Analytiikka liiketoiminnassa esitys Edutech Big Data ja data-analytiikka liiketoiminnan kehittämisessä 1.4.2014. Lisätietoa kokonaisuudesta: http://www.bit.ly/ebd2014
TDC2016SP - A função dos Business Capabilities na Arquitetura Empresarialtdc-globalcode
Este documento apresenta conceitos de arquitetura empresarial, incluindo: 1) A função das capacidades de negócio na arquitetura empresarial; 2) Uma descrição das capacidades de negócio, processos, papéis e componentes; 3) A linguagem ArchiMate para modelagem de arquitetura empresarial.
O documento discute a construção de modelos teóricos e formulação de hipóteses em pesquisas científicas. Ele explica que modelos teóricos são generalizações baseadas em padrões observados que permitem previsões de comportamentos futuros. Também descreve que hipóteses são suposições provisórias usadas para responder problemas de pesquisa e orientar a coleta de dados, que podem ser confirmadas ou refutadas pelos achados. Além disso, lista características importantes como consistência lógica, verificabilidade
O documento descreve as principais fases e técnicas de pesquisa, incluindo: 1) fases de estudo, execução e relatório; 2) técnicas de coleta de dados como entrevistas, questionários e observação; 3) análise de dados através de seleção, codificação, tabulação e interpretação.
O documento discute os aspectos fundamentais de um estudo de caso, incluindo: 1) O que caracteriza um estudo de caso completo e significativo; 2) Quando o estudo de caso é mais adequado como estratégia de pesquisa; 3) Como preparar e avaliar a qualidade de um estudo de caso.
Yksi valmennuksen avulla kehitettävä vuorovaikutuksen osa-alue on kuuntelu. Vuorovaikutukseen liittyy paljon muitakin asioita, mutta keskittyminen yhteen asiaan kerrallaan, lisää tehokkaammin tietoisuutta käytännön tasolla. Esittelen kuuntelun 6 tasoa Paul Burnsin mukaan, kerron niistä esimerkkejä tasojen hahmottamiseksi ja annan harjoitustehtävän, jota voit soveltaa helposti päivittäisessä työelämässäsi. Tutustuttuasi materiaaliin, osaat hahmottaa ja tiedostaa paremmin omaa kuunteluasi ja harjoittaa sitä korkeammalle tasolle.
O documento discute gestão de mudanças em empresas. Apresenta conceitos e definições de gestão de mudanças, fatores que contribuem ou impedem mudanças, e modelos de gestão de mudanças propostos por estudiosos como Kurt Lewin, Peter Senge e John Kotter.
Tietojohtamisen perusteet kalvosarjan 3. osa: Tiedon tasot ja lajit. Tässä kalvossa käydään läpi tiedon eri tasoja ja lajeja, sekä niiden vaikutusta tiedon käsittelyyn ja tulkintaan.
Este documento discute as principais metodologias de pesquisa científica, incluindo os paradigmas positivista e interpretativo. O positivista é predominantemente dedutivo e quantitativo, enquanto o interpretativo é indutivo, qualitativo e focado na compreensão profunda. Embora distintos, esses paradigmas nem sempre são mutuamente exclusivos e podem ser combinados. Exemplos de metodologias são experimentos, simulações, estudos de caso, etnografia e pesquisa-ação.
Timo Hiltunen Gofore Change 2016 -tapahtumassa 17.03.2016: Fonectan digitaali...Fonecta
Fonectan toimitusjohtaja Timo Hiltunen puhuu Fonectan muutosmatkasta digitaalisen kasvun edelläkävijäksi Talentumin Gofore Change 2016 -tapahtumassa 17.3.2016
http://talentumevents.fi/gofore-change/ohjelma/
Tuleva vuosi on asiakaskeskeisen palvelukulttuurin kehittämisen, kulttuurimuutokseen sitouttamisen sekä asiakaskohtaamisten mittaamisen ja seurannan aikaa. Asiakkuuskokemusten kehittämistyön yleisin este on selkeän strategian puuttuminen. Oikeiden työkalujen käyttöönotto ja systemaattisen toimintamallin luominen tuo vastustamatonta kilpailuetua.
