<p>Effektiv logistik är ofta nyckeln bakom framgångsrika företag. Då logistik är ett väldigt komplext problemområde har det blivit nödvändigt att utveckla intelligenta system som hjälpmedel vid beslutsfattande. Klassificeringssystem av artiklar är ett sådant system, vilket ska underlätta att flytta fokus från den enskilda artikeln till artiklar som kräver extra mycket uppmärksamhet.</p><p>En stor del forskning har utförts inom klassificeringsområdet de senaste åren. Denna har dock varit av ren matematisk karaktär där olika lösningar presenterats vilka i grund och botten behandlat skapande av en artikelrangordning utifrån en samling parametrar. Hur parametrarna väljs och vilka implikationer valet av matematisk modell får är ännu obehandlat ur ett logistiskt perspektiv. Denna rapport syftar till att påbörja fyllandet av den lucka som återfinns inom klassificeringsområdet. Detta innebär framtagande av ett systematiskt förhållningssätt vid byggande av ett klassificeringssystem, där val av parametrar och matematisk modell utgår från företagets behov och förutsättningar.</p><p>Parametrarna att bygga klassificeringen på är systemets verkliga kärna och utgör därmed grunden för de beslut som fattas utifrån det. För att klassificeringen på ett effektivt sätt ska kunna ligga till grund för beslutsfattande inom ramen för logistik krävs att hänsyn tas till företagets hela logistiska verksamhet. Parametrarna identifieras därför genom att analysera en artikels huvudsakliga kontaktytor med en organisation, där rapporten avgränsas till inköp, lager och kund. Vid de tre stegen identifieras parametrar vilka är mått på de direkta såväl som indirekta kostnader förknippade med de olika artiklarna, samt hur stort värde de tillför organisationen i stort. Valet av matematisk modell får implikationer både för det slutgiltiga klassificeringssystemets precision såväl som hur stor kostnad skapandet utgör, där mer komplexa modeller ger ett mer pålitligt klassificeringssystem samtidigt som de är mer resurskrävande att implementera.</p><p>Genom att följa rapportens riktlinjer kan ett klassificeringssystem byggas vilket möjliggör en differentierad materialhantering där operativa och strategiska beslut är väl underbyggda, och där de resurser som förbrukas i och med hanteringen av de olika artiklarna får maximal utdelning.</p>

The aim of this paper is to analyze the impact of a conditional cash transfer program, Progresa, on school attendance in Mexican rural and urban areas. Within recent years, conditional cash transfer programs have become one of the most accepted remedies for poverty alleviation in many countries. Progresa was developed as an economic experi-ment, with randomized selection process, treatment groups and control croups. For this reason, the impact of Progresa is ideal for economic analysis. There are clear evidence of disparities between urban and rural school attendance rates in Mexico, hence the pro-gram’s effect on school attendance rates have been studied in the two regions. There are several reasons why one would expect different outcomes of the program on school at-tendance in rural and urban areas. Expected returns to education and the opportunity cost of investment in schooling in different regions are thought to affect the household’s optimization problem differently. The impact of Progresa on school attendance rates is estimated by a logit regression model analyzing household data within the household optimization framework. Mainly, Progresa has a positive impact on children’s school at-tendance. However, it may be concluded that Progresa has no significant effect for older children in rural areas. This result is assumed to be explained by the different conditions poor families face in different regions. If rural households’ optimization problem indeed looks different; this might suggest that the design of conditional cash transfer programs such as Progresa is crucially important depending on the region of implementation. / Syftet med denna uppsats är att analysera det villkora välfärdsprogrammet Progresa och dess effekt på skolnärvaro i mexikanska rurala och urbana områden. Under senare år har villkora välfärdsprogram kommit att vara en av de mest accepterade formerna av bistånd för att minska fattigdom i de flesta länder. Progresa utvecklades utifrån ett ekonomiskt experiment, med en slumpmässig urvalsprocess samt en experiment- och kontrollgrupp. Med anledning av detta är Progresa ett utmärkt program att studera för ekonomisk analys. Skolnärvaron i mexikanska rurala och urbana områden varierar stort och av denna anledning har effekten av Progresa studerats i de båda regionerna. Det finns många anledningar till varför vi bör förvänta oss avvikande utfall. En förklaring kan vara att utbildningens förväntade avkastning och alternativkostnad påverkar hushållens optimeringsproblem olika. Effekten av Progresa på skolnärvaro är beräknad med en logit regressionsmodell där hushållsdata analyseras inom ramen för hushållets optimeringsproblem. Huvudsakligen har Progresa en positiv effekt på barns skolnärvaro. Dock, och vad som bör noteras, är det faktum att Progresa inte har en signifikant påverkan på äldre rurala barns skolnärvaro. Detta resultat antas förklaras av fattiga familjers olika förutsättningar i rurala och urbana områden. I det fall rurala familjers optimeringsproblem skiljer sig från urbana familjers optimeringsproblem, torde detta innebära att strukturen av ett villkorligt biståndsprogram, så som Progresa, är av största vikt och bör anpassas ändamålsenligt.

