Det finns många olika Data Mining-processer som kan tillämpas i ett Data Mining-projekt. Fördelen med att använda en Data Mining-process är att projektet blir strukturerat, processen kan hjälpa till att minska risker som annars kan uppstå och kan medföra att projektmålet förändras. Data Mining-processen som studien har undersökt är generell och studien försöker därmed precisera olika faser av processen, för att anpassas till ett prognostiseringsprojekt.Studien utvärderar den preciserade prognostiseringsprocessen genom att följa och dokumentera ett prognostiseringsprojekt på en tillverkningsindustri. Studien analyserar teoretiskt vilka implikationer tillverkningsindustrin kan möta och även om studiens framtagna process är tillämpningsbar i detta fall. Studien visar att det på en teoretisk nivå går att genomföra studiens preciserade Data Mining-process och visar även vilka risker som kan uppkomma om ett prognostiseringsprojekt inte följer en Data Mining-process. / Program: Systemarkitekturutbildningen

Handelns utredningsinstitut använde sig år 2002 av statistiska faktorer för att förutspå detaljhandeln i Kalmar län för år 2012. Idag, år 2010, ser vi att denna prognos i jämförelse mot 2007 års rapport, ej verkar falla in. Vi ser att ett komplement till en sådan prognos för att kunna inkludera de faktorer som Handelns utredningsinstitut ej beaktade, bör utgå ifrån en kvalitativ faktor. För detta krävs det att en ny metod för denna typ av prognostisering tas fram innan vi genomför en ny prognos för detaljhandelns utveckling för år 2020 i Kalmar läns respektive kommuner. Syftet med uppsatsen är att genomföra en prognostisering av köpkraftens utveckling och detaljhandelns försäljningsutveckling i Kalmar läns respektive kommuner. Tillsammans med denna prognostisering utformar vi en prognosmetod för prognostiseringen. Det är genom denna prognosmetod som prognostiseringen sker. Genom denna prognos avser vi att bidra med rekommendationer till de ansvariga för respektive kommuns detaljhandelsutveckling. Denna studie utgår ifrån den kvalitativa forskningsansatsen, där vi väver samman kvalitativ data med sekundär kvantitativ data för att genomföra en ny prognostisering för år 2020. Vidare har vi arbetat iterativt mellan att ta fram prognosmetoden och genomföra prognostiseringen. Vi ser att en generell ökning inom detaljhandelns försäljningsutveckling för respektive kommun kommer att ske. Dock finns det stora skillnader i och med att Kalmar kommun drar till sig en stor del av köpkraften.

Fredriksons Verkstads AB i Vadstena är en modern verkstadsindustri med kompetens främst inom plåtbearbetning, svetsning, skärande bearbetning och systemmontage. Verksamheten kan delas in i de tre delarna kontraktstillverkning, konstruktion och produktion. Kontraktstillverkningen består av serier till livsmedels-, medicinteknisk och verkstadsindustrin. Fredriksons Conveyor Solutions konstruerar egna produkter i form av transportörsystem till livs- och läkemedelsindustrin. Fredriksons kunder ställer i allt högre grad krav på reducerade ledtider och ökad leveransprecision. Syftet med examensarbetet är därför att försöka reducera Fredriksons interna ledtider för ett specifikt produktsortiment. Ett första steg i arbetet med ledtidsreduceringen är att ta fram bra utarbetade prognoser. Framförallt har kvantitativa tidsseriemetoder analyserats. De enkla tidsseriemetoderna glidande medelvärde och exponentiell utjämning har undersökts i syfte att förbättra Fredriksons prognoser. Därutöver har en mer teoretisk fördjupning i avancerade tidsseriemetoder, främst ARMA-processer, genomförts. Andra faktorer som påverkar produktionsledtiden är exempelvis partiformning, ställtider, säkerhetsmekanismer, kötider och sekvensering. Även dessa faktorer har analyserats och åtgärder har föreslagits i syfte att reducera Fredriksons interna ledtider.

