The demand for reliable condition monitoring systems on rotating machinery for power generation is continuously increasing due to a wider use of wind power as an energy source, which requires expertise in the diagnostics of these systems. An alternative to the limited availability of diagnostics and maintenance experts in the wind energy sector is to use unsupervised machine learning algorithms as a support tool for condition monitoring. The way condition monitoring systems can employ unsupervised machine learning algorithms consists on prioritizing the assets to monitor via the number of anomalies detected in the vibration signals of the rolling element bearings. Previous work has focused on the detection of anomalies using features taken directly from the time or frequency domain of the vibration signals to determine if a machine has a fault. In this work, I detect outliers using features derived from encoded vibration signals via sparse coding with dictionary learning. I investigate multiple outlier detection algorithms and evaluate their performance using different features taken from the sparse representation. I show that it is possible to detect an abnormal behavior on a bearing earlier than reported fault dates using typical condition monitoring systems.

De-oxidation is an important process in clean steelmaking. Al (Aluminium) is mainly used as de-oxidant and controls the final oxygen content and impact the sulphur removal in steel. Adding optimum amount of Al is critical for steel cleanliness and to reduce cost. Unfortunately, recovery of Al is not repeatable due to inherent variation in factors like amount of slag carryover, total oxygen content, tapping weight and so on. To address this challenge, statistical modeling is used to develop a supervised machine learning model to predict Al addition for secondary de-oxidation. Data analytics is used on historical data from production database to gain insights from data on secondary de-oxidation practice, observe patterns, trends and understand correlation among critical process parameters. Simple and multiple linear regression models have been developed with prediction accuracy of 58 and 66% respectively. These models have been trained, tested and cross validated using standard procedures like k-fold cross validation and grid search. To deploy multiple linear regression model into production, a Microsoft Excel based dashboard containing prediction tool, pivot charts, line, and bar graphs for analysing the process is developed. This model when tested in shadow deployment environment perform well on steel grades containing dissolved C (Carbon) up to 0.15% after tapping. In shadow deployment mode the new model can be utilised in parallel to existing tool. For %C greater than 0.15%, prediction accuracy stands at 46%. This is due to nonlinear relationship between oxygen content and added Al. With our model, in process window containing 0 to 0.15 % C after tapping in steel melt, we believe that we can in future achieve better steel quality and repeatability in de-oxidation process, improve productivity in terms of time and resources and facilitates decision making when the model is ready for use in real production environment. Future work in this direction would be to further develop this model for other steel grades. / Deoxidation är en viktig process vid ren ståltillverkning. Al (aluminium) används huvudsakligen som deoxidationsmedel och kontrollerar den slutliga syrehalten och påverkar avlägsnandet av svavel i stålet. Det är viktigt att tillsätta en optimal mängd Al för att stålet ska bli rent och för att minska kostnaderna. Alumiumåterhämtningen är tyvärr inte repeterbar på grund av varierande faktorer som slaggöverföring, total syrehalt, tappvikt och så vidare. För att ta itu med denna utmaning används statistisk modellering för att utveckla en övervakad maskininlärningsmodell för att förutsäga Al-tillsats för sekundär deoxidering. Dataanalys används på historiska data från produktionsdatabasen för att få insikt i data om sekundär deoxidering, observera mönster, trender och förstå korrelationen mellan kritiska processparametrar. Enkla och multipla linjära regressionsmodeller har utvecklats med en prediktionsnoggrannhet på 58 respektive 66 %. Dessa modeller har tränats, testats och korsvaliderats med hjälp av standardförfaranden som k-fold korsvalidering och grid search. För att använda den multipla linjära regressionsmodellen i produktionen har man utvecklat en Microsoft Excel-baserad instrumentpanel som innehåller ett prognosverktyg, pivotdiagram, linje- och stapeldiagram för analys av processen. När denna modell testades i en skuggmiljö fungerade den bra på stålsorter som innehåller upplösta C (kol) på upp till 0,15 % efter tappning. I en skuggbaserad miljö kan den nya modellen användas parallellt med det befintliga verktyget. För % C över 0,15 % är förutsägelsenoggrannheten 46 %. Detta beror på det icke-linjära förhållandet mellan syrehalt och tillsatt Al. Med vår modell, i processfönstret som innehåller 0-0,15 % C efter tappning i stålsmältan, tror vi att vi i framtiden kan uppnå bättre stålkvalitet och repeterbarhet i deoxidering processen, förbättra produktiviteten när det gäller tid och resurser och underlätta beslutsfattandet när modellen är redo att användas i en verklig produktionsmiljö. Framtida arbete i denna riktning skulle vara att vidareutveckla denna modell för andra stålsorter.

