Digital övervakning leder till både positiva och negativa upplevelser hos studiens respondenter. Vi visar att medarbetare som känner sig sedd som människa, också ställer sig positiva till mer intensiv digital övervakning. Med stöd i respondenternas positiva upplevelser, går studien längre än tidigare litteratur som utgått från medarbetarperspektiv. Vilket medför både praktiska och teoretiska implikationer för övervakning med digitala medel

Based on the progress in Computer Vision and Natural Language Processing fields, Vision-Language (VL) models are designed to process information from images and texts. The thesis focused on the performance of a model, Oscar, on different datasets. Oscar is a State-of-The-Art VL representation learning model based on a pre-trained model for Object Detection and a pre-trained Bert model. By comparing the performance of datasets, we could understand the relationship between the properties of datasets and the performance of models. The conclusions could provide the direction for future work on VL datasets and models. In this thesis, I collected five VL datasets that have at least one main difference from each other and generated 8 subsets from these datasets. I trained the same model with different subsets to classify whether an image is related to a text. In common sense, clear datasets have better performance because their images are of everyday scenes and annotated by human annotators. Thus, the size of clear datasets is always limited. However, an interesting phenomenon in the thesis is that the dataset generated by models trained on different datasets has achieved as good performance as clear datasets. This would encourage the research on models for data collection. The experiment results also indicated that future work on the VL model could focus on improving feature extraction from images, as the images have a great influence on the performance of VL models. / Baserat på prestationerna inom Computer Vision och Natural Language Processing-fält, är Vision-Language (VL)-modeller utformade för att bearbeta information från bilder och texter. Projektet fokuserade på prestanda av en modell, Oscar, på olika datamängder. Oscar är en State-of-The-Art VL-representationsinlärningsmodell baserad på en förutbildad modell för Objektdetektion och en förutbildad Bert-modell. Genom att jämföra datauppsättningarnas prestanda kunde vi förstå sambandet mellan datauppsättningarnas egenskaper och modellernas prestanda. Slutsatserna skulle kunna ge riktning för framtida arbete med VL-datauppsättningar och modeller. I detta projekt samlade jag fem VL-datauppsättningar som har minst en huvudskillnad från varandra och genererade 8 delmängder från dessa datauppsättningar. Jag tränade samma modell med olika delmängder för att klassificera om en bild är relaterad till en text. I sunt förnuft har tydliga datauppsättningar bättre prestanda eftersom deras bilder är av vardagliga scener och kommenterade av människor. Storleken på tydliga datamängder är därför alltid begränsad. Ett intressant fenomen i projektet är dock att den datauppsättning som genereras av modeller har uppnått lika bra prestanda som tydliga datauppsättningar. Detta skulle uppmuntra forskning om modeller för datainsamling. Experimentresultaten indikerade också att framtida arbete med VL-modellen kan fokusera på att förbättra funktionsextraktion från bilder, eftersom bilderna har ett stort inflytande på prestandan hos VL-modeller.

Video instance segmentation is a rapidly-growing research area within the computer vision field. Models for segmentation require data already annotated, which can be a daunting task when starting from scratch. Although there are some publicly available datasets for image instance segmentation, they are limited to the application they target. This work proposes a new approach to training an instance segmentation model using transfer learning, notably reducing the need for annotated data. Transferring knowledge from domain A to domain B can result in catastrophical forgetting, leading to an algorithm unable to properly generalize and remember the previous knowledge acquired at the initial domain. This problem is studied and a solution is proposed based on data transformations applied precisely at the process of transferring knowledge to the target domain following the empirical research method and using publicly available video instance segmentation datasets as resources for the experiments. Conclusions show there is a relationship between the data transformations and ability to generalize both domains. / Segmentering av videointervjuer är ett snabbt växande forskningsområde inom datorseende. Modeller för segmentering kräver data som redan är annoterade, vilket kan vara en krävande uppgift när man börjar från början. Även om det finns några offentligt tillgängliga datamängder för bildinstanssegmentering är de begränsade till den tillämpning de är inriktade på. I detta arbete föreslås en ny metod för att träna en modell för instanssegmentering med hjälp av överföringsinlärning, vilket framför allt minskar behovet av annoterade data. Överföring av kunskap från domän A till domän B kan resultera i katastrofal glömska, vilket leder till att en algoritm inte kan generalisera och komma ihåg den tidigare kunskap som förvärvats i den ursprungliga domänen. Detta problem studeras och en lösning föreslås som bygger på datatransformationer som tillämpas just vid överföringen av kunskap till måldomänen enligt den empiriska forskningsmetoden och med hjälp av offentligt tillgängliga datamängder för segmentering av videointervjuer som resurser för experimenten. Slutsatserna visar att det finns ett samband mellan datatransformationer och förmågan att generalisera båda områdena.

