Commissioned by the government, SOS Alarm has undertaken the assignment to be responsible for the emergency calls within Sweden. They are also performing commissions for the county councils in dispatching ambulances. SOS Alarms business concept is to develop, offer and perform services to create safety in emergency situations and to create a safer society. To develop the ambulance services in Sweden, SOS Alarm started a project in the beginning of 2003. The project is called OPAL, Optimized Ambulance Logistics, and it is being conducted in cooperation with Linköpings Universitet. Ambulance Logistics is the planning, implementation and control of resources and information used to facilitate an efficient way of serving a person in need of out-of-hospital medical care, including possible transportation. Among other things, the OPAL-project has resulted in a preparedness calculator. The calculator calculates the preparedness for certain areas in Sweden (so far Dalarna and the county of Stockholm) and visualizes the preparedness on a digital map to support the persons who dispatch the ambulances. If an area has “bad preparedness”, in simple terms it means that there are not enough ambulances in the surrounding area to cover the probable needs. The inputs for the preparedness calculator include forecasts of where and when ambulance calls are probable to occur in Sweden. The purpose with this thesis is to create a method to produce these forecasts. A method to update the forecasts when new input data is available also has to be created. The data analysis and production of forecasts in this thesis are based on data from Dalarna. However, the method has to be generalized and eventually applicable to produce forecasts for the rest of Sweden. An analysis of historical data shows that the demand is constant, with no obvious trend. It is obvious that number of ambulance calls is differentiated over the days of the week and also over the hours of the day. Therefore, the week is categorized into 168 different indexes, one for each hour of the week. The next step is to examine two reasonable forecasting methods, moving average and exponential smoothing, and compare their quantitative and qualitative characteristics. Based on these comparisons, the moving average method is recommended. With the forecasts, the preparedness in selected areas can be calculated and SOS Alarm receives excellent assistance in dispatching ambulances in a more efficient way. The preparedness calculator will assist in preventing bad preparedness and it makes sure that the best possible preparedness is being upheld. Therefore, good forecasting can contribute to a safer society and to saving human lives. / SOS Alarm har, med staten som uppdragsgivare, åtagit sig att svara för nödnumret 112 inom Sverige. De utför även uppdrag för landstingens räkning, inom ambulansalarmering och inom ambulansdirigering. SOS Alarms affärsidé är att utveckla, erbjuda och utföra tjänster för att skapa trygghet i nödsituationer och bidra till ett tryggare samhälle. I början av år 2003 inledde SOS Alarm projektet OPAL med målet att utveckla ambulansverksamheten i Sverige. OPAL står för Optimerad Ambulanslogistik och drivs i samarbete med Linköpings universitet. Ambulanslogistik är den planering, implementering och kontroll av resurser och information som utförs för att åstadkomma ett effektivt sätt att betjäna en person i behov av vård utanför sjukhuset, inklusive eventuell transport. OPAL-projektet har bland annat resulterat i en beredskapskalkylator. Denna kalkylator beräknar beredskapen för vissa områden i Sverige (för närvarande i Dalarna och Stockholms län) och visualiserar dessa beredskaper på en digital karta som stöd för de personer som styr ambulanserna och tilldelar dem uppdrag. ”Dålig beredskap” i ett område innebär förenklat att det inte finns tillräckligt många ambulanser i närheten för att uppfylla det förväntade behovet. En ingående parameter som behövs till beredskapskalkylatorn är prognoser för när det är troligt att uppdrag kommer att uppstå i olika områden. Syftet med examensarbetet är att skapa en metod för att prognostisera detta förväntade antal uppdrag för ambulanserna i Sverige. En metod ska även skapas för att prognoserna ska kunna uppdateras i takt med att ny data samlas in. Analysen av data och framtagning av prognoserna utförs i examensarbetet för Dalarna som exempel, men metoden ska kunna användas även för att ta fram prognoser för övriga Sverige. En analys av historiska data för Dalarna visar en bakomliggande konstant efterfrågemodell utan tydlig trend. Det visar sig tydligt att antal uppdrag beror på vilken veckodag samt vilken timme på dygnet som råder. Valet blir därför att tilldela veckan 168 olika index, ett för varje timme under veckan. Sedan undersöks två rimliga prognosmetoder, glidande medelvärde och exponentiell utjämning, som jämförs kvalitativt och kvantitativt. Med dessa analyser som grund rekommenderas metoden glidande medelvärde. Med prognosvärden kan beredskapen i utvalda områden beräknas och SOS Alarm får god hjälp att dirigera ambulanser på ett mer effektivt sätt. Beredskapskalkylatorn är ett verktyg som hjälper till att förebygga dålig beredskap och att se till att bästa möjliga beredskap hålls. Goda prognoser kan alltså bidra till ett tryggare samhälle och att rädda människoliv.

