Kaupalliset yritykset julkaisevat runsaasti erilaisia tutkimuksia data-analytiikan vaikutuksista yritysten liiketoimintaan. Wamba (2015, s. 234-235) toteaa julkaisussaan, että big datan todellisista hyödyistä on tehty hyvin vähän empiirisiä tutkimuksia. Vähäisistä julkaisuista johtuen tässä luvussa hyödynnämme myös kaupallisten yritysten tarjoamia tilastoja big datan käytöstä ja sen tuomista hyödyistä.
Big datan vaikutukset liiketoimintamalliin
Liiketoimintamalli voidaan jakaa yhdeksään osa-alueeseen tarkastelun helpottamiseksi (Osterwalder & Pigneur, 2010). Jokaista osa-aluetta voidaan tukea data-analytiikalla ja sitä kautta liiketoimintamallia voidaan tehostaa. Tällä hetkellä liiketoimintamalleissa big dataa hyödynnetään asiakassuhteiden hallintaa, yleisöinnovaation parantamiseen, päätöksenteon kehittämiseen ja reaaliaikaisuuden mahdollistamiseen. Datan yhdistämisessä liiketoimintamalliin on kuitenkin paljon erilaisia sovelluskohteita ja haasteita. (Morabito 2015, s. 67, 79) Taulukossa 3 on yhdistetty big datan tuomat mahdollisuudet Osterwalderin ja Pigneurin (2010) liiketoimintamallin viitekehykseen.
Taulukko 3. Big datan soveltaminen yrityksen liiketoimintamalliin (Morabito 2015, s. 65-78) Toiminto Big datan rooli liiketoimintamallissa
Avainkumppanit Reaaliaikainen tieto tuo luottamusta toimitusketjuihin ja erilaisia päätöksentekosimulaatioita voidaan tehdä uusissa ympäristöissä operaatioiden suunnittelun tueksi. Varsinkin kehittyneen analytiikan avulla suoritettavat simulaatiot mahdollistavat liiketoimintaprosessien tehokkaan suunnittelun.
Avainresurssit &
Avaintoiminnat
Yritykset joutuvat muuttamaan liiketoimintaprosesseja saadakseen rahallista hyötyä datasta.
Voidaan tehostaa yleisön osallistamista (crowdsourcing) ja siirtää työntekijöiden tehtäviä organisaation ulkopuoliseen verkostoon.
Joukkorahoitus yleistyy, minkä vuoksi rahoitusta voidaan kerätä ennen konkreettista toimintaa.
Arvolupaus Asiakkaiden tuottamaa dataa voidaan myydä liikevoittojen toivossa ja data-analytiikan osaajia tarvitaan paljon.
Asiakassuhteet Automaattista asiakaspalvelua voidaan hoitaa erilaisten tekoälyratkaisujen avulla ja laajat asiakastietomäärät johtavat asiakkaiden tehokkaaseen palvelemiseen.
Jakelukanavat Reaaliaikaista tietoa käytetään kuljetusten optimoimiseen sekä riskienhallinta.
Asiakasryhmät Runsas asiakasdata mahdollistaa massakustomoinnin ja entistä tarkemman asiakaskäyttäytymisen hallinnan ja tutkimisen.
Kustannusrakenne Dataa voidaan pitää varana taseessa, täytyy huomioida datasta saatava arvo talouden mittareissa. Talouden toiminnot seuraavat muiden osa-alueiden teknologisen kehityksen perässä.
Tulovirrat Voidaan valvoa transaktioita ja datan avulla noudattaa sääntelyä. Myös virtuaalisen rahan käyttö lisääntyy, mikä vaatii tehokasta analytiikkaa.
