Big datan laatu ja analytiikka

Koko: px
Aloita esitys sivulta:

Download "Big datan laatu ja analytiikka"

Transkriptio

1 hyväksymispäivä arvosana arvostelija Big datan laatu ja analytiikka Mirva Toivonen Seminaarityö Helsinki HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos

2 HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta Fakultet Faculty Laitos Institution Department Matemaattis-luonnontieteellinen tiedekunta Tekijä Författare Author Tietojenkäsittelytieteen laitos Mirva Toivonen Työn nimi Arbetets titel Title Big datan laatu ja analytiikka Oppiaine Läroämne Subject Tietojenkäsittelytiede Työn laji Arbetets art Level Seminaarityö Tiivistelmä Referat Abstract Aika Datum Month and year Sivumäärä Sidoantal Number of pages 12 sivua Big datan suuri määrä, käytettävien lähteiden moninaisuus ja nopeus jolla dataa tulee käsiteltäväksi tuovat haasteita analytiikan laadunhallintaan. Työssä tarkastellaan big datan luokittelun, tutkittavan ilmiön ymmärtämisen ja analyyseissä käytettävien moninaisten lähteiden yhteenvedon haasteita. Datan luokittelu arvokkaaseen dataan parantaa suurten tietomassojen käsittelyä, mutta oleellisen tiedon löytäminen on haasteellista, eikä suuri tietomassa aina johda tarkempaan analyysiin. Tutkittavan ilmiön ymmärtäminen big datan avulla on vaikeaa, koska näyte voi olla vinounut, mahdollisuus vääriin korrelaatioihin ja syy-seuraussuhteisiin kasvaa datan moninaisuuden ja määrän vuoksi. Datan ymmärtämistä voidaan helpottaa rakentamalla malli tutkittavasta ilmiöstä. Datan yhdistäminen auttaa suodattamaan oleellisen tiedon esimerkiksi suurista dokumenteista, mutta ongelmana on datan puuttuminen lähteiden eri rakeisuustasojen, yksityisyydensuojan ja näytteenottotiheyden takia. ACM Computing Classification System (CCS): Avainsanat Nyckelord Keywords big data, laatu, analytiikka Säilytyspaikka Förvaringställe Where deposited Muita tietoja Övriga uppgifter Additional information

3 ii Sisältö 1 Johdanto 1 2 Big Data 1 3 Big data -analytiikka 3 4 Big data haasteita analytiikalle Datan identifiointi ja luokittelu Datan ymmärtäminen Datan yhteenveto Yhteenveto 9 Lähteet 11

4 1 1 Johdanto Big data tuo perinteisen tietokantadatan rinnalla syvyyttä ja strategista liiketoimintaetua yrityksille. Perinteisellä tietovarastoratkaisuihin perustuvalla raportoinnilla voidaan tarkastella menneitä tapahtumia. Uudenlaiset datalähteet, kuten sensori-, teksti-, videoja äänidata mahdollistavat tapahtumien ennustamisen ja vastaamisen kysymykseen mitä tapahtuu juuri nyt. Big data -termi kuvaa datan ominaisuuksia, joissa dataa saadaan monenlaisista lähteistä, dataa virtaa käsiteltäväksi nopeasti ja paljon. Kaikkea big dataa ei voida esikäsitellä samaan tapaan kuin tietovarastodataa, vaan big dataa analysoidaan sellaisenaan usein ilman puhdistustoimenpiteitä. Huonoa dataa voidaan heittää pois, sillä tilalle on tarjolla paljon korvaavaa dataa. Big datan laadunhallinnassa ongelmana on hyvän, merkityksellisen datan löytäminen massasta joka on luonteeltaan sotkuista. Datan sotkuisuus vaikuttaa myös tutkittavan ilmiön ymmärtämiseen ja oleellisen tiedon tiivistämiseen moninaisista lähteistä. Tässä työssä esitellään ongelmia, joita big data aiheuttaa mielenkiintoisen ja arvokkaan datan eristämisessä, tutkittavan ilmiön ymmärtämisessä ja moninaisten lähteiden yhdistämisessä. Luvussa 2 tarkastellaan big data -termiä kolmen muuttujan, määrä, moninaisuus ja vauhti avulla, sekä esitellään minkälaista dataa liiketoiminnassa käytetään big data -analytiikan pohjana. Luvussa 3 esitellään big data -analytiikan piirteitä ja mitä yritysjohtajat toivovat analytiikalta big data ratkaisuiden yhteydessä. Luvussa 4 tarkastellaan kolmea analytiikan haastetta big datan laadun näkökulmasta: datan identifiointia ja luokittelua, datan ymmärtämisen vaikeutta sekä datalähteiden yhdistämistä. 2 Big Data Termi big data niputtaa saman termin alle datan valtavan määrän (volume), datalähteiden moninaisuuden (variety) ja vauhdin (velocity), jolla dataa tuotetaan. Big datan määrä tarkoittaa massaa jota ei perinteisin laskentakeinoin voida käsitellä. Moninaisuus tarkoittaa dataa tuottavien lähteiden ja datan rakenteen kirjoa. Dataa voidaan perinteisen operationaalisten tietolähteiden kuten tietokantadatan ja tietovarastodatan lisäksi kerätä sensoreista (esimerkiksi mobiililaitteiden GPS data),

5 2 web-sovelluksista (likkauskäyttäytymistä (clkickstream behavior) ja dataa sosiaalisesta mediasta), blogeista, uutisista ja mikroblogeista (twiitit), videoista ja äänitiedostoista. Data voi olla ihmisen tai koneen tuottamaa, rakenteeltaan strukturoitua, strukturoimatonta tai puolistruktuurista tiedostoihin pakattua dataa. Datan vauhti tarkoittaa että dataa tulee jatkuvana virtana, jota halutaan hyödyntää tosiaikaisesti sitä mukaan kuin dataa virtaa systeemiin [Laney01]. Tosiaikaista big dataa saadaan muun muassa liike- ja kuvasensoreista ja paikannusdatasta kuten GPS -datasta (Global Positioning System) [Tien 13]. Big data -analytiikkaprojekteihin valitut tai tulevaisuudessa käytettävät dataähteet ovat jakautuneet EMA:n (Enterprise Management Associates) ja IBM:n tutkimuksessa [Devlin et al. 12] seuraavasti (Kuva 1). Eniten käytetty datalähde analyyseissä on strukturoitua operationaalitason dataa, joka voi liittyä myyntiin, toimitusketjuun tai asiakkuuden hallintaan (50% vastaajista käytti operationaalitason dataa big data projekteissa). Toiseksi yleisin analytiikkadatan lähde oli ihmisten tuottamat dokumentit kuten sähköpostit ja lomakkeet (40% vastaajista). Muita datalähteitä kuten kuvia, koneen tuottamaa dataa ja sosiaalista mediaa käytti noin 30% vastaajista. Äänitiedostoja käytettiin vähiten, vain 19% vastaajista. Kuva 1: Datalähteiden käytön jakautuminen big data projekteissa. Strukturoitu operationaalinen data, ihmisen luomat dokumentit ja transaktiodata ovat kolme suosituinta datalähdettä big datan analysointiprojekteissa [Devlin et al. 12].

6 3 Kuvassa 2 big data jakautuu strukturoituun dataan, kuten relaatiotietokantadataan, sovelluskohtaiseen dataan ja struktuoimattomaan dataan, kuten video-, kuva-, ääni-, dokumenttidata ja JSON -muotoiseen dataan [Devlin et al. 12] Kuva 2: Big data ympäristössä yhdistetään strukturoitua ja strukturoimatonta dataa. 3 Big data -analytiikka Analytiikan käyttö on liiketoimintaetu. Liiketoiminnassaan erittäin hyvin menestyvät yritykset käyttivät analytiikkaa melkein 50% enemmän kuin heikommin menestyvät kilpailijat erottautuakseen kilpailijoistaan [LaValle et al 11]. LaVallen tutkimukesssa analytiikan käyttö toi liiketoimintaan tehokkuutta, kasvua tai kilpailuetua ja analytiikan ja liiketoimintamenestyksen väliltä löytyi selkeä positiivinen korrelaatio. Analytiikan tarkoituksena on eristää hyödyllistä tietoa valtavista tietosäiliöistä (data repositories) [Cuzzocrea et al 13]. Tietoa voidaan eristää laadullisilla analyyseillä, joissa pyritään ymmärtämään tutkittavaa ilmiötä tekemällä yhteyksiä ja johtopäätelmiä ilmiötä mittaavista muuttujista. Liiketoiminta-analytiikan tavoitteena on tuottaa arvoa nopeammin ja löytää tärkeimpiä muutoskohteita [LaValle et al 11]. Perinteisessä raportoinnissa data on mahdollisimman optimaalista. Tietovarastoissa dataa esikäsitellään yhdenmukaistamalla tietoa ja poistamalla väärää tai virheelistä tietoa. Datasta tehdään mahdollisimman edustava ja tarkka, jonka jälkeen data varastoidaan raportointia ja analyysejä varten. Datamassan kasvaessa yksinkertainenkin operaatio voi aiheuttaa merkittäviä viiveitä ajo- ja vastausaikaan (runtime, responsiveness) [Parker 12]. Big datan kontekstissa datan optimaalisuus on

