Studies show that the average lifespan of large companies is decreasing and that companies of today face a higher degree of market-saturation caused by globalization. In order for companies to stay alive, they need to scan for trends outside their business scope, which can be done by adopting corporate foresight. This thesis investigates the uniqueness of corporate foresight in large Swedish companies when compared to a European sample. The focus lies on measuring differences with regards to need, capabilities and maturity of corporate foresight. This thesis establishes that there is an ever-growing interest in studying corporate foresight from a Swedish perspective due to the high rate of innovation in the country. Based on a theoretical framework, a method is established for measuring the three main dimensions of need, capabilities and maturity. The data for the Swedish companies is empirical data from 11 Swedish companies gathered using a survey provided by the collaborator Rohrbeck Heger GmbH. The Swedish data is then compared to a European sample by using an existing database. Through the use of a quantitative method with two statistical tests, one non-parametric test (Mann-Whitney U-test) and one parametric test (Welch’s t-test), several interesting differences were found. For need, it was found that Swedish firms act in a less dynamic environment than its European counterparts, but that Swedish firms’ environment is more complex. For capabilities, Swedish firms have stronger internal capabilities with regards to culture, method sophistication and information usage. Finally, for maturity, Swedish firms have stronger perceiving abilities but weaker prospecting abilities than European firms. In summary, it is not possible to say that the overall need or maturity with regards to corporate foresight is greater or more advanced for Swedish firms. However, a conclusion is that Swedish firms have stronger capabilities for corporate foresight than its European counterparts. / Studier visar att genomsnittslivstiden för stora bolag minskar, samt att dagens företag möter en högre grad av marknadsmättnad orsakad av globalisering. För att företag ska överleva behöver de skanna efter trender utanför deras nuvarande verksamhet, vilket kan göras genom att arbeta med affärsförutseende. I detta examensarbete undersöks unika egenskaper gällande affärsförutseende i stora svenska bolag jämfört med stora europeiska bolag. Fokus ligger i att mäta skillnaderna i behov, färdigheter samt mognadsgrad av affärsförutseende. Detta examensarbete konstaterar genom flertalet källor att intresset och behovet av att utforska affärsförutseende för svenska bolag finns, eftersom Sverige är ett av världens mest innovativa länder. Från litteraturstudien etableras en metod för att mäta nivåer på de tre dimensionerna behov, färdigheter samt mognadsgrad. Empirisk data har samlats in på 11 stora svenska bolag genom en enkätbaserad intervju, där tillgång har erhållits till en granskad enkät genom samarbetspartnern Rohrbeck Heger GmbH, samt tillgång till deras databas med europeiska bolag. Den svenska datan jämförs därefter mot ett europeiskt dataset, där en kvantitativ metod används för att jämföra dessa grupper; ett icke-parametriskt test (Mann-Whitney U-test) samt ett parametriskt test (Welch’s t-test). Genom dessa tester erhålls flera intressanta skillnader mellan svenska och europeiska bolag. Gällande behov, visade resultatet att svenska bolag har ett lägre dynamiskt affärsklimat, men där affärsklimatet är mer komplext. Gällande färdigheter skiljer sig svenska bolag på de interna färdigheterna kultur, metodraffinering samt informationsanvändning. Slutligen, gällande mognadsgrad för affärsförutseende, är svenska bolag starkare på att uppfatta trender men svagare på att analysera trender. Sammanfattningsvis är det inte möjligt att dra någon slutsats överlag huruvida behov och mognadsgrad gällande affärsförutseende är mer avancerat bland svenska bolag. Däremot kan slutsatsen dras att svenska bolag har starkare färdigheter för affärsförutseende än dess europeiska motsvarigheter.

This thesis intends to evaluate the feasibility of supervised learning models for predicting house prices on the countryside of South Sweden. It is essential for mortgage lenders to have accurate housing valuation algorithms and the current model offered by Booli is not accurate enough when evaluating residence prices on the countryside. Different types of boosted decision trees were implemented to address this issue and their performances were compared to traditional machine learning methods. These different types of supervised learning models were implemented in order to find the best model with regards to relevant evaluation metrics such as root-mean-squared error (RMSE) and mean absolute percentage error (MAPE). The implemented models were ridge regression, lasso regression, random forest, AdaBoost, gradient boosting, CatBoost, XGBoost, and LightGBM. All these models were benchmarked against Booli's current housing valuation algorithms which are based on a k-NN model. The results from this thesis indicated that the LightGBM model is the optimal one as it had the best overall performance with respect to the chosen evaluation metrics. When comparing the LightGBM model to the benchmark, the performance was overall better, the LightGBM model had an RMSE score of 0.330 compared to 0.358 for the Booli model, indicating that there is a potential of using boosted decision trees to improve the predictive accuracy of residence prices on the countryside. / Denna uppsats ämnar utvärdera genomförbarheten hos olika övervakade inlärningsmodeller för att förutse huspriser på landsbygden i Södra Sverige. Det är viktigt för bostadslånsgivare att ha noggranna algoritmer när de värderar bostäder, den nuvarande modellen som Booli erbjuder har dålig precision när det gäller värderingar av bostäder på landsbygden. Olika typer av boostade beslutsträd implementerades för att ta itu med denna fråga och deras prestanda jämfördes med traditionella maskininlärningsmetoder. Dessa olika typer av övervakad inlärningsmodeller implementerades för att hitta den bästa modellen med avseende på relevanta prestationsmått som t.ex. root-mean-squared error (RMSE) och mean absolute percentage error (MAPE). De övervakade inlärningsmodellerna var ridge regression, lasso regression, random forest, AdaBoost, gradient boosting, CatBoost, XGBoost, and LightGBM. Samtliga algoritmers prestanda jämförs med Boolis nuvarande bostadsvärderingsalgoritm, som är baserade på en k-NN modell. Resultatet från denna uppsats visar att LightGBM modellen är den optimala modellen för att värdera husen på landsbygden eftersom den hade den bästa totala prestandan med avseende på de utvalda utvärderingsmetoderna. LightGBM modellen jämfördes med Booli modellen där prestandan av LightGBM modellen var i överlag bättre, där LightGBM modellen hade ett RMSE värde på 0.330 jämfört med Booli modellen som hade ett RMSE värde på 0.358. Vilket indikerar att det finns en potential att använda boostade beslutsträd för att förbättra noggrannheten i förutsägelserna av huspriser på landsbygden.