Datalle ja sen mahdollistamille sovelluksille (taulukko 2) on paikkansa meriteollisuuden tulevaisuudessa. Vaikka datan käyttö liiketoiminnan kehittämisessä on haastatelluissa yrityksissä hyvin eri tasolla, kaikki näkevät tilaa ja tarvetta uusille datalähteille ja kehityskohteille. Telakoilla nähdään potentiaalia koneoppimisen ja tekoälyn hyödyntämisessä toiminnan tehostamiseksi ja automatisoimiseksi, ja Meyerin telakalla onkin käynnissä dataprojekti pohjan luomiseksi näille uusille teknologioille. Suunnittelun osittainen automatisointi on tavoitteena myös verkostoyritysten puolella, jossa edellä mainituista teknologioista erityistä kiinnostusta herättävät digitaalinen kaksonen ja 4D-suunnittelu.
Kokonaistoimittaja Almaco tarjoaakin apuaan digitaalisen kaksosen integroimisessa osaksi meriteollisuuden yritysten toimintaa (Tenovuo 2021). Uudet teknologiat ja datan hyödyntäminen ovat avainasemassa IMO:n asettamien pitkän aikavälin päästötavoitteiden saavuttamisessa. Datan mahdollistama tuotannon tehostaminen ja esimerkiksi autonomisen meriekosysteemin luominen johtavat meriteollisuutta kohti ympäristöystävällistä ja hiilineutraalia tulevaisuutta.
Datan potentiaalinen arvo sekä yritykselle että loppuasiakkaalle tunnistettiin kaikissa haastatelluissa yrityksissä, ja digitalisaation kasvattaminen oli selkeä yhdistävä trendi. Yksi meriteollisuuden digitalisaation tason kasvattamiseen pakottanut tekijä on koronapandemia, jonka vaikutukset ovat näkyneet niin telakoiden kuin verkostoyritystenkin toiminnassa. Datan lähteiden määrässä ei yhdessäkään tutkimuksen yrityksessä ole havaittu muutosta kumpaankaan suuntaan. Toisilla yrityksillä korona on hidastanut tai väliaikaisesti seisahduttanut kehitysprojekteja, mutta Elomaticilla kehitystoiminnalle taas on jäänyt enemmän aikaa ja resursseja asiakastilausten vähennyttyä. Vaikka sosiaaliset kontaktit ovatkin pandemiasta johtuvien rajoitusten myötä yrityksissä vähentyneet, työn tehokkuuden nähdään tietyissä määrin kasvaneen. Etäpalaverien sopimisen nopeus ja helppous on lisännyt yhteydenpitoa toimittajien ja asiakkaiden kanssa. Tämän toimisto- ja etätyöskentelyn hybridimallin uskotaan ja toivotaan sen tuomien etujen ja hyötyjen takia jäävän vakituiseksi toimintatavaksi myös tulevaisuudessa.
7 JOHTOPÄÄTÖKSET
Tämän kandidaatintyön tavoitteena oli selvittää datan hyödyntämisellä saavutettavia etuja ja siihen liittyviä haasteita liiketoiminnan kehittämisessä meriteollisuudessa. Selkeyden ja syvemmän paneutumisen takia työ rajattiin liiketoiminnasta syntyvään dataan ja sen hyödyntämiseen yritystoiminnan kehitystarkoituksissa. Tutkimuskysymyksiin pyrittiin vastaamaan kattavasti tieteellisen aineiston ja haastattelututkimuksen välisenä vuoropuheluna, mahdollistaen luotettavan akateemisen tiedon yhdistämisen yritysmaailman käytännön näkemysten kanssa. Työssä sivuttiin meriteollisuuden ajankohtaisia teemoja, kuten koronaa ja uusia teknologioita, haastattelujen ja uutisten avulla. Työn päätutkimuskysymyksenä oli:
Kuinka meriteollisuuden yritykset hyödyntävät liiketoiminnasta syntyvää dataa toiminnan kehittämisessä?