Trafikverket, är den statliga verksamhet som har hand om alla Sveriges vägar och järnvägar har den så kallade nollvisionen som ett huvudmål. Tanken bakom nollvisionen är att de som använder vägarna skall vara säkra och inte komma till skada. En del av uppfyllandet av detta mål är att Trafikverket ger ut korttidsprognoser för väglag och körförhållande. I nuläget så används ett mycket manuellt systemet som heter NTIS, men man håller på att utveckla det nya automatiska systemet RCC som skall kunna ta fram korttidsprognoser baserat på olika former av data, t.ex. data från väderstationer. Syftet med denna studie är att utvärdera hur väl de två olika systemen utför en korttidsprognos och jämföra de mot varandra, samt verkligheten. Denna studie gjordes i form av en förklarande fallstudie. Som datainsamling används dokument i olika former och analysen var kvantitativ då resultatet av utvärdering ger olika procenttal av hur rätt respektive system har. Under undersökningen gång så kom vi fram till att båda systemen hade sina fördelar och nackdelar. T.ex. så det gamla NTIS systemet fortfarande bäst på isigt och moddigt väglag. Medans det nya RCC systemet hade sina egna fördelar, t.ex. snöigt väglag och vått väglag. Samt så hade RCC en klar fördel med sin rapporteringstid, vilket var ett problem man såg med NTIS. Resultat var som sagt ett procenttal av hur rätt de två olika systemen hade, men även förslag till förbättringar. T.ex. hur man skulle kunna ändra RCC regler för bättre resultat. / Trafikverket is the government branch that operates all of Sweden's roads and railroads and one of their main goals is the so called zero vision. The idea behind zero vision is that all roads shall be safe to use and that no one should get injured while on the roads. One part of fulfilling this goal is that Trafikverket gives out short term forecast about the road conditions and driving conditions. Currently a manual system called NTIS is used, but Trafikverket is currently developing a new automatic system called RCC. RCC is supposed to be able to form short term forecast by using different kinds of data such as weather stations. The reason behind this study is to compare how well the two different systems do a short term forecast. They are paired against each other, but the goal is also to look how it really was in reality. The study was done as an explanatory case study. Data was collect by document of many kinds and the analysis was quantitative since the result is a percentage of how well each system had done. During the study many things were concluded. Such as both systems had their strengths and flaws. For example the old NTIS system was still better at icy and slushy roads. While the new RCC system was good at snowy and wet roads. Also a clear strength and also reason behind RCC was it’s automatic and constant report time, which was a problem in the NTIS systemet. The result of the study was a percentage how well each system did. But also suggestions how rules of the new RCC system may be improved was also given that may strengthen the result of the system.

