The aim of this project was to compare two control algorithms designed to steer an autonomous vehicle. The comparison was made using a simulated environment to evaluate the performance of both controllers. The simulation used in this project was designed in Python and used an algorithm which randomly constructed roads from predefined road segments to create paths for the vehicle to follow. In this environment the Linear Time Varying (LTV)-Model Predictive Controller (MPC) and Pure Pursuit Controller (PPC) algorithms were evaluated. The thesis compared how well they follow paths, the average control cost of completing tasks, how well they handle input constraints, and the computational time for each algorithm. The data was collected by driving along three sets of randomly generated roads with both control algorithms. One set mostly straight, one with some turns, and one with mostly turns. An Analysis of Variance (ANOVA) test was used to make the comparison between the performance of the two algorithms. The results showed that both algorithms performed well. The PPC had low computation time and used less control, but it also had larger position errors. The LTV-MPC had higher computation time, but smaller position errors at the cost of larger control values. The conclusion is that the MPC is preferable if computational capabilities are available. Room for future work exists in the form of comparing additional controller types for autonomous vehicles and exploring different tuning parameters for the MPC controller. The simulation could also be expanded to more accurately reflect real world conditions. / Målet med detta projekt var att jämföra två kontrollalgoritmer avsedda för att styra en självkörande bil. Jämförelsen gjordes med hjälp av en simulering som utformades i Python. Den använde sig av en algoritm som slumpmässigt satte ihop vägar från förkonstruerade delar för att skapa banor för den självkörande bilen att följa. I denna miljö har vi testat två algoritmer, en LTV-MPC och en PPC. Vi jämförde hur pass väl de följer banor som skall likna riktiga vägar, hur mycket styrning de använder sig av för att bedöma energianvändning, hur väl de förhåller sig till begränsningar på acceleration och styrning, och den beräkningstiden som krävdes för att köra vår algoritm. Datan samlades genom att köra längs med tre grupper av slumpmässigt genererade vägar med båda kontrollalgoritmerna. En grupp innehöll huvudsakligen raka sträckor, en innehöll en del svängar, och en innehöll mycket svängar. ANOVA-testet användes för att göra jämförelsen mellan resultatet av dessa två algoritmer. Resultatet visade att båda algoritmer presterar väl. PPCn hade låg beräkningstid och mindre styrvärden, men större positionsfel. MPCn hade högre beräkningstid och större styrvärden, men mindre positionsfel. Slutsatsen är att MPCn är att föredra om beräkningsmöjligheterna finns tillgängliga. Det finns utrymme för framtida arbete i form av att jämföra fler kontrollalgoritmer och att utforska fler parameter justeringar för MPCn. Utöver det finns det även utrymme för en simulation som reflekterar verkligheten noggrannare.

Increasing comfort and improving air quality in shared vehicles is essential in protecting human health and making public transport more attractive. This thesis focused on exploring how passenger comfort, which is closely linked to air quality, is affected by the internal and external conditions of a small, autonomous bus prototype, the ELIN bus. Available data from the ELIN bus database were analyzed, and indicators for the interior temperature prediction model were selected. Various machine learning models were created and evaluated. The Random Forest model proved to be the most versatile. A comfort calculation framework was created to estimate and predict the level of comfort inside the ELIN bus, taking into account factors like temperature and occupancy to calculate a comfort score using devised formulas. The comfort score was estimated for the current station of the bus and predicted for the next stations, using the temperature predictions from the Random Forest model and findings from data analysis. The results indicated quite decent comfort levels inside the ELIN bus and provided an expandable framework for future needs. / Att öka komforten och förbättra luftkvaliteten i delade fordon är avgörande för att skydda människors hälsa och göra kollektivtrafiken mer attraktiv. Denna avhandling fokuserade på att undersöka hur passagerarkomfort, som är nära kopplad till luftkvalitet, påverkas av de interna och externa förhållandena hos en liten, autonom bussprototyp, ELIN-bussen. Tillgängliga data från ELIN-bussens databas analyserades, och indikatorer för prediktionsmodellen för inomhustemperatur valdes ut. Olika maskininlärningsmodeller skapades och utvärderades. Random Forest-modellen visade sig vara den mest mångsidiga. Ett komfortberäkningsramverk skapades för att uppskatta och förutsäga komfortnivån inuti ELIN-bussen, med hänsyn till faktorer som temperatur och beläggning för att beräkna en komfortpoäng med hjälp av utformade formler. Komfortpoängen uppskattades för den aktuella stationen av bussen och förutspåddes för de kommande stationerna, med användning av temperaturprognoser från Random Forest-modellen och resultat från dataanalysen. Resultaten indikerade ganska goda komfortnivåer inuti ELIN-bussen och tillhandahöll ett expanderbart ramverk för framtida behov.

