To use or not to use? Discovering knowledge from IT service data for decision-making
Rossi, Kirsi (2017)
Pro gradu -tutkielma
Rossi, Kirsi
2017
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2017111350624
https://urn.fi/URN:NBN:fi-fe2017111350624
Tiivistelmä
Technological development has made it possible to save and collect massive amounts of data. Companies have also become more interested in the data they own and how to turn it into more sophisticated knowledge that supports decision-making. Many analytics related factors exist on the organizational level, which are presented in the literature review. Different process models that can be utilized in an analytics project are also presented in more detail. In the empirical part, the case organization’s IT services usage was researched by investigating the databases and collecting data of service usage. The data has been limited to the IT services that are in everyday use, don’t require special IT skills and are accessible by all the employees who work in the office.
The research was conducted by using one of the most used process models that was introduced in the literature review. First, the data from the databases was visualized and part of the data was selected for use in a cluster analysis that grouped the users by their service usage activity. The research showed the importance of measuring the activity and amount of the usage but most of the data showed only whether the service was opened or not. It was also possible to note that deploying new services in the organization requires support and repetition, because trying the service once will not guarantee that the users will continue its use in everyday work. Tasks that a user needs to accomplish seem to also have an impact on the usage. If the service directly supports the user in his work, it is more likely that the user will also continue the use of the service.
When the data was investigated further, some errors were found that made it necessary to leave a part of the data out from the cluster analysis. However, the research itself pointed out that the challenges mentioned in the literature review exist also in real life. For organizations, it is important to be aware of them when there are plans to do an analytics project. In the research, using the larger dataset could have brought out different results, but even in the smaller data it was possible to discover that users were grouped into employees who work remotely and ones that work mostly in the office. The needs for IT services differ slightly between these groups. Still, the topic would need further research to be able to generalize the results. Teknologian kehitys on mahdollistanut massiivisten tietomäärien tallentamisen ja keräämisen. Myös yritykset ovat yhä kiinnostuneempia omistamastaan datasta ja sen muuttamisesta jalostuneemmaksi tiedoksi tukemaan päätöksentekoa. Analytiikan hyödyntämiseen organisaatiotasolla liittyy monia huomioon otettavia tekijöitä, jotka on esitelty tutkimuksen kirjallisuuskatsauksessa. Analytiikkaprojektiin voidaan hyödyntää erilaisia prosessimalleja, jotka esitellään myös vaiheittain. Empiriaosuudessa on tutkittu kohdeyrityksen tietoteknisten sovellusten käyttöä tutustumalla yrityksen tietokantoihin ja keräämällä niihin tallennettua käyttäjätietoa. Tutkimus on rajattu koskemaan sovellukset, jotka ovat käytettävissä laajasti kaikkien yrityksen työntekijöiden kesken eivätkä vaadi erityistä tietoteknistä osaamista.
Tutkimuksessa on hyödynnetty kirjallisuuskatsauksessa esiteltyä prosessimallia, joka on tällä hetkellä yleisimmin käytössä kun tietokannoissa olevaa tietoa pyritään muuntamaan ja hyödyntämään tiedoksi. Tietokannoista kerättyä dataa on visualisoitu ja osa datasta on valittu analysoitavaksi klusterianalyysillä. Klusterianalyysin avulla eri käyttäjät on ryhmitelty eli klusteroitu heidän sovelluskäyttönsä mukaan. Tutkimus osoitti, että tutkittaessa sovellusten käyttöä on tärkeää mitata käytön määrää ja jatkuvuutta mutta tietokannoissa oleva data ei välttämättä tue tätä vaan datan avulla voidaan nähdä vain onko sovellusta joskus käytetty. Tutkimus myös osoittaa, että uusien sovellusten jalkauttaminen työntekijöiden keskuuteen vaatii myös toistoa ja tukea, sillä pelkkä sovelluksen kokeileminen ei riitä takaamaan sitä, että käyttäjä jatkaisi sen käyttöä jokapäiväisessä työssään. Sovellusten käytön suosioon vaikuttaisi liittyvän oleellisesti myös käyttäjien työnkuva. Jos sovellus tukee käyttäjän työtehtäviä, tällöin se myös otetaan käyttöön huomattavasti helpommin verrattuna kuin jos suoraa tarvetta käyttöönotolle ei ole.
