1. No category

 LOPPUTYÖN AIHEITA Jos kiinnostut jostakin aiheesta lähetä sähköpostia minulle ja varataan aika aiheen läpikäymiseen; if you got interested in any of the topics, let me know and let´s set up a meeting mikael.collan@lut.fi 1. BKT:n laskentamenetelmät euro‐alueen valtioissa, katsaus. Selvitetään miten eri euromaissa lasketaan virallinen bruttokansantuote. Tähän ei ole ”virallista” EU:n harmonisoimaa tapaa ja laskentaerot vaikuttavat varmasti jonkin verran BKT:n ”määrään” ja vertailtavuuteen. Lisäksi tällä on implikaatioita eräisiin laskettaviin avainlukuihin. Sisältää selkeästirajatun tutkimustyön tiedon etsimisessä ja sen taulukoinnissa; lisäksi osallistuminen tutkimuspaperin kirjoittamiseen (tulokset) ja mahdollisuus sitä kautta tieteelliseen kontribuutioon ja erinomaiseen arvosanaan. ”perseen pitää kestää pitkää googlaamista”. ENG: How GDP is calculated in the different euro‐area countries; focus on national accounting practices. There is no EU harmonized way to do this and the differences in calculation affect the end result. You find out how the calculations are done and how they affect the GDP numbers = if and how these have perhaps affected decision‐making. A lot of data gathering on the internet etc. ALREADY RESERVED 2. Data‐analyysin pohjalta gradututkimus: Datana CrunchBase (www.crunchbase.com) tietokanta, jossa on todella paljon erilaista dataa. Aiheena voi olla esimerkiksi yritysostot, yritysrahoitus (funding) tms. Työkaluja käyttämällä (esim. Self‐ofganizing map) datasta voi saada mielenkiintoisia kokonaisuuksia. Työhön voidaan ja olisi toivottavaa yhdistää tutkimuspaperi (joka tehdään ohjaajan kanssa yhdessä tulosten perusteella ja joka julkaistaan). ”Pitää opetella uusi softa jota käyttämällä kerätystä datasta tehdään kartta.” Softana yksi maailman käytetyimmistä business analytiikka softista ”rapidminer”, jolle on ilmainen full lisenssi! Hyödyllinen työpaikan etsimisessä = taitoja, joita arvostetaa! ENG: Use the CruchBase (www.crunchbase.com) database for information about a number of things – selection of one relevant database. Could be acquisitions, corporate financing. By using tools such as SOM (self‐organizing map) you can find interesting things by clustering / otherwise analyzing. Learn a new software so that you get new skills. Could be Rapidminer! A possibility to write an academic paper based on your results. 3. Tutkimus palveluasumisen liiketoimintamalleista Suomessa ja valituissa Eurooppalaisissa maissa (esim. Saksa, Ruotsi, Hollanti). Mitä on ja miten toteutettu. Suomalaisen ”järjestelmän” läpikäynti, palvelusetelikuviot jne. Julkaisumahdollisuuksia, jos työ on hyvin tehty ja toteutettu. ENG: Assisted living business models (in Finland or in Europe/World) – a report type thesis about these. 4. Yliopistojen akateemisen henkilökunnan arviointijärjestelmät Suomessa. Yliopistoilla on autonomia ja tämä tarkoittaa, että on mahdollista mm. itse päättää henkilökunnan arviontimenetelmistä – jokaisella yliopistolla onkin oma järjestelmä. Tarkoituksena on selvittää minkälaisia järjestelmiä Suomen yliopistoissa on ja miten ne toimivat. Tiedon keruu, vertailu ja analyysi. Taustaksi kirjallisuuskatsaus kansainvälisistä järjestelmistä = ei sielläkään standardeja! ENG: Academic personnel evaluation systems in Finland (Europe) – a report and analysis of the different types of systems. Commonalities / differences and analysis. There are no international or national standards; therefore this is an interesting topic. 5. Alkoholiverotus Suomessa ja Euroopassa, historiakatsaus Suomen alkoholipolitiikasta ja verotuksesta, lyhyesti haittaveroista yleensä, kansainvälinen vertailu (empiria): Vertaillaan alkoholin verotusta ja kulutusta per capita Eurooppalaisissa maissa (5‐10 maata). Painoa haitta ja alkoholiverotukseen liittyvälle kirjallisuuskatsaukselle. Tästä on jo tehty yksi kandi, joten pitää sopia fokus tarkasti. ENG: Taxation of alcohol in Finland and in Europe; fiscal importance of alcohol taxation and how Finland with high taxation of alcohol fits in the European picture. 6. Haittaverotus Suomessa ‐ kulutuksen ohjailua vai pelkkää rahan keruuta (ympäristöverot / muut haittaverot). Haittaverotus; historiallis‐teoreettinen tausta, kirjallisuuskatsaus, empiirinen osuus kerättävän rahamäärän ja sen kasvun / muutosten tutkiminen esimerkiksi viimeisten 20 vuoden ajalta Suomesta; analyysiäa aiheeseen liittyen. Onko ollut "ohjaavaa" vaikutusta? ENG: Excise taxes in Finland – steering demand or just collecting money. Environmental / other excise taxes). Historical‐technical background of excise taxation, literature study, empirical part via a short analysis of how the amount of taxes has changed as a function of time, for example during the past 20 years. 