Idag styr och planerar de flesta organisationer i någon form, det gäller både den privata sektorn som den offentliga sektorn. Det finns olika sätt och modeller man kan använda för att styra en verksamhet t.ex. genom balanserad styrkort. Styrning startas oftast från centrala direktiv som t ex en affärs/verksamhetsplan, budget, prognos, resultatmål, avkastnings mål etc. Styrningen kan baseras på mer eller mindre komplexa styrmodeller och hanteras rent praktiskt via någon form av systemstöd men ibland endast med hjälp av Word- och Exceldokument. Gemensamt för alla styrmodeller är att de kräver en uppföljning och rapportering för att kunna göra någon nytta. Detta projekt uppstod genom en förfrågan om projektets ämne passade ihop med företagets behov av aktuell information kring hur företag och organisationer styr och planerar sin verksamhet och vilka systemstöd som används för detta ändamål. Projektet var ett uppdrag hos företaget Konsultnet Scandinavian AB. Mitt uppdrag var att hjälpa företaget med att arbeta fram en analys av de trender som finns inom verksamhetsstyrning både inom näringslivet samt offentlig sektor. I uppdraget ingick att analysera hur verksamhetsstyrning sker rent praktiskt och vilka systemstöd som används för detta ändamål. Detta projekt innefattar både ett verksamhetsperspektiv och ett systemperspektiv. Resultatet av uppdraget skall vara till hjälp för företaget i arbetet med att utveckla ett nytt systemstöd för budget, prognos och verksamhetsplanering. Metoden som använts för inhämtning utav information, är i form av både enkäter och intervjuer. Tanken med enkäterna var att i första hand få en grundläggande information om organisationernas verksamhetsstyrning och vilka systemstöd de använde sig av inom den finansiella och operativa planeringen. Efter att ha fått en grundläggande syn på de organisationer som besvarat enkäten analyserades svaren, vilket resulterade i from utav följdfrågor. Eftersom projektet var tidsbegränsat fanns inte möjligheten till att gå vidare med alla organisationer. Istället valdes ett antal organisationer bestående av både offentliga och privata för att gå vidare med följdfrågor, det vill säga intervju. Detta arbete har framtagits genom användning av en lättrörlig metod, det vill säga en metod som ger stöd till att vara anpassbar och även flexibel efter de varierande arbetsförhållandena som uppstår under projektets gång. Denna lättrörliga metod bestämdes redan vid början av arbetet. Metoden kallas för EBREM (Event-Based Requirement Elicitation Method) som inriktar sig för att identifiera eventuella risker som kan framkomma kring arbetsprocessen. Slutsatsen som jag kommit fram till inom detta arbete är att det finns en varierande syn på vad verksamhetsstyrning egentligen innebär och hur styrningen ska ske rent praktiskt. Det som har varit väldigt gemensamt hos enkätföretagen är deras uppföljning utav finansiella planer. / Today, most organizations control and plan in some way, this yields both for the private sector as well as the public sector. There are different ways and models which can be used to control an organization, for example through balanced scorecard. Control is usually launched from central directives, such as business/operational plan, budget, forecast, performance, yield goals etc. Control can be based on more or less complex control models and is handled usefully via some form of system, but sometimes just with help of Word – and Excel – documents. Common to all control models is that they require a follow up and reporting in order to do any good. This project arose by that the request about the topic of the project matched the company´s need for timely information about how companies and organizations control and plan their activities and the support systems that are used for this purpose. The project was a mission from the company, Konsultnet Scandinavian AB. My mission was to help the company to develop an analysis of the trends that are in performance management both in business and the public sector. The assignment was to analyze how performance management is practical and which support systems are used for this purpose. This project was screened both a business perspective and a system perspective. The mission will be a help to the company in the process of developing a new system for budgeting, forecasting and business management. The methodology used for collecting and analyzing information, is in the form of both surveys and interviews. The idea of the survey was to get basic overview information about other organizations performance management and the system support they use within their financial and operational planning. After getting a basic knowledge from the organizations who had answered the survey, an analysis took place which resulted in supplementary questions. Since the project work had a deadline, it was not possible to proceed with all of the organizations. Instead, a number of organizations were chosen, including both private and public organizations. This project has been developed using an agile method, which gives support to be adaptable and flexible to the varying working conditions which takes place during the project. This agile method was decided in the beginning of this work. The method is named EBREM and stands for (Event-Based Requirement Elicitation Method) which focuses to identify any risks that may emerge around this work. The conclusion which I have reached in this work is that there are a variety of views on what performance management really means and how management should be done in practice. What has been very common in survey companies is their follow-up of total financial plans.

