TIIVISTELMÄ  
 Turun kauppakorkeakoulu •  Turku School of Economics 
 
   Kandidaatintutkielma X   Pro gradu -tutkielma    Lisensiaatintutkielma    Väitöskirja 
  
Oppiaine Laskentatoimi ja rahoitus Päivämäärä 15.12.18 
Tekijä(t) Samir Siimes Matrikkelinumero 507572 Sivumäärä 109 s. + liite 3. 
Otsikko Big datan merkitys organisaation strategiaprosessissa Case Assatel Oyj 
Ohjaaja(t) Prof. Hannu Schadewitz KTT Vesa Partanen 
 
Tiivistelmä  Ytf Big datan on todettu olevan seuraava innovaation, tuottavuuden ja muutoksen lähde, joka kasvattaa organisaation resursseja päätöksentekoprosessissa. Huolimatta kiinnostuksesta big dataa kohtaan, on havaittu, että käsitteestä tiedetään suhteellisen vähän ja potentiaaliset käyttäjät kamppailevat ym-märtääkseen käsitettä syvemmin ja jalostaakseen liikearvoa informaatiovirrasta. Strategisia päätöksiä tehdään monitulkintaisista ja monimutkaisista asioista ja ne koskettavat mer-kittävää osaa organisaation resursseja. Koska strategisiin päätöksiin liittyy epävarmuutta ja monitul-kintaisuutta, luotettavan datan kerääminen ja analysoiminen päätöksenteon tueksi on kriittinen toi-menpide organisaation strategiaprosessissa. Big data ja sen analysoiminen on todettu tärkeäksi eten-kin strategisten tavoitteiden kannalta, sillä big datasta on nopeasti tulossa avainelementti kilpailuky-vyn luomisessa ja ylläpitämisessä. Investoinnit big data -järjestelmiin eivät yksinään luo kilpailue-tua, vaan organisaatioiden on hallittava koko arvoketju, joka mahdollistaa strategisen kilpailuedun saavuttamisen. Tämä tutkielman tarkoituksena on kuvata laaja-alaisesti big datan merkitys organisaation strategi-sessa suunnittelussa, ohjauksessa, päätöksenteossa ja seurannassa. Teoreettinen viitekehys koostuu kolmesta luvusta ja teoreettisen viitekehyksen tutkimustuloksia tarkastellaan empiirisesti case-tutki-muksella, jonka materiaalina toimii yhdeksän puolistrukturoitua haastattelua yritykselle, joka on pohjoismainen teleoperaattori. Yritystä kutsutaan tässä tutkimuksessa nimellä Assatel Oyj. Case-organisaatiota valittaessa oletuksena oli, että teknologiaintensiivisessä yrityksessä käytettäisiin big dataa. Tutkielmassa ei keskitytä big datan yksityiskohtaisiin teknologisiin ominaisuuksiin, sen käyttöönot-toon tai implementointiin teknisesti järjestelmä- tai prosessitasolla. Tutkielman tavoitteena on ni-menomaisesti kasvattaa ymmärrystä aihealueesta, eikä sen tarkoituksena ole esimerkiksi toimia kä-sikirjana big data -analytiikan implementoinnille. Tutkielmassa on huomioitu se, ettei yksikään johdon ohjausjärjestelmä tai organisaation toiminto toimi riippumattomasti, vaan johdon ohjausjärjestelmät ja muun muassa päätöksentekoprosessit ja organisaatiokulttuurit ovat kytkeytyneet toisiinsa ja vaikuttavat muun muassa organisaation data-analytiikkakyvykkyyteen toisistaan riippuen.  Tutkimuksessa havaitaan useita tekijöitä niin lainsäädännöstä, osaamisesta, teknologiasta, usko-muksista ja alan rakenteista johtuvia tekijöitä, jotka joko kasvattavat tai vähentävät big datan merki-tystä organisaation strategiaprosessissa.  Asiasanat Big data, data-analytiikka, strategia, johdon ohjausjärjestelmät, strategiaprosessi 
Muita tietoja  
 
  
 
 
 
 
 
 
 
 
 
 
 BIG DATAN MERKITYS ORGANISAATION STRATEGIAPROSESSISSA 
 Case Assatel Oyj 
 
 
 
 
 
 
 
 
Laskentatoimen ja rahoituksen  
pro gradu -tutkielma 
 
 
Laatija: 
Samir Siimes 
 
Ohjaajat: 
Prof. Hannu Schadewitz 
KTT Vesa Partanen 
 
15.12.2018 
Helsinki 
 
 
  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Turun yliopiston laatujärjestelmän mukaisesti tämän julkaisun alkuperäisyys on  
tarkastettu Turnitin OriginalityCheck -järjestelmällä. 
 
  
Sisällys 
1 JOHDANTO ............................................................................................................ 7 
1.1 Johdatus aiheeseen ......................................................................................... 7 
1.2 Tutkimuksen tavoitteet ja rajaukset.............................................................. 10 
1.3 Metodologia ja metodit ................................................................................ 11 
1.4 Tutkielman rakenne ...................................................................................... 14 
2 BIG DATAN MERKITYS JA TUKI STRATEGIAN SUUNNITTELUSSA ...... 16 
2.1 Strategia ja innovointi .................................................................................. 16 
2.2 Strategiatyö................................................................................................... 20 
2.3 Big data ........................................................................................................ 22 
2.4 Organisaation resurssien merkitys big datan hyväksikäytössä .................... 26 
3 BIG DATAN VAIKUTUS JOHDON OHJAUSJÄRJESTELMIIN ..................... 31 
3.1 Big data liiketoiminta-analyyseissa .............................................................. 31 
3.2 Johdon ohjausjärjestelmien luonne .............................................................. 32 
3.3 Kilpailija-analyysi ........................................................................................ 36 
3.4 Budjetointi .................................................................................................... 37 
3.5 Projektin- ja asiakashallinta ......................................................................... 40 
3.6 Organisatorinen suorituksenmittaus ja palkitseminen.................................. 41 
4 TIETÄMYKSENHALLINNAN JA PÄÄTÖKSENTEON MERKITYS 
SUHTEESSA BIG DATAAN JA STRATEGISEEN OHJAUKSEEN ................ 46 
4.1 Tietämyksenhallinnan merkitys päätöksenteossa ......................................... 46 
4.2 Päätöksenteko organisatorisessa kontekstissa .............................................. 49 
4.3 Teknologian kehityksen kytkös .................................................................... 52 
5 CASE ASSATEL OYJ .......................................................................................... 55 
5.1 Case-organisaation esittely ........................................................................... 55 
5.2 Tutkimusmenetelmä ja aineistonkeruu......................................................... 55 
5.3 Big datan merkitys Assatelin strategiassa ja sen suunnittelussa .................. 57 
5.3.1 Assatelin strategia ............................................................................ 57 
5.3.2 Assatelin luomisstrategia ................................................................. 59 
5.3.3 Big datan ominaisuudet ja odotukset Assatelilla ............................. 61 
5.3.4 Strateginen suunnittelu ja ennustava mallinnus ............................... 65 
5.3.5 Kilpailija-analyysi Assatelilla .......................................................... 69 
5.4 Big datan vaikutus Assatelin ohjausjärjestelmissä ....................................... 72 
5.4.1 Liiketoiminta-analyysien eri muodot Assatelilla ............................. 72 
5.4.2 Vuosibudjetoinnista rullaavaan ennustamiseen ............................... 75 
5.4.3 Big datan vaikutus projektin- ja asiakashallintaan .......................... 78 
5.4.4 Suorituksenmittaus ja big data ......................................................... 82 
5.5 Strateginen päätöksenteko Assatelilla .......................................................... 85 
6 YHTEENVETO JA JOHTOPÄÄTÖKSET .......................................................... 90 
LÄHTEET ....................................................................................................................... 95 
Empiirisen aineiston lähteet ....................................................................... 110 
LIITTEET ..................................................................................................................... 112 
Liite 1 Teemahaastattelurunko ............................................................................ 112 
 
 Kuviot 
Kuvio 1 Big data -analytiikkakyvykkyydet (Gupta – George 2016, 1051) ............... 28 
Kuvio 2 The Managerial Accounting Data Analytics (MADA) -viitekehys 
(Applebaum ym. 2017, 35; Cokins 2013, 27.) ................................... 42 
Kuvio 3 Big data -analytiikan – tietämyksenhallinnan malli (Pauleen – Wang 2017, 
3)…... .................................................................................................. 48 
Kuvio 4 Strukturoidun ja strukturoimattoman datan päätöksenteon nelikenttä 
(Intezari – Gressel 2017, 78) .............................................................. 51 
 Taulukot 
Taulukko 1 Arvonluonnin mahdollisuudet ja haasteet. (Manyika ym. 2011, 12) ..... 23 
Taulukko 2 Johdon ohjausjärjestelmien luokittelua (Gond ym. 2012, 208). ............. 35 
Taulukko 3 Haastatellut henkilöt, haastatteluajankohta, haastattelun kesto ja 
painotetut teemat ................................................................................ 56 
 
7 
 1 JOHDANTO 
1.1 Johdatus aiheeseen 
Strategian olemassaolon tärkeyttä korostetaan merkittävästi (ks. Cambell-Hunt 2000; 
Baxa 2007). Laskentatoimea kuvaillaan strategian toteutuksen välineeksi ja se mahdol-
listaa organisaation huomion suuntaamisen strategisiin asioihin (Simons 1990). Jokaisen 
kilpailustrategian tavoite on saavuttaa pysyvä kilpailuetu ja kyseinen päämäärä saavute-
taan kilpailullisella strategian toteuttamisella (Coyne 1986; Porter 1998, 34; Stalk – 
Lachenauer 2004). Ennustamattomat muutokset strategisessa ympäristössä ovat tuoneet 
kilpailukykyisyyden yrityksen kiinnostuksen keskiöön (Porter 2003, 29).  
Kilpailuympäristö on luonnollisesti aina muokkaantunut ja usein täysin ennustamatto-
malla tavalla. Tämä muutos tietoteknologisen kehityksen kanssa nähdään nostavan stra-
tegisen johdon laskentatoimen merkitystä. (Bhimani – Bromwich 1994.) Jo vuonna 1976 
on todettu nopeasti muuttuvan ympäristön vaativan tiheämpää raportointia ja tulevaisuu-
den hahmottamista historian raportoimisen tilalle (Gordon – Miller).  
”Big data” on melko nuori käsite eikä sillä ole muodostunut tieteellisesti vakiintunutta 
määritelmää (Tian 2017, 115). Viime vuosina kiinnostus big dataa kohtaan on kasvanut 
voimakkaasti (Fosso Wamba ym. 2015, 234). Big datan erittäin nopean kehityksen 
vuoksi, termillä ei ole yleisesti hyväksyttyä muodollista ilmaisua ja sen käsitteeksi on 
ehdotettu seuraavaa ”tietovarat, joille on tunnuksenomaista suuri määrä, nopeus ja vauhti, 
jotka edellyttävät erityisiä teknisiä- ja analyyttisiä menetelmiä muuttaa nämä tietovarat 
rahalliseksi arvoksi”. (De Mauro ym. 2014, 2, 9).  Tämä toimii määritelmänä big datalle 
tässä tutkimuksessa. 
Big datan on todettu olevan seuraava innovaation, tuottavuuden, muutoksen, ja joh-
don, teknologisen- ja tieteellisen vallankumouksen lähde, joka kasvattaa resursseja yri-
tyksen päätöksentekoprosessissa. Täten big data -analytiikalla (engl. big data analytics – 
BDA) pystyy kehittämään päätöksentekoprosessia huomattavasti, sillä se kasvattaa tietä-
mystä yrityksen toiminnoista ja parantaa suorituksenmittausjärjestelmiä. (Manocha 2009, 
12; Manyika ym. 2011, 1; Ann Keller ym. 2012, 63; McAfee – Brynjolfsson 2012, 62-
63.) Huolimatta kiinnostuksesta big dataa kohtaan, on havaittu, että käsitteestä tiedetään 
suhteellisen vähän ja potentiaaliset käyttäjät kamppailevat ymmärtääkseen big dataa sy-
vemmin ja jalostaakseen liikearvoa informaatiovirrasta (Fosso Wamba ym. 2015, 234). 
Tuoreemman tutkimuksen mukaan on kuitenkin ennenaikaista kutsua big dataa vallanku-
moukselliseksi (Tian 2017, 113), ja osa tutkijoista käsittelee aihealuetta täysin kritiikittö-
mästi (Pauleen – Wang 2017, 2). 
8 
 
Strategisia päätöksiä tehdään monitulkintaisista ja monimutkaisista asioista, ne kyt-
keytyvät useaan osastoon ja koskettavat merkittävää osaa organisaation resursseja (Ama-
son 1996, 126). Koska strategisiin päätöksiin liittyy epävarmuutta ja monitulkintaisuutta 
(McKenzie ym. 2011, 404), luotettavan datan kerääminen ja analysoiminen tiedoksi eli 
informaatioksi on kriittisen tärkeä toimenpide strategisessa päätöksenteossa, suunnitte-
lussa ja muotoilussa (Nicolas 2004, 21). Dynaamisessa ja epävakaassa liiketoimintaym-
päristössä organisaatioiden on tärkeää linkittää strateginen ulottuvuus aineettomiin tietä-
myksestä koostuviin varoihin (Nonaka 1988, 72; 1994, 33–34).  
Big data ja sen analysoiminen on todettu tärkeäksi etenkin strategisten tavoitteiden 
kannalta, sillä big datasta on nopeasti tulossa avainelementti kilpailukyvyn luomisessa ja 
ylläpitämisessä (Bughin ym. 2011). Investoinnit big data -järjestelmiin eivät yksinään luo 
kilpailuetua, vaan organisaatioiden on hallittava koko arvoketju, joka mahdollistaa stra-
tegisen kilpailuedun saavuttamisen. Vuonna 2015 Gartnerin tuottaman kansainvälisen 
kyselyn mukaan 75 % yrityksistä on investoinut big dataan tai aikoo investoida siihen 
kahden vuoden aikana (van der Meulen – Woods 2015). Samoja tuloksia on vuonna 2014 
tehdyssä tutkimuksessa, jonka mukaan Fortune 1000 yrityksistä 91 % investoi big data -
analytiikkaan, kun taas vuotta aikaisemmin luku oli 85 % (Kiron ym. 2014). 
Tämä on yllättävää, sillä tutkimus big datan rahallisesta hyödystä on vielä aluillaan 
(Gupta – George 2016, 1049). USA:n presidentinkanslian (2014, 3–5) raportin mukaan 
big datan tekniset ominaisuudet ovat saavuttaneet kehittyneisyyden tason ja merkitsevä 
kysymys onkin nyt se, mitä big data tekee? Tämä viittaa siihen, että tutkimus on keskit-
tynyt paljolti big datan ominaisuuksiin eikä siihen, miten big dataa ja sen analytiikka hyö-
dynnetään strategisesti organisaatioissa (Gupta – George 2016, 1051). Havaintoa kuvai-
lee myös se, että organisaatioiden asenne big dataa kohtaa on ollut kaksijakoinen; jotkut 
näkevät sen uutena haasteena ja monimutkaisena ilmiönä, kun taas jotkut näkevät sen 
mahdollisuutena (McAfee – Brynjolfsson 2012, 68; Intezari – Gressel 2017, 74). 
Toisin kuten esimerkiksi USA:n presidentinkanslian (2014, 3–5) mukaan, Tianin 
(2017, 113) mukaan big data on vielä pohjimmiltaan lapsenkengissä oleva ryhmä kehit-
tyviä tekniikoita. Tämän vuoksi on ymmärrettävää, että tutkimus on pääasiallisesti kes-
kittynyt big datan teknisiin ominaisuuksiin (Tian 2017, 117). Kokemus on kuitenkin tois-
tuvasti osoittanut, että uusien tekniikoiden kehitys on syvästi riippuvainen organisaatio-
naalisista ja etenkin ihmistekijöistä. Organisaatiot voivat myös varauksellisesti toivottaa 
big datan tervetulleeksi portfolioihinsa, sillä usein viimeisimmät ”uusimmat ilmiöt” osoit-
tautuvatkin paljon vähäpätöisimmäksi muutosvoimaksi, kuin markkinat antavat alkuvai-
heessa ymmärtää (Tian 2017, 114).  
Tästä huolimatta digitaalisen vallankumouksen aiheuttama muutos on ainutlaatuista, 
sillä se tekee monen pitkään toimineen yrityksen liiketoimintamallit käyttökelvottomiksi 
ja järjestää uudelleen kilpailuasetelmat suurimassa osassa aloja (Weill – Woerner 2015). 
9 
 
Ei ole epäilystäkään, ettei digitalisaatio ja tarkemmin big datan -analytiikka ja datatiede 
tulisi vahvasti vaikuttamaan toimialoihin, käytäntöihin ja suurimpaan osaan työpaikkoja 
(Loebbecke – Picot 2015).  
On todettu, että big data on jo vahvistanut suuria vähittäiskauppiaita kuten Amazonia, 
Walmartia ja Targetia entisestään, sillä big data on tarjonnut parempaa tietämystä mark-
kinoista, kartuttanut ymmärrystä ja hienosäätänyt toimitusketjuja (Huberty 2015). Kaup-
palehti uutisoi Amazonin mahdollisesta saapumisesta Ruotsiin, mihin ruotsalaisen vertai-
lusivuston Pricerunnerin toimitusjohtaja ilmoitti, että kaikista ruotsalaisista verkkokau-
poista tulee ”kuolleita, Amazonin orjia, eikä meille ole paikkaa” (Räsänen 2017), joten 
ilmiön voidaan todeta koskettavan yrityksiä kansainvälisesti. 
Yrityksillä on pakottava tarve kehittää kyvykkyyttä analysoida big dataa ja tuottaa ar-
voa toteuttamiskelpoisista ideoista, joita data-analytiikalla voidaan kehittää (Lee ym. 
2014). Carillo (2017) toteaa liike-elämän olevan jatkossa yhä datapohjaisempi, ja yrityk-
set ovat tällä hetkellä suuressa ”datamyrskyssä” ja niiden selviytymiskyky riippuu ky-
vystä analysoida dataa ja kääntää analyysin tulokset toiminnoiksi. Carillo (2017) korostaa 
sitä, että data-analytiikan ei tulisi olla vain yksi yrityksen osasto muiden joukossa vaan 
se tulisi sitouttaa organisaation eri prosesseihin mukaan lukien strategian, liiketoiminta-
mallit, -prosessit ja -rakenteen. 
Edellä mainitut big datan ominaisuudet ovat tärkeitä strategian toteutuksessa, joka on 
tutkielman fokuksen keskiössä. Johdon laskentatoimen kirjallisuus ei ole pääosin huomi-
oinut seuraavia teemoja viimeisen kolmen vuosikymmenen aikana: muutos, organisaa-
tion resurssit, innovaatio ja yrityskokonaisuus (Nixon – Burns 2012, 226). Kyseiset aihe-
alueet ovat tutkimuksen keskiössä ja niitä käsitellään muun muassa resurssipohjaisen teo-
rian avulla. Näiden tutkimustuloksien vuoksi on perusteltua, että tutkimusasetelma on he-
delmällinen ja big datalla on selvä potentiaali uudistaa ja parantaa strategisen johdon las-
kentatoimen menetelmiä. Kuitenkin on huomattava resurssien allokoinnin olevan käytän-
nössä vasta strategian toteutuksen todellinen testi, jota strategian suunnitteluprosessi tu-
kee (Grant 1987, 93).  
Big datan on povattu vaikuttavan koko organisaatioon mukaan lukien johdon ohjaus-
järjestelmät ja taloudellisen ohjauksen. Tutkimuksissa ei kuitenkaan ilmene kuin muuta-
mia esimerkkejä big datan todellisesta hyväksikäytöstä organisaatioissa. Muun muassa 
Arnaboldi ym. (2017, 768) toteavat, että empiiriselle tutkimukselle on tarvetta siinä, mi-
ten big dataa käytetään organisaatioissa ja miten siitä voisi tulla yrityksen voimavara.  
Heidän mukaansa myös tarvitaan tutkimusta ja ymmärrystä big datan vaikutuksesta joh-
don ohjausjärjestelmiin ja muihin organisatorisiin toimintoihin ja miten nämä kaikki yh-
distyvät toisiinsa. He pohtivat myös, onko laskentatoimen ja rahoituksen ammattilaisilla 
10 
 
minkäänlaista roolia big datan integraatiossa, tulkitsemissa ja käytössä. Tarvitaan siis li-
sää tutkimusta big datan vaikutuksesta yrityksen ohjaukseen ja johdon ohjausjärjestelmiin 
strategisessa kontekstissa. 
Teoreettisen viitekehyksen tutkimustuloksia tarkastellaan empiirisesti case-tutkimuk-
sella, jonka materiaalina toimii yhdeksän puolistrukturoitua haastattelua. Abduktiivisen 
case-tutkimuksen organisaationa on julkisesti noteerattu pohjoismainen teleoperaattori, 
joka koetaan teknologisesti intensiivisenä yrityksenä. Tutkimuksessa käytetään jatkossa 
termiä Assatel, kun viitataan tähän kyseiseen case-organisaatioon. Case-organisaatio on 
anonymisoitu, jonka johdosta Assatel on kuvitteellinen nimi. Tämän tutkimuksen tarkoi-
tuksena on luoda laaja kokonaisymmärrys big datan vaikutuksesta suomalaisen televies-
tintäyrityksen strategiseen suunnitteluun ja ohjaukseen. 
1.2 Tutkimuksen tavoitteet ja rajaukset 
Yhä useammin tavoite organisaationaalisessa suunnitellussa on vakiinnuttaa muutos py-
syvyyden tilalle (Nadler – Tushman 1999, 49), luoda joustavia systeemejä, rakenteita ja 
kulttuureita, jotta muutosta osataan odottaa ja muutokseen pystytään reagoimaan nopeasti 
(Reeves – Deimler 2011). Strategisissa ja organisaationaalissa rakenteissa on välttämä-
töntä ottaa huomioon nopeasti muuttuva ympäristö. Tämä tekijä muuttaa strategisen joh-
don ja – laskentatoimen toimintaympäristöä merkittävästi. (Jacobides 2010, 77). Muut-
tuva toimintaympäristö voi lähes salakavalasti muuttaa vakaat konseptit ja toimintamallit 
vanhentuneiksi (Nixon – Burns 2012, 225). Johdon laskentatoimen tutkimuksissa yleinen 
lähestymistapa on ollut tutkimusaukon täydentäminen. Kyseistä tapaa ei kuitenkaan 
nähdä aitona tapana problematisoida tutkimusaihetta, sillä se ottaa olemassa olevan kir-
jallisuuden annettuna, eikä yritä tarkoituksenmukaisesti haastaa olemassa olevia oletuksia 
tutkimuskysymyksiä muodostaessa.  
Big data ja big data -analytiikan aiheen ollessa verrattain uusi, kokonaisvaltainen lä-
hestymistapa strategiaprosessin suhteen problematisoi olemassa olevan kirjallisuuden. 
Tämä on perustelua myös siksi, että olemassa olevaa kirjallisuutta ole vahvistettu useasti 
empiirisissä tutkimuksissa. Big data -tutkimuksen tulisi keskittyä enemmän tietämyksen 
ja viisauden prosessoimiseen, ja miten data tukee ihmisiä kognitiivisissa pyrkimyksissään 
(Lugmayr ym. 2017, 198). Tämä tutkimus ottaa huomioon myös tämän inhimillisen vii-
tekehyksen mukaan tutkimukseen. 
 
Tutkimuksen tavoitteena on vastata seuraaviin tutkimuskysymyksiin: 
• Miten big data ja big data -analytiikka tukee organisaatiota strategian suunnitte-
lussa? 
11 
 
• Miten big data ja big data -analytiikka vaikuttaa johdon ohjausjärjestelmiin stra-
tegiatyössä? 
• Miten big data ja big data -analytiikka tukee strategista päätöksentekoa ja strate-
gian seurantaa? 
 
