Business Intelligence (BI) syftar till att förädla data för att förbättra det organisatoriska beslutsfattandet. Bristande datakvalité orsakar många misslyckade BI-projekt och studier belyser att säkerställande av data av hög kvalité är grundläggande för att lyckas inom BI. Uppsatsens syfte var därför att skapa en förståelse av praktiska tillvägagångssätt för en sådan säkerställning. Begreppet datakvalité kan brytas ner i dimensioner för att göra det mer hanterbart, och denna studie bygger på vad som tidigare tagits fram som nyckeldimensioner. Intervjuer genomfördes med fyra konsulter med expertis och lång erfarenhet inom BI. Utöver en effektiv ETL-process och kontroller i BI-systemet, genomsyras resultatet av ett behov av förarbete inför lagring i källsystemen samt kontinuerliga avstämningsrutiner. Detta för att möjliggöra säkerställandet av data av hög kvalité i större utsträckning. Indikationer ges även på att tillvägagångssätt för att säkerställa data av hög kvalité styrs av de krav som ställs på datat för att det ska vara användbart för dess avsedda syfte.

Syftet med denna kandidatuppsats är att undersöka om och hur det går att kunna förutspå antalet gäster för en specifik skidanläggning i Sverige. Eftersom skidanläggningar är dyra att bedriva är det en viktig aspekt att kunna planera personal kostnadseffektivt. Genom att analysera skidortens stora datamängder angående historiska kunddata, tillsammans med historiska och reala väderdata, kan prediktiva analyser genomföras. Detta leder till att skidorten kan utforma bättre tillsättning av personal för att reducera liftköer i backarna, minska matsvinnet i restauranger och även minska eventuella förluster kopplade till överbemanning. Tack vare system som framkallar beslutsunderlag, så kallade beslutsstödsystem, kan företag agera konkurrenskraftigt på marknaderna. Den här studien försöker därför undersöka huruvida det går att framkalla en eventuell prognos för framtida gästantal. Genom att samla in olika typer av både kund- respektive väderdata, har tvättning av data genomförts för att sedan låta olika prediktiva modeller förutspå framtiden. Resultatet för studien påvisar betydelsen gällande bearbetningsprocessen av data, och avslutas med intressanta tankar gällande framtida forskning. Utifrån detta kan det konstateras att en eventuell prediktion är möjlig, men endast i mån av en ungefärlig gräns utifrån antalet gäster. Ett överskridande av gränsen riskerar prediktionsförmågan att försämras.

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.

Sveriges kommersiella fastighetsbestånd står för mer än en tredjedel av Sveriges BNP. När sektorn övergår till den digitala eran utvecklar fastighetsbolag sin "tekniska stack" av digitala produkter och tjänster. Dessa tjänster digitaliserar allt från konstruktion, drift, till hur de interagerar med sina hyresgäster. I sin tur skapas och lagras en stor mängd data om fastigheten, dess funktionalitet och dess hyresgäster. Kandidatuppsatsen syftar till att undersöka och klargöra nyttan av digitala produkter och tjänster i transaktionsprocessen. Eftersom marknadsvärdet är ekvivlent med köpeskillingen, granskar vår studie hur digitalisering påverkar transaktionsprocessen, prisdeterminanter och hur digital infrastruktur knyter an till dessa determinanter. Våra resultat baseras på intervjuer med erfarna fastighetsmäklare och utvalda proptechbolag verksamma på den svenska marknaden. Studien drar slutsatsen att stora mängder data konsumeras, sammanfattas och distruberas vid försäljning av fastigheter. Den främsta drivkraften bakom priset är rotad i finanser, vilka kan generaliseras som en värdefångande funktion som baseras på hyresavtal. Metoden negligerar värdeskapande och värdefångande nytta av digital infrastruktur. Bristande kunskap tycks vara huvudorsaken till den nuvarande försummelsen av digital infrastruktur vid värdering och försäljning av fastigheter. För att branschen ska kunna dra nytta av digitaliseringen behöver den utföra aktiviteter inom: digitalisering av nuvarande och nya processer, datakonsumtion och implementering av datadrivna förbättringar. / Sweden's commercial real estate market accounts for more than a third of the Swedish GDP. As the sector transitions into the digital era, real estate companies develop their "technical stack" of digital products and services. These services digitize everything from pre- construction, operations, to how they interact with their tenants. In turn, a vast amount of data about the property, its functionality, and its tenants is created and stored. The thesis aims to examine and clarify the utility of digital products and services in a real estate transaction process. As market value is equivalent to the purchase price, our study reviews how digitization affects the transaction process, price determinants, and how digital infrastructure connects to these determinants. Our results are based on interviews with experienced real estate brokers and carefully selected proptech companies active in the Swedish real estate market. The study concludes there is heavy data consumption and distribution when selling real estate. However, the main driver behind price is rooted in financials, which can be generalized as a value capture mechanism based on lease agreements. This mechanism excludes value creation and value capture of digital infrastructure. Lack of knowledge seems to be the main reason for the current neglect of digital infrastructure when valuing and selling real estate. For the industry to capitalize on the utility of digitization, it needs to conduct activities within: digitizing current and new processes, data consumption, and implementing data- driven improvements.