Title: Inventory management as prerequisite for an efficient warehousing managementstrategy during expansive growth Authors: Oskar Siggesson, Mattias Hedendahl, Anton Olsson & Max Sandstedt Examinator: Hana HulthénTutor: Petra Andersson Background: The company is in a period of strong growth and is suffering from growingpains. The company is moving to a new location with a larger storage space in 2024 butsomething has to be done before the move. Because of high storage levels there is a lack offree storage space and the warehouse is soon reaching its breaking point. Objective: The report investigates how a change in warehousing strategies can helpMicropower cope with the growth in production until 2024. A forecast is created for thefuture need for storage space on a selection of products in a portion of the warehouse. Methods: This study is a case study of Micropower Group. The study uses secondary data inthe form of quantitative data from the company's business system, but to some extent also theauthor’s own observations. The data is used to perform an ABC/XYZ-analysis on thecompany's incoming inventory that forms the basis for segmentation of the articles. The studyalso conducts a sensitivity analysis of the company's storage space needs. Conclusions: By segmenting articles based on the ABC/XYZ-analysis, appropriateinstruments can be presented for the company's articles. The analysis forms a framework forMicropower's inventory management strategy but also for companies in similar situations.Based on the segmentation, information about the article's characteristics and appropriateinstruments. The study's sensitivity analysis of the forecast for storage space requirementsgives the company an indication of what increase in inventory turnover rate is required tomanage production growth. The study finds that in order to manage production growth therewill need to be an equally large increase in inventory turnover rate. Key words: ABC/XYZ-analysis, item management, inventory management strategy,differentiation, classification, forecast, sensitivity analysis, storage space

Abstrakt  Bakgrund: Varje år drabbas ca 8–15 % av alla nyblivna mammor i Sverige och ca 17 % av alla ny blivna mammor globalt av förlossningsdepression även kallad postpartumdepression (PPD). Vanligtvis uppkommer PPD under den första månaden efter förlossningen och de vanligaste symtomen är nedstämdhet, brist på intresse, ångest, oro och sömnsvårigheter.   Syftet: Syftet med studien är att beskriva faktorer som påverkar prognosen vid postpartumdepression, utifrån mödrarnas och vårdpersonalens perspektiv.   Metod: En integrativ litteraturstudie där kvantitativa såväl som kvalitativa   vetenskapliga artiklar ingick. 21 artiklar granskades med Willmans et al. (2011) modifierade granskningsmallar, 3 artiklar exkluderades och 18 artiklar globalt sett inkluderades. Artiklarna är relevanta för vårt syfte och är vetenskapligt granskade (peer review).   Resultat: Resultatet av studien visar på att screening av PPD har bristande tillförlitlighet, brister både i det professionella stödet och det sociala stödet från anhöriga till den nyblivna mamman samt att vårdpersonal kan uppleva en osäkerhet i sin kunskap om PPD och i mötet med mammor. Tidigare psykisk ohälsa och upplevda erfarenheter hos mamman visade sig vara faktorer som påverkade risken att drabbas av PPD. Skuld, skam och rädsla var faktorer som påverkade mammorna i mötet med vården. Sociala medier hade betydelse för synen på moderskapet. Det framkom av resultatet vikten av att skapa en god vårdrelation.   Slutsats: Vården bör satsa på kompetensutveckling när det gäller psykisk ohälsa generellt och specifikt PPD. Det behövs mer kunskap och utbildning för hälso-och sjukvårdspersonal som möter kvinnor i den postnatala fasen för att tidigt upptäcka tecken på PPD.  Nyckelord: Postpartum depression, faktorer, prognos, omvårdnad, screening, förekomst, möten, mammor, upplevelse.   Tack: Vi vill tacka våra familjer som tålmodigt stått ut med oss denna termin och fått familjelivet att fungera. Vi vill även tacka alla handledare som hjälpt oss under tiden. / Abstracs Bakgrund: Varje år drabbas 8-15% av alla nyblivna mammor i Sverige och cirka 17% av alla nyblivna mammor globalt av förlossningsdepression, även känd som postpartum depression (PPD). PPD uppträder vanligtvis under den första månaden efter förlossningen och de vanligaste symtomen är depression, brist på intresse, ångest, oro och sömnsvårigheter.   Syfte: Syftet med studien är att beskriva faktorer som påverkar prognosen för förlossningsdepression ur mödrars och vårdgivares perspektiv.   Metod: En integrativ litteraturöversikt som inkluderade såväl kvantitativa som kvalitativa vetenskapliga artiklar. 18 artiklar, globalt utvalda och granskade med Willman et al. (2011) modifierad granskningsmall. De är relevanta för vårt syfte och är också vetenskapligt peer-reviewed. Artiklarna analyserades med stöd av Whittmore och Knalf (2005).   