Den här studien utvärderar potentialen i söktermsdata från Google som ledande indikator för priser på bostadsmarknaden i Stockholm. Det prediktiva innehållet i söktermsdata från Google Trends jämförs mot en mer klassisk prognosmodell byggd på makroekonomiska variabler. Genom att mäta avvikelsen i en pseudo-prognos redovisas respektive datakällas förmåga till riktiga prognoser. Den huvudsakliga slutsatsen är att det finns resultat som styrker tesen om prediktivt innehåll i Googledata, framförallt för prognoser med horisonter upp till sex månader. Genom att använda Googledata skapas prognoser som har en mindre avvikelse från den faktiska tidsserien är vad modellen byggd på makroekonomiska variabler kan leverera. Resultatet visar på användbarheten i söktermsdata från Google som ledande indikator för priser på bostadsmarknaden i Stockholm. / This study evaluates the potential in using Google search term data as a leading indicator of prices on the real estate market in Stockholm. The predictive content of the search term data from Google Trends is contrasted against a more classic forecasting model using macroeconomic variables. The ability of each data source to generate powerful forecasts is demonstrated by measuring the deviation in a pseudo-forecast. The main finding is that the results support the hypothesis on predictive content in Google data, mainly forecasts with up to six months’ horizon. By using Google data, forecasts can be made with less deviation from the actual time series than forecasts built on macroeconomic variables. The results point to the usability of search term data from Google as a leading indicator for prices on the real estate market in Stockholm.

According to the climate goal set by the Swedish government Sweden will have no net emissions of greenhouse gases by 2045 (with a subgoal of decreasing) emissions from domestic transportation by 70% before 2030, compared to 2010. Because of this the vehicle fleet is being electrified and according to a prediction made by Fossilfritt Sverige 16% of the heavy vehicle fleet will be electrified by 2030. However, the electrical grid has a capacity shortage in many cities in Sweden and it will be a challenge to provide the required power. Västerås is one of those cities.    The goal of this study is to investigate the necessary electrical power in Västerås to charge city busses and freight transports in 2030, as well as look at actions that could lower the power demand. Nine places were important for charging: two depots, two public charging stations and five regions for commerce and industry, where vehicles will fast charge during loading and unloading of wares. The vehicles are predicted to stay at the loading dock for ten minutes, while they will stay in the depot and charging station for eight hours. A model created in Python was used for all nine places, as well as the bus depot, where arrival, departure and state of charge were given as input. The model then showed the power required for charging all vehicles. Load shifting was used in the depots and charging stations, and energy storages were used at the loading docks, to lower the power demand.  The result of this study shows that with direct charging of heavy vehicles 12 MW will be needed, and with load shifting and energy storages implemented the power demand would be halved.

År 2020 drabbades Sverige och världen av en pandemin Covid-19. Pandemin har en stor påverkan på flygbranschen enligt tidigare undersökningar. Syftet med studien är att undersöka hur antalet flygpassagerare har påverkats av pandemin samt att jämföra om interventionsmodeller gör mindre prognosfel jämfört med ARIMA-modeller som inte inkluderar en variabel för pandemin. Interventionsanalys av Covid-19 genomförs för att studera effekten av pandemins påverkan på antal flygpassagerare som reser från svenska flygplatser. I mars 2020 gick utrikesdepartementet ut med rekommendation om att undvika onödiga resor för att undvika smittspridning. Interventionsmodeller för inrikes, utrikes och totala antalet flygpassagerare är framtagna. Interventionen betraktas inträffa i mars 2020. Pulsfunktion för maj behöver inkluderas i interventionsmodellen över inrikespassagerare och en pulsfunktion för april behöver modelleras med i interventionsmodellen över utrikespassagerare. För totala antalet flygpassagerare behöver enbart en stegfunktion inkluderas i modellen. Resultaten visar att under covidpandemin har antalet flygpassagerare minskat. Det totala antalet flygpassagerarehar minskat med närmare en miljon passagerare. Utrikespassagerare