Taulukossa 3 on mainittu vain osa tehokkaan data-analytiikan vaikutuksesta yrityksen liiketoimintamallin toimintoihin. Jokaiseen toimintoon voidaan soveltaa big dataa
laajamittaisesti, ja big dataa käsittelevät liiketoimintamallit ovat vasta alkutekijöissään tällä hetkellä. Big dataa ja analytiikkaa käytetään nykyisten liiketoimintamallien kehittämiseen, mutta tulevaisuudessa liiketoimintamallit voivat kehittyä teknologian mukana sisältämään täysin uusia näkökulmia tehokkaaseen datan käyttöön. (Morabito 2015, s. 78-79)
Hyödyt lukuina
Hyödyntämällä dataa yritykset ovat onnistuneet kehittämään omaa liiketoimintaansa sekä parantamaan tuottavuutta eri tavoin. Ensimmäisenä esimerkkinä Ehan (2013) mukaan datan hyödyntäminen liiketoiminnassa kasvattaa tuottavuutta 5% sekä voittoja 6%. Toisena esimerkkinä IBM:n tekemän tutkimuksen mukaan datan hyödyntäminen liiketoiminnassa lisäsi tuloksen kasvua 20% ja sijoitetun pääoman tuottoa 30% (Sandler 2015). Kolmantena esimerkkinä McKinseyn (2013) laajamittaisesta kyselystä selviää, että markkinointiin sijoitetun pääoman tuotto kasvoi yrityksillä 15-20%, kun yritykset hyödynsivät dataa markkinointiin liittyvissä päätöksissä. McKinsey havaitsi, että datan keräämisen ja varastoinnin kautta pystytään luomaan merkittävää arvoa maailmantaloudelle yrityksien tuottavuuden ja kilpailukyvyn paranemisen myötä. (Wamba 2015, s. 234)
Käyttökohteet
Davenport (2014, s. 45) esittelee yrityksiä, jotka ovat onnistuneet hyödyntämään dataa omassa liiketoiminnassaan. Julkaisussa mainittuja yrityksiä ovat Google, Zynga, General Electric, Netflix ja Kaplan. Google käyttää data-analytiikan ammattilaisia kehittämään omaa ydintoimintaansa sekä mainostamiseen käytettäviä algoritmeja. Pelivalmistaja Zynga keskittyy kohdentamaan big datan avulla omia tuotteitaan kuluttajille. Kansainvälisesti tunnettu yritys General Electric hyödyntää dataa kehittäessään omia palveluitaan. Tällä hetkellä General Electric käyttää dataa palvelusopimuksien ja huoltovälien optimoinnissa. Netflix taas kehitti omaa palveluaan, jotta elokuvasuositukset kohdentuvat tarkemmin kuluttajille. Kaplan ja sen data-analytiikan ammattilaiset aloittivat opastamaan kuluttajia valmistautumaan tehokkaammin kokeisiin.
Lascowskin (2013) artikkelissa käsitellään maailmalla tunnettuja yrityksiä. Tunnettu tavarataloketju Macy’s hyödyntää data-analytiikkaa hinnoittelussa asettamalla tuotteille hinnan kysynnän ja varastotilanteen mukaan. Vedonlyöntiyritys Tipp24 AG hyödyntää
data-analytiikkaa ennusteiden tekemisessä, mikä vähentää niiden tekemiseen kuluvaa aikaa 90%.
Wal-Mart on suuri vähittäiskauppaketju, joka kehittää verkkokauppaansa data-analytiikan avulla. Wal-Mart tehosti hakutuloksien laatua, mikä kasvatti myyntiä viidellä prosentilla.
Davenport (2016) haastatteli yli 50 eri yritystä datan käyttötottumuksista. Haastatteluun osallistuneiden henkilöiden yrityksissä hyödynnetään dataa eri tavoin. Haastattelun tuloksista selviää kolme yleisintä tapaa miten yritykset hyötyvät big datasta. Yleisimmät tavat ovat kustannusten aleneminen, tehokkaampi päätöksenteko ja uusien tuotteiden sekä palveluiden kehittäminen.