Vastaus tähän kysymykseen on muodostettu alla esitettyjen osatutkimuskysymysten kokonaisuutena, joiden rakennetta työn eri osa-alueet seuraavat.
Mitä dataa yritykset toiminnan kehittämistä varten keräävät ja mistä lähteistä?
Dataa tulvii meriteollisuudessa lukuisista eri lähteistä, mutta kaikkea ei pystytä nykyisillä resursseilla ja järjestelmillä vielä keräämään tai hyödyntämään. Yrityksen sisäisten datalähteiden merkitys nousi ulkoisia suuremmaksi ja liiketoiminnan kehityksen kannalta tärkeintä kerättävää dataa ovat tuotannon työtunnit, läpimenoajat ja edistymät sekä projektien rahaliikenne. Kaikkea liiketoimintaa koskettava rahaliikenne koostuu tuloista ja menoista, joista jälkimmäinen jakautuu hajanaisemmin sekä kustannustekijöiden että projektin aikataulun suhteen. Tämän vuoksi kustannusdata pitää sisällään enemmän hyödynnettävää potentiaalia menojen karsimisen ja kassan optimoimisen kannalta ja sen keräämisellä on yrityksissä suurempi rooli. Muita datan lähteitä meriteollisuudessa ovat yrityksen arvoketjun eri osa-alueet sekä sidosryhmät, kuten asiakkaat, toimittajat, yhteistyökumppanit ja alihankkijat.
Miten ja millä työkaluilla dataa kerätään, käsitellään ja analysoidaan?
Liiketoimintadatan kerääminen tapahtuu yrityksissä sekä manuaalisesti, puoliautomaattisesti että automaattisesti. Manuaalisen keräämisen tärkeimpiä työkaluja ovat Excel sekä käsin tehtävät auditoinnit ja mittaukset esimerkiksi turvallisuuteen, laatuun tai laivan suorituskykyyn liittyen. Työtuntien leimaaminen ja materiaalien hallinta ovat esimerkkejä puoliautomaattisesta datan keräämisestä, kun taas rahaliikenne ja projektien aikataulutiedot kerääntyvät tietokantoihin ja toiminnanhallintajärjestelmiin automaattisesti. Datan käsittely ja analysointi ovat meriteollisuudessa pitkälti manuaalisesti suoritettavia toimintoja, jotka vaativat tilanne- ja projektikohtaista tietoa ja osaamista. Ennustamisen tukena käytetään paljon historiadatan vertailuja, ja toisaalta eri datojen, kuten tuotanto ja talousdatan, yhdistämisellä voidaan avata uusia hyödyllisiä näkökulmia. Analysoinnissa käytetään useita eri työkaluja: Excel ja Pivot-taulukoita vertailuun ja ennustamiseen, business intelligence sovelluksia, kuten Power BI, raporttien ja visualisointien tekemiseen sekä MS Projectia ja erinäköisiä S-käyriä projektien aikataulujen ja edistymien seurantaan. Nykyisten ERP-järjestelmien toimintokohtaiset moduulit tarjoavat mahdollisuuksia ja ratkaisuja kaikkiin edellä mainittuihin analysointitapoihin.
Miten analyysin tuloksia hyödynnetään liiketoiminnan kehittämisessä?
Data-analyysin tuloksien tulkintaa käytetään meriteollisuudessa päätöksenteon tukena niin operatiivisella kuin strategisellakin tasolla. Yrityksen arvoa luovaa perus- ja tukitoimintojen ketjua voidaan kehittää osa-alueittain kerätyn datan avulla. Erikokoiset organisaatiot kokevat tarpeen kehitystoimille eri tavoin: pienemmissä organisaatioissa kehitysprojekteja käynnistetään ongelman tai selkeän parannuskohteen ilmaantuessa, kun suuremmissa kehitystyö on systemaattinen ja vakiintunut toimintatapa. Telakoilla, jotka palvelevat suhteellisen rajautunutta asiakaskuntaa, kehitys keskittyy tuotantoprosesseihin, tuotteeseen ja toimitusketjuun, kun globaalisti kilpailevilla verkostoyrityksillä suunnittelun ja tuotannon lisäksi kehityslistan kärjessä ovat myynti ja markkinointi sekä brändin vahvistaminen.
