Pohdinta

Tutkimuksen toimeksiantajayritys oli Heeros Oyj ja tutkimuksessa haluttiin saada tietoa yrityksen asiakkaiden välisisistä sidoksista data-analytiikkaa hyö-dyntäen. Koska tutkimus toteutettiin yritykselle, on luonnollista, että vastaavia tutkimuksia ei löydy aiemmasta kirjallisuudesta. Tämän vuoksi tässä tutkimuk-sessa hyödynnettiin kirjallisuutta sekä markkinoinnin, että myös tietojärjestel-mätieteen alalta.

Tutkimus toteutettiin kvantitatiivisena eli määrällisenä tutkimuksena ja tut-kimusaineistona käytettiin toimeksiantajayrityksen asiakkaiden transaktiodataa.

Tutkijan rooliksi jäi täten aineiston kasaaminen ohjelmallisesti tietokannoista pil-viympäristöön, tietojen suodattaminen ja käsittely, sekä itse analysoinnin toteu-tus lopullista dataa hyödyntäen. Tietojen suodattamisessa ja käsittelyssä ei

koskettu datan sisältöön, vaan aineisto rajattiin ja anonymisoitiin tutkijasta riip-pumattomasti. Tällöin tutkimus oli tutkijasta riippumaton, jolloin tutkimustulok-sia voidaan pitää objektiivisina.

Tutkimuksessa käytettiin attribuutteina transaktioiden määrää, sidoksen kestoa sekä laskennallista päiväkohtaista transaktiomäärää. Koska nämä tiedot eivät ole toimeksiantajayrityksestä riippuvaisia, ovat tutkimustulokset niiden suhteen yleistettävissä. On kuitenkin syytä huomata, että tutkimuksessa tehty klusterianalyysi tehtiin toimeksiantajayrityksen asiakkaista ja niiden transakti-oista, jolloin erilaisella tutkimusaineistolla myös klusterianalyysin seurauksena muodostetut ryhmät ovat tunnusluvuiltaan erilaisia. Voidaan kuitenkin joka ta-pauksessa yleistäen todeta, että data-analytiikan avulla on mahdollista havaita erilaisia yritysten välisiä sidoksia transaktiodataa lähdeaineistona käyttäen.

Tässä tutkimuksessa yritysten välisten sidosten vaiheiden viitekehyksenä käytet-tiin luvussa 2.1 kuvattuja vaiheita. On syytä huomata, että viitekehyksissä kuva-tut vaiheet eivät sisältäneet tarkkoja numeerisia määritelmiä esimerkiksi transak-tioiden määrästä ja suhteen kestosta. Tällöin yritysten välinen suhde voi olla huo-mattavan eri pituinen eri yrityksillä, vaikka OM-suhteen vaihe sinänsä olisi sama.

Tutkimuksen tarkoituksena oli lisätä ymmärrystä aiheesta, josta ei juuri-kaan ollut aiempaa tutkimusta ja toisaalta myös tarjota tietoa toimeksiantajayri-tykselle asiakasyritystensä välisistä sidoksista. Edellä mainittiin, että tutkimuk-sen avulla saatiin selville, että data-analytiikan avulla on mahdollista havaita eri-laisia yritysten välisiä sidoksia transaktiodataa lähdeaineistona käyttäen. Tämän tutkimuksen pohjalta voidaan todeta, että klusterianalyysi käyttäen attribuut-teina sidoksen kestoa, transaktiomäärää ja päiväkohtaista laskennallista transak-tiomäärää lajittelee suhteet sellaisiksi, että ne ovat piirteiltään kirjallisuudessa esiintyviä OM-suhteiden vaiheita. Tällaista aihepiiriä ei aiemmasta kirjallisuu-desta löytynyt. Toimeksiantajayrityksen kannalta relevantti jatkotutkimusaihe voisi olla edellä mainittujen OM-yritysten suhteiden analysointi. Kirjallisuuskat-sauksessa käytiin läpi tarkemmin, millaisia muuttujia ja ulottuvuuksia OM-suh-teessa on olemassa. Data-analytiikkaa voisi yrittää hyödyntää myös niiden ha-vaitsemisessa.

LÄHTEET

Agarwal, R., & Dhar, V. (2014). Big data, data science, and analytics: The opportunity and challenge for IS research.

Anderson, J. C., Håkansson, H., & Johanson, J. (1994). Dyadic business relationships within a business network context. Journal of marketing, 58(4), 1-15.

Au, W. H., Chan, K. C. C., & Yao, X. (2003). A novel evolutionary data mining algorithm with applications to churn prediction. IEEE Transactions on Evolutionary Computation, 7, 532–545.

Baum, J. A., & Oliver, C. (1991). Institutional linkages and organizational mortality. Administrative science quarterly, 187-218.

Bose, R. (2009). Advanced analytics: opportunities and challenges. Industrial Management & Data Systems, 109(2), 155-172.

Coleman, S., Göb, R., Manco, G., Pievatolo, A., Tort-Martorell, X., & Reis, M. S.

(2016). How can SMEs benefit from big data? Challenges and a path forward. Quality and Reliability Engineering International, 32(6), 2151-2164.

Cooper, A. (2012). What is analytics? Definition and essential characteristics. CETIS Analytics Series, 1(5), 1-10.

De Mauro, A., Greco, M., & Grimaldi, M. (2015, February). What is big data? A consensual definition and a review of key research topics. In AIP

conference proceedings (Vol. 1644, No. 1, pp. 97-104). AIP.