7 4 epärealistista, erityisesti tosiaikaisissa järjestelmissä. Perinteinen data ensin lähestymistapa, jossa kaikki data kerätään ensiksi ja puhdistetaan ennen analyysien tekoa ei toimi big datan analytiikassa datan valtavan koon ja moninaisuuden takia. Data ensin lähestyminen jättää liian vähän aikaa, energiaa ja resursseja tiedon pontetiaalisen käytön ymmärtämiseen ja sen sijaan keskitytään datan keräämiseen ja puhdistamiseen [LaValle et al 11]. Big data pakottaa luopumaan optimaalisen datan vaatimuksesta ja keksimään luovempia, innovatiivisempia tapoja lähestyä datan analysointia ja käsittelyä. Perinteisten operationaalitason analyysityökalujen, kuten raporttien ja kojelautojen (dashboard) avulla voidaan seurata mitä on tapahtunut ja miksi näin on tapahtunut [Kimball 12]. Perinteisten analyysityökalujen fokus on menneessä ajassa. Rinnakkaista laskentaa käyttävän ohjelmointiparadigman MapReducen ja pilvilaskennan mahdollistamat parannukset datan käsittelynopeudessa ja skaalautuvuudessa mahdollistavat analytiikan näkökulman muuttumisen menneestä siihen mitä tapahtuu juuri nyt, mitä todennäköisesti tapahtuu seuraavaksi ja minkälaisia toimenpiteitä täytyy tehdä, jotta saavutetaan optimaalisia liiketoimintatuloksia [LaValle et al 11]. Analyyseissä dataa voidaan yhdistää strukturoidusta, yleensä yrityksen sisäisestä järjestelmästä, strukturoimattomaan usein yrityksen ulkopuolelta tulevaan dataan. Strukturoimaton data mahdollistaa vastaamisen sellaisiin kysymyksiin joihin aikaisemmin ei ollut mahdollista vastata. Big datalla ei ole tarkoitus korvata perinteistä analytiikkaa, kuten raportointia, vaan täydentää analytiikkaa lisäämällä syvyyttä ja nyansseja olemassaoleviin ratkaisuihin[letouzé 12]. Big data analytiikan omaksumisen suurimmat esteet ovat ennemmin hallinnollisia tai yrityskulttuurisia esteitä kuin datan keräämiseen, laatuun tai teknologiaan liittyviä [Madsen 13], [LaValle et al 11]. Fiksujen, uudenlaisten ja innovatiivisten ratkaisuiden tekeminen oli suurin haaste big data analytiikan käytöönotossa. LaValle et al 2011 tutkimuksessa laatuun liittyvät esteen olivat kolmanneksi yleisin ongelma (20% piti ongelmia datan laadussa päällimmäisenä esteenä). Datan moninaisuuden käsitteleminen koettiin suuremmaksi haasteeksi kuin pelkkä datan määrä big data -analytiikan omaksumisessa [Geopalkrishnan el al 12].

8 5 Yritysjohtajat kaipasivat dataan perustuvia välittömiä ohjeistuksia yllättäviin tilanteisiin, joissa esimerkiksi yllättävä kilpailija ilmaantuu markkinoille, toimitusketjun alueella tapahtuu maanjäristys tai jos asiakas näyttää merkkejä tuottajan vaihtamisesta [LaValle et al 11]. Big data analytiikalta kaivattiin apua optimaalisten ratkaisuiden löytämiseen ja ymmärtämiseen, jotta korjausliikkeitä voidaan tehdä nopeasti. 4 Big data haasteita analytiikalle Big data analytiikalta toivotaan parempaa ymmärrystä liiketoiminnasta. Big datan analysoinnin haasteina on datan heterogeeninen luonne, määrä ja vauhti, jotka vaikeuttavat oleellisen datan löytämistä, datan ja tutkittavan ilmiön ymmärtämistä sekä datan yhteenvetoa. Aliluvussa 4.1 annetaan esimerkkejä huonosta datasta ja esitellään kaksi tapaa identifioida analytiikan kannalta tärkeää, oikeaa tai mielenkiintoista tietoa: lähestymällä big dataa kysymys ensin periaatteella ja luokittelemalla dataa arvokkaaseen ja vähemmän arvokkaaseen dataan. Aliluvussa 4.2 tarkastellaan miten datan moninaisuus ja määrä vaikeuttavat datan ymmärtämistä, sekä esitellään tutkittavan ilmiön mallintamista jota vasten on helpompi ymmärtää ja luokitella dataa. Aliluvussa 4.3 esitellään datalähteiden yhteenvetoa jonka avulla data saadaan pakattua ymmärrettävämpään muotoon. 4.1 Datan identifiointi ja luokittelu Tarkoituksenmukainen tieto pitää jollain tapaa identifioida ja löytää. Jos halutaan löytää poikkeamia (anomaly) pitää ensin määritellä mikä on epänormaalia ja mikä normaalia [Letouzé 12] ja lisäksi mikä on mielenkiintoista ja mikä ei. Epäjohdonmukaisuudet voivat kertoa mielenkiintoisesta ja epätavallisesta ilmiöstä tai rikkinäisestä sensorista, jota kannattaa tutkia tarkemmin. Epätarkkaa tai väärää dataa voidaan kerätä esimerkiksi rikkinäisistä sensoreista tai mittausvirheen takia. Vanhentunutta, tahallaan tai tahattomasti väärä tai harhaanjohtavaa

9 6 dataa voidaan kerätä esimerkiksi blogeista, uutisista tai sosiaalisen median viesteistä [Bizer et al. 12],[Letouzé 12]. Esimerkkinä Letouzé [Letouzé 12] kirjoittaa blogista jossa kirjoitettiin keksittyä tarinaa arabikevään tapahtumista Damaskoksessa vuonna Kirjoittaja oli todellisuudessa Eurooppalainen heteroseksuaalinen mies, mutta esiintyi silti blogissaan homoseksuaalisena naisena. Blogi saavutti kasvavaa suosiota, kunnes huijaus paljastui. Tapaus nosti esille huolen verifioimattomasta ihmisen tuottaman datan laadusta. On haasteellista arvioida dokumenttien laatua ja löytää lähde, jota voidaan pitää uskottavana, sillä tekstit ovat luonteeltaan spontaaneja ja tietojen tarkistus on löysää. Suurten tietomassojen käsittelyä voidaan tehostaa tiivistämällä ja luokittelemalla dataa mahdollisimman aikaisessa vaiheessa. Sensoreiden tuottamaa raakaa dataa voidaan suodattaa tai tiivistää, sillä suurin osa datasta ei ole mielenkiintoista. Tapauksissa joissa datan määrä ylittää varastointikyvyn datan esikäsittely on tärkeää. Esikäsittely pitää tehdä datan käyttötarkoitus mielessä pitäen, koska muuten tärkeää tietoa voi kadota. Esimerkiksi CERNin suuri LHC hiukkaskiihdytin (Large Hadron Collide, LHC) tuottaa 15 petatavua dataa vuodessa. LHC kokeessa tuotetaan 10 9 interaktioita per sekunti ja dataa esikäsitellään niin että jäljellä on enää 10 7 interaktiota per sekunti [CERN, 08]. On haasteellista luokitella suodattimet niin, etteivät ne heitä pois hyödyllistä informaatiota. Riittääkö esimerkiksi uutisten analysoinnissa, jos tutkitaan vain uutisia joissa mainitaan tietyn yrityksen nimi? Analysoidaanko vain pientä osaa tekstiä yrityksen nimen ympäriltä vai analysoidaanko koko uutinen? Dataa kuvaileva ja määrittävä metatieto on tärkeässä roolissa kun halutaan varmistua validiudesta, datan elinkelpoisuudesta ja laajuudesta [Tien 13]. Esimerkiksi metadataa analysoimalla tiedetään mistä lähteestä uutinen on peräisin, jotta mahdolliset duplikaatit voidaan ottaa huomioon ja tutkia. Tosin on haasteellista kerätä automaattisesti metadataa, joka kuvailee datan joka on tallennettu, miten data on tallennettu ja miten data on mitattu [Labrinidis et al. 12]. Parempi luokittelu hyödyttää enemmän kuin algoritmien parantaminen [Geopalkrishnan el al 12]. Esimerkiksi pankkitoiminnan riskejä arvioiva algoritmi käytti lähteenään noin 2600 puhelinraporttia. Jotta algoritmi toimi, täytyi lähdemateriaalia suodattaa reiluun 70 oleelliseen muuttujaan ja lisäksi tarvittiin pankkialan osaajia jäljellä olevien muttujien

10 7 suodattamiseen. Joissain tapauksissa numeeriset muuttujat piti muuttaa kategorisiksi ja toisin päin. Luokittelussa datan formaatilla ei ole väliä, sillä datasta on aina löydettävissä entiteettejä kuten asiakas, tuote, palvelu, sijainti ja aika [Kimball 12]. Esimerkiksi twiitistä Wov, That is awesome! voidaan saada mittoja asiakkaasta, sijainnista, tuotteesta, tuottajasta, demografisesta klusterista, sessiosta tai twiittiä edeltävästä tapahtumasta. Dimensaliointi olisi hyvä tehdä mahdollisimman aikaisessa vaiheessa ja kaikki dimensiot pitää liittää pysyviin sijaisavaimiin (durable surrogate key) [Kimball 12]. LaValle et al esittää lähestymistavan, jossa kysymykset esitetään ensin ja data kerätään tutkittavaa ilmiötä varten. Jos kysymykset muotoillaan etukäteen, voidaan helpommin paikallistaa data jota tarvitaan analyyseissä, eikä datan välttämättä tarvitse olla täydellistä. Dataa saattaa olla jo valmiina. Kysymyslähtöinen käsittelytapa auttaa löytämään dataa, jota kannattaa puhdistaa. Se auttaa myös tunnistamaan onko näyte edustava, mikä on normaalia dataa ja mitataanko oikeaa asiaa. Zikopoulos et al identifioi artikkelissaan datan matalan ja korkean arvon dataan. Esimerkiksi datan käsittelytoimenpiteet nostavat datan arvoa per tallennettu tavu. Se onko datalla korkea vai matala arvo vaikuttaa datan käsittelyyn ja siihen kuinka paljon puhdistustoimenpiteitä tarvitaan. 4.2 Datan ymmärtäminen Datan määrä mahdollistaa tarkemmat analyysit, sillä mitä enemmän datapisteitä on, sen lähemmäs päästään näytteen odotusarvoa. Tosin tarkkuus ei välttämättä johda parempaan ymmärrykseen ratkaistavasta ongelmasta. Usein dataa käsitellään huolimattomasti ja pinnallisella tasolla, koska big data on luontaisesti sotkuista ja se saattaa hämärtää alla olevia syy-seuraus suhteita [Tien 13]. Big datassa dimensioiden määrä voi räjähtää datan strukturoimattoman luonteen vuoksi [Cuzzocrea et al 13]. Muuttujien määrä kasvattaa mahdollisten korrelaatioiden määrää, myös väärien korrelaatioiden määrää. Big datassa on siksi riski, että nähdään toistuvia malleja siellä missä niitä ei oikeasti ole [Boyd et al. 12]. Lisäksi big datan korrelaatiot voivat johtaa tarkoituksettomiin syy-seuraus suhteisiin [Tien 13]. Datan massiivinen määärän takia on riski, että keskitytään vain toistuvien mallien (pattern) tai