Businesses today are often operating in a highly competitive environment where information is a noticeably valuable asset. Businesses are therefore in need of powerful tools for extracting actionable business knowledge. Research show that SME companies are lagging behind large companies in the use of data analytics; even though they know the potential benefits. We want to study and compare different tools for data analytics and how they can be used by small companies. Our research questions are therefore: what analytical tools are today available on the market, and what are their possibilities and challenges for small companies? And: how can these analytical tools aid in the development of a business, product or service? We conclude in our research that there are several data analytics tools available for small businesses, that their different usages can be applied successfully and without big cost, and that their relevance, both in business development and innovation, depends on the business objectives and goals of their utilization.

Trots att det inom forskningsvärlden propageras för formativ bedömning, kan man i dagsläget notera en mycket stor variation gällande införlivandet av, samt effekter av, formativ bedömning i skolor. Metoder för att kartlägga formativ bedömningspraxis fordras för att kunna särskilja på ”god” respektive ”mindre god” formativ bedömningspraxis. Syftet med föreliggande uppsats var att, med hjälp av en elevenkät och multivariata projektionsmetoder såsom PCA och PLS-DA, kartlägga, och särskilja, formativ bedömningspraxis hos sex olika gymnasieklasser som genomfört kursen kemi 2. Ett sekundärt syfte var även att, med samma verktyg, försöka karakterisera och särskilja frekvenser av olika genomförda undervisningsmoment inom samma kurs och klasser. Studien visade, på ett grafiskt och illustrativt sätt, en stor variation av upplevelser av formativ bedömning inom de tillfrågade klasserna. Vidare visade sig PCA vara ett utmärkt verktyg för att identifiera elevsvar som låg utanför den ”normala” variationen. Genom en PLS-DA-analys påvisades en skillnad i frekvenser av genomförda undervisningsmoment mellan två kommunala och en privat skola – även om dessa resultat bör tolkas med en viss försiktighet.

Intresset och deltagandet på aktiemarknaden har ökat betydligt bland svenskar. En erkänd informationskälla om aktier är inlägg på sociala medier och speciellt på Twitter. Med hjälp av sentimentanalys av dessa inlägg, så kallade tweets, kan en allmän åsikt extraheras och användas för att förutsäga framtida resultat för ett företags aktiekurser. Syftet med denna studie är att ta fram en artefakt som kan extrahera sentiment från tweets om svenska mindre företag. Företagen valdes utifrån att de var relativt småskaliga jämfört med de företag som analyserats i liknande studier genomförda inom forskningsområdet. För denna studie har data samlats in från Twitter, analyserats och bearbetats. Olika metoder har testats för att extrahera sentiment ur tweets. Resultatet från sentimentanalys med framtagen artefakt är möjlig att använda i maskininlärningsmodeller som förutsäger aktieprisers rörelse. Resultatet från experimentet kan sammanfattas med att extrahering av sentiment från tweets är svår men möjlig. Vid analys av resultatet så framgår det att det maskininlärningsbaserade tillvägagångssättet ger en ökad prestanda jämfört med det lexikonbaserade på tweets likt de som använts i denna studie. / Interest and partaking on the stock market has increased significantly among Swedes. A recognized source of information about stocks is posts on social media and Twitter in particular. With the help of sentiment analysis on these social media posts called tweets, a public opinion can be extracted and perhaps predict the future performance of a company’s stock prices. This report is written in Swedish and the aim of the study is to produce an artefact that can extract sentiment out of tweets about minor Swedish companies. The companies were chosen on the basis that they were relatively small-scale in comparison to other studies conducted in related research. For this study data has been collected from Twitter, analyzed and processed. Different methodologies have been tested to extract sentiments out of tweets. Results of sentiment analysis with produced artefact is possible to use in machine learning models predicting stock movement. Results from conducted experiments conclude that extracting sentiment from tweets is difficult but possible. Through analysis of the results, a machine learning approach shows better performance than a lexicon based with tweets like the ones used in this study.