Dwyer, F. R., Schurr, P. H., & Oh, S. (1987). Developing buyer-seller relationships. Journal of marketing, 51(2), 11-27.

Fan, S., Lau, R. Y., & Zhao, J. L. (2015). Demystifying big data analytics for business intelligence through the lens of marketing mix. Big Data Research, 2(1), 28-32.

Ford, David. (1980). The Development of Buyer-Supplier Relationships In Industrial Markets. European Journal of Marketing. 14. 339-353.

Ganesan, S. (1994). Determinants of long-term orientation in buyer-seller relationships. Journal of marketing, 58(2), 1-19.

Hallikainen, H., Savimäki, E., & Laukkanen, T. (2020). Fostering B2B sales with customer big data analytics. Industrial Marketing Management, 86, 90-98.

Holmlund, M., & Törnroos, J. Å. (1997). What are relationships in business networks?. Management decision.

Iqbal, M., Kazmi, S. H. A., Manzoor, A., Soomrani, A. R., Butt, S. H., & Shaikh, K. A. (2018, March). A study of big data for business growth in SMEs:

Opportunities & challenges. In 2018 International Conference on Computing, Mathematics and Engineering Technologies (iCoMET) (pp. 1-7). IEEE.

Koh, J. & Venkatraman, N. (1991). Joint venture formations and stock market reactions: an assessment in the information technology sector. Academy of Management Journal, 869-892.

Kracklauer, A. H., Mills, D. Q., & Seifert, D. (2004). Customer management as the origin of collaborative customer relationship management.

Collaborative Customer Relationship Management - taking CRM to the next level, 3–6.

Kunz, W., Aksoy, L., Bart, Y., Heinonen, K., Kabadayi, S., Ordenes, F. V., ... &

Theodoulidis, B. (2017). Customer engagement in a big data world. Journal of Services Marketing.

Larson, D., & Chang, V. (2016). A review and future direction of agile, business intelligence, analytics and data science. International Journal of

Information Management, 36(5), 700-710.

Lehtinen, J. (2014). Analytiikan hyödyntäminen pk-yritysten liiketoiminnassa.

Lim, E. P., Chen, H., & Chen, G. (2013). Business intelligence and analytics:

Research directions. ACM Transactions on Management Information Systems (TMIS), 3(4), 17.

Ling, R., & Yen, D. C. (2001). Customer relationship management: An analysis framework and implementation strategies. Journal of Computer

Information Systems, 41, 82–97.

Linoff, G. S., & Berry, M. J. (2004). Data mining techniques: for marketing, sales, and customer relationship management. John Wiley & Sons.

Macneil, I. R. (1977). Contracts: Adjustment of long-term economic relations under classical, neoclassical, and relational contract law. Nw. UL Rev., 72, 854.

Ngai, E. W., Xiu, L., & Chau, D. C. (2009). Application of data mining

techniques in customer relationship management: A literature review and classification. Expert systems with applications, 36(2), 2592-2602.

Runkler, T. (2012). Data Analytics: Models and Algorithms for Intelligent Data Analysis.

Shaw, M. J., Subramaniam, C., Tan, G. W., & Welge, M. E. (2001). Knowledge management and data mining for marketing. Decision Support Systems, 31, 127–137.

Turban, E., Aronson, J. E., Liang, T. P., & Sharda, R. (2007). Decision support and business intelligence systems (Eighth ed.). Pearson Education.

Vesalainen, J. (2006). Kaupankäynnistä kumppanuuteen. Yritystenvälisten suhteiden elementit, analysointi ja kehittäminen.

Wilson, D. T. (1995). An integrated model of buyer-seller relationships. Journal of the academy of marketing science, 23(4), 335-345.

Wirth, R., & Hipp, J. (2000, April). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (pp. 29-39).

London, UK: Springer-Verlag.

Romesburg, C. (2004). Cluster analysis for researchers.

Sagiroglu, S., & Sinanc, D. (2013, May). Big data: A review. In 2013 International Conference on Collaboration Technologies and Systems (CTS) (pp. 42-47).

IEEE.

Suomalaisten pk-yritysten digitaalisuus. (2017).

https://www.yrittajat.fi/sites/default/files/suomalaisten_pk_yritysten_

digitaalisuus_2017.pdf

Tableau. (2020). https://help.tableau.com/current/pro/desktop/en-us/clustering.htm#the-clustering-algorithm

Thomas, R. M. (2003). Blending qualitative and quantitative research methods in theses and dissertations. Corwin Press

Uzzi, B. (1996). The sources and consequences of embeddedness for the economic performance of organizations: The network effect. American sociological review, 674-698.

Vartiainen, H. (2018). Big datan hyödyntäminen suomalaisissa pk-yrityksissä.

Vilkka, H. (2007). Tutki ja mittaa: Määrällisen tutkimuksen perusteet.

Vilpas, P. (2018). Kvantitatiivinen tutkimus. Metropolia. Pdf-tiedosto.

Saatavissa: https://users. metropolia. fi/~ pervil/kvantsu/Moniste. pdf.

Viitattu, 27, 2018.

YTJ. (2020). https://www.ytj.fi/index/avoindata.html YouGov & Tableau. (2020). Haettu 19.11.2020 osoitteesta

https://public.tableau.com/profile/tableau.research#!/vizhome/YouGo vSurvey/Data-DrivenCompaniesareResilient