11 8 korrelaatioiden etsimiseen ja tehdään johtopäätöksiä ilman että syvästi ymmärretään dataa ja datan dynamiikkaa. Datan mukana ei tule tietoa näytteen tarkkuudesta, joten analyyseistä ei voida sanoa ovatko ne tarkkoja vai eivät. Näytteen suuri koko on merkityksetön, jos otos ei ole edustava [Boyd et al. 12]. Epäedustavia näytteitä ei voida yleistää näytekontekstin ulkopuolelle [Letouzé 12]. Jos datanäyte ei ole edustava, analyysi ei kerro totuutta mitattavasta ilmiöstä. Esimerkiksi digitaalisia palveluita analysoitaessa ei voida tehdä yleistyksiä koko populaatioon, sillä näytedata on vinoutunutta eikä digitaalisten palveluiden käyttäjät edusta koko populaatiota [Letouzé 12]. Myös tekaistu tai väärin tulkittavissa oleva käyttäjien tuottama sisältö voi muuttaa kokonaiskuvaa analysoitavasta ilmiöstä [Letouzé 12]. Visualisointi- ja datan yhdistämistekniikoilla data saadaan pakattua helpommin ymmärrettävään muotoon [Myllymäki et al. 11]. Yhdistetystä datasta voidaan tehdä malli, jota vasten raakaa dataa on helpompi ymmärtää ja luokitella. Esimerkiksi monen vuoden ajalta kerätystä liikennedatasta voidaan tehdä malli yhdistämällä ja tiivistämällä liikennetietoja jaettuna esimerkiksi arkipäiviin ja viikonloppuun. Näin saadusta mallista voidaan arvioida liikenteen sujuvuutta. Jos dataa puuttuu, voidaan puuttuva data korvata arvioilla. Puuttuvan datan korvaamiseen löytyy tilastotieteellisiä imputointimenetelmiä, joissa puuttuva data korvataan sijaisdatalla. Mallia vasten on helppo myös etsiä epäjohdonmukaisuuksia, kun mitattuja tuloksia voidaan verrataan odotusarvoon [Myllymäki et al. 11]. 4.3 Datan yhteenveto Yhdistämällä erilaisia datalähteitä, esimerkiksi strukturoimatonta ja strukturoitua dataa, saadaan syvempää ymmärrystä liiketoiminnasta. Dokumentteja yhdistelemällä (document summarization) voidaan suodattaa turha tieto pois suurista dokumenteista [Lomotey et Deters 13], eli data saadaan pakattua helpommin ymmärrettävään muotoon. Yhdistetyssä dokumentissa samasta aiheesta kirjoitettujen tekstidokumenttien pääpointit pakataan samaan dokumenttiin. Etuna on yhden aiheen kuvailu monesta eri näkökulmasta yhdellä silmäyksellä, ilman että luetaan alkuperäisiä tiedostoja. Dokumenttien yhdistäminen toteutetaan dokumenttien struktuuria analysoimalla ja

12 9 dokumenttien luokittelulla. Käsittelyn tuloksena tuotetaan yhteenvetoraportti ja tuloksia voidaan visualisoida. Videoita voidaan yhdistellä kuvailutiedon (metadata) perusteella, esimerkiksi videotiedostoon liitettyjen hakusanojen perusteella [Myllymäki et al. 11]. Dokumenttien yhdistämisessä strukturoimattomasta datasta tehdyt yhdisteet (aggregaatit) voivat helposti osoittautua huonoiksi [Cuzzocrea et al 13]. Ongelmana on että transaktionaalisen strukturoidun datan ja strukturoimattoman web peräisen datan yhdistäminen on häviöllistä, yli puolet (40-50% success rate) lähdedatasta puuttuu yhdistetyissä tuloksissa [Geopalkrishnan el al 12]. Datan rakeisuus voi johtaa hyvin harvaan ja hajaantuneeseen yhdisteeseen. Datan rakeisuus vaihtelee eri lähteissä saatavuudesta, näytteenoton toistumisesta, yksityisyyssuojasta ja erilaista luottamustasoista johtuen: Osa datasta on saatavilla yksilöllisellä tasolla, osa voi olla saatavilla vain yhdistetasolla. Eri lähteiden näytteenoton toistuminen voi vaihdella. Yksityisyyssyistä henkilöt voivat päättää olla jakamatta tietojaan. Eri analytiikkatulosten osissa voi olla eritasoisia luottamustasoja (confidence level) yhdistettynä niihin [Geopalkrishnan el al 12]. Oleellisten tapahtumien poimiminen ja niiden yhdistäminen muihin tietoihin ajavasta yksilöstä on vaikeaa kustakin mittauskohteesta tulevan suuren datamäärän ja nopeuden takia. Esimerkiksi autosta voidaan kerätä dataa ajonopeudesta, kiihtyvyydestä ja jarrutusmalleista, jotta ymmärrettäisiin ajavan yksilön riskiprofiilia. Ajonopeudesta, kiihtyvyydestä ja jarrutusmalleista syntyy dataa nopeasti ja suuria määriä [Geopalkrishnan el al 12]. Miten löytää oleellinen data? Tässäkin on ongelmana datan identifiointi ja ymmärtäminen. 5 Yhteenveto Työssä tarkasteltiin big datan luokittelun, tutkittavan ilmiön ymmärtämisen ja analyyseissä käytettävien moninaisten lähteiden yhteenvedon haasteita. Big data pakottaa luopumaan optimaalisen datan vaatimuksesta, jossa data esikäsitellään ja varastoidaan tietovarastoihin ja keksimään luovempia, innovatiivisempia tapoja datan analysointiin ja käsittelyyn. Analytiikan sulauttaminen liiketoimintaan parantaa yrityksen kasvua, tehokkuutta ja kilpailuetua, mutta ongelmana on että ei tiedetä miten big dataa voidaan käyttää hyväksi liiketoiminnassa.

13 10 Big data on sotkuista, joten oleellisen tiedon löytäminen, datan tiivistäminen yhteenvedoilla ja tutkittavien ilmiöiden ymmärtäminen big data -analytiikassa on vaikeaa. Datan suuri määrä ei välttämättä johda datan parempaan ymmärrykseen, koska datan määrä hämärtää monimutkaisten syy-seuraussuhteiden ymmärtämistä, lisää mahdollisuutta vääriin korrelaatioihin, näytedatan mahdollista vinoumaa voi olla vaikeampi hahmottaa ja koska datan tarkkuudesta ei ole tietoa. Datan ymmärtämistä voidaan helpottaa visualisointi- ja yhdistämistekniikoilla, joiden avulla voidaan suodattaa oleellinen tieto esimerkiksi suurista dokumenteista. Yhdisteissä ongelmana on datan puuttuminen lähteiden eri rakeisuustasojen, yksityisyydensuojan ja näytteenottotiheyden takia. Jotta ilmiötä voidaan ymmärtää ja tiivistää, täytyy ensin määritellä mikä on normaalia ja epänormaalia dataa. Luokittelu tehostaa big datan käsittelyä enemmän kuin algoritmien parantaminen, mutta ongelmana on luokitella suodattimet niin että arvokasta tietoa ei heitetä pois. Dataa identifioimalla ja luokitelemalla mahdollisimman aikaisessa vaiheessa voidaan löytää massasta mielenkiintoinen tieto. Mielenkiintoinen ja arvokas data löytyy lähestymällä dataa esimerkiksi kysymys ensin periaatteella.

14 11 Lähteet Laney01 D. Laney. 3-D Data Management: Controlling Data Volume, Velocity and Variety. META Group Research Note, February 6, Tien 13 J. M.Tien, Big data: unleashing information, Journal of Systems Science and Systems Engineering, vol 22, issue 2, p , June Kimball 12 R. Kimball, Newly Emerging Best Practices for Big Data, Kimball Consulting Group White Paper, Devlin et al. 12 B. Devlin, S. Rogers, and J. Myers, Big data comes of age, Tech. Rep. November Cuzzocrea et al 13 A. Cuzzocrea, D. Saccà, J. D. Ullman Big data: a research agenda. In Proceedings of the 17th International Database Engineering & Applications Symposium (IDEAS '13). ACM, New York, NY, USA, , LaValle et al 11 S. LaValle, E. Lesser,R. Shockley, M. S. Hopkins, N. Kruschwitz, Big data, analytics and the path from insights to value. MIT Sloan Management Review, vol. 52, no. 2, p , Winter Parker 12 C. Parker, Unexpected challenges in large scale machine learning, In Proceedings of the 1st International Workshop on Big Data, Streams and Heterogeneous Source Mining: Algorithms, Systems, Programming Models and Applications (BigMine '12). ACM, New York, NY, USA, 1-6, Letouzé 12 E. Letouzé, Big Data for Development: Opportunities & Challenges, Global Pulse May Madsen 13 M. Madsen, The Challenges of Big Data & Approaches to Data Quality: Using big data to examine and discover the value in data for accurate analytics, Technology White paper, Third Nature Inc. and SAP AG, 2013.

