelser. För det andra kräver ramverk för prestationsmätning anpassning för ML‑implementering i ETO‑miljöer, med ett dubbelriktat samband mellan mätetal och teknikanvändning som utmanar traditionella linjära förbättringsmodeller. För det tredje kan specifika ML‑tekniker adressera SCP‑utmaningar i ETO‑miljöer, genom en systematisk kartläggning inom områdena efterfrågeplanering, produktionsplanering, försörjningsstyrning och lagerstyrning. Därutöver kan specifika ML‑tekniker hantera motsägelser för förbättrad styrning inom S&OP‑ och RFQ‑planering. För det fjärde kräver praktisk implementering ett strukturerat och handlingsorienterat ramverk som adresserar dataintegration, riktade tillämpningar, skalning och system för kontinuerligt lärande.

Forskningen bidrar teoretiskt genom att vidareutveckla Triple‑A‑ramverket för ETO‑miljöer, fördjupa tillämpningen av paradoxteori inom SCP samt utmana etablerade antaganden inom litteraturen om prestationsmätning. Integrationen av paradox‑ och kontingensteori ger nya insikter i hur motsägelser och kontextuella faktorer dynamiskt påverkar utformningen av SCP i ETO‑miljöer.

Ur ett praktiskt perspektiv levererar avhandlingen ett handlingsorienteratramverk, propositioner och implementeringsvägledning för företag somsträvar efter att införa ML inom SCP. En framgångsrik implementering kräverlångsiktiga investeringar i datakvalitet, teknisk infrastruktur, organisatoriskaförmågor och mognad inom prestationsmätning, förutsättningar som destuderade fallen ännu inte fullt ut hade etablerat.

Framtida forskning bör genomföra longitudinella studier av faktiskaML‑implementationer, validera resultaten över kulturella skillnader mellanorganisationer och tillverkningsmiljöer samt kvantitativt utvärderaeffektiviteten i hantering av motsägelser.