Search

Startups within the tech field are incraesingly using proof of concept (POC) customers as a partner when developing new products and services as this enables them to sell the product before building it, ensuring that the product they are developing is aligned with the market needs before making it avaliable to a wider market. Becasue of the positive results that designing and developing new products together with users and customers have shown, the acqusition of POC customers has become a crucial step in the product development process for many startups. The purpose of this study is to understand how the process from business idea to first proof of concept customer evolves and in this process, what are important factors in acquiring the first proof of concept customer. The study is of qualitative nature and leverages a multiple case study based on interviews with eight Swedish tech startups. The findings from the research show that the process is of iterative nature and has seven sub-processes; Defining and scoping proclem, Defining target marker, Finding customers, Defining customer needs, Initial pitch, Persuasion, and finally, Negotiation and signature. Furthermore, five concepts influencing this process were found; Market understanding, Product understanding, Sales tactics, Customer management, and Entrepreneurial attitude., Startups som verkar inom techindustrin inkluderar allt oftare proof of concept (POC) kunder i utvecklingen av nya produkter och tjänster då det gör det möjligt att säkerställa att produkten är anpassad till marknadens behov. Då utveckling av nya produkter tillsammans med användare och kunder har visat sig effektivt och ha positiva resultat, har förvärvet av POC kunder blivit ett abgörande steg i produktutvecklingsprocessen för många startups. Syftet med denna studie är att förstå hur processen ser ut från affärsidé till signering av första proof of concept kunden, och i denna process även förstå vilka faktorer som är viktiga för att signera första proof of concept-kunden. Studien är av kvalitativ karaktär och använder fallstudier baserad på intervjuer med åtta svenska tech startups. Resultaten visar att processen är av iterativ natur och har sju delprocesser; Definiera problemet, Definiera målgrupp, Hitta kunder, Definiera kundbehov, Inledande pitch, Övertalning och slutligen, Förhandling och signatur. Vidare presenteras fem koncept som påverkar denna proccess; Marknadsförståelse, Produktförståelse, Säljtaktik, Kundhantering och Entreprenöriell attityd.

Detta arbete undersöker möjligheten att estimera intäkter för företag med hjälp av maskininlärning. Datan som modellerna utgår ifrån består av punkter från bolagens balansräkningar och annan offentlig data. Eftersom frågeställningen som arbetet utreder ar outforskad sedan tidigare ligger arbetets huvudsakliga fokus på att utforska vilka metoder som är mest lämpliga för uppgiften samt vilka särdrag i datasetet som har störst inverkan på modellerna. I arbetet utreds frågan med hjälp av fyra olika modeller; Random Forest regression, XGBoost, Minstakvadratmetoden och Lasso. Modellerna utvärderades med kvantitativa mättal såsom R2-varde och absoluta genomsnittliga procentuella felet (MAPE). Den algoritm och slutgiltiga modell som presterade bast utifrån dessa mått var Random Forest regression med genomsnittligt R2-score på 0,8197 och MAPE-score på 0.3864. Denna studie drar slutsatsen att ensemble metoder som XGBoost och Random Forest troligtvis ar mer lämpliga att använda för denna typ av studier i jämförelse med simplare regressionsmodeller såsom Minstakvadratmetoden och Lasso. Avslutningsvis dras slutsatsen att modellerna kan bidra till beslutsunderlaget vid utvärdering av bolag för vilka intäkterna är ok ända., This work examines the possibility of estimating revenue for companies using machine learning. The data on which the models are based consists of points from the companies’ balance sheets and other public data. Since the research area is unexplored prior to this study, the main focus of this thesis is to explore which methods are most suitable for the task and which features in the dataset have the greatest impact on the models. In the study, the issue is investigated with the help of four different models; Random Forest regression, XGBoost, ordinary least squares method and Lasso. The models were evaluated with quantitative measures such as R2 score and mean absolute percentage error (MAPE). The algorithm and final model that performed best based on these measures were Random Forest regression with an average R2 score of 0,8197 and MAPE score of 0.3864. This study concludes that ensemble methods such as XGBoost and Random Forest are probably more suitable to use for this type of study compared to simpler regression models such as least squares method and Lasso. In conclusion, the models can contribute to the initial financial analysis of companies for which the income is unknown.