Möjligheten att uppnå ett lönsamt och konkurrenskraftigt företag genom att tillämpa en strategi som förespråkar flexibilitet mot kund och ständig processförbättring mot kundens behov har blivit en allt mer väsentlig del på vägen mot framgång. Processerna ska generera högkvalitativa produkter och styras av motiverade och engagerade medarbetare. I följande studie har en process tillämpat mot mindre orderkvantiteter konstruerats för att öka Emballator Lagan Plasts flexibilitet mot kund och ge företaget tillfälle att öka sin årliga omsättning. Studien har formats utifrån problemformuleringen “Hur kan högre flexibilitet i produktion nås utan att öka produktionsresurserna?”. Målet med arbetet är att tillämpa en process som svarar på den potenitella kundgruppens behov, reducerar slöserier i form av lager och förflyttningar samt minskar ledtid. Utifrån genomförandet där arbetsmodellen “Förbättringskatan” användes alstrades följande resultat. En förbättrad process kan skapas genom att tillämpa en kundstyrd produktion där orden produceras i ett kontinuerligt flöde. Burk och kompatibelt lock ska sampackas i en kartong och packas med lika många burkar som lock. Det förbättrade tillståndet reducerar behovet av lager samt minskar ledtiden. De planeringspunkter som Förbättringskatan innehåller kan slutligen tillämpas av företaget vid framtida processförbättringar. Modellen möjliggör för kontinuerlig utveckling av organisationen där medarbetare får chans att förändra sitt arbete och involvera sig i förändringen mot kundens krav.

This thesis investigates the feasibility of supervised learning models in the decision-making problem to package products and predict an optimal packaging solution. The decision-making problem was broken down into a multi-class classification and a regression problem using relevant literature. Supervised learning models from the field of logistics were shortlisted namely; Generalized Linear Models, Support Vector Machines, Random Forest and Gradient Boosted Trees using CatBoost. The performance of the models were evaluated based on relevant metrics, interpretability and ease of implementation. The results from this thesis show that the Random Forest model had the best performance on all the aforementioned criteria in both the classification and regression problems. / Denna avhandling undersöker möjligheten att genomföra övervakade inlärningsmodeller i syfte att förbättra beslutsprocessen kring produktpaketering samt att förutsäga en optimal förpackningslösning. Beslutsfattandeprocessen bröts ner i klassificeringsdelar samt ett regressionsproblem med hjälp av relevant litteratur. De övervakade inlärningsmodeller från logistikområdet som har använts är ”Generalized Linear Models”, ”Support Vector Machines”, ”Random Forest” och ”Gradient Boosted Trees using CatBoost”. Modellerna har utvärderades utifrån relevanta mätvärden, tolkbarhet och enkelhet avseende implementering. Resultaten i denna avhandling visar att ”Random Forest”-modellen har bäst prestanda på alla ovannämnda kriterier, både vad gäller klassificerings- och regressionsproblemen.