Rahaliikenteen optimointi, etenkin kustannusten johtaminen ja kassanhallinta, on liiketoiminnasta riippumatta kaikkia yrityksiä yhdistävä intressi.
Mitä haasteita ja riskejä datan keräämiseen ja hyödyntämiseen liittyy?
Datan keräämisessä ei tietoturvan lisäksi ole meriteollisuudessa havaittu merkittäviä riskejä.
Tunnistetut keräämisen haasteet liittyvät vanhentuneisiin järjestelmiin ja datan varastoinnin hajautuneisuuteen. Myös datatulvan ”ongelma” on yrityksissä havaittu, mutta se nähdään ennemmin mahdollisuutena kuin uhkana. Tärkeimmät analysoinnin ja hyödyntämisen riskit pyörivät ongelman, datan ja analyysin tulosten ymmärtämisessä ja vertailukelpoisuudessa sekä kyberhyökkäysten vaarassa. Tiivistetty ratkaisu haasteiden ylittämiseksi on ymmärtää mitä ollaan kehittämässä, mistä ja miten data on kerätty ja soveltuvatko analyysin tulokset valitun kohteen kehittämiseen. Liiketoimintadatan hyödyntämisprosessin (kuva 6) vaiheiden yksityiskohtainen ymmärtäminen ja korkea dataosaamisen taso minimoivat riskejä ja tehostavat kehitystoimintaa. Myös datavetoisuutta kohtaan koetun varautuneisuuden purkaminen helpottaisi uusien toimintatapojen integrointia osaksi organisaation päivittäistä johtamista ja päätöksentekoa.
Miten datan hyödyntämisen arvioidaan kehittyvän tulevaisuudessa?
Meriteollisuuden yritykset näkevät datan hyödyntämisessä vielä paljon arvokasta potentiaalia, jota pyritään tulevaisuudessa valjastamaan käyttöön entistä enemmän. Uudet dataan pohjaavat teknologiat, kuten tekoäly ja digitaalinen kaksonen, ovat jo luoneet jalansijaa kankeaksikin kutsutulla pitkät historialliset perinteet omaavalla toimialalla. Ajankohtainen koronapandemia on vauhdittanut liiketoiminnan kehitykseen kuuluvaa digitalisaatiota, jonka kasvattamisen koetaan luovan arvoa niin yritykselle kuin asiakkaallekin. Vaikka korona varjostaakin meriteollisuuden tulevaisuutta etenkin risteilytoiminnan kautta, toimialan yrityksillä on toivoa tulevasta ja suunnitteilla datan merkitystä korostavia projekteja. Datan hyödyntämisen voidaan siis sanoa olevan meriteollisuudessa hyvässä kasvussa.
Työn tärkeimmät havainnot meriteollisuuden liiketoimintadatan hyödyntämisestä on koottu SWOT-analyysiksi (taulukko 5). Luetellut vahvuudet ja heikkoudet liittyvät meriteollisuuden toimialan etuihin ja haasteisiin datan kannalta, kun taas mahdollisuudet ja uhat koostuvat ulkoisten tekijöiden tarjoamasta potentiaalista ja huomioitavista riskeistä.