An immersive workshop at General Assembly, SF. I typically teach this workshop at General Assembly, San Francisco. To see a list of my upcoming classes, visit https://generalassemb.ly/instructors/seth-familian/4813
I also teach this workshop as a private lunch-and-learn or half-day immersive session for corporate clients. To learn more about pricing and availability, please contact me at http://familian1.com
TEDx Manchester: AI & The Future of WorkVolker Hirsch
TEDx Manchester talk on artificial intelligence (AI) and how the ascent of AI and robotics impacts our future work environments.
The video of the talk is now also available here: https://youtu.be/dRw4d2Si8LA
Big datan ja analytiikkamaailman käsitteiden läpikäyminenJari Jussila
Big datan ja analytiikkamaailman käsitteiden läpikäyminen. Kooste esityksestä 12.3.2014 Edutech Big Data ja data-analytiikka liiketoiminnan kehittämisessä,
Moduuli 1: Big Data nyt ja tulevaisuudessa.
Olin luennoimassa digianalytiikan kytkemisestä markkinoinnin strategiseen päätöksentekoon Turun kauppakorkeakoululla 31.3.2017.
Digianalytiikka on kehittynyt viimeisen kahden vuosikymmenen aikana yksinkertaisesta klikkien seurannasta yhä kompleksisempiin kampanja-analyyseihin ja markkinointiviestinnän vaikuttavuuden mittaamiseen. Nopea teknologinen kehitys on kuitenkin jättänyt varjoonsa digianalytiikan strategisen merkityksen niin liikkeenjohdon kuin akateemisen tutkimuksen keskuudessa. Tämä on johtanut tilanteeseen, jossa digianalytiikan tekninen toteutus tunnetaan verrattain hyvin, mutta sen käytännön hyödyt ja käyttötarkoitukset ovat jääneet vähäiselle huomiolle.
Digianalytiikkaa ei tulisi nähdä pelkkänä markkinointikampanjan seurantatyökaluna; oikeissa käsissä se voi tuottaa kallisarvoisia oivalluksia strategisen markkinoinnin päätöksenteon tueksi. Digianalytiikan avulla voidaan tuottaa uudenlaista tietämystä yrityksen asiakkaista, kilpailijoista ja markkinoista. Tämän potentiaalin hyödyntämiseksi yritysten on panostettava organisatoristen rakenteiden ja prosessien joustavuuteen, tarkoituksenmukaiseen henkilöstön koulutukseen, toimivan datahallintatyökalun kehittämiseen sekä digianalytiikan kehittämisen sitomiseen osaksi yrityksen strategiaa.
Miten Master Dataa voi käyttää apuna Big Datan hyödyntämisessä? Mitä uutta Big Data voi tarjota Master Datalle?
- Käytä master dataa laadukkaan ja standardoidun tiedon lähteenä
- Sovella master datan hallinnan periaatteita Big Dataan
- Elinkaari
- Omistajuus
- Hyödynnä samoja data quality työkaluja ja periaatteita
- Määritä laatukriteerit
- Estä huonolaatuisen datan pääsy prosessiin
- Käytä samoja työkaluja
- Valitse sellaiset työkalut, jotka pystyvät käsittelemään isoja määriä ei-rakenteista dataa
Kohti kokonaisvaltaista ja transformatiivista pedagogiikkaa.pdfJari Jussila
Kohti kokonaisvaltaista ja transformatiivista pedagogiikkaa: Sustainable Product Development Project tapausesimerkkinä transformatiivisesta pedagogiikasta. Pedaforum 2024 esitys 6.6.2024, Jari Jussila & Mona-Anitta Riihimäki.
