Denna studie undersöker vilken potential data från maskintilverkarna Volvo och Scania har för att skapa värde i Skanskas byggproduktion.Data är tillgänglig via standarden rFMS (remote Fleet Management System) och dess tillgänglighet och struktur undersöks. Studien kombinerar en teknisk jämförelse avtillgängliga datapunkter, en kvantitativ regressionsanalys ochkvalitativa intervjuer med representanter för Enterprise Architectureoch datahantering inom Skanska Sverige.Resultaten visar att Scania (rFMS 4.x) levererar ett betydligt bredaredataurval än Volvo (rFMS 2.1), inkluderande diagnostik, bränslenivå,bromstryck och serviceavstånd. Volvo delar ingen bränsleförbrukning förlastbilar, vilket väsentligt begränsar möjligheterna till kvantitativanalys. 

Regressionsanalysen genomfördes som en metoddemonstration medn = 5 körningssegment och kan inte ge statistiskt signifikantaslutsatser, men demonstrerar en skalbar analyskedja från rådata tillmodellval med best subset selection och leave-one-out-korsvalidering.Den slutgiltiga modellen identifierar genomsnittshastighet ochanvändning av farthållare som teoretiskt motiverade prediktorer förbränsleförbrukning.

Intervjustudien indikerar att Skanska befinner sig i ett tidigt skedeav sin digitala transformation vad gäller maskindata. Den tekniskagrunden finns på plats, men organisatoriska förutsättningar i form avtydligt dataägarskap, gemensamma begreppsmodeller och en kommuniceradvision saknas. Med stöd i Kotters förändringsmodell och forskning omdigital transformation i byggbranschen konstateras att tekniken sällanär den begränsande faktorn, utan att det är organisationsklimatet ochinformationsutbytet som avgör om data kan omsättas till beslutsstöd.Studien rekommenderar Skanska att prioritera organisatoriskkapacitetsuppbyggnad parallellt med utökad datainsamling, samt attinleda med avgränsade användningsfall som reducerad tomgångstid ochförbättrad serviceplanering för att skapa tidiga och konkreta resultat.

This study examines what types of machine data are available from two heavy truck manufacturers, Volvo and Scania, through the rFMS (remote Fleet Management System) standard, how the data is structured, and what potential it holds for creating value in Skanska’s construction operations. The study combines a technical comparison of available data points, a quantitative regression analysis, and qualitative interviews with representatives for Enterprise Architecture and data management within Skanska Sweden.The results show that Scania (rFMS 4.x) provides a significantly broader range of data than Volvo (rFMS 2.1), including diagnostics, fuel level, brake air pressure, and service distance. Volvo shares no fuel consumption data for trucks, which substantially limits the scope for quantitative analysis. The regression analysis was conducted as a methodological demonstration with n = 5 driving segments and cannot produce statistically significant conclusions. It does, however, demonstrate a scalable analysis pipeline from raw data to model selection using best subset selection and leave-one-out cross-validation. The final model identifies average speed and cruise control usage as theoretically motivated predictors for fuel consumption.

The interview study indicates that Skanska is in an early stage of its digital transformation with regard to machine data. The technical foundation is in place, but organisational prerequisites including clear data ownership, shared conceptual models, and a communicated vision are lacking. Drawing on Kotter’s change management model and research on digital transformation in the construction sector, the study concludes that technology is rarely the limiting factor. Rather, it is organisational climate and information exchange that determine whether data can be translated into decision support.