Data strategy for project delivery process
Riepponen, Rene (2022)
Katso/ Avaa
Sisältö avataan julkiseksi: 24.08.2024
Diplomityö
Riepponen, Rene
2022
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2022082456181
https://urn.fi/URN:NBN:fi-fe2022082456181
Tiivistelmä
Rapid development of the business world and technology has shown that learning new things is only way to survive for companies. Technology is one main reason for megatrends and megatrends are the key drivers for companies’ development. One of the biggest megatrends is digitalization. A huge amount of data in the companies is a consequence of digitalization. This master’s thesis target company is one of the biggest technology companies in Finland. A great part of the company’s business is based on projects. These projects are complex with long schedules and global stakeholders. Because of a great number of different applications and reports used during the project execution, the data amount is massive. The company has noticed that there is need for more efficient data usage in the project delivery process. This master’s thesis purpose is to make a study how company is handling the data during the process and how it should be developed to make things more efficient.
To achieve proper results with good quality, this master’s thesis includes theoretical and empirical parts to support conclusions done in this study. Theory part is based on literature review and its target is to examine previous studies made from the topic. Theory includes mainly books and articles. Empirical part includes interviews, company’s material and this writer’s own experience. Interviews are done in semi-structured format and its purpose is to find out the challenges in the project delivery process regarding data.
Results from the study reveals that there is a lot of potential to develop data usage regarding project delivery process. Results shows that data architecture is not done from project delivery perspective. That is a reason for poor data quality regarding project monitoring. Some defined indicators are not doable because of missing data. Indicators are divided into many different reports, because of heterogenous data and lack of data architecture. Some of the defined indicators are not doable currently because there is no data to calculate it. Also, one main reason for bad monitoring quality is that some indicators and reports have need for manual updating. Yet, company is going to right direction. Data platform will have needed data with comprehensive attributes in the future. Important thing for project management is to make specifications from the needs that should be done from the data. Liike-elämä ja teknologian kehitys on näyttänyt sen, että uusien asioiden omaksuminen on yrityksille elinehto. Teknologian kasvun tuomat megatrendit ovat suuria ajureita, mikä tulee yrityksien kehitykseen. Yksi suurimmista on digitalisaatio ja sen myötä kasvava datan määrä. Tämän diplomityön kohdeyritys on yksi Suomen suurimpia teknologiayrityksiä, jonka liiketoiminnassa korostuu projektiluonteisuus. Suuria ja monimutkaisia projekteja toimitetaan ympäri maailmaa, jolloin dataa kertyy suuria määriä. Tämän diplomityön tarkoituksena on keskittyä ratkaisemaan miten data saadaan käyttöön mahdollisimman tehokkaasti tukemaan kohdeyrityksen projektitoiminnan prosessia.
Laadukaan lopputuksen saavuttamiseksi diplomityö pitää sisällää teoreettisen ja empiriirisen osuuden, jotka muodostavat pohjan työssä tehtäville johtopäätöksille. Ensimmäinen osa käsitelee yrityksen haasteita datan suhteen teoriapohjalta. Teoria perustuu pääosin kirjallisuuteen ja edellisiin tutkimuksiin aiheeseen liittyen. Toinen osa on empiirinen osuus, jossa käytetään hyödyksi yrityksen omaa materiaalia, työn kirjoittajan hankkimaa kokemusta asiasta, sekä haastatteluja. Haastattelut on toteutettu puolistrukturoituna, tavoitteena löytää ongelmakohtia tutkimuksen kohteena olevasta prosessista dataan liittyen.
Tutkimuksen tulokset osoittavat sen, että kohdeyrityksen datan käytössä on paljon parannettavaa. Yrityksen data-arkkitehuuria ja datankäyttöä ei ole rakennettu tukemaan projektin prosessinomaista mittausta ja suorittamista. Projektin suorityskykyä mittaavat mittarit ovat hajautuneet useaan eri raporttiin ja data niihin tulee useista eri lähteistä. Raportit ovat osin manuaalisesti ylläpidettäviä ja siten tietoa on saatavilla vain osalle projekteista. Mittarit ovat myös joiltain osin puutteellisia eikä niitä nykytilanteessa pysty raportoimaan ilman muutoksia käytössä olevissa sovelluksissa. Tulosten perusteella yrityksen toiminta ei ole täysin toteutettavissa pelkän datan avulla, koska data on huonolaatuista. Laadun nostaminen on hidasta, mutta se on yrityksessä jo aloitettu. Tämä tarkoittaa käytännössä sitä, että kaikki oleellinen data tullaan viemään osaksi yrityksen data-alustaa. Data-alusta mahdollistaa oikein rakennettuna tehokkaat ja luotettavat raportit projektin suorituskykyyn ja hallintaan.
To achieve proper results with good quality, this master’s thesis includes theoretical and empirical parts to support conclusions done in this study. Theory part is based on literature review and its target is to examine previous studies made from the topic. Theory includes mainly books and articles. Empirical part includes interviews, company’s material and this writer’s own experience. Interviews are done in semi-structured format and its purpose is to find out the challenges in the project delivery process regarding data.
Results from the study reveals that there is a lot of potential to develop data usage regarding project delivery process. Results shows that data architecture is not done from project delivery perspective. That is a reason for poor data quality regarding project monitoring. Some defined indicators are not doable because of missing data. Indicators are divided into many different reports, because of heterogenous data and lack of data architecture. Some of the defined indicators are not doable currently because there is no data to calculate it. Also, one main reason for bad monitoring quality is that some indicators and reports have need for manual updating. Yet, company is going to right direction. Data platform will have needed data with comprehensive attributes in the future. Important thing for project management is to make specifications from the needs that should be done from the data.
Laadukaan lopputuksen saavuttamiseksi diplomityö pitää sisällää teoreettisen ja empiriirisen osuuden, jotka muodostavat pohjan työssä tehtäville johtopäätöksille. Ensimmäinen osa käsitelee yrityksen haasteita datan suhteen teoriapohjalta. Teoria perustuu pääosin kirjallisuuteen ja edellisiin tutkimuksiin aiheeseen liittyen. Toinen osa on empiirinen osuus, jossa käytetään hyödyksi yrityksen omaa materiaalia, työn kirjoittajan hankkimaa kokemusta asiasta, sekä haastatteluja. Haastattelut on toteutettu puolistrukturoituna, tavoitteena löytää ongelmakohtia tutkimuksen kohteena olevasta prosessista dataan liittyen.
Tutkimuksen tulokset osoittavat sen, että kohdeyrityksen datan käytössä on paljon parannettavaa. Yrityksen data-arkkitehuuria ja datankäyttöä ei ole rakennettu tukemaan projektin prosessinomaista mittausta ja suorittamista. Projektin suorityskykyä mittaavat mittarit ovat hajautuneet useaan eri raporttiin ja data niihin tulee useista eri lähteistä. Raportit ovat osin manuaalisesti ylläpidettäviä ja siten tietoa on saatavilla vain osalle projekteista. Mittarit ovat myös joiltain osin puutteellisia eikä niitä nykytilanteessa pysty raportoimaan ilman muutoksia käytössä olevissa sovelluksissa. Tulosten perusteella yrityksen toiminta ei ole täysin toteutettavissa pelkän datan avulla, koska data on huonolaatuista. Laadun nostaminen on hidasta, mutta se on yrityksessä jo aloitettu. Tämä tarkoittaa käytännössä sitä, että kaikki oleellinen data tullaan viemään osaksi yrityksen data-alustaa. Data-alusta mahdollistaa oikein rakennettuna tehokkaat ja luotettavat raportit projektin suorituskykyyn ja hallintaan.