15 12 Geopalkrishnan el al 12 V. Gopalkrishnan, D. Steier, H. Lewis, and J. Guszcza, Big data, big business: bridging the gap, In Proceedings of the 1st International Workshop on Big Data, Streams and Heterogeneous Source Mining: Algorithms, Systems, Programming Models and Applications, Big- Mine 12, pages 7 11, New York, NY, USA, ACM, Bizer et al. 12 C. Bizer, P. Boncz, M. L. Brodie, O. Erling, The meaningful use of big data: four perspectives -- four challenges. SIGMOD Rec. 40, 4, January, 56-60, Fan et Bifet 13 W. Fan, A. Bifet, Mining big data: current status, and forecast to the future, SIGKDD Explor. Newsl. Volume 14, Issue 2, April, 1-5, Boyd et al. 12 D. Boyd and K. Crawford. Critical Questions for Big Data. Information, Communication and Society, 15(5): , Myllymäki et al. 11 P. Myllymäki, J. Ahtikari, K. Puolamäki, C. Carlsson, S. Sahala, R. Saarnio,P. Kurki, Strategic Research Agenda for Data to Intelligence (D2I), version 1.0 TiVit, June CERN, 08 CERN (2008): Worldwide LHC Computing Grid. Zikopoulos et al 11 P. Zikopoulos, C. Eaton, D. deroos, T. Deutsch, G. Lapis, IBM Understanding Big Data: Analytics for Enterprise Class Hadoop and Streaming Data,McGraw-Hill Companies,Incorporated, Labrinidis et al. 12 A. Labrinidis, H. V. Jagadish, Challenges and opportunities with big data. Proc. VLDB Endow. 5, 12 (August 2012). Lomotey et Deters 13 R.K Lomotey, R. Deters, "Unstructured data extraction in distributed NoSQL," Digital Ecosystems and Technologies (DEST), 7th IEEE International Conference on, vol., no., pp.160,165, July 2013.

Maailman muutosta tallentamassa Marko Vuokolan The Seventh Wave -valokuvasarja avauksena taidevalokuvan aikaan

Maailman muutosta tallentamassa Marko Vuokolan The Seventh Wave -valokuvasarja avauksena taidevalokuvan aikaan Maailman muutosta tallentamassa Marko Vuokolan The Seventh Wave -valokuvasarja avauksena taidevalokuvan aikaan Pro gradu -tutkielma 31.1.2012 Helsingin yliopisto Humanistinen tiedekunta Filosofian, historian,

Lisätiedot

Koht dialogia? Organisaation toimintaympäristön teemojen hallinta dynaamisessa julkisuudessa tarkastelussa toiminta sosiaalisessa mediassa

Koht dialogia? Organisaation toimintaympäristön teemojen hallinta dynaamisessa julkisuudessa tarkastelussa toiminta sosiaalisessa mediassa Kohtdialogia? Organisaationtoimintaympäristönteemojenhallinta dynaamisessajulkisuudessatarkastelussatoiminta sosiaalisessamediassa SatuMariaPusa Helsinginyliopisto Valtiotieteellinentiedekunta Sosiaalitieteidenlaitos

Lisätiedot

Luonnontieteiden popularisointi ja sen ideologia

Luonnontieteiden popularisointi ja sen ideologia Luonnontieteiden popularisointi ja sen ideologia Tapauksina Reino Tuokko ja Helsingin Sanomat 1960-luvulla Ahto Apajalahti Helsingin yliopisto Humanistinen tiedekunta Suomen ja Pohjoismaiden historia Pro

Lisätiedot

Hallintomallit Suomen valtionhallinnon tietohallintostrategioissa

Hallintomallit Suomen valtionhallinnon tietohallintostrategioissa Hallintomallit Suomen valtionhallinnon tietohallintostrategioissa Lauri Eloranta Helsingin yliopisto Valtiotieteellinen tiedekunta Viestintä Pro gradu -tutkielma, 2014 Hallintomallit)Suomen)valtionhallinnon)tietohallintostrategioissa

Lisätiedot

Tehostettu kisällioppiminen tietojenkäsittelytieteen ja matematiikan opetuksessa yliopistossa Thomas Vikberg

Tehostettu kisällioppiminen tietojenkäsittelytieteen ja matematiikan opetuksessa yliopistossa Thomas Vikberg Tehostettu kisällioppiminen tietojenkäsittelytieteen ja matematiikan opetuksessa yliopistossa Thomas Vikberg Matematiikan ja tilastotieteen laitos Tietojenkäsittelytieteen laitos Kisällioppiminen = oppipoikamestari

Lisätiedot

Sairaanhoitopiirien talouden ohjauksen tehokkuus

Sairaanhoitopiirien talouden ohjauksen tehokkuus Alpo Karila Sairaanhoitopiirien talouden ohjauksen tehokkuus Tutkimus sairaanhoitopiirien ohjausjärjestelmien toiminnasta, taloudellisista kannusteista ja kustannushallinnasta Alpo Karila 1 Miksi? - Kunnat

Lisätiedot

Monimutkaisesta datasta yksinkertaiseen päätöksentekoon. SAP Finug, Emil Ackerman, Quva Oy

Monimutkaisesta datasta yksinkertaiseen päätöksentekoon. SAP Finug, Emil Ackerman, Quva Oy Monimutkaisesta datasta yksinkertaiseen päätöksentekoon SAP Finug, 9.9.2015 Emil Ackerman, Quva Oy Quva Oy lyhyesti Quva kehittää innovatiivisia tapoja teollisuuden automaation lisäämiseksi Internetin

Lisätiedot

Teollisuuden digitalisaatio ja johdon ymmärrys kyvykkyyksistä

Teollisuuden digitalisaatio ja johdon ymmärrys kyvykkyyksistä Teollisuuden digitalisaatio ja johdon ymmärrys kyvykkyyksistä Markus Kajanto Teollisuuden digitalisaation myötä johdon käsitykset organisaation resursseista, osaamisesta ja prosesseista ovat avainasemassa

Lisätiedot

Taloushallinnon digitalisoituminen haaveilua ja arveluttavaa todellisuutta?

Taloushallinnon digitalisoituminen haaveilua ja arveluttavaa todellisuutta? Taloushallinnon digitalisoituminen haaveilua ja arveluttavaa todellisuutta? Työelämän tutkimuspäivät Työryhmä 32. Suomalaisen työn kiperimmät haasteet tulevaisuudessa Tampereen yliopisto 4.11.2016 Pirkko

Lisätiedot

Paikkaontologiat. Tomi Kauppinen ja Jari Väätäinen Aalto-yliopiston teknillinen korkeakoulu tomi.j.kauppinen at gmail.com

Paikkaontologiat. Tomi Kauppinen ja Jari Väätäinen Aalto-yliopiston teknillinen korkeakoulu tomi.j.kauppinen at gmail.com Paikkaontologiat Tomi Kauppinen ja Jari Väätäinen Aalto-yliopiston teknillinen korkeakoulu tomi.j.kauppinen at gmail.com Mihin tarvitaan paikkaontologioita? Jokainen meistä liittyy paikkoihin Esimerkkejä:

Lisätiedot

Prognos Julkaisusuunnitelmat

Prognos Julkaisusuunnitelmat Prognos Julkaisusuunnitelmat Työsuunnitelmiin liittyvien raporttien ja vuosiseminaarien lisäksi suunnitellut julkaisut Casejoryt 09/2005 & JR4 25.1.2005 päivitetty tilanne Casejoryt 04/2006 päivitetty

Lisätiedot

Käyttökokemuksen evaluoinnista käyttökokemuksen ohjaamaan suunnitteluun. ecommunication & UX SUMMIT 18.9.2013 Eija Kaasinen, VTT

Käyttökokemuksen evaluoinnista käyttökokemuksen ohjaamaan suunnitteluun. ecommunication & UX SUMMIT 18.9.2013 Eija Kaasinen, VTT Käyttökokemuksen evaluoinnista käyttökokemuksen ohjaamaan suunnitteluun ecommunication & UX SUMMIT 18.9.2013 Eija Kaasinen, VTT 2 Hyvä käyttökokemus Laadukas käyttökokemus Ylivoimainen käyttäjäkokemus

Lisätiedot

Missä mennään BI? Mikko Kontio

Missä mennään BI? Mikko Kontio Missä mennään BI? Mikko Kontio Source: EMC - Big Data in 2020 % Business Intelligence Business Analytics set of theories, methodologies, architectures, and technologies that transform raw data into meaningful

Lisätiedot

WEBINAARI 24.11.2015

WEBINAARI 24.11.2015 WEBINAARI 24.11.2015 Analytiikan hyödyntäminen markkinoinnissa Petri Mertanen, Super Analytics - @mertanen Jarno Wuorisalo, Cuutio - @jarnowu Tomi Grönfors, Brandfors - @groenforsmethod WEBINAARIN ISÄNNÄT

Lisätiedot

ARVOA PALVELUPROSESSIEN ANALYSOINNILLA

ARVOA PALVELUPROSESSIEN ANALYSOINNILLA ARVOA PALVELUPROSESSIEN ANALYSOINNILLA Työkalupäivät 31.8.2016 Ilkka Mikkonen Infotool Oy Taustat Ilkka Mikkonen Infotool - Toimitusjohtaja Konsultointia 25v Palveluiden ja tietotekniikan yhdistäjä Analytiikka,

Lisätiedot

Mitä taitoja tarvitaan tekstin ymmärtämisessä? -teorian kautta arkeen, A.Laaksonen

Mitä taitoja tarvitaan tekstin ymmärtämisessä? -teorian kautta arkeen, A.Laaksonen Mitä taitoja tarvitaan tekstin ymmärtämisessä? -teorian kautta arkeen, A.Laaksonen Lukemisen taitoja Tulisi kehittää kaikissa oppiaineissa Vastuu usein äidinkielen ja S2-opettajilla Usein ajatellaan, että

Lisätiedot

!"#$%&'$("#)*+,!!,"*--.$*#,&--#"*/".,,%0 1&'23456789::94752;&27455<:4;2;&,9:=>23?277<&8=@74;9&ABBCDABBE

!#$%&'$(#)*+,!!,*--.$*#,&--#*/.,,%0 1&'23456789::94752;&27455<:4;2;&,9:=>23?277<&8=@74;9&ABBCDABBE !"#$%&'$("#)*+,!!,"*--.$*#,&--#"*/".,,%0 1&'23456789::94752;&2745523?27747544H9;&IG@&JG9?=&15=5H42>:9 '28

Lisätiedot

Trialogisen oppimisen suunnitteluperiaatteet

Trialogisen oppimisen suunnitteluperiaatteet Trialogisen oppimisen suunnitteluperiaatteet Tekijät: Hanni Muukkonen, Minna Lakkala, Liisa Ilomäki ja Sami Paavola, Helsingin yliopisto 1 Suunnitteluperiaatteet trialogisen oppimisen pedagogiikalle 1.

