Cross-industry insights into data analytics maturity : a global exploration based on 67 companies’ perspectives

Abstract

This research was conducted based on data gathered within an international Erasmus + project called SMARTER. The research questions were: RQ1: How does data maturity vary across different industries and company sizes in various countries, RQ1.1: At what level are companies positioned within data maturity scale, RQ1.2: What factors within a company indicate a data-driven approach and which factors suggest the company is not yet data-driven? and RQ1.3: Is there a correlation between a company's data maturity and its key success factors? The theoretical background of this research consists of four main parts: 1) modern supply chain management and industry 4.0, 2) the foundational data concepts in supply chains, 3) data maturity and data maturity models and 4) the TDWI Analytics Maturity Model. Data is gathered with data analytics maturity survey which is partly based on TDWI Analytics Maturity Model. The research was conducted as mixed methods research. Ethical considerations, reliability and validity of the research are also reviewed thoroughly. The analysis was started with data preparation and from the total of 202 answers to the maturity scan, 67 were considered valid.

Most of the organizations were in the middle phase of their data maturity journey. The correlation between the level of data maturity in the nine different aspects and key success factors presented weak positive correlation. The correlation was positive but differed from 0,07 to 0,48. After thematic analysis there were identified 14 different main characteristics of the companies who are not yet data driven. The organizations who produce and use large amounts of data are also more developed in the data management field. As a conclusion, the level of data maturity varies greatly, and it can be seen having a positive correlation to the organization’s success.

Tämä tutkimus tehtiin kansainvälisen Erasmus+-hankkeen SMARTERin yhteydessä kerätyn datan pohjalta. Tutkimuskysymykset olivat: 1) Miten datan kypsyys vaihtelee eri toimialoilla ja yrityskokoluokissa eri maissa, 1.1) Millä tasolla yritykset ovat datan käytön kehittyneisyydessä, 1.2) Mitkä tekijät yrityksessä viittaavat datavetoiseen lähestymistapaan ja mitkä tekijät viittaavat siihen, että yritys ei ole vielä datavetoinen? ja 1.3) Onko yrityksen datan käytön kehittyneisyyden ja yritysten menestystekijöiden välillä yhteyttä? Tämän tutkimuksen teoreettinen tausta koostuu neljästä pääosasta: 1) nykyaikainen toimitusketjun hallinta ja teollisuuden neljäs vallankumous, 2) toimitusketjujen datan peruskäsitteet, 3) datan käytön kehittyneisyyttä mittaavat mallit sekä 4) TDWI Analytics Maturity Model. Tiedot kerätään data-analytiikan kypsyyskyselyllä, joka perustuu osittain TDWI Analytics Maturity Model -malliin. Tutkimus toteutettiin sekamenetelmätutkimuksena. Tutkimuksen eettiset näkökohdat, luotettavuus ja pätevyys käydään perusteellisesti läpi. Analyysi aloitettiin aineiston valmistelulla, ja kyselyn 202 vastauksesta 67 katsottiin validiksi.

Useimmat organisaatiot olivat datan käytön kehittyneisyydessä keskivaiheessa. Yhdeksällä eri osa-alueella mitattuna datan käytön kehittyneisyyden ja keskeisten menestystekijöiden välinen korrelaatio oli heikosti positiivinen. Korrelaatio vaihteli 0,07:stä 0,48:aan. Temaattisen analyysissä löydettiin 14 erilaista pääpiirrettä yrityksistä, jotka eivät vielä ole datavetoisia. Organisaatiot, jotka tuottavat ja käyttävät suuria tietomääriä, ovat myös kehittyneempiä datan käytössä. Johtopäätöksenä voidaan todeta, että datan kypsyystaso vaihtelee suuresti, ja sillä voidaan nähdä olevan positiivinen korrelaatio organisaation menestykseen.