<p>The aim of this paper is to analyze the impact of a conditional cash transfer program, Progresa, on school attendance in Mexican rural and urban areas. Within recent years, conditional cash transfer programs have become one of the most accepted remedies for poverty alleviation in many countries. Progresa was developed as an economic experi-ment, with randomized selection process, treatment groups and control croups. For this reason, the impact of Progresa is ideal for economic analysis. There are clear evidence of disparities between urban and rural school attendance rates in Mexico, hence the pro-gram’s effect on school attendance rates have been studied in the two regions. There are several reasons why one would expect different outcomes of the program on school at-tendance in rural and urban areas. Expected returns to education and the opportunity cost of investment in schooling in different regions are thought to affect the household’s optimization problem differently. The impact of Progresa on school attendance rates is estimated by a logit regression model analyzing household data within the household optimization framework. Mainly, Progresa has a positive impact on children’s school at-tendance. However, it may be concluded that Progresa has no significant effect for older children in rural areas. This result is assumed to be explained by the different conditions poor families face in different regions. If rural households’ optimization problem indeed looks different; this might suggest that the design of conditional cash transfer programs such as Progresa is crucially important depending on the region of implementation.</p> / <p>Syftet med denna uppsats är att analysera det villkora välfärdsprogrammet Progresa och dess effekt på skolnärvaro i mexikanska rurala och urbana områden. Under senare år har villkora välfärdsprogram kommit att vara en av de mest accepterade formerna av bistånd för att minska fattigdom i de flesta länder. Progresa utvecklades utifrån ett ekonomiskt experiment, med en slumpmässig urvalsprocess samt en experiment- och kontrollgrupp. Med anledning av detta är Progresa ett utmärkt program att studera för ekonomisk analys. Skolnärvaron i mexikanska rurala och urbana områden varierar stort och av denna anledning har effekten av Progresa studerats i de båda regionerna. Det finns många anledningar till varför vi bör förvänta oss avvikande utfall. En förklaring kan vara att utbildningens förväntade avkastning och alternativkostnad påverkar hushållens optimeringsproblem olika. Effekten av Progresa på skolnärvaro är beräknad med en logit regressionsmodell där hushållsdata analyseras inom ramen för hushållets optimeringsproblem. Huvudsakligen har Progresa en positiv effekt på barns skolnärvaro. Dock, och vad som bör noteras, är det faktum att Progresa inte har en signifikant påverkan på äldre rurala barns skolnärvaro. Detta resultat antas förklaras av fattiga familjers olika förutsättningar i rurala och urbana områden. I det fall rurala familjers optimeringsproblem skiljer sig från urbana familjers optimeringsproblem, torde detta innebära att strukturen av ett villkorligt biståndsprogram, så som Progresa, är av största vikt och bör anpassas ändamålsenligt.</p>

Effektiv logistik är ofta nyckeln bakom framgångsrika företag. Då logistik är ett väldigt komplext problemområde har det blivit nödvändigt att utveckla intelligenta system som hjälpmedel vid beslutsfattande. Klassificeringssystem av artiklar är ett sådant system, vilket ska underlätta att flytta fokus från den enskilda artikeln till artiklar som kräver extra mycket uppmärksamhet. En stor del forskning har utförts inom klassificeringsområdet de senaste åren. Denna har dock varit av ren matematisk karaktär där olika lösningar presenterats vilka i grund och botten behandlat skapande av en artikelrangordning utifrån en samling parametrar. Hur parametrarna väljs och vilka implikationer valet av matematisk modell får är ännu obehandlat ur ett logistiskt perspektiv. Denna rapport syftar till att påbörja fyllandet av den lucka som återfinns inom klassificeringsområdet. Detta innebär framtagande av ett systematiskt förhållningssätt vid byggande av ett klassificeringssystem, där val av parametrar och matematisk modell utgår från företagets behov och förutsättningar. Parametrarna att bygga klassificeringen på är systemets verkliga kärna och utgör därmed grunden för de beslut som fattas utifrån det. För att klassificeringen på ett effektivt sätt ska kunna ligga till grund för beslutsfattande inom ramen för logistik krävs att hänsyn tas till företagets hela logistiska verksamhet. Parametrarna identifieras därför genom att analysera en artikels huvudsakliga kontaktytor med en organisation, där rapporten avgränsas till inköp, lager och kund. Vid de tre stegen identifieras parametrar vilka är mått på de direkta såväl som indirekta kostnader förknippade med de olika artiklarna, samt hur stort värde de tillför organisationen i stort. Valet av matematisk modell får implikationer både för det slutgiltiga klassificeringssystemets precision såväl som hur stor kostnad skapandet utgör, där mer komplexa modeller ger ett mer pålitligt klassificeringssystem samtidigt som de är mer resurskrävande att implementera. Genom att följa rapportens riktlinjer kan ett klassificeringssystem byggas vilket möjliggör en differentierad materialhantering där operativa och strategiska beslut är väl underbyggda, och där de resurser som förbrukas i och med hanteringen av de olika artiklarna får maximal utdelning.

