Developing a Method Artifact for Warranty Data Analytics : Enabling New and Reliable Insights Through Integrated Data Processing and Dashboard Development

Abstract

Granting warranties can represent a significant cost for companies, making accurate warranty data analysis essential for effective decision-making. The company involved in this research has acknowledged this strategic importance, and its warranty management aims to further develop its capability to utilize the full potential of available data. From this perspective, a new need has emerged to combine warranty data with climate data, which has not previously been included in the analysis, while also placing strong emphasis on reliable data quality. Increased investment in data utilization has also led to the adoption of modern data architectures, where computationally intensive data processing is separated from visualization in data analysis.

The objective of this thesis is to develop a repeatable method artifact to create an integrated view of internal warranty data and external climate data to support warranty management’s decision-making. The practical components of the artifact combine Databricks and Power BI, where Databricks is used for extract, load, and transform (ELT) process and data quality management, while Power BI is employed for visualization in the form of an interactive dashboard.

The methodological approach for this study is design science research (DSR) which focuses on solving organizational problems by designing and assessing innovative IT artifacts. Within DSR, a method artifact is a structured process that provides instructions for solving a specific problem. The method is developed by combining information from prior research with insights obtained from domain experts within the organization and is designed through rapid iterations. By combining prior research, domain expert insights, and iterative design, the method ensures alignment with the rigor, relevance, and design cycles central to DSR.

The method is demonstrated in a real organizational context by comparing the proposed proof-of-concept method and the resulting dashboard against the defined requirements. The results of the demonstration indicate that the method succeeds in addressing the identified problem. Furthermore, the findings show that the method enhances decision-making by providing the desired insights in the dashboard with reliable and trustworthy data quality. However, the generalizability of the method may be limited by the single-organization context, and the proof-of-concept implementation might constrain certain aspects, pointing to opportunities for future research.

Takuiden myöntäminen voi muodostaa merkittävän kustannuserän yrityksille, minkä vuoksi tarkka takuudatan analysointi on olennaista tehokkaan päätöksenteon kannalta. Tässä tutkimuksessa mukana oleva yritys on tunnistanut tämän strategisen merkityksen, ja sen takuutiimin johto pyrkii kehittämään kyvykkyyttään hyödyntää saatavilla olevan datan koko potentiaalia. Tästä näkökulmasta on syntynyt uusi tarve yhdistää takuudataa ilmastodataan, jota ei aiemmin ole sisällytetty analyysiin, samalla korostaen luotettavan datan laadun merkitystä. Datan hyödyntämiseen kohdistuneet kasvaneet investoinnit ovat myös johtaneet modernien data-arkkitehtuurien käyttöönottoon, joissa laskennallisesti raskas datan käsittely on erotettu visualisoinnista data-analyysissä.

Tämän tutkielman tavoitteena on kehittää toistettava menetelmäartefakti, jonka avulla voidaan muodostaa integroitu näkymä sisäisestä takuudatasta ja ulkoisesta ilmastodatasta takuuhallinnan johdon päätöksenteon tueksi. Artefaktin käytännön toteutus yhdistää Databricksin ja Power BI:n, jossa Databricksia hyödynnetään poiminta-, lataus- ja muunnosprosesseissa (ELT) sekä datan laadun hallinnassa, kun taas Power BI:tä käytetään visualisointiin interaktiivisen dashboardin muodossa.

Tutkimuksen metodologisena lähestymistapana käytetään suunnittelutieteellistä tutkimusta (DSR), joka keskittyy organisatoristen ongelmien ratkaisemiseen suunnittelemalla ja arvioimalla innovatiivisia IT-artefakteja. DSR:n mukaisesti menetelmäartefakti on jäsennelty prosessi, joka tarjoaa ohjeet tietyn ongelman ratkaisemiseen. Menetelmä kehitetään yhdistämällä aiemmasta tutkimuksesta saatu tieto organisaation asiantuntijoilta saatuihin näkemyksiin, ja sitä kehitetään nopeiden iterointien avulla. Yhdistämällä aiemman tutkimuksen, asiantuntijatiedot ja iteratiivisen suunnittelun varmistetaan menetelmän yhdenmukaisuus DSR:n keskeisten rigor-, relevance- ja design-syklien kanssa.

Menetelmää demonstroidaan todellisessa organisaatiokontekstissa vertaamalla ehdotettua proof-of-concept -menetelmää ja siitä johdettua dashboardia asetettuihin vaatimuksiin. Demonstraation tulokset osoittavat, että menetelmä onnistuu ratkaisemaan tunnistetun ongelman. Lisäksi tulokset osoittavat, että menetelmä parantaa päätöksentekoa tarjoamalla dashboardissa halutut näkemykset luotettavan ja korkealaatuisen datan pohjalta. Menetelmän yleistettävyys voi kuitenkin olla rajallista yhden organisaation kontekstin vuoksi, ja proof-of-concept -toteutus voi rajoittaa tiettyjä osa-alueita, mikä osoittaa mahdollisuuksia jatkotutkimukselle.