Open Data and Standard APIs learning material for iCOINS: Industry 4.0 competences for SMEs - Awareness raising tools - project. The iCOINS project aimed at developing common EU competences for raising awareness of SMEs on Industry 4.0 through an innovative Training Course. The primary target groups are VET teachers, trainers and mentors. Additionally, iCOINS serves the needs of SMEs staff, higher education staff and students, vocational institutions, vocational higher education institutions/teachers, public administration staff.
HAMK Design Factory and Product Development Project 21Jari Jussila
The document describes an interdisciplinary product development project course at HAMK Design Factory from October 27, 2020 to March 12, 2021. The 15-credit course involves problem-based and co-creative learning in an interdisciplinary setting and international context. Students can earn credits by actively participating as team members, attending workshops, or taking on special roles like project manager. The course follows the co-creation pedagogy model of HAMK Design Factory and aims to provide real-world product development experiences.
Cognitive computing approaches for human activity recognitionJari Jussila
Cognitive computing approaches for human activity recognition from tweets - A case study of Twitter marketing campaign. Presentation at Rii Forum, April 25, 2019, Rome.
Social media analysis and document based researchJari Jussila
This document provides an overview of document-based research methods and examples of analyzing secondary data sources like social media for business intelligence purposes. It discusses using documents that were created for other purposes, issues to consider, and common public and company-specific data sources. Examples include analyzing the sentiment of tweets about companies; comparing Twitter sentiment to polls; examining language used by an organization and its audience on social media; and identifying emotions and communication styles in social media content.
1) Social media can significantly increase the visibility, downloads, and citations of research publications and other work. Sharing publications and research on social media platforms like Twitter can lead to more than 10 times the downloads compared to works not shared online.
2) The number of citations a researcher receives is impacted by their social media presence. One researcher found growth in their own citations correlated with increased social media use. Metrics like the h-index are also influenced by social visibility and are being used more in evaluating researchers.
3) Researchers are encouraged to create profiles on social media platforms for academics to raise their visibility and credibility. Sharing work and building an online community can multiply the impacts on downloads, citations, and career advancement
Towards ecosystem for research and development of electrodermal activity appl...Jari Jussila
Towards ecosystem for research and development of electrodermal activity applications, presentation at Academic Mindtrek Conference 2018, October 10, Tampere. Authors Jari Jussila, Niina Venho, Henna Salonius, Jarkko Moilanen, Jari Liukkonen & Mikael Rinnetmäki.
Visualising maritime vessel open data for better situational awareness in ice...Jari Jussila
Visualising maritime vessel open data for better situational awareness in ice conditions. Authors: Jari Jussila, Timo Lehtonen, Jari Laitinen, Markus Makkonen & Lauri Frank. Academic Mindtrek Conference 2018, October 10.
The document summarizes key points from several sources on using customer emotions data and experiences to create value through novel ecosystem-level collaboration. It discusses how fully emotionally connected customers are 52% more valuable than merely satisfied customers based on metrics like purchases and usage. It then outlines the DEEVA project which aims to advance understanding and predictive capabilities of customer behavior through interdisciplinary collaboration and tools like sentiment analysis, visualization, and storytelling to help companies better design services, products, and strategies.
Application for pre-processing and visualization of electrodermal activity we...Jari Jussila
Application for pre-processing and visualization of electrodermal activity wearable data, presentation at 12.6.2017 13:15-14:45 Sonaatti 2, Tampere Hall, Tampere, Finland. EMBEC 2017 conference track on Data Based Analytics in Health care: From Sensors to Big Data.
A bibliometric study on authorship trends and research themes Jari Jussila
A bibliometric study on authorship trends and research themes in knowledge management literature - presentation at IFKAD 2017 Conference 7 June 2017, Saint Petersburg, Russia
Big social data analytics - social network analysis Jari Jussila
This document discusses social network analysis and visualization of Twitter data using tools like Gephi. It provides steps to collect Twitter data using an API script, create a network file from the data, and calculate network metrics and visualize the network in Gephi. Key aspects covered include extracting tweet data, creating a network file with NetworkX, uploading files to PythonAnywhere to run the script, and analyzing and visualizing the resulting network in Gephi to understand information diffusion on Twitter.
