際際滷

際際滷Share a Scribd company logo

Data kasvuryhma es-2021

Download as PPTX, PDF
Eero Siljander
Eero Siljander

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

1 of 14
Download to read offline
Teemana: KASVU- RYHM Prospekti- ja j辰sendatan purku. 1) Tavoiteet ? 2) Data- esittelyt. 3) Data- mallit. Jatko-ideat ?
2) TAULUKOINNIT JA RISTIINTAULUKOINNIT JA TUNNUSLUVUT A) PROSPEKTI- JA JSENDATAN taulukot ja ristiintaulukoinnit on esitetty tarkemmin liitemuistiossa. B) Samoin muuttujien keskiarvot, mediaanit, prosenttipisteet, keskihajonnat, varianssit. C) Samoin muuttujien v辰liset lineaariset riippuvuudet eli korrelaatiot ja n辰iden tilastolliset merkitsevyydet.
1) Tavoitteet? 1)Tavoitteena on ANALYSOIDA tilastollisesti PROSPEKTIT ja JSENYRITYKSET aineistoja (v辰lilehdet). Mit辰 ne kertovat yrityksist辰? Tavoitteena on 1) kohdan analyysien perusteella tehd辰 JOHTOPTKSI aineiston tunnusluvuista, riippuvuussuhteista ja varmistaa toimivuus / kehitt辰辰 indikaattoreita. Lopuksi IDEOIDAAN UUTTA ja kerrotaan projektinhallinnan Agile/Scrumista. Miten kehit辰mme asioita JA jalkautamme ne ? BONUS: KPI-, OKR-, ROI-indikaattori, Real- World Data, Open Data mahdollisuudet.
2) Muita havaintoja Datasta (prospekti/j辰senet) Excel alalehdill辰 on paljon v辰lily旦ntej辰, pilkkuja ja tuplatietoja, vuodet sekaisin tai vuosihyppy辰, -->> poistin ne Stata ohjelmaa varten, ts-emailatussa v辰lilehdell辰 ne on poistettu. Prospektidatassa on tilasto- analyysin kannalta riitt辰v辰sti havaintoja ja suuri otoskoko. Mik辰li olisi ollut enemm辰n aikaa, niin olisin vertaillut j辰senyritys-v辰lilehden ja prospektiv辰lilehden yrityksi辰 hieman tarkemmin. Datan otoksen suppeus rajoittaa (j辰senet v辰lilehti) tilastollista luottamusta. Suurempi otos, josta poimittu n辰ytteeksi t辰m辰?
3) MIT PROSPEKTI-DATAN ANALYYSI KERTOO? ANALYYSI1) Suuret yritykset kasvavat hieman hitaammin kuin pienet yritykset (Liikevaihto).Vainu-indeksi vaikuttaa my旦nteisesti kasvuun. Toisin sanoen ennustaa kasvuyrityksi辰. T辰m辰 erityisesti LOGARITMISESSA mallissa (Kasvu >0, positiivinen!) ->tulokset regressiomalleissa ! ANALYYSI2) Maakohtaisesti vertailtaessa kansainv辰listyneet yritykset kasvattavat LIIKEVAIHTOA=LV hieman nopeammin kuin pelk辰st辰辰n kotimaassa toimivat (regressiot). ANALYYSI3) P辰辰komponentti- ja faktorianalyysi viittaavat siihen, ett辰 noin 3 kpl SOME/DIGI-indikaattoria riitt辰辰 kuvaamaan KASVUILMIT (sis. Vainu- indikaattori). JOHTOPTS1.: VAINU ON HYV JA TILASTOLLISESTI MERKITSEV INDIKAATTORI. (Muitakin on ja ne vaatinevat lis辰s辰辰t旦j辰?) JA LIIKEVAIHDON KASVU ENNUSTAA TULOKSEN KASVUA ! JOHTOPTS2.: Yritysten v辰linen vaihtelu LV ja TULOS on TOIMIALA- JA TOIMINTAMAA- Taulukkojen ja regressioiden perusteella voimakasta (Std.Dev. = Keskihajonta -> voimakasta volatiliteettia). JOHTOPTS3.: MAHDOLLISET JATKOTARKASTELUT: Tarkempi jaottelu teht辰v辰 ja tutkittava toimialoja syvemmin. Regressiot osoittavat tilastollisen p辰tevyyden ja merkitsevyyden (liitemuistio!). On kehitett辰v辰 nykyisi辰 ja uusia indikaattoreita eteenp辰in ja mietitt辰v辰ksi 0/1-dummy probit/logit tilastomalli konkurssiuhalle tai sille, ett辰 saavutetaan 5v.:ssa 1 Milj. liikevaihto. Yhdess辰 tai erikseen. P>|t| P>|t|
3) MIT JSENDATAN ANALYYSI KERTOO? 1) J辰sendata on hyvin suppea, mutta se kertoo, ett辰 j辰senyritykseksi tuleminen kasvuryhm辰辰n kasvattaa henkil旦st旦m辰辰r辰辰. Tilastollisesti merkitsev辰 ero regressiossa (liitemuistio). 2) Liikevaihdon osalta samaa ei voida sanoa, mutta suhdanne pit辰isi t辰ss辰 kontrolloida paremmin. 3) J辰sendatan tilastollinen merkitsevyys j辰辰 heikoksi, koska otos pieni. Pit辰辰 ker辰t辰 isompi aineisto ja varmistaa vuodet oikeassa j辰rjestyksess辰 ja ilman hyppyj辰/aukkoja datassa, ts. aineiston laatu paremmaksi.
LIITETIEDOSTOT 1) T辰m辰 Powerpoint esitys, ES, 12.8.2021. 2) Notepad-muistio Stata IC 14 ajovirroista ja niiden tulkinnasta kirjoitettuna muistioon. TRKE! 3) Muokattu Excel-data, VLILEHTI PROSPEKTIT VLILEHTI JSENYRITYKSET.
LOPUKSI, FINAL NOTES: DATAN JA TEKOLYN KEHITYSNKYMT v.2021
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 teko辰lysovelluksiin: * DATA- JA TILASTORAPORTOINTI * YKSI- JA MONIMUUTTUJAMALLIT * TEKOLY 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 TRKE !!! ->
Teko辰ly ja palveluiden digitalisaatio (Artificial Intelligence & Machine Learning) perustuvat menetelm辰t tulevat aiheuttamaan pian 4.teollisen vallankumouksen ! (1. Hiili & h旦yrykoneet, 2. Ter辰s ja s辰hk旦koneet, 3. Tietokoneet ja mikroprosessori). Ohjelmisto (software) ker辰辰 dataa kaikista koneista ja laitteista, joista: koneen sis辰辰n rakennettu tilastomatemaattinen hakukone ja oppimisfunktio optimoi asetukset. Software seuraa tilannetta & parametreja. Varoittaa vaaroista. Home-application: Automaattinen imuri kotona, Google hakukone, 辰lyk辰s nettipankki ilmastoinnin ja tuuletuksen itses辰辰tyvyys, s辰hk旦verkon automaatio. Liikennelentokone (Dreamliner, Gulfstream) ja henkil旦auto (BMW, Audi, Lexus) on ehk辰 pisimm辰lle kehittettyj辰 jokap辰iv辰isist辰 siviilik辰ytt旦isist辰 tuotteista. Lentoautomatiikka, autopilotti! Fly-by-wire. Tulevaisuus: itseajavat laitteet ja itses辰辰tyv辰t mekanismit-> self-driving vehicles, self-analyzing software, IoT of stadium infra.