Tämä työ toimii läpileikkauksena liiketoimintadatan käytäntöihin ja menetelmiin meriteollisuuden yrityksissä. Työ tarjoaa lukijalle yleiskatsauksen datan hyödyntämiseen liittyvistä teorioista yhdistettynä yritysmaailman nykyhetken toimintatapoihin ja tulevaisuudensuunnitelmiin. Kattavan yleiskuvan luomiseksi työssä ei ole paneuduttu yksittäisiin datan hyödyntämisprosessin vaiheisiin tämän tarkemmin, mutta prosessin pilkkominen ja osien yksityiskohtainen tarkastelu voidaan nähdä yhtenä jatkotutkimusaiheena, jolle tämä työ antaa hyvän pohjan. Jatkotutkimuskohteiksi voidaan myös nimetä koronan pidemmän aikavälin vaikutukset liiketoimintadatan lähteisiin sekä uusien dataan pohjaavien teknologioiden integroimisen vaiheet ja edistyminen meriteollisuudessa.
Taulukko 5. Meriteollisuuden liiketoimintadatan hyödyntämisen SWOT-taulukko
LÄHTEET
Akerkar, R. & Sajja, P. S. 2016. Intelligent Techniques for Data Science. Springer International Publishing.
Almaco. 2021a. Company. [verkkosivu]. [viitattu 19.3.2021]. Saatavissa:
https://almaco.cc/company/
Almaco. 2021b. References. [verkkosivu]. [viitattu 15.3.2021]. Saatavissa:
https://almaco.cc/references/
Almaco. 2021c. Blogs. [verkkosivu]. [viitattu 16.3.2021]. Saatavissa:
https://almaco.cc/category/blogs/
Atkins, L. & Wallace, S. 2016. Qualitative Research in Education. SAGE.
Berti, A. 2020. Mega-Mergers: How Will New Shipyard Goliaths in Asia Shape Competition?
Ship Technology Global. Vol. 69. [verkkoartikkeli]. [viitattu 12.2.2021]. Saatavissa:
https://ship.nridigital.com/ship_mar20/mega-mergers_how_will_new_shipyard_goliaths_in_asia_shape_competition.
Blackburn, M., Alexander, J., Legan, J. D. & Klabjan, D. 2017. Big Data and the Future of R&D Management: The Rise of Big Data and Big Data Analytics Will Have Significant Implications for R&D and Innovation Management in the next Decade. Research Technology Management Vol. 60, nro. 5, s. 43–51. [verkkoartikkeli]. [viitattu 26.3.2021]. Saatavissa:
https://doi.org/10.1080/08956308.2017.1348135
Brownlow, J., Zaki, M., Neely, A. & Urmetzer, F. 2015. Data and Analytics - Data-Driven Business Models: A Blueprint for Innovation. Cambridge Service Alliance.
Capri, H. L. 2015. Data Mining: Principles, Applications and Emerging Challenges. Computer Science, Technology and Applications. Nova Publishers.
Deltamarin. 2021. Cruise Vessels. [verkkosivu]. [viitattu 12.2.2021]. Saatavissa:
https://deltamarin.com/shipdesign/cruise-vessels/
DIMECC. 2017. About OneSea. 2017. [verkkosivu]. [viitattu 30.3.2021]. Saatavissa:
https://www.oneseaecosystem.net/about/
Elomatic. 2021a. Laivasuunnittelu ja laivanrakennus. [verkkosivu]. [viitattu 13.3.2021].
Saatavissa: https://www.elomatic.com/fi/teollisuudenalat/meriteollisuus/laivasuunnittelu-ja-laivanrakennus/
Elomatic. 2021b. Meidän tarinamme. [verkkosivu]. [viitattu 13.3.2021]. Saatavissa:
https://www.elomatic.com/fi/yritys/meidan-tarinamme.html
Elomatic. 2021c. Elomatic lyhyesti. [verkkosivu]. [viitattu 13.3.2021]. Saatavissa:
https://www.elomatic.com/fi/yritys/elomatic-lyhyesti.html
Elomatic. 2021d. Meriteollisuuden referenssit. [verkkosivu]. [viitattu 13.3.2021]. Saatavissa:
https://www.elomatic.com/fi/teollisuudenalat/meriteollisuus/meriteollisuuden-referenssit/
Elomatic. 2021e. Toimisto. [verkkosivu]. [viitattu 15.3.2021]. Saatavissa:
https://www.elomatic.com/fi/ota-yhteytta/toimistot/
Er Kara, M., Oktay Fırat, S. & Ghadge, A. 2020. A Data Mining-Based Framework for Supply Chain Risk Management. Computers & Industrial Engineering. Vol. 139, nro. 105570, s. 1-12.
