Data quality challenges experienced by experts in reporting and analytics

Research shows that data quality as crucial element to companies and specialists using analytics tools in their daily work. Issues experienced by experts in the reporting and analytics field and best tools and techniques to counter the bad data in big companies tend raise costs indirectly. This study aims to aggregate useful framework for specialists in big companies using analytics tools in their daily work. Primary data was collected from 14 respondents with qualitative methods by executing a survey with open-ended questions and analysing data by applying thematic analysis. Answers were reviewed using respondent validation. Sample size was limited using voluntary and purposive sampling method by searching specialists using analytics tools for decision-making and who expressed interest in participating in the study. Search and contact were conducted using LinkedIn. Secondary data was collected by introducing previous similar studies, journals, as well as information from books and articles related to business intelligence, data, decision-making and data quality. Main findings of the study show the key data quality challenges are related to process ownership, user awareness and wrong data formats. Results were presented in word cloud figures and analyzed in the text. The answers show that optimizing processes, establishing process ownerships, raising user awareness, defining clear procedures and training personnel about data importance and quality as important factors countering bad data quality. Main contributions of the thesis are the unique experiences of specialists using analytics tools for decision-making, their opinions and suggestions to solve data quality problems in analytics. Potential research questions for future case studies in companies recognizing the issue and practitionersinterested in the topic to study it in more specified and quantified context. Broader implications include practical information and tools for managers mainly in the business sector countering data quality issues in reporting and analytics field, using the summarizing Ishikawa diagram in the conclusion.

Tutkimukset osoittavat, että datan laatu on keskeinen tekijä yrityksille ja asiantuntijoille, jotka käyttävät analytiikkatyökaluja päivittäisessä työssään. Raportoinnin ja analytiikan asiantuntijoiden kokemat ongelmat sekä parhaiden työkalujen etsiminen huonon laadun torjumiseksi nostavat suurien yritysten kustannuksia epäsuorasti. Tämän tutkimuksen tavoitteena on koota hyödyllinen viitekehys suuryritysten asiantuntijoille, jotka käyttävät analytiikkatyökaluja päivittäisessä työssään. Ensisijaiset tiedot kerättiin 14 vastaajalta laadullisin menetelmin suorittamalla kysely avoimilla kysymyksillä ja analysoimalla aineistoa teema-analyysiä. Vastaukset tarkistettiin käyttämällä vastaajavalidointia. Otoskokoa rajoitettiin vapaaehtoisella ja tarkoituksenmukaisella otantamenetelmällä etsimällä asiantuntijoita, jotka käyttivät analytiikkatyökaluja päätöksenteossa ja jotka ilmaisivat kiinnostuksensa tutkimukseen. Yhteydenotto tehtiin LinkedInin avulla. Toissijaista dataa kerättiin analysoimalla aikaisempia vastaavia tutkimuksia, lehtiä sekä tietoa kirjoista ja artikkeleista, jotka liittyvät dataan, päätöksentekoon ja datan laatuun. Tutkimuksen tärkeimmät havainnot osoittavat, että keskeiset tiedon laatuhaasteet liittyvät prosessien omistajuuteen, käyttäjien tietoisuuteen ja vääriin tietomuotoihin. Tulokset esitettiin sanapilvikuvioissa ja analysoitiin teoksessa. Vastaukset osoittavat, että prosessien optimointi, prosessien omistajuus, käyttäjien tietoisuuden lisääminen, selkeiden menettelytapojen määritteleminen ja henkilöstön kouluttaminen tiedon tärkeydestä ja laadusta ovat tärkeitä tekijöitä huonon tiedon laadun torjunnassa. Opinnäytetyön tärkeimmät panokset ovat analytiikkatyökaluja päätöksenteossa käyttävien asiantuntijoiden ainutlaatuiset kokemukset, heidän mielipiteensä ja ehdotuksensa analytiikan tiedonlaatuongelmien ratkaisemiseksi. Työ ehdottaa myös mahdollisia tutkimuskysymyksiä vastaaviin aiheisiin ongelman tunnistavissa yrityksissä ja aiheesta kiinnostuneissa tutkijoissa. Laajemmat vaikutukset sisältävät käytännön tietoa ja työkaluja pääosin yrityssektorin johtajille tiedon laatuongelmien ratkaisemiseksi raportoinnin ja analytiikan alalla käyttäen esimerkiksi työn Ishikawa-kaaviota datahaasteiden lyömiseen