Ohjelmistoekosysteemin ISV-kumppaneiden klusterointi ja priorisointi
Hassinen, Aaro (2021)
Diplomityö
2021
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2021110153165
https://urn.fi/URN:NBN:fi-fe2021110153165
Tiivistelmä
Nykypäivän kovasti kilpailulla ohjelmistokehityksen markkinoilla asiakkaat vaativat yrityksiltä entistä enemmän personointia, kätevyyttä ja hyviä kokemuksia. Näihin vaatimuksiin ohjelmistoja tarjoavan yrityksen on helpompi vastata kumppanuuksien avulla. ISV-kumppanien avulla ohjelmistoekosysteemi voi kehittää kattavammin ekosysteemin ominaisuuksia ja palveluita. ISV-kumppanit, eli Independent Software Vendor-kumppanit, ovat kolmannen osapuolen ohjelmistokehittäjiä, jotka hyödyntävät rajapintoja uusien ominaisuuksien ja palveluiden kehittämisessä. Kumppanien avulla ekosysteemin ohjelmistoyritys voi paremmin keskittyä heidän ydinliiketoimintaansa ja saada tukea asiakkaiden toiveiden vastaamiseen kumppaneilta.
Tämän diplomityön tarkoituksen on ollut luoda menetelmä, jonka avulla ohjelmistoekosysteemin ISV-kumppaneita voidaan priorisoida ja klusteroida helpommin hallinnoitaviin joukkoihin. Työn tarkoituksena on tehostaa ohjelmistoekosysteemin ISV-kumppanien hallintaa ja selvittää, miten ISV-kumppaneita voidaan verrata toisiinsa ja määritellä millainen on hyvä ISV-kumppani. Työtä varten on tehty kattava kirjallisuuskatsaus, jossa perehdytään ohjelmistoekosysteemeihin ja ISV-kumppanien valintakriteereihin. Kirjallisuuskatsauksessa syvennytään myös erilaisiin koneoppimisen menetelmiin ja erityisesti klusterointiin ja data-analyysin prosessiin DIKW-pyramidin avulla.
Tämän työn lopussa esitellään data-analyysin prosessi, jossa ISV-kumppaneista kerätystä datasta luodaan usean kriteerin päätösanalyysillä parhaimmuusjärjestys, jota voidaan käyttää priorisoinnin työkaluna ja työn lopussa esitellään menetelmä, jossa hyödynnetään koneoppimista ISV-kumppanien klusteroinnissa. Tämän työn menetelmien kehittämisessä hyödynnettiin Python-ohjelmointikieltä ja sen useita kirjastoja, joiden avulla dataa ISV-kumppaneista yhdistettiin ja esikäsiteltiin. Python-ohjelmointikielen avulla suoritettiin myös ISV-kumppaneiden klusteroiminen K-means algoritmin avulla, sekä usean kriteerin päätösanalyysin SAW-menetelmä ohjelmoitiin ja toteutettiin Python-ohjelmointikielen avulla. In today’s highly competitive software development market, customers are demanding more personalization, convenience, and good experiences from companies. These requirements are easier for a software company to meet through partnerships. With the help of ISV partners, the software ecosystem can more comprehensively develop ecosystem features and services. ISV Partners, or Independent Software Vendor Partners, are third-party software developers who take advantage of interfaces to develop new features and services. With the help of partners, an ecosystem software company can better focus on their core business.
The purpose of this thesis has been to create a method by which ISV partners in a software ecosystem can be prioritized and clustered into more manageable sets of ISV partners. The purpose of this thesis is to improve the management of ISV partners in the software ecosystem and to find out how ISV partners can be compared with each other and to determine what makes a good ISV partner. A comprehensive literature review has been conducted for the thesis, which examines software ecosystems and selection criteria for ISV partners. The literature review also delves into various machine learning methods and in particular the process of clustering and data analysis using the DIKW pyramid.
At the end of this work, a process of data analysis is presented, in which data collected from ISV partners is used to create a ranking order by multi-criteria decision analysis that can be used as a prioritization tool, and at the end, a method is utilized to utilize machine learning in ISV partner clustering. The methods of this work were developed using the Python programming language and its several libraries to combine and pre-process data about ISV-partners. The Python programming language was also used to cluster ISV partners using the K-means algorithm, and the SAW method for multi-criteria decision analysis was programmed and implemented using the Python programming language.
Tämän diplomityön tarkoituksen on ollut luoda menetelmä, jonka avulla ohjelmistoekosysteemin ISV-kumppaneita voidaan priorisoida ja klusteroida helpommin hallinnoitaviin joukkoihin. Työn tarkoituksena on tehostaa ohjelmistoekosysteemin ISV-kumppanien hallintaa ja selvittää, miten ISV-kumppaneita voidaan verrata toisiinsa ja määritellä millainen on hyvä ISV-kumppani. Työtä varten on tehty kattava kirjallisuuskatsaus, jossa perehdytään ohjelmistoekosysteemeihin ja ISV-kumppanien valintakriteereihin. Kirjallisuuskatsauksessa syvennytään myös erilaisiin koneoppimisen menetelmiin ja erityisesti klusterointiin ja data-analyysin prosessiin DIKW-pyramidin avulla.
Tämän työn lopussa esitellään data-analyysin prosessi, jossa ISV-kumppaneista kerätystä datasta luodaan usean kriteerin päätösanalyysillä parhaimmuusjärjestys, jota voidaan käyttää priorisoinnin työkaluna ja työn lopussa esitellään menetelmä, jossa hyödynnetään koneoppimista ISV-kumppanien klusteroinnissa. Tämän työn menetelmien kehittämisessä hyödynnettiin Python-ohjelmointikieltä ja sen useita kirjastoja, joiden avulla dataa ISV-kumppaneista yhdistettiin ja esikäsiteltiin. Python-ohjelmointikielen avulla suoritettiin myös ISV-kumppaneiden klusteroiminen K-means algoritmin avulla, sekä usean kriteerin päätösanalyysin SAW-menetelmä ohjelmoitiin ja toteutettiin Python-ohjelmointikielen avulla.
The purpose of this thesis has been to create a method by which ISV partners in a software ecosystem can be prioritized and clustered into more manageable sets of ISV partners. The purpose of this thesis is to improve the management of ISV partners in the software ecosystem and to find out how ISV partners can be compared with each other and to determine what makes a good ISV partner. A comprehensive literature review has been conducted for the thesis, which examines software ecosystems and selection criteria for ISV partners. The literature review also delves into various machine learning methods and in particular the process of clustering and data analysis using the DIKW pyramid.
At the end of this work, a process of data analysis is presented, in which data collected from ISV partners is used to create a ranking order by multi-criteria decision analysis that can be used as a prioritization tool, and at the end, a method is utilized to utilize machine learning in ISV partner clustering. The methods of this work were developed using the Python programming language and its several libraries to combine and pre-process data about ISV-partners. The Python programming language was also used to cluster ISV partners using the K-means algorithm, and the SAW method for multi-criteria decision analysis was programmed and implemented using the Python programming language.