Tillverkning mot kundorder kräver oftast att hålla ett förrådslager med råmaterial. Ökade kundkrav på korta leveranstider kräver att material skall finnas tillgängligt i lager. Detta ger upphov till ökade lager hos ett företag som i sin tur gör att de binder mer kapital och samtidigt leder till en sämre av­kastning. För att undvika att hålla för stora förrådslager men samtidigt hålla en god servicenivå krävs en effektiv lagerstyrning. Syftet med detta projekt är att ta reda på hur efterfrågan ser ut hos företaget i dagsläget samt kunna ta fram en lämplig prognosmetod och beräkningsmodell mot en viss takt för lagerstyrningen. Prognos­metoderna skall vara ett underlag för inköp vid beställning av material. Detta skall ligga till grund för att standardisera arbetssättet och underlätta exempelvis arbetet för nyanställda. Syftet med arbetet är också att med hjälp av en prognosmetod kunna hålla kapitalbindningen av råmateriallagret på en lämplig nivå. De metoderna som behandlas i detta arbete är ABC-analys, be­räkning av säkerhetslager och prognosmetoder. Resultatet från detta arbete skall besvara målen som projektet strävar efter. Detta skall genom olika analyser och experiment undersöka vilken typ av prognosmetod som företaget bör använda. Metoderna och teorierna som tas upp i rapporten har även syftet att kunna användas av liknande företag. Den valda prognosmetoden skall även resultera i ett bättre underlag för att komma närmre den verkliga efterfrågan som är en del för att uppnå en förbättrad lagerstyrning. Detta har i största möjliga mån satts i relation till det arbetssätt som används på företaget idag. En del av arbetet har gått ut på att ta reda på hur mycket efterfrågan varierarat från beställning tills materialet står i råmaterialslagret. Detta har även använts för att jämföra prognosmetoderna mot det nuvarande arbetssättet. Eftersom företaget vill expandera sin produktion har även en beräkningsmodell tagits fram. Denna modell anger lagernivån inklusive säkerhetslager mot en önskad takt. / Production to customer order usually requires keeping a supply warehouse. Increased customer demands for short lead-times require that materials must be in stock. This result in increasing stock levels in a company leads to more capital tied up and simultaneously leads to poorer yields. To avoid keeping a large storage warehouse whilst keeping a good service requires an effective inventory control. The purpose of this project is to find out how the demand looks like in the current situation of the company and to develop an appropriate forecasting method and calculation model against a certain pace for inventory control. The methods mentioned in this work are the ABC analysis, calculation of safety stock and forecasting methods. The results from this work will answer the objectives of the project aims. A variety of analyzes and experiments shall be used to investigate what type of forecasting method that the company should use. The methods and theories raised in the report also aims to be used by similar companies. The aim of the selected forecasting method is also to lead to a better base, from which better forecast precision is one part in order to improve the inventory management. This has, as far as possible, been put in relation to the working methods used in the company today. Some of the work has been to find out how much demand changes during the lead times, i.e. from the ordering of raw material until the material is in the raw material stock. This has also been used to compare forecasting methods against the present approach. Because the company wants to expand its production, a calculation model has also been developed. This model indicates the inventory level to a desired pace, i.e. demand level.

