Applying Big Data in the strategic management of public governments: clustering urban neighbourhoods
| dc.contributor | Aalto-yliopisto | fi |
| dc.contributor | Aalto University | en |
| dc.contributor.advisor | Ferm, Niko | |
| dc.contributor.author | Awari, Mnwas | |
| dc.contributor.school | Perustieteiden korkeakoulu | fi |
| dc.contributor.supervisor | Luoma, Jukka | |
| dc.date.accessioned | 2021-05-23T17:13:22Z | |
| dc.date.available | 2021-05-23T17:13:22Z | |
| dc.date.issued | 2021-05-19 | |
| dc.description.abstract | The increasing standard of living with an ageing population in many western countries demands governments to exploit public resources with maximum efficiency. At the same time, it is expected that Big Data and other AI technologies can improve governments’ strategic management by providing the means for enhanced decision-making. This study aims to provide a demonstration of how public governments can apply Big Data in strategic management. To achieve this aim, this thesis developed a Big Data model, which clusters the neighbourhoods of Espoo into three groups based on socio-economic time-series data. In addition, a classification tree algorithm was used to determine the most salient characteristics within each cluster. Based on the cluster and classification tree results, cluster profiles were outlined for each cluster. The results of this thesis showed that information pertaining to neighbourhoods’ characteristics provided strategic learning. This knowledge can be used to infer what initiatives and services each part of the city requires. In continuation, said knowledge could be employed in formulating Espoo’s strategy. Furthermore, the model can be used for monitoring the strategy implementation process. The study concludes that applying multiple combined and unstructured time-series data for strategic management can have several advantages in public governments. However, the model building process might be resource intensive as it consists of several stages. Nevertheless, this process may be facilitated by a modeller’s great expertise. Finally, further re-search is presented; this highlights the need to investigate the implications of alternative ways to apply Big Data for strategic management in governments. | en |
| dc.description.abstract | Kasvava elintaso ja vanheneva väestö monissa länsimaissa asettaa paineita julkishallinnoille käyttää julkisia resursseja mahdollisimman tehokkaasti. Samaan aikaan Big Datan ja muiden tekoälyteknologioiden odotetaan tehostavan julkishallinnoiden strategista johtamista tarjoamalle uusia työkaluja parempaan päätöksentekoon. Tämän diplomityön tavoitteena on osoittaa miten Big Dataa voidaan hyödyntää julkishallinnoiden strategisessa johtamisessa. Tutkimus kehittää Big Data mallin, joka klusteroi Espoon pienalueet kolmeen ryhmään hyödyntämällä sosioekonomista aikasarja aineistoa. Lisäksi tutkimus soveltaa päätös-puuluokittelijaa löytämään kunkin klusterin merkittävimmät ominaisuudet. Klusteri- ja päätöspuuluokittelijatulosten nojalla kullekin klusterille esitettiin klusteriprofiilit. Tutkimuksen tulokset osoittavat, että informaatio pienaluiden ominaisuuksista tuottaa strategista tietämystä. Tätä tietoa voidaan hyödyntää saamaan ymmärrystä mitä palveluita ja toimia kullakin alueella tarvitaan. Eri alueiden tarpeiden huomioiminen auttaa laatimaan tehokkaamman strategian. Tutkimuksen tulosten perusteella, mallia voidaan hyödyntää myös strategian toimeenpanon seuraamisessa. Tutkimus osoittaa, että usean eri aikasarja aineiston yhdistäminen ja analysointi voi hyödyntää usealla tavalla julkishallinnoiden strategista johtamista. Tällainen analysointi prosessi sisältää kuitenkin useita vaiheita ja siksi vaatii merkittävästi resursseja. Analysoijan vahva toimiala osaaminen saattaa kuitenkin tehostaa prosessia. Tämän lisäksi tutkimus korostaa tarvetta jatkotutkimuksille, jotka pyrkivät selvittämään muiden vaihtoehtoisten Big Data sovellusten vaikutuksia julkishallinnoiden strategiseen johtamiseen. | fi |
| dc.format.extent | 70+14 | |
| dc.format.mimetype | application/pdf | en |
| dc.identifier.uri | https://aaltodoc.aalto.fi/handle/123456789/107689 | |
| dc.identifier.urn | URN:NBN:fi:aalto-202105236950 | |
| dc.language.iso | en | en |
| dc.programme | Master’s Programme in Industrial Engineering and Management | fi |
| dc.programme.major | Strategy | fi |
| dc.programme.mcode | SCI3109 | fi |
| dc.subject.keyword | Big Data | en |
| dc.subject.keyword | clustering | en |
| dc.subject.keyword | public government | en |
| dc.subject.keyword | public strategy | en |
| dc.subject.keyword | strategic management | en |
| dc.title | Applying Big Data in the strategic management of public governments: clustering urban neighbourhoods | en |
| dc.title | Big Datan hyödyntäminen julkishallintojen strategisessa johtamisessa: kaupunginosien klusterointi | fi |
| dc.type | G2 Pro gradu, diplomityö | fi |
| dc.type.ontasot | Master's thesis | en |
| dc.type.ontasot | Diplomityö | fi |
| local.aalto.electroniconly | yes | |
| local.aalto.openaccess | yes |
Files
Original bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- master_Awari_Mnwas_2021.pdf
- Size:
- 3.68 MB
- Format:
- Adobe Portable Document Format