Fisher, M. 2007. Strengthening the Empirical Base of Operations Management. Manufacturing
& Service Operations Management. Vol. 9, nro. 4, s. 368–382.
Furner, J. 2020. Definitions of Metadata: A Brief Survey of International Standards. Journal of the Association for Information Science and Technology. Vol. 71, nro. 6, s. 33–42.
García, S., Herrera, F. & Luengo, J. 2015. Data Preprocessing in Data Mining. Intelligent Systems Reference Library. Springer International Publishing.
Granqvist, Juha & Juva, Mikko. 2021. Uudenkaupungin Työvene. Haastattelu 3.3.2021.
Haastatellut Teemu Kuusisto.
Harris, J. W. 2009. Maritime Law: Issues, Challenges and Implications. Nova Science Publishers.
Hartmann, P. M., Zaki, M., Feldmann, N. & Neely, A. 2016. Capturing value from big data – a taxonomy of data-driven business models used by start-up firms. International Journal of Operations & Production Management. Vol. 36, nro. 10, s. 1382–1406.
Hewitt, S. M. 2019. Data, Information, and Knowledge. The Journal of Histochemistry and Cytochemistry. Vol. 67, nro. 4, s. 227–28.
Hu, H., Wen, Y., Chua, T.-S. & Li, X. 2014. Toward Scalable Systems for Big Data Analytics:
A Technology Tutorial. Vol. 2, s. 652–687.
Ikävalko, Emmi & Shaik, Imaad. 2021. Meyer Turku. Haastattelu 15.3.2021. Haastatellut Teemu Kuusisto.
International Maritime Organization. 2018. UN body adopts climate change strategy for
shipping. [verkkosivu]. [viitattu 13.2.2021]. Saatavissa:
https://imo.org/en/MediaCentre/PressBriefings/Pages/06GHGinitialstrategy.aspx
International Maritime Organization. 2021. United Nations Convention on the Law of the Sea.
[verkkosivu]. [viitattu 22.3.2021]. Saatavissa:
https://www.imo.org/en/OurWork/Legal/Pages/UnitedNationsConventionOnTheLawOfTheSe a.aspx
Jaskari, K. 2020. Meyer Turun telakan omia työntekijöitä ei ollut Skopjen-koneessa, joka lennätti kymmeniä koronapotilaita Suomeen. Yle Uutiset. [verkkoartikkeli]. [viitattu 28.2.2021]. Saatavissa: https://yle.fi/uutiset/3-11487974.
Juvonen, M. 2014. Yrityksen riskienhallinta. Finanssi ja vakuutuskustannus Oy FINVA.
Kankare, Juhani. 2021. Elomatic. Haastattelu 4.3.2021. Haastatellut Teemu Kuusisto.
Kaplan, A. & Haenlein, M. 2019. Siri, Siri, in My Hand: Who’s the Fairest in the Land? On the Interpretations, Illustrations, and Implications of Artificial Intelligence. Business Horizons.
Vol. 62, nro. 1, s. 15–25.
Karvonen, T., Grönlund, M., Jokinen, L., Mäkeläinen, K., Oinas, P., Pönni, V., Ranti, T., Saarni, J. & Saurama, A. 2016. Suomen meriklusteri kohti 2020-lukua. Työ- ja elinkeinoministeriö.
