Competitiveness from data and analytics : required competency in organization

Abstract

Tässä pro gradu – tutkimuksessa tarkoituksena on selvittää mitä kompenssivaatimuksia data analytiikassa on ja mitkä kompetenssit ovat tärkeimpiä asiakkaalle luodun arvon kannalta. Tutkimuksessa on hyödynnetty mixed method – lähestymistapaa, jossa yhdistetään määrillisen ja laadullisen tutkimuksen elementtejä. Empiirinen tutkimus pohjautuu kirjallisuuskatsauksen tuloksiin. Empiirinen tutkimus toteutettiin sähköisin kyselylomakkein, jotka sisälsivät sekä strukturoituja että avoimia kysymyksiä. Tutkimukseen osallistui 18 henkilöä kolmesta eri yrityksestä. Strukturoitujen kysymysten vastaukset valmisteltiin kuvailevien tilastomenetelmien avulla ja analysoitiin verraten löydöksiä kirjallisuuskatsauksen tuloksiin. Avointen vastausten analysointi tehtiin Korossyn Competence-Performance -teorian pohjalta. Data-analyytikoilta vaadittavat kompetenssit olivat kirjallisuudessa ja tutkimuksen empiirisessä aineistossa pääosin samankaltaisia. Suurin poikkeus tähän oli ohjelmointitaidot ja koneoppiminen. Niiden tärkeyttä painotettiin kirjallisuudessa. Empiirisessä aineistossa keskimääräinen osaaminen ei ollut erityisen korkea ja vaihteli melko paljon. Siitä huolimatta osallistujat eivät kokeneet sitä ongelmaksi. Muu tekninen osaaminen vaihteli melko paljon, lukuun ottamatta muutamaa teknistä taitoa, jotka toistuivat kaikissa aineistoissa. Tulosten perustella asiakkaan arvon luonnin kannalta tärkeimmät kompetenssit ovat data-arkkitehtuurin suunnittelu, tietämys datan ja liiketoiminnan yhdistämisestä sekä yrityksen strateginen suunnittelu. Nämä kompetenssit tulivat esiin sekä yksilöiden että yrityksen kompetensseina. Yksilöt tarvitsevat edellä mainittua osaamista, mutta myös yrityksen panos on välttämätön. Yleisesti ottaen, henkilökohtaisia piirteitä ja liiketoiminnallista osaamista arvostettiin teknistä osaamista enemmän.

The purpose of this master’s thesis is to determine the competency requirements of data analytics and identify the most beneficial competencies that create customer value. This study is implemented using a mixed-method approach, which combines qualitative and quantitative methods. A literature review is at the base of the empirical research. The empirical study is done using questionnaires, in which both structured and unstructured questions are used. A total of 18 participants from three different companies are involved in the study. Descriptive statistics and graphs are used to summarize the answers to the structured questions. Descriptions are compared with the literature review findings. Analysis of open questions is carried out using the Competence Performance Theory of Korossy. Competency requirements of data analysts found in empirical research had much in common with the requirements described in the literature. The major exceptions to this are programming skills and machine learning. Their importance is emphasized in the literature. In the empirical data, the knowledge varies quite a lot. Nevertheless, respondents do not see it as a problem. Aside from a few technical skills, which are repeated in all datasets, other skills also vary. The results justify the main competencies needed for the creation of customer value, which are data architecture design, business planning, and knowledge of the company's strategic planning. These competencies were raised as competencies both for individuals and the organization. Individuals need the skills mentioned above, but the company's contribution is also essential. Generally speaking, personal traits and business skills were appreciated more than technical skills.