Data quality and modern data governance practices in smart manufacturing – A case study in an industrial manufacturing and service company

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis

Authors

Date

2024-12-24

Department

Major/Subject

Software and Service Engineering

Mcode

Degree programme

Master's Programme in Computer, Communication and Information Sciences

Language

en

Pages

87

Series

Abstract

Data governance is a set of practices and principles that enable organizations to manage data and data-related operations to facilitate decision-making, support business processes and manage costs. While data governance has been studied before the recent development of phenomena such as smart manufacturing and Industry 4.0 is changing the data governance landscape. Organizations are transitioning from utilizing and analyzing historical data to using data in real-time, which introduces new kinds of needs and challenges for governing data and ensuring its quality to support effective decision-making. This thesis aims to identify 1) what kinds of new data quality challenges organizations face when exploiting data in real time and 2) what kinds of modern data governance practices are needed to mitigate the challenges. The research is conducted as a literature review and a qualitative single case study. The case organization for the research is a large Finnish manufacturing company operating in B2B industrial equipment and service. Data was collected through semi-structured interviews with relevant stakeholders from the case organization. The study found data quality issues such as inaccuracies, incompleteness, and timeliness problems caused by data transmission errors and heterogeneity. While these challenges are not unique to smart manufacturing, their impact is more significant in real-time contexts where high-quality data is critical for avoiding faulty decision-making. Proactive data governance, which ensures data quality at the source, is essential to maintain the reliability and accuracy of real-time systems. The case study revealed a significant disparity in Industry 4.0 adoption between the organization’s customer-facing and manufacturing operations. Customer-facing systems are more advanced in leveraging real-time data to enhance service delivery and value creation, while internal manufacturing processes rely on less mature systems and data practices. This discrepancy underscores the need for distinct governance strategies tailored to the differing data needs of these domains. Furthermore, it supports the theoretical proposition that data-driven systems create more immediate value in customer-facing contexts.

Tiedonhallinta on joukko käytäntöjä ja periaatteita, jotka mahdollistavat organisaatioiden hallita dataa ja siihen liittyviä toimintoja päätöksenteon helpottamiseksi, liiketoimintaprosessien tukemiseksi ja kustannusten hallitsemiseksi. Tiedonhallinnan käytäntöjä ja periaatteita on ollut olemassa, ja niitä on tutkittu aiemmin, mutta älykkään valmistuksen ja Industry 4.0 -ilmiöiden viimeaikainen kehitys muuttaa nykyaikaisen tiedonhallinnan toimintakenttää. Organisaatiot siirtyvät historiallisen datan käytöstä ja analysoinnista reaaliaikaiseen datan hyödyntämiseen, mikä luo uudenlaisia tarpeita ja haasteita datan hallinnalle. Tämä tutkielma pyrkii tunnistamaan 1) millaisia datan laadun haasteita organisaatiot kohtaavat hyödyntäessään dataa reaaliaikaisesti ja 2) millaisia modernin tiedonhallinnan käytäntöjä tarvitaan näiden haasteiden lieventämiseksi. Tutkimus suoritetaan kirjallisuuskatsauksena sekä laadullisena yksittäistapaustutkimuksena. Tutkimuksen tapausorganisaationa toimii suuri suomalainen valmistavan teollisuuden yritys, joka toimii teollisuuden B2B-laitteiden ja palveluiden parissa. Data kerättiin puolistrukturoiduilla haastatteluilla tapausorganisaation asiaankuuluvien sidosryhmien kanssa. Tutkimuksessa havaittiin tiedonlaatuongelmia, kuten epätarkkuuksia, puutteellisuuksia ja viiveitä, jotka johtuivat tiedonsiirtovirheistä ja tietojen heterogeenisuudesta. Vaikka nämä haasteet eivät ole ainutlaatuisia älykkäälle valmistukselle, niiden vaikutus korostuu reaaliaikaisessa kontekstissa, jossa korkealaatuinen tieto on kriittistä virheellisen päätöksenteon välttämiseksi. Proaktiivinen tiedonhallinta, joka varmistaa tiedon laadun jo lähteellä, on olennaista reaaliaikaisten järjestelmien luotettavuuden ja tarkkuuden tukemiseksi. Tapaustutkimuksessa ilmeni merkittävä ero Industry 4.0:n adoptoinnissa organisaation asiakassuuntautuneiden järjestelmien ja tuotantotoimintojen välillä. Asiakassuuntautuneet järjestelmät hyödyntävät reaaliaikaista dataa edistyneemmin palveluiden kehittämiseen ja arvon tuottamiseen, kun taas sisäiset tuotantoprosessit nojaavat vähemmän kehittyneisiin järjestelmiin ja tietokäytäntöihin. Tämä ero korostaa erilaisten tiedonhallintastrategioiden tarvetta, jotka vastaavat kunkin alueen erilaisia tietotarpeita. Lisäksi se tukee teoreettista näkemystä siitä, että kehittyneet datalähtöiset järjestelmät luovat välittömämpää arvoa asiakassuuntautuneissa konteksteissa.

Description

Supervisor

Collin, Jari

Thesis advisor

Silvola, Risto

Keywords

data governance, smart manufacturing, data quality, industry 4.0, real-time data, data management

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202501302230

Collections

[dipl] Perustieteiden korkeakoulu / SCI