Rakennetun ympäristön sähköinen asiointipalvelu kuntien tiedolla johtamis...Jari Jussila
Jussila, J., Sillanpää, V., Helander, N., Lehtonen, T. and Krekola, L. (2016). Rakennetun ympäristön sähköinen asiointipalvelu kuntien tiedolla johtamisen vauhdittajana. Tietoasiantuntija. Vol 31, Nro 5, pp. 22-23.
2. Mitä pitäisi tehdä?
Ottaa kaikki data käyttöön!
Analytiikka liiketoiminnassa 2/6
Kerää
Tallenna
Analysoi
Hyödynnä
Ennusta
Automatisoi
Datavirrat on
analysoitava
heti
Lopullinen
tavoite
Big Datan mahdollisuudet [Salo, 2014]
3. Analytiikkaprojektin neljä
tärkeintä oppia
• Analytiikkaprojektit epäonnistuvat poikkeuksetta silloin,
kun ne tehdään out-of-the-box –projektitoimituksena.
Asiakkaan liiketoimintaa ei ymmärretä eikä aitoa
asiakasymmärrystä pääse koskaan syntymään. On
täysin yhdentekevää asetella neuroverkkoja silmät kiinni
jonkun aineiston päälle ja “ennustaa” siitä jotain.
Tuloksena on toki joku malli, mutta mitään
liiketoiminnallista arvoa sillä ei saa.
• Kaikista keskeisin syy analytiikkaprojektien
epäonnistumiselle on se, että mennään mallinnus,
algoritmit ja työkalut edellä, liiketoiminnan sijasta.
Analytiikka liiketoiminnassa 3/6
Analytiikkaprojektin neljä tärkeintä oppia [Kartela, 2014]. Saatavissa:
http://www.solita.fi/lehti/analytiikkaprojektin-nelja-tarkeinta-oppia/?sthash.mrb6PGi1.mjjo#sthash.mrb6PGi1.KtvrAXiG.dpuf
4. Mikä analytiikkaprojekteissa
on haastavaa?
• Ratkaisu on tunnistettu ennen
ongelma
– mennään työkalu, menetelmä tms.
edellä sovitetaan
liiketoimintaongelma ratkaisulle
sopivaksi
• Monet ongelmista eivät ole selviä
– liiketoiminnasta vastaavat eivät
tiedä mihin ongelmaan haluavat
vastausta, tai vielä pahempaa eivät
tunnusta ongelman olemassaoloa
• Vastaukset on vaikea ymmärtää
Analytiikka liiketoiminnassa 4/6
Analytics for Decision Making [Catanzaro, 2013]. Saatavissa:
http://sdm.mit.edu/systemsthinkingconference/2013/presentations/catanzaro.pdf
5. Analytiikkaan pohjautuva
päätöksenteko: 6 vaihetta
5/6
Liiketoiminta-
ongelman tai
–kysymyksen
tunnistaminen
Aikaisempien
löydöksien
läpikäynti
1. 2. 3. 4. 5. 6.
Ratkaisun
mallintaminen
ja muuttujien
valinta
Datan
kerääminen
Datan
analysointi
Tuloksien
esittäminen
ja niiden
pohjalta
toimiminen
Kun käytetään big dataa päätöksenteossa, liiketoimintaihmisten (”non-quants”) pitäisi
keskittyä prosessin ensimmäiseen ja viimeiseen vaiheeseen.
Numeroihmiset tyypillisesti hoitaa yksityiskohdat välissä, mutta (viisaat)
liiketoimintaihmiset esittävät paljon kysymyksiä matkan varrella.
