I detta kapitel redovisas slutsatser och diskussioner.
6.1 Slutsats
Det vi ville undersöka i denna uppsats var att titta på vilka data mining-funktioner företag har implementerade. Vi har gjort fallstudier hos fyra stycken företag och frågat om de funktioner som vi identifierat i teorin och efter att vi sammanställt teori, empiri och analys har vi kommit fram till följande.
För att svara på vår frågeställning, kan vi säga att de funktioner som finns hos alla undersökta företags verktyg är att de har bra visualisering, möjlighet finns att ställa Ad hoc frågor och verktygen klarar av enklare förutsägelser, dock används inte funktionen för förutsägelser hos ett av de företag som vi intervjuat. Att låta användaren se modeller som verktyget jobbar med är en funktion som inte alls finns i verktygen. Funktioner som gör att verktygen förbättrar sina modeller iterativt lyser också med sin frånvaro, förutom i ett fall där användaren själv kan gå in och styra lite i verktygets modeller. Funktionen att identifiera mönster finns i tre av de fyra verktyg som företagen använder och hos ett av företagen som har funktionen används den inte i deras arbete med verktyget. Det är endast två av de fyra verktygen som kan visa på sannolikheter för sina modeller.
6.2 Resultatdiskussion
Det visade sig att de funktioner vi identifierat i teorin inte fanns hos alla de verktyg som vi kom i kontakt med under våra fallstudier. I ett av fallen har företaget helt enkelt inte hunnit utbilda sin personal tillräckligt för att klara av alla de funktioner som de önskar använda. I två av fallen beror det på att verktygen till största del används för att göra rapporter på företagens datalager, och detta gör att funktioner som sannolikhet, mönstersökning och modellförbättring inte behövs för deras arbetsuppgifter. I det sista fallet uppfattar vi att verktyget har precis de funktioner som behövs för företagets data mining-behov, dock utan att vara ett intelligent verktyg. I detta fall tror vi att företaget kommer att utöka funktionaliteten hos sitt verktyg när de anser det nödvändigt och när de ser de ekonomiska fördelar som kommer utav deras data mining-arbete.
Resultatet av våra fallstudier kan verka lite negativt, då vi som sagt inte hittat något företag som har ett intelligent verktyg. Vi tror dock att vårt resultat speglar en generell bild av data mining-verktyg som används på företag i dagsläget. Det bör finnas i åtanke att arbetet med att implementera data mining är långsamt och kostnadskrävande. Att bara implementera funktioner är lätt, men samtidigt ska personal utbildas för att klara av att hantera de funktioner som verktyget har.
Detta gör att vi anser att om denna undersökning gjorts mot verktygsleverantörer, hade resultatet antagligen blivit annorlunda, då verktygen antagligen har möjlighet att ha alla funktionerna implementerade.
Under våra fallstudier har vi upptäckt en del saker som vi inte läst något om i teorin. Ett exempel som framkom under alla intervjuer är respondenternas verktyg var mycket bra för att skapa rapporter och detta var i flera fall också verktygets huvuduppgift. Detta är något som vi inte har hittat något om i litteraturen om data
Slutsats och diskussion
mining, dock nämns det en hel del i litteraturen vi läst om datalager att datalager är väldigt fördelaktigt för att skapa rapporter. Vi har även förstått att en av anledningarna till att alla funktioner inte finns eller används, är på grund av att personal saknar utbildning för att kunna använda sig av funktionerna. Detta är också något som litteraturen inte har tagit upp. Givetvis kan man tänka sig att inköpskostnader för funktioner och utbildning av personal kan spela en stor roll för hur pass utvecklade verktyg företagen har. Detta kan vi inte spekulera vidare i då vi inte ställde några sådana frågor och ej heller nämnde någon respondent något om det. Vi tror inte att det gör någon större skillnad för funktionerna vilken verktygstillverkare som data mining-verktyget kommer ifrån. I våra fyra fall hade alla respondenterna olika data mining-verktyg och trotts detta skiljde det inte mycket mellan dem gällande vilka funktioner de hade implementerade.
Trotts att verktygen inte hade alla de funktioner som vi hade tagit för givna när vi började denna uppsats, är ändå användarna nöjda med dem. Det är tydligt att verktygen klarar av det som förväntas av dem från användarna och det måste ändå vara det viktigaste. Vi hoppas och tror att om några år kommer alla företag som vi intervjuat att ytterligare ha utvecklat sina data mining aktiviteter och att de dagligen analysera sina datalager på ett sätt och med en precision som tagna ur ett skolboksexempel.
6.3 Metoddiskussion
När en uppsats riktighet ska utvärderas är det ofta orden reliabiliteten och validitet. Dock är det skillnad på dessa två beroende på om det är kvalitativa eller kvantitativa undersökningar de omfattar. (Patel, 2003) Med reliabiliteten i en kvantitativ undersökning menas hur pålitliga mätningarna är (Halvorsen, 1992).
