This bachelor's thesis in applied mathematics & industrial economics is an attempt to model drives in American football using Markov chains. The transition matrix is obtained through logit regression analysis on historical data from the NFL. Different outcomes of drives are modelled as separate absorbing states in the Markov chain. Absorption probabilities are calculated representing the probabilities of each outcome. Results are tested against a Markov chain with the transition matrix based on frequency analysis. Three scoring rules unanimously declare the regression based model to be superior. The application of the model pertains to live sports betting. With the insight provided by the Markovian model, a bettor should be able to make statistically informed betting decisions. The prospect of creating a start-up based on the Markovian betting model is discussed. / Denna kandidatuppsats i tillämpad matematik & industriell ekonomi är ett försök till att modellera drives i amerikansk fotboll med hjälp av Markovkedjor. Övergångsmatrisen fås genom logit-regressionsanalys av historisk data från NFL. Olika utfall av drives modelleras som separata absorberande tillstånd i Markovkedjan. Absorptionssannolikheter beräknas, vilka representerar sannolikheterna för de olika utfallen. Resultaten testas mot en Markovkedja där övergångsmatrisen fås genom frekvensanalys. Tre olika poängregler föredrar enhälligt den regressionsbaserade modellen. Modellens tillämpning berör sportbetting. Med hjälp av Markovmodellen bör en spelare kunna ta statistiskt underbyggda beslut i deras betting. Möjligheterna att skapa ett företag baserat på Markovmodellen diskuteras.

En viktig aspekt för att få ett företag att bli så framgångsrikt som möjligt är att ha en träffsäker kapacitetsprognostisering av produktionen. En kapacitetsprognostisering hjälper ett företag att förutse och planera sin produktion för att kunna uppfylla den framtida efterfrågan. Därför är det av stor betydelse att prognostiseringen av kapaciteten är träffsäker. Detta är huvudområdet i denna examensrapport. Rapportens författare kom under vårterminen 2016 i kontakt med produktionsenheten PET-Turbuhaler på AstraZeneca i Södertälje. De efterfrågade en träffsäker modell för deras kapacitetsprognostisering på lång sikt, 12-24 månader. Examensarbetets syfte har därför sammanställts i en huvudfrågeställning som lyder; Vilket arbetssätt är det bästa för att PET-Turbuhaler ska uppnå en träffsäker produktionskapacitetsprognostisering på 12-24 månader? För att besvara frågeställningen genomfördes en förstudie, en litteraturstudie samt en intern och en extern benchmarking som alla analyserades och sammanställdes. Förstudien gav en övergripande bild av hur arbetet med den Microsoft Excel-modell som PET-Turbuhaler använder idag fungerar. Dessutom framkom vilka problem som de anställda ser att det finns med den nuvarande modellen. Författarna har även gjort egna analyser av PET-Turbuhalers kapacitetsmodell. Litteraturstudien som gjordes visar bland annat varför det är en skillnad mellan teoretisk och verklig kapacitet. För att beräkna den verkliga produktionskapaciteten behöver anläggningens schemalagda kapacitetsförluster (t.ex. lunch, möten), kapacitetsbortfall (t.ex. maskinhaveri, ställtid) och ej planerad verksamhet (t.ex. defekter) subtraheras från anläggningens teoretiska kapacitetstillgång, d.v.s. när anläggningen är igång dygnet runt, året om. Analysen visade att den modell som PET-Turbuhaler använder idag omfattar i stort sett samma parametrar som den modell litteraturen hänvisar till. Examensarbetarna insåg därför att PET-Turbuhalers problem med en bristande kapacitetsprognos på lång sikt inte nödvändigtvis ligger i den modell som används idag utan snarare i hur modellen används. Det har kommit upp till ytan att parametrar inom den nuvarande modellen inte uppdateras kontinuerligt med aktuell indata. Detta gör att gammal produktionsdata som är inaktuell ligger till grund för