This thesis explores and evaluates the forecasting application of the machine learning method Gradient Boosting Decision Trees. This method is used to forecast the demand of the online grocery market with a 7-day time horizon. The thesis was conducted in collaboration with the online grocery company Mathem. The model is applied and evaluated on three different periods representing the spring, summer and fall. The main evaluation metric is the mean absolute percentage error (MAPE), and clear differences were found depending on the predictability of the period. Apart from the model and its application to demand forecasting, the related risk was investigated. This was done by studying the Value-at-Risk and Expected Shortfall associated with discrepancies between the forecasted and actual values over the three periods. The most important conclusion of the case study at Mathem is that overestimation in the forecast is more costly in terms of monetary value than underestimating. It is also found that this is highly dependent on the cost structure of the company's operation and could therefore vary between companies. Thus, the study has contributed to understanding the applications of machine learning models in forecasting processes as well as the risks related to over/underestimating the demand of the online grocery market. / I denna uppsats utforskas och utvärderas maskininlärningsmetoden Gradient Boosting Decision Trees och dess tillämpningsområde inom prognostisering. Metoden används för att prognostisera efterfrågan på onlinehandel av dagligvaror med en 7 dagars tidshorisont. Uppsatsen gjordes i samarbete med företaget Mathem som är aktiva inom denna sektor. Modellen appliceras och utvärderas på tre olika tidsperioder som representerar våren, sommaren och hösten. Modellen själv utvärderas med avseende på måttet mean absolute percentage error (MAPE) och tydliga skillnader mellan tidsperioderna observerades relaterat till variansen i datan. Förutom modellen och dess applikation på prognostisering av efterfrågan utforskades även de relaterade riskerna. Detta genomfördes genom att studera riskmåtten Value-at-Risk och Expected Shortfall baserade på differensen mellan de prognostiserade och de faktiska värdena under dessa tre tidsperioder. Den viktiga slutsatsen som kunde dras från uppsatsen i samband med Mathem var att det, i monetära termer, är dyrare att prognostisera för högt än för lågt. En ytterligare slutsats som kan dras är att den monetära risken är mycket beroende av kostnadsstrukturen hos företaget och skulle därför kunna variera mellan olika företag. Således har denna uppsats bidragit till förståelse för användandet av maskininlärning för prognostisering samt riskerna kopplade till över- och underskattning av efterfrågan i marknaden för dagligvaruhandel online.

Företaget Renta AB AB är ett maskinuthyrningsföretag som hyr ut maskiner till stora bygg- och anläggningsföretags byggprojekt. Det kan vara företag som Skanska AB, Kanonaden Entreprenad AB och NCC, men maskinerna kan också hyras av privatpersoner. Företaget finns etablerat i Sverige, Finland, Norge, Polen och Danmark. Renta AB har maskiner som de själva äger och hyr ut. Under vissa säsonger förändras efterfrågan och för att kunna möta kundens behov hyr Renta AB maskinerna från en leverantör och hyr sedan ut maskinerna från sitt företag. Liksom andra företag strävar Renta AB efter att uppnå så hög lönsamhet som möjligt, vilket ställer krav på en god kännedom om vilka maskiner som bör efterfrågas av deras kunder. Detta innebär också att Renta AB måste ta beslut om att äga eller hyra maskiner för att göra så lönsamma investeringar som möjligt. Syftet med studien är att utvärdera vilka maskiner Renta AB bör äga respektive hyra med hjälp av investeringskalkyl. En prognostisering genomfördes för att få fram hur efterfrågan kommer se ut för 16 utvalda artiklar under dess ekonomiska livslängd. Baserat på prognostiseringen användes internräntemetoden för att jämföra kapitalvärdet för att äga maskiner respektive hyra in maskiner från en leverantör. En jämförelse gjordes för att kunna ta ett beslut vilka maskiner som bör ägas respektive hyras för att få ett så högt kapitalvärde som möjligt. Resultatet visade att av de 16 utvalda artiklarna bör elva ägas och resterande hyras. En