Analytics-Based Decision Making – in Six Key Steps [Daveport, 2013]
Analytiikka liiketoiminnassa
6. Perinteinen data-analytiikan työnkulku
6/6
Big Data Imperatives [Mohanty et al., 2013]
Liiketoimintakysymys:
”Kuinka saavutan markkinoinnin
tavoitteet eri digitaalisissa
kanavissa?”
Liiketoimintapäätös:
”Määritä kanavakohtaiset
asiakassegmentit ja kohdista
markkinointi analyysin tuloksien
mukaisesti”
Liiketoiminta-
vastaava
Liiketoiminta-ja
data-analyytikko
Tunnista datalähteet:
CRM, tietovarasto, Excel
sosiaalinen media, jne.
Yhdistä ja kokoa
data:
Hae ja yhdistä
data eri lähteistä
Siivoa ja rikasta:
ETL, datan
siivous, datan
rikastaminen
Lisää ja
kontekstualisoi:
Sijainti, demografia,
segmentointi
Rakenna analytiikan
työnkulku:
Rakenna ympäristö,
mallinna, analysoi
data, ennusta
Analyysi:
Tarkastele tuloksia ja iteroi
Esitä ja sovita:
Visualisoi, rakenna applikaatio
tai kerro tarina
IT/datahallinnan
asiantuntija
Analytiikka liiketoiminnassa
7. Big data-analytiikan työnkulku
7/6
Big Data Imperatives [Mohanty et al., 2013]
Liiketoimintakysymys:
”Kuinka saavutan markkinoinnin
tavoitteet eri digitaalisissa
kanavissa?”
Liiketoimintapäätös:
”Määritä kanavakohtaiset
asiakassegmentit ja kohdista
markkinointi analyysin tuloksien
mukaisesti”
Liiketoiminta-
vastaava
Datatieteilijä
Tunnista datalähteet:
CRM, tietovarasto, Excel
sosiaalinen media, jne.
Yhdistä ja kokoa data:
Hae ja yhdistä data eri lähteistä
Siivoa ja rikasta:
ETL, datan siivous, datan
rikastaminen
Lisää ja kontekstualisoi:
Sijainti, demografia, segmentointi
Rakenna analytiikan työnkulku:
Rakenna ympäristö, mallinna,
analysoi data, ennusta
Analysoi:
Tarkastele tuloksia ja iteroi
Esitä ja sovita:
Visualisoi, rakenna applikaatio
tai kerro tarina
Syötä
dataa
Visualisoi
Mallinna
Analytiikka liiketoiminnassa
9. Mikä on organisaation
tavoite Big datalle?
• Mikä on tavoiteltava hyöty?
– kustannuksien vähentäminen?
– prosessien tehostaminen?
– myynnin / ristiinmyynnin lisääminen?
– tuotteen tai palvelun laadun parantaminen?
– uudet (dataan perustuvat) tuotteet tai
palvelut?
– uudet (dataan perustuvat) ansainta- ja
liiketoimintamallit?
Analytiikka liiketoiminnassa 9/6
Hyviä esimerkkejä mm. Big Data at Work [Davenport 2014]
10. Liiketoimintakysymyksen
muotoilu
Analytiikka liiketoiminnassa 10/6
Selkeä ja
ajankohtainen
liiketoimintaongelma
ja tarve analytiikalle
Ei selkeästi
muotoiltua tarvetta,
mutta liiketoiminta-
ongelma tiedossa
Ei tiedostettua
liiketoiminta-
ongelmaa tai
analytiikkatarvetta
Selkeä väittämä
kysymyksestä, johon
halutaan vastaus
ONGELMA:
Markkinoinnin kohdistaminen ei
toimi
TARVE:
Löytää tekijät, jotka tällä hetkellä
korreloivat myynnin kanssa
VÄITTÄMÄ / KYSYMYS:
Kuinka myynti korreloi tekijöiden A,
B, C ja D kanssa; kun tarkastellaan
päivämyyntejä vuodesta 2010 tähän
päivään asti
Hyvä esimerkki
Pitäisi analysoida
markkinointia
Huono esimerkki
See also: Analytics for Decision Making [Catanzaro, 2013].