The rise of technology and digitalization has greatly impacted organizations, particularly in the field ofHuman Resources (HR). To stay competitive in this evolving landscape, HR departments are increasingly adopting Business Intelligence (BI) as a useful umbrella concept to collect, store, access, and analyze data for data-driven decision-making. However, as research states, many HR organizations struggle to fully leverage the benefits of BI and therefore only adapt mere basic BI capabilities. This study aims to address this gap by examining how HR organizations can develop their BI maturity and identify the key categories and factors that influence it, as well as highlight the main hurdles in the journey towards higher BI maturity. To fulfill this purpose, a case study was conducted which centered around semi-structured interviews with respondents from the case company. The results from the interviews show that there are several factors deemed important when assessing BI maturity and we classify these factors into Organization & Structure, Data Governance and System, Tools & Technology. This study’s results are for the most part consistent with previous research on assessing BI maturity. However, the focus on HR departments reveals some interesting findings. Within these categories, the following factors, among others, have emerged as important to consider. Namely organizational culture and a collaborative mindset to promote the adoption of higher levels of analytics through the entire organization. Moreover, making HR more impactful in the sense of actionability and by demonstrating a cause-effect relationship emerges as a central and multi-faceted aspect when assessing BI maturity. Organizational management of data centralization is also considered a significant factor for HR. In addition, another central aspect to regard is GDPR, as it directly affects the collection, storing and analysis of personal data, consequently becoming crucial for HR to assess. The study also identified hurdles hindering HR departments from reaching higher levels of maturity, such as cross-functional collaboration and data transparency between departments. Furthermore, GDPR legislation hinders the possibility of distributing certain data and combining sensitive data with other sources. Additionally, a barrier to the successful utilization of existing tools and systems is considered to be related to the competence of employees. / Teknikens och digitaliseringens framväxt har haft stor inverkan på organisationer, särskilt inom området för Human Resources (HR). För att förbli konkurrenskraftiga i denna föränderliga miljö använder HR-avdelningar i allt större utsträckning Business Intelligence (BI) som ett användbart paraplykoncept för att samla in, lagra, få tillgång till och analysera data för datadrivet beslutsfattande. Forskningen visar dock attmånga HR-organisationer kämpar med att utnyttja fördelarna med BI fullt ut och därför bara anpassar sig till de mer grundläggande BI-funktionerna. Den här studien syftar till att åtgärda denna brist genom att undersöka hur HR-organisationer kan utveckla sin BI-mognad och identifiera de viktigaste kategorierna och faktorerna som påverkar detta, samt belysa de viktigaste hindren på vägen mot högre BI-mognad. För att uppfylla detta syfte genomfördes en fallstudie som var centrerad kring semistrukturerade intervjuer med respondenter från fallföretaget. Resultaten från intervjuerna visar att det finns flera faktorer som anses vara viktiga vid bedömningen av BI-mognad och klassificerar dessa faktorer i Organisation & Struktur, Datastyrning och System, Verktyg & Teknologi. Resultaten från denna studie stämmer till största delen överens med tidigare forskning om bedömningen av BI-mognad. Fokuseringen på HR-avdelningar ger dock några intressanta resultat. Inom dessa kategorier har bland annat följande faktorer framkommit som viktiga att beakta. Specifikt framhävs organisationskultur och ett samarbetsinriktat tänkande för att främja antagandet av högre nivåer av analys genom hela organisationen. Dessutom framstår det som en central och mångfacetterad aspekt vid bedömningen av BI-mognad att göra HR mer betydelsefull, i form av handlingsförmåga och genom att visa på orsak-verkan samband. Den organisatoriska hanteringen av datacentralisering anses också vara en viktig faktor för HR. En annan central aspekt att beakta är dessutom GDPR, eftersom den direkt påverkar insamlingen, lagringen samt analysen av persondata och blir därav avgörande för HR att bedöma. I studien identifierades även särskilda hinder som håller tillbaka HR-avdelningar från att nå högre mognadsnivåer, till exempel tvärfunktionellt samarbete och datatransparens mellan avdelningar. Dessutom hindrar GDPR-lagstiftningen möjligheten att distribuera vissa uppgifter samt att kombinera känsliga uppgifter med andra källor och avdelningar. Dessutom anses ett hinder för ett framgångsrikt utnyttjande av befintliga verktyg och system vara relaterat till de anställdas kompetens.