Denna kvalitativa studie undersöker den påverkan som stora datamängder och prediktiv analys har på digitala marknadsföringsstrategier i datadrivna verksamheter. Genom djupintervjuer med digitala marknadsförare och dataanalytiker inom olika branscher, bidrar studien med en inblick i respondenternas personliga uppfattning i hur dessa digitala verktyg påverkar deras strategier och affärsverksamhet i det IT-beroende arbetssystemet. Användningen av stora datamängder och prediktiv analys anses som kritiska verktyg för att på ett mer effektivt sätt samla och analysera kunddata och kundbeteenden. Detta eftersom det ger upphov till möjligheten att förutsäga kundtrender och anpassa verksamhetens marknadsföringsstrategier i realtid. Idag har företagens förmåga att på ett effektivt sätt samla in och analysera data en alltmer avgörande roll. Inte bara för att utveckla marknadsföringsstrategier, men även för att uppnå omfattande konkurrensfördelar. Studien antyder att verksamheter som integrerar stora datamängder och prediktiv analys på ett effektivt sätt i sina strategier får en ökad förståelse för sina kundsegment, detta genom en ökad insikt och kan således bättre rikta och anpassa sina marknadsföringskampanjer mot sina kundsegment. Studien uppmärksammar även utmaningar som kommer till följd av faktorer såsom datakvalitet, optimering, etik och andra aspekter som kräver noggrannhet och nödvändiga färdigheter. Framtiden inom digital marknadsföring sträcker sig alltmer mot datadrivna arbetssätt, där det finns en ökad betoning på att ta till analytiska metoder för att fatta beslut. Denna utveckling påvisar ett skifte från de traditionella marknadsföringsstrategierna till en tillämpning av ett datadrivet tillvägagångssätt. Med hänsyn till detta blir det allt viktigare för företag att anamma ett arbetssätt som ökar förmågan att snabbt anpassa sig och tillämpa tekniska verktyg för att kunna utnyttja denna potential.  Sammanfattningsvis belyser denna kvalitativa studie vikten av att integrera stora datamängder och prediktiv analys i affärs- och marknadsföringsstrategier. Detta visar sig ha en stor inverkan på att inte enbart förbättra verksamhetens marknadsföring utan även stärka den övergripande affärsverksamheten. Vilket understryker behovet av att kontinuerligt utveckla kompetenser och strategier inom dataanalys för att skapa förståelse för hur dessa kan transformera kundrelationer och affärsresultat. Detta perspektiv baseras på tolkningar av intervjuer med marknadsförare inom IT-beroende arbetssystem, och bör ses som insikter som är specifika för de undersökta fallen snarare än breda generaliseringar. / This qualitative study explores the impact of big data and predictive analytics on digital marketing strategies in data-driven businesses. Through in-depth interviews with digital marketers and data analysts in different industries, the study provides an insight into the respondents' personal perception of how these digital tools affect their strategies and business operations in the IT-reliant work system. The use of big data and predictive analytics are considered critical tools to more effectively collect and analyze customer data and behavior. This is because it gives rise to the ability to predict customer trends and adapt the business' marketing strategies in real time. Today, companies' ability to effectively collect and analyze data plays an increasingly crucial role. Not only to develop marketing strategies, but also to achieve significant competitive advantage. The study suggests that businesses that effectively integrate big data and predictive analytics into their strategies gain a better understanding of their customer segments through increased insight and can thus better target and adapt their marketing campaigns to their customer segments. The study also highlights challenges arising from factors such as data quality, optimization, ethics and other aspects that require accuracy and necessary skills. The future of digital marketing is increasingly moving towards data-driven approaches, where there is a greater emphasis on using analytical