6 JOHTOPÄÄTÖKSET
Työ keskittyi data-analytiikan käytön tutkimiseen liiketoiminnan eri osa-alueilla. Työtä varten kerättiin paljon taustamateriaalia, jonka perusteella data-analytiikan eri osa-alueet on yhdistetty talouden ohjaukseen. Ensimmäinen tutkimuskysymys liittyi siihen
1. Mitä data-analytiikalla tarkoitetaan yrityksen talouden ohjauksessa?
Talouden toiminnot on jaettu johdon ja rahoituksen laskentatoimeen ja niille ominaisiin toimintoihin. Kysymykseen alueelta löytyy paljon tietoa, josta suurin osa keskittyy data-analytiikan mahdollisuuksiin yrityksen laskentatoimessa. Data-analytiikkaa voidaan käyttää johdon laskentatoimessa varsinkin päätöksenteon ja suunnittelun tukena. Kasvava rakenteettoman datan määrä vaikeuttaa laskentatoimessa työskentelyä, minkä vuoksi kaiken tarvittavan datan käsittely voi olla haasteellista. Käsitelty data tukee liiketoiminnassa tehtäviä päätöksiä ja auttaa samalla tunnistamaan epäkohtia liiketoiminnassa. Analyytikkojen tärkeys ja laskentatoimen työntekijöiden ymmärrys data-analytiikasta mahdollistavat kehittyneiden analytiikkametodien käytön. Rahoituksen laskentatoimessa data-analytiikka tarjoaa sidosryhmille paljon tukimateriaalia raportoinnissa nähtävien lukujen tueksi, ja sitä kautta lisäävät liiketoiminnan läpinäkyvyyttä. Transaktioiden taustalla olevat datatallenteet auttavat sidosryhmiä luottamaan yrityksen toimintaan. Data-analytiikkaa voidaan soveltaa kaikkiin talouden toimintoihin, mutta tällä hetkellä varsinkin big datan käsittelyn haasteet ovat suuri este. Tämän hetkinen ymmärrys big datan tuomista mahdollisuuksista ei rohkaise yrityksiä soveltamaan sitä laajamittaisesti toiminnassaan. Big data tulee kuitenkin vaikuttamaan laskentatoimeen ja muuttamaan sitä entistä teknologisempaan suuntaan. On todennäköistä, että big dataa sovelletaan yrityksen muihin toimintoihin ennen sen laajamittaista käyttöönottoa laskentatoimessa.
Data-analytiikan taloustoiminnoissa käyttämisen lisäksi työn toinen keskeinen tutkimuskysymys käsittelee data-analytiikan vaikutusta yrityksen tuottavuuteen.
Tuottavuusvaikutusta käsittelevä tutkimuskysymys oli
2. Miten data-analytiikkaa voidaan hyödyntää yrityksen talouden ohjauksessa?
Kysymykseen etsittiin vastausta laajasta taustamateriaalista, mutta mitään yksittäisiä toimenpiteitä ei ole helppo määrittää. Yrityksen johdon on ymmärrettävä data-analytiikan mahdolliset hyödyt, jotta siitä voidaan saada suurin vaikutus yrityksen liiketoimintaan. Kaikki mahdolliset toiminnot ja prosessit, joita voidaan data-analytiikan avulla kehittää vaikuttavat yrityksen tuottavuuteen. Tehokas pääoman suunnittelu, johdon reaaliaikainen ja syvä ymmärrys yrityksen tilasta, tulevaisuuden ennustaminen ja muut analytiikan mahdollistamat piirteet tukevat yrityksen liiketoimintaa ja sitä kautta parantavat tuottavuutta. Suurin osa tutkimuksesta käsittelee big data-analytiikan positiivisia vaikutuksia liiketoimintaan, mutta konkreettiset esimerkit datan käytöstä ovat vielä puutteellisia. Yrityksen näkökulmasta varsinkin asiakkaiden, tuotteiden ja palveluiden tarkka tunnistaminen big datan avulla on yksi keino parantaa tuottavuutta.
