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.

Nytt AB is a startup focusing on simplifying the concept of smart manufacturing to small and medium-sized companies providing an add-on machine monitoring solution for data analyzing. The product is currently under development with the final product soon to be launched. In the next phase of Nytt AB, a marketing plan has to be strategized. This thesis, which is built on previous Nytt AB’s work, focuses on addressing issues that will be important when creating a marketing and sales strategy. The customer is put as the focal point and the customer values analyzed including discussions on productivity improvements within the machines and how to standardize the changes to satisfy every customer. Using research questions as a base for the study, the customer values were analyzed by first understanding the main threats, weaknesses, strengths, and opportunities for the product and then analyzing data from an installed prototype and the improvements that can be achieved based on the data. The customers can, by using the product get statistical facts about their machines which can be the first step to understand the need for changes within their company. With future development, further customer values will appear, such as providing aid on how to improve KPIs such as availability. Providing this information to the customers will help them obtain a better insight into the field of smart manufacturing, the manufacturing of the future. / Nytt AB är ett nystartat företag som fokuserar på att förenkla konceptet smart tillverkning för små och medelstora företag och erbjuder en maskinövervakningslösning för dataanalys. Produkten är just nu under utveckling, slutprodukten planeras lanseras snart. Nästa steg för Nytt AB är att strukturera en marknadsplan. Detta examensarbete, som bygger på tidigare arbete i Nytt AB, fokuserar på frågor som kommer att vara viktiga när man skapar en marknadsförings- och försäljningsstrategi. Kunden blir i fokus när kundvärdena är analyserade inklusive i diskussioner om produktivitetsförbättringar för maskiner och hur man standardiserar förändringarna för att uppfylla kundens krav. Med hjälp av forskningsfrågor, analyseras kundvärdena genom att först förstå de viktigaste hoten, svagheterna, styrkorna och möjligheterna för produkten och sedan analyseras data från prototypen och de förbättringar som kan uppnås baserat på given data. Kunderna kan genom att använda produkten få statistik om sina maskiner vilket kan vara första steget att inse behovet av förändringar inom kundföretaget. Vid utveckling kommer ytterligare kundvärden att dyka upp, till exempel metoder på hur man förbättrar olika nyckeltal, såsom tillgänglighet. Att ge denna information till kunderna hjälper dem att få en bättre inblick i smart tillverkning, framtidens tillverkning.

Den här rapporten handlar om en ändring i livsmedelsföretaget Freezing Food Småland Öland AB:s avfrostningsrutin för deras förångare i frysrummet. Ändringen gick ut på att avfrostningstiden och maxtemperaturen sänktes samt att tiden mellan avfrostningarna nu sker varannan i stället för varje natt. Syftet var att undersöka om ändringen av rutinen hade bidragit till en minskad energiförbrukning i förhållande till innan ändringen gjordes genom att också granska andra faktorer än själva avfrostningen som kunde tänkas påverka energiförbrukningen. Metoden gick ut på att insamla och analysera stora datamängder tillhandahållna av företaget för att sedan reducera dem till hanterbara siffror. Även data för lokala utomhustemperaturer samlades in. Med hjälp av detta beräknades medelvärden för en given tidsperiod för energiförbrukning, lagerhållning och utomhustemperatur. Resultatet visade en sänkning av energiförbrukningen, hur stor andel som berodde på avfrostningens ändrade rutiner lämnade undersökningen obesvarat. Utomhustemperaturen bör ha minskat effektbehovet, samtidigt bör lagerhållningen ökat den. Slutsatsen blev att mer tid behövde passera och en ny undersökning behöver framställas efter att avfrostningsrutinen ändrades för att möjliggöra en säkrare bedömning. / This report is about a change in the food company Freezing Food Småland Öland AB’s defrosting routine for their evaporators in the freezer warehouse. The change was that the defrosting time and maximum temperature were reduced and that the time between defrostings now takes place every other night instead of every night. The aim was to examine whether the change in the routine had contributed to a reduction in energy consumption compared to before the change was made by also examining factors other than defrosting itself that might affect energy consumption. The method was to collect and analyze large amounts of data provided by the company and then reduce them to manageable figures. Data for local outdoor temperatures were also collected. This calculated averages for a given time period for energy consumption, warehousing and outdoor temperature. The results showed a decrease in energy consumption, the proportion due to the change in defrosting procedures left the investigation unanswered. The outdoor temperature should have reduced the power requirement, at the same time the storage should have increased it. It was concluded that more time needed to pass,and a new study needed to be produced after the defrosting routine was changed to allow for a safer assessment.