Tutkimuskysymyksiin on tavoitteena vastata luomalla mahdollisimman laaja ja moni-
muotoinen kuvaus big datasta ja sen vaikutuksesta strategiaan ja johdon ohjausjärjestel-
miin. Tämän laajan teoreettisen viitepohjan taustalla pyritään luoda selkeä ymmärrys ja 
kokonaiskuva big datan vaikutuksesta Assatelin toimintoihin ja strategiaprosessiin. 
Tutkimuksessa ei keskitytä big datan yksityiskohtaisiin teknologisiin ominaisuuksiin, 
sen käyttöönottoon tai implementointiin teknisesti järjestelmä- tai prosessitasolla. Tutki-
muksesta on rajattu aihealueeseen liittyvä tekoäly (engl. AI – artificial intelligence), sillä 
tekoälyn käyttö on pääosin vasta kokeiluasteella eri organisaatioissa.  Käsitteellisesti joh-
don ohjausjärjestelmät ovat laaja kokonaisuus, jonka vuoksi tutkimuksessa ei käsitellä 
aivan kaikkia johdon ohjausjärjestelmiä, tutkimuksessa ei käsitellä esimerkiksi toiminto-
laskelmaa, sillä aihealueesta ei löytynyt relevanttia empiiristä aineistoa. Tutkimuksen ta-
voitteena on nimenomaisesti kasvattaa ymmärrystä aihealueesta, eikä sen tarkoituksena 
ole esimerkiksi toimia käsikirjana big data -analytiikan implementoinnille. Tutkimuk-
sessa tunnistetaan kuitenkin eri aihealueet kuten strategian suunnittelu, sen toteutus ja 
mittaaminen eli seuranta. Tutkimus pureutuu myös päätöksentekoon ja osin tietämyksen-
hallintaan, sillä näillä asioilla on suora linkitys strategiaprosessiin sisältäen strategian 
suunnittelun ja toteutuksen. Tämä on perusteltua siksi, koska big dataa hyväksikäyttää 
toimijat eli organisaation johto ja henkilöstö. Toimijat määrittävät rajat ja käyttötarkoi-
tuksen big datalle ja sen vaikutukselle strategiaprosessiin. Toimijoihin voidaan vaikuttaa 
johdon ohjausjärjestelmillä. 
1.3 Metodologia ja metodit 
Tämän tutkimuksen tavoitteena on luoda ymmärrys ja kuvailla big datan merkitykselli-
syyttä strategiaprosessissa. Tavoitteena on ymmärtää laaja kokonaisuus ja big datan mer-
kitys useassa eri toimeksiannossa ja ohjausjärjestelmässä. Täten laadullinen eli kvalitatii-
vinen tutkimusote on perusteltu vaihtoehto tämän tutkimuksen toteutukselle. Big datasta 
ja sen analytiikasta on kirjoitettu suhteellisen paljon teoreettista kirjallisuutta. Kuitenkaan 
empiirinen aineisto muun muassa big data -analytiikan ja strategisen prosessi-innovoimi-
sen suhteen on yhä ohut ja jopa olematon (Fosso Wamba ym. 2017, 470).  
12 
 
Dubois ja Gadde (2002, 559) toteavat, että tutkijan tavoitteena on teoriaa muodostaes-
saan löytää uusia asioita, kuten muuttujia ja yhteyksiä. Teoriaprosessin aikana tulee kes-
kittyä aihealueeseen teoreettisen viitekehyksen kautta, eikä tutkijan tule rajoittaa tutki-
mustaan pitämällä kiinni jo olemassa olevasta teoriasta. Tämän vuoksi teoriassa on pyritty 
luovasti yhdistelemään eri teorioita ja viitekehyksiä niin uusiin keskeisiin termeihin 
(esim. big data) kuin myös tutkitumpiin aihealueisiin (esim. strategia). Laaja määrä läh-
teitä tukee holistisen näkemyksen saavuttamista.  
Abduktiiviselle päättelylle on luonteenomaista selittävien hypoteesien kehittäminen. 
Nämä hypoteesit ovat usein parhaita saatavilla olevista ja todennäköisimpiä selityksiä tie-
tylle ilmiölle. On todettu, että abduktiivinen päättely voi olla päätelmä parhaalle selityk-
selle. Abduktiivinen päättely johtaa usein todennäköisimpään päätökseen, muttei pysty 
aina varmentamaan tätä lopputulosta. Tapaustutkimus toteutetaan abduktiivisesti, sillä lä-
hestymistapa on hedelmällinen, jos tutkijan tavoitteena on löytää uusia asioita. Tutkimuk-
sissa, joissa käytetään abduktiivista lähestymistapaa, alkuperäinen teoreettinen viitekehys 
on onnistuneesti muokattu, osin odottamattomien empiiristen löydösten myötä ja teoreet-
tisen näkökulmien kehittyessä tutkimusprosessin aikana. Tämä lähestymistapa luo moni-
muotoisen empirian ja teorian toisiaan rikastavan prosessin, jossa uusia yhdistelmiä ke-
hitetään sekoittamalla teoreettisia malleja ja uusia konsepteja, joita empiirisessä tutki-
muksessa havaitaan. (Dubois – Gadde 2002, 555, 559; Yu – Zenker 2018 569-571.) 
Malmi ja Brown (2008) tuovat tutkimuksessaan esille yleisen ongelman holistisen nä-
kemyksen saavuttamisessa, sillä johdon ohjausjärjestelmät ovat usein erittäin laajoja ja 
kompleksisia järjestelmiä, joita tulee tutkia kokonaisuutena, sillä järjestelmät eivät toimi 
erityksessä toisistaan, vaan ovat kiinteästi yhteydessä toisiinsa. Näin saadaan parempi ko-
konaiskuva ohjausjärjestelmien ja toimintojen vaikutuksesta toisiinsa kokonaisuutena, 
kuin esimerkiksi pureutuminen yhteen ainoaan johdon ohjausjärjestelmään. On perustel-
tua tutkia aihealuetta kokonaisuutena, sillä big datan käyttö vaikuttaa enemmän kokonai-
suuteen niin johdon ohjausjärjestelmissä, päätöksentekojärjestelmissä kuin esimerkiksi 
tietyssä yksittäisessä toiminnossa. (ks. Carillo 2017.) 
Tutkimusaukkojen systemaattinen täydentäminen ei todennäköisesti tuota merkittäviä 
teorioita johdon laskentatoimen alueella, joten hedelmällisempää on tavoitella laajaa ym-
märrystä koko aihealueesta ja problematisoida aihealueen teemoja. Aihealueen uutuuden 
vuoksi on tärkeää, ettei olemassa olevaa kirjallisuutta oteta annettuna, vaan se kyseen-
alaistetaan ja problematisoidaan. (Alvesson – Sandberg 2011, 251–252, 257.)  
Aihealueen käsitteiden analysointi tukee ymmärrystä. Tämä pohjimmiltaan helpottaa 
kommunikaatiota. (Takala – Lämsä 2001; Kiikkala 1994). Käsitteiden erilaiset merkityk-
set ja osittain merkitysten ristiriitaisuudet ilmenevät tutkielmassa, sillä kummallakaan 
ydinkäsitteellä ei ole vakiintunutta käsitettä tieteellisessä kirjallisuudessa.  
13 
 
Tapaustutkimukset eli case-tutkimukset ovat melko yleisiä erityisesti johdon lasken-
tatoimen tutkimuksissa, ja ne luokitellaan kuvaileviin, havainnollisiin, kokeileviin ja se-
littäviin case-tutkimuksiin (Kasanen ym. 1993, 71; Ryan ym. 2012, 142–143). Tämä tut-
kimus on luonteeltaan kuvaileva, sillä tutkimuksessa kuvaillaan ilmiötä ja havaintoja ref-
lektoiden teoreettista kehystä. Tutkimuksen empiirinen aineisto tuotettiin yhdestä case-
organisaatiosta yhdeksällä puolistrukturoiduilla haastatteluilla. Tutkimusmenetelmä on 
sopiva tutkimuskysymykseen, sillä aihealueesta ei ole kovinkaan syvällisiä tutkimustu-
loksia (Nixon – Burns 2012, 226; ks. Ryan ym. 2012, 149). Kasanen ym. (1993, 72) pe-
rustelevat myös, että case-tutkimusten yleistettävyyden taso on samaa luokkaa kuin ha-
vainnolliset ja kokeilevat tutkimukset. Tutkielma on toiminta-analyyttinen, tutkimusky-
symyksille on johdonmukainen ote, jotka alkavat sanoilla ”miten” ja ”miksi”. Nämä siis 
hakevat syvempää ymmärrystä aihealeuesta, ei vain yksiselitteisiä vastauksia asiaan. 
Useasti case-tutkimuksia kritisoidaan siitä, etteivät ne tuota tieteellisesti yleistettäviä 
tutkimustuloksia ja tutkija sallii moniselitteisten tulosten vaikuttamaan puolueellisesti 
tutkimuksen lopputuloksiin (Yin 1994, xiii). Tutkija pyrkii ottamaan tuloksissaan kaikki 
vastakkaiset näkökulmat tasapuolisesti huomioon, eikä tutkija pyri kysymyksillään vai-
kuttamaan haastateltavien vastauksiin. Toinen merkittävä case-tutkimusten ongelma on 
se, ettei tutkija hallitse useiden tutkimuksessa olevien aihealueiden yhteyksiä toisiinsa. 
Tämän tutkija on huomioinut tutkimalla tärkeitä aihealueita liittämällä eri aihealueet toi-
siinsa. Tutkija, joka pystyy punnitsemaan teoriaa uudelleen aina empiirisen tutkimustu-
losten kasvaessa, pystyy kasvattamaan ymmärrystään niin teoriasta kuin empiirisestä il-
miöstä.  
Empiirisen aineiston tulokset ovat käsitelty yksityiskohtaisesti teoriaan heijastaen, 
sillä teoriaa ei voi ymmärtää ilman empiiristä tulkintaa, taikka päinvastoin. Kuitenkaan 
empiirisessä ympäristössä ei ole luonnollisia rajoja, joten tutkijan tulee rajoittaa tutki-
mukselle merkitykselliset tulokset aineistoista. Mahdollinen ongelma aiheeseen liittyen 
on se, että tutkija esittelee kaikki tutkimustulokset, jonka tuloksena tulokset eivät ole mer-
kittäviä. Tämän tutkija on ratkaissut esittelemällä empiirisen aineiston teoreettisen viite-
kehyksen läpi, ja ottanut esille tutkimuksessa selvinneitä ristiriitoja ja eriäviä mielipiteitä 
merkittävistä aiheista. (Dubois – Gadde 2002, 555.)  
Keating (1995) jaottelee johdon laskentatoimen tutkimukset neljään luokkaan teorian 
käsittelyn suhteen: teorian luominen (engl. discovery), havainnollistaminen (engl. illu-
stration), täsmentäminen (engl. specification), ja kumoaminen (engl. refutation). Täs-
mentävässä tapaustutkimuksessa tutkija määrittelee teoreettisen mallin, jota arvioidaan ja 
tarkennetaan empiirisen tutkimuksen yhteydessä. Kun taustalla oleva perspektiivi otetaan 
annettuna, täsmentävät tapaustutkimukset pyrkivät jalostamaan ja operationalisoimaan 
teorioita. Tietyissä tämän tyyppisissä tapaustutkimuksissa ovat testattavat teoreettiset 
14 
 
väittämät, jolloin teoreettisia väittämiä testataan empiirisillä havainnoilla. Tapaustutki-
muksen tulokset voivat olla ristiriidassa teorian kanssa, joka voi johtaa teorian kumoami-
seen tai jopa täysin uuteen teoriaan, sillä teorian tulee olla uskottava. Keating (1995) ku-
vailee tutkimuksessaan havainnollistavia ja täsmentäviä case-tutkimuksia välimuotona 
teorian luomisen ja kumoamisen välillä. 
Teorian havainnollistavissa ja täsmentävissä ja tapaustutkimuksissa empiria valitaan 
”epätodennäköisimpinä” tai ”todennäköisimpinä skenaariona (least-/most-likely). Case 
valitaan siksi, että se omaa ominaispiirteet, jotka todennäköisimmin sopivat oletettuihin 
teorioihin. Tämä asetelma mahdollistaa myös teorian hylkäämisen, jos case-organisaation 
löydökset ovat päinvastaisia teorian kanssa. (Keating 1995,72.) Tämän ”todennäköisin” 
tapaustutkimuksen valinta tuottaa teorian kannalta heikon tuloksen teorian vahvista-
miseksi mutta vahvan tuloksen teorian hylkäämiseksi. Yhdestä case-tutkimuksesta voi 
löytää niin teoriaa vahvistavia kuin hylkääviä tuloksia, samalla mahdollistaen teorian ha-
vainnoimisen ja täsmentämisen. (Keating 1995, 82.)  
Case-organisaatioksi valikoitu yritys toimii teknologiasektorilla ja yritys on perintei-
sesti ollut edelläkävijä uusien teknologioiden käyttöönotossa. Tutkimuksen liitteenä (ks. 
LIITE 1) on empiirisen aineiston teemahaastattelurunko, jota käytettiin lievästi muokat-
tuna jokaisessa haastattelussa. Case-organisaatiota valittaessa oletettiin, että organisaa-
tiossa hyväksikäytetään big dataa ja big data -analytiikkaa. Jos näin ei kuitenkaan ole, 
tulokset kumoaisivat positiivisen hypoteesin voimakkaasti. Tämä tapaustutkimus on 
luonteeltaan havainnoiva ja osin täsmentävä tapaustutkimus, joka sisältää Keatingin jaot-
telun mukaan seuraavat ominaisuudet: vahvistettujen, vahvistamattomien ja uudelleen-
määritettyjen ja uusien käsitteiden ja suhteiden selkeät väittämät, teoreettisten teemojen 
määritelmät, testattavat väittämät ja jatkotutkimuskysymysten määrittely, jolla poikkea-
vat todisteet tai strategiat testataan teoreettisesti. (Keating 1995, 75). 
Tarkemmin kuvattuna tämä merkitsee teoriassa esitettyjä näkemyksiä ja uskomuksia 
big datan vaikutuksesta ja mahdollisuuksissa yrityksen strategisessa toiminnassa. 
Toiseksi määritellään tutkimuksessa esitetyt teemat laajasti teoreettisesti. Testattavat väit-
tämät kuvastavat testattavaa teoriaa, joita tutkimuksen empiirisessä aineistossa tarkastel-
laan. Tutkimuksen lopussa määritellään jatkotutkimuskysymykset niistä aihealueista, joi-
hin tässä tutkimuksessa ei pystytty vastaamaan. 
1.4 Tutkielman rakenne 
Tutkimuksen teoria koostuu luvuista 2, 3 ja 4. Ensimmäisessä teorialuvussa käsitellään 
tutkimuksen ydinkäsitteet ja määritelmät: strategia (luku 2.1) ja big data (luku 2.2), jotka 
sisältävät käsitteellisen pohjan tämän tutkimuksen teoreettiselle viitekehykselle. Tämän 
15 
 
jälkeen luku 2 keskittyy ensimmäiseen tutkimuskysymykseen eli siihen, miten big data 
tukee organisaatiota strategian suunnitellussa. Kolmas luku esittelee johdon ohjausjärjes-
telmien määritelmän ja luo teoreettisen viitekehyksen termille. Tämän jälkeen luvussa 
käsitellään big datan vaikutusta johdon ohjausjärjestelmiin ohjausjärjestelmä kerrallaan. 
Luvussa käsitellään myös ”The Managerial Accounting Data Analytics” (MADA) -viite-
kehystä, joka käsittää big datan vaikutuksen laajemmin johdon ohjausjärjestelmiin yhtenä 
kokonaisuutena. 
Viimeisessä teorialuvussa käsitellään päätöksenteon teoriaa ja sen merkittävää vaiku-
tusta niin organisaation strategiseen ohjaukseen kuin big datan käyttöön organisaatiossa. 
Luku keskittyy luomaan teoreettisen kolmannelle tutkimuskysymykselle eli miten big 
data tukee strategista päätöksentekoa ja strategian seurantaa. Big datan käytön tavoitteena 
on luoda tietämystä, joten luvussa käsitellään tietämyksenhallintaa ja sen kytköstä pää-
töksentekoon. Tämän pohjalla on käytetty Pauleenin ja Wangin (2017) aihealueelle mer-
kittävää tutkimusta big datan, päätöksenteon ja tietämyksenhallinnan kytköksestä. 
Viides luku sisältää tutkimuksen empiirisen aineiston, jonka alussa esitellään case-or-
ganisaatio ja empiirisen aineiston tutkimusmetodit. Luvussa käsitellään systemaattisesti 
kaikki teoriassa käsitellyt aihealueet samassa järjestyksessä kuin teoreettinen viitekehys 
on muodostettu. Tarkoituksena on luoda selkeä yhteys teorian ja empirian välille ja nostaa 
esille myös toimintojen keskinäinen riippuvuus. Toimintojen välinen suhde ja ohjausjär-
jestelmät kokonaisuutena pyritään esittämään selkeästi osin itsenäisinä toimintoina, mutta 
samalla korostaen keskinäistä riippuvaisuutta (vrt. Malmi – Brown 2008). Viimeinen luku 
esittelee tutkimuksen lopputulokset, johtopäätökset ja esittelee jatkotutkimusaiheet. 
16 
 2 BIG DATAN MERKITYS JA TUKI STRATEGIAN SUUNNIT-
TELUSSA 
2.1 Strategia ja innovointi 
Strategian määrittäminen yksiselitteisesti on haastavaa, sillä erilaisia määritelmiä strate-
giasta on useita. Ulwick (1999, 3) kertoo kuulleensa seuraavaa: ”strategian määritelmät 
ovat kuin vitamiineja, saat yhden päivässä mutta suurinta osaa niistä on vaikea niellä”. 
Strategian määrittely on useiden tieteellisten artikkeleiden aiheena ja monien väittelyiden 
syy. Strategia on alun perin sotilaallinen termi, joka tuli 1940-luvulla liiketaloustieteisiin, 
sisältää hyvin monia eri määritelmiä, muttei yhtäkään universaalisti hyväksyä määritel-
mää. Määritelmiä on useita, sillä strategia on moniulotteinen ja tilannekohtainen. (Quinn 
ym. 1988; Wilson 1991, 82) Ulwick ottaa esille myös sen, ettei monissa määritelmissä 
yritetä yksin selittää strategiaa, vaan määritelmät sisältävät myös tietoa strategian luomi-
sesta ja siitä, miten strategia saavutetaan. 
Porterin mukaan (1996) strategia on uniikin ja arvostetun aseman synnyttäminen, joka 
sisältää uudenlaisen asetelman aktiviteetteja. Henderson (1989) toteaa, että strategia on 
tarkkaan harkittu toimintasuunnitelma, joka kehittää liiketoimintaa. Ohmae (1988) mää-
rittelee strategian käytännönläheisemmin strategian ollessa kovaa työtä ymmärtääkseen 
asiakkaan luontaiset tarpeet ja täten arvioida uudelleen, minkä kategorian tuotteet tyydyt-
tävät niitä parhaiten. Chandlerin (1962) määritelmä kertoo strategian olevan määrätietoi-
suus yrityksen pitkän aikavälin tavoitteista ja päämääristä ja niiden toimintojen omaksu-
minen ja välttämättömien voimavarojen kohdentaminen, jotta määritetyt tavoitteet on 
mahdollista saavuttaa. Näissä kaikissa vanhemmissa määritelmissä kerrotaan, mitä stra-
tegialla odotetaan saavutettavan tai miten strategia luodaan (Ulwick 1999). 
Vaikka strategiatutkimus on edennyt moniin eri suuntiin, voidaan strategiaa pitää 
muun muassa organisaation pitkän aikavälin suuntana ja tapana, jolla organisaatio hyö-
dyntää resurssejaan ja täyttää markkinoiden ja sidosryhmien odotukset. Tämän lisäksi 
strategia voi olla organisaation ainutlaatuisuuden, kilpailuedun ja ylivoimaisuuden läh-
teenä. Strategian voi myös ymmärtää yrityksen peruslinjana, suunnanmäärittäjänä, kri-
teerinä päätöksenteossa ja johdon työvälineenä. (Puusa ym. 2012, 73–75.) Ulwick ottaa 
esille sen, että selkeyttääkseen strategian merkitystä olisi tärkeää erottaa itse strategia, 
strategian luomisprosessi ja strategian tulokset. Kun nämä aiheet ovat erotettu toisistaan, 
on strategia yksinkertaisesti toimintasuunnitelma. (Ulwick 1999, 3–4.) 
17 
 
Mintzberg (1991) erottaa strategian taktiikasta, jonka ulkopuoliset pystyvät näkemään. 
Hän näkee myös strategian olemassaololle lukuisia syitä: strategia antaa yritykselle suun-
nan ja onnistunut strategia vie yritystä kohti sen tavoitteellista tilaa. Strategia kohdistaa 
ja yhtenäistää organisaation operaatioita. (Mintzberg 1987; 1991.) 
Liiketoiminnan muuttuessa 2000-luvulla yritykset ovat muuttaneet strategiaansa 
tuote/voitto- orientointuneesta strategiasta enemmän asiakasorientoituneeseen strategiaan 
(Tãlpãu – Boscor 2011). Tämä myös kuvaa Normannin näkemystä siitä, että yrityksen on 
vaarallista toimia jatkuvasti saman strategian varassa, sillä muuttuneessa ympäristössä 
aikaisemmin hyväksi koettu strategia ei enää vastaa nykytilaa ja johtaa epäonnistumiseen. 
Haastavinta tässä on Normannin mukaan se, että ympäristön ristiriita huomataan usein 
vasta jälkikäteen. (Normann 2002, 104–105, 176, 192–193.) 
Strategia jaetaan usein eri tasoille; (Langfield-Smith 1997, Wilson 1991) 
1. Yritysstrategia (engl. corporate strategy) kuvaa liiketoiminta-alat, joissa yritys ko-
konaisuudessaan toimii, kertoo suhteen, jossa yrityksen voimavarat jaetaan eri lii-
ketoimintojen välillä, koostaa yrityksen portfolion. 
2. Liiketoimintastrategia (engl. business strategy) kuvaa tavan, jolla liiketoimintayk-
sikkö tai -yksiköt kilpailevat omilla liiketoiminta-alueillaan ja missä suhteessa yk-
siköt asemoivat itsensä kilpailijoihin nähden. 
3. Toimintastrategia (engl. operational strategy) kuvailee taas tapoja, joilla yksittäi-
set toiminnot auttavat liiketoimintojen strategioita ja kilpailukykyä. Näitä ovat esi-
merkiksi markkinointistrategia ja tuotantostrategia. Nämä strategiat pyritään mää-
rittämään yritysstrategian perusteella ja tärkeää on myös todeta strategioiden yh-
teensopivuus toistensa ja ylempien strategioiden kanssa. 
Tyypillisesti strategia on kuvattu näin hierarkkisena, jolloin se on lähtökohtaisesti yri-
tyksen toiminta-ajatuksesta johdettua toimintoja, joilla pyritään saavuttamaan yrityksen 
päämäärät ja tavoitteet. (Simmonds 1983, 23). Klassisessa strategiakirjallisuudessa mää-
riteltiin strategiat objektiivisina ja jaoteltavina. Yleisimmät käytetyt jaottelumallit ovat 
Milesin ja Snown (1978) neljä geneeristä strategiaa (engl. defenders, prospectors, ana-
lyzers ja reactors) ja Porterin (1980, 1985) malli (erilaistaminen, kustannusjohtajuus ja 
keskittyminen), joilla ei ole suoraa vastaavuutta keskenään. Näissä malleissa pyritään säi-
lyttämään asema tavallaan mekanistisella tavalla (Burns – Stalker 1961). Laskentatoimen 
ja strategian suhdetta tutkivissa artikkeleissa on perinteisesti tukeuduttu juuri Porterin 
ajatuksiin (Tamminen 1990; Roslender 1995).  
On kuitenkin todettu, että yritykset, jotka asemoituvat strategioissaan enemmänkin 
molempikätisesti (engl. ambidexterous), menestyvät paremmin kuin ne yritykset, jotka 
valitsevat perinteisestä klassisesta kirjallisuudesta yhden strategiatyypin (Eisenhardt ym. 
2010; Schreyogg – Sydow 2010; Smith – Lewis 2011). Perinteisesti kirjallisuudessa on 
18 
 
kannustettu valitsemaan tietty strateginen asemointi ja pitäytyä siinä, kun taas molempi-
kätinen strategia kannustaa käyttämään erilaisia asemointeja samanaikaisesti. Tämä mer-
kitsee sitä, että yrityksen johto tunnistaa ja ymmärtää kahden erilaisen ja vastakkaisen 
strategian vaikutukset ja yrittää toimia kummallakin strategialla, eikä yritä aktiivisesti 
ratkaista tai eliminoida kahden erilaisen strategian ristiriitaa. (Gibson – Birkinshaw 2004; 
Smith – Tushman 2005, 526.) Kun epäjohdonmukaisuudet hyväksytään, vastakkaiset voi-
mat tasapainottelevat kohdetta (yritystä) keskitiellä, luoden jatkuvan tasapainon (And-
riopoulos – Lewis 2009; Eisenhardt 2000). Jos nämä ristiriidat jätetään huomiotta tai niitä 
vältellään, syntyy psykologisia vääristymiä, jotka nojautuvat jatkuvuuteen ja varmuuteen. 
Tämä johtaa resurssien allokoimisen jo olemassa oleville tuotteille ja teknologisille kehi-
tyksille, mikä ei tue uuden luomista tai kasvua (Levinthal – March 1993). 
Molempikätinen strategia on lähestymistapa, jossa yhdistetään kaksi pohjimmiltaan 
erilaista menettelytapaa tasapuolisesti yhdessä organisaatiossa. Menettelytavat ovat jat-
kuva parantaminen (engl. exploitation) ja uuden luominen (engl. exploration). Yritysstra-
tegian keskeinen kysymys päätöksenteossa on se, kuinka paljon sijoittaa eri tyyppisiin 
toimintoihin. Tutkimusten mukaan parantaminen ja luominen edellyttävät olennaisesti 
erilaiset rakenteet, prosessit, strategiat, kyvykkyydet ja kulttuurit toimiakseen, mutta näi-
den osaaminen mahdollistaa yrityksen menestymisen ja jopa selviytymisen. Ne vaikutta-
vat myös eri tavalla yrityksen muokkaantumiseen ja suorituskykyyn markkinoilla. Uusien 
liiketoimintojen kehittäminen tuottaa yritykselle tuloja epävakaasti ja pidemmällä aika-
välillä, kun taas parantaminen tuo säästöjä lyhyellä aikavälillä ja niiden toimintakyky on 
todennäköisesti vakaampi, mutta jättää yrityksen haavoittuvaiseksi markkinoiden ja tek-
nologioiden muutokselle. Täten uusien mahdollisuuksien kehittämisen ja vanhojen toi-
mintojen parantamisen perustavanlaatuiset erilaisuudet yrityksen käyttäytymisessä ja 
strategiassa luovat merkittävät seuraukset yrityksen suorituskyvylle vaalimalla vallitse-
vaa tilannetta. (He – Wong 2004, 481–482; Andriopoulos – Lewis 2009, 696–697; 
Tushman – O’Reilly 1996.) 
Näiden erilaisten strategioiden yhdistäminen luo yritykseen jännitteen, sillä toisaalta 
mukautuminen tämän hetkisiin markkinoiden vaatimuksiin voi edistää rakenteellista iner-
tiaa ja laskea yrityksen kapasiteettia omaksua tulevaisuuden muutoksia ja mahdollisuuk-
sia (Hannah – Freeman 1994). Osaltaan uusien vaihtoehtojen luominen ja kehittäminen 
laskevat nykyisten toimintojen kehitys- ja parannuskykyä (March 1991). Epäonnistunut 
kehittämisyritys uusille markkinoille voi keskeyttää ja häiritä menestyksellisiä rutiineja 
yrityksen nykyisellä toiminta-alueella, ilman että tämä menetys kompensoitaisiin uudelta 
markkina-alueelta. Tämä jännite voi johtaa yrityksen ansaan kiihdyttävän parantamisen 
ja kehittämisen välillä (March 1991; Levinthal – March 1993). Organisatorisen oppimi-
sen kannalta yritys voi kokea mielekkääksi pitää yllä nykyisen fokuksen ja kasvattaa ny-
kyisiä kyvykkyyksiä, vaikka toimintaympäristö on muuttunut. Näin yrityksen vahvuudet 
19 
 
voivat muuttua yrityksen omaksi kompastuskiviksi. Näitä ilmiöitä kutsutaan menestys- ja 
pätevyysansoiksi. (Leonard-Barton 1992)  
On myös esitetty, että yksikään yritys ei pysty kehittämään kestävää kilpailullista etu-
matkaa, sillä tämän hetken vahvuudet muuttuvat erittäin nopeasti huomisen heikkouksiksi 
(D’Aveni 1994). Monien innovatiivisten yritysten kyvyttömyys onnistua markkinoilla on 
usein peräisin siitä, että yritys kehittää uusia tuotteita vieraille markkinoille ilman, että se 
allokoi tarpeeksi resursseja omien kyvykkyyksien hyväksikäyttöön tutuimmilla tai ka-
peimmilla niche-markkinoilla. Parantamisen ja kehittämisen pohjimmiltaan erilaiset lo-
giikat luovat jännitteitä yrityksille. Tushman ja O’Reilly (1996) käyttivät termiä jonglööri 
kuvatakseen molempikätistä yritystä, jolla on kyvykkyydet kilpailla kypsillä markki-
noilla, joissa hinta, tehokkuus ja vähittäinen innovatiivisuus ovat kriittisiä ja kehittämään 
uusia tuotteita ja palveluita kehittyville markkinoille, joissa kokeilu, nopeus ja joustavuus 
ovat kriittisiä tekijöitä. Jos yrityksen sisäisiä jännitteitä ei hallita tehokkaasti, yritys voi 
itse asiassa kärsiä molempikätisestä strategiasta. Molempikätinen strategia edellyttää uu-
sia mittareita, joilla priorisoidaan resurssien allokaatio ja mittaaminen strategian mukai-
sesti. (He – Wong 2004, 482–484, 492.) 
Jännitettä voidaan hallita arkkitehtuurisella molempikätisyydellä, joka sisältää duaali-
set rakenteet ja strategiat, joilla erotetaan pyrkimykset ja toimijat eri tyyppisistä innovaa-
tioista ja tutkimuksista. Molempikätiset yritykset kykenevät samanaikaiseen ja ristiriitai-
siin tietämyksenhallinnan prosesseihin (Lubatkin ym. 2006). Parantamisen ja luomisen 
samanaikainen johtaminen kehittää innovatiivisuutta ja liikkeenjohtamisen luovuutta, jo-
ten paradoksisella perspektiivillä on arvokas rooli molempikätisyyden kehittämiselle. 
(Adriopoulos – Lewis 2009, 709) 
Big data voi mahdollistaa ja parantaa organisaatioiden kykyä sopeutua eri kilpailuym-
päristöön ja uusiin teknologioihin (Woerner – Wixom 2015, 62), johon liittyy ilmaantuva 
strategia (engl. emerging strategy), joka pohjautuu resurssipohjaiseen näkökulmaan ja re-
surssipohjaiseen teoriaan yrityksen strategisista varoista (Amit – Schoemaker 1993, 43–
44). On kuitenkin huomionarvoista, että strategisia varoja hallittaessa big data luonteen-
omaisesti mahdollistaa uusien näkemysten luomista mutta samalla vähentää strategian 
fokusta. Suurin osa arvokkaasta big datasta ei sovi yritysten järjestelmiin ja systeemeihin, 
jotka on luotu auttamaan organisaatioita strategisessa päätöksenteossa. Keskittyminen re-
aaliaikaiseen dataan horjuttaa pitkäaikaista suunnittelua ja uudelleenasettaa saadut hyö-
dyt pitkäaikaisten ja lyhytaikaisten päätösten välillä. Tätä on kuitenkin mahdollista vält-
tää strategisilla analyyseilla. Organisaation on tiedostettava reaaliaikaisen datan rooli suh-
teessa kokonaisvaltaiseen ohjaukseen – tätä tukevat johdon ohjausjärjestelmät, joita kä-
sitellään seuraavassa luvussa. (Woerner – Wixom 2015, 60.) 
Ilmaantuvan strategian merkitys vahvistuu erilaisten analyysien kautta. Esimerkiksi 
markkina- tai toimiala-analyysit arvioivat erinomaisesti esimerkiksi tiettyjen toimialojen 
20 
 