Digitaliseringens framfart formar samhälle, arbetsmarknad och yrkesroller. Digitalt arbeteinnebär inte bara effektivitetsförbättringar utan även sämre matchning på arbetsmarknadenoch interna kompetensutmaningar. I takt med utvecklandet av nya teknologier kommer blandannat revisorns yrkesroll förändras till att innehålla mer digitala arbetssysslor, och därav skeräven en förändring av de kompetenser som arbetet kräver. Denna studie behandlar frågan omhur digitala kompetenser formar revisorns yrkesroll, med syftet att skapa förståelse fördigitala kompetenser inom revisorsprofessionen. Studien är kvalitativ samt i huvudsakinduktiv men innehåller även abduktiva inslag, och har genomförts genom en kombinationav att granska platsannonser samt genomföra semi-strukturerade intervjuer med revisorer. För att uppnå studiens syfte används de tre pelarna inom institutionell teori samt teori omroller som en referensram för att analysera det empiriska resultatet. De tre pelarna inominstitutionell har i tidigare studier använts för att analysera roller inom ekonomistyrning menhar inte applicerats inom revision. Studiens resultat visar på att digital kompetens inteframstår efterfrågas av arbetsgivare i platsannonser trots att revisorer upplever att god digitalkompetens kan effektivisera arbetet och därigenom utgöra en framgångsfaktor i yrkesrollensom revisor. Vidare framstår yrkesrollens behov av digital kompetens skifta under yrkeslivetdå arbetet för juniora revisorer framstår vara mer tekniskt krävande än för seniora revisorer. På så vis belyser studien hur yrkesrollen som revisor framstår progressivt övergå från mertekniskt krävande arbete till mer socialt orienterat arbete.