Resultat: Resultaten av studien visar att screening av PPD har bristande tillförlitlighet, brister i både det professionella stödet och det sociala stödet från anhöriga till den nyblivna mamman och att vårdpersonal kan uppleva osäkerhet i sin kunskap om PPD och i mötet med mammor. Tidigare psykisk ohälsa och upplevelser med mamman visade sig vara faktorer som påverkade risken att utveckla PPD. Skuld, skam och rädsla var faktorer som påverkade mammorna i mötet med vårdgivaren. Sociala medier var viktiga för synen på moderskapet och resultatet visar också på vikten av att skapa en god vårdrelation.   Slutsats: Hälso- och sjukvården bör satsa på kompetensutveckling när det gäller psykisk ohälsa generellt och specifikt PPD. Mer kunskap och utbildning behövs för vårdpersonal som möter kvinnor i postnatalfasen för att upptäcka tidiga tecken på PPD.   Nyckelord: Förlossningsdepression, faktorer, prognos, omvårdnad, screening, prevalens, möte, mödrar, erfarenhet.

Intelligent Transport Systems (ITS) are increasingly used in public transport systems in order to provide real-time information (RTI) to passengers and operators. In particular, the RTI related to the prediction of remaining time until the arrival of the next vehicle is the most commonly provisioned information and the main focus of research. A number of predictions methods have been proposed without clear evidence of their real-world applicability, mainly because of their highly computational complexity. Moreover new sources of information, which could be used in RTI generators, become available but they have not been utilized yet. This thesis formulates a widely used real-world RTI generation meth-od, which is based on the scheduled travel time. Then, the potential contribution of real-time public transport data to RTI generation is investigated. Furthermore, a method that considers both the recent downstream running time information as well as anticipated headways and their impact on downstream dwell times is proposed. The generated predictions have to be compared against empirical bus arrival data in order to analyse the performance of the different schemes. Automatic Vehicle Location (AVL) data of the trunk bus network in Stockholm, were used for the evaluation of the proposed prediction schemes. The results illustrate the successful introduction of a robust methodology for bus arrival predictions, which outperforms the currently applied RTI generator. This methodology by integrating real-time public transport data is expected to reduce significantly passengers waiting time. In addition, the second proposed method provides a milestone for the incorporation of the dwell time component in the computation process of RTI.

In today’s fast-moving world, a company´s ability to align with changes in the market is becoming a major competitive factor. Demand forecasting form the basis of all supply chain planning and is a process that companies often fail to recognize as a key contributor to corporate success. Different contexts and market dynamics creates different challenges for companies to overcome in order to have an efficient forecasting process, matching demand with supply. This master thesis looks at the whole forecasting process, also called forecasting management, at a decentralized global company to identify the main challenges within the process and propose recommendations on how to overcome them. The research is based on a single case study where the forecasting process is investigated using four different dimensions: Functional Integration, Approach, Systems and Performance Measurements. The study identified twelve challenges in the forecasting process where a majority can be connected to issues within information sharing and lack of support in the process. Based on the identified challenges, eight improvement suggestions where developed to target the challenges and improving the process for a decentralized global company. / I dagens snabbt utvecklande och växande landskap så är ett företags förmåga att anpassa sig till marknadens behov en betydande konkurrensfaktor. Säljprognoser utgör grunden för all planering inom försörjningskedjan och är en process som företag ofta inte erkänner som en viktig bidragsgivare till företagets framgång. Olika marknadslandskap och förutsättningar skapar olika utmaningar för företag att bemästra för att kunna bedriva ett effektivt prognosarbete och matcha efterfrågan med utbud. Detta examensarbete tittar på hela prognosprocessen, även kallad prognoshantering, hos ett decentraliserat globalt företag för att identifiera de viktigaste utmaningarna i processen och föreslå rekommendationer om hur man kan övervinna dem. Forskningen bygger på en enda fallstudie där prognosprocessen undersöks utifrån fyra olika dimensioner: Funktionell integration, strategi, system och prestandamätningar. Studien identifierade tolv utmaningar i prognosprocessen där en majoritet kan kopplas till utmaningar inom informationsdelning och brist på stöd i processen. Baserat på de identifierade utmaningarna utvecklades åtta förbättringsåtgärder för att övervinna utmaningarna och förbättra processen för ett decentraliserat globalt företag.

