From engineering prototypes to data-driven decision making in product management : analyzing IoT device data with Python and Jupyter Notebook

Abstract

Tässä opinnäytetyössä tarkastellaan, miten prototyypit, tutkivat prototyyppianalyysit ja data-analytiikkaa voivat tukea dataohjautuvaa päätöksentekoa IoT-tuotehallinnassa. Työssä osoitetaan, kuinka Pythonin analytiikkaekosysteemi (Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn) mahdollistaa todellisen IoT-laitedatan tutkimisen sekä ilmiöiden, trendien ja poikkeamien tunnistamisen.

Tutkimus toteutettiin Jupyter Notebook -ympäristössä, jossa kehitettiin useita analyyttisia prototyyppejä IoT-laitteiden käyttäytymisen tarkasteluun eri näkökulmista, kuten laiteohjelmiston suorituskyvystä, lämpötilan vaikutuksista, käyttötottumuksista ja poikkeamien havaitsemisesta. Analyysit osoittivat, miten dataohjautuva lähestymistapa tuke kehityskohteiden varhaista tunnistamista ja tehostaa päätöksentekoa tuotehallinnassa ja tuotekehityksessä.

Tulokset korostavat, että avoimen lähdekoodin ohjelmointikielet ja työkalut, kuten Python ja Jupyter, yhdistävät tehokkaasti insinöörityön kokeellisuuden ja tuotehallinnan tietopohjaisen päätöksenteon. Kun data-analyysi, sääntöpohjaiset menetelmät ja koneoppiminen (esim. Isolation Forest) yhdistetään, voidaan tunnistaa poikkeavaa käyttäytymistä jo ennen laajamittaista käyttöönottoa.

Opinnäytetyö osoittaa, että dataohjautuva prototypointi ei ole pelkästään tekninen menetelmä, vaan ajattelutapa, joka tukee yhteistyötä, iteratiivista kehittämistä ja läpinäkyvää päätöksentekoa. Tällainen lähestymistapa auttaa organisaatioita tekemään älykkäämpiä ja perustellumpia tuoteratkaisuja.

This thesis examines how prototypes and exploratory prototype analyses, combined with data analytics, can support data-driven decision making in IoT product management. The study demonstrates how Python’s data analytics ecosystem particularly libraries such as Pandas, NumPy, Matplotlib, Seaborn, and Scikit-learn enables the analysis of real IoT device data and the identification of patterns, trends, and anomalies that assist in the early stages of product development and decision-making.

The research was conducted using the Jupyter Notebook environment for interactive prototyping and documentation. Several analytical prototypes were developed to explore different aspects of IoT device behavior, such as firmware performance, impact of temperature, usage patterns, and anomaly detection. These analyses demonstrate how data-driven methods help identify development needs and improve product reliability.

The results highlight how open-source programming languages and tools like Python and Jupyter can effectively bridge the experimental nature of engineering with datainformed product management. By combining traditional data analysis, rule-based methods, and machine learning algorithms such as Isolation Forest, it is possible to detect behavioral deviations early, before wide deployment.

The thesis shows that data-driven prototyping is not only a technical practice but a mindset that promotes collaboration, iterative development, and transparent decision making. Such an approach enables organizations to make smarter and more datadriven based product decisions.