Yes / With the emergence of information and communication technologies, organizations worldwide have been putting in meaningful efforts towards developing and gaining business insights by combining technology capability, management capability and personnel capability to explore data potential, which is known as big data analytics (BDA) capability. In this context, variables such as sensing capability—which is related to the organization’s ability to explore the market and develop opportunities—and analytics culture—which refers to the organization’s practices and behavior patterns of its analytical principles—play a fundamental role in BDA initiatives. However, there is a considerable literature gap concerning the effects of BDA-enabled sensing capability and analytics culture on organizational outcomes (i.e., customer linking capability, financial performance, market performance, and strategic business value) and on how important the organization’s analytics culture is as a mediator in the relationship between BDA-enabled sensing capability and organizational outcomes. Therefore, this study aims to investigate these relationships. And to attain this goal, we developed a conceptual model supported by dynamics capabilities, BDA, and analytics culture. We then validated our model by applying partial least squares structural equation modeling. The findings showed not only the positive effect of the BDA-enabled sensing capability and analytics culture on organizational outcomes but also the mediation effect of the analytics culture. Such results bring valuable theoretical implications and contributions to managers and practitioners.

Intelligenta Transportsystem (ITS) utgör idag en central del i arbetet att försöka höja kvaliteten i transportnätverken, genom att exempelvis ge stöd i arbetet att leda trafik i realtid och att ge trafikanter större möjlighet att ta informerade beslut gällandes sin körning. Kortsiktig prediktion av trafikdata, däribland trafikvolym, spelar en central roll för de tjänster ITS-systemen levererar. Den starka teknologiska utvecklingen de senaste decennierna har bidragit till en ökad möjlighet till att använda datadriven modellering för att utföra kortsiktiga prediktioner av trafikdata. Säsongsbaserad ARIMA (SARIMA) är en av de vanligaste datadrivna modellerna för modellering och predicering av trafikdata, vilken använder mönster i historisk data för att predicera framtida värden. Vid modellering med SARIMA behöver en mängd beslut tas gällandes de data som används till modelleringen. Exempel på sådana beslut är hur stor mängd träningsdata som ska användas, vilka dagar som ska ingå i träningsmängden och vilket aggregationsintervall som ska användas. Därtill utförs nästintill enbart enstegsprediktioner i tidigare studier av SARIMA-modellering av trafikdata, trots att modellen stödjer predicering av flera steg in i framtiden. Besluten gällandes de parametrar som nämnts saknar ofta teoretisk motivering i tidigare studier, samtidigt som det är högst troligt att dessa beslut påverkar träffsäkerheten i prediktionerna. Därför syftar den här studien till att utföra en känslighetsanalys av dessa parametrar, för att undersöka hur olika värden påverkar precisionen vid prediktion av trafikvolym. I studien utvecklades en modell, med vilken data kunde importeras, preprocesseras och sedan modelleras med hjälp av SARIMA. Studien använde trafikvolymdata som insamlats under januari och februari 2014, med hjälp av kameror placerade på riksväg 40 i utkanten av Göteborg. Efter differentiering av data används såväl autokorrelations- och partiell autokorrelationsgrafer som informationskriterier för att definiera lämpliga SARIMA-modeller, med vilka prediktioner kunde göras. Med definierade modeller genomfördes ett experiment, där åtta unika scenarion testades för att undersöka hur prediktionsprecisionen av trafikvolym påverkades av olika mängder träningsdata, vilka dagar som ingick i träningsdata, längden på aggregationsintervallen och hur många tidssteg in i framtiden som predicerades. För utvärdering av träffsäkerheten i prediktionerna användes MAPE, RMSE och MAE. Resultaten som experimentet visar är att definierade SARIMA-modeller klarar att predicera aktuell data med god precision oavsett vilka värden som sattes för de variabler som studerades. Resultaten visade dock indikationer på att en träningsvolym omfattande fem dagar kan generera en modell som ger mer träffsäkra prediktioner än när volymer om 15 eller 30 dagar används, något som kan ha stor praktisk betydelse vid realtidsanalys. Därtill indikerar resultaten att samtliga veckodagar bör ingå i träningsdatasetet när dygnsvis säsongslängd används, att SARIMA-modelleringen hanterar aggregationsintervall om 60 minuter bättre än 30 eller 15 minuter samt att enstegsprediktioner är mer träffsäkra än när horisonter om en eller två dagar används. Studien har enbart fokuserat på inverkan av de fyra parametrarna var för sig och inte om en kombinerad effekt finns att hitta. Det är något som föreslås för framtida studier, liksom att vidare utreda huruvida en mindre träningsvolym kan fortsätta att generera mer träffsäkra prediktioner även för andra perioder under året. / Intelligent Transport Systems (ITS) today are a key part of the effort to try to improve the quality of transport networks, for example by supporting the real-time traffic management and giving road users greater opportunity to take informed decisions regarding their driving. Short-term prediction of traffic data, including traffic volume, plays a central role in the services delivered by ITS systems. The strong technological development has contributed to an increased opportunity to use data-driven modeling to perform short-term predictions of traffic data. Seasonal ARIMA (SARIMA) is one of the most common models for modeling and predicting traffic data, which uses patterns in historical data to predict future values. When modeling with SARIMA, a variety of decisions are required regarding he data used. Examples of such decisions are the amount of training data to be used, the days to be included in training data and the aggregation interval to be used. In addition, one-step predictions are performed most often in previous studies of SARIMA modeling of traffic data, although the model supports multi-step prediction into the future. Often, in previous studies, decisions are made concerning mentioned variables without theoretical motivation, while it is highly probable that these decisions affect the accuracy of the predictions. Therefore, this study aims at performing a sensitivity analysis of these parameters to investigate how different values affect the accuracy of traffic volume prediction. The study developed a model with which data could be imported, preprocessed and then modeled using a SARIMA model. Traffic volume data was used, which was collected during January and February 2014, using cameras located on highway 40 on the outskirts of Gothenburg. After differentiation of data, autocorrelation and partial autocorrelation graphs as well as information criteria are used to define appropriate SARIMA models, with which predictions could be made. With defined models, an experiment was conducted in which eight unique scenarios were tested to investigate how the prediction accuracy of traffic volume was influenced by different amount of exercise data, what days was included in training data, length of aggregation intervals, and how many steps into the future were predicted. To evaluate the accuracy of the predictions, MAPE, RMSE and MAE were used. The results of the experiment show that developed SARIMA models are able to predict current data with good precision no matter what values were set for the variables studied. However, the results showed indications that a training volume of five days can generate a model that provides more accurate predictions than when using 15 or 30-day volumes, which can be of great practical importance in real-time analysis. In addition, the results indicate that all weekdays should be included in the training data set when daily seasonality is used, SARIMA modeling handles aggregation intervals of 60 minutes better than 30 or 15 minutes, and that one-step predictions are more accurate than when one or two days horizons are used. The study has focused only on the impact of the four parameters separately and not if a combined effect could be found. Further research is proposed for investigating if combined effects could be found, as well as further investigating whether a lesser training volume can continue to generate more accurate predictions even for other periods of the year.

No description available.

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.