Conventional machine learning (ML) models and algorithms are constantly advancing at a fast pace. Most of this development are due to the implementation of hybrid- and ensemble techniques that are powerful tools to complement and empower the efficiency of the algorithms. At the same time, the development and demand for renewable energy sources are rapidly increasing driven by political and environmental issues in which failure to act fast enough, could lead to an existential crisis. With the phasing of non-renewable to renewable energy sources, new challenges arise due to its intermittent and variable nature. Accurate forecasting techniques plays a crucial role in addressing these challenges. In this thesis, I present a hybrid ensemble machine learning model based upon stacking, utilizing a Gradient Boosted Tree as a meta-learner to predict the energy demand for the energy area SE3 in Sweden. The Hybrid model is based on three composite models: XGBoost, CatBoost and Random Forest (RF); utilizing only features extracted from the timeseries data. For training and testing the proposed Hybrid model, hourly demand load data was gathered from Svenska Kraftnät, measuring energy consumption for the energy area SE3 from year 2016-2021. The forecasting results of the models are measured using a regression score (R-squared, which measures Explained Variance) and Accuracy (measured in terms of Mean Absolute Percentage Error). The result shows that in an experimental setting, the Hybrid model reaches a R-squared score of 0.9785 and an accuracy of 97.85%. When utilized for day-ahead prediction on unseen data outside of the scope of the training dataset, the Hybrid model reaches a R-squared score of 0.9764 and an Accuracy of 93.43%. This thesis concludes that the proposed methodology can be utilized to accurately predict the variance in the energy demand and can serve as a framework to decision makers in order to accurately predict the energy demand in Sweden. / Konventionella maskininlärningsmodeller (ML) och algoritmer utvecklas ständigt i snabb takt. Det mesta av denna utveckling beror på implementeringen av hybrid- och ensembletekniker som är kraftfulla verktyg för att komplettera och stärka effektiviteten hos algoritmer. Samtidigt ökar utvecklingen och efterfrågan på förnybara energikällor snabbt, drivet av politiska och miljömässiga motiv, där underlåtenhet att agera tillräckligt snabbt kan leda till en existentiell kris. Med utfasningen av icke-förnybara till förnybara energikällor uppstår nya utmaningar på grund av dess intermittenta och varierande karaktär. Noggranna prognostekniker spelar en avgörande roll för att hantera dessa utmaningar. I det här examensarbetet presenterar jag en hybrid ensemble maskininlärningsmodell baserad på stacking, med användning av ett Gradient Boosted Decision Tree (GBDT) som en meta-learner för att förutsäga energibehovet för energiområdet SE3 i Sverige. Hybridmodellen är baserad på tre kompositmodeller: XGBoost, CatBoost och Random Forest (RF) och använder endast features extraherade från tidsseriedata. För att utbilda och testa den föreslagna hybridmodellen samlades timbelastningsdata från Svenska Kraftnät, som mäter energiförbrukningen för energiområdet SE3 från år 2016-2021. Modellernas prognosresultat mäts med hjälp av ett regressionsmått (R-kvadrat, som mäter Explained Variance) och Accuracy (mätt i termer av Mean Absolute Percentage Error). Resultatet visar att i en experimentell miljö når hybridmodellen en R-kvadratvärde på 0,9785 och en Accuracy på 97,85%. När hybridmodellen används för att förutsäga energiförbrukningen dagen framåt på data utanför omfattningen av träningsdata, når hybridmodellen ett R-kvadratpoäng på 0,9764 och en Accuracy på 93,43%. Denna avhandling drar slutsatsen att den föreslagna metoden kan användas för att korrekt förutsäga variansen i energibehovet och kan fungera som ett ramverk för beslutsfattare för att korrekt prognostisera energibehovet i Sverige.

