Detta 20-poängs projekt på D-nivå har genomförts som en fallstudie på Kinnarps AB i syfte att utveckla en Prognostiseringsprocess. Processen ska förbättra framförhållningen och underlätta planering på medellång sikt. Efter att undersökt de problem som upplevs på Kinnarps utvecklade vi följande problemformulering:Hur ser prognostiseringsarbetet ut på Kinnarps idag?Hur bör en generell Prognostiseringsprocess utformas?Hur kan Prognostiseringsprocessen anpassas till Kinnarps?En kartläggning av de berörda avdelningarna utfördes för att besvara den första frågan. Kartläggningen genomfördes genom intervjuer av personer på marknads-, produktions-, inköps- och leveranslogistikavdelningen, även återförsäljare intervjuades då de har kontakt med slutkunden och kunskap om marknaden.

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..