kannattavuuksia ja markkinoiden kypsyysasteita. Näin organisaatio keskittyy ulkoisiin 
kilpailullisiin esteisiin, jotka vallitsevat niin nykyisissä kuin potentiaalisissa tuote- tai 
markkinasegmenteissä. Näin organisaation kilpailukyky paranee suhteellisesti ottaen 
huomioon muuttuvan toimintaympäristön. (Amit – Schoemaker 1993, 42) 
Resurssipohjaisen näkemyksen mukaan ydinkyvykkyyksiä on perinteisesti pidetty 
joukkoina erilaisina teknisinä järjestelminä, taitoina ja johtamisjärjestelminä, nämä ky-
vykkyyksien dimensiot ovat syvästi juurtuneet arvoihin, jotka usein jätetään huomioi-
matta kriittisenä dimensiona. Perinteiset ydinkyvykkyydet sisältävät puutteen, joka ra-
joittaa innovaatioita. Näitä voidaan pitää ydinjäykkyyksinä. Tuotekehityksen ja prosessi-
johtamisen päälliköt heijastavat tätä paradoksina: miten hyödyntää puhtaasti ydinkyvyk-
kyyksiä, ilman että ydinkyvykkyyksiin linkittyneet juurtuneet arvot estävät organisatori-
sen kehityksen? Tämänkaltaiset heijastukset ovat erittäin tärkeitä ilmaantuvissa strategi-
oissa korostaen tarvetta muutokselle ja muutoksen johtamiselle. (Leonard-Barton 1995, 
111.) 
2.2 Strategiatyö 
Onnistunut strategia on tulevaisuuteen orientoitunut, jotta se on linjassa tulevaisuuden 
markkinoiden haasteisiin. Jopa vakavaraiset yritykset, joilla on resursseja analysoida tu-
levaisuutta, toteavat ennustamisen olevan jatkuvasti yhä haasteellisempaa. Tämän joh-
dosta mistä tahansa strategisesta ennustamisesta muodostettava luotettava näkemys, joka 
on sovitettavissa suunnittelujärjestelmiin tuo organisaatiolle rahallisesti mittaamattoman 
arvokkaan resurssin. Strategian kehittäminen voi tarjota merkittävän etumatkan kilpailul-
lisilla markkinoilla ja jopa määrittää uuden suunnan. Tämän vuoksi strategian kehittämi-
nen on välttämätöntä etumatkan saavuttamiselle tai ylläpitämiselle. Johtavat yritykset 
ovat ymmärtäneet keskittymisen erinomaisiin strategioihin, tiimeihin ja yksilöihin, jotka 
kykenevät havaitsemaan muutokset aikaisin ja ovat tarpeeksi nopealiikkeisiä joko ylläpi-
tämään tai saavuttamaan markkinajohtajuuden. Strategiaprosessin laajentaminen käsittää 
kolme toisiaan vahvistavaa dimensiota: 
1. Eri aikavälien tiedostaminen – luoda niin lyhyelle, keskipitkälle kuin pitkän ai-
kavälin näköpiireille eri ajankohdat ja tavoitteet 
2. Ajattelun laajentaminen – uusilla tekniikoilla, joilla tehostetaan luovuutta ja nä-
kemystä 
3. Sitouttamisprosessin laajentaminen – kannustaa laajaan vuoropuheluun, valmis-
tautumiseen ja strategiseen linjauksen kaikilla organisaation tasoilla. (Kachaner 
– Deimler 2008, 40.) 
21 
 
Erilliset strategiasessiot keskittyen eri aikaväleihin voivat mahdollistaa organisaation 
näkemään mahdollisuuksia ja riskejä, jotka kilpailijat jättävät huomioimatta. Useaan ai-
kaväliin keskittyminen yhdellä prosessilla ei yksinkertaisesti toimi. Jokainen aikaväli 
vaatii erilaisia taitoja, tekniikoita ja toimintoja – jotka vaativat eri ihmisiä eri aikatauluilla. 
(Kachaner – Deimler 2008, 40.) 
Pitkän aikavälin visiointi kattaa valmistautumiset makrotason muutoksiin 5–20 vuo-
den aikavälillä, jotta kyetään asemoimaan tulevaisuuden kilpailullinen ympäristö organi-
saation hyväksi. Toisena tavoitteena on määrittää organisaation pitkän aikavälin pyrki-
mykset ja ylimmän tason liiketoimintamallit, jotka tukevat kyseisiä pyrkimyksiä. Keski-
pitkän aikavälin liiketoimintastrategian asettamisessa keskitytään muodostamaan polku, 
jolla parannetaan kilpailullista etumatkaa. Tämä käsittää kriittiset liiketoiminta-alustuk-
set, joilla voidaan tähdätä suhteelliseen etumatkaan, sisäisten pelisääntöjen, kuten ohjei-
den, kontrolli- ja palkitsemisjärjestelmien määrittelyn. Edellä mainittujen toimintojen tu-
lee tukea mahdollisimman hyvin keskipitkän strategian toteuttamista, jotta organisaatio 
suoriutuu kilpailijoita paremmin ja saavutetaan ja jopa ylitetään markkinoiden odotukset 
kasvun, tuloksellisuuden ja resurssien hyödyntämisen suhteen. (Kachaner – Deimler 
2008, 41.) 
Perinteinen lähestymistapa strategian kehitykseen yhdistää ulkoisen näkökulman 
(markkina-, kilpailija-, kulu- ja talousanalyysit) sisäisen näkökulman (resurssien käyttö) 
kanssa on hyödyllinen, mutta ei riittävä. Samojen strategisten työkalujen käyttö vuosi 
toisensa jälkeen johtaa todennäköisesti strategioihin, jotka kehittyvät vähitellen, eivätkä 
tunnista nousevia mahdollisuuksia tai muuttuvia kilpailullisia kaavoja. Tämä on erittäin 
tärkeää tiedostaa silloin, kun organisaatio harjoittaa molempikätistä strategiaa. Tämän 
vuoksi tarvetta on uusille metodeille, jotka edistävät vaihtoehtoista ajattelutapaa ja kehit-
tävät strategista luovuutta, kuten esimerkiksi perinteisen budjetin resurssien kasvattami-
sen sijasta pyritään keksimään, miten toimia huomattavasti pienemmillä resursseilla, tai 
jopa kokonaan ilman niitä. Muita tapoja on resurssipohjaisen teorian hyödyntäminen; pil-
kotaan liiketoiminta pieniin arvoketjun paloihin ja tunnistetaan menestyvimmät osiot, ul-
koistamistarpeessa olevat ja mitä pitää puolustaa ulkoisia kilpailijoita vastaan ja skenaa-
riomallintaminen, jossa mallinnetaan useita erilaisia tulevaisuuksia, ja erilaiset lopputu-
lemat riippuen yrityksen taktisista ja strategisista liikkeistä. (Kachaner – Deimler 2008, 
41–42.) 
Sitouttamisprosessin laajentaminen merkitsee sitä, että perinteisten menetelmien li-
säksi tarvitaan sitouttamistoimenpiteitä, jotka inspiroivat ihmisiä eri organisaatiotasoilla 
ajattelemaan ja toimimaan strategisesti, jotta eliminoidaan vanhentunut erottelutapa joh-
totason ajattelijoiden ja liiketoimintayksiköiden tekijöiden välillä. Etulinjan henkilöstön 
mukaan ottaminen strategiakeskusteluun tietyissä pisteissä voi tuoda uudenlaisia per-
22 
 
spektiivejä. Organisaatio, joka on käynyt määrätietoisen analyysin markkinoiden kehi-
tyksestä, ja mihin se näyttää kehittyvän on suuntautunut enemmän toteuttamaan nykyisiä 
mahdollisuuksia ja on paremmin valmistautunut tunnistamaan tulevaisuuden muutoksia 
kilpailullisuudessa. Tässä prosessissa big datalla on olennainen rooli, jotta organisaatio 
kykenee tunnistamaan heikkoja signaaleja markkinasta. (Kachaner – Deimler 2008, 42–
43.)  
2.3 Big data 
Big data on saanut osakseen huomattavaa kiinnostusta maailmanlaajuisesti niin yritys-
maailmassa kuin akateemisissa tutkimuksissa. Tyypillisesti tutkimus aiheesta on keskit-
tynyt 4V:n malliin: nopeus (engl. velocity), määrä (engl. volume), vaihtelevuus (engl. va-
riety) ja todenmukaisuus (engl. veracity) tai 5V:n malliin, jossa on mukana arvo (engl. 
value). (Lugmayr ym. 2017, 197; Fosso Wamba ym. 2017, 356.) Big datasta noin 80 % – 
90 % on strukturoimatonta ja loput strukturoitua dataa (Warren Jr. ym. 2015). On kuiten-
kin todettu, ettei big datan potentiaali ole V-malleissa, vaan itse big datan käyttömahdol-
lisuuksissa organisaatioille (Gupta – George 2016, 1051). 
Big datan voimakkaan kasvun taustalla ovat kaikkialla läsnä olevat big datan analy-
soimisen mahdollistavien työvälineiden, tekniikoiden ja infrastruktuurin yleistyminen. 
Näitä ovat muun muassa sosiaalinen media, mobiililaitteet, automaattiset tunnistuslait-
teet, asioiden internet ja pilvipohjaiset palvelut yritysten toiminnoille. (Fosso Wamba ym. 
2017, 356.)  
Big datan kehitystä on kuvailtu kolmivaiheisena viitekehyksenä, jossa ensimmäinen 
vaihe on strukturoitu data varastoituna perinteisiin johtamisjärjestelmiin, toinen vaihe kä-
sittää strukturoimattoman datan internetpohjaisissa järjestelmissä ja kolmannessa vai-
heessa data on mobiili- ja sensoriperäistä. (Chen ym. 2012.) 
Tietämys (engl. knowledge) on keskeinen käsite big datasta puhuttaessa, sillä ihmis-
tietämys on kehittänyt kyvykkyyden big datalle ja analytiikalle, eli ilman tietoisuutta big 
dataa tai analytiikkaa ole. Ihmistieto ja -kokemukset ovat yksinään vastuussa päätöksistä 
datan keräyksistä ja algoritmeista, joilla dataa analysoidaan. Tällöin on mahdotonta kiel-
tää tietoisuuden vaikutus, kun puhutaan big datan vaikutuksesta. Toinen syy ihmisen tie-
toisuuden kriittiselle roolille on se, että ihminen on se taho, joka päättää, miten big datan 
tietovirtaa kehitetään ja mihin sitä käytetään. Riippumatta siitä, käytetäänkö tietovirtaa 
operatiivisiin, taktisiin tai strategisiin tarkoituksiin, sen käyttöä ohjaa joka tapauksessa 
ihmisen tietämys ja ymmärrys. (Pauleen – Wang 2017, 2.) Kognitiivinen big data merkit-
see kahden kyvykkäimmän datan prosessoinnin järjestelmän riippuvuussuhdetta, jotka 
23 
 
ovat ihmismieli ja tietokoneistetut datan prosessointijärjestelmät (Lugmayr ym. 2017, 
198). 
 
 
 
Taulukko 1 Arvonluonnin mahdollisuudet ja haasteet. (Manyika ym. 2011, 12) 
 
Aihealue Ominaisuus 
Arvonluonti big datasta  
Avoimuuden luonti Vähentää haku- ja prosessointiaikaa: lyhentää läpimenoai-
kaa ja parantaa laatua. 
Mahdollistaa tarpeiden 
testauksen, paljastaa 
vaihtelevuuden ja paran-
taa suorituskykyä 
Yrityksille kehitetään mittausvälineet tietotekniikan avulla 
ja laaditaan kontrolloituja kokeita. Tämän johdosta ne voi-
vat kerätä tarkempaa dataa ja käyttää sitä tutkiakseen suo-
rituksen vaihtelevuutta (reaaliaikaisesti tai lähes reaaliai-
kaisesti) ymmärtääkseen juurisyyt ja näin ollen mahdollis-
taa johdon ohjata toimintaa parempiin tuloksiin. 
Asiakkuuksien segmen-
tointi räätälöidyille toi-
menpiteille 
Yksityiskohtaisemmat niche-markkinat (esim. reaaliaikai-
nen mikrosegmentointi) ja räätälöidä tuotteet ja palvelut 
tarkasti näille tarpeille. 
Inhimillisten päätösten 
korvaaminen/tukeminen 
automatisoiduilla algorit-
meilla. 
Parannettu päätöksenteko, riskien minimointi ja arvokkai-
den yksityiskohtien esiin kaivaminen, jotka muuten jäisi-
vät huomaamatta. Esimerkkejä ovat muun muassa varasto-
jen automaattinen hienosäätö, reaaliaikainen hinnoittelu, 
suurten tiedostojen automaattinen analysointi big data tek-
niikoilla (vrt. pienet esimerkkiotokset). 
Uusien liiketoimintamal-
lien, tuotteiden ja palve-
luiden innovointi 
Big data mahdollistaa yritysten luoda uusia tuotteita ja pal-
veluita, parantaa nykyisiä ja keksiä täysin uusia liiketoi-
mintamalleja (esim. datan hankkiminen ja käyttö nyky-
tuotteiden käyttäjiltä, joilla parannetaan seuraavan suku-
polven tuotteiden kehitystä ja luodaan innovatiivista 
myynnin jälkeistä palvelutarjoamaa. 
Big datan  
arvonluonnin haasteita 
 
Datapolitiikka Yksityisyys (henkilökohtainen data kuten terveydelliset ja 
taloudelliset tiedot), turvallisuus, henkinen omaisuus ja 
vastuu. 
24 
 
Teknologia ja tekniikat Teknologia käsittää varastoinnin, laskennan ja analyyttiset 
ohjelmat kun taas tekniikat ovat uusia tapoja analysoida 
big dataa. Yhä suurempien datamäärien varastointi ja hal-
linnointi on työlästä ja osin vaikeaa, kun taas uusien tek-
niikoiden käyttöönotto voi johtaa ongelmiin ja ristiriitoihin 
organisatorisissa prosesseissa. 
Organisaatiomuutos ja  
osaaminen 
Tällä hetkellä yritysjohdolla ei usein ole ymmärrystä big 
datan arvosta, eikä sen hyödyntämisestä. Tämän lisäksi 
monissa organisaatiossa ei ole osaamista tuottaa käyttökel-
poista tietoa big datasta eivätkä ne organisoi työnkulkua tai 
kannustimia niin, että big datan käyttö olisi optimaalista. 
Tämän vuoksi ei voida tehdä parempia päätöksiä tai toimia 
tietoihin perustuvalla datalla. 
Pääsy dataan  Avain uudistavaan ja luoviin ratkaisuihin on tietämys,  
dataan tulisi olla helppo pääsy ja datan tulisi olla integroi-
tuna useasta eri lähteestä. 
Toimialan rakenne Huomio ja tietämys big datan mahdollisuuksista leviää toi-
mialakohtaisesti (tähän vaikuttaa mm. kilpailun intensiivi-
syys ja toiminnan läpinäkyvyys). Esimerkiksi julkisella 
sektorilla ei ole niin kova kilpailullista painetta, jonka joh-
dosta se kokee enemmän vaikeuksia big datan ymmärryk-
sessä kuin muut sektorit. 
Datan käytettävyys Dataa voi olla saatavilla ja se voi olla hyvälaatuista, huo-
mionarvoista on se, että onko se käytettävissä kyseiseen 
tarkoitukseen. Taustasyinä voivat olla muun muassa edellä 
mainitut datapolitiikka, teknologia, organisaatiomuutos, 
osaaminen ja toimialan rakenne. 
 
Dataa voidaan saada organisaation käyttöön useasta eri paikasta. Näitä datalähteitä 
määritetään viisi: julkinen-, yksityinen-, yhteisöllinen- ja itsemääritelty data (engl. self-
quantification data), ja viidentenä lähteenä toimii datapolut (engl. data exhaust), jota 
muodostuu internetiä käytettäessä. Datapoluilla ei ole yksinään arvoa, vaan se on sidon-
nainen johonkin tiettyyn käyttötarkoitukseen. Yhdistämällä datapolun tiedot johonkin toi-
seen datalähteeseen voidaan tuottaa uutta tietämystä, joka mahdollistaa uusia oivalluksia, 
sillä tieto erikseen on käytännössä arvotonta, mutta sen jalostaminen ja yhdistäminen 
mahdollistaa uuden tietämyksen luomisen.  
Julkinen data viittaa valtion tuottamiin tietoaineistoihin koskien esimerkiksi terveys-
tietoja, ilmastoa ja kulutusta. Nämä tietoaineistot ovat saatavilla maksutta. Yksityinen 
25 
 
data on yritysten omistamaa ja keräämää dataa, joita ovat muun muassa asiakastapahtu-
mat, datapolut ja data, jota kerätään RFID-teknologialla (radiotaajuinen etätunnistus, jolla 
kerätään tietoa etänä esimerkiksi prosessien nopeuksista). Itsemääritelty data syntyy pu-
ettavasta teknologiasta kuten älykelloista ja -rannekkeista. (Gupta – George 2016, 1052.) 
Käytettävän datan laatu on myös erittäin kriittinen tekijä, sillä huonolaatuisen datan voi-
makkaat vaikutukset on todettu useassa tutkimuksessa (Wu ym. 2014; Yeoh – Koronis 
2010; Watson – Wixom 2007). Huonolaatuisen big datan hyväksikäytössä negatiiviset 
vaikutukset ovat yhä merkittävimpiä (Applebaum ym. 2017, 40). 
Huomattava määrä varastoidusta datasta on sosiaalisessa mediassa ja sen merkitystä 
on huomattava, sillä se yhdistää miljardeja käyttäjiä paikallisesti ja globaalisti, minkä 
johdosta käyttäjien toiminnasta muodostuu big dataa. Organisaatiot ja muut käyttäjät ana-
lysoivat sosiaalisen median dataa. Analyysin tavoitteena parantaa yrityksen suoritusky-
kyä eri toiminnoissa kuten esimerkiksi markkinoinnissa, innovaatiossa, henkilöstöhallin-
nassa ja riskienhallinnassa. Sosiaalisen median yritysten nopean markkina-arvon nousun 
ja kasvavan läsnäolon vuoksi olisi helppoa liioitella niiden vaikutusta, mutta niiden täysi 
sivuuttaminen olisi välinpitämätöntä. Uusia informaatio- ja kontrollimahdollisuuksia löy-
tyy, kun yhä useimmin asiakkaiden, työntekijöiden ja sidosryhmien välinen interaktio ta-
pahtuu digitaalisesti. Sosiaalisen median ja big datan yhdistelmällä on todennäköisesti 
kauaskantoisia organisatorisia vaikutuksia. Empiirinen tutkimus aiheesta on kuitenkin 
yhä lapsenkengissä, mutta toteutuneista tutkimuksista on käynyt ilmi epäilykset kerätyn 
informaation luotettavuudesta, sen käyttämiseen liittyviin riskeihin niin maineen kuin 
luotettavuuden kannalta ja lopuksi kerätyn informaation arvoon. Vaikka sosiaalisen me-
dian big datan todetaan vaikuttavan laskentatoimeen, tapahtuu tämä muutos usein mark-
kinoinnissa. On myös huomioitava, että vaikka internet on demokraattinen alusta, on da-
tan omistus- ja käsittelyoikeudet muutamalla suurella toimijalla, mikä on johtanut oli-
gopoliin. Suurin haaste hyväksikäytölle on se, etteivät laskentahenkilöt koe sosiaalisen 
median big dataa voimavarana. (Arnaboldi ym. 2017, 762–765; Sun ym. 2015; Jeacle – 
Carter 2011; Scott – Orlikowski 2012). 
Big data ja big data -analytiikka tulee todennäköisesti olemaan uusi sarja ”mahdollis-
tajia”, jotka vaativat linjauksen pysyvämpien tekijöiden kanssa, joita ovat esimerkiksi or-
ganisaation missio, strategia ja kulttuuri. Näin ollen strateginen päätöksenteko ei olisi 
ennalta määritettyjen hypoteesien testausta vaan vahvemmin ennustavaa mallintamista 
tulevaisuuden tapahtumista organisaation liiketoimintaympäristössä. Tämä näkemys voi 
muuttaa fokuksen big datan teknologisesta näkemyksestä laajempiin sosiaalisiin huolen-
aiheisiin, sillä big datan sosiaaliset vaikutukset voivat muuttaa valtarakenteita organisaa-
tioissa ja poistavat tarpeen tietyiltä henkilöiltä organisaatiossa. (Tian 2017, 114; Batra 
2014, 9.) 
26 
 
Datan ollessa läsnä kaikkialla, big datan on ennustettu tuottavan huomattavaa arvoa 
maailmantaloudelle ja muodostavan ratkaisevan ominaisuuden yksittäisille organisaati-
oille. Big datan käyttö mahdollistaa huomattavan arvonluonnin yrityksille tehden tiedosta 
läpinäkyvää, tarkkaa, segmentoitunutta ja kehittyneet analyysit voivat avata arvokkaita 
näkökulmia, parantaa päätöksentekoa ja luoda eväitä uuden sukupolven tuotteiden kehi-
tykseen. (McGuire ym. 2012.). Jo ennalta mainittu big datan ja teknologian muutos tulee 
ottaa huomioon strategian suunnitteluprosessissa. 
 
2.4 Organisaation resurssien merkitys big datan hyväksikäytössä 
Organisaatiokulttuuri on käsitteenä monimutkainen ymmärtää ja selittää. Johtamiskirjal-
lisuudessa on esitetty monia määritelmillä organisaatiokulttuurille. Joidenkin määritel-
mien mukaan se käsittää lähes kaikki organisaation alueet, toiset kutsuvat sitä liimaksi, 
joka pitää organisaation yhtenäisenä. Aikaisemmat tutkimukset strategisessa johtami-
sessa ovat identifioineet organisaatiokulttuurin pysyväksi kilpailukyvyn lähteeksi. Orga-
nisaatiokulttuuri on kriittinen tekijä big data -hankkeiden onnistumisessa. Epäonnistuneet 
ja tehottomat hankkeet johtuvat usein organisaatiokulttuurista, eikä teknisistä ominai-
suuksista tai niiden puutteista. Tuoreet tutkimukset ovat vahvistaneet väitettä, että vaikka 
organisaatiot keräävät dataa kaikilla aloilla, niin vain pieni osa organisaatioista on tosi-
asiallisesti hyötynyt investoinneista, sillä organisaatiokulttuuri ei ole muuttunut, eikä pää-
töksiä tehdä datan pohjalta. Organisaation resurssit ovat merkittävä tekijä, jotka voivat 
mahdollistaa tai estää organisaation kyvykkyyden käyttää big dataa optimaalisesti strate-
giaprosessissaan. (House ym. 2002; Iivari – Huisman 2007; Barney 1995; Teece 2014; 
Barney 1986; LaValle ym. 2014.) 
Arkterin ym. (2016, 125) tekemän tutkimuksen mukaan big datan -analytiikka on tuot-
tavaa organisaation ymmärtäessä strategisten kyvykkyyksien ja resurssien olevan hetero-
geenisia jopa samalla toimialalla eri organisaatioissa. Täten resurssipohjaisella teorialla 
(engl. resource-based theory – RBT) on huomattava rooli, jotta big datan analytiikka saa-
daan linjattua strategian mukaiseksi. Resurssipohjaisen teorian ytimenä toimii viitekehys, 
jonka mukaan yrityksellä tulee olla samanaikaisesti arvokkaita, harvinaisia, jäljittelemät-
tömiä ja organisoituja resursseja (engl. valuable, rare, imperfectly imitable and or-
ganized).  
Ensimmäinen taso eli arvokkuus mahdollistaa organisaation kasvattamaan liikevaih-
toaan ja laskemaan kustannuksiaan. Toinen taso harvinaisuus kuvailee resursseja, joita 
tulee olla vain harvoilla yrityksillä kilpailukyvyn vuoksi. Jäljittelemättömät resurssit viit-
taavat, etteivät kilpailijat voi suoraan kopioida tai luoda täysin vastaavia resursseja, sillä 
27 
 
niiden imitoiminen on kallista. Viimeinen taso, eli organisoidut resurssit korostavat joh-
don merkitystä, jotta edellisiä tasoja hallitaan oikein. Yleisesti ottaen suurin osa aineetto-
mista resursseista täyttävät kuviossa käsitellyn viitekehyksen neljä ominaisuutta, joten 
resurssipohjaisen teorian mukaan aineettomat resurssit ovat heterogeenisiä organisaatioi-
den välillä. Tärkeimmiksi näistä ominaisuuksista voidaan nostaa datapohjainen päätös-
kulttuuri ja organisatorisen oppimisen intensiivisyys, joka heijastuu suoraan tietämyksen-
hallintaan. (Ross ym. 2013, 94–95; Teece 2014.) 
Resurssipohjaisen teorian viitekehys on kehittynyt yleiseksi menetelmäksi kuvailla, 
selittää ja ennustaa organisatorisia yhteyksiä liiketaloustieteessä ja tunnistaa yrityksen 
strategisia resursseja (Barney ym. 2011; Kozlenkova ym. 2014). Resurssipohjaisen näkö-
kulman (engl. resource-based view) kehittyminen resurssipohjaiseksi teoriaksi kesti yli 
kolme vuosikymmentä. Verrattuna muihin liiketaloustieteessä esitettyihin teorioihin (ku-
ten liiketoimintakustannukset, agenttiteoria, verkostonäkökulma (engl. network view) ja 
instituutionaalinen teoria), resurssipohjainen teoria on ainoa teoria, joka käsittelee orga-
nisaatioita joukoksi resursseja ja esittää vahvan viitekehyksen usean erilaisen resurssin 
yhdistämiselle, jonka voi hyödyntää kilpailuetuna. (Palmatier ym. 2007.) 
Resurssipohjainen teoria liittyy suoraan big dataan, sillä big datan hyödyntämisessä 
pyritään käyttämään ja yhdistämään organisaation resursseja kilpailuedun saavutta-
miseksi. Useissa tutkimuksissa todetaan resurssipohjaisessa teoriassa olevan potentiaalia 
sisällyttämän organisaation eri tutkimussuunnat ja teoriat ja luomaan kaikkia koskeva 
strateginen teoria organisaatiolle (Palmatier ym. 2007; Peteraf 1993; Mahoney – Pandian 
1992). Huomionarvoista on myös, että resurssipohjaisen teorian lisäksi tietämyksenhal-
lintaan perustuva näkökulma, dynaamiset kyvykkyydet ja kontingenssiteoria ovat olleet 
strategisen akateemisen tutkimuksen kohteena. On myös todettu kontingenssiteoriaa ja 
resurssipohjaista teoriaa vertailtaessa, että kontingenssiteorian havainnollistava vaikutus 
on heikompi kuin resurssipohjaisen teorian koskien yrityksen liikevaihtoa ja kannatta-
vuutta (Oh – Pinsonneault 2007).  
Useat empiiriset tulokset ovat linjassa usean viimeaikaisten ja vanhempien tutkimus-
ten kanssa, joiden mukaan resurssipohjainen teoria on yksi vakuuttavimmista teorioista 
liiketaloustieteissä, joka selittää kytköksen organisaation resurssien ja suorituskyvyn vä-
lillä. Resurssipohjaisen teorian avulla voidaan kasvattaa muun muassa tietojärjestelmien 
arvoa organisaation suorituskyvyssä, se tarjoaa empiirisesti testattavia esityksiä koskien 
tietojärjestelmien resursseja ja organisaation kilpailukykyä (Chae ym. 2014; Melville ym. 
2004). Resurssipohjaista teoriaa on kutsuttu vakaaksi viitekehykseksi, joka mahdollistaa 
resurssien tunnistamisen, kategorisoimisen ja vaikutuksen mittaamisen kilpailuedun ja 
kilpailukyvykkyyksien kannalta. Teorian kattavuutta kuvastaa se, että se on laajasti hy-
28 
 
väksytty teoria niin strategisen, toimitusketjujen, operatiivisen kuin perinteisen johtami-
sen kirjallisuudessa kuin myös markkinoinnissa. (Barney ym. 2011; Gu – Jung 2013; 
Kozlenkova ym. 2014; Sodhi 2015; Hitt ym. 2015.)  
Resurssipohjaisen teorian kontribuutio tälle tutkimukselle on big datan analytiikan ky-
vykkyyksien luominen organisaatiolle, joka voi johtaa erinomaiseen suorituskykyyn. Re-
surssipohjaisen teorian kytköksen tunnistaminen on tärkeää, kun tutkitaan big datan vai-
kutusta strategian suunnittelussa ja toteutuksessa, sillä kyseinen teoria ei tarjoa pelkästään 
sopivia välineitä määrittämään organisaation resurssien strategisia arvoja, vaan esittää 
myös selkeän suhteen kahden tekijän välillä, joista resurssit ovat riippumaton tekijä ja 
organisaation suorituskyky taas riippuvainen tekijä resursseista. (Gupta – George 2016, 
1050.) 
Strategian suunnittelussa on tärkeää ymmärtää organisaation tämän hetkiset kyvyk-
kyydet, niiden potentiaalinen merkitys tai merkittävimmät puutteet strategian toteutuk-
sessa. Tällä on suora vaikutus organisaation kykyyn analysoida big dataa ja valmiuteen 
hyödyntää analytiikkaa strategiatyössä. 
 
