Uuden asiakkaan käynnistysprosessin tehostaminen Accountor Porissa
Bibliographic record
Abstract
Työn toimeksiantaja on taloushallintoalan palveluyritys Accountor Pori Oy. Kehittämisprojektin tarkoituksena oli luoda toimeksiantajayritykselle sisäinen työkalu tehostamaan uuden asiakkaan käynnistysprosessia. Tutkimuksen tuloksena syntyi Excel–seurantalista käynnistysten tueksi. Seurantalista sisältää perustiedot asiakasyrityksestä, käynnistyksen vaiheet sekä keskeisimmät taloushallinnon prosessit. \n \nKäynnistyksellä tarkoitetaan niitä valmistavia toimenpiteitä, jotka tulee tehdä, ennen kuin jatkuva palvelu voi alkaa. Käynnistys on oma prosessinsa palvelukokonaisuudessa, mutta yksittäistä käynnistystä käsitellään opinnäytetyössä käynnistysprojektina. Käynnistysvaihe kestää ennalta määrätyn ajan, jonka jälkeen jatkuvan palvelun vaihe voi alkaa. \n \nSeurantalistan syntymiseen vaikuttivat toimeksiantajayrityksen aiemmat aiheeseen liittyvät materiaalit, käynnistysprosessissa mukana oleville henkilöille tehty kysely, heidän henkilökohtaiset haastattelut sekä tekijän oma käsitys aiheesta. Seurantalistaa voi käyttää työkaluna uuden yrityksen aloittaessa Accountor Porin asiakkaana. Sen tarkoitus on vähentää muun muassa aikataulutuksesta ja työnjaosta aiheutuvia haasteita ja saada käynnistysprosessia yhdenmukaisemmaksi ja läpinäkyvämmäksi. \n \nOpinnäytetyön ensimmäisessä kappaleessa johdatellaan aiheeseen ja esitellään lyhyesti työn toimeksiantaja. Toinen kappale käsittelee tutkimuksen lähtötilannetta ja tavoitetta, tutkimusongelmaa sekä tutkimuksessa käytettyjä menetelmiä. Kolmas ja neljäs kappale ovat teoriakappaleita, jotka käsittelevät prosessien ja projektien luonnetta. Viides kappale kertoo toimeksiantajayrityksen kehittämisprojektista ja esitellään tutkimuksen tuloksena syntynyt seurantalista. Lopuksi luodaan yhteenveto tutkimuksesta ja esitetään jatkokehitystoimenpiteet toimeksiantajayritykselle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.085 | 0.022 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".