With the development of intelligent era, speech recognition has been a hottopic. Although many automatic speech recognition(ASR) tools have beenput into the market, a considerable number of them do not support Swedishbecause of its small number. In this project, a Swedish ASR model basedon Hidden Markov Model and Gaussian Mixture Models is established usingKaldi which aims to help ICA Banken complete the classification of aftersalesvoice calls. A variety of model patterns have been explored, whichhave different phoneme combination methods and eigenvalue extraction andprocessing methods. Word Error Rate and Real Time Factor are selectedas evaluation criteria to compare the recognition accuracy and speed ofthe models. As far as large vocabulary continuous speech recognition isconcerned, triphone is much better than monophone. Adding feature transformationwill further improve the speed of accuracy. The combination oflinear discriminant analysis, maximum likelihood linear transformand speakeradaptive training obtains the best performance in this implementation. Fordifferent feature extraction methods, mel-frequency cepstral coefficient ismore conducive to obtain higher accuracy, while perceptual linear predictivetends to improve the overall speed. / Det existerar flera lösningar för automatisk transkribering på marknaden, menen stor del av dem stödjer inte svenska på grund utav det relativt få antalettalare. I det här projektet så skapades automatisk transkribering för svenskamed Hidden Markov models och Gaussian mixture models genom att användaKaldi. Detta för att kunna möjliggöra för ICABanken att klassificera samtal tillsin kundtjänst. En mängd av modellvariationer med olika fonemkombinationsmetoder,egenvärdesberäkning och databearbetningsmetoder har utforskats.Word error rate och real time factor är valda som utvärderingskriterier föratt jämföra precisionen och hastigheten mellan modellerna. När det kommertill kontinuerlig transkribering för ett stort ordförråd så resulterar triphonei mycket bättre prestanda än monophone. Med hjälp utav transformationerså förbättras både precisionen och hastigheten. Kombinationen av lineardiscriminatn analysis, maximum likelihood linear transformering och speakeradaptive träning resulterar i den bästa prestandan i denna implementation.För olika egenskapsextraktioner så bidrar mel-frequency cepstral koefficiententill en bättre precision medan perceptual linear predictive tenderar att ökahastigheten.

Given that employees are one of the most valuable assets of any organization, losing an employee has a detrimental impact on several aspects of business activities. Loss of competence, deteriorated productivity and increased hiring costs are just a small fraction of the consequences associated with high employee churn. To deal with this issue, organizations within many industries rely on machine learning and predictive analytics to model, predict and understand the cause of employee churn so that appropriate proactive retention strategies can be applied. However, up to this date, the problem of excessive churn prevalent in the healthcare industry has not been addressed. To fill this research gap, this study investigates the applicability of a machine learning-based employee churn prediction model for a Swedish healthcare organization. We start by extracting relevant features from real employee data followed by a comprehensive feature analysis using Recursive Feature Elimination (RFE) method. A wide range of prediction models including traditional classifiers, such as Random Forest, Support Vector Machine and Logistic Regression are then implemented. In addition, we explore the performance of ensemble machine learning model, XGBoost and neural networks, specifically Artificial Neural Network (ANN). The results of this study show superiority of an SVM model with a recall of 94.8% and a ROC-AUC accuracy of 91.1%. Additionally, to understand and identify the main churn contributors, model-agnostic interpretability methods are examined and applied on top of the predictions. The analysis has shown that wellness contribution, employment rate and number of vacations days as well as number of sick day are strong indicators of churn among healthcare employees. / Det sägs ofta att anställda är en verksamhets mest värdefulla tillgång. Att förlora en anställd har därmed ofta skadlig inverkan på flera aspekter av affärsverksamheter. Därtill hör bland annat kompetensförlust, försämrad produktivitet samt ökade anställningskostnader. Dessa täcker endast en bråkdel av konsekvenserna förknippade med en för hög personalomsättningshastighet. För att hantera och förstå hög personalomsättning har många verksamheter och organisationer börjat använda sig av maskininlärning och statistisk analys där de bland annat analyserar beteendedata i syfte att förutsäga personalomsättning samt för att proaktivt skapa en bättre arbetsmiljö