Digital media används av miljontals människor dagligen för att använda olika tjänster. Den digitala utvecklingen är något som universitet kan utnyttja för att på ett smidigare sätt nå ut till sökande studenter samt redan studerande på universitetet. I studien undersöks sambandet av Business Intelligence (BI) och digital teknik på digital marknadsföring inom universitets olika informationssystem. Resultatet visade att digital marknadsföring är en viktig del av universitets informationssystem eftersom det ger möjlighet att nå ut till målgrupperna på ett effektivt sätt. Resultatet indikerade även att BI hjälper universiteten att få insikt i hur deras marknadsföringskanaler presterar och att identifiera de mest effektiva marknadsföringskanalerna. Vilket ger universitetet möjlighet att fokusera på de bästa kanalerna och justera marknadsföringen för att öka effektiviteten. Respondenterna använde olika kanaler, inklusive sociala medier, sökordsannonsering och webben för att nå sin målgrupp och justerade sin marknadsföring till specifika kulturella behov hos målgruppen. Digital teknik var avgörande för att samla in och analysera data från olika kanaler vilket bidrog till att förbättra marknadsföringen och attrahera fler studerande. Undersökningen indikerade på att vissa universitet delar stora mängder data som samlas in från marknadsföring/kommunikationsavdelningen på lärosätet till andra delar av universitets olika informationssystem och avdelningar, för att effektivisera samarbetet mellan områdena på lärosätet. Å andra sidan ansåg vissa universitets avdelningar att de inte hade lika stor nytta av den typen av insamlade data. Lagar som exempelvis GDPR indikerade en betydande påverkan på universitetens användning av BI och hur de får marknadsföra, samla in samt kommunicera sitt lärosäte. / Digital media is used by millions of people daily to access various services. This digital development is something that universities can take advantage of to more easily reach out to prospective students and already enrolled students at the university. This study investigates the effects of business intelligence (BI) on the work of digital marketing in connection with a university's information system. The result indicated that digital marketing is an important part of the university's information system as it provides the opportunity to reach target groups effectively. The results also indicated that BI tools can help universities gain insights into the performance of different marketing channels and identify the most effective ones. This gives the universities the opportunity to focus on the best channels and adjust their marketing efforts to increase efficiency. The respondents chose to use various channels including social media, search word advertising and the web to reach their target group and tailored their marketing to specific cultural and moral needs of the target group. Digital technology was pivotal in collecting the necessary data from various channels, which helped to improve marketing and attract more students. The study indicated that some universities share large amounts of data collected from the marketing/communications department at the institution with other parts of the university's information system and departments. This is to streamline cooperation between these areas at the institution. However, some university departments do not consider this type of collected data to be as useful. Laws such as GDPR have a significant impact on universities use of BI and how they can market, collect, and communicate with their institution.

Knowledge about forest measurements is essential for efficient and sustainableforestry. One important measurement is wood volume, both from an economicand an environmental perspective. Therefore it is crucial to measure wood vol-ume accurately and reliably. With airborne laser scanners, wood volume can beestimated at a large scale, more time efficiently than traditional, manual measure-ments. By utilising deep neural networks, we present methods to predict woodvolume on point clouds efficiently and accurately. Different network structuresfor point cloud regression are devised using field measurements from wood har-vesters and manual field measurements. To achieve more data, techniques tosplit up areas into smaller subareas and data augmentation methods were imple-mented. Our version of GDANet adapted for regression provided the best resultswith a RMSE of 62.68, MAPE of 24.7%, and relative RMSE of 28.0%. Furthermore,the final model produces more accurate wood volume predictions than more shal-low machine learning methods and predictions from Skoglig Grunddata.