Lisätiedot

Aineiston analyysin vaiheita ja tulkintaa käytännössä. LET.OULU.FI Niina Impiö Learning and Educational Technology Research Unit

Aineiston analyysin vaiheita ja tulkintaa käytännössä. LET.OULU.FI Niina Impiö Learning and Educational Technology Research Unit Aineiston analyysin vaiheita ja tulkintaa käytännössä LET.OULU.FI Niina Impiö 14.4.2010 Väitöskirjatutkimuksen tavoite Ymmärtää opettajayhteisöjen yhteisöllistä työskentely- ja toimintakulttuuria. Tutkia

Lisätiedot

TIEDONHAKU INTERNETISTÄ

TIEDONHAKU INTERNETISTÄ TIEDONHAKU INTERNETISTÄ Internetistä löytyy hyvin paljon tietoa. Tietoa ei ole mitenkään järjestetty, joten tiedonhaku voi olla hankalaa. Tieto myös muuttuu jatkuvasti. Tänään tehty tiedonhaku ei anna

Lisätiedot

10 yleistä hakukoneoptimointivirhettä

10 yleistä hakukoneoptimointivirhettä 10 yleistä hakukoneoptimointivirhettä Markus Ossi SEO Technician Klikkicom 2011-05-26 2 Henkilökuva Markus Ossi 32 vuotias ekonomi Tehnyt hakukoneoptimointia vuodesta 1998 Hakukoneoptimointiteknikk o Klikkicomissa

Lisätiedot

Mobiilit käyttöliittymät lääkitystietoon

Mobiilit käyttöliittymät lääkitystietoon Mobiilit käyttöliittymät lääkitystietoon Katja Leiviskä, Harri Oinas-Kukkonen, Teppo Räisänen Oulun yliopisto, Tietojenkäsittelytieteiden laitos katja.leiviska@oulu.fi, harri.oinas-kukkonen@oulu.fi, teppo.raisanen@oulu.fi

Lisätiedot

Tietokannan eheysrajoitteet ja niiden määrittäminen SQL-kielellä

Tietokannan eheysrajoitteet ja niiden määrittäminen SQL-kielellä hyväksymispäivä arvosana arvostelija Tietokannan eheysrajoitteet ja niiden määrittäminen SQL-kielellä Tuomas Husu Helsinki 20.2.2010 HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Sisältö i 1 Johdanto

Lisätiedot

Tuotekehitysverkoston läpimenoajan lyhentäminen tuotemuutostenhallinnalla ja verkoston tietojärjestelmien integroinnilla

Tuotekehitysverkoston läpimenoajan lyhentäminen tuotemuutostenhallinnalla ja verkoston tietojärjestelmien integroinnilla Tuotekehitysverkoston läpimenoajan lyhentäminen tuotemuutostenhallinnalla ja verkoston tietojärjestelmien integroinnilla Yhteenveto NetData-tutkimusprojektin tuloksista http://www.soberit.hut.fi/netdata/

Lisätiedot

Liikkuvien työkoneiden etäseuranta

Liikkuvien työkoneiden etäseuranta Liikkuvien työkoneiden etäseuranta TAMK IoT Seminaari 14.4.2016 2 1) IoT liiketoiminnan tukena 2) Iot ja liikkuvat työkoneet 3) Case esimerkit 4) Yhteenveto, johtopäätökset, tulevaisuuden näkymät Cinia

Lisätiedot

925 Design on paremman työelämän suunnittelutoimisto

925 Design on paremman työelämän suunnittelutoimisto 925 Design on paremman työelämän suunnittelutoimisto Hanke-esittely: Luovan yrityskulttuurin rakentaminen 925 DESIGN 7.3.2014 Yrityksestämme KESTÄVÄ KILPAILUKYKY VAATII ROHKEAA AJATTELUA, FIKSUJA TYÖNTEKEMISEN

Lisätiedot

Mammutti vai elefantti?

Mammutti vai elefantti? Mammutti vai elefantti? Tänään tarjolla Arkkitehtuuri - baseline Esittelyssä Elefantti ylhäältä ja alhaalta teoriaa ja kokemuksia Elefantti vs. Mammutti Kuka vie peliä ja millä säännöillä Meidän esimerkki

Lisätiedot

Otannasta ja mittaamisesta

Otannasta ja mittaamisesta Otannasta ja mittaamisesta Tilastotiede käytännön tutkimuksessa - kurssi, kesä 2001 Reijo Sund Aineistot Kvantitatiivisen tutkimuksen aineistoksi kelpaa periaatteessa kaikki havaintoihin perustuva informaatio,

Lisätiedot

Pitkäaikaistallennus. CSC - Tieteen tietotekniikan keskus IT2008 Ari Lukkarinen

Pitkäaikaistallennus. CSC - Tieteen tietotekniikan keskus IT2008 Ari Lukkarinen Pitkäaikaistallennus CSC - Tieteen tietotekniikan keskus IT2008 Ari Lukkarinen Mitä on pitkäaikaistallennus? Tiedon tallennuksen aikajänne ylittää tallennusjärjestelmän sekä laite-että ohjelmistokomponenttien

Lisätiedot

KURKISTUS ÄLYKKÄÄN MARKKINOINNIN MAAILMAAN. Kuinka tiedolla johdettu markkinointi nähdään Suomessa?

KURKISTUS ÄLYKKÄÄN MARKKINOINNIN MAAILMAAN. Kuinka tiedolla johdettu markkinointi nähdään Suomessa? 1 KURKISTUS ÄLYKKÄÄN MARKKINOINNIN MAAILMAAN Kuinka tiedolla johdettu markkinointi nähdään Suomessa? Aiemman tutkimuksemme* mukaan markkinoinnin johtaminen tiedolla parantaa markkinoinnin tuottoastetta

Lisätiedot

arvostelija Turvallisuuskriittisissä, sulautetuissa järjestelmissä esiintyvien ohjelmistovaatimusten virheanalyysi Jarkko-Juhana Sievi

arvostelija Turvallisuuskriittisissä, sulautetuissa järjestelmissä esiintyvien ohjelmistovaatimusten virheanalyysi Jarkko-Juhana Sievi hyväksymispäivä arvosana arvostelija Turvallisuuskriittisissä, sulautetuissa järjestelmissä esiintyvien ohjelmistovaatimusten virheanalyysi Jarkko-Juhana Sievi Helsinki 6.4.2005 HELSINGIN YLIOPISTO Tietojenkäsittelytieteen

Lisätiedot

Tekoäly ja oppivat hoitojärjestelmät Sairaanhoitopiirien kyberturvallisuusseminaari KTT Jouni Leinonen, IBM

Tekoäly ja oppivat hoitojärjestelmät Sairaanhoitopiirien kyberturvallisuusseminaari KTT Jouni Leinonen, IBM Tekoäly ja oppivat hoitojärjestelmät Sairaanhoitopiirien kyberturvallisuusseminaari 19.10.2016 KTT Jouni Leinonen, IBM Thomas J. Watson ja kuuluisa slogan Tekoälyn määrittelyä Tekoäly eli keinoäly on tietokone

Lisätiedot

Viisi vinkkiä tasokkaaseen tiedolla johtamiseen ja parempaan asiakasymmärrykseen

Viisi vinkkiä tasokkaaseen tiedolla johtamiseen ja parempaan asiakasymmärrykseen Viisi vinkkiä tasokkaaseen tiedolla johtamiseen ja parempaan asiakasymmärrykseen Big Data Solutions Oy 2017 VIISI VINKKIÄ TASOKKAASEEN TIEDOLLA JOHTAMISEEN JA PAREMPAAN ASIAKASYMMÄRRYKSEEN Basware on maailman

Lisätiedot

Tietojenkäsittelytieteen pääaine Pääaineinfo ke

Tietojenkäsittelytieteen pääaine Pääaineinfo ke Tietojenkäsittelytieteen pääaine Pääaineinfo ke Pekka Orponen Tietojenkäsittelytieteen laitos Aalto-yliopisto http://ics.aalto.fi/ Tietojenkäsittelytiede Kehitetään systemaattisia ja tehokkaita malleja

Lisätiedot

Kuntatieto-ohjelma. Nykytilan analyysin tiivistelmä Versio: 1.0. Laatija: Pentti Kurki

Kuntatieto-ohjelma. Nykytilan analyysin tiivistelmä Versio: 1.0. Laatija: Pentti Kurki Kuntatieto-ohjelma Nykytilan analyysin tiivistelmä 25.6.2014 Versio: 1.0 Laatija: Pentti Kurki Kuntatieto-ohjelma nykytila tiivistelmä 25.6.2014 2 (7) Sisällys 1. Dokumentin tarkoitus... 3 2. Kuntien ulkoisen

Lisätiedot

Opetusesimerkki hiukkasfysiikan avoimella datalla: CMS Masterclass 2014

Opetusesimerkki hiukkasfysiikan avoimella datalla: CMS Masterclass 2014 Opetusesimerkki hiukkasfysiikan avoimella datalla: CMS Masterclass 2014 CERN ja LHC LHC-kiihdytin ja sen koeasemat sijaitsevat 27km pitkässä tunnelissa noin 100 m maan alla Ranskan ja Sveitsin raja-alueella.