där anställda väljer att stanna kvar. Trots att sjukvården är en bransch som präglas av hög personalomsättning finns det i dagsläget inga studier som adresserar detta uppenbara problem med utgångspunkt i maskininlärning. Denna studien undersöker tillämpbarheten av maskininlärningsmodeller för att modellera och förutsäga personalomsättning i en svensk sjukvårdsorganisation. Med utgångspunkt i relevanta variabler från faktisk data på anställda tillämpar vi Recursive Feature Elimination (RFE) som den primära analysmetoden. I nästa steg tillämpar vi flertalet prediktionsmodeller inklusive traditionella klassificerare såsom Random Forest, Support Vector Machine och Logistic Regression. Denna studien utvärderar också hur pass relevanta Neural Networks eller mer specifikt Artificial Neural Networks (ANN) är i syfte att förutse personalomsättning. Slutligen utvärderar vi precisionen av en sammansatt maskininlärningsmodell, Extreme Gradient Boost. Studiens resultat påvisar att SVM är en överlägsen model med 94.8% noggranhet. Resultaten från studien möjliggör även identifiering av variabler som mest bidrar till personalomsättning. Vår analys påvisar att variablerna relaterade till avhopp är friskvårdbidrag, sysselsättningsgrad, antal semesterdagar samt sjuktid är starkt korrelerade med personalomsättning i sjukvården.

Fuel Cell Hybrid Electric vehicles are hybrid vehicles that consist of both fuel cells and batteries as energy conversion systems. The Energy Management System plays an important role in the operation of the fuel cell hybrid system, as it helps in reducing the hydrogen consumption of the system. This study investigates an optimal control algorithm with an aim to reduce the hydrogen consumption of the fuel cell system for five different drive cycles operating in Europe. Model Predictive Control(MPC) is used to solve the optimal control problem, by formalizing a look ahead controller, utilizing its receding horizon approach. The optimal controller analysis is compared with a conventional rule-based controller, by analysing the hybrid system over various battery and fuel cell sizes, on the basis of the overall hydrogen consumption. Firstly, a simplified system model is developed, by modelling the fuel cell system with respect to the efficiency curve of the hydrogen power and fuel cell power. The battery system model with its State of Charge(SOC) is coupled with the fuel cell model to form an objective function satisfying the power demand from the drive cycles. The MPC controller and the rule-based controller are implemented in MATLAB and the powersplit analysis is simulated for all five routes. The results show that the energy management system with the MPC controller optimizes the powertrain configuration efficiently, with preparing for the uphill or downhill, such that the battery SOC stays in its limits and the fuel cell operates in the most efficient range. This ensures operating over different types of drive cycles with the most efficient battery and fuel cell size, hence concluding with the MPC controller outperforming the rule-based one. / Fuel Cell Hybrid Electric Vehicle (FCHEV) är hybridfordon som består av både bränsleceller och batterier som energiomvandlingssystem. Energy ManagementSystem (EMS) spelar en viktig roll i driften av bränslecellshybridsystemet, eftersom det hjälper till att minska systemets vätgasförbrukning. Denna studie undersöker en optimal styralgoritm framtagen i syfte att minska syfte att minska vätgasförbrukningen i bränslecellssystemet. Algoritmen testas på fem olika körcykler, baserade på verkliga Europeiska vägsträckor. Model Predictive Controller (MPC) används för att lösa det optimala styrproblemet, genom att formalisera en framåtblickskontroller med hjälp av dess vikande horisont. Den optimala kontroller jämförs med en konventionell regelbaserad kontroller, genom att analysera hybridsystemet över olika batteri- och bränslecellstorlekar, baserat på den totala väteförbrukningen. Först utvecklas en förenklad systemmodell, som modellerar bränslecellssystemet med avseende på effektivitetskurvan för vätgaskraften och bränslecellseffekten. Batterisystemmodellen med dess State of Charge (SOC) är kopplad till bränslecellsmodellen för att bilda en målfunktion som tillfredsställer kraftbehovet från drivcyklerna. MPC-styrningen och den regelbaserade styrningen är implementerade i matlab och effektdelningsanalysen simuleras för alla fem rutterna. Resultaten visar att energihanteringssystemet medMPC-styrningen optimerar drivlinans konfiguration effektivt, med förberedelser för uppförsbacke eller nedförsbacke, så att batteriets SOC håller sig inom sina gränser och bränslecellen arbetar i mest optimala räckvidden. Detta säkerställer drift över olika typer av körcykler med den mest effektiva batteri- och bränslecellsstorleken, och avslutar därför med att MPC-styrenheten överträffar den regelbaserade.

In this thesis, we explore the potential of financing a fast charging system with energy storage by delivering ancillary services from the energy storage in an optimal way. Specifically, a system delivering frequency regulation services FCR-D Up and FCR-D Down in combination with energy arbitrage trading is considered. An optimization model is developed that could be implemented operationally and then used in a Monte-Carlo simulation to estimate the net present value of the system for four identified cases at three different energy market price scenarios. The main modeling approach is to formulate the system as a state-space model serving as the foundation for model predictive control, with the delay between decision and delivery of the frequency regulation services incorporated as a part of the system state. The optimization of the system is implemented using a dynamic programming approach with a time horizon of 48h, where the choice of admissible controls is optimized for computational efficiency. The result shows that the system could profitable under optimal operation, but it is heavily dependent on the size of the grid connection, future price levels for ancillary services, and the nature of fast-charging demand. As such, the business case and profitability should be evaluated with a specific use case in mind. The developed model showed relatively good computational efficiency for operational implementations with a run time for one iteration of the optimization problem of 15 seconds. The model could therefore be used as the foundation for future research within the specific field and for similar control problems considering delayed controls and stochastic demand. Several proposed improvements and suggested areas of future research are proposed. / I den här uppsatsen utforskar vi huruvida det är finansiellt lönsamt att leverera snabbladdning från ett energilager samtidigt som energilagret används för att leverera systemtjänster på ett optimalt sätt. Mer specifikt undersöks ett potentiellt system som levererar frekvensregleringstjänsterna FCR-D Up och FCR-D Down samt energiarbitragehandel. Vi utvecklar en optimeringsmodell som kan implementeras i ett fysiskt system och använder sedan modellen i en Monte-Carlo-simulering för att estimera nuvärdet av fyra olika systemkonfigurationer för tre olika prisscenarion. Den huvudsakliga modelleringsmetoden är att formulera systemet som en tillstånds-rum modell, som sedan används som grund för modellprediktiv styrning, där fördröjningen mellan beslut och leverans av frekvensregleringstjänster inkluderas som en del av systemets tillstånd. Optimeringen av systemet implementeras med en dynamisk programmeringsmetodik med en tidsram på 48 timmar, där valet av tillåtna kontroller optimeras för beräkningseffektivitet. Resultatet visar att systemet kan vara lönsamt under optimal drift, men det är starkt beroende av storleken på nätanslutningen, framtida prisnivåer för systemtjänster och typen av snabbladdningsbehovet. Därför bör lönsamheten utvärderas för varje specifikt fall. Den utvecklade modellen visade relativt god beräkningseffektivitet för praktiskt implementation med en körtid för en enskilt iteration på 15 sekunder. Modellen kan därför användas som grund för framtida forskning inom området och för liknande problem inom optimal styrteori som involverar fördröjda kontroller och stokastisk efterfrågan. Flera föreslagna förbättringar och områden för framtida forskning föreslås.

