The purpose of this master's thesis was to study if machine learning can be used asdecision support at the Swedish International Development Agency (Sida) in their work to provide financial aid. The aim was to examine the recurringphenomenon of increased number of aid disbursements towards the end of the year. A study and presentation of the data has been done to show the disbursementdistribution of Sida's operating departments. Moreover, qualitative interviews with different roles at Sida have been done to highlight the complexity of the agency and toexplain why and how different disbursement patterns occur. The approach has been to use classification models as well as regression models applied to data ofaid contributions from Sida's database. The classification models used were Decision Tree, k-Nearest Neighbour and Gradient Boosted Tree and thepurpose with the models was to illustrate which features of a contribution that are likely to be of importance for whether a disbursement occurs in December or earlier.The regression models used were linear models with the aim to predict if disbursements are likely to be delayed relative to the prognosis. The classificationmodel succeeded to point out three attributes that had influence on the classification result. The general conclusions of the report are that data ofcontributions generated in different IT-systems and various work routines at Sida's departments affect the quality of the data and the models’ accuracies negatively.Furthermore, insufficient amounts of data due to changes in Sida's information management has created difficulties when using data driven models to predict latedisbursements.

Syftet med denna uppsats är att studera, beskriva och analysera ett företagsfinansiella beslutsfattande och hur dessa beslut kan påverkas av prediktiv analys.Finansiella beslut är beslut som är kritiska för ett företags framgång. BusinessIntelligence är ett sätt att förse organisationen med stora mängder beslutsunderlagvia tekniker så som big data och data mining för att kunna ta bättre beslut. Mångaföretag vill använda dessa beslutsunderlag för att kunna förutspå framtidabeteenden, detta för att kunna vara proaktiva i sitt beslutsfattande och på så sätteffektivisera olika delar av sin verksamhet och vara konkurrenskraftiga. Prediktivanalys är en process som utför analyser genom komplexa algoritmer som gerkvalificerade “gissningar” på sannolikheter om olika framtida händelser.För att besvara syftet så valde vi att göra en kvalitativ studie där den empiriskadatainsamlingen genomfördes via semistrukturerade intervjuer. Studiens resultatpresenterar olika effekter av hur prediktiv analys och prediktiva modeller kanpåverka en organisations finansiella beslutsfattande. Resultatet pekar mot attprediktiva analyser ökar kvaliteten på finansiella beslut. Det pekar även mot eneffektivisering av tidsaspekten för finansiellt beslutsfattande och att dessaanalyser inte kräver lika hög besluts kompetens vilket kan möjliggöra endecentralisering för finansiella beslut. Resultatet av studien visar att rätt sorts dataska användas och att denna ska ha hög kvalitet för att analyserna ska varaeffektiva och att dessa görs bäst via att koppla de prediktiva analyserna tillförslagsvis ett BI-system. / The purpose of this paper is to study, describe and analyse an organization'sfinancial decision making and how these decisions can be influenced bypredictive analytics. The financial decisions are critical for an organizationssuccess. Business Intelligence can provide organizations with huge amounts ofdecisions basis through different techniques such as big data and data mining tobe able to make better decisions. Many organizations seek to use this decisionsbasis to be able to predict future behaviours, this to be proactive in its decisionmaking and thus streamlining different parts of their business and trough this bemore competitive. Predictive analytics is a process that performs analyses throughcomplex algorithms that provide qualified “guesses” to probabilities of differentfuture events.To answer the purpose, we chose to do a qualitative study where the empiricaldata collection was conducted through semi-structured interview. The result of thestudy presents different effects of predictive analysis and predictive models mayaffect an organization's financial decision making. The results points to predictiveanalytics increasing the quality of financial decision making. It also points to anefficiency of the time-scale for financial decision making and that these analysesdo not require the same decisions skills which could allow decentralizations forfinancial decisions. The study shows that the right kind of data is to be used andof high quality for the analyses to be effective and that these are best done bylinking predictive analytics as a suggestion to a BI System

I och med digitaliseringen förändras samhället snabbare än någonsin och det är viktigt för företag att hålla sig uppdaterade för att kunna anpassa sin verksamhet till en marknad som hela tiden utvecklas. Det existerar en uppsjö av business intelligence modeller för just detta ändamål, och prediktiv analys är en central del bland dessa. Fokus i denna rapport ligger i att undersöka i vilken utsträckning tre olika prediktiva analysmetoder lämpar sig för ett specifikt uppdrag gällande månadsprognoser baserat på klickdata från Flygresor.se. Målet med rapporten är att kunna redogöra för vilken av metoderna som fastställer den mest precisa prognoser för given data och vilka karakteristiska drag i datan som bidrar till detta resultat. Vi kommer att tillämpa de prediktiva analysmodellerna Holt-Winters och ARIMA, samt en utbyggd linjär approximation, på historisk klickdata och återge arbetsprocessen samt utifrån resultatet beskriva vilka konsekvenser datan från Flygresor.se förde med sig. / With digitization, society changes faster than ever and it’s important for companies to stay up to date in order to adapt their business to a constantly changing market. There exists a lot of models in business intelligence, and predictive analytics is an important one. This study investigates to what extent three different methods of predictive analytics are suitable for a specific assignment regarding monthly forecasts based on click data from Flygresor.se. The purpose of the report is to be able to present which of the methods who determines the most precise forecasts for the given data and what trends in the data that contributes to this result. We will use the predictive analytics models Holt-Winters and ARIMA, as well as an expanded linear approximation, on historical click data and render the work process as well as what consequences the data from Flygresor.se brought with them.