Bakgrund: E-handeln har på senare år genomgått radikala förändringar och dataanalys kan stå för 10 % av tillväxten hos 56 % av alla e-handelsföretag. Dataanalys erbjuder många fördelar och internationella företag hävdar att 30% av deras försäljning beror på dataanalys. Det finns tre olika lönsamhetsstrategier för att svenska e-handelsföretag ska öka lönsamheten. Dessa är (i) minska kostnader, (ii) öka omsättning, (iii) minska tillgångar och totalt kapital. Studien visar att 35 % av alla svenska e-handelsföretag har inte tillgång till relevanta data och det finns en oro för att dessa företag kommer att ligga efter i utvecklingen. Syfte och frågeställning: Studien syftar till att undersöka om e-handelsföretag tillämpar dataanalys vid utformning av lönsamhetsstrategier och vilka konsekvenser går det att identifiera av detta. Vilka lönsamhetsstrategier väljer svenska e-handelsföretag och hur används dessa strategier i kombination med dataanalys? Tillvägagångssätt: Studien använder en tvärsnittsdesign med datainsamling utifrån enenkätundersökning av e-handelsföretag där 93 respondenter svarat, 5 semi-strukturerade intervjuer och sekundärdata från 20 e-handelsföretag. Till analys av empiri användes univariat- och bivariat analys tillsammans med innehållsanalys. Empiri: Sextiofem av nittiotre respondenter i studien tillämpar dataanalys vid utformningav lönsamhetsstrategier, medan en tredjedel av deltagarna uppger att de inte tillämpardataanalys. Studien visade att de vanligaste analysverktygen är deskriptiv- och preskriptivanalys, medan de vanligaste lönsamhetsstrategierna är ökad omsättningen och minskade kostnader. Slutsats: Är att svenska e-handelsföretag fortfarande saknar resurser och kunskaper för att nyttja dataanalys fullt ut. En tredjedel av svenska e-handelsföretag går miste om fördelarna med dataanalys som även uppskattas bidra till 30 % av ökad försäljning. Dataanalys är den nya oljan och möjliggör för värdeskapande, därmed är slutsatsen av det här arbetet att svenska e-handelsföretag bör utvinna värde ur data och fokusera på att bli mer datadrivna. / Background: Over the last few years e-commerce has undergone radical changes, ten percent of which has been, among 56% of all e-commerce data analysis. Data analysis can provide many advantages; global corporations claim that 30% of their sales depend on it. There are three different strategies that Swedish e-commerce businesses can adopt to increase profitability. These are: 1. Reduce costs. 2. Increase revenue. 3. Minimise assets and total capital. Studies show that 35% of all Swedish e-commerce businesses do not have access to relevant data which could result in limiting future development. Purpose and Research Question: This study intends to examine and contribute to the knowledge of whether Swedish e-commerce businesses apply data analysis when developing profitability strategies. Which profitability strategies are used by Swedish ecommerce businesses and how do they utilise data analysis? Method: This study uses a cross-sectional design involving a survey of many e-commerce businesses of which 93 replied, five semi-structured interviews, and secondary data from 20e-commerce businesses. To analyse the empirical data, we used univariate and bivariate analysis together with content analysis. Empirical data: Sixty five out of ninety-three respondents apply data analysis when developing profitability strategies, but a third of the survey participants answered that they do not use them together. The study showed that the most common analytics tools used are descriptive and prescriptive analysis, whilst the most used profitability strategy is to increase revenue and to reduce costs. Conclusion: Swedish e-commerce businesses still lack the resources and knowledge to fully utilise data analysis. One third of Swedish e-commerce businesses do not take advantage of data analysis, even though it can increase sales by up to 30%. Data analysis is the new oil, which also enables value creation. Therefore, this study’s conclusion is that Swedish e-commerce businesses should utilise data analysis and become more data driven.

Affärsanalys är en ökande trend som många organisationer idag använder på grund av potentialen att fastställa värdefulla insikter, ökad lönsamhet och förbättrad operativ effektivitet. Något som visat sig vara problematiskt då det önskade resultatet inte alltid är en självklarhet. Syftet med studien är att undersöka hur modeföretag kan använda datadriven affärsanalys för att generera positiva insikter genom värdeskapande mekanismer. Utifrån semistrukturerade intervjuer med anställda på ett modeföretag har vi, med utgångspunkt i tidigare forskning, kartlagt hur datadriven affärsanalys brukas för att skapa värde genom att applicera en processmodell på verksamheten. Empirin resulterade i tre värdefulla insikter (1) Det studerade företaget använder affärsanalys för ökad lönsamhet (2) Företagets data tillgångar är tillräckliga för att utvinna värdefulla insikter (3) Vidare såg vi att företaget arbetar med influencers vilket är en ny affärsanalys-funktion som inte definierats i tidigare forskning. / Business analysis is an increasingly popular trend that many organisations use because of its potential to establish valuable insights, increased profitability and improved operational efficiency. Something that has proved to be rather problematic as the desired results rarely is a certainty. The purpose of the study is to examine how fashion retailers can use business analytics to generate positive insights through value-creating mechanisms by applying a process model. Based on semi-structured interviews with the employees of a fashion company and a starting point in previous research, we have mapped how business analysis can be used to obtain value. The empirical study resulted in three valuable insights (1) The examined organisation uses business analysis to increase profitability. (2) The data assets of the organisation are enough to acquire valuable insights. (3) Further we discovered that the organisation uses influencers as a valuable asset and can be categorised as a business analysis capability, previously undefined in preceding research.