Readjusting Historical Credit Ratings using Ordered Logistic Re-gression and Principal Component Analysis The introduction of the Basel II Accord as a regulatory document for creditrisk presented new concepts of credit risk management and credit risk mea-surements, such as enabling international banks to use internal estimates ofprobability of default (PD), exposure at default (EAD) and loss given default(LGD). These three measurements is the foundation of the regulatory capitalcalculations and are all in turn based on the bank’s internal credit ratings. Ithas hence been of increasing importance to build sound credit rating modelsthat possess the capability to provide accurate measurements of the credit riskof borrowers. These statistical models are usually based on empirical data andthe goodness-of-fit of the model is mainly depending on the quality and sta-tistical significance of the data. Therefore, one of the most important aspectsof credit rating modeling is to have a sufficient number of observations to bestatistically reliable, making the success of a rating model heavily dependenton the data collection and development state.The main purpose of this project is to, in a simple but efficient way, createa longer time series of homogeneous data by readjusting the historical creditrating data of one of Svenska Handelsbanken AB’s credit portfolios. Thisreadjustment is done by developing ordered logistic regression models thatare using independent variables consisting of macro economic data in separateways. One model uses macro economic variables compiled into principal com-ponents, generated through a Principal Component Analysis while all othermodels uses the same macro economic variables separately in different com-binations. The models will be tested to evaluate their ability to readjust theportfolio as well as their predictive capabilities. / Justering av historiska kreditbetyg med hjälp av ordinal logistiskregression och principialkomponentsanalys När Basel II implementerades introducerades även nya riktlinjer för finan-siella instituts riskhantering och beräkning av kreditrisk, så som möjlighetenför banker att använda interna beräkningar av Probability of Default (PD),Exposure at Default (EAD) och Loss Given Default (LGD), som tillsammansgrundar sig i varje låntagares sannoliket för fallissemang. Dessa tre mått ut-gör grunden för beräkningen av de kapitaltäckningskrav som banker förväntasuppfylla och baseras i sin tur på bankernas interna kreditratingsystem. Detär därmed av stor vikt för banker att bygga stabila kreditratingmodeller medkapacitet att generera pålitliga beräkningar av motparternas kreditrisk. Dessamodeller är vanligtvis baserade på empirisk data och modellens goodness-of-fit,eller passning till datat, beror till stor del på kvalitén och den statistiska sig-nifikansen hos det data som står till förfogande. Därför är en av de viktigasteaspekterna för kreditratingsmodeller att ha tillräckligt många observationeratt träna modellen på, vilket gör modellens utvecklingsskede samt mängdendata avgörande för modellens framgång.Huvudsyftet med detta projekt är att, på ett enkelt och effektivt sätt, skapaen längre, homogen tidsserie genom att justera historisk kreditratingdata i enportfölj med företagslån tillhandahållen av Svenska Handelsbanken AB. Jus-teringen görs genom att utveckla olika ordinala logistiska regressionsmodellermed beroende variabler bestående av makroekonomiska variabler, på olikasätt. En av modellerna använder makroekonomiska variabler i form av princi-palkomponenter skapade med hjälp av en principialkomponentsanalys, medande andra modelelrna använder de makroekonomiska variablerna enskilt i olikakombinationer. Modellerna testas för att utvärdera både deras förmåga attjustera portföljens historiska kreditratings samt för att göra prediktioner.