Beslutsfattandet är en process som är central i alla företag. För att effektivisera och hantera de enorma datamängder som samlas in hos företag har arbetet med prediktiva modeller och prediktiv analys ökat lavinartat de senaste åren. Genom en gedigen datainsamling av både öppna och historiska data från olika tekniker exempelvis Internet of Things (IoT) -sensorer kan företag skapa en automatiserad prediktiv modell. Den prediktiva modellen hjälper sedan företaget att förutse mönster och sannolikheter som den mänskliga motsvarigheten eller vanlig statistik modellering inte hade klarat av på samma sätt. Syftet med denna explorativa kandidatuppsats i informatik är att beskriva och analysera företags datainsamlingsprocess, användningsprocess samt vilka affärsmässiga effekter företagen får med arbetssättet prediktiv analys och prediktiva modeller som ligger till grund för bättre beslutsfattande. För att besvara syftet har författaren valt att genomföra en kvalitativ studie där den empiriska insamlingen genomfördes genom semi-strukturerade intervjuer. Vidare kopplads den empiriska insamlingen med tidigare forskning där analysmodellen står för strukturen. Intervjuerna har genomförts med personer på tre olika företag som besitter hög kunskap inom området. Resultatet av studien visar på att datainsamlingsprocessen ligger till grund för att arbetet med prediktiva modeller och prediktiv analys ska ge bättre beslutsfattande. För att effektivisera arbetet på bästa sätt så måste de data som samlas in hålla en hög grad av kvalité. När företag arbetar med prediktioner är inte alltid alla de data som samlas in intressanta för att slutföra uppgiften. Detta innebär att företaget måste rengöra de data som samlas in. Studien har kommit fram till att konsekvent data är nyckeln till att hålla kvalitén hög. För att kunna utföra användningen av prediktiva modeller och prediktiv analys måste det existera kunddata i olika former exempelvis historiska och öppna data. Slutligen uppstår det vid ett lyckat arbete olika affärsmässiga effekter hos företagen i form av ökad produktivitet och ökad kundnöjdhet.

Predictive Analysis is a process for extracting information from large amounts of data and using it to make qualified predictions about future results. While previously the lack of available data has been a challenge within the field, big questions today are instead how to use the results, and the way in which these are presented in order for the user to be able to take advantage of the information. The purpose of this thesis has been to create hypotheses for how predictive analysis can be used in practical decision-making contexts, whereby the decision- maker is under time pressure, especially with regard to how the result can be visualized. This has been done through a case study at the Uppsala Ambulance Monitoring Center. The method used for the study is called Contextual Design, which has helped create an understanding of the users and the system they work in. Using this understanding, a prototype has been created, which has been tested on the users to see how well they have been able to interpret the information that has been visualized. Predictive analysis has proved to be helpful primarily in less urgent cases and to help the decision maker to differentiate matters similar to each other. For visualization of the predictive results, it has been found that these is better shown as a comparison between the user's decision hypothesis and historical decision results rather than only as an absolute value. Furthermore, it has been found that a high degree of transparency in the information on which the results are based is preferable, but that it is important that clear explanations are given for the results shown.

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.

Projektet genomfördes i samarbete med Siemens Healthineers i syfte att utreda möjligheter till att prognostisera vårdflöden. Det genom att undersöka hur big data tillsammans med maskininlärning kan utnyttjas för prediktiv analys. Projektet utgjordes av två fallstudier med mål att, baserat på data från tidigare MRT-undersökningar, förutspå undersökningstider för kommande undersökningar respektive identifiera patienter som riskerar att missa inbokad undersökning. Fallstudierna utfördes med hjälp av programmeringsspråket R och tre olika inbyggda funktioner för maskininlärning användes för att ta fram prediktiva modeller för respektive fallstudie. Resultaten från fallstudierna gav en indikation på att det med en större datamängd av bättre kvalitet skulle vara möjligt att förutspå undersökningstider och vilka patienter som riskerar att missa sin inbokade undersökning. Det talar för att den här typen av prediktiva analyser kan användas för att prognostisera vårdflöden, något som skulle kunna bidra till ökad effektivitet och kortare väntetider i vården. / This project was performed in cooperation with Siemens Healthineers. The project aimed to investigate possibilities to forecast healthcare processes by investigating how big data and machine learning can be used for predictive analytics. The project consisted of two separate case studies. Based on data from previous MRI examinations the aim was to investigate if it is possible to predict duration of MRI examinations and identify potential no show patients. The case studies were performed with the programming language R and three machine learning methods were used to develop predictive models for each case study. The results from the case studies indicate that with a greater amount of data of better quality it would be possible to predict duration of MRI examinations and potential no show patients. The conclusion is that these types of predictive models can be used to forecast healthcare processes. This could contribute to increased effectivity and reduced waiting time in healthcare.