HYDYNN AVOIN DATA! - Open Data, Real-World Data. Vahvuudet -Strengths Heikkoudet - Weakness Opportunities Threats Helposti saatavilla. API-, SQL-, jne. Yh辰 enenev辰ss辰 m辰辰rin 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! V辰h辰iset mahdollisuudet muuttaa datan struktuuria tai kehitt辰辰 laatua! Data Visualization / Data Sharing, -> Scientific / tieteellinen ty旦. Avoin rajapinta, ETL, sharing. Integrointi olemassa oleviin KPI- raportteihin. Aggregoitua, eli summattua dataa. Kotitalous, yritysdata lis辰tt辰v辰. GDPR-riskit olemassa, henkil旦tunnus-vuoto yms. Puhelinnumerot, osoitteet yms. karkaavat bittiavaruuteen / hakkereille ? Pahimmassa tapauksessa: Debit/Credit tiedot karkaavat bittiavaruuteen / hakkereille ? V H M U Mahdollisuudet - Uhat -
TAVOITTEEMME DATA TYSSMME > TULOSTEN JALKAUTTAMINEN JA VISUALISOINTI ! 17.8.2021 RAMBOLL - Ty旦haastattelu - Eero Siljander 12 1) Luo IT/Data-yleisn辰kym辰 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 ketter辰, Agile: Scrum & Backlog. Weekly Sprints! Sovitut teht辰v辰t ja toimenkuvat. Tulosten raportointi selke辰sti. Mm. Dashboards, .NET-reports, PPT's. A) R辰辰t辰l旦inti. Esim. Cloud time payments. Software License control. B) Riskien hallinta. DBA, AD- directory, IAM management. Cybersecurity! C) A)+B) Kustannusten hallinta. Cost management !
Data kasvuryhma es-2021
KIITOS, OLLAAN KUULOLLA :) ! THANKS. Mottoni: DATA JA ALUSTATALOUS ->> LAITAMME DW-ALUSTAT, KPI, OKR - INDIKAATTORIT JA NIIDEN RAPORTOINTI KUNTOON JA JALKAUTUKSEEN. ROI- INDIKAATTORIT MYS :) ! VTL-lisensiaatti, VTM, Economics, Econometrics line, University of Helsinki. Eero Siljander, IPMA D Projektip辰辰llikk旦, Project Manager, PRY yhdistys, 2015. ProTalent-viestint辰koulutettu 2008, ProjectTalent-kurssi, 2015, Talentgate Oy. Eerosiljander59@gmail.com Puh. 0407542200 Julkaisuja: https://www.linkedin.com/today/author/eero-siljander-b498ba26 /EeroSiljander www.ssrn.com ja haku Eero Siljander. 17.8.2021 RAMBOLL - Ty旦haastattelu - Eero Siljander 14

More Related Content

Data kasvuryhma es-2021

  • 1. Teemana: KASVU- RYHM Prospekti- ja j辰sendatan purku. 1) Tavoiteet ? 2) Data- esittelyt. 3) Data- mallit. Jatko-ideat ?
  • 2. 2) TAULUKOINNIT JA RISTIINTAULUKOINNIT JA TUNNUSLUVUT A) PROSPEKTI- JA JSENDATAN taulukot ja ristiintaulukoinnit on esitetty tarkemmin liitemuistiossa. B) Samoin muuttujien keskiarvot, mediaanit, prosenttipisteet, keskihajonnat, varianssit. C) Samoin muuttujien v辰liset lineaariset riippuvuudet eli korrelaatiot ja n辰iden tilastolliset merkitsevyydet.
  • 3. 1) Tavoitteet? 1)Tavoitteena on ANALYSOIDA tilastollisesti PROSPEKTIT ja JSENYRITYKSET aineistoja (v辰lilehdet). Mit辰 ne kertovat yrityksist辰? Tavoitteena on 1) kohdan analyysien perusteella tehd辰 JOHTOPTKSI aineiston tunnusluvuista, riippuvuussuhteista ja varmistaa toimivuus / kehitt辰辰 indikaattoreita. Lopuksi IDEOIDAAN UUTTA ja kerrotaan projektinhallinnan Agile/Scrumista. Miten kehit辰mme asioita JA jalkautamme ne ? BONUS: KPI-, OKR-, ROI-indikaattori, Real- World Data, Open Data mahdollisuudet.