- Markkinoilla pula osaajista - Soveltaminen on haastavaa Halukkuus
- Johdon sitoutuminen - Uuden vastustaminen Teknologia
- Tavalliset tietokoneet eivät riittäviä - Hajautettu suorittaminen
- Yli 35 tsettatavua vuoteen 2020 mennessä
- Pysyykö teknologian kehitys datan kasvun mukana
Aikaisemmasta kirjallisuudesta on huomattavissa, että big datalla on vielä paljon teknologian ja osaamisen nykytilan vuoksi valjastamatonta potentiaalia. Taulukossa 4 käsittelemme tutkimuksen pohjalta saadun oman näkemyksemme mukaan nelikenttäanalyysin avulla data-analytiikan tilannetta tämän hetken liiketoimintaympäristössä. Data-analytiikkaa tutkitaan paljon ja sitä yritetään ottaa mukaan toimintaan, mutta puutteellisen ymmärryksen vuoksi laajamittaiset onnistuneet implementoinnit ovat vielä vähissä. Big datan soveltaminen omaan liiketoimintaympäristöön voi vaatia yrityksiltä niiden liiketoimintamallien uudelleen suunnittelua. Jatkotutkimusta ajatellen työ toimii pohjana data-analytiikan käytölle liiketoiminnassa ja varsinkin talousfunktioissa. Seuraavana vaiheena voisi tutkia erilaisia big datan ja muun analytiikan käyttökohteita ja empiirisiä esimerkkejä datan käytöstä liiketoiminnan tukena eri toimialoilla.
LÄHTEET
Acito, F. & Khatri, V. 2014. Business analytics: Why now and what next? Business Horizons.
Vol. 57, nro. 5, s. 565-570.
Aggarwal, C. C. & Zhai, C. 2012. An Introduction To Text Mining. Kirjassa: Aggarwal, C. C.
& Zhai, C. (toim.) Mining text data. New York, Springer Science+Business Media. s. 1-10.
Bose, R. 2009. Advanced Analytics: opportunities and challenges. Industrial Management &
Data Systems. Vol. 109, nro. 2, s. 155-172.
Baicoianu, A. & Dumitrescu, S. 2010. Data Mining Meets Economic Analysis: Opportunities and Challenges. Bulletin of the Transilvania University of Brasov. Economic Sciences. Series V Vol. 3 s. 185-192.
Baoan, L. 2014. Knowledge Management Based on Big Data Processing. Information Technology Journal. Vol. 13, nro. 7, s. 1415-1418.
Bayrak, T. 2015. A Review of Business Analytics: A Business Enabler or Another Passing Fad.
World Conference on Technology, Innovation and Entrepreneurship. Vol. 195, s. 230–239.
Bhimani, A. & Willcocks, L. 2014. Digisation, ‘Big Data’ and the transformation of accounting information. Accounting and Business Research. Vol. 44, nro. 4, s. 469-490.
Boukri, K. & Chaoui, H. 2015. Security Analytics in Big Data Infrastructure. International Journal of Computer Science and Information Security. Vol. 13, nro. 5, s. 91-95.
Brands, K. & Holtzblatt, M. 2015. Business Analytics: Transforming the Role of Management Accountants. Management Accounting Quarterly. Vol. 16, nro. 3, s. 1-12.
Capriotti, R. J. 2014. BIG DATA: Bringing Big Changes to Accounting. Pennsylvania CPA Journal. Vol. 85, nro. 2, s. 36-38.
Chen, C., Härdle, W. & Unwin. A. 2008. Handbook of Data Visualization. Springer Berlin Heidelberg. 936s.
Cheng, P. & Zhou, X. 2012. Research on Cost Accounting Imformatization. Kirjassa: Tan, H.
(toim.) Knowledge Discovery and Data Mining. Berliini, Springer-Verlag s. 369-374.
Cleff, T. 2014. Exploratory Data Analysis in Business and Economics. Sveitsi, Springer Internetional Publishing. 215s.
Cooper, W. D., Morgan, R. G., Redman, A. & Smith, M. 2002. Capital Budgeting Models:
Theory vs. Practice. Business Forum. Vol. 26, nro. 1/2, s. 15-19.
Davenport, T. H. 2014. How strategists use “big data” to support internal business decisions, discovery and production. Strategy & Leadership. Vol. 42, nro. 4, s. 45-50.
Debbarma, N., Nath, G. & Das, H. 2013. Analysis of Data Quality and Performance Issues in Data Warehousing and Business Intelligence. International Journal of Computer Applications.
Vol.79, nro 15, s. 20-26.
Frizzo-Barker, J., Chow-White, P. A., Mozafari M. & Ha, D. 2016. An empirical study of the rise of big data in business scholarship. International Journal of Information Management. Vol.
36, s. 403-413.