den kapacitetsprognos som görs på lång sikt. Frågeställningen kunde besvaras utifrån det underlag som tagits fram i analysen. Det mest intressanta resultatet blev att PET-Turbuhalers kapacitetsprognos på kort sikt inte är lika träffsäker som man tidigare trott. Följden av detta är att ett bra fungerande standardiserat arbete för den korta prognosen behöver utformas för att i framtiden få en träffsäkrare prognos på lång sikt. Efter diskussioner av resultatet kunde examensarbetarna slutligen komma fram till rekommendationer för hur PET-Turbuhaler bör fortsätta arbeta. Några av rekommendationerna är att utvärdera insamlad data kontinuerligt, ha regelbundna möten mellan produktionstekniker och gruppchefer samt att montera en sensor, som kan registrera output-takten, längst ner i flödet på produktionslinorna. / A company needs an accurate capacity plan to become successful. The capacity plan is an important tool for planning and anticipating production which is essential to be able to meet future demands. It is therefore of great importance to get an accurate forecasting of the production capacity, which is the main topic of this report. During the spring semester 2016, the authors of this report were contacted by the production unit PET-Turbuhaler at AstraZeneca in Södertälje. PET-Turbuhaler requested an accurate model for the long term, 12-24 months, forecasting of their production capacity. From this problem, a research question has been formulated into; Which is the best way for PET-Turbuhaler to work to reach an accurate long term, 12-24 months, production capacity prognosis? A pre-study, a literature study and an internal and an external benchmarking were conducted in order to answer the research question. The result from these were afterwards compiled and analyzed. The pre-study at PET-Turbuhaler gave an overview of the work with the current Microsoft Excel-model and its associated problems. The pre-study did also consist of the authors’ own analysis of PET-Turbuhalers capacity model. The literature study was made to investigate how theory advocates the work with capacity forecasting. It showed a difference between theoretical and real capacity. The real capacity is calculated by subtracting the plant’s scheduled and nonscheduled capacity losses (such as time losses for lunch, meetings, set-ups, machine breakdowns and defects from production) from the theoretical capacity. The theoretical capacity of the plant is the capacity when the plant runs 24 hours a day every day of the year. The analysis showed that the current model PET-Turbuhaler use today consist of more or less the same parameters as the literature suggests. The authors could therefore realize that the current model is not necessarily the main problem at this stage. The biggest problem is rather how the current model is being used by the employees. Parameters within the current model are not continuously updated with right data as PET-Turbuhaler thought. The consequence of this is that the long term forecasting is based on out-of-date data even though new and more accurate data is available. The research question can be answered based on the analysis. The most interesting result was the insight that the short term forecasting is not as accurate as PET-Turbuhaler believed. This gives, in order to achieve a good long term forecasting, that PET-Turbuhaler must first improve their short term forecasting by establishing a standardized way of working with the model. Only then can the long term forecasting be accurate. Through discussions regarding the result the authors were able to suggest improvements on how PET-Turbuhaler could work to reach an accurate long term forecast of their production capacity prognosis. The recommendations include continuous evaluation of collected data, regular meetings between production support and production line managers and the benefit of using a sensor, in the end of the production line, to registrate the output rate.

