Datan laadunhallinnan käyttöönotto energia-alan yrityksessä
Solin, Aino (2022)
Diplomityö
Solin, Aino
2022
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2022112466776
https://urn.fi/URN:NBN:fi-fe2022112466776
Tiivistelmä
Diplomityössä tutkittiin datan laadunhallinnan käyttöönottoa energia-alan yrityksen Helenin data-alustalla sekä salkkuennusteprosessissa. Tutkimusta edelsi vuonna 2021 toteutettu nykytila-analyysi datan laadusta ja sen hallinnasta, jossa havaittiin puutteita muun muassa salkkuennusteprosessissa hyödynnetyn datan, kuten sopimustietojen, laadussa. Työn tavoitteet ja rajaukset laadittiin nykytila-analyysissa tunnistettujen puutteiden sekä valitun toteutuskumppanin viitekehyksen pohjalta. Tavoitteena oli ottaa datan laadunhallinnan menetelmiä käyttöön data-alustalla sekä kehittää toimivia datan laadunhallinnan yhteistyö- ja toimintamalleja liiketoiminnan ja Data ja tekoäly-yksikön välille.
Tutkimus toteutettiin toimintatutkimuksena, jonka alussa tutustuttiin teoriaan ja alan parhaisiin käytäntöihin datan laadun ja sen hallinnan osalta. Näihin aikoihin myös tunnistettiin liiketoimintavaatimukset ja halutut toiminnallisuudet laadunhallintamenetelmien osalta, joiden jälkeen toiminnallisuuksia työstettiin ja otettiin käyttöön data-alustalla. Tämän jälkeen toteutuksen toimivuutta seurattiin ja toimintamalleja kehitettiin tarvittaessa. Tuloksia reflektoitiin ja arvioitiin jatkuvasti, jotta lopputulos vastaisi haluttua tavoitetilaa.
Tutkimuksen lopputuloksena halutut datan laadunhallinnan menetelmät ja periaatteet saatiin käyttöönotettua data-alustalle sekä salkkuennusteprosessiin, muutamia poikkeuksia lukuun ottamatta. Jatkossa moduulia ja sen toiminnallisuuksia voidaan laajentaa muihinkin prosesseihin ja niiden käyttämään dataan. Yhtenä potentiaalisista kehitysalueista datan laadunhallinnassa on tekoäly ja koneoppiminen. Näiden hyödyntäminen datan laadunhallinnassa ja siihen liittyvien akateemisten tutkimusten määrän uskotaan lisääntyvän tulevaisuudessa. Myös vastaavien ratkaisujen käyttöönottoa tullaan mahdollisesti tekemään Helenillä jossain vaiheessa. This thesis investigated how data quality management could be implemented at Helen Oy both in their data platform and in electricity price hedging process. The study was preceded by a current state analysis of data quality and its management carried out in 2021, where deficiencies were found, for example, in the quality of data used in the portfolio forecasting process, such as contract data. The goals and limitations of the work were drawn up based on the deficiencies identified in the current state analysis and reference framework of the selected supplier. The goal was to implement data quality management methods on the data platform and to develop functional data quality management cooperation and operating models between business operations and the Data and Artificial Intelligence unit.
The research was carried out as action research, which began with getting to know the theory and the best practices in data quality and its management. Around this time, the business requirements and desired functionalities were also identified in terms of quality management methods, after which the functionalities were worked on and implemented on the data platform. After this, the functionality of the implementation was monitored, and operating models were improved. The results were constantly reflected and evaluated so that the results corresponded to the desired target state.
As a result of the research, the desired data quality management methods and principles were implemented in the data platform and in the electricity price hedging process, with a few exceptions. In the future, the data quality module and its functionalities can be extended to other processes and their data. One of the potential areas of development in data quality management lie in artificial intelligence and machine learning. It is believed that the utilization of these in data quality management and the number of related academic studies will increase in the future. The implementation of corresponding solutions will also possibly be done at Helen at some stage.
Tutkimus toteutettiin toimintatutkimuksena, jonka alussa tutustuttiin teoriaan ja alan parhaisiin käytäntöihin datan laadun ja sen hallinnan osalta. Näihin aikoihin myös tunnistettiin liiketoimintavaatimukset ja halutut toiminnallisuudet laadunhallintamenetelmien osalta, joiden jälkeen toiminnallisuuksia työstettiin ja otettiin käyttöön data-alustalla. Tämän jälkeen toteutuksen toimivuutta seurattiin ja toimintamalleja kehitettiin tarvittaessa. Tuloksia reflektoitiin ja arvioitiin jatkuvasti, jotta lopputulos vastaisi haluttua tavoitetilaa.
Tutkimuksen lopputuloksena halutut datan laadunhallinnan menetelmät ja periaatteet saatiin käyttöönotettua data-alustalle sekä salkkuennusteprosessiin, muutamia poikkeuksia lukuun ottamatta. Jatkossa moduulia ja sen toiminnallisuuksia voidaan laajentaa muihinkin prosesseihin ja niiden käyttämään dataan. Yhtenä potentiaalisista kehitysalueista datan laadunhallinnassa on tekoäly ja koneoppiminen. Näiden hyödyntäminen datan laadunhallinnassa ja siihen liittyvien akateemisten tutkimusten määrän uskotaan lisääntyvän tulevaisuudessa. Myös vastaavien ratkaisujen käyttöönottoa tullaan mahdollisesti tekemään Helenillä jossain vaiheessa.
The research was carried out as action research, which began with getting to know the theory and the best practices in data quality and its management. Around this time, the business requirements and desired functionalities were also identified in terms of quality management methods, after which the functionalities were worked on and implemented on the data platform. After this, the functionality of the implementation was monitored, and operating models were improved. The results were constantly reflected and evaluated so that the results corresponded to the desired target state.
As a result of the research, the desired data quality management methods and principles were implemented in the data platform and in the electricity price hedging process, with a few exceptions. In the future, the data quality module and its functionalities can be extended to other processes and their data. One of the potential areas of development in data quality management lie in artificial intelligence and machine learning. It is believed that the utilization of these in data quality management and the number of related academic studies will increase in the future. The implementation of corresponding solutions will also possibly be done at Helen at some stage.