  • 4. 2) Muita havaintoja Datasta (prospekti/j辰senet) Excel alalehdill辰 on paljon v辰lily旦ntej辰, pilkkuja ja tuplatietoja, vuodet sekaisin tai vuosihyppy辰, -->> poistin ne Stata ohjelmaa varten, ts-emailatussa v辰lilehdell辰 ne on poistettu. Prospektidatassa on tilasto- analyysin kannalta riitt辰v辰sti havaintoja ja suuri otoskoko. Mik辰li olisi ollut enemm辰n aikaa, niin olisin vertaillut j辰senyritys-v辰lilehden ja prospektiv辰lilehden yrityksi辰 hieman tarkemmin. Datan otoksen suppeus rajoittaa (j辰senet v辰lilehti) tilastollista luottamusta. Suurempi otos, josta poimittu n辰ytteeksi t辰m辰?
  • 5. 3) MIT PROSPEKTI-DATAN ANALYYSI KERTOO? ANALYYSI1) Suuret yritykset kasvavat hieman hitaammin kuin pienet yritykset (Liikevaihto).Vainu-indeksi vaikuttaa my旦nteisesti kasvuun. Toisin sanoen ennustaa kasvuyrityksi辰. T辰m辰 erityisesti LOGARITMISESSA mallissa (Kasvu >0, positiivinen!) ->tulokset regressiomalleissa ! ANALYYSI2) Maakohtaisesti vertailtaessa kansainv辰listyneet yritykset kasvattavat LIIKEVAIHTOA=LV hieman nopeammin kuin pelk辰st辰辰n kotimaassa toimivat (regressiot). ANALYYSI3) P辰辰komponentti- ja faktorianalyysi viittaavat siihen, ett辰 noin 3 kpl SOME/DIGI-indikaattoria riitt辰辰 kuvaamaan KASVUILMIT (sis. Vainu- indikaattori). JOHTOPTS1.: VAINU ON HYV JA TILASTOLLISESTI MERKITSEV INDIKAATTORI. (Muitakin on ja ne vaatinevat lis辰s辰辰t旦j辰?) JA LIIKEVAIHDON KASVU ENNUSTAA TULOKSEN KASVUA ! JOHTOPTS2.: Yritysten v辰linen vaihtelu LV ja TULOS on TOIMIALA- JA TOIMINTAMAA- Taulukkojen ja regressioiden perusteella voimakasta (Std.Dev. = Keskihajonta -> voimakasta volatiliteettia). JOHTOPTS3.: MAHDOLLISET JATKOTARKASTELUT: Tarkempi jaottelu teht辰v辰 ja tutkittava toimialoja syvemmin. Regressiot osoittavat tilastollisen p辰tevyyden ja merkitsevyyden (liitemuistio!). On kehitett辰v辰 nykyisi辰 ja uusia indikaattoreita eteenp辰in ja mietitt辰v辰ksi 0/1-dummy probit/logit tilastomalli konkurssiuhalle tai sille, ett辰 saavutetaan 5v.:ssa 1 Milj. liikevaihto. Yhdess辰 tai erikseen. P>|t| P>|t|
  • 6. 3) MIT JSENDATAN ANALYYSI KERTOO? 1) J辰sendata on hyvin suppea, mutta se kertoo, ett辰 j辰senyritykseksi tuleminen kasvuryhm辰辰n kasvattaa henkil旦st旦m辰辰r辰辰. Tilastollisesti merkitsev辰 ero regressiossa (liitemuistio). 2) Liikevaihdon osalta samaa ei voida sanoa, mutta suhdanne pit辰isi t辰ss辰 kontrolloida paremmin. 3) J辰sendatan tilastollinen merkitsevyys j辰辰 heikoksi, koska otos pieni. Pit辰辰 ker辰t辰 isompi aineisto ja varmistaa vuodet oikeassa j辰rjestyksess辰 ja ilman hyppyj辰/aukkoja datassa, ts. aineiston laatu paremmaksi.
