Ett pågående problem på den svenska byggmarknaden är bristen på färdigställda och genomförda byggprojekt då de oftast ej håller tidsramen eller budgeten. Flertalet medier tar upp ofullständiga projekt och arbeten som kostat samhället och skattebetalarna enorma summor. Detta är anledning till varför en närmare granskning behöver göras hos byggföretagens arbetssätt med fokus på det första stadiet i budgeteringen och planeringen. Syftet är att undersöka hur de 50 största byggföretagen aktiva på den svenska marknaden budgeterar för oönskade kostnader, dess marginal av budgeten, intäktsförluster, samt hur de planerar för den begränsade tidsramen inför byggprojekt. Historisk data är den mest använda metoden för vad man baserar marginalen på samt när kalkylering av eventuellt minskade intäkter görs. Däremot är kontinuerlig övervakning av risker den mest använda metoden för budgeteringsprocessen för oönskade kostnader samt prioritering av kritiska aktiviteter för beräkning av tidsramen. En annan slutsats är att bland de 50 största byggföretagen är marginalen för oönskade kostnader generellt sett inte över 10 % i budgeten. / An ongoing problem on the Swedish construction market is the lack of finished and completed construction projects due to extended timeframe and going over budget. Swedish media reports about uncompleted construction projects that cost the society and the taxpayers a great deal of money. This is why it is important to do a closer examination of their working method for budgeting and planning the project. The purpose is to examine how the 50 largest construction companies active on the Swedish market are budgeting for contingency costs, its margin of the budget, revenue loss and also how they manage the limited timeframe for the project.  Historic data is the most common used method when deciding the margin and also when calculating eventual income losses. On the other hand the companies prefer continuous monitoring of risks in the process of budgeting for contingency costs and prioritizing of critical activities when setting the timeframe. Another conclusion is that among the 50 largest construction companies, the margin for contingency costs is in general not above 10 % of the budget.

In the current mobile telecommunication market, with slow growth in mobile subscriptions and increasing traffi demand, each mobile operator needs to manage their customer loyalty in order to maintain position in the market. To retain their customer's loyalty, the user quality of satisfaction needs to be preserved. Integrating a Quality of Experience (QoE) approach into a radio resource scheduling scheme can be a means to improve user quality of satisfaction to a service. However, the enhancement of existing resource allocation management to support a QoE-based resource scheduling scheme needs a careful consideration since it will impact the mobile operator's investment cost. A profitability assessment of QoE-based resource allocation is required as a basis for the mobile operator to forecast their potential benefit of QoE-based resource scheduling deployment. This thesis investigated the profitability of deploying QoE-based radio resource management (RRM) in terms of revenue loss compared to proportional fair (PF) scheduling, a widely used resource allocation scheme, in delivering a streaming video service. In QoE-based RRM, a buffering percentage experienced by a user was considered in the resource allocation decision process. The two scheduling schemes were simulated in different network configurations. User satisfaction was quantified in terms of mean opinion score. Given the degree of satisfaction for each user, a number of users who would be likely to churn was obtained. A cost-benefit assessment was then conducted by predicting revenue loss due to customer churn. The results from the simulation and cost analysis show that although QoE-based resource scheduling provides users with a higher degree of satisfaction for more base stations, the utilization of a QoE-based resource scheduler does not offer significant benefit to the network operator with regard to revenue loss and deployment cost when compared to a PF scheduler. This outcome indicates that if the business target is to reduce customer churn, then the operator should utilize a PF scheduler for their RRM scheme. / Den nuvarande mobiltelefonimarknaden kännetecknas av svag tillväxt av nya kunder men ett ökat nyttjande bland existerande kunder av företagens tjänster. Kundlojalitet har blivit en avgörande faktor för att uppnå en stark marknadsposition. Kundernas upplevda kvalitet utav mobiltjänsterna behöver upprätthållas på en hög nivå för att tillfredställa denna lojalitet. Att applicera en upplevad kvalitet (QoE) metod i en radio resurs kan vara ett medel till att förbättra kundernas upplevda kvalitet av mobiltj änsten. För att undersöka ifall en sådan tjänst är lönsam är det dock nödvändigt att en lönsamhetskalkyl genomförs, där investeringskostnad och systemets driftkostnad vägs mot eventuella intäkter. En lönsamhetsbedömning av QoE-baserad resursallokering krävs som grund för mobiloperatören att förutse deras potentiella fördelar med QoE-baserad resursschemaläggning. Denna uppsats undersöker lönsamheten av att implementera QoE i termer av förlorade intäkter, jämfört med proportionell rättvis (PF) schemaläggning, i att leverera en videoströmservice. I QoE-baserad RRM användes buffertprocentandel som användes av användarna i resursallokeringsprocessen.  