Treenausdata, analyysidata, SQL-server, Stata-analyysi.

1. Teemana:
KASVU-
RYHMÄ
Prospekti- ja
jäsendatan
purku.
1) Tavoiteet
?
2) Data-
esittelyt.
3) Data-
mallit.
Jatko-ideat ?

2. 2) TAULUKOINNIT JA
RISTIINTAULUKOINNIT JA TUNNUSLUVUT
• A) PROSPEKTI- JA JÄSENDATAN
taulukot ja ristiintaulukoinnit on
esitetty tarkemmin liitemuistiossa.
• B) Samoin muuttujien keskiarvot,
mediaanit, prosenttipisteet,
keskihajonnat, varianssit.
• C) Samoin muuttujien väliset
lineaariset riippuvuudet eli
korrelaatiot ja näiden tilastolliset
merkitsevyydet.

3. 1) Tavoitteet?
• 1)Tavoitteena on ANALYSOIDA tilastollisesti
PROSPEKTIT ja JÄSENYRITYKSET aineistoja
(välilehdet). Mitä ne kertovat yrityksistä?
• Tavoitteena on 1) kohdan analyysien
perusteella tehdä JOHTOPÄÄTÖKSIÄ
aineiston tunnusluvuista,
riippuvuussuhteista ja varmistaa toimivuus /
kehittää indikaattoreita.
• Lopuksi IDEOIDAAN UUTTA ja kerrotaan
projektinhallinnan Agile/Scrumista. Miten
kehitämme asioita JA jalkautamme ne ?
• BONUS: KPI-, OKR-, ROI-indikaattori, Real-
World Data, Open Data mahdollisuudet.

4. 2) Muita havaintoja Datasta
(prospekti/jäsenet)
• Excel alalehdillä on paljon välilyöntejä,
pilkkuja ja tuplatietoja, vuodet sekaisin tai
vuosihyppyä, -->> poistin ne Stata ohjelmaa
varten, ts-emailatussa välilehdellä ne on
poistettu. Prospektidatassa on tilasto-
analyysin kannalta riittävästi havaintoja ja
suuri otoskoko.
• Mikäli olisi ollut enemmän aikaa, niin olisin
vertaillut jäsenyritys-välilehden ja
prospektivälilehden yrityksiä hieman
tarkemmin.
• Datan otoksen suppeus rajoittaa (jäsenet
välilehti) tilastollista luottamusta. Suurempi
otos, josta poimittu näytteeksi tämä?

5. 3) MITÄ PROSPEKTI-DATAN ANALYYSI
KERTOO?
• ANALYYSI1) Suuret yritykset kasvavat hieman hitaammin kuin pienet
yritykset (Liikevaihto).Vainu-indeksi vaikuttaa myönteisesti kasvuun. Toisin
sanoen ennustaa kasvuyrityksiä. Tämä erityisesti LOGARITMISESSA mallissa
(Kasvu >0, positiivinen!) ->tulokset regressiomalleissa !
• ANALYYSI2) Maakohtaisesti vertailtaessa kansainvälistyneet yritykset
kasvattavat LIIKEVAIHTOA=LV hieman nopeammin kuin pelkästään
kotimaassa toimivat (regressiot).
• ANALYYSI3) Pääkomponentti- ja faktorianalyysi viittaavat siihen, että noin 3
kpl SOME/DIGI-indikaattoria riittää kuvaamaan KASVUILMIÖTÄ (sis. Vainu-
indikaattori).
• JOHTOPÄÄTÖS1.:
• VAINU ON HYVÄ JA TILASTOLLISESTI MERKITSEVÄ INDIKAATTORI. (Muitakin
on ja ne vaatinevat lisäsäätöjä?) JA LIIKEVAIHDON KASVU ENNUSTAA
TULOKSEN KASVUA !
• JOHTOPÄÄTÖS2.:
• Yritysten välinen vaihtelu LV ja TULOS on TOIMIALA- JA TOIMINTAMAA-
Taulukkojen ja regressioiden perusteella voimakasta (Std.Dev. =
Keskihajonta -> voimakasta volatiliteettia).
• JOHTOPÄÄTÖS3.:
• MAHDOLLISET JATKOTARKASTELUT: Tarkempi jaottelu tehtävä ja tutkittava
toimialoja syvemmin. Regressiot osoittavat tilastollisen pätevyyden ja
merkitsevyyden (liitemuistio!). On kehitettävä nykyisiä ja uusia
indikaattoreita eteenpäin ja mietittäväksi 0/1-dummy probit/logit
tilastomalli konkurssiuhalle tai sille, että saavutetaan 5v.:ssa 1 Milj.€
liikevaihto. Yhdessä tai erikseen.
P>|t|
P>|t|