 
Kuvio 1 Big data -analytiikkakyvykkyydet (Gupta – George 2016, 1051) 
 Vaadittavat aineelliset resurssit ovat itse data, josta tietämys erotellaan. Teknologiat 
taas mahdollistavat datan prosessoinnin, sillä big dataa ei voi käsitellä yksinkertaisilla 
tietokoneohjelmistoilla. Perusresursseilla viitataan riittäviin investointeihin niin rahalli-
sesti kuin ajallisesti koskien big dataa. Organisaatiot käyttävät usein vakiomenetelmiä 
implementoidessaan datahankkeita, joka todennäköisesti johtavat siihen, etteivät nämä 
29 
 
investoinnit tuota välittömästi toivottuja tuloksia. Tämän vuoksi on kriittistä, että organi-
saatiot sijoittavat tarpeeksi aikaa näihin hankkeisiin, jotta organisaation analyyttiset ta-
voitteet saavutetaan. (Gupta – George 2016, 1052.) 
Inhimilliset resurssit käsittävät työntekijöiden kokemuksen, tietämyksen, liiketoimin-
taymmärryksen, ongelmanratkaisukyvyt, esimiestaidot ja suhteet muihin. Inhimilliset re-
surssit ovat aineettomien resurssien ohella tärkeä tekijä, jotta big datasta johdettu tietämys 
hyväksikäytetään organisaatiossa tarkoituksenmukaisesti. Tekniset taidot koskien big da-
taa viittaa tietotaitoon erottaa itse tietämys datasta. Huomattavaa osa näistä taidoista on 
teknisiä IT-taitoja. Näitä ominaisuuksia ovat muun muassa koneellinen oppiminen, datan 
erottaminen ja puhdistus, tilastolliset analyysit ja ymmärrys ohjelmoinnin paradigmoja 
kohtaan. Tämänkaltainen osaaminen on maailmanlaajuisesti niukkaa, joka voi johtaa sii-
hen, että nämä tehtävät ostetaan pääasiassa organisaation ulkopuolelta, jolloin samat hen-
kilöt tekevät kyseisiä tehtäviä useille eri yrityksille. Ulkoistamisen myötä big data -ana-
lytiikasta voi haitallisimmillaan tulla perusmuotoinen standardisoitu palvelu, joka ei tuota 
aidosti uusia näkemyksiä. (Gupta – George 2016, 1052–1053.) Osaamiseen liittyvä suuri 
ongelma on myös osaavan henkilöstön palkkaaminen, ja olemassa olevan henkilöstön 
kouluttaminen, sillä big datan kanssa työskentely vaatii uusia teknisiä ja johtamiskykyjä, 
joita ei yleisesti opeteta yliopistoissa (Chen ym. 2013). Tämän lisäksi korkeakouluissa 
koulutetaan liian vähän osaavia datatieteilijöitä, jotka toimisivat organisaatioissa yleisinä 
ongelmanratkojina yli osastorajojen (Manyika ym. 2011).  
Esimiestaidot ovat organisaatiokohtaisia ja kehittyvät ajan myötä ihmisten kesken, 
jotka työskentelevät samassa organisaatiossa. Tämä pätee, vaikka organisaatiot voivat ke-
hittää taitojaan rekrytoimalla uutta väkeä ja kouluttamalla nykyistä henkilöstöä, sillä esi-
miestaidot kehittyvät vahvoista samassa organisaatiossa työskentelevien ihmisten väli-
sistä suhteista. Nämä taidot ovat juurtuneet syvälle organisaatioon, ja niitä voidaan pitää 
itsestään selvinä normeina, joita esimiehet toteuttavat jokapäiväisessä työssään ja päätök-
sissään. Tietämyksenhallinnan teoriassa tämä on konstruktiivista eli hiljaista tietoa. Esi-
miestaidot ovat jakautuneet heterogeenisesti eri organisaatioiden välille. (Bharadwaj 
2000; Mata ym. 1995.) 
Aineettomia resursseja pidetään keskeisinä tekijöinä organisaatioiden suorituskyvylle 
etenkin dynaamisilla markkinoilla. Aineettomia resursseja ei ole pääasiallisesti yrityksen 
taseessa, sillä resursseilla ei ole selviä rajoja ja niiden arvo on riippuvainen kontekstista. 
Joitain poikkeuksia vaihdettavuuden suhteen on kuten tuotemerkit, tekijänoikeudet ja pa-
tentit. Näitä aineettomia omaisuuseriä pystyy laillisesti niin myymään kuin ostamaan. 
(Mata ym. 1995.) 
Tämän luvun yhteenvetona voidaan todeta, että strategia, strategiatyö ja big data ovat 
monitulkintaisia käsitteitä, ja niiden onnistuneeseen hyväksikäyttöön tulee panostaa lu-
kuisilla eri tavoilla niin aineettomiin kuin aineellisiin resursseihin. Organisaation tulee 
30 
 
kriittisesti ymmärtää omat ydinresurssinsa, jotta niitä voidaan hyväksikäyttää muun mu-
assa organisaatiokulttuurin kehittämisessä ja data-analytiikkakyvykkyyden luomisessa. 
Organisaation tulee yhtäältä panostaa niin nykyisen henkilöstön ja johdon osaamisen ja 
ymmärryksen kehittämiseen samalla luoden itsestään houkutteleva yritys, johon osaava 
henkilöstö hakeutuu, jotta data-analytiikkakyvykkyys organisaatiossa kasvaa. Ydin-
huomiona on kuitenkin organisaatiokulttuuri ja sen kehittäminen, jotta dataa halutaan ai-
dosti hyväksikäyttää strategisessa suunnittelussa. 
31 
 3 BIG DATAN VAIKUTUS JOHDON OHJAUSJÄRJESTEL-
MIIN  
3.1 Big data liiketoiminta-analyyseissa 
Teoreettisesti big dataa voidaan kerätä ja analysoida ilman mitään tarkempaa päämäärää. 
Käytännössä hyvin suuressa osassa tapauksia big dataa aletaan kerätä ja analysoida seu-
raavien tavoitteiden vuoksi: 
• (automatisoitu) vastaus ennalta määrättyihin ongelmiin 
• halu tutkia uusia (liiketoiminta)mahdollisuuksia ilman selvää ongelmanmääri-
tystä 
• tukea strategisia päätöksiä, jotta organisaation tavoitteet saavutetaan. (Pauleen – 
Wang 2017, 3.) 
Pauleen ja Wang (2017, 5) korostavat sitä, että jos yrityksessä ei ole osaamista eikä 
tietämystä kysyä kriittisiä kysymyksiä analysointijärjestelmien toimittajilta ja myyjiltä, 
järjestelmiä käyttäviltä tekniikoilta, insinööreiltä, jotka ohjelmoivat algoritmit, taikka da-
tatieteilijöiltä, jotka analysoivat dataa, niin ymmärrys ja valta prosessin kontrollista valuu 
näille toimijoille. Tämän vuoksi organisaatioiden työntekijöiden on tärkeä tunnistaa eri 
liiketoiminta-analyysien muodot ja niiden erilaiset hyödyntämismahdollisuudet. 
Liiketoiminta-analyysi on datan käyttöä, tietojärjestelmätiedettä, tilastollisia analyy-
sejä, kvantitatiivisia menetelmiä ja matemaattis- ja tietokonepohjaisia malleja, joilla tue-
taan johtoa saamaan parempi ymmärrys liiketoiminnoistaan ja tehdäkseen parempia ja 
faktaan pohjautuvia päätöksiä (Davenport – Harris 2007, 7). Datalla ei itsessään tee vielä 
mitään, vaan sitä tulee analysoida, jotta sitä pystyy käyttämään hyödyksi. Tämän vuoksi 
tulee erotella kolme erilaista lähestymistapaa, joilla dataa analysoidaan. (Appelbaum ym. 
2017, 32.) 
Yleisin analyysitapa on kuvaileva (engl. descriptive) analyysi (IBM 2013), joka vastaa 
kysymykseen mitä tapahtui. Kuvailevalle analytiikalle ovat tunnuksenomaisia selittävät 
statistiikat, KPI-mittaristot (engl. Key Performance Indicator), mittaritaulut ja muut vi-
sualisoinnit (Dilla ym. 2010). 
Ennustava (engl. predictive) analyysi on seuraava kehittyneempi tapa tietämyksen 
hankintaan kuvailevasta analyysista (Bertsimas – Kallus, 2014) ja vastaa kysymykseen 
mitä voisi tapahtua (IBM 2013). Tunnuksenomaisia tekijöitä ovat ennustavat- ja toden-
näköisyysmallit, ennusteet, tilastolliset analyysit ja pisteytysmallit. Ennustavassa analyy-
sissa käytetään historiallista dataa, josta lasketaan todennäköisyyksiä tulevaisuuden ta-
pahtumille (Applebaum ym. 2017, 32). Suurimmassa osaa yrityksiä ennustavan analyysia 
ei ole vielä käytössä (IBM 2013). 
32 
 
Ohjaileva (engl. prescriptive) analyysi vastaa kysymykseen, mitä tulisi tehdä, kun ku-
vailevien ja ennustavien analyysien tulokset ovat annetut. Ohjailevaa analyysia voi ku-
vailla lähestymistavan optimoinniksi. Ohjaileva analyysi menee syvemmälle kuin kaksi 
edellistä, suosittaen yhtä tai useampaa ratkaisua ja näyttäen todennäköisimmän lopputu-
leman jokaiselle vaihtoehdolle.  (Applebaum ym. 2017, 32; Bertsimas – Kallus 2014; 
IBM 2013.) 
Tukeutuessaan pelkästään taloudelliseen dataan, jättää organisaatio suurimman osan 
datasta hyödyntämättä, sillä suurin osa datasta on laadullista (Basu 2013). Organisaation 
on asianmukaista pohtia, miten laadullista dataa pystytään hyödyntämään liiketoiminta-
analyyseissa. Vaikka ohjailevat analyysit ovat samankaltaisia ennustavien analyysien 
kanssa tekniikoillaan ja algoritmeillaan, pohjimmaltaan ohjailevat analyysit vertailevat 
eri algoritmien tuloksia tavoitteenaan löytää optimoitu ratkaisu. Kuvailevien ja ennusta-
vien data-analyysien tuloksia voidaan hyödyntää ohjailevissa analyyseissä, joissa voidaan 
suositella optimaalisinta ratkaisua ja sen todennäköisintä lopputulemaa. 
3.2 Johdon ohjausjärjestelmien luonne 
Johdon laskentahenkilöiden yksi merkittävimmistä tehtävistä on luoda järjestelmät, jotka 
linjaavat organisaation strategiset tavoitteet yhtenäisiksi johdon ja henkilöstön toiminnan 
kanssa. Nämä toimintaa ohjaavat järjestelmät ovat yleisesti tunnettu terminä johdon oh-
jausjärjestelmä (engl. management control system). Johdon ohjausjärjestelmät ovat mää-
ritelty ylimmän johdon välineeksi toteuttaa tavoiteltua strategiaa (Simons 1995). Laajem-
mat määritelmät selittävät johdon ohjausjärjestelmien kattavan strategisen prosessin, joka 
on strategian muodostaminen ja toteutus (Mintzberg 1978).  Klassisesti johdon ohjaus-
järjestelmät on jaoteltu strategiseen suunnitteluun, johdon ohjaukseen ja operatiiviseen 
ohjaukseen. Johdon ohjaus merkitsee prosessia, joka varmistaa resurssien hankinnan ja 
käytön vaikuttavasti ja tehokkaasti, jotta organisaatio saavuttaa tavoitteensa. (Malmi – 
Brown 2008; Warren Jr. 2015, 400; Anthony 1965; Langfield-Smith 2007; Otley 1999.)  
Ihanteellisessa tilanteessa johdon ohjausjärjestelmät ja yrityksen muut toiminnot tuot-
tavat esimiehille asianmukaista tietoa, jotta päätöksenteko olisi toimivaa ja tulevaisuuteen 
suuntautunutta. Tästä huolimatta päätökset eivät ole useinkaan parhaimpia mahdollisia, 
sillä päätöksenteon tukena käytetty data voi olla vanhentunutta ja epätarkkaa, toimintojen 
välinen kommunikointi on kehnoa tai eri järjestelmien välinen integraatio on löyhää, mikä 
vaikeuttaa toimintojen välisen datan yhdistelyä ja hankintaa. Vanhentunut ja epätarkka 
data viittaa siihen, ettei kyseinen data kerro nykyisestä markkinatilanteesta, jonka vuoksi 
päätöksenteko voi olla taaksepäin suuntautunutta, eikä strategisesti orientoitunutta. Toi-
mintojen välinen kommunikointi viittaa organisaation eri segmenttien autonomiseen ja 
33 
 
koordinoimattomaan toimintaan, joka voi johtaa päällekkäisyyksiin ja tehottomuuksiin 
organisaation sisällä. Jos yrityksen ohjausjärjestelmiä ei ole kytketty yhteen, voi järjes-
telmät ohjata yrityksen toimintoja ristiriitaisesti ilman strategista päämäärää. (Lea ym. 
2005, 433-434, 439.)  
Big data -analytiikalla on mahdollista päivittää johdon ohjausjärjestelmiä toiminnan 
kannalta oleellisemmiksi, sillä analytiikalla kyetään havaitsemaan tarkemmin tietynlaisia 
toiminta- ja käyttäytymismalleja. Näin pystytään luomaan vastaavanlaisia suoritusmitta-
reita. Esimerkkinä toimii tasapainotettu tuloskortti, joka kerää dataa neljältä osa-alueelta: 
taloudellinen, asiakas, sisäiset liiketoimintaprosessit sekä oppiminen ja kasvu. Jokaisella 
osa-alueella big datan avulla voidaan identifioida uusia toimintamalleja, jotka vaikuttavat 
saavutettuun tulokseen (Warren Jr. 2015, 401).  
Warren Jr:n (2015, 399–405) tutkimuksessa on annettu paljon erilaisia esimerkkejä, 
miten big dataa voi hyödyntää johdon ohjausjärjestelmissä työntekijöiden seurantaan liit-
tyen. Henkilöstön seurantaa on mahdollista toteuttaa kannustavammalla lähestymista-
valla. Esimerkiksi big data -analytiikka voisi aktiivisesti tukea henkilöstöä päätöksente-
ossa antamalla ennusteita, tuloksellisempien työntekijöiden työtapaa voisi seurata tarkasti 
big datan avulla, ja opettaa nämä parhaimmat käytännöt muille työntekijöille. Tämänkal-
taiset menetelmät kannustaisivat enemmän henkilöstöä, ja kaikki osapuolet ymmärtäisi-
vät syyn, miksi näin tehdään (vrt. Carmona ym. 2014).  
Johdon ohjausjärjestelmien tutkimuksessa tutkimukset ovat yleensä keskittyneet oh-
jausjärjestelmiin vain tietystä näkökulmasta, mikä osin estää kokonaisvaltaisen ja integ-
roidun lähestymistavan omaksumisen. Tämä kokonaisvaltaisen kuvauksen puutos vaikut-
taa väärien, monitulkintaisten ja potentiaalisesti ristiriitaisten tulosten syntymiseen. 
(Chenhall 2003; Dent 1990; Malmi – Brown 2008.) Ymmärrys johdon ohjausjärjestel-
mistä tulee pysymään pirstaleisena niin kauan kuin empiiriset tutkimukset jättävät huo-
mioimatta samanaikaisesti samassa organisaatioissa toimivien johdon ohjausjärjestel-
mien keskinäisen riippuvuussuhteen (Abernethy – Brownell 1997).  
Simonsin (1995) levers of control -viitekehys käsittää neljä avainkonseptia: ydinarvot, 
vältettävät riskit, kriittiset suoritusmuuttujat ja strategiset epävarmuudet. Ydinarvoja 
kontrolloidaan uskomusjärjestelmillä, jotka ohjaavat luovia prosesseja tutkimalla uusia 
mahdollisuuksia ja vakiinnuttamalla laajalti jaettuja uskomuksia. Rajoitejärjestelmillä 
kontrolloidaan vältettäviä riskejä, joten ne toimivat negatiivisina rajoittavina tekijöinä or-
ganisaation etsiessä uusia liiketoimintamahdollisuuksia. Kriittisiä suoritusmittareita hal-
litaan diagnostisilla ohjausjärjestelmillä, joiden tehtävänä on tarkkailla, arvioida ja palkita 
saavutuksia suorituskyvyn avainalueilla. Strategisia epävarmuustekijöitä hallitaan inter-
aktiivisilla ohjausjärjestelmillä, joiden roolina on kannustaa organisatorista oppimista ja 
uusien ideoiden ja strategioiden kehitysprosesseja. Strategian onnistunut toteutus vaatii 
34 
 
kaikkien neljän järjestelmän tarkoituksenmukaista yhdistelyä. Toisin sanoen organisaa-
tion tulee hallita kokonaisuutta. Yksi ohjausjärjestelmä voi kuulua useaan eri ohjaustason 
vipuun, joten ohjausjärjestelmät tulee jaotella käyttötarkoituksen mukaan (Ferreira 2002). 
Esimerkiksi tasapainotettua tuloskorttia voidaan käyttää sekä diagnostisen että interaktii-
visen ohjauksen välineenä (Tuomela 2005). 
Johdon ohjausjärjestelmien diagnostisella käytöllä viitataan mekanistiseen, repressii-
viseen ja perinteiseen ohjausjärjestelmien lähestymistapaan, jolla on todettu olevan nega-
tiivinen vaikutus strategisiin kyvykkyyksiin. Johdon ohjausjärjestelmien interaktiivinen 
käyttö ottaa orgaanisen, rakentavan ja oppimisorientoituneen lähestymistavan, jolla on 
todettu olevan positiivinen vaikutus strategisiin kyvykkyyksiin. (Bisbe – Otley 2004; 
Henri 2006.) 
Levers of control -viitekehyksellä on sekä vahvuuksia että heikkouksia. Se keskittyy 
voimakkaasti strategisiin kysymyksiin ja sen osallisuuteen ohjausjärjestelmissä. Viiteke-
hys tarjoaa myös laajan näkökulman sovelletuista ohjausjärjestelmistä ja niiden käyttöta-
voista. Heikkouksina voidaan nähdä, ettei kyseinen viitekehys anna riittävää painotusta 
ideologisiin kontrolleihin ja se on vahvasti keskittynyt vain ylimpään johtoon, eikä viite-
kehys hallitse erinomaisesti epäformaaleja kontrolleja, joita on organisaatioissa runsaasti. 
Heikkoudet ovat tärkeä huomata, sillä big datan hyödyntämisessä on erityisen tärkeää 
epäformaali organisaatiokulttuuri ja muun muassa tietämyksenhallinta. Toiseksi strate-
gian toteutus tapahtuu monella eri tasolla, eikä pelkästään ylimmän johdon tasolla. (Fer-
reira 2002; Henri 2006; Simons 1995.) 
Tämän luvun seuraavissa alaluvuissa käsitellään strategian ja big datan hyödyntämisen 
vaikutuksia johdon ohjausjärjestelmä kerrallaan. Alaluvut pohjautuvat seuraavaan tau-
lukkoon, joka on luonteeltaan melko geneerinen. Kyseisiä taulukoita on useita tieteelli-
sissä julkaisuissa, mutta ne ovat sisällöllisesti samankaltaisia. 
    
35 
 
Taulukko 2 Johdon ohjausjärjestelmien luokittelua (Gond ym. 2012, 208). 
Johdon  
ohjausjärjestelmä 
Kuvaus 
Strateginen suunnittelu Suunnittelu, joka kattaa pitkän 5–10 vuoden aikavälin  
perustuen ennusteisiin ja kilpailijaympäristöön. 
Budjetointi Suunnitelma, jossa tarkennetaan tavoitteet seuraavaksi 
vuodeksi. Sisältää alkuperäiset valmistelut ja jatkuvan  
tarkistamisen ja päivittämisen. 
Mittausjärjestelmät 
  Taloudelliset  
 
 
  Ei-taloudelliset  
 
  Hybridiset 
 
 
 
 
Sisältää budjettia tarkemmat tiedot kuten pääoman tuotto-
aste (engl. Return on Investment – ROI) ja taloudellinen 
lisäarvo (engl. Economic value added – EVA). 
Mittaustulokset, joita ei esitetä numeroina kuten uusien 
tuotteiden lanseeraus ja markkinapositio. 
Joukko taloudellisia ja ei-taloudellisia indikaattoreita, 
jotka avustavat strategisten tavoitteiden toteutuksessa. 
(Esim. tasapainotettu tuloskortti, engl. balanced scorecard 
– BSC.) 
Projektinhallinta Erillisten organisaation osien tarkastelu ja arviointi, jotta 
varmistetaan toimitus ajallaan ja budjetoidusti. 
Arviointi ja  
palkitseminen 
Ohjataan yksilöiden ja ryhmien tavoitteet organisaation  
sisällä strategian mukaisesti. 
 