Sprängningar utförs ofta vid tunneldrivningar och som en följd av detta uppstår markvibrationer. Dessa vibrationer beror av flera faktorer och kan upplevas som störande för omgivningen och ge upphov till skador på närliggande byggnader. Markvibrationernas storlek begränsas enligt Svensk Standard, som har riktlinjer för maximalt tillåten svängningshastighet vid sprängningsarbeten i närheten av byggnader. För att prognostisera vibrationer vid sprängningsarbeten kan skallagssamband tillämpas. Det finns olika skallagssamband men vad de har gemensamt är att de uppskattar maximal svängningshastighet som funktion av en skalfaktor innehållande avstånd från sprängsalva till mätpunkt och samverkande laddningsmängd. I ett första steg har vibrationsmätvärden analyserats och sammanställts med avseende på berggrund och närliggande bergtunnel. Utifrån borrhålens dimensionering och sprängämnets densitet kan den samverkande laddningsmängden för varje salva beräknas och sammanställas med svängningshastigheten för en viss mätpunkt. Med utgångspunkt från dessa värden har empiriska konstanter tagits fram genom regressionsanalys och således har prognossamband för uppkomna markvibrationer vid byggnader grundlagda på olika berggrunder och närliggande bergtunnel bestämts. Med dessa prognossamband givna har ett beräkningsark och en standardrapport tagits fram som tillsammans utgör en grund för kommande undermarksprojekt. / Blasting is often performed during tunnel projects and as a result, ground vibrations will occur. These vibrations depend upon several factors and can be experienced as disturbing for the surrounding area and may cause damage to buildings nearby. The guidelines published by the Swedish Institute for Standards determine the permitted magnitude of such ground vibrations, by imposing a maximum oscillation speed for any blasting works that take place in proximity of buildings. To predict vibrations during blast work, scaled factor relations can be applied. There are different kinds of scaled factor relations, but what they have in common is that they estimate the maximum oscillation speed as a function of distance between the round and measuring point, and charge per delay. As a first step, the measured vibration value has been analysed and drawn up with respect to rock foundation and tunnel nearby. Based on the dimensions of the drillhole and the density of the explosive, the charge per delay can be calculated and compiled whit the oscillation speed at a specific measuring point. Based on these values, empirical constants have been produced through regression analysis, and therefore predictions for ground vibrations at buildings on different types of rock foundations and nearby tunnel can be determined. Given these predictions, a calculation sheet and a standard report have been produced which together form a basis for future underground projects.

Denna studie undersöker hur efterfrågeplanering hanteras av företag som använder Produkt-som-tjänst (PaaS) affärsmodell (BM) inom transportsektorn, specifikt för tillgångar i en miljö med lång ledtid. Genom en blandad datainsamlings metod, som kombinerar en kvantitativ systematisk litteraturöversikt och kvalitativa data från semistrukturerade intervjuer. Vi undersökte olika PaaS-modeller och -metoder i syfte att tillhandahålla värdefulla insikter, metoder och tankesätt för företag som för närvarande använder eller överväger att anta PaaS-modellen. Ett urval av 8 artiklar användes och 4 intervjuer genomfördes med ämnet Produkt-som-tjänst i åtanke. Våra resultat gav behovet av standardisering, två distinkta efterfråge-planeringsmetoder och det allmänna fördelar som företag kan vinna på att använda PaaS-modellen. Dessutom utvecklade vi en tabellram för att underlätta förståelsen av PaaS-metoder i akademisk forskning. Den här studien tar upp den nuvarande klyftan i PaaS-forskningen och utökar vår kunskap om hur efterfråge-planeringsstrategier används av företag som antagit denna innovativa affärsmodell. / This study investigates how demand planning is handled by companies using the Product-as-a-Service (PaaS) business model (BM) in the transportation sector, specifically for assets in a long lead-time environment. Through a mixed method approach, combining a quantitative systematic literature review and qualitative data from semi-structured interviews. We examined various PaaS models and methods, aiming to provide valuable insights, methodologies, and mindsets for companies currently using or considering adopting the PaaS model. A sample of 8 articles was used, and 4 interviews were conducted with the topic of Product-as-a-Service in mind. Our findings provided the need for standardization, two distinct demand planning methods, and the general benefits companies can gain from adopting the PaaS model. Furthermore, we developed a tabular framework to facilitate the understanding of PaaS approaches in academic research. This study addresses the current gap in PaaS research and expands our knowledge of how demand planning strategies are used by companies that have adopted this innovative business model.

