The purpose of this master's thesis was to study if machine learning can be used asdecision support at the Swedish International Development Agency (Sida) in their work to provide financial aid. The aim was to examine the recurringphenomenon of increased number of aid disbursements towards the end of the year. A study and presentation of the data has been done to show the disbursementdistribution of Sida's operating departments. Moreover, qualitative interviews with different roles at Sida have been done to highlight the complexity of the agency and toexplain why and how different disbursement patterns occur. The approach has been to use classification models as well as regression models applied to data ofaid contributions from Sida's database. The classification models used were Decision Tree, k-Nearest Neighbour and Gradient Boosted Tree and thepurpose with the models was to illustrate which features of a contribution that are likely to be of importance for whether a disbursement occurs in December or earlier.The regression models used were linear models with the aim to predict if disbursements are likely to be delayed relative to the prognosis. The classificationmodel succeeded to point out three attributes that had influence on the classification result. The general conclusions of the report are that data ofcontributions generated in different IT-systems and various work routines at Sida's departments affect the quality of the data and the models’ accuracies negatively.Furthermore, insufficient amounts of data due to changes in Sida's information management has created difficulties when using data driven models to predict latedisbursements.

Syftet med denna uppsats är att studera, beskriva och analysera ett företagsfinansiella beslutsfattande och hur dessa beslut kan påverkas av prediktiv analys.Finansiella beslut är beslut som är kritiska för ett företags framgång. BusinessIntelligence är ett sätt att förse organisationen med stora mängder beslutsunderlagvia tekniker så som big data och data mining för att kunna ta bättre beslut. Mångaföretag vill använda dessa beslutsunderlag för att kunna förutspå framtidabeteenden, detta för att kunna vara proaktiva i sitt beslutsfattande och på så sätteffektivisera olika delar av sin verksamhet och vara konkurrenskraftiga. Prediktivanalys är en process som utför analyser genom komplexa algoritmer som gerkvalificerade “gissningar” på sannolikheter om olika framtida händelser.För att besvara syftet så valde vi att göra en kvalitativ studie där den empiriskadatainsamlingen genomfördes via semistrukturerade intervjuer. Studiens resultatpresenterar olika effekter av hur prediktiv analys och prediktiva modeller kanpåverka en organisations finansiella beslutsfattande. Resultatet pekar mot attprediktiva analyser ökar kvaliteten på finansiella beslut. Det pekar även mot eneffektivisering av tidsaspekten för finansiellt beslutsfattande och att dessaanalyser inte kräver lika hög besluts kompetens vilket kan möjliggöra endecentralisering för finansiella beslut. Resultatet av studien visar att rätt sorts dataska användas och att denna ska ha hög kvalitet för att analyserna ska varaeffektiva och att dessa görs bäst via att koppla de prediktiva analyserna tillförslagsvis ett BI-system. / The purpose of this paper is to study, describe and analyse an organization'sfinancial decision making and how these decisions can be influenced bypredictive analytics. The financial decisions are critical for an organizationssuccess. Business Intelligence can provide organizations with huge amounts ofdecisions basis through different techniques such as big data and data mining tobe able to make better decisions. Many organizations seek to use this decisionsbasis to be able to predict future behaviours, this to be proactive in its decisionmaking and thus streamlining different parts of their business and trough this bemore competitive. Predictive analytics is a process that performs analyses throughcomplex algorithms that provide qualified “guesses” to probabilities of differentfuture events.To answer the purpose, we chose to do a qualitative study where the empiricaldata collection was conducted through semi-structured interview. The result of thestudy presents different effects of predictive analysis and predictive models mayaffect an organization's financial decision making. The results points to predictiveanalytics increasing the quality of financial decision making. It also points to anefficiency of the time-scale for financial decision making and that these analysesdo not require the same decisions skills which could allow decentralizations forfinancial decisions. The study shows that the right kind of data is to be used andof high quality for the analyses to be effective and that these are best done bylinking predictive analytics as a suggestion to a BI System