6. 3) MITÄ JÄSENDATAN
ANALYYSI KERTOO?
• 1) Jäsendata on hyvin suppea, mutta se
kertoo, että jäsenyritykseksi tuleminen
kasvuryhmään kasvattaa henkilöstömäärää.
Tilastollisesti merkitsevä ero regressiossa
(liitemuistio).
• 2) Liikevaihdon osalta samaa ei voida sanoa,
mutta suhdanne pitäisi tässä kontrolloida
paremmin.
• 3) Jäsendatan tilastollinen merkitsevyys jää
heikoksi, koska otos pieni. Pitää kerätä
isompi aineisto ja varmistaa vuodet oikeassa
järjestyksessä ja ilman hyppyjä/aukkoja
datassa, ts. aineiston laatu paremmaksi.

7. LIITETIEDOSTOT
• 1) Tämä Powerpoint esitys, ES,
12.8.2021.
• 2) Notepad-muistio Stata IC 14
ajovirroista ja niiden tulkinnasta
kirjoitettuna muistioon. TÄRKEÄ!
• 3) Muokattu Excel-data,
VÄLILEHTI PROSPEKTIT
• VÄLILEHTI JÄSENYRITYKSET.

8. LOPUKSI, FINAL
NOTES:
DATAN JA
TEKOÄLYN
KEHITYSNÄKYMÄT
v.2021

9. Case: Digitaaliset kaksoset - MALLI ja REAL-WORLD -
“Digital Twins”.
• DATA JA ALUSTATALOUS ->> ON KPI, OKR -
INDIKAATTORIT JA NIIDEN RAPORTOINTI
KUNTOON JA JALKAUTUKSEEN. ROI-IND. !!
• If we are talking about digital twins, we most
frequently think about a software or AI solution
mirroring a production system in a digital way.
But there is more to that. The production system
had a history before it was been built and digital
twins can support the complete development
cycle of such a product.
• Therefore,
• 1) Reason=SUUNNITTELE= stands for the product
planning phase,
• 2) Realize=TUOTANTO= stands for the product
production phase, and
• 3) Run=MYY= stands for the product deployment
phase. Three different digital twins, all working in
orchestration. That is, data from a deployed
product can influence planning and production of
the new version of the product.
• APPLICATIONS TO OUR USE:
• Part-twin, bearing, laakeri, kuulalaakeri.
• Product-twin, generator, dynamo, engine.
• System-twin, power-turbine, car, power plant,
power grid (or partition).
• Gaming-twin: Fantasy Football, Betting fantasy
match, Ice hockey fantasy and mobile playing.
• Modeling-twin: Statistical or AI / ML model of
REAL-WORLD DATA / OPEN DATA:
• Pre-reading: IBM blog:
• https://developer.ibm.com/artic
les/digital-twins-and-the-
internet-of-things/
• = We must think like, Ideointi
siirtyy AI & ML
tekoälysovelluksiin:
• * DATA- JA
TILASTORAPORTOINTI
• * YKSI- JA
MONIMUUTTUJAMALLIT
• * TEKOÄLY JA ML-MALLIT (OLS,
SUR, VAR, ARCH, GARCH,
PROBIT, LOGIT, TOBIT
REGRESSIOT
• * ETL, AD, SSIS, SSRS, SSIS, SSIS
PROSESSIT,
• JIRA, CONFLUENCE, SLACK JA
KAIKEN DOKUMENTOINTI.
• MODELING TWIN TÄRKEÄ !!! ->

10. • Tekoäly ja palveluiden digitalisaatio (Artificial Intelligence &
Machine Learning) perustuvat menetelmät tulevat
aiheuttamaan pian 4.teollisen vallankumouksen ! (1. Hiili &
höyrykoneet, 2. Teräs ja sähkökoneet, 3. Tietokoneet ja
mikroprosessori).
• Ohjelmisto (software) kerää dataa kaikista koneista ja
laitteista, joista: koneen sisään rakennettu
tilastomatemaattinen hakukone ja oppimisfunktio optimoi
asetukset. Software seuraa tilannetta & parametreja.
Varoittaa vaaroista.
• Home-application: Automaattinen imuri kotona, Google
hakukone, älykäs nettipankki ilmastoinnin ja tuuletuksen
itsesäätyvyys, sähköverkon automaatio.
• Liikennelentokone (Dreamliner, Gulfstream…) ja
henkilöauto (BMW, Audi, Lexus…) on ehkä pisimmälle
kehittettyjä jokapäiväisistä siviilikäyttöisistä tuotteista.
Lentoautomatiikka, autopilotti! Fly-by-wire.
• Tulevaisuus: itseajavat laitteet ja itsesäätyvät mekanismit->
self-driving vehicles, self-analyzing software, IoT of stadium
infra.