Det finns forskning som säger att under en kris gynnas organisationer av att använda det  mer traditionella budgetsystemet och forskning som menar att den budgetlösa metoden  är att föredra. Det här undersöks genom att se hur sex stycken principer av beyond  budgeting används inom företaget Ahlsell Sverige AB. Syftet med arbetet är således att  öka förståelsen för hur Ahlsell styr sin verksamhet, hur de använder principerna och se  hur det påverkades under coronapandemin. Har krisen medfört att företaget agerade på  ett sätt som är mindre i linje med beyond budgeting?  Med det ovan nämnda har en fallstudie varit grunden i forskningsdesignen och metoden.  Där en kvalitativ forskning med en induktiv ansats har följts för att sedan utföra  semistrukturerade intervjuer hos ett antal respondenter inom företaget. I och med  intervjuerna har målbilden varit att få ut nyanserad och djupgående information.  Baserat på den insamlade empiriska datan samt analysen tillsammans med teorin, har  slutsatserna varit att Ahlsell använder sex styrprinciper inom beyond budgeting i olika  former. Vissa ligger helt i linje med beyond budgeting men andra ligger mindre i linje  med styrprocesserna. Det framkommer i slutsatserna att coronapandemin inte påverkat  företaget och styrprocesserna särskilt mycket alls. Ahlsell visade fina siffror och  fortsatte att styra budgetlöst i samma riktning utan stora ändringar. / There is research that says that during a crisis, organizations benefit by using the more  traditional budgeting system and research that means that the beyond budgeting method  is to be preferred. The basis of our research is to see how a beyond budgeting company  used the six management control principles during the corona pandemic. This is  examined by seeing how the six principles of beyond budgeting are used within the  company Ahlsell Sverige AB. The purpose of the work is thus to increase understanding  of how Ahlsell manages its operations, how they use the principles and see how it was  affected during the corona pandemic. Did the crisis result in the company operating in a  way that is less in line with beyond budgeting?  With the aforementioned, a case study has been the basis of the research design and  method. Where qualitative research with an inductive approach has been followed to  then carry out semi-structured interviews with a number of respondents within the  company. With the interviews, the goal has been to obtain nuanced and in-depth  information.  Based on the collected empirical data, as well as the analysis together with the theory,  the conclusions have been that they use the six principles within beyond budgeting in  different forms. Some are completely in line with beyond budgeting principles but  others are less in line with beyond budgeting. It appears in the conclusions that the  corona pandemic did not affect the company and the management processes very much  at all. Ahlsell showed good numbers and continued to use control without a budget in  the same direction without major changes.

Artificial intelligence is receiving a great deal of attention in various fields of science and engineering due to its promising applications. In today’s society, weather classification models with high accuracy are of utmost importance. An alternative to using conventional weather radars is to use measured attenuation data in microwave links as the input to deep learning-based weather classification models. Detecting anomalies in the measured attenuation data is of great importance as the output of a classification model cannot be trusted if the input to the classification model contains anomalies. Designing an accurate classification model poses some challenges due to the absence of predefined features to discriminate among the various weather conditions, and due to specific domain requirements in terms of execution time and detection sensitivity. In this thesis we investigate the relationship between anomalies in signal attenuation data, which is the input to a weather classification model, and the model’s misclassifications. To this end, we propose and evaluate two deep learning models based on long short-term memory networks (LSTM) and convolutional neural networks (CNN) for anomaly detection in a weather classification problem. We evaluate the feasibility and possible generalizations of the proposed methodology in an industrial case study at Ericsson AB, Sweden. The results show that both proposed methods can detect anomalies that correlate with misclassifications made by the weather classifier. Although the LSTM performed better than the CNN with regards to top performance on one link and average performance