Kossila, E. 2020. Meyer Turun yt-neuvottelut päätökseen – 84 työsuhdetta päättyy. Yle Uutiset.
[verkkoartikkeli]. [viitattu 17.3.2021]. Saatavissa: https://yle.fi/uutiset/3-11640003
Lehmann, O. F. 2018. Project Business Management. Best Practices in Portfolio, Program, and Project Management. CRC Press.
Lehtola, J. 2021. Meyer Turku ja Turun AMK syventävät yhteistyötä – telakka kohdistaa kesätöitä ammattikorkeakouluopiskelijoille. Yle Uutiset. [verkkoartikkeli]. [viitattu 17.3.2021].
Saatavissa: https://yle.fi/uutiset/3-11827847
Liberatore, M. & Luo, W. 2010. The Analytics Movement: Implications for Operations Research. Interfaces Providence. Vol. 40, nro. 4, s. 313–324.
Loshin, D. 2016. Addressing Five Emerging Challenges of Big Data. Progress DataDirect. Vol.
12, s. 1-11.
Marine Digital. 2021. Artificial Intelligence (AI) and Machine Learning (ML) in maritime logistics. [verkkosivu]. [viitattu 29.3.2021]. Saatavissa: https://marine-digital.com/article_ai_and_ml
Marschan-Piekkari, R. & Welch, C. 2004. Handbook of Qualitative Research Methods for International Business. Edward Elgar.
Mazars, T. & Francis, A. 2020. Chronographical Spatiotemporal Dynamic 4D Planning.
Automation in Construction. Vol. 112, nro. 103076, s. 1-11.
McAfee, A & Brynjolfsson, E. 2012. Big Data: The Management Revolution. Harvard Business Review. Vol. 90, nro. 10, s. 60–68.
McCarthy, J., Minsky, M. L., Rochester, N. & Shannon, C. E. 1995. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. AI Magazine. Vol. 27, nro. 4, s. 12–14.
Meriteollisuus Ry. 2020. One Sea. [verkkosivu]. [viitattu 29.3.2021]. Saatavissa:
https://meriteollisuus.teknologiateollisuus.fi/fi/kehitys/one-sea
Meriteollisuus Ry. 2021a. Suomen meriteollisuus on monipuolinen kokonaisuus. [verkkosivu].
[viitattu 28.3.2021]. Saatavissa: https://meriteollisuus.teknologiateollisuus.fi/fi/suomen-meriteollisuus-monipuolinen-kokonaisuus
Meriteollisuus Ry. 2021b. Koronan vaikutukset meriteollisuuteen. [verkkosivu]. [viitattu
28.3.2021]. Saatavissa:
https://meriteollisuus.teknologiateollisuus.fi/fi/ajankohtaista/uutinen/koronan-vaikutukset-meriteollisuuteen
Meyer Turku. 2021a. Yrityksen historia. [verkkosivu]. [viitattu 17.3.2021]. Saatavissa:
https://www.meyerturku.fi/fi/meyerturku_com/shipyard/company/company_history/company _history.jsp
Meyer Turku. 2021b. Risteilyalukset. [verkkosivu]. [viitattu 17.3.2021]. Saatavissa:
https://www.meyerturku.fi/fi/meyerturku_com/ships/cruise_ships/cruise_ships.jsp
Meyer Turku. 2021c. Yleistä. [verkkosivu]. [viitattu 17.3.2021]. Saatavissa:
https://www.meyerturku.fi/fi/meyerturku_com/suppliers/suppliers_1/suppliers.jsp
Nogués, A. & Valladares, J. 2017. Business Intelligence Tools for Small Companies: A Guide to Free and Low-Cost Solutions. 1. p. Apress LP.
Ojanperä, S. 2021. Alihankkijat kärsivät risteilijöiden rakentamistahdin hiipumisesta – Halton Marine tähtää yhä enemmän mantereelle, energiateollisuuteen ja virustorjuntaan. Yle Uutiset.