http://sdm.mit.edu/systemsthinkingconference/2013/presentations/catanzaro.pdf
11. Zoomaus ulos Tarkastellaan laajempaa
kokonaisuutta, koko prosessia, koko
tuotetta tai tuoteportfoliota
Zoomaus sisään Tarkastellaan pienempää
kokonaisuutta, prosessin osaa,
tuotteen osaa tai yksittäistä
ominaisuutta
Asiakassegmentti Määritellään eri kriteerein / muuttujin
kuin aikaisemmin, keskitytään tiettyyn
kapeaan segmenttiin, laajennetaan,
etsitään uutta
Asiakastarve Hyödynnetään eri lähteitä
asiakastarpeen määrittämisessä,
esim. asiakkaan itse generoima data
(clickstream ym.), videotallenteet
palvelutilanteesta, asiakkaan
keskustelut sosiaalisessa mediassaAnalytiikka liiketoiminnassa 11/6
Liiketoimintaongelman, kysymyksen ja
analytiikkatarpeen iteroinnissa pivotointi
voi auttaa
12. Analytiikan kokeilu
• Lähdetään etsimään mitä datasta löytyy ja
kuinka dataa voidaan käyttää hyödyttämään
organisaation liiketoimintaa
Lopputuloksena on idea – konsepti mahdollisesta
uudesta tuotteesta, palvelusta tai ominaisuudesta
tai hypoteesi (ja sitä tukeva evidenssi) että
olemassa olemaa mallia voidaan parantaa
Usein enemmän inkrementaalisia parannuksia.
Esimerkki tunnistetaan uusi tekijä, joka parhaiten
ennustaa asiakaspoistumaa tai auttaa tarkemmin
kohdistamaan tarjouksen
Liikkeelle pienellä pilotilla tai proof-of-conceptilla
Analytiikka liiketoiminnassa 12/6
Big Data at Work [Davenport 2014]
13. Analytiikan tuotanto
• Skaalataan analytiikkaratkaisu tuotantoon
– Esimerkiksi muutetaan hinnoittelualgoritmeja tai
siirrytään kokeiluasteella olevasta tuotteesta tai
palvelusta täysin toiminnalliseen tuotteeseen tai
palveluun asiakkaalle
• kaikki kokeilut ei välttämättä mene tuotantoon
• tiukemmat vaatimukset mm. luotettavuudelle ja
turvallisuudelle ja muille seikoille mitä asiakkaat,
partnerit ja lainsäädäntö edellyttävät
• vaatii erilaista osaamista ja asiantuntemusta, mm.
uusien sovelluksien integroimista olemassa olevaan
arkkitehtuuriin ja sovelluksien suorituskyvyn optimointiin
• perusasioiden pitää olla kunnossa, mm. ydintietojen
hallinta
Analytiikka liiketoiminnassa 13/6
Big Data at Work [Davenport 2014]
14. Mikä on oikea nopeus Big datan
käyttöönotolle?
• Pitäisi edetä konservatiivisesti jos:
– Kilpailijat ei juuri tee mitään Big datalla
– Sinulla ei ole paljoa dataa asiakkaista tai muista tärkeistä business
toimijoista
– Yrityksesi ei tyypillisesti ole edelläkävijä toimialan innovoinnissa
• Pitäisi edetä aggressiivisesti jos:
– Toimialasi on jo aktiivinen big data-analytiikassa
– Haluat pysyä edellä kilpailijoitasi
– Yritykselläsi on ainakin joitain ihmisiä jotka osaa tehdä big data-
analytiikkaa
• Pitäisi edetä todella aggressiivisesti jos:
– Joku toimialallasi on jo todella aggressiivinen
– Yrityksesi on hyödyntänyt aiemmin teknologiaa uudistamaan toimialaa
– Yritykselläsi on kaikki tarvittavat kyvykkyydet
14/6
Big Data at Work [Davenport 2014]