across all 5 tested links, the CNN performance is shown to be more consistent. / Artificiell intelligens har fått mycket uppmärksamhet inom olika teknik- och vetenskapsområden på grund av dess många lovande tillämpningar. I dagens samhälle är väderklassificeringsmodeller med hög noggrannhet av yttersta vikt. Ett alternativ till att använda konventionell väderradar är att använda uppmätta dämpningsdata i mikrovågslänkar som indata till djupinlärningsbaserade väderklassificeringsmodeller. Detektering av avvikelser i uppmätta dämpningsdata är av stor betydelse eftersom en klassificeringsmodells pålitlighet minskar om träningsdatat innehåller avvikelser. Att utforma en noggrann klassificeringsmodell är svårt på grund av bristen på fördefinierade kännetecken för olika typer av väderförhållanden, och på grund av de specifika domänkrav som ofta ställs när det gäller exekveringstid och detekteringskänslighet. I det här examensarbetet undersöker vi förhållandet mellan avvikelser i uppmätta dämpningsdata från mikrovågslänkar, och felklassificeringar gjorda av en väderklassificeringsmodell. För detta ändamål utvärderar vi avvikelsedetektering inom ramen för väderklassificering med hjälp av två djupinlärningsmodeller, baserade på long short-term memory-nätverk (LSTM) och faltningsnätverk (CNN). Vi utvärderar genomförbarhet och generaliserbarhet av den föreslagna metodiken i en industriell fallstudie hos Ericsson AB. Resultaten visar att båda föreslagna metoder kan upptäcka avvikelser som korrelerar med felklassificeringar gjorda av väderklassificeringsmodellen. LSTM-modellen presterade bättre än CNN-modellen både med hänsyn till toppprestanda på en länk och med hänsyn till genomsnittlig prestanda över alla 5 testade länkar, men CNNmodellens prestanda var mer konsistent.

Demand forecasting is a well-established internal process at Ericsson, where employees from various departments within the company collaborate in order to predict future sales volumes of specific products over horizons ranging from months to a few years. This study aims to evaluate current predictions regarding radio unit products of Ericsson, draw insights from historical volume data, and finally develop a novel, statistical prediction approach. Specifically, a two-part statistical model with a decision tree followed by a neural network is trained on previous sales data of radio units, and then evaluated (also on historical data) regarding predictive accuracy. To test the hypothesis that mid-range volume predictions of a 1-3 year horizon made by data-driven statistical models can be more accurate, the two-part model makes predictions per individual radio unit product based on several predictive attributes, mainly historical volume data and information relating to geography, country and customer trends. The majority of wMAPEs per product from the predictive model were shown to be less than 5% for the three different prediction horizons, which can be compared to global wMAPEs from Ericsson's existing long range forecast process of 9% for 1 year, 13% for 2 years and 22% for 3 years. These results suggest the strength of the data-driven predictive model. However, care must be taken when comparing the two error measures and one must take into account the large variances of wMAPEs from the predictive model. / Ericsson har en väletablerad intern process för prognostisering av försäljningsvolymer, där produktnära samt kundnära roller samarbetar med inköpsorganisationen för att säkra noggranna uppskattningar angående framtidens efterfrågan. Syftet med denna studie är att evaluera tidigare prognoser, och sedan utveckla en ny prediktiv, statistisk modell som prognostiserar baserad på historisk data. Studien fokuserar på produktkategorin radio, och utvecklar en två-stegsmodell bestående av en trädmodell och ett neuralt nätverk. För att testa hypotesen att en 1-3 års prognos för en produkt kan göras mer noggran med en datadriven modell, tränas modellen på attribut kopplat till produkten, till exempel historiska volymer för produkten, och volymtrender inom produktens marknadsområden och kundgrupper. Detta resulterade i flera prognoser på olika tidshorisonter, nämligen 1-12 månader, 13-24 månader samt 25-36 månder. Majoriteten av wMAPE-felen för dess prognoser visades ligga under 5%, vilket kan jämföras med wMAPE på 9% för Ericssons befintliga 1-årsprognoser, 13% för 2-årsprognerna samt 22% för 3-årsprognoserna. Detta pekar på att datadrivna, statistiska metoder kan användas för att producera gedigna prognoser för framtida försäljningsvolymer, men hänsyn bör tas till jämförelsen mellan de kvalitativa uppskattningarna och de statistiska prognoserna, samt de höga varianserna i felen.