Validitet i en kvantitativ undersökning innebär giltighet eller relevans, vilket innebär att data som ska samlas in bör vara relevant för problemställningen (Ibid.). Patel (2003) menar dock att i en kvalitativ undersökning finns inget behov av att använda båda dessa uttryck. Han anser att det räcker med att titta på validitet, då det anses att reliabilitet och validitet är så pass sammanflätade att kvalitativa forskare sällan använder begreppet reliabilitet. I kvalitativ forskning ges begreppet validitet en vidare innebörd, det omfattar här hela undersökningen.
Validiteten kan bland annat vara hur forskaren förmår tillämpa och använda sin förståelse i hela forskningsprocessen. Vid datainsamlingen kopplas validiteten till om forskaren lyckats få fram underlag för att göra en trovärdig tolkning av den undersökta aktiviteten. Vidare handlar det om forskaren lyckats fånga mångtydigheter och eventuella motsägelser. Forskarens olika tolkningar har en central betydelse för validiteten, tillför det verkligen kunskap om den undersökta aktiviteten. Eftersom att varje kvalitativ forskningsprocess är unik, går det inte att fastställa några regler om hur validiteten uppehålls i kvalitativ forskningsprocess.
(Patel, 2003)
Validiteten i vår uppsats kan givetvis diskuteras. Vi har aldrig tidigare genomfört intervjuer på det sätt som vi nu gjort och det kan givetvis ha lett till att missförstånd och misstolkningar kan ha uppstått mellan oss och respondenterna.
För att försöka undvika detta skickade vi ut en sammanfattning av de frågor vi hade planerat att ställa under intervjun, på detta sätt hade respondenterna möjligheten att tänka igenom och planera sina svar i förväg. Genom att ställa följdfrågor på respondenternas svar, försökte vi få en djupare förståelse över vad
Slutsats och diskussion
respondenten menade i sitt svar. Vi bandade även samtliga intervjuer för att vi skulle kunna ge all vår koncentration till att lyssna på respondenterna och för att vi i efterhand inte skulle glömma något viktigt av det som respondenterna berättade. En av intervjuerna som vi genomförde skedde med två respondenter vid samma intervjutillfälle. Detta kan ha medfört att vi under denna intervju blev mer styrda av respondenterna, jämfört med de andra intervjuerna. Dock anser vi att intervjun gick bra och att vi fick svar på frågorna i vår intervjumall, då de båda respondenterna kompletterade varandra i sina svar.
I empirin har vi försökt tolka vårt intervjumaterial såpass objektivt som möjligt, men som alltid när det gäller tolkningar är det näst intill omöjligt att helt frånse egna förhoppningar och värderingar när materialet tolkas. Som vi beskrivit i metod avsnittet, började vi att skriva ut intervjuerna såpass ordagrant som möjligt och därefter ”färgkodade” vi materialet för att sortera data efter den frågemall vi använt oss av.
Vi anser att de data som vi samlat in och beskrivit i teoriavsnittet i uppsatsen är relevant för vår frågeställning och för att läsaren ska förstå vad funktionerna som vi frågar om i empirin handlar om. Vi har försökt att använda flera källor, dock har vi ibland önskat att vi hade kunnat bekräfta vissa delar från flera olika källor. I stort sett anser vi att validiteten i denna uppsats är god och vi tror att den teorigrund som uppsatsen innehåller, ger läsaren en god grund inom området och ger denne en chans att själv utvärdera empirin och dra slutsatser från den.
Vi anser att om någon annan skulle gå ut på de företag som vi varit hos och göra om denna undersökning, skulle svaret bli i stort sett detsamma. Givetvis måste hänsyn tas till tiden mellan undersökningar, då företagen hela tiden strävar efter att utveckla sina data mining-tekniker och därigenom kan ha implementerat nya funktioner till sina verktyg efter det att vi varit och intervjuat dem.
6.4 Fortsatt forskning
Efter att ha skrivit denna uppsats har ytterligare några frågeställningar kommit upp, men som inte har rört vår frågeställning men som ändå skulle vara intressant att undersöka.
• När ett företag implementerar ett data mining-verktyg, hur går själva utbildningen till och hur får företaget sina användare att börja arbete med det nya verktyget och släppa taget om sitt gamla?
• Användarens syn på data mining-verktyget jämfört med verktygsleverantörernas syn på sitt verktyg.
• Vilka faktorer påverkar företagens val av data mining-verktyg? Beror det helt och hållet på vilka funktioner verktyget besitter eller finns det ytterligare faktorer som är avgörande?
Källförteckning