har minskat med närmare 682000 passagerare och ytterligare cirka 180000 passagerare under lägsta nivåer i april. Inrikespassagerare har minskat med ungefär 370000 passagerare och ytterligare 287000 passagerare i maj. Prognosmodellerna visar delade resultat. För inrikespassagerare blir prognosfelet inte lägre med interventionsmodellerna jämfört med en ARIMA-modell utan interventionseffekt. För utrikespassagerare blir prognosfelet lägre med interventionsmodellerna jämfört med ARIMA-modellen. Över total antalet flygpassagerare gör några av interventionsmodellerna bättre prognoser jämfört med ARIMA-modellen men samtidigt presterade några interventionsmodeller sämre än ARIMA-modellen. / In 2020, Sweden and the world were hit by the Covid-19 pandemic. The pandemic has a major impact on theflight industry according to previous studies. The purpose of this study is to estimate how the number of air passengers has been affected by the pandemic and to estimate models whose purpose is to make short-term forecasts. Intervention analysis is carried out to study the impact of the Covid-19 pandemic on the number of air passengers in Sweden. In March of 2020 the ministry of foreign affairs of Sweden announced a recommendation to avoid unnecessary travels to avoid spreading of the disease. Intervention models for domestic passengers, foreign passengers and the total number of air passengers have been produced. An impulse function for May needed to be included in the intervention model for domestic passengers and an impulse function for April needed to be included in the intervention model for foreign passengers. For the total number of air passengers only a step function for Covid-19 was required. The results show that the Covid-19 pandemic has affected the number of air passenger. The total number of air passengers has decreased by almost one million passengers. Foreign passengers have decreased by almost 682000 passengers and decreased by another 180000 passengers in April 2020. Domestic passengers decreased by approximately 375000 passengers and decreased by another 287000 passengers in May. The forecast models show varying results. For domestic passengers, the forecast errors were not lower for the intervention models compared to the ARIMA model without an intervention effect. For foreign passengers, the forecast errors were lower with the intervention models compared to the ARIMA model. For the total number of passengers, some of the intervention models made better forecasts compared to the ARIMA model, but at the same time some of the intervention models performed worse than the ARIMA model.

Bakgrund: För att kunna ta välgrundade finansiella beslut, behöver aktörer göra prognoser om vad som kommer ske i framtiden. Detta har medfört att både forskare och praktiker har byggt olika modeller som syftar till att prognostisera framtiden. Ett centralt mått i många finansiella modeller är tillgångens volatilitet, som är ett mått på prisförändringen under en tidsperiod. Den implicita volatiliteten, härledd via derivatmarknaden och prissättningsmodeller, är en marknadsprognos för en tillgångs framtida volatilitet. Tidigare forskning pekar på att den implicita volatiliteten är bättre på att prognostisera den framtida volatiliteten jämfört med modeller som använder historisk volatilitet. Däremot finns det osäkerheter kring hur variabler som handelsvolym och löptid påverkar dessa volatilitetsprognoser. Syfte: Syftet med studien är att undersöka hur prognosförmågan hos den implicita volatiliteten för den framtida realiserade volatiliteten förhåller sig vid olika löptider samt vid olika handelsvolymer. Metod: För att uppnå syftet med studien har vi använt oss av en kvantitativ metod samt en deduktiv ansats. Urvalet består av 100 bolag som varit noterade på S&P 500 mellan 2017 och 2021. Vidare har regressioner utförts i syfte till att fastställa den implicita volatilitetens prognosförmåga. Två modeller har använts varav en heterogeneous autoregressive modell (HAR) och en enkel linjär regression (ELR). Slutligen analyseras regressionerna utifrån kategoriseringar baserat på löptid samt olika handelsvolym. Slutsats: Studien finner inga signifikanta skillnader bland förklaringsgraderna med avseende på olika löptider. Däremot finner vi att den implicita volatiliteten från kortare optioner tenderar att underskatta den realiserade volatiliteten till högre grad än för längre löptider. I kontrast till tidigare forskning finner vi att prognoser blev sämre vid högre handelsvolymer men att underskattningar är vanligare för lägre handelsvolymer.