Advancements in Artificial Intelligence, especially in the field of natural language processing have opened new possibilities for educational chatbots. One of these is a chatbot that can simulate a conversation between the teacher and the student for continuous learner support. In an up-scaled learning environment, teachers have less time to interact with each student individually. A resource to practice interactions with students could be a boon to alleviate this issue. In this thesis, we present a machine-learning model combined with a heuristic approach used in the creation of a chatbot. The machine learning model learns language understanding using prebuilt language representations which are fine-tuned with teacher-student conversations. The heuristic compares responses and picks the highest score for response retrieval. A data quality analysis is also performed on the teacher-student conversation dataset. For results, the best-base-cased language model performed best for text classification with a weighted F1-score of 0.70. The dataset used for the machine learning model showed consistency and completeness issues regarding labelling. The Technology Acceptance Model has been used to evaluate the model. The results of this evaluation show a high perceived ease of use, but a low perceived usefulness of the present solution. The thesis contributes with the innovative TUM (topic understanding model), an educational chatbot and an evaluation of the teacher-student chatroom corpus regarding the usage for text classification. / Teknologiska framsteg i artificiell intelligens, speciellt inom språkteknologi, har öppnat för nya möjligheter för chatbottar inom utbildningssektorn. Chatbots har sett en ökande användning i olika lärandeändamål. En av dessa är en chatbot som kan simulera en konversation mellan en lärare och en student för lärandestöd. När inlärning sker på en allt större skala, har lärare allt mindre tid att lägga individuellt på varje student. En resurs för att öva på interaktioner med studenter skulle därför kunna vara ett bra hjälpmedel. I denna masteruppsats presenteras en maskininlärnings modell kombinerad med ett heuristiskt tillvägagångsätt i skapandet av en chatbot. Maskininlärningsmodellen använder sig av färdigbyggda språkrepresentationer som är finjusterade med lärare-studentkonversationer. Heuristiken jämför svar och väljer den högsta poängen för svarshämtning. En datakvalité analys är också gjord på lärare-studentkonversations datasetet. För resultat, den BERT-baserade språkmodellen gav bäst resultat för textklassificering med en weigthed-F1- score på 0.70. Datasetet som användes för maskininlärningsmodellen visade konsistens och fullständighet problem rörande etiketter. Teknologi acceptans modellen har använts för att evaluera modellen. Resultatet av evalueringen visade hög upplevd användarvänlighet, men låg upplevd användbarhet. Detta arbete bidrar med TUM (topic understanding model), en utbildningschatbot och en evaluering av datasetet teacherstudent chatroom corpus för användning till textklassificering.

Stora företag har olika avdelningar där informationen från dessa måste hanteras. Master Data Management(MDM) är ett informationshanteringssystem för att hantera information från olika källor. En MDM-implementation sker med en entitet i taget. Arbetets problemställning är att rekommendera nästa entitet att inkludera i MDM-implementationen hos Scania samt vilken leverantör som passar till implementationen. En rekommendation av entitet framställs av material från Scania och intervjuer med anställda på Scania. Rekommendationen av leverantör framställs från material från leverantörer och intervjuer med leverantörerna. Entiteten som rekommenderas är produkt som individ för att informationen i området har behov av förbättrad hantering och entiteten är nära kärnverksamheten. Orchestra Networks är leverantören som rekommenderas för att de ligger i framkant inom MDM, de är nischade mot området och är starka inom produktinformation. / Enterprises has different departments and the information from them needs management. Master Data Management(MDM) is an information handling system for handling information from different sources.  One entity at the time is implemented to MDM. The work's problem is to recommend the next entity to include in the MDM implementation at Scania as well as which provider fits the implementation. A recommendation of entity is prepared from materials provided by Scania and interviews with employees at Scania. A recommendation of provider is prepared from materials from the providers and interviews with the providers. The recommended entity is product as individual because information in the area needs improved management. Orchestra Networks is the recommended supplier because they are a leader among the MDM providers, they are specialised in the area and they are strong in the product information area.