De två olika systemen simulerades genom att använda olika antal basstationer i mobilnätverkskonfigurationen. Användarnöjdhet kvantifierades genom att låta användarna betygsätta tjänsten, detta värde användes därefter till att uppskatta hur många av kunderna som sannolikt ej skulle återanvända tjänsten. En lönsamhetskalkyl genomfördes genom att prediktera förlorade intäkter med avseende på kunderna som ej skulle återanvända tjänsten. Resultaten från simulerings- och lönsamhetsberäkningen visade att även om QoE erbjuder en högre kundnöjdhet av tjänsten och tillfredsställelse för er basstationer, så leder inte en QoE-implementering till signikanta fördelar för nätverket i termer av förlorade intäkter och investeringskostnader jämfört med ett PF schemaläggare. Detta indikerar att om ett företags mål är att höja kundlojaliteten, då skall företaget applicera en PF schemaläggare istället för QoE.

Loss of revenue due to erroneous invoicing is a serious problem for many companies in the repair and maintenance industry. Revenue loss can occur in many ways, for example by consistently charging the wrong hourly price for services. If a company is experiencing revenue loss, it is incredibly important to detect it, find where it is happening, and estimate the size of it in order to treat it. The goal of this work is to find statistical methods for detecting incorrectly charged services in a dataset of invoices, and estimate the loss of revenue in the same dataset. The dataset used comes from a real company experiencing revenue loss through incorrectly charged prices for services, and thus represents a real world instance of this problem. Multiple machine learning methods with different levels of supervision are tested for detecting anomalous invoice items and estimating revenue loss using raw invoice data. Neural network regression, and different decision tree regression methods, as well as an ensemble of these are tested and compared. The dataset has ground truth labels for each price, thus results are compared to real world targets. It is found that an ensemble using a weighted average of predictions from neural network regression and gradient boosted decision tree regression to predict the charged prices in an invoice dataset performs anomaly detection most reliably. On the top 1000 anomaly candidates, this method flags anomalies correctly 87% of the time, catching 45% of all anomalies. Moreover, in terms of estimating revenue loss, using a neural network to perform regression, a revenue loss error of just 13% is achieved. / Förlorad omsättning till följd av felaktig fakturering ar ett alvarligt problem for vissa företag i service- och reparationsbranchen. Detta kan uppstå på manga satt, till exempel genom konsekvent felaktig prissättning av tjänster. Om ett företag har stor förlust av omsättning ar det otroligt viktigt att upptäcka det, hitta var det sker, och uppskatta storleken av förlusten for att kunna behandla den. Malet med detta arbete ar att hitta statistiska metoder for att identifiera felaktigt prissatta tjänster i ett dataset av fakturor, och uppskatta förlorad omsättning i datasetet. Datasetet som används kommer från ett företag som förlorar omsättning på grund av just felfakturerat pris på tjänster, och representerar därför en verklig instans av detta problem. Ett flertal maskininlärningsmetoder, med olika grader av vägledning, används for att upptäcka felaktiga fakturarader och uppskatta förlorad omsättning i omärkt fakturadata. Regression med neuronnät, och olika beslutstradmetoder såväl som en ensembel av dessa testas och jämförs. Datasetet har sanningsenliga ettiketter till varje rad, därmed kan resultaten jämföras och utvärderas mot korrekta priser. Vi finner att en ensembel av ett neuralnät och ett gradientförstärkt beslutstrad for regression identifierar felaktiga prissättningar mest pålitligt. Pa de 1000 mest sannolika felen har denna metod ratt på 87%, vilket fångar 45% av alla fel. Vidare, med hänsyn till förlorad omsättning finner vi att ett neuralnät som utför regresssion uppnår ett fel på endast 13% i sitt estimat av förlorad omsättning.