[verkkoartikkeli]. [viitattu 28.3.2021]. Saatavissa: https://yle.fi/uutiset/3-11798884
Pearson, M., Gjendem, F. H., Kaltenbach, P., Schatteman, O. & Hanifan, G. 2014. Big Data Analytics in Supply Chain: Hype or Here to Stay? Accenture.
Porter, M. E. 1985. Competitive Advantage: Creating and Sustaining Superior Performance. 6.
p. Free Press. 557 s.
Rantanen, Tero & Tenovuo, Johanna. 2021. Almaco. Haastattelu 4.3.2021. Haastatellut Teemu Kuusisto.
Rausch, P., Sheta, A. F. & Ayesh, A. 2013. Business Intelligence and Performance Management Theory, Systems and Industrial Applications. Advanced Information and Knowledge Processing. Springer London.
Rebala, G., Ravi, A. & Churiwala, S. 2019. An Introduction to Machine Learning. Springer International Publishing AG.
Ristola, P. 2019. Meriteollisuudessa paiskitaan nyt paljon töitä myös puhtaamman ympäristön eteen – vastuullinen toiminta on keskeinen kilpailuvaltti. Yle Uutiset. [verkkoartikkeli].
[viitattu 14.3.2021]. Saatavissa: https://yle.fi/uutiset/3-11051770
Runkler, T. A. 2012. Data Analytics: Models and Algorithms for Intelligent Data Analysis.
Springer.
Saldaña, J. 2011. Fundamentals of Qualitative Research. Understanding Qualitative Research.
Oxford University Press.
Salminen, R. 2020. Meyerin Turun-telakalla ongelmia ulkomaisten työntekijöiden kohtelussa – intialaiset insinöörit suunnittelivat luksuslaivaa harjoittelijapalkalla. Yle Uutiset. [verkkosivu].
[viitattu 28.2.2021]. Saatavissa: https://yle.fi/aihe/artikkeli/2020/06/22/meyerin-turun-telakalla-ongelmia-ulkomaisten-tyontekijoiden-kohtelussa
Saxena, R. & Srinivasan, A. 2013. Business Analytics: A Practitioner’s Guide. Springer-Verlag.
Shearer, C. 2000. The CRISP-DM Model: The New Blueprint for Data Mining. Vol. 5, nro. 4, s. 13-19.
Sun, X., Bao, J., Li, J., Zhang, Y., Liu, S. & Zhou, B. 2020. A Digital Twin-Driven Approach for the Assembly-Commissioning of High Precision Products. Robotics and Computer-Integrated Manufacturing. Vol. 61, nro. 101839, s. 1-14.
Suomen Asiakastieto. 2021a. Uudenkaupungin Työvene Oy – Taloustiedot. [verkkosivu].
[viitattu 11.3.2021]. Saatavissa: https://www.asiakastieto.fi/yritykset/fi/uudenkaupungin-tyovene-oy/26518844/taloustiedot
Suomen Asiakastieto. 2021b. Meyer Turku Oy – Taloustiedot. [verkkosivu]. [viitattu 17.3.2021]. Saatavissa: https://www.asiakastieto.fi/yritykset/fi/meyer-turku-oy/07720174/taloustiedot
Suomen Asiakastieto. 2021c. Elomatic Oy – Taloustiedot. [verkkosivu]. [viitattu 13.3.2021].
Saatavissa: https://www.asiakastieto.fi/yritykset/fi/elomatic-oy/05215342/taloustiedot
Suomen Asiakastieto. 2021d. Almaco Group Oy – Taloustiedot. [verkkosivu]. [viitattu 14.3.2021]. Saatavissa: https://www.asiakastieto.fi/yritykset/fi/almaco-group-oy/08546841/yleiskuva
Suomen Varustamot. 2019. Meriklusteri. Suomen Varustamot Ry. [verkkosivu]. [viitattu 11.2.2021]. Saatavissa: https://shipowners.fi/meriklusteri/
Tenovuo, J. 2021. Guide to Digitalization of Hotel Areas in the Marine Industry. Almaco.