This thesis is a case study in collaboration with SJ AB, a government owned railway companyin Sweden. The employees aboard the trains are an essential part of operating thetrains efficiently. Therefore, it is vital to forecast absences well in order to avoid havingto cancel train trips or having employees work over time. The current process SJ usesdivides the total amount of absences into 11 categories representing reasons for not beingpresent. This is done three months in advance, but the model is not based on mathematics.This study is going to examine how well the forecasts compare to reality in addition toinvestigating which variables are possible to estimate using regression analysis. Furthermore,the extent to which the staff on board the trains are affected will be investigatedin terms of having to work less overtime. The financial impact of an enhanced model willbe researched. “Free” days, Vacation and Sickness all have significant regressors and canpotentially be forecast using regression analysis. Future work includes finding more potentialregressor variables that could be significant for more response variables in addition tousing the results of this thesis in an actual estimation model for the total absence. / Denna avhandling ärr en fallstudie i samarbete med SJ AB, ett statligt ägt järnvägsföretagi Sverige. Anställda ombord på tågen utgör en väsentlig del av att driva tågverksamheteneffektivt. Det är därför viktigt att kunna prognostisera frånvaro väl för att undvika attställa in rutter eller tvinga de anställda ombord tåget att arbeta övertid. Den nuvarandeprocessen som SJ använder delar upp den totala mängden frånvaro i 11 kategorier somrepresenterar orsaker till att inte vara närvarande. Detta görs tre månader i förväg, menmodellen är inte baserad på matematik i dagsläget. Denna studie kommer att undersökahur väl prognoserna stämmer överens med verkligheten, samt undersöka vilka variabler somör möjliga att uppskatta med hjälp av regressionsanalys. Dessutom kommer omfattningenav hur personalen ombord på tågen påverkas att undersökas. Den ekonomiska påverkanav en förbättrad modell kommer att analyseras. Lediga dagar, semester och sjukfrånvarohar alla signifikanta beskrivande variabler och kan potentiellt prognostiseras med hjälp avregressionsanalys. Framtida arbete innefattar att hitta fler potentiella beskrivande variablersom kan vara signifikanta för fler beroende variabler, samt att använda resultatenfrån denna avhandling i en faktisk prognosmodell för total frånvaro.

A problem in self-driving vehicle (SDV) development is replacing human intuition in the diagnostic process. Some fundamental interactions between driver, service personnel, and system developer are hard to replace by onboard systems and processes. One solution to this problem is to have a staffed control tower that supports the vehicle’s decision-making. In this thesis, a decision-making process for short-term fault avoidance and uptime maximization was developed. A system architecture was proposed and implemented on the SVEA platform. By integrating the onboard system with a control tower, an increase in safe operation was achieved when the vehicle lacked knowledge. In addition, some critical interactions between SDV and control tower were tested: Diagnosis verification and plan correction. By communicating onboard data such as system warnings, symptoms, speed, and location, the vehicle could support the control tower in its decision-making. One conclusion from the thesis was that the SDV with a control tower lowered the threshold for vehicle autonomy. Also, it was shown that both vehicle safety and uptime could be considered in the route planning of SDV:s. In the future, the diagnostic and prognostic algorithms employed in the proposed architecture could be integrated with machine learning tools to update degradation models online. This could make their outputs more reliable and accurate and ultimately make the whole system more safe and reliable. / Ett problem i utvecklingen av självkörande fordon är hur man bäst ersätter den mänskliga intuitionen i diagnosprocessen. Många av nyckelinteraktionerna mellan förare, verkstadspersonal och utvecklingsingenjörer är svåra att ersätta med autonoma processer. En lösning på detta problem är att ha ett kontrolltorn som ger stöd till fordonets beslutsfattande. I det här examensarbetet föreslås en beslutsfattandeprocess för felhantering och uptime-maximering på kort sikt, under körning. En systemarkitektur utvecklades och implementerades på SVEA-plattformen. Genom att integrera systemen i fordonet med ett kontrolltorn kunde en säkrare körning säkerställas i situationer där fordonet saknade relevant kunskap. Några nyckelinteraktioner testades även: Diagnosverifikation och beslutskorrigering. Genom att kommunicera relevant data till kontrolltornet så som systemvarningar, symptom, hastighet och position kunde fordonet även stödja människan i dess beslutandeprocess. En slutsats från arbetet var att detta föreslagna system, självkörande fordon med kontrolltorn, sänkte tröskeln för autonomi i fordon. Det visades också hur både fordonets säkerhet och uptime kan användas som parametrar i ruttplanering för självkörande fordon. I framtiden skulle de framtagna diagnos och prognosalgoritmerna kunna integreras med maskininlärningsverktyg för att möjliggöra live uppdatering av bl.a. degraderingsmodeller. Detta skulle göra dem mer tillförlitliga och precisa vilket i slutändan gör systemet som helhet mer säkert och tillförlitligt.