Lisätiedot

OpenUP ohjelmistokehitysprosessi

OpenUP ohjelmistokehitysprosessi OpenUP ohjelmistokehitysprosessi Sami Männistö Helsinki 14.11.2008 Seminaari HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos i HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET Tiedekunta/Osasto Matemaattis-luonnontieteellinen

Lisätiedot

Ryhmäfaktorianalyysi neurotiedesovelluksissa (Valmiin työn esittely) Sami Remes Ohjaaja: TkT Arto Klami Valvoja: Prof.

Ryhmäfaktorianalyysi neurotiedesovelluksissa (Valmiin työn esittely) Sami Remes Ohjaaja: TkT Arto Klami Valvoja: Prof. Ryhmäfaktorianalyysi neurotiedesovelluksissa (Valmiin työn esittely) Sami Remes 11.06.2012 Ohjaaja: TkT Arto Klami Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla

Lisätiedot

Hyvän työelämän eväät - Johtamisella vaikutetaan jaksamiseen

Hyvän työelämän eväät - Johtamisella vaikutetaan jaksamiseen Hyvän työelämän eväät - Johtamisella vaikutetaan jaksamiseen Juha Sipilä Hyvinvointia työelämään -seminaari 12.10.2013 Kaikki alkaa ajatuksesta Luomisen prosessi koostuu kolmesta osatekijästä: 1) Kaikki

Lisätiedot

Informaatiovirtojen rakenteellinen muutos. Somus työpaja Kari A. Hintikka, Jyväskylän yliopisto

Informaatiovirtojen rakenteellinen muutos. Somus työpaja Kari A. Hintikka, Jyväskylän yliopisto Informaatiovirtojen rakenteellinen muutos Somus työpaja 9.2.2009 Kari A. Hintikka, Jyväskylän yliopisto Organisaation vakiintunut toimintamalli: hierarkinen projekti QuickTime ja pakkauksen purkuohjelma

Lisätiedot

Automaattinen semanttinen annotointi

Automaattinen semanttinen annotointi Automaattinen semanttinen annotointi Matias Frosterus, Reetta Sinkkilä, Katariina Nyberg Semantic Computing Research Group (SeCo) School of Science and Technology, Department of Media Technology and University

Lisätiedot

Kvalitatiivinen analyysi. Henri Huovinen, analyytikko Osakesäästäjien Keskusliitto ry

Kvalitatiivinen analyysi. Henri Huovinen, analyytikko Osakesäästäjien Keskusliitto ry Henri Huovinen, analyytikko Osakesäästäjien Keskusliitto ry Laadullinen eli kvalitatiiivinen analyysi Yrityksen tutkimista ei-numeerisin perustein, esim. yrityksen johdon osaamisen, toimialan kilpailutilanteen

Lisätiedot

Palvelun versio 1.0 Toimeenpanopalvelun tunnus (ks. M ) 10fea, 9c2f, 4760, 9095, f4f9295f4b19

Palvelun versio 1.0 Toimeenpanopalvelun tunnus (ks. M ) 10fea, 9c2f, 4760, 9095, f4f9295f4b19 1 5. Luokittamispalvelu 5.1. Palveluinformaatio Palvelun nimi Luokittamispalvelu Palvelun versio 1.0 Toimeenpanopalvelun tunnus (ks. M14.4.42) 10fea, 9c2f, 4760, 9095, f4f9295f4b19 5.2 Avainkäsitteet 5.2.1

Lisätiedot

REKRYTOIJA, VÄLTÄ NÄMÄ 5 YLEISTÄ VIRHETTÄ

REKRYTOIJA, VÄLTÄ NÄMÄ 5 YLEISTÄ VIRHETTÄ REKRYTOIJA, VÄLTÄ NÄMÄ 5 YLEISTÄ VIRHETTÄ OPAS Pro-Sourcen asiantuntijat Markku Kaijala ja Lasse Pehto kertovat, miten vältät viisi kardinaalivirhettä rekrytoinnissa. VIRHE 1: ET OIKEASTI TIEDÄ, MITÄ ETSIT

Lisätiedot

ESIPUHE... 3 SISÄLLYSLUETTELO... 4 1. JOHDANTO... 6

ESIPUHE... 3 SISÄLLYSLUETTELO... 4 1. JOHDANTO... 6 Sisällysluettelo ESIPUHE... 3 SISÄLLYSLUETTELO... 4 1. JOHDANTO... 6 2. LAADULLISEN TUTKIMUKSEN KÄSITTEITÄ... 9 1.1 TUTKIMUKSEN TEKEMISEN TAUSTAFILOSOFIAT... 10 1.2 LAADULLINEN TUTKIMUS VS. MÄÄRÄLLINEN

Lisätiedot

Tutkittua tietoa. Tutkittua tietoa 1

Tutkittua tietoa. Tutkittua tietoa 1 Tutkittua tietoa T. Dybå, T. Dingsøyr: Empirical Studies of Agile Software Development : A Systematic Review. Information and Software Technology 50, 2008, 833-859. J.E. Hannay, T. Dybå, E. Arisholm, D.I.K.

Lisätiedot

Tehokkuushyötyjä digitaalisesta liikenteestä? Hyötyjinä käyttäjät, yritykset ja suunnittelijat

Tehokkuushyötyjä digitaalisesta liikenteestä? Hyötyjinä käyttäjät, yritykset ja suunnittelijat Tehokkuushyötyjä digitaalisesta liikenteestä? Hyötyjinä käyttäjät, yritykset ja suunnittelijat Digi Roadshow Kuopio 23.4.2015 Jaakko Rintamäki Ympäristösi parhaat tekijät Sito? 2 Infrajohtamisen konsultointi

Lisätiedot

Indoor Environment 2011-2015

Indoor Environment 2011-2015 Indoor Environment 2011-2015 18.4.2013 Risto Kosonen Ohjelma on investointinäkökulmasta edennyt pääosin suunnitelman mukaisesti Työpaketti Kumulatiiviset kustannukset 1.5.2011 31.8.2012 Kumulatiiviset

Lisätiedot

TietoEnator Pilot. Ari Hirvonen. TietoEnator Oyj. Senior Consultant, Ph. D. (Economics) presentation TietoEnator 2003 Page 1

TietoEnator Pilot. Ari Hirvonen. TietoEnator Oyj. Senior Consultant, Ph. D. (Economics) presentation TietoEnator 2003 Page 1 TietoEnator Pilot Ari Hirvonen Senior Consultant, Ph. D. (Economics) TietoEnator Oyj presentation TietoEnator 2003 Page 1 Sallikaa minun kysyä, mitä tietä minun tulee kulkea? kysyi Liisa. Se riippuu suureksi

Lisätiedot

Tulevaisuuden kaukolämpöasuinalueen energiaratkaisut (TUKALEN) Loppuseminaari

Tulevaisuuden kaukolämpöasuinalueen energiaratkaisut (TUKALEN) Loppuseminaari Tulevaisuuden kaukolämpöasuinalueen energiaratkaisut (TUKALEN) Loppuseminaari 16.10.2014 Projektin yhteenveto Jari Shemeikka Projektin osatehtäväkokonaisuudet Pientalokaukolämmön kilpailukyvyn parantaminen

Lisätiedot

Tietokantajärjestelmien tulevaisuuden haasteet. Jan Lindström

Tietokantajärjestelmien tulevaisuuden haasteet. Jan Lindström Tietokantajärjestelmien tulevaisuuden haasteet Jan Lindström 1 Lähteet: "One Size Fits All": An Idea Whose Time Has Come and Gone,Michael Stonebraker (EECS Dept., M.I.T. and StreamBase Systems, Inc.),

Lisätiedot

Seminaari: HL7 versio 2

Seminaari: HL7 versio 2 hyväksymispäivä arvosana arvostelija Seminaari: HL7 versio 2 Markus Koski Helsinki 29.9.2014 HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF

Lisätiedot

AV-muotojen migraatiotyöpaja - ääni. KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen

AV-muotojen migraatiotyöpaja - ääni. KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen AV-muotojen migraatiotyöpaja - ääni KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen Äänimuodot Ääneen vaikuttavia asioita Taajuudet Äänen voimakkuus Kanavien määrä Näytteistys Bittisyvyys

Lisätiedot

Paula Eerola 17.1.2012

Paula Eerola 17.1.2012 Suomalainen tutkimus LHC:llä Paula Eerola Fysiikan laitos ja Fysiikan tutkimuslaitostki it 17.1.2012 Mikä on LHC? LHC Large Hadron Collider Suuri Hiukkastörmäytin on CERN:ssä sijaitseva it kiihdytin, toiminnassa

Lisätiedot

Innovation Thursday Helsinki 7.4.2016 Pirjo Rinnepelto

Innovation Thursday Helsinki 7.4.2016 Pirjo Rinnepelto Puhdas teknologia liiketoiminnan ja innovaatioiden lähtökohtana Innovation Thursday Helsinki 7.4.2016 Pirjo Rinnepelto Esityksen sisältö Cleantech Suomessa missä mennään ja vieläkö mahtuu mukaan? Caset:

Lisätiedot

Henkilötietosuojattu data

Henkilötietosuojattu data Henkilötietosuojattu data Päivi Timonen Johtaja Kuluttajatutkimuskeskus Valtiotieteellinen tiedekunta / Päivi Timonen/ henkilötietosuojattu data www.helsinki.fi/yliopisto 7.2.2017 1 Lähtökohtana henkilöt