maskin utmärkte sig extra mycket genom att den bidrar till en skillnad på 1,6 miljoner kr vid att äga tillskillnad från att hyra. Det fanns även vissa maskiner som inte bidrog till lika stor skillnad i kapitalvärde vilket beslut som än togs. Vad som bidrar till att kapitalvärdet ser olika ut är grundinvesteringen, kassaflödet, den ekonomiska livslängden och kalkylräntan. De kvantifierbara siffrorna diskuterades med Renta AB och vissa maskiner som rent ekonomiskt inte är värda att behålla finns ändå kvar bland deras utbud för att kunna erbjuda sina kunder dessa. Det kan vara maskiner som inte finns längre på marknaden eller som är väldigt dyra att investera i. Det fanns även andra faktorer som påverkade huruvida företaget valde att äga eller hyra maskinerna, exempelvis tillgång på lagerplatser eller att de endast användes under vissa säsonger. / <p>Examensarbetet är utfört vid Institutionen för teknik och naturvetenskap (ITN) vid Tekniska fakulteten, Linköpings universitet</p>

Today, the ordering system for many products in grocery stores is commonly manual. At the same time, machine learning is becoming more popular as a way for companies to solve complex problems. This report aims to examine how machine learning can be used to forecast the sale of goods in the fruit and vegetable department of a grocery store. The study has tested different linear regression models for tomatoes and apples; Linear, Multiple Linear, Ridge, Lasso and Polynomial Regression. Ten features that have an impact on sales are tested in different combinations, such as weather, date and price parameters. The performance of the models is evaluated by using the measures Mean Absolute Error, Root Mean Square Error and R2. For tomatoes, the best performing model was Ridge Regression, and for apples Multiple Linear and Lasso Regression. The sale for tomatoes generated a positive R2 value, unlike for the apples. Apples on the other hand showed lower errors for Mean Absolute Error and Root Mean Square Error than tomatoes. The regression models showed better results than the manual ordering system, implying that it would be advantageous to implement them as a forecasting method. From a business point of view, the shift to an automated system possibly generates several positive effects, such as more efficient use of resources and reduced waste. The difficulties lie in factors that affect the sales but for which there is no data for, as well as how the change would require new knowledge to maintain the system. / Idag görs beställningar i många matvarubutiker manuellt av personalen. Samtidigt blir maskininlärning en allt vanligare metod för att automatisera och lösa komplexa problem för företag. Detta arbete undersöker hur maskininlärning och regression kan appliceras för att prognostisera försäljningen av varor på frukt- och gröntavdelningen i en matvarubutik. Arbetet undersöker olika linjära regressionsmodellers prestation för varorna kvisttomater och äpplen, för att sedan jämföra dessa med dagens manuella beställningssystem. Modellerna som testats är linjär, multipel linjär, Ridge, Lasso och polynomregression. Modellerna testas med tio olika parametrar som påverkar försäljningen, bland andra väder-, datum- och prisparametrar. Prestationen för modellerna utvärderas med måtten Mean Absolute Error, Root Mean Square Error och R2. De modeller som presterade bäst var Ridge Regression för kvisttomater, och multipel linjär samt Lasso Regression för äpplen. Försäljningen av kvisttomater visade ett linjärt samband med parametrarna och ett positivt R2-värde, till skillnad från äpplena. Äpplena visade däremot lägre fel för Mean Absolute Error och Root Mean Square Error än kvisttomaterna. Samtliga regressionsmodeller visade ett bättre resultat än det manuella beställningssystemet. Resultaten visar att det skulle vara fördelaktigt att implementera maskininlärningsmodeller för att prognostisera beställningar. Affärsmässigt förväntas ett skifte till ett automatiskt system innebära flera positiva effekter, som färskare utbud, effektivare resursanvändning och minskat svinn för en mer hållbar butik. Svårigheterna kring en implementation ligger i de faktorer som påverkar försäljningen men som det inte finns data på, samt hur det sätter krav på nya kunskaper för att underhålla systemet.