11. HYÖDYNNÄ AVOIN DATA! -
Open Data, Real-World Data.
Vahvuudet -Strengths Heikkoudet - Weakness
Opportunities Threats
• Helposti saatavilla. API-, SQL-, jne.
• Yhä enenevässä määrin tarjolla ja
edullista tai jopa “ilmaista”.
• Varsin helppoa poimia ja integroida
muihin datoihin kuten KPI !
• Datassa on jo valinnat muuttujien ja
muiden ominaisuuksien suhteen
suoritettu ennen julkaisua, rajoittaa!
• Vähäiset mahdollisuudet muuttaa datan
struktuuria tai kehittää laatua!
• Data Visualization / Data Sharing,
• -> Scientific / tieteellinen työ.
• Avoin rajapinta, ETL, sharing.
• Integrointi olemassa oleviin KPI-
raportteihin.
• Aggregoitua, eli summattua dataa.
Kotitalous, yritysdata lisättävä.
• GDPR-riskit olemassa,
henkilötunnus-vuoto yms.
• Puhelinnumerot, osoitteet yms.
karkaavat bittiavaruuteen /
hakkereille ?
• Pahimmassa tapauksessa:
Debit/Credit tiedot karkaavat
bittiavaruuteen / hakkereille ?
V H
M U
Mahdollisuudet - Uhat -

12. TAVOITTEEMME DATA TYÖSSÄMME
–> TULOSTEN JALKAUTTAMINEN JA VISUALISOINTI !
17.8.2021
RAMBOLL
-
Työhaastattelu
-
Eero
Siljander
12
•
• 1) Luo IT/Data-yleisnäkymä ja kartoita
tarpeet, analysoi framework ja
visualisoi konsepti -> flap board.
• Tunnista tarvittava DATA ASIA /
KEHITYSKOHDE !
• Jatkopalaverit:
• 2) Vertaile A) B) C) etc. vaihtoehtoja ja
niiden toteutusta - Costs, Time, Staff !
• 3) Suunnittele Datawarehouse (Azure,
SQL, AWS) & Business Intelligence
ratkaisut (PowerBI, Excel, Qliksense) !
• Etumme –Olemme ketterä, Agile:
• Scrum & Backlog. Weekly Sprints!
Sovitut tehtävät ja toimenkuvat.
• Tulosten raportointi selkeästi. Mm.
Dashboards, .NET-reports, PPT's.
• A) Räätälöinti. Esim. Cloud time
payments. Software License control.
• B) Riskien hallinta. DBA, AD-
directory, IAM management.
Cybersecurity!
• C) A)+B) Kustannusten hallinta. Cost
management !

14. KIITOS, OLLAAN KUULOLLA :) ! THANKS.
▪ Mottoni: “ DATA JA ALUSTATALOUS ->> LAITAMME DW-ALUSTAT, KPI, OKR -
INDIKAATTORIT JA NIIDEN RAPORTOINTI KUNTOON JA JALKAUTUKSEEN. ROI-
INDIKAATTORIT MYÖS :) ! “
▪ VTL-lisensiaatti, VTM, Economics,
▪ Econometrics line, University of Helsinki.
▪ Eero Siljander,
▪ IPMA D Projektipäällikkö, Project Manager, PRY yhdistys, 2015.
▪ ProTalent-viestintäkoulutettu 2008, ProjectTalent-kurssi, 2015, Talentgate Oy.
▪ Eerosiljander59@gmail.com
▪ Puh. 0407542200
▪ Julkaisuja:
▪ https://www.linkedin.com/today/author/eero-siljander-b498ba26
▪ https://www.slideshare.net/EeroSiljander
▪ www.ssrn.com ja haku “Eero Siljander”.
17.8.2021
RAMBOLL
-
Työhaastattelu
-
Eero
Siljander
14