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.

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.