This master thesis aims to enhance the understanding of innovation processes at the early stages of development and grant praxeological perspective on exploratory projects. Firstly, it provides a bibliographic overview of the previously conducted research within the Innovation Studies field. It discusses innovation systems, institutions and networks, examines the linkage between innovation and knowledge and defines the specificities of the Natural Resource-Based Industries, which constitutes the context of the present study. Then, an analysis on the most popular, within academia and industry, innovation tracking methodologies, their strengths and weaknesses is carried out. The output seeks to contribute with knowledge and assess the available systems. The thesis is anchored in an embedded case study at an Original Equipment Manufacturer (OEM) of heavy machinery for NRBIs and aims to identify the company’s challenges and activities in relation to innovation, as well as possible correlation between them. For this purpose, the research bridges theoretical models on exploratory projects, ambidexterity, Design Thinking (DT) and conceptualization of entrepreneurial management. Findings show that (i) Stevenson’s model of conceptualization of Entrepreneurial Management can be adapted and applied effectively to Innovation Management, (ii) the relationship between exploratory and New Product Development (NPD) projects is more of a parallel, interdependent and overlapping nature rather than linear and sequential and (iii) there is a linkage between the identified challenges and activities. The latter shall (a) serve as a starting point for scholars to carry out further research in the field of Innovation Studies and (b) navigate practitioners through tracking and accelerating innovation at the early stages of development. / Denna masteruppsats syftar till att förbättra för innovationsprocesser i de tidiga utvecklingsstadierna och ge en praxeologisk synvinkel på utforskande projekt. Först ges en bibliografisk översikt över tidigare forskning inom innovationsstudier. Den diskuterar innovationsystem, institutioner och nätverk, undersöker kopplingen mellan innovation och kunskap och definierar särdragen för naturresursbaserade industrier, vilket utgör kontexten för den aktuella studien. Därefter genomförs en analys av de mest populära innovationsuppföljningsmetoderna inom både akademi och industri, deras styrkor och svagheter. Resultatet syftar till att bidra med kunskap och utvärdera tillgängliga system. Uppsatsen är förankrad i en ingående fallstudie hos en originalutrustningstillverkare (OEM) av tunga maskiner för naturresursbaserade industrier och syftar till att identifiera företagets utmaningar och aktiviteter i relation till innovation, samt eventuella samband mellan dem. För detta ändamål kopplar forskningen samman teoretiska modeller om utforskande projekt, ambidextri, Design Thinking (DT) och konceptualisering av entreprenöriellt ledarskap. Resultaten visar att (i) Stevensons modell för konceptualisering av entreprenöriellt ledarskap kan anpassas och tillämpas effektivt på innovationsledning, (ii) relationen mellan utforskande projekt och utveckling av nya produkter (NPD) är mer av en parallell, ömsesidigt beroende och överlappande karaktär snarare än linjär och sekventiell, och (iii) det finns ett samband mellan de identifierade utmaningarna och aktiviteterna. Det senare ska (a) utgöra en utgångspunkt för forskare att genomföra ytterligare forskning inom innovationsstudier och (b) hjälpa praktiker att följa och påskynda innovation i de tidiga utvecklingsstadierna.

In this masters thesis we focused on using machine learning methods for detecting money laundering in financial transaction networks, in order to demonstrate that it can be used as a complement or instead of the more commonly used rule based systems. The graph learning method graph convolutional networks (GCN) has been a hot topic in the field since they were shown to scale well with data size back in 2018. However the typical GCN models cannot use edge features, which is why this thesis combines the GCN model with a node and edge neural network (NENN) in order to solve this problem. This new method will be compared towards an already established machine learning method for financial transactions, namely the tree boosting method (XGBoost). Because of confidentiality concerns for financial transactions data, the machine learning algorithms will be tested on two carefully constructed synthetically generated data sets, which from agent based simulations resembles real financial data. The results showed the viability and superiority of the new implementation of the GCN model with it being a preferable method for connectivly structured data, meaning that a transaction or account is analyzed in the context of its financial environment. On the other hand the XGBoost method showed better results when examining transactions independently. Hence it was more accurately able to find fraudulent and non fraudulent patterns from the transactional features themselves. / I detta examensarbete fokuserar vi på användandet av maskininlärningsmetoder för att detektera penningtvätt i finansiella transaktionsnätverk, med målet att demonstrera att dess kan användas som ett komplement till eller i stället för de mer vanligt använda regelbaserade systemen. Grafinlärningsmetoden \textit{graph convolutional networks} (GCN) som har varit ett hett ämne inom området sedan metoden under 2018 visades fungera bra för stora datamängder. Däremot kan inte en vanlig GCN-modell använda kantinformation, vilket är varför denna avhandling kombinerar GCN-modellen med \textit{node and edge neural networks} (NENN) för att mer effektivt detektera penningtvätt. Denna nya metod kommer att jämföras med en redan etablerad maskininlärningsmetod för finansiella transaktioner, nämligen \textit{tree boosting} (XGBoost). På grund av sekretessanledningar för finansiella transaktionsdata var maskininlärningsalgoritmerna testade på två noggrant konstruerade syntetiskt genererade datamängder som från agentbaserade simuleringar liknar riktiga finansiella data. Resultaten visade på applikationsmöjligheter och överlägsenhet för den nya implementationen av GCN-modellen vilken är att föredra för relationsstrukturerade data, det vill säga när transaktioner och konton analyseras i kontexten av deras finansiella omgivning. Å andra sidan visar XGBoost bättre resultat på att examinera transaktioner individuellt eftersom denna metod mer precist kan identifiera bedrägliga och icke-bedrägliga mönster från de transnationella funktionerna.