umu.sePublications
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
A Machine Learning Approach to Fiber Delivery Lead Time Estimation
Umeå University, Faculty of Science and Technology, Department of Mathematics and Mathematical Statistics.
2019 (English)Independent thesis Advanced level (professional degree), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Everybody’s talking about big data. Telecom companies have access to huge quantities of data but unfortunately, most of it is not further analyzed in search of valuable information regarding the optimization of processes. Telia Infra delivery operates to supply fiber to the whole of Swe- den. An important part of planning future deliveries is to decide on a delivery date immediately after the order is placed, a so-called ”First promise”. Today, there are great opportunities for improvement in this decision making. In 2018, the business had a low delivery precision on First promise, which today is done with manual resources. Therefore, the aim of the master thesis project is to develop and apply a model that improves the delivery precision at First promise, and can be implemented in the business as support for decision making at the delivery date.

A variety of machine learning algorithms were trained and tested in order to estimate fiber de- livery lead time. One of the algorithms was chosen and results have shown that a significant increase in delivery precision is possible to obtain by implementing an automated system for estimation of delivery lead times based on analyzed available data. It gives reason to believe that to take the step from basing decisions on a hunch and move to a more technology based solution will optimize processes and with a high possibility reduce costs and resource demands. The master thesis has shown that there exists great potential for other tasks within the field of machine learning and automation of today’s processes.

Abstract [sv]

Alla pratar om big data. Telekomföretag har tillgång till stora mängder data men tyvärr är det mesta inte analyserat ytterligare på jakt efter värdefull information i relation till optimering av processer. Telia Infra arbetar med att levererar fiber till hela Sverige. En viktig del i planeringen av framtida leveranser är att besluta om leveransdatum omedelbart efter beställningen, ett så kallat "Första löfte". Idag finns det stora möjligheter till förbättring i detta beslutsfattande. Under 2018 hade verksamheten låg leveransprecision på Första löftet, som idag görs med manuella resurser. Därför är syftet med examensarbetet att utveckla och tillämpa en modell som förbättrar leveransprecisionen på Första Löfte, samt går att implementera i verksamheten som stöd till beslutsfattande vid leveransdatum.

En mängd olika maskininlärningsalgoritmer har tränats och testats för att uppskatta ledtid av fiberleverans. En av algoritmerna valdes och resultatet har visat att en signifikant ökning av leveransprecision kan erhållas genom att implementera ett automatiserat system för uppskattning av leveranstider baserat på analyserad tillgänglig data. Det ger anledning att tro att ta steget från att basera beslut på känsla och att flytta till en mer teknologiskt baserad lösning kommer optimera processer och med en hög sannolikhet minska kostnader och resursbehov. Examensarbetet har visat att det finns stor potential för andra uppgifter inom maskininlärning och automatisering av dagens processer.

Place, publisher, year, edition, pages
2019. , p. 54
National Category
Mathematics
Identifiers
URN: urn:nbn:se:umu:diva-160650OAI: oai:DiVA.org:umu-160650DiVA, id: diva2:1328060
External cooperation
Telia Company AB
Educational program
Master of Science in Engineering and Management
Supervisors
Examiners
Available from: 2019-08-12 Created: 2019-06-20 Last updated: 2019-08-12Bibliographically approved

Open Access in DiVA

fulltext(4030 kB)2 downloads
File information
File name FULLTEXT01.pdfFile size 4030 kBChecksum SHA-512
ffb7621108e9778cff78355e7d03c82d61eaec05fdaba1b75b7aeebef1237fd1e09dc19f77e13ae3ec2a0bc0533a09f4780e1371b00bafcbabcf92c8189a64a8
Type fulltextMimetype application/pdf

By organisation
Department of Mathematics and Mathematical Statistics
Mathematics

Search outside of DiVA

GoogleGoogle Scholar
Total: 2 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 23 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf