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

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.

No description available.

Monoklonala antikroppsbaserade läkemedel (mAb) är ett av de snabbast växande segmenten på läkemedelsmarknaden, främst på grund av deras tillämpning inom onkologi, immunologi och hematologi. Traditionellt sker den industriella produktionen av mAb med fed-batch-odling. Detta är en relativt lätthanterlig process med mAb-utbyten på 5-10 g/L, men dess brist på kontroll över kritiska processparametrar (CPP) orsakar höga mAb-förluster på grund av att kvalitetsspecifikationer inte uppfylls. Ökande marknadskrav och regulatoriska förändringar pådriver läkemedelsindustrin iinnovation inom mAb-tillverkningsprocessen, för att nå kontinuerlig tillverkning. För närvarande, som ett övergångssteg till kontinuerlig tillverkning, sker investeringar i intensifierade fed-batch-odlingar. Dessa uppnår högre celldensiteter på cirka 25-30 g/L, men detta är fortfarande mycket lägre än motsvarande mAb-koncentrationer på 130 g/L som kan uppnås med perfusionsprocesser. Andra fördelar med perfusionsprocesser är att de tillåter flexibla produktionsanläggningar och möjliggör en nivå av processkontroll som skulle tillåta realtidstestning av release. För att upprätthålla en perfusionsprocess under de specificerade förhållandena som garanterar den önskade mAb-kvaliteten, måste CPP kontrolleras noggrant. Process Analytical Technologies (PAT) kan mäta CPP i realtid på ett icke-destruktivt sätt. Denna studie undersökte tillämpningen av två PAT, ArgusEye®-sensorerna och Time-gated Raman-spektroskopi, på perfusionsprocesser. Vi visade att ArgusEye®-sensorerna kan användas för att mäta IgG i perfusionsprover med ganska bra korrelation med referensmetoden. Vi har också visat att multivariata Raman-baserade modeller kan konstrueras för att förutsäga flera CPP, baserat på samma spektra. Framförallt belyser denna studie komplexiteten i tillämpningen av dessa PAT för att kontrollera perfusionsprocesser. För ArgusEye® drar vi slutsatsen att för att få exakta mätningar måste vi ta hänsyn till förändringarna i koncentrationen av värdcellsprotein under en perfusionsprocess, eftersom deras ospecifika bindning till sensorerna är den troliga orsaken till variationen i IgG-mätningarna. För de Raman-baserade modellerna, visar denna studie att en stor mängd data krävs för att bygga korrekta prediktionsmodeller, något som rapprterats om i litteraturen. Sammantaget visar denna rapport att dessa PAT har en stor tillämpningspotential, men de måste förbättras ytterligare innan de kan användas som automatiska återkopplingskontrollverktyg. / Monoclonal antibody-based therapeutics (mAb) are one of the fastest-growing segments in the pharmaceutical market, mainly due to their application in oncology, immunology, and hematology. Traditionally, the industrial production of mAb is done with fed-batch cultivation. This is a relatively easy to operate process with mAb yields of 5-10 g/L, but its lack of control over critical process parameters (CPP) causes high mAb losses due to unmet quality specifications. Driven by increasing market demands and regulatory changes, the pharmaceutical industry is innovating in the mAb manufacturing process to reach continuous manufacturing. Currently, as a transition step to continuous manufacturing, the pharmaceutical industry is investing in intensified fed-batch cultivations. They achieve higher cells densities and present yields around 25-30 g/L, but this is still much lower than the equivalent mAb titers of 130 g/L that can be achieved with perfusion processes. Other advantages of perfusion processes are that they allow the existence of flexible production facilities and enable a level of process control that would permit Real-Time Release Testing. To maintain a perfusion process under the specified conditions to guarantee the desired mAb quality, the CPP need to be closely controlled. Process Analytical Technologies (PAT) can measure CPP in real-time and non-destructively. This study evaluated the application of two PAT, the ArgusEye® sensors and Time-gated Raman spectroscopy, on perfusion processes. We showed that the ArgusEye® sensors can be used to measure IgG in perfusion samples with quite good correlation to the reference method. We have also shown that multivariate Raman-based models can be constructed to predict several CPP based on the same spectra. Most importantly, this study highlights the complexity of the application of these PAT to control perfusion processes. For the ArgusEye®, we conclude that to obtain accurate measurements, we need to account for the changes in the concentration of host cell protein during a perfusion process, as their unspecific binding to the sensors is the probable cause for the variation in the IgG measurements. For the Raman-based models, as previously reported in the literature, this study shows that a high volume of data is require to build accurate prediction models. Overall, this report shows that these PAT have a great potential of application, but they need to be further improved prior to their use as automatic feedback control tools.