7. Reaalioptioiden käyttö yrityskauppa‐analyysissä; kirjallisuuskatsaus ja ehkäpä jonkinlainen numeerinen laskenta käyttämällä reaalioptiomallia. Mahdollisuus tehdä myös graduun liittyvä artikkeli. Varattu, joten jos joku muu haluaa tehdä samasta aiheesta, niin focus pitää sopia. ENG: Using real options in corporate acquisitions: literature review and perhaps a numerical illustration by using a real options model (that you construct) based on a case. Possibility to write a research article. This is ”reserved” – so if someone else wants to do the same topic, focusing is needed!! 8. Business Intelligence aihe: Asiakastiedon klusterointia / analysointia käyttämällä valittua menetelmää – Self‐Organizing Map, Excel (Pivot), tai vastaava. Mielellään siten, että opetellaan käyttämään jotain uutta softaa, jotta gradusta jää muutakin käteen kuin pelkkä paperi. Data kansainväliseltä suomalaiselta yritykseltä – tehdään yritykselle, mutta ei saa palkkaa. ENG: Business intelligence topic – clustering / analyzing customer loyalty program data to find out interesting patterns about the data; use of self‐organizing maps (SOM), Excel (Pivot) or similar. I would like to see you learn a new software to do this so that you are left with a bit more than just a piece of paper that says you have written a thesis = skills. The data is from a Finnish international company (real data) – thesis will be “made for the company”, however they are not in a position to pay for the work. 9. Analysis of peer 2 peer lending company´s secondary market data for loans => data available on transactions about secondary market transactions for peer‐2‐peer loan data. Clustering etc. 10. Asking designers about the validity of the Lazy User Model (www.lazyusermodel.com) and how they view it. Literature study about technology adoption models and the lazy user model, then empirical part via interviews. 11. Cause – Effect relationships in peer‐2‐peer lending; what kind of characteristics / combinations of characteristics help identify good lenders from the bad lenders. Create a predictive statistical regression model or an artificial neural network (ANN) model by using data from an international peer‐2‐peer lending company. In other words create a “credit scoring” model based on good selection of characteristics. Literature review about credit scoring models and/or financial uses of the method you select. Use MATLAB or statistical software. 12. Data‐analysis of student data to predict problems with studies with in collaboration with IBM; project will start in 2014 towards the end of the year, using IBM software. This is not yet a 100% sure topic, but there is indication that it will be soon ;) 13. Data‐analysis based on data from the ALTIKA data‐base http://www.stat.fi/tup/altika/ and http://pxweb2.stat.fi/Database/Kuntien_talous_ja_toiminta/databasetree_fi.asp where there is data from the Finnish municipalities. This is extremely good data! – the ALTIKA database was discontinued (new data entries) in the end of 2012 and thus this is good for still 1 or 2 years – excellent possibility to combine data to do interesting self‐organizing map clustering of municipalities with a number of variables, including financial and economic variables! Use MATLAB and the built in capacity to create SOMs. 14. Peer 2 peer lending company data used to analyze if WOMEN have a better payback than MEN in peer 2 peer lending: Hypothesis: They do have better payback, based on micro‐finance literature that has indicated this thing for microfinance. Literature study of Microfinance literature that shows this, hypothesis generation for peer 2 peer lending, data‐analysis of peer 2 peer lending data (data is available) . 15. Liquidity levels of Finnish SME companies in different industries. How much liquidity do Finnish SME´s have and how do these perhaps correlate with bankruptcy? What kind of differences are there from industry to industry – comparing IT industry & for example care business = short order book, long order book. How much does the “difference” cost these companies etc. Figure out if there are “ways of financing” to avoid keeping so much cash reserves?