Gandomi, A. & Haider, M. 2015. Beyond the hype: Big data concepts, methods, and analytics.
International Journal of Information Management. Vol. 35, nro 2, s. 137-144.
Grossman, W. & Rinderle-Ma, S. 2015. Fundamentals of Business Intelligence. Berliini, Springer-Verlag Berlin Heidelberg. 348s.
Hiltbrand, T. 2013. Behavior-Based Budget Management Using Predictive Analytics. Business Intelligence Journal, Vol. 18, nro. 1, s. 25-32.
Ikäheimo, S., Malmi, T. & Walden, R. 2012. Yrityksen laskentatoimi. 5. Painos. Helsinki, Sanoma Pro Oy. 300s.
Joyce, P. & Woods, A. 2003. Managing for growth: decision making, planning, and making changes. Journal of Small Business and Enterprise Development. Vol. 10 nro 2 s. 144-151.
Kamrani, A. & Gonzalez, R. 2008. Data-Mining Process Overview. Kirjassa: Kamrani, A. K.
& Nasr, E. A. (toim.) Collaborative Engineering, s. 89-102.
Kloptchenko, A., Eklund, T. Karlsson, J., Back, B., Vanharanta, H. & Visa, A. 2004.
Combining data and text mining techniques for analysing financial reports. Intelligent Systems in Accounting, Finance and Management. Vol. 12, nro. 1, s. 29-41.
Konasani, V. R. & Kadre, S. 2015. Pracitcal Business Analytics Using SAS. Apress. 541s.
Lake, P. & Drake, R. 2014. Information Systems Management in the Big Data Era. Springer International Publishing. 293s.
Lappas, G. 2008. An overview of web mining in societal benefit areas. Online Information Review Vol. 32, nro. 2, s. 179-195.
Lawless, M. 2015. Predictive Analytics: An Opportunity for Better Demand Planning and Forecasting. Journal of Business Forecasting. s. 44-46.
Lawrence, M. S. & Cokins, G. 2014. Book Highlight - Why Analytics Will Be the Next Competitive Edge. Global Business & Organizational Excellence. Vol. 33, nro. 5, s. 80-89.
Lee, P. L. 2013. Use Of Data Mining In Business Analytics To Support Business Competitiveness. The Review of Business Information Systems. Vol. 17, nro. 2, s. 53-58.
Leitner, S. 2012. Information Quality and Management Accounting. Berliini, Springer-Verlag.
s. 1-159.
Leventhal, B. & Langdell, S. 2013. Adding value to business applications with embedded advanced analytics. Journal of Marketing Analytics. Vol 1, s. 64-70.
Liberatore, M. J. & Luo, W. 2010. The Analytics Movement: Implications for Operations Research. Interfaces. Vol. 50, nro. 4, s. 313-324.
Loshin, D. 2010. Master data management. Morgan Kaufmann. 273s.
Marugán, A. P. & Márquez, F. P. G. 2015. Decision Making Approach for Optimal Business Investments. Kirjassa: Marquez, F. P. G. & Lev, B. (toim.) Advanced Business Analytics.
Sveitsi, Springer International Publishing. s. 1-20.
Mello, R., Leite, L. R. & Martins, R. A. 2014. Is Big Data The Next Big Thing in Performance Measurement Systems. Kirjassa: Guan, Y. & Liao, H. Proceedings of the 2014 Industrial and System Engineering Research Confrence. s. 1837-1846.
Moges, H.,Van Vlasselaera, V., Lemahieua, W. & Baesens, B. 2016. Determining the use of data quality metadata (DQM) for decision making purposes and its impact on decision outcomes — An exploratory study. s. 32-46.
Mohanty, H., Bhuyan, P. & Chenthati, D. 2015. Big Data. Intia, Springer India. 184s.
Mohanty, S., Jagadeesh, M. & Srivatsa, H. 2013. Big Data Imperatives. Apress. 296s.
Morabito, V. 2015. Big Data and Analytics. Sveitsi, Springer International Publishing. 183s.
Moullin, M. 2007. Performance Measurement Definitions. International Journal of Health Care Quality Assurance. Vol. 20, nro. 3, s. 181-183.