  • 7. LIITETIEDOSTOT 1) T辰m辰 Powerpoint esitys, ES, 12.8.2021. 2) Notepad-muistio Stata IC 14 ajovirroista ja niiden tulkinnasta kirjoitettuna muistioon. TRKE! 3) Muokattu Excel-data, VLILEHTI PROSPEKTIT VLILEHTI JSENYRITYKSET.
  • 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 teko辰lysovelluksiin: * DATA- JA TILASTORAPORTOINTI * YKSI- JA MONIMUUTTUJAMALLIT * TEKOLY 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 TRKE !!! ->
  • 10. Teko辰ly ja palveluiden digitalisaatio (Artificial Intelligence & Machine Learning) perustuvat menetelm辰t tulevat aiheuttamaan pian 4.teollisen vallankumouksen ! (1. Hiili & h旦yrykoneet, 2. Ter辰s ja s辰hk旦koneet, 3. Tietokoneet ja mikroprosessori). Ohjelmisto (software) ker辰辰 dataa kaikista koneista ja laitteista, joista: koneen sis辰辰n rakennettu tilastomatemaattinen hakukone ja oppimisfunktio optimoi asetukset. Software seuraa tilannetta & parametreja. Varoittaa vaaroista. Home-application: Automaattinen imuri kotona, Google hakukone, 辰lyk辰s nettipankki ilmastoinnin ja tuuletuksen itses辰辰tyvyys, s辰hk旦verkon automaatio. Liikennelentokone (Dreamliner, Gulfstream) ja henkil旦auto (BMW, Audi, Lexus) on ehk辰 pisimm辰lle kehittettyj辰 jokap辰iv辰isist辰 siviilik辰ytt旦isist辰 tuotteista. Lentoautomatiikka, autopilotti! Fly-by-wire. Tulevaisuus: itseajavat laitteet ja itses辰辰tyv辰t mekanismit-> self-driving vehicles, self-analyzing software, IoT of stadium infra.
  • 11. HYDYNN AVOIN DATA! - Open Data, Real-World Data. Vahvuudet -Strengths Heikkoudet - Weakness Opportunities Threats Helposti saatavilla. API-, SQL-, jne. Yh辰 enenev辰ss辰 m辰辰rin 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! V辰h辰iset mahdollisuudet muuttaa datan struktuuria tai kehitt辰辰 laatua! Data Visualization / Data Sharing, -> Scientific / tieteellinen ty旦. Avoin rajapinta, ETL, sharing. Integrointi olemassa oleviin KPI- raportteihin. Aggregoitua, eli summattua dataa. Kotitalous, yritysdata lis辰tt辰v辰. GDPR-riskit olemassa, henkil旦tunnus-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 TYSSMME > TULOSTEN JALKAUTTAMINEN JA VISUALISOINTI ! 17.8.2021 RAMBOLL - Ty旦haastattelu - Eero Siljander 12 1) Luo IT/Data-yleisn辰kym辰 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 ketter辰, Agile: Scrum & Backlog. Weekly Sprints! Sovitut teht辰v辰t ja toimenkuvat. Tulosten raportointi selke辰sti. Mm. Dashboards, .NET-reports, PPT's. A) R辰辰t辰l旦inti. 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 MYS :) ! VTL-lisensiaatti, VTM, Economics, Econometrics line, University of Helsinki. Eero Siljander, IPMA D Projektip辰辰llikk旦, Project Manager, PRY yhdistys, 2015. ProTalent-viestint辰koulutettu 2008, ProjectTalent-kurssi, 2015, Talentgate Oy. Eerosiljander59@gmail.com Puh. 0407542200 Julkaisuja: https://www.linkedin.com/today/author/eero-siljander-b498ba26 /EeroSiljander www.ssrn.com ja haku Eero Siljander. 17.8.2021 RAMBOLL - Ty旦haastattelu - Eero Siljander 14