Transformers can be described as ’slumbering giants’ in the electric power system. This marks transformers to be big and expensive parts of equipment. Calling them slumbering refers to the unused capacity in many of them. Dynamic Transformer Rating (DTR) is a concept to utilize this potential and wind power connected transformers have been identified as a well-fitting application due to the naturally limited capacity factor and the correlation of low ambient temperature and high wind speeds. Previous scientific work and a small number of applied projects show the feasibility and benefits of combining DTR and wind power. Wind power forecasting is a standard procedure for dispatch planning and electricity trading. This thesis project aims at combining both subjects and focuses on providing and analyzing a forecasting tool. At various forecasting steps Machine-Learning (ML) approaches are tested and evaluated. The developed tool is designed for and tested on a case study comprising an existing wind farm and transformer. It is shown that in many, but not all cases an overheating (exceeding of the Hot Spot Temperature (HST) limit) can be predicted. Applying DTR adds a level of uncertainty to wind power forecasts since not only the wind power but also the transformer capacity must be predicted. In this project however the wind power forecast is identified as the main source of uncertainty. / Transformatorer kan beskrivas som ‚sovande jättar‘ i det elektriska systemet eftersom transformatorer karakteriseras som stor och kostsam utrustning. Att kalla dem sovande hänvisar till den oanvända kapaciteten som finns i många. Dynamic Transformer Rating (DTR) är ett koncept för att använda denna potential och transformatorer kopplade till vindkraftsanläggningar blev utnämnd som en passande tillämpning på grund av deras begränsade kapacitetsfaktor och korrelationen mellan låga temperaturer och höga vindhastigheter. Tidigare vetenskapligt arbete och ett fåtal realiserade projekt visar genomförbarhet och fördelarna med kombinationen av DTR och vindkraft. Vindkraftsprognoser är något man vanligen använder inom driftplanering av vindkraftverk och elhandel. Detta examensarbete har som mål att kombinera båda metoderna och fokuserar på att framställa och analysera ett prognosverktyg. Olika tillvägagångssätt testas och evalueras vid de olika stegen som tas. Verktyget är skapat och testat på en fallstudie som i sig är baserad på data från existerande vindkraftverk och transformatorer. Det visar sig att man kan förutsäga överskridandet av Hot spot temperature (HST) vid många tillfällen men inte alla. Tillämpning av DTR lägger till osäkerheter till vinkraftsprognoser för att både kapaciteten på vindkraftverk och på transformatorn måste förutsägas. I detta projekt visade sig vinkraftsprognosen vara den största källan till osäkerhet.

