CRM- järjestelmän käyttöönottoprojektin onnistumisen osatekijät

Tutkimuksen tarkoituksena on analysoida CRM- järjestelmän käyttöönottoprojektia ja erityisesti sen onnistumiseen vaikuttavia tekijöitä. Tutkimuksessa tehtiin ensimmäisenä kirjallisuuskatsaus, jossa kuvattiin CRM- järjestelmien ominaisuuksia sekä niiden suhdetta laajempaan asiakkuudenhallinnan käsitteeseen. Kirjallisuuskatsauksessa tuotiin myös esille aikaisemmassa tutkimuksessa havaittuja seikkoja, joiden on nähty vaikuttavan CRM- järjestelmien käyttöönoton onnistumiseen. Tutkimustulokset syntyivät kun teoreettisessa viitekehyksessä havaittuja CRM- järjestelmien käyt-töönoton onnistumiseen vaikuttavia tekijöitä verrattiin tapausyrityksen käyttöönottoprojektiin. Ky-seessä on siis empiirinen tapaustutkimus, jossa aineiston kerääminen toteutettiin puolistrukturoituina haastatteluina sekä hyödyntäen konstruktiivista tutkimusotetta. Tutkimuksessa todettiin CRM- järjestelmien tukevan yrityksen laajempaa asiakashankintaan ja asiakassuhteisiin liittyvää liiketoimintastrategiaa, jonka tavoitteena on luoda pitkäaikaisia ja kan-nattavia asiakassuhteita. Kaikki yritykset eivät kuitenkaan näe CRM- järjestelmää yhtä tärkeänä työkaluna vaan ne voidaan nähdä yrityksessä vain yhtenä tietoteknisenä ratkaisuna tai osana laa-jempaa asiakkuudenhallinnan kokonaisratkaisua, jossa CRM- järjestelmä tukee yrityksen perusta-vanlaatuista asiakaskeskeistä strategiaa ja visiota. Tutkimuksessa todettiin myös, että CRM- järjes-telmällä voi olla operatiivisiin, analyyttisiin ja yhteistyötä tukeviin toimintoihin liittyviä ominai-suuksia. Tutkimuksessa tosin havaittiin, että toisinaan CRM- järjestelmistä hyödynnetään ainoas-taan rajallista kapasiteettia ja yrityksen tavoitteista riippuen CRM- järjestelmän kaikkia ominai-suuksia ei ole aina tarkoituskaan ottaa käyttöön. Teoriakatsauksen avulla pyrittiin myös löytämään yleisimmin CRM- järjestelmän käyttöönottopro-jektiin vaikuttavia tekijöitä. Aikaisemmasta tutkimuksesta löydettiin kahdeksan tekijää joiden näh-tiin yleisimmin vaikuttavan projektin onnistumiseen. Tutkimuksen empiriaosassa näitä tekijöitä verrattiin tapausyrityksessä suoritettuun CRM- järjestelmän käyttöönottoprojektiin sekä selvitettiin kuinka miten ne vaikuttivat projektin onnistumiseen. Tutkimuksessa tärkeimmiksi CRM- järjestelmän käyttöönottoprojektin onnistumista edesauttaneiksi tekijöiksi tunnistettiin ylimmän johdon sekä myyntijohdon sitoutuminen projektin läpiviemiseen sekä CRM- järjestelmän jatkuvan käytön vaatimiseen. Myös loppukäyttäjien koulutukseen panos-taminen oli tärkeässä osassa käyttöönototon alkuvaiheen kivuttomuuden varmistamiseksi. Laaduk-kaampi käyttöönotto olisi edellyttänyt myyntijohdon parempaa koulutusta CRM- järjestelmän käyt-tämiseen sekä ominaisuuksien tunnistamiseen, markkinointiosaston osallistamista heti projektin alkuvaiheessa sekä CRM- järjestelmän jatkokehitysprosessin parempaa suunnittelua.