[verkkoartikkeli]. [viitattu 16.3.2021]. Saatavissa: https://almaco.cc/blogs/guide-to-digitalization-of-hotel-areas-in-the-marine-industry/
Treder, M. 2019. What Is Data? Springer Berlin Heidelberg.
Uudenkaupungin Työvene. 2021a. History. [verkkosivu]. [viitattu 10.3.2021]. Saatavissa:
https://www.tyovene.com/en/company/history
Uudenkaupungin Työvene. 2021b. Home. [verkkosivu]. [viitattu 10.3.2021]. Saatavissa:
https://www.tyovene.com/en/
Vakka-Suomen Sanomat. 2021. Uudenkaupungin Työvene sai tilauksen Göteborgista.
[verkkoartikkeli]. [viitattu 10.3.2021]. Saatavissa:
https://www.vakka.fi/uutiset/uudenkaupungin-tyovene-sai-tilauksen-goteborgista-6.221.112606.a2dee51770
VanDerHorn, E. & Mahadevan, S. 2021. Digital Twin: Generalization, Characterization and Implementation. Decision Support Systems.
Vähämäki, H. 2019. Uudenkaupungin Työvene sai ison tilauksen Rajavartiolaitokselta. Yle Uutiset. [verkkoartikkeli]. [viitattu 10.3.2021]. Saatavissa: https://yle.fi/uutiset/3-11021704 Wärtsilä. 2019. Artificial Intelligence and the Marine Industry. [verkkosivu]. [viitattu 29.3.2021]. Saatavissa: https://www.wartsila.com/insights/article/artificial-intelligence-and-the-marine-industry
Wärtsilä. 2021a. Wärtsilä Cruise Ships - Understanding the needs of your vessel. [verkkosivu].
[viitattu 11.2.2021]. Saatavissa: https://www.wartsila.com/marine/customer-segments/cruise Wärtsilä. 2021b. Wärtsilä’s Strategy & Purpose. [verkkosivu]. [viitattu 1.3.2021]. Saatavissa:
https://www.wartsila.com/about/strategy
Zhao, J., Fan, S. & Hu, D. 2014. Business challenges and research directions of management analytics in the big data era. Journal of Management Analytics. Vol. 1, s. 169–174.
Mitä dataa yrityksenne kerää liiketoiminnan kehitystarkoituksiin ja miten?
Mikä on datan lähde?
Millaista dataa?
Millä tavalla dataa kerätään?
Minne data varastoidaan?
Miten ja millä työkaluilla dataa käsitellään ja analysoidaan?
Miten dataa käsitellään?
Miten dataa analysoidaan?
Millä työkaluilla analysointia tehdään / tuetaan?
Miten analyysin tuloksia hyödynnetään liiketoiminnan kehittämisessä?
Mitä kohteita datan avulla kehitetään?
Mitä kehitystä kyseisissä kohteissa dataa hyödyntämällä tehdään?
Mitä haasteita ja riskejä datan keräämiseen ja hyödyntämiseen liittyy?
Datan keräämiseen liittyvät haasteet?
Datan hyödyntämiseen liittyvät riskit?
Onko koronapandemia vaikuttanut toiminnan kehitykseen?
Hidastanut / keskeyttänyt kehitysprojekteja?
Onko etätyöskentelyyn siirrytty koronan aikana tai jo ennen sitä?
Onko koronalla ollut muita vaikutuksia liiketoiminnan kehittämiseen?
Mihin suuntaan datan hyödyntäminen on tulevaisuudessa menossa?
Minkälaista dataa liiketoiminnan kehittämiseen tarvittaisiin ja miksi?
Onko käynnissä datan merkitystä korostavia projekteja?
Onko suunnitelmia tulevaisuuden kehitykselle?