I följande rapport visar vi att maskininlärningsalgoritmer från lättillgängliga bibliotek kan vara värdefulla verktyg, vid analys av företagsdata. Vi föreslår en ny metrik för frekvensanalys av oplanerade underhållsbesök genom en fallstudie inom hissbranschen och ger också företaget i fråga, S:t Eriks Hiss i Stockholm, ett geografiskt kundsegmenteringsalternativ, baserat på K-Meansklustring. Vi tillhandahåller också en kort diskussion om huruvida resultaten från Anderson et al (2009) och Blakeley et al (2003) skulle kunna utgöra ett analytiskt ramverk för företag i den urbana infrastrukturindustrin.

In this report we show that Machine Learning algorithms from readily available libraries can be useful tools when analyzing company data.

We suggest a new metric for analyzing the frequency of unplanned maintenance calls with an elevator maintenance case study, and also provide the company in question, S:t Eriks Hiss, with a K-Means clustered suggestion of geographical customer partitioning. We provide a brief discussion on whether the results from Anderson et al (2009) and Blakeley et al. (2003) could provide an analytical framework for companies in the urban maintenance industry.

A weak negative correlation between profitability and our suggested metric indicate that so is the case and makes for interesting further enquiry.