Bakgrund: Sedan internet uppfanns 1990 har samhället digitaliserats. I modern tid innebär det att människor kan göra nästan allt med hjälp av en smartphone eller dator, bland annat handla konsumentprodukter via en e-handel. De senaste åren har e-handeln i Sverige ökat och allt fler företag har implementerat e-handel som komplement till sina fysiska butiker. Vid en implementering av e-handel är det många faktorer som påverkas och förändras i företag. Studien kommer därför undersöka hur företag upplever förändringarna som sker på ett marknadsmässigt, organisatoriskt och ett logistiskt plan. Syfte: Studien syftar till att undersöka och förklara vilka förändringar företag upplever vid skiftet att gå från “Bricks” till “Bricks and Clicks” på olika plan; marknadsmässigt, organisatoriskt och logistiskt. Studien syftar även till att studera vad förändringarna kan leda till i form av möjligheter och utmaningar för företag och om förändringarna är gynnsamma i förhållande till hur de upplever att framtiden för e-handeln och fysiska butiker ser ut. Genomförande: Studien är en tentativ flerfallsstudie med kvalitativ karaktär. Empiri har samlats in från sju detaljhandelsbolag som upplevt övergången från “Bricks” till “Bricks and Clicks” och som valts ut genom en målinriktad urvalsprocess. Slutsats: Studien resulterar i att företag inom detaljhandeln som går från “Bricks” till “Bricks and Clicks” upplever flertalet förändringar på ett marknadsmässigt, organisatoriskt respektive logistiskt plan. Förändringarna har i sin tur gett upphov till möjligheter och utmaningar beroende på företagets förutsättningar där faktorer som storlek och resurser har en inverkan. En majoritet av förändringarna skulle gynna företaget inför framtiden om de scenarion som presenteras i den teoretiska referensramen och empirikapitlet blir verklighet. / Background: Ever since the internet was invented in 1990, society has been digitized. In modern days, people can do almost anything using a smartphone or a computer, including shopping for consumer products via e-commerce. In recent years, e-commerce in Sweden has increased and many retail companies have implemented e-commerce as a complement to their physical stores. When implementing e-commerce, there are many factors that are affected and changed in companies. This study will therefore provide an understanding on how companies experience the changes that occur on a market, organizational and logistic basis. Purpose: The study aims to explain what changes retail companies experience when transitioning from “Bricks” to “Bricks and Clicks” within different areas; market, organization and logistics. The purpose is also to understand what opportunities and challenges these changes might result in. Further, the aim is to study if the perceived changes will benefit the companies in the future. Completion: The study is a tentative, multiple case study characterized by a qualitative approach. The empirical data has been collected from seven retail companies that have experienced the transition from “Bricks” to “Bricks and Clicks” and have been selected through a target-oriented selection process. Conclusion: The study results in several perceived changes within the areas market, organization and logistics for retail companies that transfer from “Bricks” to “Bricks and Clicks”. The changes has led to opportunities and challenges depending on the preconditions of the companies where factors such as size and resources can affect the outcome. A majority of the changes would benefit the company in the presented future scenarios.

No description available.

The use of marketing research panels are a more and more frequently used source of information for studies within many different branches. The purpose of this report is to investigate the demographic composition of panels and compare it with the population of Sweden, a possible change in behaviour of respondents, and if the source of recruitment is the cause of possible differences in study results. The study was commissioned by Norstats Linkoping office. Sources for the data material include Norstat’s recruitment process and their two main panels with different recruitment sources. To enable a deeper investigation of behaviour we also constructed a survey that was sent to 2,714 members of Norstat’s internet panels. The statistical analysis includes contingency table analysis, multiple logistic regression, and Poisson regression. The results show that the demographic composition does not fully cover all the aspects of the Swedish population and some groups are less represented than others. The behaviour tends to differ between panel members that have responded to three or less surveys compared to members that have responded to twenty or more surveys. Source of recruitment does not seem to affect the results of studies, but it has some effect on the demographic composition of marketing research panels. / Användandet av paneler som källa vid undersökningar har den senaste tiden blivit en allt vanligare företeelse. Denna rapport har för avsikt att undersöka panelers demografiska sammansättning och överensstämmande med Sveriges befolkning, eventuell ändring av svarsbeteende samt huruvida rekryteringskällan ger upphov till kvalitetsskillnader hos medlemmar i en panel. Företaget Norstat har med sitt kontor i Linköping figurerat som uppdragsgivare till arbetet. Datamaterialet till studien har uppkommit från Norstats rekryteringsprocess samt från företagets två huvudpaneler med olika rekryteringskällor. För att djupare undersöka svarsbeteende konstruerade vi även en enkätundersökning som skickades ut till 2 714 medlemmar i Norstats internetpaneler. Den statiska analysen innefattar χ2-test, multipel logistisk regression samt Poissonregression. Resultaten påvisade att den demografiska sammansättningen i panelen inte fullt ut speglade Sveriges befolkning samt att vissa grupper undertäcks i högre utsträckning än andra. Svarsbeteendet hos medlemmar i paneler har en tendens att ändras från det att medlemmen har svarat på en till tre undersökningar, till det att den har svarat på tjugo undersökningar eller fler. Rekryteringskällan till en panel verkar inte ge upphov till några större skillnader i svarsresultat, men däremot finns vissa skillnader i demografisk sammansättning.