This master thesis handles the development of an automatic benchmarking program for wind turbines and the thesis works as the theoretical basis for this program. The program is created at the request of the power company OX2 who wanted this potential to be investigated. The mission given by the company is to: 1. to find a good key point indicator for the efficiency of a wind turbine, 2. to find an efficient way to assess this and 3. to write a program that does this automatically and continuously. The thesis determines with a study of previous research that the best method to utilize for these kinds of continuous analyses are artificial neural networks which can train themselves on historical data and then assess if the wind turbine is working better or worse than it should with regards to its history. This comparison between the neural network predicted operation and the actual operation works as the measurement of the efficiency, the key point indicator for how the turbine work compared to how it historically should operate. The program is based on this principle and is completely written in MATLAB. Further testing of the program found that the best variables to use are wind speed and the blade pitch angle as input variables for the neural network and active power as the target used as the variable to predict and assess the operation. The final program was able to be fully automated and integrated into the OX2 system thanks to the possibility to continuously import wind turbine data through APIs. In the final testing was the program able to identify 75% of the anomalies manually found in the half year and in the five turbines used for this thesis, the small anomalies not found manually but identified by the program excluded. / Den här masteruppsatsen hanterar utvecklandet av ett automatiskt driftanalyseringsprogram för vindkraftverk och fungerar som det teoretiska underlaget för detta program. Programmet utvecklades på uppdrag av kraftbolaget OX2 som ville undersöka potentialen för ett sådant analysprogram i deras verksamhet. Uppdraget givet var att: 1. ta fram en bra indikator när det gäller den faktiska effektiviteten av ett vindkraftverk, 2. att hitta ett effektivt sätt att använda detta måttet i en analys där målet är att hitta avvikelser, och 3. skriva ett program som automatiskt kan använda måttet och metoden över tiden. Rapporten kommer via litteraturstudie fram till att tidigare forskning visar på att neurala nätverk är den mest lovande metoden för att genomföra sådan här analys. Dessa nätverk kan träna sig själva på historiska data och sedan analysera om vindturbinen arbetar bättre eller sämre än historiskt. Den här jämförelsen mellan den historiskt grundade förutspådda kraften ut och den faktiska kraften ut fungerar som kvalitetsmåttet på hur bra turbinen fungerar. Programmet är baserat på den här principen och är helt skriven i MATLAB. Vidare tester av programmet visar att de bästa variablerna att använda för att förutspå kraften ut är vindhastigheten och bladens vinkel mot vinden. Slutprogrammet var kapabelt att fullt automatiskt och integrerat i OX2s system identifiera 75% av alla avvikelser som manuellt hittats i ett halvårs data på de fem turbinerna använda för rapporten, småfel hittade av programmet men inte manuellt exkluderat.

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.

Paradox Interactive is a Swedish video game developer and publisher which has players all around the world. Paradox’s largest platform in terms of amount of players and revenue is the PC. The goal of this thesis was to make a churn predic-tion model to predict the probability of players churning in order to know which players to focus on in retention campaigns. Since the purpose of churn prediction is to minimize loss due to customers churning the focus was on big-spenders (whales) in Paradox PC games. In order to define which players are big-spenders the spending for players over a 12 month rolling period (from 2016-01-01 until 2018-12-31) was investigated. The players spending more than the 95th-percentile of the total spending for each pe-riod were defined as whales. Defining when a whale has churned, i.e. stopped being a big-spender in Paradox PC games, was done by looking at how many days had passed since the players bought something. A whale has churned if he has not bought anything for the past 28 days. When data had been collected about the whales the data set was prepared for a number of di˙erent supervised machine learning methods. Logistic Regression, L1 Regularized Logistic Regression, Decision Tree and Random Forest were the meth-ods tested. Random Forest performed best in terms of AUC, with AUC = 0.7162. The conclusion is that it seems to be possible to predict the probability of churning for Paradox whales. It might be possible to improve the model further by investi-gating more data and fine tuning the definition of churn. / Paradox Interactive är en svensk videospelutvecklare och utgivare som har spelare över hela världen. Paradox största plattform när det gäller antal spelare och intäk-ter är PC:n. Målet med detta exjobb var att göra en churn-predikterings modell för att förutsäga sannolikheten för att spelare har "churnat" för att veta vilka spelare fokusen ska vara på i retentionskampanjer. Eftersom syftet med churn-prediktering är att minimera förlust på grund av kunderna som "churnar", var fokusen på spelare som spenderar mest pengar (valar) i Paradox PC-spel.För att definiera vilka spelare som är valar undersöktes hur mycket spelarna spenderar under en 12 månaders rullande period (från 2016-01-01 till 2018-12-31). Spelarna som spenderade mer än 95:e percentilen av den totala spenderingen för varje period definierades som valar. För att definiera när en val har "churnat", det vill säga slutat vara en kund som spenderar mycket pengar i Paradox PC-spel, tittade man på hur många dagar som gått sedan spelarna köpte någonting. En val har "churnat" om han inte har köpt något under de senaste 28 dagarna.När data hade varit samlad om valarna var datan förberedd för ett antal olika maskininlärningsmetoder. Logistic Regression, L1 Regularized Logistic Regression, Decision Tree och Random Forest var de metoder som testades. Random Forest var den metoden som gav bäst resultat med avseende på AUC, med AUC = 0, 7162. Slutsatsen är att det verkar vara möjligt att förutsäga sannolikheten att Paradox valar "churnar". Det kan vara möjligt att förbättra modellen ytterligare genom att undersöka mer data och finjustera definitionen av churn.