Under de senaste årtiondena har den omvärld som tillverkande företag befinner sig i blivit alltmer komplex. Denna ökande komplexitet ställer krav på företaget att ha goda strategier och metoder för att lyckas manövrera i denna omvärld och bibehålla sin konkurrenskraft. Ett verktyg för att göra detta är en så kallad sälj- och verksamhetsplaneringsprocess. En sådan process bidrar till att skapa balans mellan tillgång och efterfrågan på aggregerad nivå genom avdelningsöverskridande samarbeten. Ett företag som skulle kunna dra nytta av en SVP-process är Väderstad AB. Företaget upplever svårigheter kring arbetet med att planera behovet för reservdelar. Således blev arbetets syfte att ta fram grunderna för en sälj- och verksamhetsplaneringsprocess för reservdelar hos Väderstad AB. Baserat på litteratur relaterat till sälj- och verksamhetsplanering så identifierades tre områden som extra relevanta vid framtagandet av grunderna för processen; klassificera artiklar i grupperingar, utveckla prognoser för grupperingarna samt ta fram förslag till styrningen med avseende påaspekterna informationsflöde, mått, ansvar och beslut. Via ytterligare litteraturinsamling relaterat till dessa områden, datainsamling från företagets affärssystem och semi-strukturerade intervjuer så inhämtades nödvändig information till studien. Relaterat till klassificeringen så togs 17 grupperingar fram utifrån tre kriterier som härletts från informationsinsamlingen; relevans för sälj- och marknadsavdelningen, produktionsställe samtefterfrågemönster. För dessa grupperingar togs sedan prognoser på månadsbasis fram på tidigare årmed fem olika prognosmodeller; förra årets försäljning, tidsserie, regressionsmodell, tidsserie ochkvalitativa data samt regressionsmodell och kvalitativa data. Utifrån analys av prognosresultatenansågs en kombinerad prognosmodell bestående av en tidsseriemodell och kvalitativa data vara mest lämplig att prognostisera med. Detta då de kombinerade modellerna gav mer korrekta resultat och av de två kombinerade modellerna så ansågs denna modell enklast att nyttja för företaget. Det förväntade prognosfelet ligger i spannet 20 – 30 procent. För att förbättra prognosfelet rekommenderas en bättre kvalitativ prognos. För styrningsförslaget skapades rekommendationer kopplat till aspekterna informationsflöde, mått, ansvar och beslut. För aspekten informationsflödet rekommenderas det att en tvärfunktionell grupp skapas som genomför processen på månadsbasis. För aspekterna mått, ansvar och beslut så föreslås rekommendationer för hur mått, ansvarsområden och beslutsområden ska användas och fördelas. Detta på både övergripande och avdelningsspecifik nivå i företaget. En viktig rekommendation påövergripande nivå är att företagets alla relevanta avdelningar bör ta ansvar i framtagningen av en behovsplan. Slutligen så anses mycket av arbetets resultat även vara överförbart på liknande SVP-processer inom reservdelar, även om hänsyn måste tas till företags specifika omständighe / During the last decades, the environment which manufacturing companies operates in has increased in complexity. This increased complexity pressures companies to implement strategies and methods to be able to manoeuvre in this environment and stay competitive. A tool which can help doing this is a so-called sales and operations planning process. Such a process contributes to create balance between supply and demand on an aggregated level by cross departmental cooperation. Onecompany which could profit from an SVP process is Väderstad AB. The company is experiencing difficulties related to planning the demand for spare parts. Thus, the purpose of this work is to create a groundwork for a sales and operations planning process for spare parts at Väderstad AB. Based on literature related to sales and operations planning, three areas were identified as extra relevant in the development of the groundwork for the process: classification of articles into groups, development of forecasts for the groups and a proposal of the management control concerning the aspects information flow, measures, responsibilities, and decisions. Via further literature studies, data from the ERP-system and semi-structured interviews, the necessary information for the study was gathered. Related to the classification process, 17 groups were formed based on three aspects which werederived from the information gathering process: relevancy for the sales and marketing department, place of production and demand pattern. For these groups, forecasts were created for each month for the last year with five different forecasting models: last year’s sales, time series, regression model, time series model together with qualitative data and regression model together withqualitative data. Based on the analysis of the forecast results, a combined model based on time series and qualitative data was considered the most beneficial model. This because the combined models gave more correct results and of the two combined models, the chosen model was considered the simplest for the company to use. The expected forecast error is about 20-30 percent. To improve the forecast error, it is recommended to improve the qualitative forecast. For the management control proposal, recommendations were created for the aspects information flow, measures, responsibilities and decisions. For the aspect information flow, it is recommended that a cross-functional team is created which execute the process monthly. For the aspects measures, responsibilities and decisions, recommendations are given on how measures, areas of responsibility and areas of decision-making should be used and divided. This on both a general and departmental level in the company. An important recommendation on a general level is that the company’s all relevant departments should take responsibility in the development of the demand plan. Finally, a lot of the results in the work is considered to be transferrable to similar SVP processes for spare parts, even though considerations must be taken to companies’ specific circumstances.