Model Predictive Control (MPC) is a control strategy based on optimization that handles system constraints explicitly, making it a popular feedback control method in real industrial processes. However, designing this control policy is an expensive operation since an explicit model of the process is required when re-tuning the controller. Another common practical challenge is that not all states are available, which calls for an observer in order to estimate the states, and imposes additional challenges such as satisfying the constraints and conditions that follow. This thesis attempts to address these challenges by extending the novel Adversarial Adaptive Model Predictive Control (AAMPC) algorithm with output-feedback for linear plants without explicit identification. The AAMPC algorithm is an adaptive MPC framework, where results from an adversarial Multi-Armed Bandit (MAB) are applied to a basic model predictive control formulation. The algorithm of the project, Adversarial Adaptive Output-Feedback Model Predictive Control (AAOFMPC), is derived by extending the standard MPC formulation with output-feedback, i.e, to an Output-Feedback Model Predictive Control (OFMPC) scheme, where a Kalman filter is implemented as the observer. Furthermore, the control performance of the extended algorithm is demonstrated with the problem of driving the state to a given reference, in which the performance is evaluated in terms of regret, state estimation errors, and how well the states track their given reference. Experiments are conducted on two discrete-time Linear Time- Invariant (LTI) systems, a second order system and a third order system, that are perturbed with different noise sequences. It is shown that the AAOFMPC performance satisfies the given theoretical bounds and constraints despite larger perturbations. However, it is also shown that the algorithm is not very robust against noise since offsets from the reference values for the state trajectories are observed. Furthermore, there are several tuning parameters of AAOFMPC that need further investigation for optimal performance. / Modell Prediktiv Reglering (MPC) är en optimeringsbaserad reglertekniksmetod som hanterar processbegränsingar på ett systematiskt sätt, vilket gör den till en populär metod inom återkopplad reglering i processindustrin. Denna metod medför dock höga beräkningskostnader eftersom det krävs en explicit modell varje gång regulatorn justeras online. I praktiken är det också vanligt att alla tillståndsvariabler inte är tillgängliga, vilket kräver en observatör för att rekonstruera alla tillståndsvariabler. Detta leder till fler utmaningar som att uppfylla ytterligare systembegränsingar och villkor som följer. Detta projekt adresserar dessa utmaningar genom att förlänga den nya algoritmen Adversarial Adaptiv Modell Prediktiv Reglering (AAMPC) med output-feedback för linjära system utan explicit modellidentifiering. AAMPC-algoritmen är en adaptiv reglerstrategi där resultat från en adversarial multiarmed bandit (MAB) appliceras i en standard MPC-formulering. Denna MPC-formulering är förlängd med output-feedback dvs. Output-Feedback Modell Predktiv Reglering (OFMPC) där ett Kalman filter är implementerad som en observatör och resulterar i projektets algoritm: Adversarial Adaptiv Output- Feedback Modell Prediktiv Reglering (AAOFMPC). Vidare demonstreras den utökade algoritmens prestanda med problemet att driva tillståndsvariablerna till ett givet referensvärde, där prestandan evalueras i termer av regret, skattningsfel och hur väl tillståndsvariablerna följer de givna referensvärdena. Experiment utförs på två tidsdiskreta tidsinvarianta (LTI) system, ett andraordningssystem och ett tredjeordningssystem, som är perturberade med olika värden av brus. Resultaten visar att AAOFMPC:s prestanda uppfyller de givna teoretiska begränsningarna trots större störningar. Det visar sig dock att algoritmen inte är särskilt robust mot brus eftersom det sker avvikelser från de givna referensvärdena för tillståndsvariablerna. Dessutom finns det flera parametrar i algoritmen som kräver ytterligare utredningar för optimal prestanda.

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.

The human gaze is pivotal in motion planning and control. Gaze is typically directed at visual target sites prior to physical interactions with them. This proactive gaze (PEG) behavior has been observed in a multitude of physical situations. However, PEG has not been examined in virtual reality (VR). Identification of PEG in VR could be helpful for digital human modeling applications and human-robot interactions. In this study we asked 10 participants to perform a pick-and-place (PAP) task in VR while we were tracking gaze behavior. Our results indicate that PEG also occurs in VR. Furthermore, the action to reach directly towards the PAP object or walk to it before reaching, results in different gaze strategies. Relocating before a reach is associated with gaze to additional sites, such as the floor and the table upon which the object was placed. / Den mänskliga blicken är avgörande för planering och kontroll av rörelse. Blicken riktas vanligtvis mot visuella mål före interaktion med dessa. Denna proaktiva blick (eng. ’proactive gaze’; PEG) har observerats i många olika slags fysiska situationer. Dock har inte PEG undersökts i virtual reality (VR). Identifiering av PEG i VR skulle kunna vara användbart för applikationer med digital mänsklig modellering och människo-robotinteraktioner. I denna studie instruerade vi 10 försöksdeltagare att utföra en s.k. pick-and-place-uppgift (PAP) i en VR-miljö medan vi registrerade deltagarnas blick. Våra resultat indikerar att PEG också förekommer i VR. Vidare leder handlingen att direkt sträcka sig efter objektet till ett annorlunda blickbeteende jämfört med att först förflytta sig innan man sträcker sig efter PAP-objektet. Vid förflyttning innan man sträcker sig efter objektet fästs blicken på ytterligare områden såsom golvet och bordet som objektet placerats på.