Lisätiedot

Kuinka rakentaa globaaleja verkostoja - kommenttipuheenvuoro

Kuinka rakentaa globaaleja verkostoja - kommenttipuheenvuoro Suomalaiset pk-yritykset kasvavat globaalissa taloudessa 25.11.2008 Kuinka rakentaa globaaleja verkostoja - kommenttipuheenvuoro Tuija Mainela, professori, KTT Oulun yliopisto, Markkinoinnin laitos Kansainvälistyminen

Lisätiedot

W3C ja Web-teknologiat

W3C ja Web-teknologiat W3C ja Web-teknologiat Ossi Nykänen Tampereen teknillinen yliopisto (TTY), Digitaalisen median instituutti (DMI), W3C Suomen toimisto World Wide Web Consortium (W3C) W3C kehittää yhteensopivia teknologioita

Lisätiedot

Analyysiraporttien kirjoittaminen SYN:n bibliometriikkaseminaari 2, Julkaisutoiminnan arviointi. Tampereen teknillinen yliopisto

Analyysiraporttien kirjoittaminen SYN:n bibliometriikkaseminaari 2, Julkaisutoiminnan arviointi. Tampereen teknillinen yliopisto Analyysiraporttien kirjoittaminen SYN:n bibliometriikkaseminaari 2, Julkaisutoiminnan arviointi Leena Huiku Tampereen teknillinen yliopisto 12.3.2013 TTY:n tutkimuksen arviointi TUT RAE 2010-2011 2 5 paneelia,

Lisätiedot

Mitä Uutta - SURFCAM V5.1 Sisällysluettelo

Mitä Uutta - SURFCAM V5.1 Sisällysluettelo VER CAD/CAM Software with world class precision and control... Mitä uutta Mitä Uutta - SURFCAM V5.1 Sisällysluettelo 1) Parannettu muistinhallinta 32 ja 64 bitin järjestelmissä 3 2) Konesimulointi Optio

Lisätiedot

Kyselytutkimus. Yleistä lomakkeen laadinnasta ja kysymysten tekemisestä - 1. Yleistä lomakkeen laadinnasta ja kysymysten tekemisestä - 2

Kyselytutkimus. Yleistä lomakkeen laadinnasta ja kysymysten tekemisestä - 1. Yleistä lomakkeen laadinnasta ja kysymysten tekemisestä - 2 Kyselytutkimus Graduryhmä kevät 2008 Leena Hiltunen 29.4.2008 Yleistä lomakkeen laadinnasta ja kysymysten tekemisestä - 1 Kysymysten tekemisessä kannattaa olla huolellinen, sillä ne luovat perustan tutkimuksen

Lisätiedot

Web-palvelut ja niihin kohdistuneiden poikkeavuuksien tunnistamisen. Harri Mäkelä

Web-palvelut ja niihin kohdistuneiden poikkeavuuksien tunnistamisen. Harri Mäkelä Web-palvelut ja niihin kohdistuneiden poikkeavuuksien tunnistamisen Harri Mäkelä Aiheet Yleiset asiat ja tutkimuskysymys Johdanto Web-palvelun tietoturvaan Sisällysluettelo Teoria Testausympäristö Mitä

Lisätiedot

Jussi Eerikäinen, 2014

Jussi Eerikäinen, 2014 Ennakointi on kuin shakin peluuta. Pelaajan on ennakoitava vastustajan tulevia siirtoja ja tehtävä valintoja, jotka saattavat muuttua jo seuraavien siirtojen aikana. Tavoitteena, visiona, on vastustajan

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon

Lisätiedot

Joki, puhu minulle. Global Mobile Innovation Manager

Joki, puhu minulle. Global Mobile Innovation Manager Joki, puhu minulle Jussi Kivipuro Global Mobile Innovation Manager Kolme väitettä Katse kokonaisuuteen Ilmastonmuutos, väestönkasvu, vesi ja muut resurssit Ei tippakaan hukattavaksi Anything that can be

Lisätiedot

Mittariston laatiminen laatutyöhön

Mittariston laatiminen laatutyöhön Mittariston laatiminen laatutyöhön Perusopetuksen laatukriteerityö Vaasa 18.9.2012 Tommi Karjalainen Opetus- ja kulttuuriministeriö Millainen on hyvä mittaristo? Kyselylomaketutkimuksen vaiheet: Aiheen

Lisätiedot

S Ihminen ja tietoliikennetekniikka. Syksy 2005, laskari 1

S Ihminen ja tietoliikennetekniikka. Syksy 2005, laskari 1 Syksy 2005, laskari 1 Sisältö Tarvekartoituksen periaatteet Tutkimusmenetelmät Raportin laatiminen Tehtävä Kirjaa ylös: mitä tarvekartoituksen menetelmiä tunnet? Mitä hyötyjä tai haasteita tiedät niihin

Lisätiedot

Metatieto mihin ja miten? Juha Hakala Helsingin yliopiston kirjasto juha.hakala@helsinki.fi

Metatieto mihin ja miten? Juha Hakala Helsingin yliopiston kirjasto juha.hakala@helsinki.fi Metatieto mihin ja miten? Juha Hakala Helsingin yliopiston kirjasto juha.hakala@helsinki.fi Sisältö Metatiedon määrittely Metatiedon käytöstä Metatietoformaatit MARC, Dublin Core, IEEE LOM Elektronisten

Lisätiedot

Integrointialgoritmit molekyylidynamiikassa

Integrointialgoritmit molekyylidynamiikassa Integrointialgoritmit molekyylidynamiikassa Markus Ovaska 28.11.2008 Esitelmän kulku MD-simulaatiot yleisesti Integrointialgoritmit: mitä integroidaan ja miten? Esimerkkejä eri algoritmeista Hyvän algoritmin

Lisätiedot

Päivitetty 9.5.2012. Text Mining -käyttöopas

Päivitetty 9.5.2012. Text Mining -käyttöopas Päivitetty 9.5.2012 Text Mining -käyttöopas WEBROPOL ANALYTICS: TEXT MINING Mitä tarkoittaa kun asiakkaat tai henkilöstö antavat arvosanan 3.1 o Keskiarvoa informatiivisempaa ovat taustalla olevat syyt

Lisätiedot

Energiajärjestelmän haasteet ja liikenteen uudet ratkaisut

Energiajärjestelmän haasteet ja liikenteen uudet ratkaisut Energiajärjestelmän haasteet ja liikenteen uudet ratkaisut Vihreä moottoritie foorumi 18.8.2010, Fortum, Espoo Petra Lundström Vice President, CTO Fortum Oyj Kolme valtavaa haastetta Energian kysynnän

Lisätiedot

Teollinen markkinointi ja kansainvälinen liiketoiminta. Pääaineen esittely

Teollinen markkinointi ja kansainvälinen liiketoiminta. Pääaineen esittely Teollinen markkinointi ja kansainvälinen liiketoiminta Pääaineen esittely Teollinen markkinointi ja kansainvälinen liiketoiminta Pääaineen opiskelijat käyvät sekä markkinoinnin että kansainvälisen liiketoiminnan

Lisätiedot

Maksullisuuden vaikutuksia

Maksullisuuden vaikutuksia Maksullisuuden vaikutuksia Case: Lappeenrannan teknillinen yliopisto (LUT) Professori Minna Martikainen Vararehtori (kansainvälisyys) Lappeenrannan teknillinen yliopisto LUT ja lukukausimaksut 2011-2012

Lisätiedot

Carat-projekti: Tutkimuspohjaista tietoa mobiilikäytöstä

Carat-projekti: Tutkimuspohjaista tietoa mobiilikäytöstä Carat-projekti: Tutkimuspohjaista tietoa mobiilikäytöstä Eemil Lagerspetz, Ella Peltonen, Jonatan Hamberg, Petteri Nurmi, prof. Sasu Tarkoma NODES-ryhmä, Tietojenkäsittelytieteen laitos Esityksen rakenne

Lisätiedot

VIESTINTÄSUUNNITELMA CITIZEN MINDSCAPES TUTKIMUSRYHMÄLLE

VIESTINTÄSUUNNITELMA CITIZEN MINDSCAPES TUTKIMUSRYHMÄLLE VIESTINTÄSUUNNITELMA CITIZEN MINDSCAPES TUTKIMUSRYHMÄLLE Joulukuu 2015 Mira Matilainen LÄHTÖKOHDAT Kohderyhmät: Rahoittajat, tutkijakollegat, muut sosiaalisen median tutkimuksesta ja hankkeesta kiinnostuneet

Lisätiedot

FYSP101/K1 KINEMATIIKAN KUVAAJAT

FYSP101/K1 KINEMATIIKAN KUVAAJAT FYSP101/K1 KINEMATIIKAN KUVAAJAT Työn tavoitteita tutustua kattavasti DataStudio -ohjelmiston käyttöön syventää kinematiikan kuvaajien (paikka, nopeus, kiihtyvyys) hallintaa oppia yhdistämään kinematiikan

Lisätiedot

6 TARKASTELU. 6.1 Vastaukset tutkimusongelmiin

6 TARKASTELU. 6.1 Vastaukset tutkimusongelmiin 173 6 TARKASTELU Hahmottavassa lähestymistavassa (H-ryhmä) käsitteen muodostamisen lähtökohtana ovat havainnot ja kokeet, mallintavassa (M-ryhmä) käsitteet, teoriat sekä teoreettiset mallit. Edellinen

Lisätiedot

ARTIVA-seminaari

ARTIVA-seminaari ARTIVA-seminaari 5.2.2014 Open Journal Systems on Public Knowledge Projectin (PKP) kehittämä avoin julkaisujärjestelmä, joka sisältää koko julkaisun toimitusprosessin käsikirjoituksen tarjoamisesta valmiiseen