Denna avhandling presenterar ett tillvägagångssätt för att förutspå förflyttning inom folkmassor med hjälp av LSTM-neurala nätverk. Specifikt analyseras inflytandet som olika frekvenser av tidsserier har på både prognosen för folkmassorna och designen i arkitekturen inom transport och handel. Arkitekturen påverkas även då frekvensändringar provocerar fram en ökning eller minskning i datamängd och arkitekturen därför bör anpassas. Tidigare forskning inom prognoser relaterade till folkmassor har huvudsakligen fokuserat på att förutspå folkmassans nästa förflyttning snarare än att definiera mängden människor på en specifik plats under ett specifikt tidsspann. Dessa studier har använt olika tekniker som till exempel Random Forest eller Feed Forward neurala nätverk för att ta reda på inflytandet som de olika frekvenserna har över prognosens resultat. Denna avhandling tillämpar istället LSTM-neurala nätverk för analysering av detta inflytande och använder specifika fältrelaterade tekniker för att hitta de bästa parametrarna för att förutspå framtida välstånd i folkmassor. Resultatet visar att frekvensordningen i en tidsserie tydligt påverkar resultatet av prognoserna inom transport och handel, och att detta inflytande är positivt när frekvensordningen av tidsserierna kan fånga upp frekvensens form i prognosen. Därför, med frekvensordningen i åtanke, visar resultaten i prognoserna för de analyserade platserna en förbättring på 40% för SMAPE och 50% för RMSE jämfört med inhemska tillvägagångssätt och andra tekniker. Utöver detta visar de även att det finns ett samband mellan frekvensordningen och komponenterna i arkitekturerna. / This thesis presents an approach to predict crowd movement in defined placesusing LSTM neural networks. Specifically, it analyses the influence that different frequencies of time series have in both the crowd forecast and the design of the architecture in the domains of transportation and retail. The architecture is also affected because changes in the frequency provokes an increment or decrement in the quantity of data and, therefore, the architecture should be adapted. Previous research in the field of crowd prediction has been mainly focused on anticipating the next movement of the crowd rather than defining the amount of people during a specific range of time in a particular place. These studies have used different techniques such as Random Forest or Feed-Forward neural networks in order to find out the influence that the different frequencies have in the results of the forecast. However, this thesis applies LSTM neural networks for analysing this influence and uses specific field-related techniques in order to find the best parameters for forecasting future crowd movement. The results show that the order of the frequency of a time series clearly affects the outcomes of the predictions in the field of transportation and retail, being this influence positive when the order of the frequency of time series is able to catch the shape of the frequency of the forecast. Therefore, taking into account the order of the frequency, the results of the forecast for the analyzed places show an improvement of 40% for SMAPE and 50% for RMSE compared to the Naive approach and other techniques. Furthermore, they point out that there is a relation between the order of the frequency and the components of the architectures.

Då en människa drabbas av obotlig sjukdom med dödlig prognos förändras livet på många plan. Vetskapen att en för tidig död väntar leder till en mångfald av känslor och i denna livssituation blir upplevelsen av värdighet central. Då vårdpersonal inte besitter tillräckliga kunskaper om upplevelser av värdighet finns en risk för att vårdandet blir bristfälligt och att patientens värdighet inte bejakas. Syftet med examensarbetet var att beskriva kvinnors upplevelser av värdighet i samband med obotlig sjukdom med dödlig prognos. Fem självbiografier analyserades utifrån kvalitativ manifest innehållsanalys. Av analysen framkom två kategorier: ”Relativ värdighet” och ”Absolut värdighet”. Den relativa värdigheten yttrade sig genom kränkt och bevarad värdighet, där kontakten med andra hade stor påverkan på upplevelsen. Den absoluta värdigheten upplevdes som ett inre okränkbart rum. Inre styrkor gav kvinnorna kraft att kämpa. Det är betydelsefullt att sjuksköterskor besitter kunskap om hur värdighet kan upplevas i samband med obotlig sjukdom med dödlig prognos. Genom att integrera denna kunskap i vårdandet kan sjuksköterskan tillfredställa flera behov hos patienten, vilket kan främja patientens upplevelse av värdighet. / Life changes in multiple ways when a person becomes terminally ill. The knowledge of having to face a premature death leads to a wide diversity of feelings, and highlights the experience of dignity. When nursing staff’s knowledge regarding experiences of dignity and violated dignity is insufficient, there’s a risk of inadequate care where the patient’s dignity is not being fully considered. The aim of this Bachelor thesis was to describe women’s experiences of dignity while living with incurable disease with deadly prognosis. Five autobiographies were analyzed using a qualitative manifest content analysis. Two categories developed from the analysis: “Relative dignity” and “Absolute dignity”. The relative dignity showed through violated and preserved dignity, and the contact with others had a big influence of the experience. The absolute dignity was experienced as an inner, inviolable space. Inner strengths gave the women power to fight. It is important that nurses posses knowledge about how dignity can be experienced while living with incurable disease with deadly prognosis. By integrate this knowledge into the caring, the nurse can satisfy more needs, which can improve the patient’s experience of dignity.