Nagy, A. L. & Cenker, W. J. 2002. An assessment of the newly defined internal audit function.
Managerial Auditing Journal. Vol. 17, nro 3, s. 130-137.
Neaga, I., Liu, S., Chen, H. & Hao, Y. 2015. Cloud Enabled Big Data Business Platform for Logistics Services: A Research and Development Agenda. Kirjassa: Delibašić, B., Hernández, J. E., Papathanasiou, J., Dargam, F., Zaraté, P., Ribeiro, R., Liu, S. & Linden, I. (toim.) Decision Support Systems V – Big Data Analytics for Decision Making. Sveitsi, Springer International Publishing. s. 22-34.
Neilimo, K & Uusi-Rauva, E. 2012 Johdon laskentatoimi, 6.-11. painos, Helsinki, Edita Publishing Oy. 366s.
Olszak, C. M. 2015. Business Intelligence and Analytics in Organizations. Kirjassa: Mach-Król M., Olszak C.M & Pełech-Pilichowski T. (toim.) Advances in ICT for Business. Industry and Public Sector. Sveitsi, Springer International Publishing. s. 89-109.
Osterwalder, A. & Pigneur, Y. 2010. Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers. New Jersey, Wiley. 288s.
Pedersen, T. B. 2013. Managing Complex Multidimensional Data. In: Aufaure, M. & Zimányi, (toim.) Business Intelligence. Berliini, Springer-Verlag, s. 1-28.
Pickard, M. D & Cokins, G. 2015. From Bean Counters to Bean Growers: Accountants as Data Analysts—A Customer Profitability Example. Journal of Information Systems, Vol. 29, nro. 3, s. 151-164.
Poleto T., de Carvalho V. D. H. & Costa, A. P. C. S. 2015. The Roles of Big Data in the Decision-Support Process: An Empirical Investigation. Kirjassa: Delibašić, B., Hernández, J.
E., Papathanasiou, J., Dargam, F., Zaraté, P., Ribeiro, R., Liu, S. & Linden, I. (toim.) Decision Support Systems V – Big Data Analytics for Decision Making. Sveitsi, Springer International Publishing. s. 10-21.
Power, D. J. 2014. Using ‘Big Data’ for analytics and decision support. Journal of Decision Systems. Vol. 23, nro 2, s. 222-228.
Power, D. J. 2015. ‘Big Data’ Decision Making Use Cases. Kirjassa: Delibašić, B., Hernández, J. E., Papathanasiou, J., Dargam, F., Zaraté, P., Ribeiro, R., Liu, S. & Linden, I. (toim.) Decision Support Systems V – Big Data Analytics for Decision Making. Sveitsi, Springer International Publishing. s. 1-9.
Price, R. & Shanks, G. 2008. Data Quality and Decision Making. Kirjassa: Burstein, S. &
Holsapple, C. W (toim.) Handbook on Decision Support Systems 1. Berliini, Springer-Verlag.
s. 65-83.
Radha Krishna, P. 2015. Big Data Search And Mining. Kirjassa: Mohanty, E., Bhuyan, P. &
Chenthati, D. (toim.) Big Data. Intia, Springer. s. 93-120.
Riistama, V. & Jyrkkiö, E. 1991. Operatiivinen laskentatoimi. Porvoo, WSOY. 418s.
Saxena, R. & Srinivasan, A. 2013. Business Analytics. New York, Springer-Verlag. 164s.
Schläfke, M., Silvi, R. & Möller, K. 2013. A framework for business analytics in performance management. International Journal of Productivity and Performance Management. Vol. 62, nro. 1, s. 110-122.
Schneider, G. P., Dai, J., Janvrin, D. J., Ajayi, K. & Raschke, R. L. 2015. Infer, Predict, and Assure: Accounting Opportunities in Data Analytics. Accounting Horizons. Vol. 29, nro. 3, s.
719-742.
Srivastava, J., Desikan, P. & Kumar, V. 2005, Web Mining – Concepts, Applications and Research Directions. Kirjassa: Chu, W. & Lin, T. Y. (toim.) Foundations and Advances in Data Mining. s. 275-307.