Denna studie undersöker hur utgående logistik inom läkemedelsindustrin kan förbättras med hjälp av diskret event simulering (DES) och prognostisering. Komplexa logistiksystem och stora variationer kännetecknar outbound-logistik inom denna bransch, vilket leder till utmaningar som kapitalbindning, kapacitetsbegränsningar och begränsad lageryta. Simuleringar användes för att identifiera flaskhalsar och utvärdera förbättringsförslag. Att kombinera DES med prognostisering möjliggjorde analys av framtida utgående volymer. En simuleringsmodell utvecklades för att representera logistiksystemet, med hänsyn till faktorer som tillgängliga resurser och ledtider. Studien visade att det nuvarande systemet inte kunde hantera den prognostiserade ökningen av efterfrågan på den europeiska marknaden utan modifieringar. Modellen verifierades och validerades med hjälp av verklig data som sedan användes för att utvärdera tre förbättringsförslag: att lägga till en extra etiketteringsmaskin, öka antalet lagringsplatser för Europapallar och förlänga slottiderna för lastbilshämtningar. Resultatet visade att det skulle vara nödvändigt att implementera alla tre förslagen för att möta den prognostiserade efterfrågan. Denna strategi kan hjälpa läkemedelsföretag att identifiera och hantera potentiella problem i sin utgående logistik, vilket säkerställer effektiva och punktliga leveranser. / This study investigates how outbound logistics can be improved in the pharmaceutical industry using discrete event simulation (DES) and forecasting. Complex logistic systems and high variation characterize outbound logistics in this industry, leading to challenges like capital tie-ups, capacity constraints, and limited warehouse space. Simulations were used to identify bottlenecks and evaluate improvement proposals. Combining DES with forecasting allowed for the analysis of future outbound volumes. A simulation model was developed to represent the outbound logistics system, considering factors like available resources and lead times. The study found that the current outbound logistics system cannot handle the forecasted increase in demand for the European market without modification. The model was verified and validated using real-world data to evaluate three improvement proposals: adding an additional labeling machine, increasing the number of storage bays for Europe-bound pallets, and adding slot times for truck pickups. The results showed that implementing all three proposals would be necessary to meet the projected demand. This approach can help pharmaceutical companies identify and address potential issues in their outbound logistics, ensuring efficient and timely deliveries.

Försäljningsprognoser inom organisationer kan vara en komplex process där allt ifrån mänskliga uppskattningar till avancerade högteknologiska system används som metod. Dagens ökade tillgång till datamängder, förbättrad datorkraft, bättre molntjänster, fler verktyg och ökat intresse har i kombination skapat bättre förutsättningar än förut att applicera artificiell intelligens (AI) på aktiviteter som tidigare varit människostyrda. Observationen gjordes inom ett svenskt detaljhandelsföretag att organisationen inte drog nytta av AI och dess teknik. Försäljningsprognostiseringen inom bemanningsprocessen ansågs på organisationen ha utvecklingsmöjligheter, varpå studien syftade till att se hur AI kunde tillämpas på området, hur en sådan förändring kan se ut och hur olika faktorer påverkar försäljningen. Studien har genom intervjuer, litteraturstudie, dokumentobservation, datainhämtning och dataanalys undersökt syftesfrågeställningarna. Det har skett tillsammans med teori om förändringsledarskap, AI och offensiv kvalitetsutveckling. Resultatet visar på att organisationen skulle kunna tillämpa AI-metoden supervised machine learning genom att använda historiska data på faktorer som exempelvis datum, veckodag, månad, löning och högtid vilka har påverkan på arbetsvolymen. Verktyget skulle kunna ersätta dagens försäljningsprognostiseringsverktyg och hjälpa bemanningskontrollanterna i deras arbete att ge stöd åt butikscheferna i schemaläggningen. En eventuell implementering av metoden kan med fördel ske genom föreslagen aktivitetslista som upprättats utifrån olika förändringsteorier. / Sales forecasts within organizations can be a complex process where everything from human estimates to advanced high-tech systems is used as a method. Today's increased access to data, improved computer power, improved cloud services, more tools and increased interest have combined created better conditions than before to be able to apply artificial intelligence (AI) to activities that before has been human-controlled. An observation was made in a Swedish retail company who stated that they generally had not yet benefited from AI and its technology. The sales forecasting tool in the staffing process was considered by the organization to have improvement potential, whereupon this study aimed to see how AI could be applied to the area, how a change might look and how different factors affect sales. The study has through interviews, literature study, document observation, data collection and data analysis examined the purpose of this study together with theory of change management, AI and quality management. The result shows that the organization could apply the AI ​​methodology supervised machine learning by using historical data on factors such as date, weekday, month, paydays and holidays that affect the working volume. The tool could replace today's sales forecasting tool and help staffing controllers in their work to support store managers in scheduling. A possible implementation of the method may benefit through the proposed activity list established by different change management theories.