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

Sosiaalinen media tietolähteenä:

Sosiaalinen media tietolähteenä: Sosiaalinen media tietolähteenä: - Esimerkkejä Suomesta ja maailmalta - Paikkamuistojen joukkoistaminen Nikkilässä Pilvi Nummi tohtorikoulutettava, Aalto-yliopisto / kaavoitusarkkitehti, Sipoon kunta Some-data

Lisätiedot

MITÄ JA MIKSI IHMISET OSTAVAT

MITÄ JA MIKSI IHMISET OSTAVAT MITÄ JA MIKSI IHMISET OSTAVAT Johdanto Mahdollisuus koputtaa harvoin ovellesi. Koputa sen sijaan mahdollisuuden ovea, jos toivot pääseväsi sisään. J okaisen myyjän on hyvä tiedostaa miten ja miksi pitää

Lisätiedot

Viestinnän mentelmät I: sisällön erittely. Sisällönanalyysi/sisällön erittely. Sisällön erittely. Juha Herkman

Viestinnän mentelmät I: sisällön erittely. Sisällönanalyysi/sisällön erittely. Sisällön erittely. Juha Herkman Viestinnän mentelmät I: sisällön erittely Juha Herkman 10.1.008 Helsingin yliopisto, viestinnän laitos Sisällönanalyysi/sisällön erittely Sisällönanalyysi (SA), content analysis Veikko Pietilä: Sisällön

Lisätiedot

Kari Rouvinen Johtaja, Technology Products & Solutions. Oracle Finland Oy

Kari Rouvinen Johtaja, Technology Products & Solutions. Oracle Finland Oy Kari Rouvinen Johtaja, Technology Products & Solutions Oracle Finland Oy Puolimatkassa Fusioniin Yritysostoja Collaxa Kesäkuu 2004 Prosessi-integraatio ohjelmisto PeopleSoft Tammikuu 2005 Yritysohjelmisto

Lisätiedot

Tekniikka Informaatio Asiayhteys Laumaeläin Ihminen

Tekniikka Informaatio Asiayhteys Laumaeläin Ihminen Päätöksenteko Uskalla tehdä toisin Ari & Mona Riabacke Tekniikka Informaatio Asiayhteys Laumaeläin Ihminen Talentum Helsinki 2015 Ruotsinkielinen alkuperäisteos: Beslutspyramiden: stegen till klokare beslut

Lisätiedot

Sulautuva, aktivoiva opetus

Sulautuva, aktivoiva opetus Sulautuva, aktivoiva opetus Taina Joutsenvirta Ohjelma.. Mitä on sulautuva opetus? Miten suunnitella sulautuvaa, aktivoivaa opetusta? Oppimistehtävien pohdintaa Blended learning Sulautuva opetus Sulautuva

Lisätiedot

WEBINAARI Mitä Tag Management on käytännössä ja miten se vaikuttaa analytiikkaan?

WEBINAARI Mitä Tag Management on käytännössä ja miten se vaikuttaa analytiikkaan? WEBINAARI 7.4.2016 Mitä Tag Management on käytännössä ja miten se vaikuttaa analytiikkaan? Petri Mertanen, Super Analytics - @mertanen Jarno Wuorisalo, Cuutio - @jarnowu Tomi Grönfors, Brandfors - @groenforsmethod

Lisätiedot

Tekesin rooli teollisuuden palveluliiketoiminnan uudistamisessa

Tekesin rooli teollisuuden palveluliiketoiminnan uudistamisessa Tekesin rooli teollisuuden palveluliiketoiminnan uudistamisessa Lauri Ala-Opas Tekes 21.3.2013 Rahoituspäätökset teollisuuteen ja palveluihin Miljoonaa euroa 200 Palvelut 150 Teollisuus 100 Muut toimialat

Lisätiedot

Havainto uudesta 125 GeV painavasta hiukkasesta

Havainto uudesta 125 GeV painavasta hiukkasesta Havainto uudesta 125 GeV painavasta hiukkasesta CMS-koe CERN 4. heinäkuuta 2012 Yhteenveto CERNin Large Hadron Collider (LHC) -törmäyttimen Compact Muon Solenoid (CMS) -kokeen tutkijat ovat tänään julkistaneet

Lisätiedot

Ethical Leadership and Management symposium

Ethical Leadership and Management symposium www.laurea.fi Ethical Leadership and Management symposium Hyvinvointipalvelut ekosysteemien tietojen mallintaminen 6.10.2016 Dos. Jorma Jokela 2 3 MORFEUS hanke WORKSHOP työskentelyn taustalla yliopettaja

Lisätiedot

Projektin suunnittelu. Pienryhmäopetus - 71A00300

Projektin suunnittelu. Pienryhmäopetus - 71A00300 Projektin suunnittelu Pienryhmäopetus - 71A00300 Projektikanvaasi Mikä on projektikanvaasi? Visuaalinen työkalu projektitiimille, joka helpottaa projektin suunnittelussa ja projektin tavoitteiden kommunikaatiossa

Lisätiedot

Cover letter and responses to reviewers

Cover letter and responses to reviewers Cover letter and responses to reviewers David E. Laaksonen, MD, PhD, MPH Department of Medicine Kuopio University Hospital Kuopio, Finland Luennon sisältö Peer review Vinkit vastineiden kirjoittamista

Lisätiedot

BIM Suunnittelun ja rakentamisen uusiutuvat toimintatavat Teppo Rauhala

BIM Suunnittelun ja rakentamisen uusiutuvat toimintatavat Teppo Rauhala BIM Suunnittelun ja rakentamisen uusiutuvat toimintatavat Teppo Rauhala Proxion 19.10.2015 Proxion BIM historiikkia Kehitystyö lähtenyt rakentamisen tarpeista Työkoneautomaatio alkoi yleistymään 2000 luvulla

Lisätiedot

pandia Business Intelligence Asuinkiinteistöjen omistajille Pandia Oy Sinikalliontie Espoo

pandia Business Intelligence Asuinkiinteistöjen omistajille Pandia Oy Sinikalliontie Espoo pandia Business Intelligence Asuinkiinteistöjen omistajille contact@pandia.fi puh: 09 549 194 69 fax: 09 584 414 10 Pandia Oy Sinikalliontie 14 02630 Espoo PANDIA REAL ESTATE KERÄÄ JA JALOSTAA TIETOA Kirjanpidon

Lisätiedot

Rekisterit tutkimusaineistona: tieteenfilosofis-metodologiset lähtökohdat

Rekisterit tutkimusaineistona: tieteenfilosofis-metodologiset lähtökohdat Reijo Sund Rekisterit tutkimusaineistona: tieteenfilosofis-metodologiset lähtökohdat Rekisterit tutkimuksen apuvälineenä kurssi, Biomedicum, Helsinki 25.05.2009 Kevät 2009 Rekisterit tutkimusaineistona

Lisätiedot

Leader Manager Yksilöllinen palaute: Pat Jones

Leader Manager Yksilöllinen palaute: Pat Jones Pat Jones 901-3035, 10009 Päiväys: 29.1.2013 : Pat Jones Tämä raportti sisältää arviointeja henkilöstä: 1 Itse 2 Esimies Copyright ã All rights reserved. 2006-2008 Wilson Learning Worldwide Inc. Wilson

Lisätiedot

Teknologioilla tuottavuutta. VR Track Oy Ville Saksi

Teknologioilla tuottavuutta. VR Track Oy Ville Saksi Teknologioilla tuottavuutta VR Track Oy Ville Saksi 8.4.2014 Miten tuottavasti muutos tapahtuu Nykyiset prosessit eivät ole kaikista tuottavampia käytettäville ja kehitysvaiheessa oleville teknologioille.

Lisätiedot

ArcInfo, Uusi ulottuvuus hitsauskoulutukseen. ArcInfo UUSI ULOTTUVUUS HITSAUSKOULUTUKSEEN (6)

ArcInfo, Uusi ulottuvuus hitsauskoulutukseen. ArcInfo UUSI ULOTTUVUUS HITSAUSKOULUTUKSEEN (6) ArcInfo UUSI ULOTTUVUUS HITSAUSKOULUTUKSEEN 1(6) WEB-POHJAINEN TYÖKALU HITSAUSPARAMETRIDATAN ANALYSOINTIIN Oletko koskaan kaivannut perustasoista, käyttäjäystävällistä työkalua hitsausdatan tarkkaan analysointiin?

Lisätiedot

Miten teollinen internet voi mullistaa liiketoimintasi

Miten teollinen internet voi mullistaa liiketoimintasi Miten teollinen internet voi mullistaa liiketoimintasi Tulevaisuusfoorumi Koli 5.11.2015 Kaija Pöysti Mikä Teollinen internet? Älykkäät tehtaat tuottavat älykkäitä tuotteita ja palveluja Tuottavuuden

Lisätiedot

Ennakoiva analytiikka liiketoiminnassa

Ennakoiva analytiikka liiketoiminnassa Ennakoiva analytiikka liiketoiminnassa Askeleet edelläkävijäksi Tommi Vilkamo Senior Data Scientist, ecraft Referre Roundtable -ilmoittautujat tänään Muut Ennakoiva analytiikka TEKOÄLY KONEOPPIMINEN ENNAKOIVA

Lisätiedot

Nuoret, sosiaalinen media/internet ja luotettavuus Kvalitatiivinen tutkimus Hanna Vesa ja Matias Kuosmanen

Nuoret, sosiaalinen media/internet ja luotettavuus Kvalitatiivinen tutkimus Hanna Vesa ja Matias Kuosmanen Nuoret, sosiaalinen media/internet ja luotettavuus Kvalitatiivinen tutkimus Hanna Vesa ja Matias Kuosmanen Nuorten internetissä ja somessa kuluttamat sisällöt Nuorten netin käytössä korostuvat erilaiset

Lisätiedot