Scandinavian Airlines has a large database containing their Eurobonus members. In order to analyze which customers they should target with direct marketing, such as emails, uplift models have been used. With a binary response variable that indicates whether the customer has bought or not, and a binary dummy variable that indicates if the customer has received the campaign or not conclusions can be drawn about which customers are persuadable. That means that the customers that buy when they receive a campaign and not if they don't are spotted. Analysis have been done with one campaign for Sweden and Scandinavia. The methods that have been used are logistic regression with Lasso and logistic regression with Penalized Net Information Value. The best method for predicting purchases is Lasso regression when comparing with a confusion matrix. The variable that best describes persuadable customers in logistic regression with PNIV is Flown (customers that have own with SAS within the last six months). In Lassoregression the variable that describes a persuadable customer in Sweden is membership level1 (the rst level of membership) and in Scandinavia customers that receive campaigns with delivery code 13 are persuadable, which is a form of dispatch.

Email communication is valuable for any modern company, since it offers an easy mean for spreading important information or advertising new products, features or offers and much more. To be able to identify which customers that would be interested in certain information would make it possible to significantly improve a company's email communication and as such avoiding that customers start ignoring messages and creating unnecessary badwill. This thesis focuses on trying to target customers by applying statistical learning methods to historical data provided by the music streaming company Spotify. An important aspect was the high-dimensionality of the data, creating certain demands on the applied methods. A binary classification model was created, where the target was whether a customer will open the email or not. Two approaches were used for trying to target the costumers, logistic regression, both with and without regularization, and random forest classifier, for their ability to handle the high-dimensionality of the data. Performance accuracy of the suggested models were then evaluated on both a training set and a test set using statistical validation methods, such as cross-validation, ROC curves and lift charts. The models were studied under both large-sample and high-dimensional scenarios. The high-dimensional scenario represents when the number of observations, N, is of the same order as the number of features, p and the large sample scenario represents when N ≫ p. Lasso-based variable selection was performed for both these scenarios, to study the informative value of the features. This study demonstrates that it is possible to greatly improve the opening rate of emails by targeting users, even in the high dimensional scenario. The results show that increasing the amount of training data over a thousand fold will only improve the performance marginally. Rather efficient customer targeting can be achieved by using a few highly informative variables selected by the Lasso regularization. / Företag kan använda e-mejl för att på ett enkelt sätt sprida viktig information, göra reklam för nya produkter eller erbjudanden och mycket mer, men för många e-mejl kan göra att kunder slutar intressera sig för innehållet, genererar badwill och omöjliggöra framtida kommunikation. Att kunna urskilja vilka kunder som är intresserade av det specifika innehållet skulle vara en möjlighet att signifikant förbättra ett företags användning av e-mejl som kommunikationskanal. Denna studie fokuserar på att urskilja kunder med hjälp av statistisk inlärning applicerad på historisk data tillhandahållen av musikstreaming-företaget Spotify. En binärklassificeringsmodell valdes, där responsvariabeln beskrev huruvida kunden öppnade e-mejlet eller inte. Två olika metoder användes för att försöka identifiera de kunder som troligtvis skulle öppna e-mejlen, logistisk regression, både med och utan regularisering, samt random forest klassificerare, tack vare deras förmåga att hantera högdimensionella data. Metoderna blev sedan utvärderade på både ett träningsset och ett testset, med hjälp av flera olika statistiska valideringsmetoder så som korsvalidering och ROC kurvor. Modellerna studerades under både scenarios med stora stickprov och högdimensionella data. Där scenarion med högdimensionella data representeras av att antalet observationer, N, är av liknande storlek som antalet förklarande variabler, p, och scenarion med stora stickprov representeras av att N ≫ p. Lasso-baserad variabelselektion utfördes för båda dessa scenarion för att studera informationsvärdet av förklaringsvariablerna. Denna studie visar att det är möjligt att signifikant förbättra öppningsfrekvensen av e-mejl genom att selektera kunder, även när man endast använder små mängder av data. Resultaten visar att en enorm ökning i antalet träningsobservationer endast kommer förbättra modellernas förmåga att urskilja kunder marginellt.