År 2019 installerades 732 solpaneler på taket i ett hus i Örebro universitet. Energiproduktionenav anläggningen samlades i en databas i Akademiska Hus med ett antal parametrar från enväderstation i samma hus. Att kunna modellera den här produktionen som en funktion avväderparametrar och historiska värden med hjälp av maskininlärning, och jämföra olikamodeller är målet i detta projekt. Det finns gjorda arbeten med samma mål i olikalaborationsmiljöer och andra platser men inte för denna anläggning. Mätvärden under två årfrån 2019 till 2021 kommer från Akademiska Hus och resultaten blir två modeller: ett NarrowNeural Network samt en Support Vector Machine med 7 procent avvikelse och en NonlinearAutoregressive Neural Network för envariatmodellen. / In 2019, 732 solar panels were installed on the roof of a building at Örebro University. Thesolar power production of the facility has been collected in a database in Akademiska Hus,along with several parameters from a weather station in the same building. The goal of thisproject is to model solar power production as a function of weather parameters and historicalvalues using machine learning techniques. This study investigates various predictive models tofind a suitable model for predicting this production. There have been several studies in theliterature that have performed this goal in various laboratory environments and other places,but not for this facility. The measured data for this study is recorded by Akademiska Hus forover two years from 2019 to 2021. The results of this work lead to two suitable machine learningmodels while using weather parameters: 1) Narrow Neural Network and 2) Support VectorMachine with 7% errors in both models. Moreover, this study has investigated univariatemodels to predict the solar power production as a time series based on its historical data. Forthis aim, a Nonlinear Autoregressive Neural Network has been applied which results inconsiderably low errors in the evaluations.

I och med digitaliseringen förändras samhället snabbare än någonsin och det är viktigt för företag att hålla sig uppdaterade för att kunna anpassa sin verksamhet till en marknad som hela tiden utvecklas. Det existerar en uppsjö av business intelligence modeller för just detta ändamål, och prediktiv analys är en central del bland dessa. Fokus i denna rapport ligger i att undersöka i vilken utsträckning tre olika prediktiva analysmetoder lämpar sig för ett specifikt uppdrag gällande månadsprognoser baserat på klickdata från Flygresor.se. Målet med rapporten är att kunna redogöra för vilken av metoderna som fastställer den mest precisa prognoser för given data och vilka karakteristiska drag i datan som bidrar till detta resultat. Vi kommer att tillämpa de prediktiva analysmodellerna Holt-Winters och ARIMA, samt en utbyggd linjär approximation, på historisk klickdata och återge arbetsprocessen samt utifrån resultatet beskriva vilka konsekvenser datan från Flygresor.se förde med sig. / With digitization, society changes faster than ever and it’s important for companies to stay up to date in order to adapt their business to a constantly changing market. There exists a lot of models in business intelligence, and predictive analytics is an important one. This study investigates to what extent three different methods of predictive analytics are suitable for a specific assignment regarding monthly forecasts based on click data from Flygresor.se. The purpose of the report is to be able to present which of the methods who determines the most precise forecasts for the given data and what trends in the data that contributes to this result. We will use the predictive analytics models Holt-Winters and ARIMA, as well as an expanded linear approximation, on historical click data and render the work process as well as what consequences the data from Flygresor.se brought with them.

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.

Prediktion av förändringar i omgivningen är nödvändigt för att vi ska kunna planera våra handlingar. Hur spädbarns gripförmåga utvecklas har länge studerats men hur spädbarn predicerar, anpassar handen och griper efter roterande objekt har inte undersökts tidigare. Tio stycken tio månader gamla spädbarn och nio stycken sex månader gamla spädbarn studerades när de grep efter en roterande stav i två olika hastigheter och riktningar samt i horisontalt och vertikalt läge. Griprörelsen registrerades med hjälp av ett ProReflex system (Qualisys). Om vinkelskillnaden mellan handen och staven i gripögonblicket var mindre än 45° ansågs rörelsen vara prediktiv. Båda åldersgrupperna visade en prediktiv förmåga då vinkelskillnaden låg på ungefär 20° hos båda grupperna. De tio månader gamla spädbarnen hade något bättre handanpassning i den högre hastigheten och valde även att rotera handen i stavens rörelseriktning medan det hos de sex månader gamla spädbarnen inte fanns någon skillnad mellan att rotera handen med eller mot rörelseriktningen.