Viimeisimpien tutkimusten mukaan taloudelliset ja ei-taloudelliset tiedot ovat yhtä tär-
keitä strategian kehittämisessä ja toteutuksessa (Gond ym. 2012, 6). Big data analytiikka 
pyrkii parantamaan taloudellisen ja ei-taloudellisen informaation analytiikkakyvyk-
kyyttä. 
Simons (1991; 1995; 2000) jakaa tutkimuksissaan ohjausjärjestelmät vuorovaikuttei-
siin ja vianmäärityksellisiin. Jaon perusteena on järjestelmien panos strategiaprosessissa. 
Vianmääritykselliset järjestelmät auttavat saavuttamaan organisaation strategiset tavoit-
teet, kun taas interaktiiviset järjestelmät auttavat myös strategian muodostuksessa. Inter-
aktiiviset järjestelmät ohjaavat johtajien huomion strategisiin epävarmuustekijöihin ja 
opettavat uudenlaisiin strategisiin vastareaktioihin muuttuvassa ympäristössä.  
36 
 3.3 Kilpailija-analyysi 
Kilpailija-analyysi tai kilpailijaseuranta on tärkeä osa johdon ohjausjärjestelmiä strategi-
sessa suunnittelussa, asemoinnissa kuin myös operatiivisessa johtamisessa. Pysyäkseen 
kilpailukykyisenä on yrityksen johdolla oltava ymmärrys kilpailijoistaan. Tämä mahdol-
listaa strategioiden muotoilun, jotka heijastuvat strategisten päätösten suunnitteluun, 
muotoiluun ja toteutukseen läpi organisaation. Monet liiketoimintapäätökset pohjautuvat 
kilpaileviin tuotteisiin. Yritysten on mahdotonta selviytyä kilpailusta ilman, että se kehit-
tyy markkinoilla. Yksi työkalu, jolla näkemystä markkinoiden oivalluskyvystä voi kehit-
tää, on kehittää asianmukainen tietämys kilpailijoistaan, joilla voi saavuttaa kauaskantoi-
sia strategisia vaikutuksia yrityksen operatiiviseen strategiaan ja liiketoimintojen proses-
sijohtamiseen. (Porter 1980; Calori ym. 1994; Guo ym. 2017, 735–736.)  
Kilpailija-analyysi on sarja metodeja, joilla määritetään nykyisten ja potentiaalisten 
kilpailijoiden vahvuudet ja heikkoudet, on avaintoiminto liiketoimintajohtajille, jotka tar-
kastelevat kilpailullista ympäristöä, hankkivat tietämystä markkinarakenteesta, kehittävät 
puolustusmekanismeja uusia kilpailijoita vastaan, parantavat ydintoimintojen liiketoi-
mintaprosesseja ja suunnittelevat hyökkäys- ja vastausstrategioita (Aho – Uden, 2013; 
Espino-Rodríguez – Rodríguez-Díaz, 2014). 
Edellä mainitut metodit kerätä tietoa kilpailijoista ja tehdä johtopäätöksiä on ollut elin-
tärkeitä liiketoimintajohtajille, sillä tietojen on todettu vahvistavan yrityksen kilpailuky-
kyä myös parannetulla laadulla, paremmalla tarjonnalla, alhaisemmilla kustannuksilla ja 
tehostetulla markkinoiden adaptaation joustavuudella (Grossler – Grübner 2006). Poh-
jimmiltaan kilpailu yritysten välillä on kilpailua niin tuote- kuin yritystasolla, johon vai-
kuttaa myös asiakkaiden mielikuvat. Kilpailijaseuranta tuottaa arvokasta kilpailullista tie-
tämystä luomalla tarkan strategisen menetelmän kilpailijoiden toimintojen ymmärryk-
sessä (Tsai ym. 2011; Bloodgood – Bauerschmidt 2002). Kilpailijat voidaan luokitella 
kolmeen kategoriaan: suorat, epäsuorat ja potentiaaliset (Czepiel – Kerin 2012). Kilpaili-
jaseuranta vaikuttaa eri toimintoihin kuten myyntiin, markkinointiin, tuotekehitykseen ja 
operatiiviseen strategiaan. Tietoa kilpailijoista tarvitaan siis usealta eri osa-alueelta. Ai-
kaisemmin kilpailijaseuranta on ollut vaikeampaa, sillä tiedonlähteitä on ollut huomatta-
vasti vähemmän. (Guo ym. 2017, 736.) 
Internet mahdollistaa paremmat menetelmät tiedon keräämiseen ja analysoimiseen 
(Lee – Bradlow 2011). Tästä huolimatta tämänlaisten analyysien tekeminen voi viedä 
huomattavasti aikaa, sillä tietoa on paljon saatavilla. Internetin äärettömän suuret data-
lähteet aiheuttavat ongelmia, sillä tiedon yhdistely lukemattomista eri lähteistä voi olla 
lähes mahdotonta. Internetin data on pääasiassa kvalitatiivista ja täynnä kohinaa, joten 
sen luotettavuus ei ole tasalaatuista. (Guo ym. 2017, 736.) Godes ym. havaitsivat vuonna 
37 
 
2005, että verkon tiedon hyödyntäminen laaja-alaisesti on mahdotonta ilman tekstin au-
tomaattista analysointia. Nämä menetelmät ovat yhä kalliita (Guo ym. 2017), jonka 
vuoksi verkon data jää pääosin hyödyntämättä (Godes ym. 2005). 
Kasvavien big data -analytiikkamenetelmien johdosta yritykset etsivät tapoja, jolla 
verkon big data pystyttäisiin automaattisesti analysoimaan merkitseväksi tietämykseksi 
(Feldman ym. 2010). Näitä datalähteitä ovat muun muassa tuotekuvaukset, asiantuntija-
arviot, blogit, asiakasarviot, sijoittajaraportit ja uutiset (Doan ym. 2011). Näiden tietoläh-
teiden analysointi on perinteisesti vienyt paljon aikaa, sillä se on tehty käsin (Shi – Yu 
2013). Big data -analytiikka voi helpottaa kilpailijaseurantaa huomattavasti muun muassa 
tekstinymmärryksen avulla (engl. natural language processing). Automaattisen teks-
tinymmärryksen käytöllä yritys voi saavuttaa syvempää ymmärrystä kilpailijoista ja 
markkinoista. Tekstinymmärrystä käytetään hyväksi teksti-, verkko-, verkosto-, mobiili- 
ja sosiaalisen median analytiikassa (Chen ym. 2012, Pang – Lee 2008). Yhteisenä ideana 
on tekstinymmärryksen avulla erottaa merkityksellinen tieto ja syventää liiketoiminnan 
tietämystä suuresta määrästä verkossa olevasta datasta (Feldman – Sanger 2006; Lee 
2007). Nykyisin tekstinymmärrys perustuu jatkuvaan koneiden opettamiseen mallintami-
sen avulla (Krauthammer – Nenadic 2004), jonka vuoksi tekstiymmärrysmallit pystyvät 
tuottamaan suhteellisen tarkkoja tuloksia, jotka ovat lähellä ihmistaitoa (Jurafsky – Mar-
tin 2009). Koneellisen tekstinymmärryksen käyttö mahdollistaa teoriassa reaaliaikaisen 
kilpailijaseurannan (Guo ym. 2017, 739). 
3.4 Budjetointi 
Budjetointi on yksi perinteisimmistä johdon ohjausjärjestelmistä ja se nähdään yhtenä 
merkittävimpänä työkaluna jalkauttamaan strategiaa ja kontrolloimaan yrityksen toimin-
not sen strategisten tavoitteiden mukaisesti. Budjetti on keskeinen johdon ohjausjärjes-
telmä sisältäen muodollisen suunnittelu- ja budjetointiprosessin, jolla kommunikoidaan 
ja koordinoidaan strategisia prioriteetteja ja toimia päällekkäin palkitsemisjärjestelmien 
kanssa, jolla sitoutetaan muun muassa yrityksen keskijohto strategisiin tavoitteisiin. Toi-
sin sanoen budjetti toimii pohjimmiltaan strategian tulevan ajanjakson yksityiskohtaisena 
kuvauksena, jolloin se on enemmänkin toiminnan ohjauksen kuin valvonnan väline. Ylei-
sin budjetointirutiini on taloudellinen raportointi, joka toteutuu jakamalla vuositavoitteet 
kuukausi- tai vuosineljännestavoitteisiin. (Abernethy – Brownell 1999, 191; Goold – 
Campbell 1987; 1988.)  
Budjetoinnissa on yleisesti käytetty perinteisiä datalähteitä, mutta myös nykyään käy-
tetään hyväksi uudenlaisia metodeja ja datalähteitä. Riippuen budjetoinnin toteutusta-
vasta perinteistä budjetointia on kritisoitu sen kyvyttömyydestä kyseenalaistaa vanhoja 
38 
 
kuluja, sillä budjetointi on tapahtunut usein edellisen vuoden budjettia muokkaamalla. 
Toiseksi vuosibudjettia on pidetty liian jäykkänä, sillä lukkoon lyöty vuosibudjetti ei aina 
pysty vastaamaan muuttuneeseen liiketoimintaympäristöön ja mahdollisiin investointitar-
peisiin. (Rickards 2006; Amato 2013.) Vuosibudjetin tavoite oli alun perin rajoittaa kus-
tannuksia, kun taas nykyisessä dynaamisessa markkinassa kustannusten puhdas rajoitta-
minen ei ole optimaalisin tapa menestyä (Amato 2013). Vuosibudjetin laadinta vaatii 
myös usein huomattavasti aikaa, ja jos yrityksen vuosibudjetti ei vastaa markkinoita enää 
valmistuessaan, voi sen noudattaminen olla vahingollista organisaatiolle (Myers 2001). 
Perinteisillä vuosittaisilla liiketoiminnan arvioinneilla vuosibudjetin yhteydessä on 
kaksi tavoitetta. Ensimmäinen on määritellä ydinodotukset pitkän aikavälin visiosta ja 
keskipitkästä liiketoimintastrategiasta heikkojen markkinasignaalien ja markkinoiden ke-
hityksen valossa. Toinen on määrittää tarkat aktiviteetit, jotka tuovat abstraktit strategiat 
reaalimaailmaan, joka on epävakaa ja vaikeasti ennustettava päivittäisissä liiketoimin-
noissa. Johtavat yritykset korvaavat monimutkaiset mallit ja budjettivetoisen ”strategisen 
suunnittelun” rakentavalla strategisella vuoropuhelulla johdon ja liiketoimintayksiköiden 
välillä, jota ohjataan hyvin ilmaistuilla kysymyksillä. Tämä vuoropuhelupohjainen lähes-
tymistapa johtaa lyhyempiin prosesseihin, jolloin tehdään parempia ja ajankohtaisempia 
päätöksiä. (Kachaner – Deimler 2008, 41.) 
Kovassa kilpailutilanteessa budjetointia käytettiin ja suoritettiin joustamattomammin 
kuin alhaisessa kilpailutilanteessa. (Otley 1978.) Perinteisesti on nähty, että budjetointi 
liittyy liiketoimintastrategian toteutukseen ja resurssien allokointiin, eikä budjetointia tu-
lisi pitää irrallisena strategiasta, vaan nimenomaan läheisesti yhteenkuuluvana käytäntönä 
strategian toteutuksessa (Byars 1992, 190, 220).  
Budjetointikäytäntö on monissa organisaatioissa nykyään joustavampi kuin perintei-
nen vuosibudjetointi. Tätä kutsutaan rullaavaksi ennustamiseksi tai rullaavaksi budjetoin-
niksi. Tämä merkitsee budjetin päivittämistä joka kuukausi vuodeksi tai pidemmäksi ai-
kaväliksi eteenpäin. Taustalla on historialliset syyt, sillä perinteinen budjetointi syntyi 
välineeksi teolliselle yhteiskunnalle, kun taas jälkiteollisessa organisaatiossa on tarve yh-
delle tai useammalla kontrollivälineelle (Rickards 2006). 
Simons (1990, 135) luokitteli budjetin diagnostiseksi, mutta sitä voidaan käyttää myös 
interaktiivisena keskustelun, oppimisen ja ideoiden luomistyökaluna. Oppiminen tapah-
tuu vertaamalla toteutuneita tapahtumia budjetoituihin tavoitteisiin ja analysoimalla eroja 
kognitiivisesti ja data-analytiikan avulla. Budjetointiprosessin voi tulkita strategiseksi oh-
jausjärjestelmäksi, sillä sen avulla määritellään ja arvioidaan strategiset suunnitelmat tuo-
malla ne operationaaliselle tasolle. Säännölliset budjettitarkastukset toimivat niin strate-
gian valvontana ja toteutuksena. Toiseksi reagoiminen toteutuneiden ja budjetoitujen lu-
kujen eroihin ja budjetoinnin uudelleensuunnittelu on osin myös strategista suunnittelua.  
39 
 
Budjetointiprosessiin vaikuttaa merkittävästi kilpailuasema, jota voidaan arvioida te-
hokkaammin ja nopeammin big data -analytiikalla, sillä sen avulla voidaan havaita heik-
koja signaaleja analysoimalla yrityksen ulkoista dataa ja linkittää se yrityksen sisäiseen 
dataan kuten asiakkaiden ostokäyttäytymiseen. Näiden heikkojen signaalien avulla voi-
daan havaita suurempia trendejä, joita tulisi huomioida budjetoinnissa ja toiminnassa no-
pealla aikataululla. Tämänkaltaiset uudet menetelmät kasvattavat myös organisaation op-
pimiskykyä, jolla viitataan Simonsin luokittelun mukaisesti interaktiivisena työkaluna. 
(Simons 1991; 1995; Wickramasinghe – Alawattage 2007, 116–118; Warren Jr. 2015, 
401; Burchell ym. 1980).   
Televiestintäalalla ominaiseen strategiseen kasvutavoitteeseen liittyvät seuraavat bud-
jetoinnin ominaisuudet: budjetti toimii enemmänkin lyhyen aikavälin suunnitteluväli-
neenä, kuin valvonnan välineenä, yksiköillä on tavanomaista suurempi vaikutusvalta bud-
jetin suunnittelussa ja budjetteihin tehdään muutoksia budjettikauden aikana. Kasvustra-
tegiassa luonnollisena osana oleva korkea epävarmuuden taso muutosten ollessa nopeita 
ja vaikeasti ennustettavia, on strateginen suunnittelu tärkeää. (Anthony 1965; Shank – 
Govindarajan 1993.) 
Big dataa on mahdollista hyväksikäyttää rullaavassa ennustamisessa ja toiminnanoh-
jausjärjestelmissä parantamaan budjetoinnin tehokkuutta ja ajantasaisuutta. Käytettävä 
data olisi niin ulkoista (esim. ilmasto, työmarkkinat, taloudellinen tila) kuin sisäistä eli 
perinteistä dataa (Warren Jr. 2014, 401). Yksi luontainen paradoksi big datan ja rapor-
toinnin ilmenee vertailemalla monimutkaisuutta ja yksinkertaisuutta, jonka käyttäjät ko-
kevat tärkeänä ominaisuutena. Yksinkertaisuus viittaa siihen, että big datan tarkoituksena 
on yksinkertaistaa päätöksentekoa paremmalla tiedon toimittamisella, täsmällisellä data-
analytiikalla ja datalähteiden laajalla valikoimalla. Kuitenkin käyttäjät kokivat big data -
analytiikkaan käytetyn ajan yritysraportoinnissa lisänneen monimutkaisuutta, sillä he ei-
vät kokeneet omaavansa tarpeeksi hyviä analyyttisia taitoja, kuten ohjelmoimista ja tilas-
tointia tai yksityiskohtaista tietämystä analyyttisista järjestelmistä. (Al-Htaybat – von Al-
berti-Alhtaybat 2017, 870.)  
Rullaavassa ennustamisessa on myös vaara sille, että tietoa tulee huomioitavaksi koh-
tuuttoman paljon. Liika informaation määrä saattaa johtaa siihen, että heillä menee enem-
män aikaa informaation keräämiseen kuin analysoimiseen. Tämä saattaa kasvattaa itse 
rullaavan ennustamisen kustannuksia kohtuuttoman paljon. Big data -analytiikan kytke-
minen toiminnanohjausjärjestelmään ja budjetointiin MADA-viitekehyksen mukaisesti 
automatisoisi rullaavaa budjetointiprosessia, joka johtaisi budjetointikustannusten huo-
mattavaan laskuun etenkin ajankäytön suhteen. Kytkemällä yhteen toiminnanohjausjär-
jestelmä ja ajantasainen big data -analytiikka mahdollistaisi ajantasaisen ja olennaisen 
40 
 
budjetin luomisen, joka vastaisi markkinatilannetta. Big data -analytiikan merkitys ko-
rostuu budjetoinnissa erityisesti budjetoinnin tarkkuuden parantamisessa. (Lamoreaux 
2011; Warren Jr. 2014, 401; Applebaum ym. 2017) 
3.5 Projektin- ja asiakashallinta 
Projektinhallinnan osaksi voidaan laskea muun muassa alihankintastrategia. Quinnin & 
Hilmerin (1995) mukaan organisaation tulisi keskittää voimavaransa niille ydinkyvyk-
kyyksien alueelle, joilla se voi selvästi saavuttaa kilpailuetua muihin ja tuottaa asiakkail-
leen ainutlaatuista arvoa. Kaiken muun organisaation tulisi teettää alihankinnoista ja luo-
pua liiketoiminnoista, joita se ei hallitse tarpeeksi hyvin. Tällöin organisaation on mah-
dollista maksimoida sisäisten voimavarojensa tuotto, luoda ydinosaamisalueillansa ylit-
sepääsemättömiä esteitä muiden toimijoiden saapumiselle markkinasegmenttiin, hyödyn-
tää täysimittaisesti ulkopuolisten toimittajien investointeja, erityisosaamista ja innovaati-
oita sekä lyhentää tuotteiden läpimenoaikaa, supistaa investointeja, vähentää riskejä ja 
vastata nopeammin asiakkaiden muuttuviin tarpeisiin. (Quinn ym. 1995, 25–37.) 
Toiminnanohjausjärjestelmien tapahtumalokeja seuraamalla saadaan tuotettua koko-
naisvaltainen kuvaus, mitkä työprosessit tapahtuvat organisaatiossa, ja kuinka paljon mi-
käkin prosessi vie aikaa (van der Aalst ym. 2004). Tämänkaltainen data-analytiikka kas-
vattaa organisaation ymmärrystä sen prosesseista ja ydinliiketoiminnasta niin yleisesti, 
kuin projektinhallinnassa. Osin tämän vuoksi monet organisaatiot keräävät nykyään dataa 
mobiiliapplikaatioiden ja sensoreiden avulla jatkuvaa seurantaa varten. Dynaamiset liike-
toimintaverkostot ja telekommunikaatio synnyttävät valtavia virtoja aikaleimattua tai re-
aaliaikaista dataa esimerkiksi sensorilokien, verkkostatistiikan, liikennevirtalokien muo-
dossa. Näihin tietovirtoihin on mahdollista kytkeä ympäristölliset tiedot. (Keim ym. 2006, 
4.) Teleoperaattorien toiminnassa tätä valmiiksi kertynyttä dataa on mahdollista käyttää 
hyväksi erilaisissa projektiluontoisissa tehtävissä. 
Big data -analytiikalla on merkittävä potentiaali asiakashallinnan kehittämisessä, sillä 
analytiikka mahdollistaisi yrityksen sisäisten asiakastietojen rikastamisen ulkoisilla de-
mografia- ja sosiaalisen median tiedoilla. Tämä antaisi yritykselle mahdollisuuden ym-
märtää asiakkaitaan paremmin. Tapojen ja trendien herkempi havaitseminen ja ymmärtä-
minen mahdollistaa organisaation myynnin ja tuottojen kasvun. Tämän vuoksi big dataa 
on luonnehdittu tärkeimmäksi tekijäksi asiakashallinnassa. (Espinoza, 2017.) 
41 
 3.6 Organisatorinen suorituksenmittaus ja palkitseminen 
Merkittävä osa yrityksistä on voimakkaasti muuttanut ja uudistanut suorituskyvyn mitta-
reita ja johdon järjestelmiä viimeisen vuosikymmenen aikana (Bisbe – Malagueno 2012, 
296). Täten on mielekästä, että tutkielmassa käsitellään big datan vaikutusta mittareiden 
ja järjestelmien muutosprosessiin. Gordon ja Miller (1976) totesivat, että toimintaympä-
ristön epävarmuuden kasvu edellyttää tiheää raportointia ja ei-taloudellisten tunnusluku-
jen käyttöä tulevaisuuden ennustamisessa. 
Suorituskyvyn mittausjärjestelmät ovat tiivis ja ytimekäs sarja mittareita, jotka voivat 
olla taloudellisia ja/tai ei-taloudellisia, pitkän ja/tai lyhyen aikavälin, sisäisiä ja/tai ulkoi-
sia ja historiallisia (ex post) ja/tai ennakoivia (ex ante) (Gimbert ym. 2010, Henri 2006, 
Neely ym. 1995). Strategiset suorituskyvyn mittausjärjestelmät ovat siis osa suoritusky-
vyn mittausjärjestelmiä (Gimbert ym. 2010). Suorituksenmittausjärjestelmissä on laa-
jempi rooli oppimisen ja muutoksen helpottajana, joten ne voivat tukea tai edistää ilmaan-
tuvia strategioita (Mintzberg 1978). Strategiset mittausjärjestelmät erottuvat muista mit-
tausjärjestelmistä seuraavilla ominaisuuksilla: 
1. Ne integroivat pitkän aikavälin strategian ja toiminnalliset tavoitteet 
2. Suorituskyvyn mittaaminen useasta eri näkökulmasta  
3. Ne tarjoavat sarjan päämääriä, tilastoja, tavoitteita ja toimintasuunnitelmia jokai-
selle eri näkökulmalle 
4. Ne tarjoavat selkeät syy-seuraussuhteet tavoitteiden ja/tai suorituskyvyn mittauk-
sen välille. (Bisbe – Malagueno 2012, 297). 
Esimerkkeinä strategisista suorituskyvyn mittausjärjestelmistä ovat tasapainotettu tu-
loskortti, joka toimii osana strategisen suorituskyvyn mittausjärjestelmiä (engl. balanced 
Scorecard – BSC) (Kaplan – Norton 1996; 2004), täysimitoutetut mittaritaulut (ransk. 
tableaux de bord) (Bourguignon ym. 2004) ja suorituskykyprismat (Neely ym. 2002).  
Nämä järjestelmät auttavat kääntämään strategian tavoitteiksi ja mittareiksi, joita voidaan 
kommunikoida selvästi ja helpottaa pienentämään kuilua yrityksen strategisen vision ja 
operatiivisten aktiviteettien johtamisen välillä. (Kaplan – Norton 2001). 
Kaplanin ja Nortonin vuonna 1992 kehittämä tasapainotettu tuloskortti on näistä jär-
jestelmistä suosituin, joten tutkimuksessa keskitytään data analytiikan ja tasapainotetun 
tuloskortin integroimiseen. Tasapainotettu tuloskortti mittaa organisaation suorituskykyä 
neljästä eri näkökulmasta: 
1. taloudellinen – miltä näytämme osakkeenomistajien silmin? 
2. asiakkaat – miten asiakkaat näkevät meidät? 
3. sisäiset liiketoimintaprosessit – missä prosesseissa meidän pitää kunnostautua? 
4. oppiminen ja kasvu – voimmeko me jatkaa kehittymistä ja luoda siitä arvoa? 
42 
 
Tuloskortti mahdollistaa data-analytiikan integroimisen toiminnanohjausjärjestelmiin 
(ERP), jotka mittaavat yrityksen suorituskykyä. Kuvaileva data-analyysi tarjoaa johdon 
laskentahenkilöille yleisen kuvan tämänhetkisestä taloudellisesta suorituskyvystä. Big 
datan hyödyntämisestä strategisessa ohjauksessa on luotu viitekehys nimeltään the Ma-
nagerial Accounting Data Analytics (MADA), jonka olennaisena osana on Kaplanin ja 
Nortonin tasapainotettu tuloskortti (Cokins 2013, 27). MADA -viitekehyksen kuviossa 
asemoidaan BSC suhteessa liiketoiminta-analyyseihin ja käytettävissä olevaan informaa-
tioon. 
  
Kuvio 2 The Managerial Accounting Data Analytics (MADA) -viitekehys (Applebaum 
ym. 2017, 35; Cokins 2013, 27.) 
Kuvio lähtee liikkeelle big datan lähteistä, jotka ovat organisaation sisäisiä ja ulkoisia 
lähteitä. Organisaatiolle relevantti ulkoinen ja sisäinen data on mahdollista varastoida ja 
arkistoida yrityksen hallinnassa oleville servereille. Tästä datamassasta on mahdollista 
luoda data-analytiikkaa, jota pystytään käyttämään yrityksen toiminnanohjausjärjestel-
missä. Data-analytiikkaa käytetään kuvailevassa taloudellisessa informaatiossa, jota käy-
tetään muun muassa tilinpäätösraportoinnissa esimerkiksi omaisuuden arvostuksen suh-
teen. Ennustavia analyyseja ominaisuuksia käytetään suorituskyvyn mittaamiseen ja ana-
lysointiin, kun taas ohjailevia analyyseja käytetään päätöksenteon tukena. 
Kuviosta käy ilmi, että tasapainotettua tuloskorttia hyödynnetään suorituksen mittaa-
misen lisäksi suunnittelussa ja päätöksenteossa, joihin tulisi käyttää kaikkia kolmea edellä 
mainittua analyysimenetelmää. Perinteisen kustannuslaskennan tuottamaa informaatio on 
myös asianmukaista tuloskortin taloudellisissa mittareissa. Interaktiiviset ja visuaaliset 
työkalut mahdollistavat lukujen ja taloudellisen informaation esittelyn paljon tehokkaam-
min. 
43 
 
Asiakkaiden arvostuksen näkökulmasta Kaplan ja Norton (2004) jaottelivat tuote- ja 
palveluominaisuudet hintaan, laatuun, saatavuuteen, valikoimaan ja suhdetasolla palve-
luun, kumppanuuteen ja brändiin. Kuvailevat analyysit luovat kokonaisvaltaisen kuvan 
tuloskortin asiakasmittareihin. Esimerkiksi suhdelukuanalyysit, jotka integroivat asiakas-
kontaktien, vikailmoitusten, yhteysnopeuksien tasoja, voidaan käyttää televiestintäyrityk-
sen asiakastyytyväisyysmittareina. Data-analytiikka mahdollistaa myös erilaisten inter-
net-arvostelujen ja valitusten integroimisen yrityksen sisäisiin mittareihin. Käytännössä 
tämä tapahtuu automaattisella tekstinymmärryksellä, jonka avulla kerätään internetistä ja 
sosiaalisesta mediasta vain relevanttia dataa. (Applebaum ym. 2017, 36.) 
Tuaron ja Tucker (2013) tutkivat tekstinymmärryksen hyödyntämistä Twitterissä. Me-
netelmällä pystytään analysoimaan uusien tuotteiden vastaanottoa (arvostetut ominaisuu-
det), tuotteiden kilpailuasemaa ja markkinoiden vastaanottoa. Tämä nopeuttaa yrityksen 
reaktiokykyä huomattavasti ja antaa huomattavan kilpailullisen etumatkan verrattuna nii-
hin yrityksiin, jotka analysoivat vain historiallista taloudellista dataa kuukausien päästä 
julkistamisesta. Tämänkaltaiset tehokkaat analyysitekniikat mahdollistavat analyysien 
teon reaaliaikaisesta sosiaalisen median datasta lähes reaaliaikaisesti, jotka auttavat joh-
toa ajankohtaisessa päätöksenteossa. 
Ennustavilla analyyseilla on mahdollista kehittää kattavat ja perustellut arviot jokai-
sesta tasapainotetun tuloskortin neljästä näkökulmasta. Nämä voidaan ennakoida käyttä-
mällä sisäistä historiallista dataa ja ulkoista dataa ennustavissa analyyttisissä algorit-
meissa. Esimerkiksi voidaan määrittää malli, joka laskee tarkan aikavälin, milloin asiak-
kaan tilaama tuote on valmis toimitettavaksi. Malli koordinoisi yrityksen eri osastoja toi-
mimaan synkronoidummin ja auttaisi johtoa linjaamaan strategiat vastaavanlaisiksi. 
Sisäisten liiketoimien näkökulma mittaa muun muassa kiertoaikoja, laatua, henkilös-
tön taitoja ja tuottavuutta (Kaplan – Norton 1992). Sisäiset suoritustason mittarit toimivat 
tehokkaimmin, kun ne integroidaan jokaisen osaston ja työpisteen tasolle, jotta tavoitteet 
ovat henkilöstölle selvät. Big dataa hyödyntävät tietojärjestelmät myös merkittävä kom-
munikaation työkalu organisaatiossa. Hyvin rakennettu järjestelmä luo johdon laskenta-
henkilöille ja työntekijöille ajankohtaista informaatiota, jota voidaan luotettavasti käyttää 
päätöksenteossa. Ennustavat analyysit ovat tulevaisuudessa yhä merkittävämpi apuväline 
johdon ohjauksessa. Historiallista dataa hyväksikäyttämällä voidaan rakentaa malleja 
mittaamiselle ja tavoitteenasetannalle tulevaisuuteen. (Applebaum ym. 2017, 37; Lin 
1979.) 
Oppiminen ja kasvu ovat kriittisiä tekijöitä lähes joka yrityksessä. Tätä voidaan havaita 
uusien tuotteiden/palveluiden kehittämisellä ja uusien teknologioiden omaksumisella. 
Kuvailevia analyyseja käyttämällä selvitetään yrityksen painotuksen taso innovaatioihin 
44 
 
ja miten työntekijät oppivat työskentelemään uusien haasteiden keskellä. Erilaiset meto-
deja, kuten visualisointia ja tekstinymmärrystä voidaan käyttää oppimisprosessin arvioi-
miseen. (Applebaum ym. 2017, 37; Lin 1979.) 
MADA-viitekehyksen onnistuneeseen implementointiin vaikuttaa huomattavasti sen 
saumaton integroiminen kokonaisvaltaiseen business intelligence (BI) -järjestelmään ja 
sen kykyyn tuottaa merkityksellistä informaatiota, joka on merkittävä käyttöönoton 
haaste, sillä vakiintuneiden prosessien muutos koetaan hitaaksi ja ongelmalliseksi. BI:a 
kuvataan yleisesti joukoksi tekniikoita ja välineitä, joilla hankitaan ja muutetaan raaka 
data merkitykselliseksi ja käyttökelpoiseksi tiedoksi liiketoiminta-analyyseja varten (Rud 
2009). Toinen haaste MADA-viitekehykselle on luoda selkeä ja yksityiskohtainen ana-
lyysi siitä, mitä analyysimuotoa tulisi käyttää mihinkin kysymykseen ja tilanteeseen. Yk-
sinkertaisin ja selkein ongelma on kuitenkin saada ja eritellä relevantit ja merkitykselliset 
tiedot big datasta osaksi BSC:n mittareita. Saman aikaisesti datan erittelyn tulisi olla te-
hokasta, edullista ja ainakin lähes reaaliaikaista, sillä big datan säilytys kokonaisuudes-
saan on epäkäytännöllistä tai jopa mahdotonta. (Applebaum ym. 2017, 40–42; Wu ym. 
2014.) 
Yrityksen toteuttaessa kehittämisstrategiaa, nähdään pitkän tähtäyksen ja subjektiivis-
ten elementtien kriteeristä olevan paras palkkiojärjestelmä, kun taas parantamisstrategi-
alle sopii parhaiten lyhyen tähtäyksen määrällinen mittaristo (Govindarajan – Gupta 
1985). Holtonin (2009) tutkimuksessa käytettiin text mining -menetelmää, jolla tyytymät-
tömät työntekijät tunnistettiin sähköposteja analysoimalla. ERP-järjestelmien tapahtu-
malokia on mahdollista hyödyntää process mining -menetelmässä, joissa mitataan ja ver-
taillaan työntekijöiden tuottavuutta (Applebaum ym 2017, 37). 
Algoritmeja luodaan havaitsemaan sisääntuloja rajattuihin alueisiin, laskea objekteja, 
analysoida kohtauksia, seurata ajoneuvoja ja havaita tunteita. Pidemmälle vietynä henki-
löstöllä voisi olla vapaaehtoinen palkitsemisjärjestelmä, jossa seurataan esimerkiksi lii-
kunnallisuutta ja muita aktiviteetteja vapaa-ajalla. Näin big datan avulla on mahdollista 
seurata ja kannustaa työntekijöitä toimimaan myös vapaa-ajalla yrityksen arvojen mukai-
sesti ja hyvinvoiva henkilöstö mahdollistaa paremmat saavutukset. (Metaxas – Zhang 
2013.) 
Tässä luvussa esiteltiin erilaisia liiketoiminta-analyyseja, jotka olivat kuvailevat, en-
nustavat ja ohjailevat. Näiden liiketoiminta-analyysien ymmärtäminen on kriittistä, jotta 
niitä pystytään hyväksikäyttämään oikeissa tilanteissa onnistuneesti. Nämä kolme eri-
tyyppistä liiketoiminta-analyysia voidaan tulkita hierarkkisesti keskenään kuvailevan 
analyysin ollessa usein yleisin ja mahdollisesti helpoin toteuttaa. Ohjaileva analyysi tar-
vitsee osakseen niin kuvailevaa ja ennustavaa analyysia, ja onnistunut ohjaileva analyysi 
vaatii osakseen teknisesti ja organisatorisesti vaativampia menetelmiä. 
45 
 