Predicting future sales can bring many advantages to retailers with regards to organizational performance. Using big data to make accurate forecasts can enable retailer to improve their operational performance and profitability substantially by reducing lost sales, inventory levels and labor costs. Previous research within the field of retail forecasting has mostly been dedicated to forecasting on lower time granularities such as weekly and monthly. However, despite the high practicality for retailers, forecasts on higher frequencies have not been properly covered by the current literature. This study aims to investigate how to forecast future sales using high-frequency data for a Swedish pharmacy retail chain. The forecasts are made on a daily and sub-daily time granularity using time series models SARIMA, Holt-Winter’s method and Facebook Prophet. The results show that Facebook Prophet was the most practical model and had the highest forecasting accuracy both on a daily and sub-daily frequency according to the error metrics MAPE, MAE and RMSE. / Att förutsäga framtida försäljning kan medföra många fördelar för detaljis-ter när det gäller organisationens prestanda. Att använda big data för att göra korrekta prognoser kan göra det möjligt för återförsäljare att förbättra sin lönsamhet avsevärt genom att minska förlorad försäljning, lagernivåer och arbetskostnader. Tidigare forskning inom området prognoser inom de-taljhandeln har mestadels ägnat sig åt prognoser på lägre tidsgranulariteter såsom veckovis och månadsvis. Trots att prognoser är mycket praktiska för detaljister så har prognoser på högre frekvenser inte täckts ordentligt av den aktuella litteraturen. Denna masteruppsats syftar till att undersöka hur man kan prognostisera framtida försäljning med hjälp av högfrekvent data för en svensk apotekskedja .Prognoserna görs på en daglig och sub-daglig tidsgranularitet medt idsseriemodellerna SARIMA, Holt-Winters metod och Facebook Prophet. Resultaten visar att Facebook Prophet var den mest praktiska tidsseriemodellen och hade den högsta träffsäkerheten både på en daglig och sub-daglig frekvens enligt felmåtten MAPE, MAE och RMSE.

The slow integration of digital tools in the real estate industry, particularly for analyzing building data, presents significant yet underexploited potential. This thesis explores the use of occupancy sensor data and room attributes from three office buildings, demonstrating how analytical methods can enhance architectural planning and inform design decisions. Room features such as size, floor plan placement, presence of screens, video solutions, whiteboards, windows, table shapes, restricted access, and proximity to amenities like coffee machines and printers were examined for their influence on space utilization. Two datasets were analyzed: one recording daily room usage and the other summarizing usage over a consistent timeframe. Analytical methods included centered moving averages, seasonal decomposition, panel data analysis models such as between and mixed effects models, various regression techniques, decision trees, random forests, Extreme Gradient Boosting (XGBoost), and K-means clustering. Results revealed consistent seasonal patterns and identified key room attributes affecting usage, such as proximity to amenities, screen availability, floor level, and room size. Basic techniques proved valuable for initial data exploration, while advanced models uncovered critical patterns, with random forest and XGBoost showing high predictive accuracy. The findings emphasize the importance of diverse analytical techniques in understanding room usage. This study underscores the value of further exploration in refining models, incorporating additional factors, and improving prediction accuracy. It highlights the significant potential for cost reduction, time savings, and innovative solutions in the real estate industry.