Skiljer sig utvecklingen av spädbarns förmåga att planera griprörelser mot ett objekt relativt att anpassa handen till objektets rotation? Nitton spädbarn i åldrarna 6 och 10 månader studerades. Spädbarnen grep mot en stav i rotation och deras griprörelser registrerades med hjälp av ett ProReflex system (Qualisys). Såväl handens hastighet fram mot staven som handens vridningshastighet beräknades och delades in i rörelseenheter bestående av en accelerationsfas och en inbromsningsfas. Resultatet visar att antalet enheter sjunker med ökande ålder för båda hastigheterna. Detta stämmer överens med tidigare resultat och tyder på att spädbarn ökar sin förmåga att planera sina griprörelser. Varje ny enhet är ytterligare en korrigering av griprörelsen. Förutom denna effekt av ålder påverkas handens hastighet fram mot objektet inte nämnvärt. Däremot påverkas handens vridningshastighet i flera avseenden av stavens rotationshastighet. Enheterna blir längre vid den högsta rotationshastigheten och även den maximala vridningshastigheten ökar vid den högsta rotationshastigheten. Detta tyder påatt handens annalkande och handens vridning är koordinerade men samtidigt skilda.

Crowdfunding används för att samla in pengar för tänkta projekt via internet, där ett stort antal investerare bidrar med små summor. Kickstarter är en av de största crowdfundingplattformarna idag. Trots det stora intresset för crowdfunding misslyckas många kampanjer att nå sin målsumma och projekt av kategorin teknologi visar sig vara de projekt som misslyckas till högst grad. Därmed är det av intresse att kunna förutsäga vilka kampanjer som kommer att lyckas eller misslyckas. Denna forskningsansats syftar till att undersöka genomförbarheten i att uppnå en högre accuracy vid prediktion av framgången hos lanserade kickstarterprojekt med hjälp av maskininlärning genom att använda en mindre mängd kategorispecifik data. Data över 192 548 lanserade projekt på plattformen Kickstarter har samlats in via www.kaggle.com. Två modeller av typen RandomForest har sedan tränats där en modell tränades med data över samtliga projekt i uppsättningen och en tränades med data över teknologiprojekt med syftet att kunna jämföra modellernas prestation vid klassificering av teknologiprojekt. Resultatet visar att en högre accuracy uppmättes för teknologimodellen som nådde 68,37% träffsäkerhet vid klassificeringen gentemot referensmodellens uppvisade accuracy på 68,00%. / Crowdfunding is used to collect money via internet for potential projects through a large number of backers which contribute with small pledges. Kickstarter is one of the largest crowdfunding platforms today. Despite the big interest in crowdfunding a lot of launched campaigns fail to reach their goal and projects of the category technology shows the largest rate of failure on Kickstarter. Therefore, it is important to be able to predict which campaigns are likely to succeed or fail. This thesis aims to explore the possibility of reaching a higher accuracy when predicting the success of launched projects with machine learning with a smaller amount of category-specific data. The data consists om 192 548 launched projects on Kickstarter and has been collected through Kaggle.com. Two models of the type Random Forest has been developed where one model has been trained with general data over all projects and one model has been trained with category specific data over technology projects. The results show that the technology model show a higher accuracy rate with 68,37 % compared to the reference model with 68,00 %.