<p>Volvo in Arvika produces wheel loaders, and the production is based on forecasts. When a machine is ordered, the customer can choose what type of equipment he or she wants, and these equipments are also made forecasts on. This is made by giving each equipment an estimated procentual usage that shows how many of the machines that will use this option. Today two people are working with the forecasts, planer A in Eskilstuna and planer B in Arvika. Planer A makes a forecast based on the historical outcome and planer B then makes adjustments of this based on how many options that are ordered. Volvo in Arvika is having problems with the accuracy of the forecasts and because of this they have got too much in stock. But how big are the forecast deviations, what is the cause of it, in what or which places does the process lack? What can be made to make more accurate forecasts, how can you get a more affective process with less work made? To answer these questions we surveyed the process and analyzed it to find strong and week spots. We found that Planer A has a lack of information about how the forecast influence the stock in Arvika, that she gets pour feedback from production, that Planer B is the only one with knowledge about the forecast work in Arvika. We also made a benchmarking with the factory in Braås to see how they differ. Just like in Arvika there are two people working with the forecasts, but in Braås both of them are located close to the production and they share the options equal. They are also able to fill in for each other if someone would be sick.</p><p>To see how much the forecast differ from market demand, we have analyzed forecast data from nine different options for eight months. It turned out that the automatic calculated forecasts are a bit high and that planner B lower them.</p><p>Our conclusion is that the forecasts should be made only in Arvika, and not as it is today when half of it is made in Eskilstuna. There should also be documents and routines on how the work shall be done. This is to make it easier for people that will do the same job in the future.</p> / <p>Volvo Wheel Loaders (WLO) i Arvika tillverkar hjullastare och gör detta mot prognos. Till hjullastarna finns olika utrustningar som kunden kan välja mellan och även dessa gör Volvo prognoser på. Detta görs genom att de uppskattar hur många procent av maskinerna som kommer använda varje utrustning och lägger in det i ett program. Idag arbetar två personer med prognoserna, planerare A på huvudkontoret i Eskilstuna och planerare B på plats i Arvika. Planerare A gör först prognosen med avseende på historiskt utfall, sedan justerar planerare B dessa gentemot bl.a. orderingång. WLO har problem med träffsäkerheten i sina utrustningsprognoser och detta har medfört höga lagernivåer och därmed bundet kapital. Hur stora är prognosavvikelserna, vad är det som gör att prognoserna blir fel, på vilket eller vilka ställen i processen är det som bristerna uppstår? Vad kan de göra för att få bättre prognoser, hur kan man effektivisera processen så att det blir mindre arbete? För att svara på dessa frågor började vi med att kartlägga prognostiseringsprocessen och sedan analysera den för att få fram svagheter och styrkor. Här fann vi t ex att planerare A inte har någon kunskap om hur prognoserna påverkar lagret i Arvika och att hon får för dålig feedback från produktion, att planerare B är ensam kunnig om prognosarbetet vilket leder till problem när han är sjuk eller borta av andra skäl.</p><p>Sedan gjorde vi även en processjämförelse med Volvo Braås för att se hur de skiljer sig åt. I Braås är det två personer som tar fram prognoserna och de arbetar med hälften av utrustningsnumren var. Båda sitter nära produktion och är även väl insatta i varandras arbete om någon av dem skulle vara borta.</p><p>För att få fram hur prognoserna avviker från utfallet har vi gått igenom prognoshistorik för nio olika typer av utrustningar och sedan gjort beräkningar på det materialet. Det visade sig att prognoserna som automatiskt beräknas ofta ligger för högt och att planerare B sänker dessa.</p><p>Vi har kommit fram till att allt arbetet med prognoserna borde ske på plats i Arvika och inte som i nuläget när hälften görs i Eskilstuna. Man bör även införa rutiner på hur arbetet med prognoserna ska gå till och göra dokument på detta så att det är lättare för personer som ska ta över eller måste sätta sig in hur det fungerar.</p>

