Business analytics and data science in business strategy - Case Nokia & Alteryx
Sarpola, Tomi (2021)
Avaa tiedosto
Lataukset:
Sarpola, Tomi
2021
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202105179064
https://urn.fi/URN:NBN:fi:amk-202105179064
Tiivistelmä
Tässä opinnäytetyössä käyn läpi menetelmiä datatieteen periaatteiden ja analytiikan hyödyntämiseksi liiketoiminnassa. Työssä tutkitaan onnistuneiden analytiikkahankkeiden arvioinnin menetelmiä, menestyksen tekijöitä ja menetelmiä organisaatioiden
analytiikkavalmiuksien kehittämiseksi. Teoreettinen viitekehys antaa yleiskuvan datatieteestä ja siihen liittyvistä käytännöistä sekä standardeista. Teoria antaa tiivistettynä esityksenä esimerkkejä onnistuneista tekoälyhankkeista eri liiketoiminta-alueilla, käy läpi
käsitteet datastrategian käytäntöihin liittyen, sekä ja organisaation analytiikkavalmiuksien
kypsyyden määrittämiseksi. Tekoälyhankkeiden kehityksessä on tultu pisteeseen, jossa
kirjallisuusesimerkkejä on helposti saatavilla. Näistä on tunnistettu menestystekijöitä ja ohjeita toimivien datatiedetiimien kehittämiseksi, analytiikan teknologia-alustojen valintaan, sekä liiketoiminnan analytiikkahankkeiden määrittelyyn.
Opinnäytetyön empiirinen työ koostuu kahdesta osasta. Ensimmäinen osa tutkii Nokia
Oyj:n asiakasorganisaation analytiikan kypsyyttä. Tutkimuksen pohjalta ehdotetaan parannuksia analytiikan sovelluskehityksen hallintaan. Toinen osa keskittyy tietotieteiden osaamisen parantamiseen organisaatiossa käytännönprojektin avulla. Projekti tuotti
arkkitehtuurin ja alustan koneoppimisen algoritmien prototyyppien ja tuotantomallien kehittämiseen Alteryx ohjelmistoa hyödyntäen. Projektissa toteutettiin myös ennustavan algoritmin tuotevikojen hallinnan alueelle operatiiviseen käyttöön.
Ohjeet ja projektituotokset otettiin operatiiviseen käyttöön, ja jatkotoimet suunniteltiin analyysikyvyn ja strategian parantamiseksi. This thesis work explains methods available for applying data science in business, identifying enablers, and evaluating data science development success factors in organizations.
The theoretical framework gives an overview of data science and related standards, summarizes examples of successful AI adoption in different business areas, and then explains data strategy and organization analytics maturity concepts. The maturity of AI development in the industry has come to the point where literature examples are easily available on success factors for setting up data science teams, technology platforms, and selecting business problems for implementing successful data science solutions.
Empirical work in the thesis consists of two parts. The first part was to study the analytics maturity of case organization in Nokia, and to propose guidelines for improving and focusing on analytics development processes. The second part focused on improving organization data science capabilities by producing a prototyping environment and architecture for scaling the prototypes to operation using Alteryx software. This approach was applied in a project work to produce a predictive algorithm in the product field failure management area.
Thesis work and project deliverables were taken into operative use by the customer organization and further activities planned to improve analytics capabilities and strategy
analytiikkavalmiuksien kehittämiseksi. Teoreettinen viitekehys antaa yleiskuvan datatieteestä ja siihen liittyvistä käytännöistä sekä standardeista. Teoria antaa tiivistettynä esityksenä esimerkkejä onnistuneista tekoälyhankkeista eri liiketoiminta-alueilla, käy läpi
käsitteet datastrategian käytäntöihin liittyen, sekä ja organisaation analytiikkavalmiuksien
kypsyyden määrittämiseksi. Tekoälyhankkeiden kehityksessä on tultu pisteeseen, jossa
kirjallisuusesimerkkejä on helposti saatavilla. Näistä on tunnistettu menestystekijöitä ja ohjeita toimivien datatiedetiimien kehittämiseksi, analytiikan teknologia-alustojen valintaan, sekä liiketoiminnan analytiikkahankkeiden määrittelyyn.
Opinnäytetyön empiirinen työ koostuu kahdesta osasta. Ensimmäinen osa tutkii Nokia
Oyj:n asiakasorganisaation analytiikan kypsyyttä. Tutkimuksen pohjalta ehdotetaan parannuksia analytiikan sovelluskehityksen hallintaan. Toinen osa keskittyy tietotieteiden osaamisen parantamiseen organisaatiossa käytännönprojektin avulla. Projekti tuotti
arkkitehtuurin ja alustan koneoppimisen algoritmien prototyyppien ja tuotantomallien kehittämiseen Alteryx ohjelmistoa hyödyntäen. Projektissa toteutettiin myös ennustavan algoritmin tuotevikojen hallinnan alueelle operatiiviseen käyttöön.
Ohjeet ja projektituotokset otettiin operatiiviseen käyttöön, ja jatkotoimet suunniteltiin analyysikyvyn ja strategian parantamiseksi.
The theoretical framework gives an overview of data science and related standards, summarizes examples of successful AI adoption in different business areas, and then explains data strategy and organization analytics maturity concepts. The maturity of AI development in the industry has come to the point where literature examples are easily available on success factors for setting up data science teams, technology platforms, and selecting business problems for implementing successful data science solutions.
Empirical work in the thesis consists of two parts. The first part was to study the analytics maturity of case organization in Nokia, and to propose guidelines for improving and focusing on analytics development processes. The second part focused on improving organization data science capabilities by producing a prototyping environment and architecture for scaling the prototypes to operation using Alteryx software. This approach was applied in a project work to produce a predictive algorithm in the product field failure management area.
Thesis work and project deliverables were taken into operative use by the customer organization and further activities planned to improve analytics capabilities and strategy