Within the domain of asset management, company analysis is a time-consuming and repetitive task. This study aimed to streamline the company analysis process by implementing machine learning models, with the goal of partially or entirely automating the analysis. Additionally, it examined the implications for the organization and employees resulting from the use of such tools. The tested models were random forest, logistic regression, and XGBoost, with random forest achieving the highest accuracy at 72% when predicting the profit growth of small Asian companies. Notably, all models demonstrated superior performance when predicting over extended time frames, which the study proposes can be explained by the diminished influence of short-term fluctuations. The findings suggest that machine learning can serve as an effective, time-saving, and less biased tool in company analysis. While the current accuracy of the models is insufficient to fully automate the process, they can function as valuable analytical tools and hold potential for further development. During the implementation of the machine learning models, it is crucial to ensure that employees have the ability, motivation, and opportunity to leverage the new technology, since the risk of a bottleneck between the factors is possible. The importance of these findings is evident in their demonstration of how machine learning models can improve the efficiency and accuracy of company analysis.

Inom fondförvaltning är bolagsanalys en tidskrävande och repetitiv uppgift. Denna studie syftade till att undersöka hur processen för bolagsanalys kan effektiviseras genom implementering av maskininlärningsmodeller, med målet att delvis eller helt automatisera analysen. Ytterligare undersöktes konsekvenserna för organisationer och dess anställda vid implementering av maskininlärning inom bolagsanalys. Modellerna som testades var random forest, logistisk regression och XGBoost, där random forest uppnådde den högsta noggrannheten på 72% vid förutsägelse av vinstutvecklingen för små asiatiska företag. Alla tre modeller visade bättre prestanda vid förutsägelser över längre tidsperioder, vilket studien föreslår kan förklaras av den minskade påverkan från kortsiktiga fluktuationer. Resultaten tyder på att maskininlärning kan fungera som ett effektivt, tidsbesparande och mindre partiskt verktyg i bolagsanalys. Medan den nuvarande noggrannheten hos modellerna inte är tillräcklig för att helt automatisera processen, kan de fungera som värdefulla analytiska verktyg och har potential för vidare utveckling. Under implementeringen av maskininlärningsmodellerna är det avgörande att säkerställa att de anställda har förmågan, motivationen och möjligheten att utnyttja den nya teknologin, eftersom risken för en flaskhals mellan faktorerna annars föreligger. Dessa resultat understryker hur maskininlärningsmodeller kan förbättra effektiviteten och noggrannheten i bolagsanalys.