Denna studie undersöker relationen mellan landskap, miljö och placeringen av boplatser från neolitikum och bronsålder i Ystadområdet. Uppsatsen åstadkommer detta genom maximal entropi modellering av boplatsernas placering i relation till flera variabler i landskapet och miljön. Uppsatsens teoretiska ramverk utgår från en antagen koppling mellan variabler i miljön och placeringen av boplatser. Resultatet av modelleringen översätts till tabeller som visar vilka variabler i miljön och landskapet som är viktiga i relation till placeringen av boplatser under dessa perioder, och till kartor som visar vilka delar av Ystadområdet som har rätt kombination av dessa variabler. Dessa används sedan för att besvara frågeställningarna. Resultaten av studien visar en stark koppling mellan kvartärsjordarten kärrtorv och närvaron av boplatser. Variablerna som föredrogs vid placeringen av boplatser visar också en viss variation mellan tidsperioderna. Utöver detta bedömdes modellen av historisk miljö från Ystadprojektet vara användbar. / This study examines the relationship between landscape, environment, and the placement of settlements during the neolithic and bronze age periods in the Ystad area. The study accomplishes this through maximal entropy modeling of the placement of settlements in relation to several variables in the landscape and environment. The theoretic framework of this study centers around a presumed connection between variables in the environment and the location of settlements. The results are translated into tables that show which of these variables were important in relation to the placement of settlements during the above-mentioned periods. The results are also translated into maps that show which areas of Ystad have the right combination of variables that were determined to be important by the model. These tables and maps are then used to produce an answer to the main questions of this paper. The results of this study show a strong connection between the quaternary soil type bog peat, and the presence of settlements. The preferred conditions also show some variation between time periods. Furthermore, the model of historic environment from the Ystad project was deemed to be useful.

The industrial company Scania CV AB is a world leader in the manufacturing of commercial vehicles. They offer a modular systems that include heavy trucks and buses that can be configured to a range of different needs. However, this adaptability leads to a problem where each order can have a large variance of assemblers that are re-quired during the manufacturing process. In other words, variant assemblers have a workflow that can shift from high workload to low workload and vice versa in a short period of time. To solve this problem a prototype will be developed. This prototype will be used to check if it’s possible to optimize the work schedule for variant assem-blers with the help of predictive simulations. The result of the study became an implementation in form of a prototype. This prototype is built up in two layers; a data layer and a simulation layer. The data layer provides the simulation layer with two different datasets. The first dataset is based on historical data and is derived from Scania’s production in Zwolle. The second dataset is based on synthetic data which is formed with a high utilization rate in order to mimic a better production situation with less product variants to assemble. The simulation layer consists of a DES-model that is modelled after a station in the final assembly of Zwolle. After a simulation has been executed, this layer generates a simulation result in form of a graph that presents the utilization rate for a group of variant assemblers. This will happened for each dataset in the data layer, in this case two times. The simulation result that got produced shows that it’s possible to create a simulation with predictive characteristics. A long term solution for Scania’s problem statement requires more research within the possibility of combining different technologies such as DES with predictive methods such as ML and GAs. / Industriföretaget Scania CV AB är världsledande inom tillverkning av kommersiella fordon. De tillhandahåller ett modulärt system som inkluderar tunga lastbilar och bussar som kan konfigureras till en rad olika behov. Den här anpassningsförmågan leder dock till ett problem där varje order som tillverkas kan ha en stor varians av hur många montörer som krävs under produktion. I andra ord så har variantmontö-rer ett arbetsflöde som kan skifta från hög arbetsbelastning till låg arbetsbelastning och vice versa under en kort period. För att lösa dessa typer av problem så ska en prototyp med prediktiva egenskaper så som Diskrete Event Simulering (DES). Denna prototyp ska undersöka om det är möjlighet att optimera arbetsscheman för variantmontörer med hjälpa av prediktiva simuleringar. Resultatet av studien blev en implementation i form av en prototyp. Denna prototyp är uppbyggd i två lager; ett datalager samt ett simuleringslager. Datalagret tillhandahåller simuleringslagret med två dataset. Det första datasetet är baserad på historisk data och är härledd från Scania’s produktion i Zwolle. Det andra datasetet är baserat på syntetisk data som är framtagen med en högre utnyttjandegrad för att efterlikna ett bättre produktionssitation med färre produkt varianter att montera. Simuleringslagret består av en DES-model som är modulerad efter en station i slutmontering i Zwolle. Efter att en simulering har exekverats så genererar detta lager ett simuleringsresultat i form av en graf som presenterar utnyttjandegraden för en grupp med variant montörer. Detta sker för varje dataset i datalagret, i detta fall två gånger. Simuleringsresultatet som togs fram visar att det är möjligt att ha skapa simuleringar med prediktiva egenskaper. En långsiktig lösning för Scania’s problem-beskrivningen kräver mer forskning inom möjligheten att kombinera tekniker som DES med prediktiva metoder som ML och GAs.