The rise of technology and digitalization has greatly impacted organizations, particularly in the field ofHuman Resources (HR). To stay competitive in this evolving landscape, HR departments are increasingly adopting Business Intelligence (BI) as a useful umbrella concept to collect, store, access, and analyze data for data-driven decision-making. However, as research states, many HR organizations struggle to fully leverage the benefits of BI and therefore only adapt mere basic BI capabilities. This study aims to address this gap by examining how HR organizations can develop their BI maturity and identify the key categories and factors that influence it, as well as highlight the main hurdles in the journey towards higher BI maturity. To fulfill this purpose, a case study was conducted which centered around semi-structured interviews with respondents from the case company. The results from the interviews show that there are several factors deemed important when assessing BI maturity and we classify these factors into Organization & Structure, Data Governance and System, Tools & Technology. This study’s results are for the most part consistent with previous research on assessing BI maturity. However, the focus on HR departments reveals some interesting findings. Within these categories, the following factors, among others, have emerged as important to consider. Namely organizational culture and a collaborative mindset to promote the adoption of higher levels of analytics through the entire organization. Moreover, making HR more impactful in the sense of actionability and by demonstrating a cause-effect relationship emerges as a central and multi-faceted aspect when assessing BI maturity. Organizational management of data centralization is also considered a significant factor for HR. In addition, another central aspect to regard is GDPR, as it directly affects the collection, storing and analysis of personal data, consequently becoming crucial for HR to assess. The study also identified hurdles hindering HR departments from reaching higher levels of maturity, such as cross-functional collaboration and data transparency between departments. Furthermore, GDPR legislation hinders the possibility of distributing certain data and combining sensitive data with other sources. Additionally, a barrier to the successful utilization of existing tools and systems is considered to be related to the competence of employees. / Teknikens och digitaliseringens framväxt har haft stor inverkan på organisationer, särskilt inom området för Human Resources (HR). För att förbli konkurrenskraftiga i denna föränderliga miljö använder HR-avdelningar i allt större utsträckning Business Intelligence (BI) som ett användbart paraplykoncept för att samla in, lagra, få tillgång till och analysera data för datadrivet beslutsfattande. Forskningen visar dock attmånga HR-organisationer kämpar med att utnyttja fördelarna med BI fullt ut och därför bara anpassar sig till de mer grundläggande BI-funktionerna. Den här studien syftar till att åtgärda denna brist genom att undersöka hur HR-organisationer kan utveckla sin BI-mognad och identifiera de viktigaste kategorierna och faktorerna som påverkar detta, samt belysa de viktigaste hindren på vägen mot högre BI-mognad. För att uppfylla detta syfte genomfördes en fallstudie som var centrerad kring semistrukturerade intervjuer med respondenter från fallföretaget. Resultaten från intervjuerna visar att det finns flera faktorer som anses vara viktiga vid bedömningen av BI-mognad och klassificerar dessa faktorer i Organisation & Struktur, Datastyrning och System, Verktyg & Teknologi. Resultaten från denna studie stämmer till största delen överens med tidigare forskning om bedömningen av BI-mognad. Fokuseringen på HR-avdelningar ger dock några intressanta resultat. Inom dessa kategorier har bland annat följande faktorer framkommit som viktiga att beakta. Specifikt framhävs organisationskultur och ett samarbetsinriktat tänkande för att främja antagandet av högre nivåer av analys genom hela organisationen. Dessutom framstår det som en central och mångfacetterad aspekt vid bedömningen av BI-mognad att göra HR mer betydelsefull, i form av handlingsförmåga och genom att visa på orsak-verkan samband. Den organisatoriska hanteringen av datacentralisering anses också vara en viktig faktor för HR. En annan central aspekt att beakta är dessutom GDPR, eftersom den direkt påverkar insamlingen, lagringen samt analysen av persondata och blir därav avgörande för HR att bedöma. I studien identifierades även särskilda hinder som håller tillbaka HR-avdelningar från att nå högre mognadsnivåer, till exempel tvärfunktionellt samarbete och datatransparens mellan avdelningar. Dessutom hindrar GDPR-lagstiftningen möjligheten att distribuera vissa uppgifter samt att kombinera känsliga uppgifter med andra källor och avdelningar. Dessutom anses ett hinder för ett framgångsrikt utnyttjande av befintliga verktyg och system vara relaterat till de anställdas kompetens.