This thesis aims to investigate the differences in diurnal and annual use of districtheating for two kind of heat users with different amount of warm water usage. Thefirst user is a hotel including spa facilities that uses a large amount of warm water, thesecond user is an office building that has a very low usage of warm water.The aim is to develop and validate methods for forecasting district heat use onvarious timescales. The average daily temperature for each month is shown to benormally distributed and average temperatures are therefore suitable for long-termforecasting. It is also shown that there is a clear linear relationship between lowerout-door temperature and higher use of district heating power. The thesis shows thatthe hotel will have a different power signature for their district heating compared tothe office that use a relative low amount of warm water.Short term forecasts, with a horizon of 10 days, are made for both the hotel andoffice building. As a result of the forecasts it is shown that the it is easier todetermine when the peak district heating power outtake will occur for the buildingwith a high amount of domestic hot water usage. However, forecasts for total diurnalheat use are equally accurate for the investigated buildings

The aim of this study has been to compare the accuracy of prognosis tools and how well they do with regards to seasonal variation and known deviations in order to decide which method is more suitable for companies with the goal of optimizing their staffing. The study has used Systembolaget as a case to compare two methods of prognosis. Data has been retrieved from Systembolaget and includes the company's sales. The methods that have been compared are Holt-Winters method and regression analysis. This has been done by applying the methods in order to generate a forecast and then evaluating the result through MAPE. Application of these methods was done with Excel and SPSS. The study showed that, under the present circumstances, both methods on average gave equally accurate forecasts. Holt-Winter's method however, forecasted more accurately week by week, while the regression analysis projection on average yielded almost equal percentage error. The conclusion that was generated by the study was that Holt-Winter's method is preferable for companies with this type of sale if the purpose is to generate a weekly accurate forecast. On the other hand, the conclusion may vary if methods are optimized and more data is available. / Målet med denna undersökning har varit att jämföra noggrannheten hos prognostiseringsverktyg och hur bra dessa tar hänsyn till säsongsvariationer och kända avvikelser för att avgöra vilket verktyg som är lämpligast för företag med som vill optimera sin bemanning. Studien har använt Systembolaget som fall för att jämföra två metoder för prognostisering. Data har hämtats från Systembolaget och omfattar företagets försäljning. Metoderna som har jämförts har varit Holt-Winters metod och Regressionsanalys. Detta har utförts genom att tillämpa metoderna för att få ut en prognos och sedan utvärdera resultatet genom MAPE. Tillämpningen av dessa metoder skedde via Excel och SPSS. Studien visade att under de befintliga omständigheterna gav båda metoder i snitt lika noggranna prognoser. Holt-Winters metod prognostiserade dock noggrannare vecka för vecka, medan regressionsanalysens prognos i snitt gav nästan lika stort procentuellt fel. Slutsatsen som genererades genom studien var att Holt-Winters metod är att föredra för företag med denna typ av försäljning om syftet är att få en så noggrann prognos för varje vecka. Däremot kan slutsatsen variera om metoderna optimeras och mer data finns tillgänglig.