Kivipää, Äväntäjärvi ja Pitkävesi: Oriveden vedenkokoumien nimet

Tarkastelen tutkielmassani Oriveden kaupungin järvien ja lampien eli vedenkokoumien nimiä. Huomio keskittyy siihen, millainen näiden nimien muodostama järjestelmä eli nimisysteemi on kokonaisuutena. Lisäksi selvitän nimien etymologiat ja nimenantoperusteet. Tutkimus on pääosin luonteeltaan kvalitatiivista, joskin eri nimenantoperusteiden osuudet käyvät myös ilmi. Tutkimusaineisto on kerätty Kotimaisten kielten keskuksen nimiarkistosta, ja se sisältää niiden vedenkokoumien nimet, joiden tarkoitteet sijaitsevat ainakin osittain Oriveden kaupungin alueella. Orivedellä on melko runsaasti vedenkokoumia; aineistossani on yhteensä 420 nimeä. Vedenkokoumien nimenantoperusteiden selvittämiseen käytän syntaktis-semanttista analyysimallia, jossa keskeinen lähtökohta on nimenantajan asemaan samaistuminen. Tällä tavoin pyritään saamaan selville paikan todellinen nimenantoperuste toisin kuin vanhemmassa nimistöntutkimuksessa, jossa paikannimien luokittelu oli lähinnä sanasemanttista. Nimien etymologian eli alkuperän selvittämiseksi turvaudun aiempaan paikannimitutkimukseen sekä suomen kielen tavanomaisiin sanakirjoihin, etymologisiin sanakirjoihin ja Suomen murteiden sanakirjaan. Tutkielma osoittaa, että Oriveden vedenkokoumien nimet muodostavat varsin monikerroksisen ja heterogeenisen nimisysteemin. Kuten jo aiemmin on osoitettu, Oriveden alueen nimistössä on myös saamen kieleen pohjautuvia aineksia, minkä tämä tutkielma vahvistaa. Lisäksi nimisysteemiin kuuluu metaforisia nimiä (Häränsilmä), täsmennettyjä nimiä (Alanen Pitkäjärvi) ja useaan vedenkokoumaan kollektiivisesti viittaavia nimiä (Kirvesjärvet). Nämä piirteet voidaan nähdä pitkälti analogian ja tiettyjen nimenmuodostusmallien tuloksena, sillä analogialla on osoitettu olevan suuri osuus paikkojen nimeämisessä. Etymologinen selvitys osoittaa, että suurin osa nimistä on asiasisällöltään vielä nykyihmisellekin täysin selviä, kun taas joidenkin nimien alkuperä on ajan kuluessa ja kielen muuttuessa hämärtynyt. Helpoiten hämärtyvät sellaiset nimet, jotka sisältävät johonkin vanhaan elinkeinoon tai kulttuuriin viittaavan nimityksen. Orivedellä on kuitenkin myös sellaisia vedenkokoumien nimiä, joiden alkuperä jää tutkimuksesta huolimatta hämäräksi. Tällaiset nimet viittaavat usein suuriin vedenkokoumiin, joiden nimet kuuluvat yleensä paikannimistömme vanhimpaan kerrostumaan.

Bio-QA-GNN: Reasoning with Language Models and Knowledge Graphs for Interpretable Biomedical Question Answering

Nowadays the idea of injecting world or domain-specific structured knowledge into pre-trained language models (PLMs) is becoming an increasingly popular approach for solving problems such as biases, hallucinations, huge architectural sizes, and explainability lack—critical for real-world natural language processing applications in sensitive fields like bioinformatics. One recent work that has garnered much attention in Neuro-symbolic AI is QA-GNN, an end-to-end model for multiple-choice open-domain question answering (MCOQA) tasks via interpretable text-graph reasoning. Unlike previous publications, QA-GNN mutually informs PLMs and graph neural networks (GNNs) on top of relevant facts retrieved from knowledge graphs (KGs). However, taking a more holistic view, existing PLM+KG contributions mainly consider commonsense benchmarks and ignore or shallowly analyze performances on biomedical datasets. This thesis start from a propose of a deep investigation of QA-GNN for biomedicine, comparing existing or brand-new PLMs, KGs, edge-aware GNNs, preprocessing techniques, and initialization strategies. By combining the insights emerged in DISI's research, we introduce Bio-QA-GNN that include a KG. Working with this part has led to an improvement in state-of-the-art of MCOQA model on biomedical/clinical text, largely outperforming the original one (+3.63\% accuracy on MedQA). Our findings also contribute to a better understanding of the explanation degree allowed by joint text-graph reasoning architectures and their effectiveness on different medical subjects and reasoning types. Codes, models, datasets, and demos to reproduce the results are freely available at: \url{https://github.com/disi-unibo-nlp/bio-qagnn}.