 Johdon ohjausjärjestelmät esiteltiin tässä luvussa, ja teoreettisesti esimerkiksi asiakas-
hallinnassa oli todettu enemmän big datan hyväksikäyttömahdollisuuksia, kuin esimer-
kiksi budjetoinnissa. Johdon ohjausjärjestelmien luonne on myös kriittinen tekijä niin oh-
jausjärjestelmien hyväksikäytössä kuin liiketoiminta-analyysien laadinnassa. MADA-vii-
tekehys on johdon ohjausjärjestelmiin nähden merkittävä kokonaisuus, jossa data-analy-
tiikka on integroitu melko laajasti läpi organisaation erilaisten johdon ohjausjärjestelmien 
ja liiketoiminta-analyysien. On tärkeä myös huomata big datan erilainen luonne eri joh-
don ohjausjärjestelmissä, sillä data-analytiikkaa ei ole mielekkäintä käyttää heterogeeni-
sesti johdon ohjausjärjestelmästä tai liiketoiminta-analyysin tyypistä riippumatta. 
46 
 4 TIETÄMYKSENHALLINNAN JA PÄÄTÖKSENTEON MER-
KITYS SUHTEESSA BIG DATAAN JA STRATEGISEEN OH-
JAUKSEEN 
4.1 Tietämyksenhallinnan merkitys päätöksenteossa 
Tietämys perustuu ihmismieliin (Davenport – Prusak 2000) ja sitä tehokkaasti hallitse-
malla luodaan aineetonta arvoa organisaatiolle (Intezari – Gressel 2017, 72). Tietämyk-
senhallinta määritetään yleisimmin systemaattiseksi prosessiksi, jossa luodaan, jaetaan ja 
toteutetaan tietämystä (Intezari – Gressel 2017, 72). Nykyisin tarve kyvystä muuttaa data 
ja tieto tietämykseksi päätöksentekoa varten on kriittisin tekijä liiketoiminnan menesty-
miselle kaikilla aloilla (Green 2014, 3). Huomattava on, että yksittäisen ihmisen tai ih-
misten välistä käytyä hiljaista tietämystä ei voida omistaa, sillä se tapahtuu ihmisten vä-
lisessä toiminnassa. Tietämyksenhallinta, ja hiljaisen tiedon integroiminen dataan ja da-
taprosesseihin mahdollistaa tämän tiedon tuomisen yrityksen omistukseen ja arvonmuo-
dostukseen. (Martin 2008; Assudani 2005.) 
Big datan mahdollistamat uudet informaatiolähteet ovat herättäneet kysymyksen siitä, 
että miten tietämystä hallitaan (Arnaboldi ym. 2017, 768). Kiinnostus tietämyksenhallin-
taa kohtaan ja organisaatioiden tarpeet laajojen aineettomien pääomien hankkimiseen, 
luomiseen, järjestelemiseen, levittämiseen, hallintaan on johtanut laajaan valikoimaan 
tietämyksenhallinnan viitekehyksiä, malleja, rakenteita, prosesseja, strategioita ja kult-
tuureita (Bontis 2001; Lev 2001), joista osa on voimakkaasti riippuvaisia teknologiasta ja 
osa ei lähes ollenkaan. Näissä on kuitenkin ollut puutteita asiayhteyden, tarpeen, tarkoi-
tuksen ja soveltuvuuden suhteen. Yksi ilmeinen tekijä tässä kontekstissa on tietämyksen 
rooli ja luonne. (Mohammed ym. 2006.) 
Tutkimuksissa on havaittu, etteivät syyt epäonnistuneisiin business intelligence -pro-
jekteihin ole teknologioissa, vaan itse organisaatiossa. Kyseisten tutkijoiden mukaan stra-
teginen toiminnanohjausjärjestelmä, jonka avulla organisaation toimijat pystyisivät teke-
mään valistuneita päätöksiä perustuen koko organisaation tietoihin vaikuttaisi positiivi-
sesti strategisten tavoitteiden saavuttamisessa. (Boyer ym. 2010, 8, 31.) Tämänkaltainen 
ennustus on merkityksellinen big datan kontekstissa, jossa analyyseilla tuotetut näkökan-
nat ovat parhaiten käytettävissä, kun ne ovat läheisessä kytköksessä yrityksen strategiaan, 
helposti loppukäyttäjien ymmärrettävissä ja upotettavissa organisatorisiin prosesseihin 
oikeaan aikaan, jotta päätöksen toteutus tukisi strategiaa (Balboni – Cook 2012, 10). Näi-
den aktiiviteettien merkitys on strategian toteutuksessa huomattava. Kriittistä onnistumi-
sen kannalta on yhteistyö ja ymmärrys ylimmän johdon, taloushallinnon ja IT-päälliköi-
47 
 
den kesken, jotta päätöksenteko on onnistunutta läpi koko organisaation arvoketjun. Tie-
tämyksen ja ymmärryksen rooli on merkittävä, sillä on yhteensovitettava organisaatioi-
den odotukset big datan suhteen ja organisaatioiden kyvyn sovittaa big data -analytiikan 
tiedot osaksi tietämystä ja sen hallintaa. (Ross ym. 2013, 90.) 
Mitä enemmän dataa ja tietoa on saatavilla, sitä suurempi tarve on inhimilliselle päät-
telykyvylle ja järjestelmille sen hyödyntämiseen. Vaikka big dataan liittyviä kehitystu-
loksia raportoidaan muun muassa kognitiivisuuden kasvattamisessa ja töiden automati-
soinnissa, silti moni työtehtävä tehdään parhaimmilla tuloksilla ihmisen ja koneiden yh-
teistyössä (McGovern 2015, 9). Pelkkä datan läsnäolo tai pääsy dataan ei tuo itsessään 
arvoa organisaatiolle (Zhang 2013, 890), sillä ihmistietämys ja -kokemus ovat yksin-
omaan vastuussa päätöksistä, miten dataa kerätään ja mitä algoritmeja sen analysoimiseen 
käytetään (Pauleen – Wang 2017, 2).  
Ymmärrys on sitä, että datasta osataan eritellä tietämys eli arvokas data ja mitä dataa 
hävitetään ja miten pidettävä data säilytetään luotettavasti oikean metadatan kanssa. Da-
tan prosessointi ei siis vaadi pelkästään oikeita tekniikoita, analyyttisiä työkaluja ja tek-
niikoita vaan laajemman organisatorisen ymmärryksen ja näkökannan. On siis mahdo-
tonta kieltää tietämyksen vaikutusta, kun puhutaan datan vaikutuksesta organisaatiossa. 
Ihminen tekee lopulta päätöksen, miten big datasta tuotettua informaatiota käytetään, oli 
kyseessä niin operatiiviset, taktiset tai strategiset päätökset, ihmistietämys ohjaa sen käyt-
töä. Big datan ja tietämyksenhallinnan välinen suhde on huomattava tekijä etenkin tule-
vaisuudessa, kun pohditaan big datasta tuotettujen ennusteiden ja tietämykseen perustu-
vien kysymysten suhteellista hintaa. (Tian 2017, 119–120; Pauleen – Wang 2017, 2.) 
Tietämyksen luominen on tietämyksenhallinnan teorian perimmäinen periaate, joka 
tunnetaan etenkin Nonakan ja Takeuchin (1994) luomasta mallista, jossa tietämys luo-
daan neljässä tasossa, jossa siirrytään julkisen ja hiljaisen tiedon välillä. Toinen keskeinen 
tietämyksenhallinnan periaate on mallintaa yhteys datan, informaation ja tietämyksen vä-
lille. Nämä kolme käsitettä ovat hierarkkisessa asemassa keskenään tietämyksen ollessa 
ylin käsite. 
Usein pyramidina kuvattuna alimpana portaana on data, joista voidaan jäsennellä py-
ramidin keskellä oleva informaatio eli tieto, kun taas informaatiosta muodostuu tietä-
mystä, joka on informaatiota, jota taas käytetään kontekstissa ja/tai siihen on lisätty mer-
kitys. (Alavi – Leidner 2001.) Pyramidin voi kuvata myös prosessuaalisena jatkumona, 
joka alkaa datasta jatkuen tietoon eli informaatioon ja päättyen tietämykseen (Zhang 
2013). Joissain versioissa tietämys jatkuu viisauteen, joka merkitsee kumulatiivista tietä-
mystä kokemuksen kautta (Batra 2014, 6). Tietämyksenhallinta vaatii sopivan viiteke-
hyksen, strategian ja kulttuurin onnistuakseen. Tätä samaa viitekehystä tulee hyväksi-
käyttää big data -analytiikkaa käytettäessä, ja viitekehyksen tulee olla yhteensopiva niin 
analytiikalle kuin tietämyksenhallinnalle (Tian 2017, 121). 
48 
 
Strateginen tietämyksenhallinta kuvataan prosessina, joka linkittää organisatorisen tie-
tämyksen organisatoristen rakenteiden kuvioon, joka edistää tietämystä, liiketoiminta-
strategiaa ja henkilöstön tietämyksen kehittymistä. Se sisältää paneutumisen tietämyk-
senhallintaan ja tietämykseen perustuvista strategioista niin yritys-, ryhmä- kuin henkilö-
tasolla ja luo tietämyksenhallinnan elementiksi tukemaan liiketoimintastrategioita. (Or-
donez de Pablos 2002; Russ ym. 2005.) 
Näin ollen on perusteltua olettaa, ettei big data tule korvaamaan esimerkiksi tietämyk-
senhallintaa tai business intelligencia vaan se muotoutuu osaksi näitä järjestelmiä osaksi 
tukemaan niitä ja osaksi toimimaan niiden luomien viitekehysten mukaisesti, sillä big 
data kytkeytyy läheisesti tietämyksenhallintaan. Big datan hallitseminen on aineettoman 
pääoman johtamista yhdenvertaisesti tietämyksenhallinnan kanssa. (Tian 2017, 126). 
Prosessia, jossa big datan analytiikka ja tietämyksenhallinta kytkeytyy yhteen, kuvaa seu-
raava big data -analytiikan – tietämyksenhallinnan malli. 
 
Kuvio 3 Big data -analytiikan – tietämyksenhallinnan malli (Pauleen – Wang 2017, 3) 
Kuvio 4 malli alkaa ongelmasta, vaikuttimesta ja tavoitteesta päättyy vastauksiin, pää-
töksiin ja toimintoihin. Ensimmäiseksi turvaudutaan valmiina olevaan tietämykseen ai-
healueesta, ja siihen haetaan tukea operaatioiden tuottamasta datasta ja analytiikkamene-
telmillä. Prosessista on tarkoituksenmukaista poimia uutta relevanttia informaatiota, josta 
jalostuu uutta tietämystä. Tämä uusi tietämys yhdistetään vanhaan tietämykseen, ja päi-
vitetyn tietämyksen perusteella saadaan vastaus ongelmaan, tai tehdään päätös riippuen 
kysymyksen luonteesta. 
49 
 
Strategisen päätöksenteossa on läsnä epävarmuus ja monimerkityksellisyys, jonka 
vuoksi onnistunut strateginen päätöksenteko on riippuvainen yksilöllisestä ja organisato-
risesta kyvystä oppia ja uudelleen järjestellä jatkuvasti organisaation tietämyskantaa 
(engl. knowledge base) (McKenzie ym. 2011, 404). Inhimillisellä- ja sosiaalisella pää-
omalla, osana tietämystä ja kokemusta, jota saavutetaan työkokemuksella, valmennuk-
sella ja koulutuksella niin synnynnäisten kuin opittujen taitojen avulla, on suora vaikutus 
strategisten päätösten tehokkuuteen ja vaikuttavuuteen (Ahearne ym. 2014; Sundara-
murthy ym. 2014). 
4.2 Päätöksenteko organisatorisessa kontekstissa 
Päätöksenteko on olennainen osa strategian toteutusta ja prosessia, jossa big dataa käyte-
tään hyväksi. Päätöksenteko on keskeinen toiminto, jota esimiehet tekevät (Hickson ym. 
1989; Michel 2007), ja se integroituu kaikenlaisiin toimintoihin (Harrison 1999). Porter 
(1985) korostaa, että yrityksen menestys tai epäonnistuminen on pääasiallisesti riippuvai-
nen esimiesten kyvyistä tehdä strategisia päätöksiä kilpailullisessa ympäristössä, jossa 
yritys luonnollisesti toimii.  
Tämän vuoksi on aiheellista perehtyä päätöksentekoon syvemmin. Organisatoriset 
päätökset voidaan luokitella eri tulokulmista (Scherpereel 2006). Yksi laajasti hyväksytty 
luokittelutyyppi on strukturoidut ja strukturoimattomat päätökset, jotka kategorisoivat 
päätökset päätöksen kohteen monimutkaisuuden perusteella (Turban ym. 2005). Riip-
puen ongelman monimutkaisuuden tasosta, organisaation päätöksentekoprosessi voi olla 
strukturoitu tai strukturoimaton (Langley ym. 1995). 
Strategian toteuttamiseen eli implementointiin tarvitaan valistunutta päätöksentekoa 
niin päivittäisistä rutiinitoimenpiteistä kuin harvinaisimmista liiketapahtumista. Valistu-
nutta päätöksentekoa pidetään tietämyksellisenä eli päätöksen taustalla on tietoutta, eikä 
päätöstä tehdä intuition eli vaiston perusteella. Big data -analytiikka tarjoaa tietämystä 
organisaatioille, jota käytetään liiketoimintapäätöksissä pohjautuen strategian toteutuk-
seen.  (McAfee – Brynjolfsson 2012, 62, 65.) 
Suurin osa investoinneista big dataan epäonnistuu siksi, etteivät yritykset joko ole val-
miita tekemään tai eivät halua tehdä päätöksiä datan pohjalta (Ross ym. 2013, 90–91). 
Tämän vuoksi on erittäin tärkeää, että ylempi johto omaksuu dataan perustuvan päätök-
sentekokulttuurin, jottei päätöksiä tehtäisi intuition perusteella. Jotta päätöksentekokult-
tuuria kyetään uudistamaan, on aluksi tunnistettava organisaatiolle tyypillisimmät pää-
töksentekoprosessit. (McAfee – Brynjolfsson 2012, 68).  
Päätökset voidaan luokitella myös niiden kontekstien mukaan, jota havainnoi Cynefin 
malli (Snowden – Boone 2007). Malli identifioi viisi kontekstia, jotka ovat yksinkertainen 
50 
 
(engl. simple), monimutkainen (engl. complicated), kompleksinen (engl. complex), ka-
oottinen (engl. chaotic) ja sekasortoinen (engl. disorder), jos mikään muu konteksti ei ole 
soveltuva. Näitä konteksteja määritellään syy-seuraussuhteilla tai niiden puutteilla. Syy-
seuraussuhteet ilmenevät yksinkertaisissa ja monimutkaisissa konteksteissa, kun taas 
kompleksiset ja kaoottiset kontekstit toimivat usein ilman ennakkopäätelmää ja ne ovat 
luonteeltaan arvaamattomia. Yksinkertaiset ja monimutkaiset kontekstit voidaan taas liit-
tää strukturoituun päätöksentekoon, jossa esimiehet kategorisoivat kohtaamansa ongel-
man tai haasteen, jonka ratkomiseen vaaditaan usein analyysejä. Kompleksiset ja kaoot-
tiset kontekstit liitetään strukturoimattomaan päätöksentekoon, joka vaatii tunnustelua ja 
toimintaa. Yleensä päätöksenteon oikeellisuutta voidaan etukäteen vain arvioida ja lopul-
linen vastaus saadaan toteutuksen jälkeen. Nämä piirteet liittyvät usein merkittäviin pää-
töksiin, jotka sisältävät riskin liiketoiminnalle. Big data -analytiikan asianmukainen hy-
väksikäyttö pienentää päätöksen riskisyyttä. (Intezari – Gressel 2017, 77.) 
Strukturoituja päätöksiä voidaan kuvailla klassisilla matemaattisilla malleilla, kun taas 
strukturoimattomilla päätöksillä ei ole standardoituja tai yleisiä metodeja optimaalisim-
man ratkaisun hankintaan (Zhang ym. 2015). Drucker (1967, 98) on kehittänyt kuuden 
kohdan systemaattisen prosessin strukturoituun päätöksentekoon. Ongelma luokitellaan 
ja määritellään, jonka jälkeen laaditaan tarkka määritelmä ongelmanratkaisun saavutetta-
vasta lopputuloksesta. Määritellään erot oikean ja hyväksyttävän päätöksenteon välillä, 
jotta reunaehdot saavutetaan. Lopuksi määritellään päätökseen sisältyvä toteuttamissuun-
nitelma ja testataan päätöksen pätevyys ja tehokkuus reaalimaailmassa. Strukturoituja 
päätöksiä tehdään päivittäisissä toiminnoissa, jotta esimerkiksi lyhyen aikavälin tavoitteet 
saavutetaan. Päivittäisten toimintojen vuoksi tämänkaltainen päätöksenteko on yleensä 
rutiininomaista ja sille on rakentunut strukturoitu prosessi.   
Strukturoimattomat päätökset viittaavat päätösprosessiin, jonka kaltaista ei ole tehty-
aikaisemmin organisaatiossa, joten sille ei ole ennalta määritettyjä selkeitä vastauksia 
(Mintzberg. ym 1976). Koska prosessia strukturoimattomalle päätöksenteolle ei ole mää-
ritelty, on intuitio, kokemus ja harkintakyky usein perusta päätöksenteolle. Strukturoi-
mattoman päätöksenteon kannattajat ovat tästä eri mieltä, sillä he uskovat datan olevan 
yksi elementti päätöksenteossa kokemuksen ja tuntemuksen kanssa. Päätöksentekopro-
sessissa joillakin kohdilla on tärkeämpi merkitys kuin toisilla päätöksestä riippuen, jotkut 
kohdat voidaan ohittaa tai niiden järjestystä muuttaa. (Isenberg 1986; Zhang ym. 2015.) 
Päätöksenteko ei kuitenkaan aina ole ajattelulähteinen lineaarinen prosessi vaan dy-
naaminen, syklinen prosessi kompleksisessa ja kaoottisessa ympäristössä, johon vaikut-
taa kompleksisten ihmisten keskinäinen vuorovaikutus. Lineaarinen päätöksentekopro-
sessi käynnistyy siitä, että tietystä asiasta tulee tehdä päätös, asiasta hankitaan tietoa eli 
dataa ja mahdollisesti syvällisestä tietämystä. Tieto ja tietämys käsitellään ja analysoi-
51 
 
daan ja päätös tehdään. Kompleksisessa prosessissa tiedonkeruuvaiheessa ilmenee esi-
merkiksi, ettei tietoa voida/osata käsitellä, asiasta ei löydy luotettavaa tietoa tai ilmenee 
uusia ongelmia, joista pitää tehdä useita päätöksiä. (McKenna – Martin-Smith 2005, 832: 
Mintzberg – Westley 2010.)  
Näitä kahta prosessia ei kuitenkaan voi erottaa täysin toisistaan, ja olisi epätodennä-
köistä, että organisaatio käyttäisi vain yhtä tapaa päätöksenteossaan. Kysymysten erilai-
suus ja sidosryhmien laaja osallistuminen strategisissa päätöksissä edellyttää organisaa-
tioita käyttämään näiden prosessien yhdistelmää kysymysten luonteesta riippuen. Strate-
gisten kysymysten luonteesta johtuen on päätöksentekoprosessi usein strukturoimaton, ja 
sen tiedostaminen on tärkeää, kun mietitään miten big dataa, millä algoritmeilla ja missä 
kohtaa päätöksentekoprosessia niitä käytetään hyväksi. (McKenzie ym. 2011, 411; Inte-
zari – Gressel 2017, 78.) Tätä datan ja päätöksenteon yhteyttä kuvaa seuraava nelikenttä. 
 
 
Kuvio 4 Strukturoidun ja strukturoimattoman datan päätöksenteon nelikenttä (Intezari – 
Gressel 2017, 78) 
Kuvio 3 luo pohjan strukturoidulle ja strukturoimattomalle päätöksenteolle, joissa käy-
tetään strukturoimatonta dataa ad-hoc pohjaisesti ja strukturoitua dataa järjestelmistä. Ku-
vio 3 kiteyttää nämä erot ja luo neljä erilaista päätöksentekomallia. Big data -analytiikkaa 
voidaan hyväksikäyttää enemmän, mutta perinteisesti strukturoimaton data ei ole ollut 
52 
 
big data -pohjaista. Ongelman ydin on, että strukturoimattomassa päätöksenteossa orga-
nisaation tulisi käyttää big data -analytiikkaa, jotta päätöksenteko pohjautuisi johdonmu-
kaisesti aina tai lähes aina dataan. Huomionarvoista on, että näitä päätöksentekomalleja 
voi käyttää ristikkäin tilanteesta riippuen, eivätkä ne sulje pois toisiaan. Organisaation ei 
ole optimaalista käyttää tiettyä päätöksenmallia, vaan sopeutua tilanteen mukaan riippuen 
muun muassa datan saatavuudesta ja laadusta. (Intezari – Gressel 2017, 79.) 
4.3 Teknologian kehityksen kytkös  
Teknologian kehitys mahdollistaa aikaisemmin erillisinä olevien järjestelmien kytkemi-
sen operatiivisiin toimintoihin ja strategiseen päätöksentekoon (Berner ym. 2014), mikä 
taas mahdollistaa päätösten perustumisen tietoon ja dataan intuition sijasta (McAfee – 
Brynjolfsson 2012, 66). Tästä huolimatta vaaditaan huomattavasti työtä, että big datan 
hyödyt saadaan realisoitua, mukaan lukien tarve riittävään määrä datakeskeisiä proses-
seja, etsimistä, mallintamista, analysointia ja visualisointia ja parannuksia kriittisiin toi-
mintoihin kuten tallennukseen, ylläpitoon, jakamiseen, siirtämiseen, saatavuuteen ja tur-
vallisuuteen (Tian 2017, 115). Big data -analyysin lähestymistapa on täysin uudenlainen, 
sillä siinä käytetään ennustavaa mallintamista yhä kasvavin määrin (Batra 2014, 7).  
Kaksi nousevaa trendiä big datan hyödyntämiseen ovat pilvilaskenta (engl. cloud com-
puting) ja sosiaalinen media. Pilvessä internetiä käytetään alustana tiedon keräämiseen, 
analysoimiseen, jakamiseen, varastoimiseen ja prosessoimiseen, mikä mahdollistaa las-
kentakyvyn vuokraamisen yrityksen ulkopuolelta, eikä yrityksen tarvitse ostaa kalliita 
laitteistoja ja ohjelmistoja. Big dataa hyödyntävä ympäristö vaatii ympärilleen useita ser-
vereitä tukemaan suurien määrien prosesseja korkealla laskentanopeudella ja usealla eri 
tiedostotyypillä. Organisaatiot hankkivat yhä useammin pilviohjelmistoja ja vuokraavat 
datan varastointitilaa tukeakseen big data -projekteja. Kun yritykset usein säilyttävät ar-
kaluontoisimman datan yrityksen sisällä, niin esimerkiksi suuret määrät sosiaalisen me-
dian dataa voidaan säilyttää ulkopuolella. Pilvipalvelut mahdollistavat big datan hyväk-
sikäytön kaiken kokoisissa organisaatioissa, ja se tekee big datasta houkuttelevamman 
niin kustannusten ja nopeuden suhteen, sillä organisaatio pääsee välittömästi käsiksi big 
datan analytiikan ohjelmistoihin ja järjestelmiin. (Tian 2017, 117–118.) 
Sosiaalinen media on ilmiönä niin teknologinen kuin sosiaalinen, ja ihmiset jakavat 
valtavia määriä tietoja ja mielipiteitä kompleksisen datan muodossa. Puhtaan sosiaalisen 
median sisällön määrä ja kompleksiuus valtuuttaa sille big datan roolin. IBM:n ja Twit-
terin yhteistyö, joka kerää yrityksille palautetta päätöksentekoa varten vahvistaa sosiaali-
sen median tärkeyttä osana big dataa. Tämänkaltaisen yhteistyön tarkoituksena on muut-
taa käyttäjien tuottama materiaali arvoksi. Esimerkiksi kirjanjulkaisuissa reaaliaikainen 
53 
 