Ägare av webbplatser och applikationer tjänar ofta på att användare klickar på deras länkar. Länkarna kan bland annat vara reklam eller varor som säljs. Det finns många studier inom dataanalys angående om en sådan länk kommer att bli klickad, men få studier fokuserar på hur länkarna kan justeras för att bli klickade. Problemet som företaget Flygresor.se har är att de saknar ett verktyg för deras kunder, resebyråer, att analysera deras biljetter och därefter justera attributen för resorna. Den efterfrågade lösningen var en applikation som gav förslag på hur biljetterna skulle förändras för att bli mer klickade och på såsätt kunna sälja fler resor. I detta arbete byggdes en prototyp som använder sig av två olika datautvinningsmetoder, klustring med algoritmen DBSCAN och klassifikation med algoritmen k-NN. Algoritmerna användes tillsammans med en utvärderingsprocess, kallad DNNA, som analyserade resultatet från dessa två algoritmer och gav förslag på förändringar av artikelns attribut. Kombinationen av algoritmerna tillsammans med DNNA testades och utvärderades som lösning till problemet. Programmet lyckades förutse vilka attribut av biljetter som behövde justeras för att biljetterna skulle bli mer klickade. Rekommendationerna av justeringar var rimliga men eftersom andra liknande verktyg inte hade publicerats kunde detta arbetes resultat inte jämföras. / Owners of websites and applications usually profits through users that clicks on their links. These can be advertisements or items for sale amongst others. There are many studies about data analysis where they tell you if a link will be clicked, but only a few that focus on what needs to be adjusted to get the link clicked. The problem that Flygresor.se have is that they are missing a tool for their customers, travel agencies, that analyses their tickets and after that adjusts the attributes of those trips. The requested solution was an application which gave suggestions about how to change the tickets in a way that would make it more clicked and in that way, make more sales. A prototype was constructed which make use of two different data mining methods, clustering with the algorithm DBSCAN and classification with the algorithm knearest neighbor. These algorithms were used together with an evaluation process, called DNNA, which analyzes the result from the algorithms and gave suggestions about changes that could be done to the attributes of the links. The combination of the algorithms and DNNA was tested and evaluated as the solution to the problem. The program was able to predict what attributes of the tickets needed to be adjusted to get the tickets more clicks. ‘The recommendations of adjustments were reasonable but this result could not be compared to similar tools since they had not been published.

This thesis aims to give insight into a novel approach for quantifying car traffic in developing cities. This is necessary to improve efficiency in resource allocation for improvements in infrastructure. The project took form of a case study of neighborhoods in the city of Nairobi, Kenya. The approach consists of a method which relies on topics from the field of Topological Data Analysis, together with the use of large data sources from taxi services in the city. With this, both qualitative and quantitative insight can be given about the traffic. The method was proven useful for understanding how traffic spreads, and to differentiate between levels of congestion: quantifying it. However, it failed to detect the effect of previous improvements of infrastructure. / Målet med rapporten är att ge insikt i en innovativ ansats för att kvantifiera biltrafik i utvecklingsstäder. Detta kommer som en nödvändighet för att kunna förbättra resursfördelning i utvecklandet av infrastruktur. Projektet utspelade sig som en fallstudie där stadsdelar i Nairobi, Kenya studerades. Ansatsen innefattar en metod som bygger på tekniker från topologisk dataanalys (eng. \textit{Topological Data Analysis}), tillsammans med stora datakällor från taxitjänster i staden. Detta hoppas ge både kvalitativ och kvantitativ information om trafiken i staden. Metoden visade sig vara användbar för att förstå hur trafik sprider sig och att differentiera mellan nivåer av trafik, alltså att kvantifiera den. Tyvärr så misslyckades metoden visa sig användbar för att mäta förbättringar i infrastruktur.