Inledning Vi lever i en digitaliserad värld, en värld som fortsätter digitaliseras. Det finns de som hävdar att världen just nu befinner sig i en fjärde industriell revolution. Digitaliseringen påverkar många delar av samhället såväl inom näringslivet som inom det civila. Det kan idag vara viktigt för företag att ligga i framkant inom arbetet med ny teknik både som en konkurrensfördel men också för legitimitetsskäl.  Syfte Syftet med studien har varit att utreda hur digitaliseringen och effekterna av den har påverkatdet arbete som utförs av revisorer och revisorns roll vilket mynnat ut i frågeställningen ”hur har digitaliseringen påverkat revisorns roll och arbete?”. Metod I studien har en deduktiv ansats använts. Vidare har en kvalitativ metod använts och datainsamlingen har skett med hjälp av semistrukturerade intervjuer med personer som är aktiva inom revisorsyrket.  Slutsats Studien påvisar att digitaliseringen påverkar revisionsbranschen i såväl revisionsprocessen, revisorsrollen och kundrelationer. I revisionsprocessen har planeringsfasen påverkats av att informationsinhämtningen idag till största del sker digitalt istället för att skanna in fysiska dokument från pärmar. Den granskande fasen har påverkats i och med införandet av nya digitala hjälpmedel som kan processa större mängder data än vad en människa är kapabel till. Gällande kundrelationer så sköts mer av kontakten med kunder via digitala videomöten som ger revisorerna mer tid över till att revidera och agera som en rådgivare. Sammanfattningsvis så har den ökade digitaliseringen lett till att revisorsrollen effektiviserats och att rollen som rådgivande konsult fått en större och viktigare plats.

Sustainability has gained a lot of attention in the field of research. Researchers and consumers both prioritize sustainability and environmental issues over previously dominant materials, such as plastic. Packaging and disposable items that used to be made of plastic have largely been replaced with paper. Unfortunately, paper does not perform as well as plastic regarding barrier properties against grease, oxygen, or water vapor. Barrier properties are an important factor when choosing packaging material for food, among other things, as they help maintain the shelf life of the product. In order to improve the properties of the paper packaging and expand its use, the paper is coated with a polymer. However, the polymer contributes to challenges in the recycling of the products as some of the polymer attaches to the fibers, causing difficulties in the separation of each material. Small fragments of plastic may end up in the material streams and the recycled pulp due to the existing challenges in completely removing plastic from cellulosic substrates during recycling. This thesis analyzes the possibilities of identifying and classifying plastic fragments of polyethylene (PE) and polyvinyl alcohol (PVOH) in recycled paper sheets using near-infrared spectroscopy together with multivariate data analysis. The purpose of the work is to develop models that can identify possible residues that may appear in recycled products from various industries. Paper sheets of two different grammages and six different compositions of recycled fiber and virgin fiber were created and scanned by NIR, with and without plastic film under the sheets. The scans were used to develop classification models to identify and categorize scans not included in the calibration data set. The performance of the models was tested by applying them to images of sheets of paper with plastic fragments of different sizes and different type underneath. The results indicated potential in the method. The prediction of the paper sheets with a lower grammage was mostly correct, whereas the classification of polyethylene showed the best performance. There was some noise in the prediction of the plastic fragments, regardless of the grammage of the paper. The noise may be due to a wide variation in the calibration data set since it consisted of paper sheets of six different compositions. A large part of the noise was incorrectly classified as polyvinyl alcohol, which can be due to differences in the manufacturing process of the plastic films. The conclusion of the thesis is that it is feasible to identify and categorize plastic fragments of polyethylene and polyvinyl alcohol in recycled paper sheets with a certain margin of error. It can be stated that the method shows promise, but further research and development in the field is required to build models that can be applied to a wider range of samples.