asiakaskohtainen markkinointi verkossa kasvattaa kirjan myyntiä niin verkossa kuin ki-
vijalkamyymälöissä ja sosiaalinen median avulla osataan ennustaa kirjanmyynti parem-
min kuin laskelmoinnit perustuen kirjailijan maineeseen. (Lichtenberg 2014; Worth 2015; 
Tian 2017, 118.) Sosiaalisen median palvelut kuten LinkedIn mahdollistaa kilpailevien 
organisaatioiden edustajat kommunikoimaan vapaamuotoisesti, minkä johdosta big datan 
teknologioita voi olla vaikeaa pitää täysin salassa kilpailijoilta (Gupta – George 2016, 
1052). 
Myös tietämyksenhallintaa voidaan tukea teknologialla, sillä siihen on kehitetty ni-
menomaisia järjestelmiä tukemaan tietämyksen luomista, levittämistä ja implementointia 
organisaatioissa. Näitä järjestelmiä kutsutaan tietämyksenhallintajärjestelmiksi (engl. 
knowledge management system) ja ne sisällyttävät organisaation sosiaaliset ja kulttuuriset 
näkökannat. Ne toimivat kuitenkin oletuksella, että IT toimii organisaatioissa mahdollis-
tajana. (Alavi – Leidner 2001.) Big datan läsnäolo ja kehitys on merkittävä haaste näiden 
järjestelmien toiminnallisuudelle. Big datan strukturoimaton data on myös oma haas-
teensa organisaatioille, jotka ovat perinteisesti ja pääasiallisesti käyttäneet vain struktu-
roitua dataa tallennettuna relaatiotietokantoihin kuten transaktiodataa, toiminnanohjaus- 
ja asiakkuushallintajärjestelmien dataa. (Intezari – Gressel 2017, 72.) 
Uusia tekniikoita ja työkaluja pitää kehittää ja soveltaa, jotta informaation erottaminen 
big datasta on teknisesti ylipäätään mahdollista (O’Leary 2013). Tämä voi olla hankinnan 
osalta haastavaa, sillä organisaatiot luonnollisesti haluavat käyttää hyväkseen mahdolli-
simman paljon jo olemassa olevia arvokkaita tietämyksenhallintajärjestelmiä, ja monet 
olettavan tietämyksenhallintajärjestelmien pystyvän käsittelemään myös big dataa. Po-
tentiaalisesti arvokkaat aineettomat resurssit ovat monipuolisesti organisaation eri toi-
minnoissa ja tekniikoista, eivätkä perinteisissä tietämyksenhallintajärjestelmissä taikka 
viitekehyksissä. Jotta big dataa voidaan hyödyntää strategisessa päätöksenteossa, on yri-
tysten investoitava kehittyneisiin tietämyksenhallintajärjestelmiin. Nämä investoinnit te-
kevät niin strategisen kuin operatiivisen ja taktisen päätöksenteon nopeammaksi, edulli-
semmaksi ja paremmaksi kuin aikaisemmin. (Erickson – Rothenberg 2014; Intezari – 
Gressel 2017, 73; Davenport 2014.) 
On kuitenkin todettu, että kulttuurillisesti keskitytään liikaa teknologian rooliin, ja tar-
kemmin sanottuna siihen, mitä se on tai tekee, kuin mitä siitä ilmenee muodostuessaan 
organisatorisessa kontekstissa ja miten se pystyy vaikuttamaan käyttäytymiseen. Liialli-
sen teknisen perspektiivin tuomat rajoitukset voi ymmärtää tutkimalla asiaa käyttömah-
dollisuuksien näkökulmasta. Käyttömahdollisuuksien termillä yritetään havaita objektin 
käyttötarkoitus teknisten ominaisuuksien sijasta sillä, mitä kyseinen objekti pystyy teke-
mään, joka oli aiemmin mahdotonta. Käyttömahdollisuudet ovat siis käytännössä eri 
käyttösuhteita ihmisten ja objektien välillä, joten käyttömahdollisuudet mahdollistavat 
54 
 
käyttäjää luomaan uutta arvoa suhteestaan esimerkiksi sosiaaliseen mediaan ja vaikutta-
malla organisatorisen ymmärryksen luomiseen ja sen johtamiseen. (Leonardi 2011; Ward 
ym. 2014; Tian 2017, 118.) 
Tämän luvun ydinsanoma oli big data -analytiikan lopputuotteen, eli tietämyksen hal-
linta ja käsittely. Organisaation tulee siis panostaa huomattavasti tietämyksenhallintaan 
ja yrityksen päätöksentekomalleihin, jotta big data -analytiikkaa käytetään asianmukai-
sesti toiminnan ohjauksessa. Organisaation olisi hyvä tunnistaa käytössä olevien päätös-
tekomallien luonne ja mahdollinen olemassaolo, jotta sitä voitaisiin kehittää datapohjai-
sempaan suuntaan. Luussa eriteltiin erilaisia päätöksentekomalleja ja niiden tyyppejä riip-
puen päätöksenteon struktuurisuudesta ja siinä käytettävän datan muodosta. Päätöksen-
teon prosessin kehittäminen ja virtaviivaistaminen mahdollistaa parempien päätösten te-
kemisen, jonka avulla organisaatio kykenee saavuttamaan strategiset tavoitteensa.  
Luvussa käsiteltiin myös teknologian kehitystä ja järjestelmien käyttöä big data -ana-
lytiikan ja tietämyksen suhteen. Organisaation on hyvä tunnistaa projektin pitkäaikaisuus 
ja vaikutus muihin organisaation toimintoihin ja järjestelmiin, kun investointipäätöksiä 
big dataan tehdään. Big data -analytiikan jatkuvasti nopea kehitys ei mahdollisesti kan-
nusta kehittämään itse analytiikkajärjestelmiä vaan organisaation saattaa olla järkevintä 
ostaa nämä palvelukokonaisuutena, jossa analytiikkaominaisuuksia kehitetään jatkuvasti.  
55 
 5 CASE ASSATEL OYJ 
5.1 Case-organisaation esittely 
Assatel on pitkäaikainen kansainvälinen teleoperaattori, jonka yhtiömuoto on julkinen 
osakeyhtiö. Markkina-arvoltaan Assatel luokitellaan suureksi (engl. large cap) arvon ol-
lessa yli 10 mrd. euroa ja se on yksi Euroopan suurimmista teleoperaattoreista. Yritys 
jakautuu kolmeen liiketoimintasegmenttiin; kuluttaja-asiakkaat (B2C – business to cus-
tomers), yritysasiakkaat (B2B – business to business) ja operaattoriasiakkaat (B2O – bu-
siness to operators). Assatelin liike osuus on 32 % matkapuhelinliittymistä, 27 % kiin-
teistä laajakaistaliittymistä ja 21 % maksu-tv palveluista. Assatelin liikevaihto oli vuonna 
2017 yli 1,3 mrd. euroa ja käyttökate yli 1/3 mrd. euroa, joka yli 4 % suurempi kuin 
vuonna 2016. Yritys työllistää Suomessa yli 3000 henkilöä ja kansainvälisesti noin vii-
sinkertaisesti enemmän. Tämä tutkimus keskittyy Suomen Assateliin. (Assatelin verkko-
sivut.) 
5.2 Tutkimusmenetelmä ja aineistonkeruu 
Tutkimus toteutettiin yhdeksällä puolistrukturoidulla teemahaastattelulla. Tämä haastat-
telurunko on liitteenä 1. Sitä muokattiin osin sopivammaksi eri henkilöille, ja haastatel-
tavasta riippuen keskityttiin eri aihealueisiin, jotka ovat taulukossa alla. Haastattelut teh-
tiin vuoden 2017 lopussa ja 2018 alussa Assatelin tiloissa Helsingissä ja ne nauhoitettiin 
haastateltavien luvalla. Haastatteluiden kieli on suomi ja ne litteroitiin ja litteroitua tekstiä 
käsiteltiin NVivo-ohjelmistolla, joka toimi työkaluna tekstin jaottelussa eri aihealueisiin. 
Teoriaosuudesta poimittiin kaikki teemat ja ne ryhmiteltiin eri suurempien teemakoko-
naisuuksien ja lopulta tutkimuskysymysten alle. Kaikki haastattelumateriaali koodattiin 
näiden eri teemojen alle, jotta tietystä aihealueesta havaitsi selvän kokonaisuuden, jossa 
käsiteltiin kyseistä aihetta. Tutkija analysoi teoreettista viitekehystä ja empiirisen aineis-
ton tuloksia keskenään. Ensimmäiset kaksi haastateltavaa nimesivät muita henkilöitä, 
joilla olisi relevanttia tietämystä liittyen haastattelurunkoon, ja tällä lumipalloefektillä 
kertyi yhteensä yhdeksän haastateltavaa. Haastateltavat henkilöt ovat saaneet tutkimuk-
sen arvioitavaksi ennen sen julkaisua.   
56 
 
Taulukko 3 Haastatellut henkilöt, haastatteluajankohta, haastattelun kesto ja painotetut 
teemat 
Haastateltava henkilö,  
päivämäärä ja kesto 
Painotetut teemat 
Senior Controller,  
30.11.2017, 52 min 
Päätöksenteon tukeminen 
Liiketoiminta-analyysit 
Datan käyttö ja yhdisteltävyys 
B2C Finance Director,  
30.11.2017, 1 h 45 min 
Tekninen kehitys 
Yrityskulttuuri 
Taloudellisten lukujen hyväksikäyttö  
Operatiivisen toiminnan tuki 
Head of B2C Analyst,  
12.12.2017, 49 min 
Datalähteet 
Asiakasdata-analytiikka 
Raportointi 
Data warehouse & datan ominaisuudet 
Competitor Analyst,  
15.12.2017, 56 min 
Kilpailija-analyysit 
Markkina-analyysit 
Web-datan hyödyntäminen 
Tekstianalytiikka 
Senior Strategy Adviser,  
15.12.2017, 1 h 12 min 
Strategian kehitys 
Strategiaprosessit 
B2O-toiminta 
Tulevaisuuden tutkiminen 
Yrityskulttuurin kehitys 
Commercial Director,  
5.1.2018, 48 min 
Toimintamallit 
Organisaatiorakenteen muutos 
Prosessiajattelu 
Business Controller,  
5.1.2018, 1 h 26 min 
B2B data-analytiikka hankkeet 
Talouden tukeminen 
B2B Asiakasanalyysit 
Head of Product Development,  
17.1.2018, 1 h 28 min 
IoT ja big data -analytiikka 
New generation vs. old generation Telco, jännite 
Tuotekehitys 
Uudet liiketoimintamahdollisuudet 
Strategy Director, 17.1.2018, 52 
min 
Strategiaprosessi 
Strategian johtaminen 
Molempikätinen strategia 
57 
 5.3 Big datan merkitys Assatelin strategiassa ja sen suunnittelussa 
5.3.1 Assatelin strategia 
Assatelin konsernistrategian tavoitteena on parantaa ydinliiketoimintaa ja tunnustella uu-
sia liiketoimintamahdollisuuksia lähellä ydinliiketoimintaa. Konsernin neljä strategista 
tavoitetta ovat: 
1. arvon tuottaminen ensiluokkaisella tietoverkolla. Assatel aikoo turvata äänen siir-
tymän dataksi luomalla loppukäyttäjien varman pääsyn verkkoon 
2. kasvattamalla asiakaslojaliteettia läheisellä suhteella, luomalla saumaton asiakas-
kokemus eri teknologioiden, palveluiden ja kanavien välillä 
3. varmistamalla kilpailukykyiset operaatiot yksinkertaistamalla operaatioita ja 
muuttamalla perintöä luodakseen ketteryyttä ja kustannustehokkuutta. Tällä viita-
taan vanhoihin IT-järjestelmiin. 
4. Tunnustelemalla uusia liiketoimintamahdollisuuksia lähellä ydinliiketoimintaa 
Assatel aikoo sijoittaa alueisiin, jotka täydentävät ja vahvistavat ydinliiketoimin-
taa. Näitä alueita ovat esimerkiksi M2M (koneiden välinen kommunikaatio), e-
terveys, musiikki-, turvallisuus-, talous- ja TV-palvelut. (Assatel.) 
Konsernistrategiasta poimitaan liiketoiminta-alueille eli maille omat strategiset paino-
tukset ja kehitetään maakohtaiset strategiat (B2C Finance Director; Senior Controller). 
Senior Strategy Adviserin mukaan paikallisen strategian merkitys on todella suuri, ja As-
satelilla näkyy eniten Suomessa tehty strategiatyö. Assatelin strategiahierarkia vastaa 
Langfield-Smithin (1997) ja Wilsonin (1991) jakoa yritys-, liiketoiminta- ja toimintastra-
tegioihin. Assatelilla hierarkia ilmenee myös pyramidi-/kolmioajatteluna, jossa ylimpänä 
toimii strategiataso, keskimmäisenä tasona toimii liiketoimintataso, jossa strategia kään-
netään toimintoihin ja siitä muutetaan kolmanteen toiminnalliseen eli operationaaliseen 
tasoon. Tämä strategiajako on kokenut muutoksia vuosina 2017–2018, sillä Assatelin 
huhtikuussa 2017 aloittanut toimitusjohtaja koki tarpeen kytkeä strategiaprosessi maayh-
tiön tasolle, toisin kuin edellisen toimitusjohtajan päätöksestä strategiatyö tehtiin liiketoi-
mintasegmenteissä erikseen. Näin ollen organisaation strategiaprosessi on keskellä huo-
mattavaa muutosta tutkimusta tehdessä (Strategy Director.) 
Ohmaen (1988) mukaan strategia on kovaa työtä ymmärtää asiakkaan luontaiset tar-
peet ja täten arvioida uudelleen, minkä kategorian tuotteet tyydyttävät niitä parhaiten. 
Tämä vastaa Assatelin toista strategista tavoitetta. Tämä teema syvemmästä asiakasym-
märryksestä korostui jokaisessa haastattelussa. Asiakasymmärryksen lisäksi yrityksen 
päätuotteen eli verkon tulee olla ainutlaatuinen ja toimiva, johon Assatel viittaa ensim-
58 
 
mäisessä strategisessa tavoitteessaan. Asiakasymmärrykseen panostaminen pitkällä aika-
välillä voidaan nähdä strategian ainutlaatuisuudella verrattuna kilpailijoihin. Tämä vah-
vistaa myös Tãlpãun ja Boscorin (2011) näkemystä, jonka mukaan yritykset ovat muut-
taneet strategiaansa tuote/voitto- orientointuneesta strategiasta enemmän asiakasorientoi-
tuneeseen strategiaan. Assatelin tavoitteena on muuttaa koko organisaatiorakenne asia-
kasorientoituneeksi, sillä aikaisemmin Assatel on ollut vahvasti tuoteorganisaatio. Orga-
nisaatio oli aikaisemmin jaettu vahvasti tuotepohjaisesti, mutta nyt organisaatiojako teh-
dään enemmän asiakasryhmittäin (Commercial Director; Strategy Director; Head of Pro-
duct Development). 
Strategian merkityksen kirkastaminen on tärkeää erottamalla itse strategia, strategian 
luomisprosessi ja strategian tulokset (Ulwick 1999). Tämänkaltaista systemaattista erot-
telua strategian tuloksien osalta ei näytä Assatelilla olleen maatasolla, mutta tammikuussa 
2018 on saatu hyväksyntä strategian arviointiprosessille, jossa keskitytään strategian to-
teutukseen ja sen arviointiin. (Strategy Director.) Strategian tavoitteena on kohdistaa ja 
yhtenäistää organisaation toimintoja (Mintzberg 1987; 1991). Tähän pyritään Assatelilla 
monella tavalla. Uusista liiketoimintapäätöksistä tehdään liiketoimintasuunnitelma, jossa 
systemaattisesti arvioidaan mahdollisen liiketoimintapäätöksen vaikutuksia niin operatii-
visessa kuin strategisessa kontekstissa (Competitor Analyst; Strategy Director). Näin ol-
len strategia määrittää Assatelin kaikki liiketoimintapäätökset, ja sen avulla perustellaan 
toiminnan syyt ja strategisen merkityksen (Commercial Director). Strategian jalkautus-
työtä toteutetaan ”boost-kulttuurilla”, jossa viestitään strategiset tavoitteet ja linjaukset 
henkilöstölle kerran tai kahdesti vuodessa henkilöstön laajemmissa tapahtumissa ja sisäi-
sissä markkinointikampanjoissa. Perinteisellä esimiestyöllä on myös painoarvoa strate-
gian jalkautuksessa, ja henkilöstökyselyiden perusteella strategia on onnistuttu viesti-
mään onnistuneesti eri asiakassegmentissä. (Senior Strategy Adviser.) Tämä vahvistaa 
strategian sitouttamisprosessia. 
Normannin (2002) mukaan yrityksen on vaarallista toimia jatkuvasti saman strategian 
varassa, sillä vanhentunut strategia ei vastaa enää nykytilaa ja johtaa yrityksen epäonnis-
tumiseen. Tämän Assatel on huomioinut arvioimalla ja päivittämällä strategiaa vuosittain 
(Senior Controller). Tämä ilmenee myös sillä, että henkilöstön tavoitteet sidotaan vuosi-
tavoitteiden sijaan lyhyemmille ja määrittelemättömille ajanjaksoille vastauksena liike-
toimintaympäristön muutokselle. Esimies käy keskusteluita työntekijän kanssa useasti 
vuodessa ja tavoitteita päivitetään aina kun siihen nähdään tarve (Commercial Director).  
Perinteisesti strategian on katsottu keskittyvän tiettyyn toimintatapaan kuten kustan-
nusjohtajuuteen tai erilaistamiseen (Porter 1980, 1985). Myöhemmin kuitenkin todettiin, 
että molempikätinen strategia on yritykselle kannattavampaa (ks. Eisenhardt ym. 2010). 
Assatelilla molempikätistä strategiaa on huomioitu ja siihen keskitytään niin konserni- 
59 
 
kuin liiketoimintayksikkötasoilla. Konsernistrategian tavoitteet 1–3 voidaan katsoa pe-
rinteisiksi parantamisstrategioiksi, kun taas neljäs tavoite noudattaa kehittämisstrategiaa 
tavoittelemalla uusia liiketoimintamuotoja. 
5.3.2 Assatelin luomisstrategia 
Uusien liiketoimintojen luominen tuo yritykselle tuloja epävakaasti ja pidemmällä aika-
välillä (He – Wong 2004, 481–482), jonka vuoksi Assatelilla on päädytty keskittämään 
kehittämisstrategia erilliselle tuotekehitysyksikölle, joka on toiminut nyt muutaman vuo-
den (Head of Product Development). Tuotekehitysyksikkö toimii erillisenä yksikkönä 
Pohjoismaissa ja Baltiassa suoraan konsernin alaisuudessa synergiaetujen ja resurssien 
parhaimman allokoinnin ja maksimoinnin vuoksi. Merkitsevä hyöty muodostuu ketteryy-
destä ja nopeudesta, jonka tuotekehitysyksikkö on saavuttanut omalla autonomiallaan 
konsernin alaisuudessa. (Head of Product Development.) March (1991) huomautti, että 
epäonnistunut yritys uusille markkinoille voi keskeyttää ja häiritä menestyksellisiä ru-
tiineja yrityksen nykyisellä liiketoiminta-alueella. Tämä riski on Assatelilla minimoitu 
erottamalla tuotekehitysyksikkö itsenäiseksi yksiköksi, joka toimii monelta osin ilman 
kiinteää kytköstä muihin liiketoimintayksiköihin väljällä ohjauksella. Väljä ohjaus ilme-
nee sillä, että tavoitteena on liiketoiminnan koko tulevina vuosina, mutta tuotekehitysyk-
sikkö päättää itse kehityskohteista ja tekotavoista. (Head of Product Development.) 
Tushmanin ja O’Reillyn (1996) mukaan yritykset, jotka pyrkivät kehittämiseen, taipuvat 
kieltämään aikaisemmat epäonnistumiset ja samalla jättävät huomioimatta ydinkyvyk-
kyytensä. Assatelilla jokaisen projektin suunnitteluvaiheessa on tavoitteena määrittää 
projektin hylkäämisen kriteerit ja mahdollinen ajankohta. Head of Product Development 
kuvaa epäonnistumista seuraavasti: 
 
Se on yrityskulttuurisesti vaikea asia juhlia lopetettua projektia. Se nähdään mo-
nessa projektissa, sitä ei nähdä onnellisena epäonnistumisena tai oppimisena. 
Nähdään, että jotakin meni pieleen, kun tapoimme projektin. Tietyllä tapaa firman 
kypsyys tulee siitä, että kun onnellisesti tappaa projektin, juhlii sitä ja antaa teki-
jöille seuraavan aihion, niin siitä alkaa olla oikea kokeilukulttuurin pohja ole-
massa. Meillä on varmaan vähän matkaa tuohon, mutta sitä suuntaa kohti olemme 
menossa. (Head of Product Development.) 
 
Assatelilla ei siis pyritä kieltämään epäonnistumisia, sillä se on tiedostettu ja epäon-
nistumista pyritään vaalia. Erästä epäonnistunutta projektia business controller kuvaili: 
60 
 
”siinäkin kävi vähän niin, ettei oltu valmiita maksamaan siitä bisneksestä. Yhdessä kehi-
tettiin, katsottiin ja pilotoitiin, mutta se ei oikein löytynyt”. Tämänkaltaisessa tilanteessa 
on tärkeää miettiä, että miksi asiakas ei sitten hankkeesta innostunut, jotta oppiminen ta-
pahtuu tulevia projekteja varten. He ja Wong (2004, 482–484) totesivat, että monien in-
novatiivisten yritysten kyvyttömyys onnistua markkinoilla usein johtuu siitä, että yritys 
kehittää uusia tuotteita vieraille markkinoille ilman, että se allokoi tarpeeksi resursseja 
omien kyvykkyyksien hyväksikäyttöön tutuimmilla tai kapeimmilla niche-markkinoilla.  
Assatel pyrkii hyväksikäyttämään mahdollisimman paljon omia ydinkyvykkyyksiään 
hyväksikäyttämään omaa asemaansa markkinoilla. Senior Strategy Adviser kuvaa toi-
mintatapaa ”close to core” -mallina. Tarve uusien liiketoimintamuotojen kehitykselle on 
tunnistettu vuosia sitten, sillä perinteinen ”bittiputkistrategia” on yleinen uhka kaikille 
operaattoreille (Senior Strategy Adviser). On tärkeää tiedostaa, että uusien liiketoiminto-
jen kehittäminen ei ole vain erillinen strateginen tavoite itsenään, vaan tämä vahvistaa 
myös asiakassuhdetta, joka on konsernin toinen strateginen tavoite (Commercial Direc-
tor). Tämän lisäksi Assatel pyrkii aktiivisesti tunnistamaan kyvykkyyksiä, joita se tarvit-
see menestyäkseen markkinoilla. Uusia ydinkyvykkyyksiä hankitaan rekrytointien (Com-
mercial Director) ja yrityskauppojen (B2C Finance Director) kautta. Muita tapoja on suu-
remmat strategiset projektit eri segmentissä (Commercial Director; Strategy Director). 
Vaikka tuotekehitysyksikön autonomia mahdollistaa nopeamman tuotekehityksen ja 
tuotelanseerauksen, on sillä negatiiviset kääntöpuolensa. Esimerkiksi uusien tuotteiden 
laskutus hoidetaan erikseen, eivätkä ne linkity asiakasportfolioon. Tämä haittaa asiakas-
hallintaa, sillä CRM-järjestelmä ei tunnista asiakaskokonaisuutta ja eri tuotteita. Tärke-
ämmäksi koetaan kuitenkin tuotteen saaminen markkinoille ajallaan, kuin sen laskutuk-
sen kytkeminen nykyisiin CRM-järjestelmiin (Head of Product Development.) 
Big data -analytiikalla on merkitys kehittämisstrategiassa ja tämä merkitys kasvaa jat-
kuvasti eri osa-alueilla, sillä se tukee suoraan Assatelin strategisia tavoitteita. 
 
Ehdottomasti uskon, että data-analytiikalla voidaan luoda uusia liiketoimintalähtöjä. 
Kahteen kulmaan se on työkaluna meillä nähdä ja toteuttaa. Mutta sitten luoda datan 
kautta uusia lähtöjä. Nämä investoinnit, joilla me saamme enemmän asiakkaasta ymmär-
rystä, jotta me pystymme tutkimaan käyttöä ja rakentaa sille siihen uusia palveluita. Eh-
dottomasti strategian toteuttamiseen ja uuden strategian luomiseen, mihin suuntaan mei-
dän pitää mennä. (Commercial Director.) 
 
Tuotekehitysyksikkö ei kuitenkaan ole Assatelin ensimmäinen kehittämisstrategiaa to-
teuttava osasto. Ennen tätä Suomessa toimi ”new business iniative” -portfolio, jossa käy-
tettiin samankaltaista lähestymistapaa kuin tuotekehitysyksikössä (Strategy Director). 
61 
 
Asioiden internetiin (IoT – Internet of Things) liittyviä uusia liiketoimintamuotoja aloi-
tettiin tutkia ensin Suomessa, mutta kun konsernin muut maat alkoivat tutkia myös tätä 
aihealuetta, koettiin järkeväksi yhdistää toiminta ja perustaa tuotekehitysyksikkö (Head 
of Product Development). Business controller huomautti, ettei Suomessa toiminut new 
business iniative ”ihan hirveästi mitään löytänyt tai konkretisoitunut”. Ensimmäiset tuo-
tekehitysyksikön kehittämät markkinoille valmiit tuotteet on lanseerattu vuonna 2017 
Ruotsissa ja Tanskassa, ja Suomessa lanseerataan tuotteita vuonna 2018 (Head of Product 
Development). 
5.3.3 Big datan ominaisuudet ja odotukset Assatelilla 
Big dataa kuvaavan 4V-mallin ominaisuuksia ovat vauhti ja vaihtelevuus (engl. velocity 
& veracity) (Lugmayr ym. 2017, 197). Vauhti ja datan vaihtelevuus on korostunut muun 
muassa Senior Controllerin työssä huomattavasti.  
 
Vauhti ja tarpeet ovat kasvaneet todella paljon. Aikaisemmin keskityttiin paljon enemmän 
talouslukuihin, ja nyt sinne tulee paljon muuta ja sitten tarve seurata kaikkia kontakteja 
ja muuta. Meillä on todella paljon raportointitarpeita, joita me emme vielä pysty katta-
maan. (Senior Controller.) 
 
Taulukon 1 ensimmäinen arvonluonnin mahdollisuus nähtiin avoimuuden luomisesta. 
Datan tarve ja kasvanut käyttöaste ilmenee siitä, että johtajilla on tarve päästä vaivatto-
masti käsiksi reaaliaikaiseen dataan. Senior Controller kuvaa myös muutosta, että ennen 
talousosaston raportointia hyödynsivät ainoastaan esimiehet, kun nykyään raportointia 
hyödyntävät useat eri osastot ja toiminnot. Ongelmana tälle on kuitenkin se, että proses-
sointiaika on yhä liian pitkä, kuluvan kuukauden data tulee käyttöön vasta seuraavan kuu-
kauden alussa. Finance yksikkö ei pysty vastaamaan kaikkiin raportointitarpeisiin. (Se-
nior Controller.) Tämä vastaa teoreettista näkemystä datan luovan avoimuutta organisaa-
tiossa (Manyika ym. 2011, 12) ja sitä, että big datan yleistymisen taustalla ovat kaikkialla 
läsnä olevat big datan analysoimisen mahdollistavien työvälineiden, tekniikoiden ja inf-
rastruktuurin yleistyminen (Fosso Wamba ym. 2017, 356). 
Toinen arvonluonnin mahdollisuus on tarpeiden testaus, vaihtelevuuden paljastamisen 
ja suorituskyvyn parantamisen. Näitä mittareita ja analyyseja käytetään yhä enemmän ja 
useammin erilaisissa projekteissa. Aihealuetta käsitellään laajemmin tulevissa alalu-
vuissa. 
Kolmas arvonluonnin mahdollisuus oli asiakkuuksien segmentointi räätälöidyille toi-
menpiteille. Tämä mikrosegmentointi toteutui Assatelin sähköisessä asiakasviestinnässä 
62 
 
ja tuotekehityksessä ja asiakasviestinnässä käytettiin merkittävästi enemmän dataa kuin 
aikaisemmin. Teoria toteutuu case-organisaatiossa vahvasti niin asiakasviestinnässä kuin 
tuotekehityksessä ja aihealuetta käsitellään laajemmin tulevissa alaluvuissa. 
Taulukon 1 neljäs arvonluonnin alue oli inhimillisten päätösten korvaaminen/tukemi-
nen automatisoiduilla algoritmeilla, jota toteutui case-yrityksessä asiakasviestinnässä, 
mutta muuten hinnoittelu ja muut päätökset tehdään ilman algoritmeja. Teoria toteutuu 
näin vain osin case-organisaatiossa, eikä muutosta ilmennyt tapahtuvan lähitulevaisuu-
dessa. Laajemmin tämä nähtiin tahtotilana, mutta konkreettista todistusaineistoa tämän-
kaltaisesta toiminnasta ei tutkimuksen toteutushetkellä löytynyt. Senior Strategy Adviser 
kuvailee mahdollisuutta tulevaisuudessa mahdollisesti toteutuvaksi: 
 
Toki dataa syntyy nyt aika paljon enemmän kuin aikaisemmin, mutta miten se on oikeasti 
hyödynnettävissä nykyiseen liiketoimintaan tai uusien liiketoimintojen tekemiseen. Se jää 
nähtäväksi. (Senior Strategy Adviser.) 
 