Volvo in Arvika produces wheel loaders, and the production is based on forecasts. When a machine is ordered, the customer can choose what type of equipment he or she wants, and these equipments are also made forecasts on. This is made by giving each equipment an estimated procentual usage that shows how many of the machines that will use this option. Today two people are working with the forecasts, planer A in Eskilstuna and planer B in Arvika. Planer A makes a forecast based on the historical outcome and planer B then makes adjustments of this based on how many options that are ordered. Volvo in Arvika is having problems with the accuracy of the forecasts and because of this they have got too much in stock. But how big are the forecast deviations, what is the cause of it, in what or which places does the process lack? What can be made to make more accurate forecasts, how can you get a more affective process with less work made? To answer these questions we surveyed the process and analyzed it to find strong and week spots. We found that Planer A has a lack of information about how the forecast influence the stock in Arvika, that she gets pour feedback from production, that Planer B is the only one with knowledge about the forecast work in Arvika. We also made a benchmarking with the factory in Braås to see how they differ. Just like in Arvika there are two people working with the forecasts, but in Braås both of them are located close to the production and they share the options equal. They are also able to fill in for each other if someone would be sick. To see how much the forecast differ from market demand, we have analyzed forecast data from nine different options for eight months. It turned out that the automatic calculated forecasts are a bit high and that planner B lower them. Our conclusion is that the forecasts should be made only in Arvika, and not as it is today when half of it is made in Eskilstuna. There should also be documents and routines on how the work shall be done. This is to make it easier for people that will do the same job in the future. / Volvo Wheel Loaders (WLO) i Arvika tillverkar hjullastare och gör detta mot prognos. Till hjullastarna finns olika utrustningar som kunden kan välja mellan och även dessa gör Volvo prognoser på. Detta görs genom att de uppskattar hur många procent av maskinerna som kommer använda varje utrustning och lägger in det i ett program. Idag arbetar två personer med prognoserna, planerare A på huvudkontoret i Eskilstuna och planerare B på plats i Arvika. Planerare A gör först prognosen med avseende på historiskt utfall, sedan justerar planerare B dessa gentemot bl.a. orderingång. WLO har problem med träffsäkerheten i sina utrustningsprognoser och detta har medfört höga lagernivåer och därmed bundet kapital. Hur stora är prognosavvikelserna, vad är det som gör att prognoserna blir fel, på vilket eller vilka ställen i processen är det som bristerna uppstår? Vad kan de göra för att få bättre prognoser, hur kan man effektivisera processen så att det blir mindre arbete? För att svara på dessa frågor började vi med att kartlägga prognostiseringsprocessen och sedan analysera den för att få fram svagheter och styrkor. Här fann vi t ex att planerare A inte har någon kunskap om hur prognoserna påverkar lagret i Arvika och att hon får för dålig feedback från produktion, att planerare B är ensam kunnig om prognosarbetet vilket leder till problem när han är sjuk eller borta av andra skäl. Sedan gjorde vi även en processjämförelse med Volvo Braås för att se hur de skiljer sig åt. I Braås är det två personer som tar fram prognoserna och de arbetar med hälften av utrustningsnumren var. Båda sitter nära produktion och är även väl insatta i varandras arbete om någon av dem skulle vara borta. För att få fram hur prognoserna avviker från utfallet har vi gått igenom prognoshistorik för nio olika typer av utrustningar och sedan gjort beräkningar på det materialet. Det visade sig att prognoserna som automatiskt beräknas ofta ligger för högt och att planerare B sänker dessa. Vi har kommit fram till att allt arbetet med prognoserna borde ske på plats i Arvika och inte som i nuläget när hälften görs i Eskilstuna. Man bör även införa rutiner på hur arbetet med prognoserna ska gå till och göra dokument på detta så att det är lättare för personer som ska ta över eller måste sätta sig in hur det fungerar.