Otto, B., & Schmidt, A. 2010. Enterprise master data architecture: Design decisions and options. Proceedings of the 15th International Conference on Information Quality, Little Rock,
AR (USA). [Viitattu 23.2.2016]. Saatavilla:
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.455.7916&rep=rep1&type=pdf Tudorache, A. M. M. 2008. Data Mining And The Process Of Taking Decisions In E- Business.
Romanian Economic and Business Review. Vol. 3, nro. 4, s. 111-116.
Vasarhelyi, M.A., Kogan, A. & Tuttle, B. M. 2015. Big Data in Accoutning: An Overview.
Accounting Horizons. Vol. 29, nro. 2, s. 381-396.
Villegas-Garcia, M. A., Marquez, F. P. G. & Tercero D. J. P. 2015. How Business Analytics Should Work. Kirjassa: Marquez, F. P. G. & Lev, B. (toim.) Advanced Business Analytics.
Springer International Publishing. S. 93-109.
Wamba, S. F., Akter, S., Edwards, A., Chopin, G. & Gnanzou, D. 2015. How ‘big data’ can make big impact: Findings from a systematic review and a longitudinal case study.
International Journal of Production Economics. Vol. 165, s. 234-246.
Warren, J. D., Moffitt, K. C. Jr. & Byrnes, P. 2015. How Big Data Will Change Accounting.
Accounting Horizons. Vol. 29, nro 2, s. 397-407.
Watson, H. J. 2012. The Necessary Skills for Advanced Analytics, Business Intelligence Journal. Vol. 17, nro. 4, s. 4-7.
Watson, H. J. 2015. Business Analytics Insight: Hype or Here to Stay? Business Intelligence Journal. Student Edition. s. 33-37.
Watson, H. J., Rainer, R. K. Jr. & Koh, C. E. 1992. Executive Information Systems: A Framework for Development and a Survey of Current Practises. MIS Quarterly. Vol. 15, nro.
1, s. 13-30.
Waxer, C. 2013. Big Data Blues, Computerworld. Vol. 47, nro. 19, s. 14-18
Weiss, S. M., Indyrkhya, N. & Zhang, T. 2015. Fundamentals of Predictive Text Mining.
Lontoo, Springer-Verlag. 247s.
KAUPALLISET LÄHTEET
Davenport, T. 2016. Three big benefits of big data analytics. [Viitattu: 28.3.2016], Saatavilla:
https://www.sas.com/en_ca/news/sascom/2014q3/Big-data-davenport.html
Eha, B. P. 2013. Why Spending on Big Data Isn’t a Waste. [Viitattu: 25.3.2016], Saatavilla:
http://www.entrepreneur.com/article/230056
Kobielus, J. 2010. The Forrester wave: Predictive analytics and data mining solutions, Q1 2010.
Forrester Research Inc.
Lascowski, N. 2013. Ten big data case studies in a nutshell. [Viitattu: 28.3.2016], Saatavilla:
http://searchcio.techtarget.com/opinion/Ten-big-data-case-studies-in-a-nutshell
McKinsey. 2013. Big Data, Analytics And The Future Of Marketing And Sales. [Viitattu:
28.3.2016], Saatavilla: http://www.forbes.com/sites/mckinsey/2013/07/22/big-data-analytics-and-the-future-of-marketing-sales/#6a6344a5344d
Porres, E. L. 2013. Data-driven Insights Are Only Part of the Journey Today’s Best CMO’s Take Action. [Viitattu: 8.4.2016], Saatavilla:
http://images.forbes.com/forbesinsights/StudyPDFs/RocketFuel-DataDrivenInsights-Report.pdf
Sandler, C. 2015. How Every Business Can Use Big Data to Make Better Decisions. [Viitattu:
28.3.2016], Saatavilla: http://www.profitguide.com/manage-grow/technology/how-every-business-can-use-big-data-to-make-better-decisions-8148
SAS. 2014. Data Visualization: Making Big Data Approachable and Valuable. [Viitattu:
24.4.2016], Saatavilla: https://www.sas.com/content/dam/SAS/en_us/doc/whitepaper2/sas-data-visualization-marketpulse-106176.pdf