methods to make decisions. This development demonstrates a shift from the traditional marketing strategies to an application of a data-driven approach. In light of this, it is increasingly important for companies to adopt an approach that enhances their ability to quickly adapt and apply technological tools to exploit this potential. In conclusion, this qualitative study highlights the importance of integrating big data and predictive analytics into business and marketing strategies. This proves to have a great impact on not only improving the organization's marketing but also strengthening the overall business operations. This underlines the need to continuously develop data analytics skills and strategies to understand how they can transform customer relationships and business performance. This perspective is based on interpretations of interviews with marketers in IT-reliant work systems, and should be seen as insights specific to the cases studied rather than broad generalizations.

Att studera digital transformation inom en försörjningskedja ger en grundläggande förståelse för hur IT-verktyg kan omvandla operativa verksamhetsprocesser till att identifiera möjligheter och utmaningar för en verksamhet. Dock antyder tidigare studier att tillvägagångssättet för hur en verksamhet uppnår digital transformation fortfarande är ett forskningsämne som har en del kunskapsluckor, speciellt för hur ledningen uppmuntrar förändringar inom verksamheten. Genom att studera hur medarbetare påverkas av ledningens beslut inom försörjningskedjan presenterar denna forskning nya insikter rörande medarbetarnas förhållningssätt gentemot digitala förändringar. För att förklara vikten av detta används Alters Ramverk till att analysera ett IT-beroende arbetssystem samt hur digitala förändringar påverkar olika roller och verksamhetsprocesser för en verksamhet. Inte nog med det, används bland annat även IT-verksamhetsanpassning i samband med den resursbaserade vyn till att identifiera hur verksamheten kan utnyttja sina resurser och kompetenser till att förbättra verksamhetsprocesserna. Genom att göra en kvalitativ forskningsansats på medarbetarnas påverkan på operativ, taktisk och strategisk nivå ger denna forskning en god överblick för hur en verksamhet kan utvecklas och förbättras. Datainsamlingen som samlats in visar på att det är brist på IT-stöd och IT-verktyg som används, vilket hindrar takten för verksamheten att genomgå en digital transformation. Slutsatsen är att ledningen har en stor påverkan på medarbetarnas värderingar, inställningar och arbetsprocess. / Studying digital transformation in Supply Chain Management provides a comprehensive understanding of how IT-tools can transform operational business processes to identify opportunities and challenges for an organization. However, previous studies suggest that the approach to how an organization achieves digital transformation is still a research topic that has some knowledge gaps, especially on how management encourages changes within the organization. By studying how employees are affected by management decisions in supply chain management, this research presents new insights into employee attitudes towards digital change. In order to explain the importance of this, the Alters Framework is used to analyze an IT-dependent work system and how digital changes affect different roles and business processes of an organization. Not only that, but also Business IT-alignment in combination with Resource-Based View Theory is used to identify how the organization can use its resources and competencies to improve business processes. By taking a qualitative research approach to the impact of employees at operational, tactical and strategic levels, this research provides a good overview of how an organization can be developed and improved. The data collected shows that there is a lack of the IT-support and IT-tools used, which hinders the pace of the business to undergo a digital transformation. The conclusion is that management has a significant impact on employees' values, attitudes and business process.