Multi-object tracking is a classic engineering problem wherein a system must keep track of the identities of a set of a priori unknown objects through a sequence, for example video. Perfect execution of this task would mean no spurious or missed detections or identities, neither swapped identities. To measure performance of tracking systems, the Higher Order Tracking Accuracy metric is often used, which takes into account both detection and association accuracy. Prior work in monocular vision-based multi-object tracking has integrated deep learning to various degrees, with deep learning based detectors and visual feature extractors being commonplace alongside motion models of varying complexities. These methods have historically combined the usage of position and appearance in their association stage using hand-crafted heuristics, featuring increasingly complex algorithms to achieve higher performance tracking. With an interest in simplifying tracking algorithms, we turn to the field of representation learning. Presenting a novel method using a Joint-Embedding Predictive Architecture, trained through a contrastive objective, we learn object feature embeddings initialized by detections from a pre-trained detector. The results are features that fuse both positional and visual features. Comparing the performance of our method on the complex DanceTrack and relatively simpler MOT17 datasets to that of the most performant heuristic-based alternative, Deep OC-SORT, we see a significant improvement of 66.1 HOTA compared to the 61.3 HOTA of Deep OC-SORT on DanceTrack. On MOT17, which features less complex motion and less training data, heuristics-based methods outperform the proposed and prior learned tracking methods. While the method lags behind the state of the art in complex scenes, which follows the tracking-by-attention paradigm, it presents a novel approach and brings with it a new avenue of possible research. / Spårning av multipla objekt är ett typiskt ingenjörsproblem där ett system måste hålla reda på identiteterna hos en uppsättning på förhand okända objekt genom en sekvens, till exempel video. Att perfekt utföra denna uppgift skulle innebära inga felaktiga eller missade detektioner eller identiteter, inte heller utbytta identiteter. För att mäta prestanda hos spårningssystem används ofta metriken HOTA, som tar hänsyn till både detektions- och associationsnoggrannhet. Tidigare arbete inom monokulär vision-baserad flerobjektsspårning har integrerat djupinlärning i olika grad, med detektorer baserade på djupinlärning och visuella funktionsutdragare som är vanliga tillsammans med rörelsemodeller av varierande komplexitet. Dessa metoder har historiskt kombinerat användningen av position och utseende i deras associationsfas med hjälp av handgjorda heuristiker, med alltmer komplexa algoritmer för att uppnå högre prestanda i spårningen. Med ett intresse för att förenkla spårningsalgoritmer, vänder vi oss till fältet för representationsinlärning. Vi presenterar en ny metod som använder en prediktiv arkitektur med gemensam inbäddning, tränad genom ett kontrastivt mål, där vi lär oss objekt representationer initierade av detektioner från en förtränad detektor. Resultatet är en funktion som sammansmälter både position och visuel information. När vi jämför vår metod på det komplexa DanceTrack och det relativt enklare MOT17-datasetet med det mest presterande heuristikbaserade alternativet, Deep OC-SORT, ser vi en betydande förbättring på 66,1 HOTA jämfört med 61,3 HOTA för Deep OC-SORT på DanceTrack. På MOT17, som har mindre komplex rörelse och mindre träningsdata, presterar heuristikbaserade metoder bättre än den föreslagna och tidigare lärande spårningsmetoderna. Även om metoden ligger efter den senaste utvecklingen i komplexa scener, som följer paradigm för spårning-genom-uppmärksamhet, presenterar den ett nytt tillvägagångssätt och för med sig möjligheter för ny forskning.