Tutkimuksen aikana kerätyssä datassa ilmeni puutteita, jonka vuoksi osa datasta jätettiin pois klusterianalyysista. Tutkimus itsessään on kuitenkin osoittanut kirjallisuudessa osoitettujen data-analyysissä piilevien haasteiden olevan olemassa sekä tarpeen huomioida ne vastaavanlaisissa projekteissa. Käyttäjien ryhmittely uudelleen laajemmalla datalla voisi tuoda myös kiinnostavia tuloksia, joita ei suppeammalla datalla ole ollut mahdollista huomioida. Kuitenkin jo nyt nähtävissä oli käyttäjien jakautuminen matkustaviin tai etätyötä tekeviin työntekijöihin sekä toimistolla työskenteleviin työntekijöihin, joiden sovellusten käyttö ja tarpeet oletettavasti eroavat jonkin verran toisistaan. Kuitenkin aihe vaatisi enemmän tutkimusta laajemmalla datalla, jotta se voitaisiin yleistää.
The research was conducted by using one of the most used process models that was introduced in the literature review. First, the data from the databases was visualized and part of the data was selected for use in a cluster analysis that grouped the users by their service usage activity. The research showed the importance of measuring the activity and amount of the usage but most of the data showed only whether the service was opened or not. It was also possible to note that deploying new services in the organization requires support and repetition, because trying the service once will not guarantee that the users will continue its use in everyday work. Tasks that a user needs to accomplish seem to also have an impact on the usage. If the service directly supports the user in his work, it is more likely that the user will also continue the use of the service.
When the data was investigated further, some errors were found that made it necessary to leave a part of the data out from the cluster analysis. However, the research itself pointed out that the challenges mentioned in the literature review exist also in real life. For organizations, it is important to be aware of them when there are plans to do an analytics project. In the research, using the larger dataset could have brought out different results, but even in the smaller data it was possible to discover that users were grouped into employees who work remotely and ones that work mostly in the office. The needs for IT services differ slightly between these groups. Still, the topic would need further research to be able to generalize the results.
Tutkimuksessa on hyödynnetty kirjallisuuskatsauksessa esiteltyä prosessimallia, joka on tällä hetkellä yleisimmin käytössä kun tietokannoissa olevaa tietoa pyritään muuntamaan ja hyödyntämään tiedoksi. Tietokannoista kerättyä dataa on visualisoitu ja osa datasta on valittu analysoitavaksi klusterianalyysillä. Klusterianalyysin avulla eri käyttäjät on ryhmitelty eli klusteroitu heidän sovelluskäyttönsä mukaan. Tutkimus osoitti, että tutkittaessa sovellusten käyttöä on tärkeää mitata käytön määrää ja jatkuvuutta mutta tietokannoissa oleva data ei välttämättä tue tätä vaan datan avulla voidaan nähdä vain onko sovellusta joskus käytetty. Tutkimus myös osoittaa, että uusien sovellusten jalkauttaminen työntekijöiden keskuuteen vaatii myös toistoa ja tukea, sillä pelkkä sovelluksen kokeileminen ei riitä takaamaan sitä, että käyttäjä jatkaisi sen käyttöä jokapäiväisessä työssään. Sovellusten käytön suosioon vaikuttaisi liittyvän oleellisesti myös käyttäjien työnkuva. Jos sovellus tukee käyttäjän työtehtäviä, tällöin se myös otetaan käyttöön huomattavasti helpommin verrattuna kuin jos suoraa tarvetta käyttöönotolle ei ole.
Tutkimuksen aikana kerätyssä datassa ilmeni puutteita, jonka vuoksi osa datasta jätettiin pois klusterianalyysista. Tutkimus itsessään on kuitenkin osoittanut kirjallisuudessa osoitettujen data-analyysissä piilevien haasteiden olevan olemassa sekä tarpeen huomioida ne vastaavanlaisissa projekteissa. Käyttäjien ryhmittely uudelleen laajemmalla datalla voisi tuoda myös kiinnostavia tuloksia, joita ei suppeammalla datalla ole ollut mahdollista huomioida. Kuitenkin jo nyt nähtävissä oli käyttäjien jakautuminen matkustaviin tai etätyötä tekeviin työntekijöihin sekä toimistolla työskenteleviin työntekijöihin, joiden sovellusten käyttö ja tarpeet oletettavasti eroavat jonkin verran toisistaan. Kuitenkin aihe vaatisi enemmän tutkimusta laajemmalla datalla, jotta se voitaisiin yleistää.