No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

Företag med nöjda kunder har i tidigare studier visat sig ha ett samband med långsiktig framgång. Detta har lett till olika försök i att mäta just kundnöjdhet samt att se vad som kan tänkas påverka variabeln. Net Promoter Score (NPS) är ett exempel på en poäng som ger ett mått på kundnöjdhet men som däremot inte ger någon informationom bakomliggande faktorer. NPS beräknas med hjälp av kunders svar på frågan: ”På en skala från 1–10, hur troligt är det att du skulle rekommendera företag X till en kompis eller kollega?”. Det besvarade värdet betecknas med Promote Value. Kunderna delas in i tre olika grupper beroende på vilket Promote Value de angett och NPS kan sedan beräknas. NPS anses vara ett relativt enkelt mått vad gäller både beräkning och tolkning. I denna studie analyseras sambandet mellan responsvariabeln Promote Value och förklaringsvariabler i syfte att kunna undersöka bakomliggande faktorer. Tre logitmodeller väljs ut för detta och underliggande antaganden undersöks. Samtliga modeller skattas för tre olika branscher som vidare är indelade i två kundkategorier. Mot bakgrund av hur NPS beräknas grupperas Promote Value in i tre kategorier och används som ytterligare en responsvariabel vilken sedan jämförs mot den förstnämnda. Syftet med studien är att analysera de tre utvalda modellerna genom att granska modellantaganden och jämföra modellskattningar. Det är även av intresse att se om förklaringsvariablerna har olika samband med Promote Value mellan branscherna och kundkategorierna samt att se om resultaten skiljer sig mellan responsvariabeln med tio kategorier och responsvariabeln med tre kategorier. Resultaten visade på att det inte finns en modell som är lämplig att användas genom hela studien. För det datamaterial som använts kommer valet av modell bero på såväl responsvariabeln som bransch och kundkategori. Studien visade även på att förklaringsvariablernas samband med Promote Value ser olika ut beroende på bransch och kundkategori. Generellt visade dock en kunds värde för variabeln ”värde för pengarna” på ett starkt positivt samband med Promote Value och en kunds tidigare förväntningar av ett företag visade ofta på ett svagt samband med Promote Value. När responsvariabeln med tio kategorier grupperades till tre kategorier försvann viss information och av den orsaken rekommenderar vi att gruppera Promote Value med försiktighet.

No description available.

This bachelor thesis in applied mathematics and industrial engineering and management investigates which factors that affect the price of tickets in the travel industry. This has been done by performing different multiple linear regression analyses based on the theory from mathematical statistics and econometrics. The analyses has been made with data that has been provided by MTR Express, containing data of departures of 2016 for the main operators in the railway and airline industry. The route that has been analysed is Stockholm - Gothenburg since this is the route where MTR Express has established its business in the railway market in Sweden. The results of the linear regression analysis show that the variables "Days before departure" and the weekday of travel have the most significant impact on the prices for both train and flight tickets. The final models have an explanation degree of 50% for the railway and 51% for the airline industry. The results show many similarities and correlations between the railway and airline industries. Furthermore, some interesting differences between these subindustries appeared in the final regression models and these have been one of the aspects in the discussion. The conclusion of the thesis is that there are several different aspects affecting the price in the travel industry / Detta kandidatexamensarbete inom tillämpad matematik och industriell ekonomi undersöker vilka faktorer som påverkar priset på biljetter i resebranschen. Detta har gjorts genom linjära regressionsanalyser som har baserats på teorier inom matematisk statistik och ekonometri. Dessa analyser har gjorts möjliga med hjälp av data från MTR Express som innehåller information om avgångar under 2016 för de största aktörerna inom tåg- och flygbranschen i Sverige. Den sträcka som analyserats är Stockholm - Göteborg då detta är den rutt som MTR Express har etablerat sig på. Resultatet av de regressionsmodeller som beräknats fram visar att faktorerna "dagar före avresa" och veckodag för avresa har stor påverkan på priset för såväl flyg som tåg. De slutgiltiga modellerna visar en förklaringsgrad på 50 % och 51 % för tåg- respektive flygindustrin. Resultaten visar likheter och korrelation mellan tåg- och flygindustrin. Utöver likheter mellan branscherna har även intressanta skillnader gått att identifiera från resultaten som diskuteras i rapporten. De slutsatser som går att dra från detta kandidatexamensarbete är att det finns många faktorer som påverkar priset på resor men att vissa har större påverkan och bör tas i beaktning när man ska köpa biljetter.

As the software industry grows larger by the minute, the need for automated solutions within bug report management is on the rise. Although some research has been conducted in the area of bug handling, new, faster or more precise approaches are yet to be developed. A bug report typically contains a free text observations field where the issue can be described by a human. Research regarding processing of this type of field is extensive, however, bug reports are often accompanied with system log files which have been given less attention so far. In the 4G LTE telecommunications network, the available system log files are many and several are likely to aid the routing of bug reports. In this thesis, one system log file was chosen to be evaluated; the alarm log. The alarm logs are time series count data containing alarms raised by the system. The alarm log data have been pre-processed with data mining techniques. The Apriori algorithm has been used to mine for specific alarms and alarming objects which indicates that the bug report should be solved by a particular developer group. We extend the Apriori algorithm to a temporal setting by using a customised time dependent confidence measure. To further mine for interesting sequences of events in the logs, the sequence mining approach SPADE has been used. The extracted class-associated sequences from both pre-processing approaches are transformed into binary features possible to use as predictors in any prediction model. The results have been evaluated by predicting the correct developer group with two different methods; logistic regression and DO-probit. Logistic regression was regularised with the elastic net penalty to avoid computational issues as well as handling the sparse covariate set. DO-probit was used with a horseshoe prior; it is well suited for the sparse covariate regression problem as it is customised to obtain signals in sparse, noisy data. The results indicate that a data mining approach for processing alarm logs is promising. The results show that the rules obtained with the Apriori mining process are suitable for mining the alarm logs as most binary representations of the rules used as covariates in logistic regression are kept in the equations for the expected classes with strongly positive coefficients. Although, the overall improvement in accuracy from using the alarms logs in addition to the learned topics from free text fields is modest, the alarm logs are concluded to be a good complement to the free text information as some Apriori covariates appears to be better suited to predict some classes than some topics.