Taulukon 1 viimeinen arvonluonnin mahdollisuus oli uusien liiketoimintamallien, 
tuotteiden ja palveluiden innovointi. Assatelin uuden luomisen strategiaa toteuttava tuo-
tekehitysyksikkö innovoi ja kehitti uusia tuotteita ja palveluita, mutta tässä prosessin vai-
heessa ei käytetty hyväksi big dataa. Valmiit tuotteet kuitenkin luovat käyttökelpoista big 
dataa, jota voi käyttää hyväksi liiketoiminnan kehittämisessä, joten teoria toteutui osit-
tain. 
Arvonluonnin haasteita oli datapolitiikka, teknologia ja tekniikat, organisaatiomuutos 
ja osaaminen, pääsy dataan ja toimialarakenne. Nämä kaikki haasteet ilmenivät järjestel-
mällisesti lähes kaikissa haastatteluissa. Datapolitiikka ja toimialan rakenne ovat Assate-
lilla kietoutuneet toisiinsa, sillä teleoperaattorilla on toimialan ja datapolitiikan vuoksi 
paljon dataa, jota ei voi hyväksikäyttää muuten. Toisaalta kaikki haastateltavat henkilöt 
eivät pitäneet sitä haasteena, vaan itsestäänselvyytenä toimialalle.  
Merkittäviksi tekijöiksi koetaan Euroopan unionin GDPR -tietoturva-asetus ja tele-
viestintäalan lait datan hyödyntämisestä. (B2C Finance Director; Head of B2C Analyst.) 
Senior Strategy Adviserin mukaan televiestintäala on vahvasti säänneltyä. Tiedon sensi-
tiivisyys ilmenee kaikilla liiketoimintasegmenteillä. Business controller huomauttaa, että 
pelkkä datan käsittely voi itsessään olla jo tietoturva-riski, sillä sensitiivistä dataa on huo-
mattava määrä ja sitä käsitellessä pitää olla tarkka, ketkä dataa saavat edes käsitellä. Head 
of Product Development näkee potentiaaliset maineriskit erittäin vahingollisena liiketoi-
minnalle, jos julkisuuteen tulisi ilmi, että tietty yritys käyttäisi asiakkaidensa dataa epä-
sovinnaisella tavalla. Maineriskin lisäksi asiakkaiden luottamus palveluntarjoajaan on 
erittäin tärkeä ylläpidettävä resurssi ja organisaatio suhtautuu yksityisyyteen erittäin va-
kavasti perimän kautta (Strategy Director). Strategy Directorin mukaan konsernitasolla 
63 
 
tilanne vaihtelee, sillä pohjoismaiden lait eriävät toisistaan ja samoin kuin Euroopan unio-
nin säädökset Yhdysvaltojen lakien kanssa. Tämä asettaa paikalliset teleoperaattorit eri-
laiseen asemaan kuin esimerkiksi Googlen ja Applen. (Strategy Director.) 
Teknologian haasteellisuus ilmeni etenkin talouspuolen haastatteluissa, sillä käytössä 
olevat järjestelmät olivat osin vanhentuneita, joka taas hidasti tai esti pääsyn itse dataan. 
Tämä koettiin huomattavaksi ongelmaksi talousosastolla. Head of B2C Analyst ei kui-
tenkaan kokenut tätä ongelmaa. Senior Controller koki, ettei dataa ole jatkojalostettu tar-
peeksi, jotta se olisi helposti saatavilla. B2C Finance Director yhdistää teknologian, pää-
syn dataan ja sen yhdistelyvaikeudet yhdeksi haastekokonaisuudeksi, jonka taustasyinä 
ovat vanhentuneet IT-järjestelmät, suuret datamäärät, datan yhdistelyn vaativuus. Tämän 
vuoksi haluttua tietoa datasta ei saada kohtuullisessa ajassa, jotta sitä voitaisiin käyttää 
päätöksenteossa. 
Myös Competitor Analyst tunnistaa saman ongelman datan käytettävyydestä, eli data-
analytiikka vaatii pitkän ja monivaiheisen valmistelutyön. Hänen mukaansa teknologia 
on kehittynyt enemmänkin niin, että järjestelmillä pystyy käsittelemään suurempia data-
määriä. 
 
Sen sijaan, että ensin määrittelet mitä haluat seurata, ja sitten joku koodaa, ja sitten si-
nulla on tietyissä formaateissa sen sijaan, että pystyt itse pyörittelemään sitä dataa, on 
tietyt dimensiot, jolla pystyt pyörittelemään sitä dataa ja data on käytännössä aika raa-
katasolla saatavilla kuin perinteinen raportointi on sitä, että suodatetaan ja aggregoi-
daan, koska aikaisemmin raportointijärjestelmä ei pystynyt käsittelemään niin paljon da-
taa. (Competitor Analyst.) 
 
Vanhentunut teknologia ja järjestelmät, jotka eivät kommunikoi keskenään, rajoittavat 
suoraan big datan hyödyntämismahdollisuuksia, sillä aika ja voimavarat eivät riitä käy-
mään kaikkia vaiheita läpi, jotta dataa pystyttäisiin käsittelemään eri tarpeita varten. To-
sin Assatelin kolmas strateginen tavoite on uudistaa järjestelmät saavuttaakseen kustan-
nustehokkuutta ja ketteryyttä, jota vaaditaan myös big datan analysoimiseen Strategy Di-
rectorin mukaan Assatel ei ole saavuttanut tavoitteitaan tämän uudistuksen osalta. 
Organisaatiomuutoksen osalta Assatel oli käytännössä keskellä muutosta tuotekeskei-
sestä organisaatiosta asiakaskeskeiseen organisaatioon. Strategisella tasolla muutoksia oli 
myös tapahtunut ja esimerkiksi Strategy Director oli täysin uusi nimike koko organisaa-
tiossa ja haastateltava henkilö ei ollut haastatteluhetkellä pitkään kyseisessä työtehtä-
vässä. Koko strategiaprosessi oli keskellä uudistusta tutkimusta tehtäessä, joten tulokset 
tältä osalta eivät ole täysin yksiselitteisiä tai selkeitä. 
64 
 
Gupta ja George (2016, 1052) rajoittivat datalähteet julkisiin, yksityisiin, yhteisölli-
seen, itsemääriteltyihin ja datapolkuihin. Assatelilla datan hyödyntäminen painottui voi-
makkaasti yksityisiin lähteisiin, joka ilmeni usein sillä, että yrityksen sisäinen data koet-
tiin kaikkein luotettavimmiksi ja informatiivisemmaksi (B2C Finance Director; Compe-
titor Analyst; Head of B2C Analyst; Business Controller). Talouspuolella hyödynnetään 
eniten toiminnanohjausjärjestelmän tuottamaa dataa, jolla ”tulee tulla toimeen” (Senior 
Controller). Talouspuolella tärkeimpiä datalähteitä ovat: 
 
Tärkeimpiä seurattavia kohteita on kulutaso niin kuin toteutumat suhteessa ennusteeseen 
ja verrattuna viime vuoteen, että mikä on se trendi. Sitten pyritään myös tehokkuutta pa-
rantamaan niin sitä tukevaa dataa. Me seuraamme tiettyjä suoritteita, esimerkiksi noita 
asiakaskontakteja ja pyritään seuraamaan yhden kontaktin hintaa, tiettyjä tehokkuusmit-
tareita seurataan. (Senior Controller.) 
 
Osa taloudellisesta datasta voidaan nähdä perinteisenä datana, mutta huomionarvoista on 
se, että tärkeimpien lukujen joukkoon on noussut useita ei taloudellisia lukuja. Tämä voi-
daan nähdä käytettävän datan monipuolistumisena, kuten Senior Controller totesi. Senior 
Strategy Adviserin mukaan teknologian kehityksen myötä käyttöön ei ole tullut uusia da-
talähteitä, eikä datan määrä ole kasvanut: ”ei meidän käsissä ole dataa sen enempää kuin 
aikaisemminkaan”. Tämä näkemys kuvastaa toimialan rakennetta ja sen sääntelevyyttä, 
etenkin B2O-puolella, jossa asiakkaat ovat samat, eli muut operaattorit. 
Tietyissä tutkimuksissa todettiin sosiaalisen median big datan vaikuttavan laskentatoi-
meen ja taloushallintoon (Arnaboldi ym. 2017, 762–765; Sun ym. 2015). Tätä yhteyttä ei 
löytynyt case-organisaatiosta. Senior Controller näkee sosiaalisen median big datassa 
yleisesti potentiaalia, mutta ”ei finanssipuolella”. Business Controller kokee sosiaalisen 
median datan ”aika marginaalisena ja siellä on ne ääripäät äänessä”. Arnaboldin ym. 
(2017) tutkimuksen mukaan muutos tapahtuu kuitenkin usein markkinoinnissa, kuten 
myös Assatelilla. Head of B2C Analystin mukaan data-analytiikkaa suoritetaan Google 
Analyticsin avulla ja tietyt toiminnot, kuten asiakaspalvelu, toimivat sosiaalisessa medi-
assa. Hänen mukaan sosiaalisen median big dataa pystytään hyödyntämään kumppanin 
tuottaman tekstianalytiikan avulla, ja sillä haetaan ymmärrystä, että mitä yrityksestä pu-
hutaan. Competitor Analystin näkemys tilanteesta on negatiivisempi, sillä käytössä ei ole 
automatisoituja algoritmeja online-datan analysoimiseen: 
 
Tällä hetkellä ei ole. Meillä on paljon puhuttu tekstianalytiikan käyttämisestä. Tavallaan 
sen sijaan, että yksi kävisi katselemassa keskusteluryhmiä, mutta siinäkin meillä on ollut 
omia haasteita sen tekstianalytiikan kanssa. - - Ihan se, ettei meillä ole teksti-analytiikkaa 
65 
 
käytössä kaiken kaikkiaan, siitä on puhuttu noin kolme vuotta, että pitäisi saada, muttei 
sitä ole saatu sellaiseen lyöntiin, että se olisi vielä käyttökelpoinen. (Competitor Analyst.) 
 
Tutkimustuloksista voidaankin kenties todeta, että väitettä sosiaalisen median big da-
tan vaikutuksesta laskentatoimeen ei voida tämän tutkimuksen tulosten perusteella vah-
vistaa. Commercial Director kokee sosiaalisen median sisällön polarisoitumisen ja voi-
makkaan jakautumisen ongelmaksi datan luotettavuuden ja laadun suhteen. 
5.3.4 Strateginen suunnittelu ja ennustava mallinnus 
Teoriassa todettiin big datan mahdollistavan ennustavan mallintamisen hypoteesien tes-
tauksen sijaan strategisessa suunnittelussa (Tian 2017, 114). Ennustavaa trendien mallin-
tamista toteuttaakseen Assatel on ottanut käyttöönsä Futures Platform -työkalun strategi-
sen suunnittelun tueksi. 
 
Esimerkiksi olemme nyt viimeisen vuoden ajan pyritty parantamaan meidän prosessia 
ymmärtää ja käsitellä trendejä. Hankittiin itseasiassa trendityökalu, joka on itseasiassa 
todella kätevä. Sen avulla pyritään haarukoimaan sitä, mitä maailmalla tapahtuu, mitä 
tulee todennäköisesti tapahtumaan, mitkä trendit nousevat, ja sieltä johtaa sitä keskuste-
lua, miten me suhtaudutaan tiettyihin trendeihin, mitkä trendit voi olla meille mahdolli-
suuksia, mitkä uhkia, miten meidän kannattaa toimia, jotta me voidaan vaikka vahvistaa 
jotain haluttua trendiä omalla toiminnallamme. Trendiymmärryksen tuominen ja sellai-
nen työstön tuominen on yksi sellainen tärkeä osa-alue, koska kuitenkin strategian luo-
minen ja tarkentaminen ja toimintasuunnitelmien tekeminen, sen pitää heijastua markki-
naan ja siihen, miten maailma muuttuu, niin nämä trendit ovat tärkeä osa sitä. (Head of 
B2C Analyst.) 
 
Senior Strategy Adviserin mukaan työkalun käyttö oli kuitenkin ongelmallista, sillä 
pitkän aikavälin tapahtuvat eivät vaikuta yrityksen nykyiseen liiketoimintaan. Tämän 
vuoksi työkalun avulla saatu tietämys tulevaisuudesta ei vaikuta yrityksen toimintaan 
tällä hetkellä. Senior Strategy Adviser kuvailee johdon intressejä ja työkalun vaikutusta 
yrityksen strategiseen toimintaan seuraavasti: 
 
Mutta se aikaväli sellaisessa trendityökalussa on tavallaan liian pitkä, että se jaksaisi 
kiinnostaa nykyjohtoa, koska heidän aikaväli on jotain ihan muuta. Heille se viiden/kym-
66 
 
menen tai viidentoistavuoden aikaväli on ihan ”nice to know”, mutta se ei vaikuta (nyky-
hetkeen), kun eletään vähän niin kuin kädestä suuhun ja seuraavaa tulosta lähdetään 
hakemaan. (Senior Strategy Adviser.) 
Minun on vaikea nähdä, en ole ainakaan huomannut (että vaikuttaa käytännön tekemi-
seen), se voi jossain alitajunnassa vaikuttaa jollakin, mutta en näe ainakaan näissä liike-
toimintapäätöksissä isoa vaikutusta. Se on nyt jäänyt vähän taka-alalle se koko ryhmä-
kään ei ole enää kokoontunut. (Senior Strategy Adviser.) 
 
Senior Strategy Adviser ei myöskään tiennyt, että käytetäänkö työkalua enää uudes-
taan ja milloin tämä mahdollisesti tapahtuisi. Head of B2C Analystin näkemys työkalusta 
oli kuitenkin positiivisempi ja hän näki jatkoa työkalun käytölle. Tosin uuden työkalun 
käyttöönoton suhteen voi olla tarkoituksenmukaista ensimmäiseksi vain kokeilla työka-
lua ilman tarkempaa strategista kytköstä. Ymmärrys tämänkaltaisen työkalun olemassa-
olosta ja kyvykkyydestä voi kuitenkin auttaa esimerkiksi projektiluontoisen ad hoc -mal-
lintamisen yhteydessä, jonka tarpeellisuutta esimerkiksi Mintzberg (1978, 74) ja Otley 
(1978) korostavat strategiaprosessin yhteydessä. 
Strategisen suunnittelun kehitys ei ole ollut virtaviivaista Senior Strategy Adviserin 
mukaan, sillä dataa ei enää käytetä niin laajasti muun muassa heikkojen markkinasignaa-
lien havainnointiin ja tutkimiseen. 
 
Meillä on loppunut sen tyyppinen työ, mitä meillä on ollut aikaisemmin kuten 
skenaariotyötä, heikkoja signaaleja, tutkittiin ja rakenneltiin erilaisia maailman-
kuvia ja minkälaiset heikot signaalit tukevat tämänkaltaista kehitystyötä. Sen 
tyyppinen lähestymistapa ajettiin alas, sillä sille ei nähty arvoa lyhyelle aikajän-
teelle. (Senior Strategy Adviser.) 
 
Automatisoitujen big data -analytiikkamenetelmien avulla esimerkiksi heikkojen sig-
naalien havainnointi ja analysointi olisi kustannustehokkaampaa ja nopeampaa. On kui-
tenkin huomattava, että kuten Gupta ja George (2016, 1051) havaitsivat, analytiikkaky-
vykkyyksiin vaaditaan niin aineellista-, inhimillistä- ja aineetonta pääomaa. He havaitsi-
vat myös, että organisaatioiden datahankkeet ovat usein vakiomuotoisia menetelmiä, 
minkä vuoksi nämä vakiomuotoiset datahankkeet eivät tuota välittömästi tuloksia – kuten 
Futures Platform -hankkeessa tapahtui Assatelilla. Gupta ja George (2016, 1052) havait-
sivat myös, että tämän vuoksi uusiin datahankkeisiin on sijoitettava tarpeeksi paljon ai-
kaa, jotta organisaatio tavoittaa analyyttiset tavoitteensa. Tämän vuoksi olisi tärkeää, että 
uusien datahankkeiden – kuten Futures Platformin käyttöä jatketaan, jotta siitä saataisiin 
tuloksellinen työkalu Assatelin analyyttisia tavoitteita varten. Kachaner ja Deimler (2008, 
67 
 
41) korostavat pitkän aikavälin makrotason visioinnin merkityksellisyyttä siinä, että yri-
tys kykenee muodostamaan kilpailullisen ympäristön organisaation hyväksi. Tällaiseen 
tarkoitukseen Futures Platform -työkalu on ajankohtainen ja merkityksellinen. 
Guptan ja Georgen (2016, 1052) määrittämät inhimilliset kyvykkyydet käsittävät työn-
tekijöiden analytiikkakyvykkyyden. Assatel panostaa inhimillisiin tavoitteisiin palkkaa-
malla uusia datatieteilijöitä (Head of B2C Analyst) ja ostamalla analytiikkapalveluita ul-
koisesti (Head of Product Development). Commercial Directorin mukaan Assatelilla on 
halu vähentää ulkoisten palvelu-, konsultointi- ja analytiikkaorganisaatioiden käyttöä, 
sillä Assatel uskoo olevansa organisaationa sitä ketterämpi, mitä suurempi osa toimin-
noista hoidetaan yrityksen sisällä. Esimiestaidot ovat toinen Guptan ja Georgen (2016, 
1051) määrittämä inhimillinen kyvykkyys. Tähän Assatel panostaa kehitys- ja tavoite-
keskusteluilla, jonka jokainen työntekijä käy oman esimiehensä kanssa useasti vuodessa. 
Kerran vuodessa käydään laajemmat keskustelut, jossa jokaisen työntekijän lähimmät 
kollegat keskustelevat työntekijän esimiehen kanssa antaen työntekijästä palautetta 
(Commercial Director). Päällikön mukaan nämä keskustelut antavat hyvää dataa henki-
lökohtaisen kehityssuunnitelmien ja tavoitteiden- asetannassa ja mittauksessa. Nämä toi-
menpiteet tehdään aina ylintä johtoa myöten. Tämänkaltainen jatkuva ja avoin keskuste-
lukulttuuri tukee vahvasti inhimillisten kyvykkyyksien kehittämisessä ja tukemisessa, 
sillä yrityksen lyhyt- ja pitkäaikaiset tavoitteet ja arvot pysyvät kirkkaana työntekijöiden 
mielissä. Tämänkaltaiset prosessit auttavat myös Bharadwajin (2000) määrittämän kon-
struktiivisen eli hiljaisen tiedon levittämisessä ja sitouttavat työntekijöitä laajemmin yri-
tyksen strategisiin tavoitteisiin, kuten Kachaner ja Deimler (2008, 42–43) totesivat tutki-
muksessaan. 
Resurssipohjaisesta teoriasta haastateltavilla oli osin erilaiset näkemykset. Resurssi-
pohjaisen teorian tavoitteena on muun muassa tunnistaa yrityksen strategiset resurssit 
(Kozlenkova ym. 2014). Arvokkaita, harvinaisia, jäljittelemättömiä ja organisoituja re-
sursseja käsiteltiin jokaisessa haastattelussa ja lähtökohtaisesti osa haastateltavista lähes-
tyi aihealuetta kilpailuanalyysin kautta eli mitä organisaatiossa on paremmin kuin kilpai-
lijoilla samalla markkina-alueella. Osa haastateltavista huomioi myös, että keskittyminen 
omiin ydinresursseihin ei ole vielä riittävällä tasolla ja osaamiseen keskitytään entistä 
enemmän. Business Controllerin pohdinnassa käsitellään yrityksen strategisista resurs-
seja laajemmin, ja siten, että miten niitä on Assatelilla lähestytty historiallisesti. 
 
Olemme miettineet useastikin, mitä meillä on. Se tuppaa menemään siihen, että esimer-
kiksi nämä verkot, todetaan että ne on aina ollut ja ne ovat nytkin, mutta sehän on meidän 
kilpailukykyä, -etua ja varmaankin -hyötyä, jos ne verkot toimii ja laatu on kunnossa jne.  
Se on meille ihan mieletön asset. Me emme ehkä osaa arvostaa sitä niin korkealle kuin 
68 
 
pitäisi, juuri tässä tarkastelussa. Jäljittelemättömätkin, ollaan mietitty mitä meillä on sel-
laista, jota kilpailijalla ei ole tai mitä ne ei ihan heti pysty ottamaan. Tämä myös, kun 
yritin vähän tätä big dataa miettiä, niin se on hetken sinulle ehkä kilpailuetu, jossa big 
datassa pystyy tekemään jonkun asian ennen niitä kilpailijoita, ja viemään markkinaan, 
että se keksit jotain sellaista mitä muilla ei ole. (Business Controller.) 
Mutta nämä ovat juuri sellaisia asioita, joita ei täällä sisällä ei tavallaan ikään kuin tun-
nisteta, että he tämä voisi olla se, koska se on sellainen mitä me katsotaan joka päivä, 
niin se on sellainen mikä muuttuu tavalliseksi. Se voi olla ehkä sellainen. Joskus olisi taas 
hyvä miettiä, vuosia sitten meillä on ollut ”kruununjalokivet” ja siinä oli nämä meidän, 
siinä oli verkko yhtenä ja muutama muu, en muista mitä kaikkea mutta se, että mietittiin 
vahvasti sitä juurikin asiakasnäkökulmasta, että mikä on meidän core ja juttu ja kruu-
nunjalokivet, mikä pitää hoitaa hyvin, näin että pärjätään. Kyllä sitä (ydinkyvykkyyksien 
tunnistamista) tehdään, mutta en ole tällä hetkellä ainakaan noissa keskusteluissa ollut 
mukana. (Business Controller.) 
 
Business Controller kiteyttää resurssipohjaisen teorian ydinongelman käytännön 
työssä, sillä on vaikea tunnistaa omia vahvuuksiaan, sillä niiden kanssa työskennellään 
päivittäin, jonka vuoksi ne muodostuvat arkipäiväisiksi. Useassa vastauksessa kuitenkin 
ilmeni Assatelin mobiiliverkko yhtenä strategisena vahvuutena. Assatelin mobiiliverkko 
on valittu kaksi vuotta peräkkäin markkinoiden nopeimpana verkkona Ooklan 
Speedtest.net -vertailussa. Tätä strategista resurssia luonnollisesti kehitetään ja analysoi-
daan jatkuvasti muun muassa asiakasraporteilla ja sisäisillä nopeusmittauksilla ja kuulu-
vuuskartoilla. Strategy Director tunnistaa kuitenkin selvän kehityskohteen, jolla tätä stra-
tegista ydinresurssia voisi ulkoisella Ooklan tuottamalla big datalla selvästi kehittämään: 
 
Se, että sieltä Ooklasta tulee niin jumalaton määrä dataa, niin mielestäni emme edes 
maksimaalisesti hyödynnä sitä. Sieltä pystyt suoraan katsomaan, että missä kohtaa ja 
mihin aikaan meillä on ruuhkaa ja näin pois. Sen pystyisi suoraan linkkaamaan meidän 
investointeihin ja investointisuunnitteluun. Se olisi niin obvious voitto, kun olla ja voi, 
mutta mielestäni me ei hyödynnetä sitä tarpeeksi. Me hyödynnetään vain sillä, että nyt on 
average hyvä. Se Ooklan data ei ole kytketty yhteen kapasiteettisuunnitteluun mielestäni. 
(Strategy Director.) 
 
Tätä ei hyödynnetä siksi että joko sitä ei ymmärretä tai kyetä hyödyntämään. Tämä 
kytkeytyy suoraan Guptan ja Georgen (2016, 1051) nimeämiin kyvykkyyksiin, jotka vaa-
ditaan big datan hyödyntämiseen. Tämän vuoksi on entistä perustellumpaa, että näihin 
kyvykkyyksiin keskitytään, sillä organisaatiossa tunnistetaan selvää tarvetta kyvykkyy-
69 
 
delle, jotta organisaatiossa pystyttäisiin kehittämään mahdollisesti yrityksen merkittä-
vämpää strategista resurssia. Tämä esimerkki todistaa suoran tarpeen big data -analytii-
kalle strategisten resurssien parantamiselle pitkällä aikavälillä. 
Resurssipohjaisella viitekehyksellä on tulevaisuudessa systemaattisempi rooli Assate-
lin toiminnassa, sillä Strategy Directorin mukaan tämän tyyppinen strategisten resurssien 
pohdinta on osana strategian arviointiprosessia. Tavoitteena on kiinteämpi kytkentä stra-
tegiaan nykyisen abstraktin tason lisäksi myös erillisiin kyvykkyystasoihin (engl. indivi-
dual skill set). Näitä kyvykkyystasoja määritellään yrityksen tasolla – esimerkiksi analy-
tiikkakyvykkyys on merkittävä taso. (Strategy Director.) Tämä suunnitteilla oleva strate-
gian arviointiprosessi vastaa myös Kachanerin ja Deimlerin (2008, 40) näkemystä siitä, 
että strategisesti keskitytään eri aikavälin tavoitteisiin erikseen. Työkalun uutuus tukee 
myös heidän näkemystä siitä, että yrityksen on vaarallista tukeutua samoihin työkaluihin 
vuodesta toiseen, sillä tämä johtaa todennäköisesti strategioihin, jotka kehittyvät vähitel-
len, eivätkä tunnista nousevia mahdollisuuksia tai muuttuvia kilpailullisia kaavoja. Näin 
ollen täysin uudenlaisen prosessin käyttöönotto on perusteltua ja parhaimmillaan tukee 
huomattavasti yrityksen strategian suunnittelua. Kachanerin ja Deimlerin (2008, 42) mai-
nitsemaa skenaariomallintamista Assatelilla on käytetty jo kauan (B2C Finance Director, 
Competitor Analyst), etenkin liiketoimintasuunnitelmien yhteydessä, vaikka tämä ske-
naariomallintaminen onkin tyrehtynyt markkina-analyyseissä (Senior Strategy Adviser.). 
Näitä suunnitelmia pyritään parantamaan paremmalla big data -analytiikalla, jotta suun-
nitelmavaiheessa olisi entistä enemmän asianmukaista tietämystä tarjolla.  
5.3.5 Kilpailija-analyysi Assatelilla 
Big data -analytiikka ei tuo kilpailija-analyysiin merkittävää etua Assatelilla, sillä auto-
maattista tekstinymmärrystä ei ole yrityksessä toistaiseksi vielä käytössä ja saatavilla 
oleva data on niin karkealla tasolla, ettei se tuo hyötyä omaan toimintaan. Kilpailija-ana-
lyysissa tärkein tiedonlähde on kilpailijoiden osavuosi- ja vuosiraportit. Kilpailijoiden ra-
porttien analysointiin ja esittelemiseen menee kaksi päivää, ja työ tehdään ilman data-
analytiikkaa. (Competitor Analyst.) 
Competitor Analyst kuvailee kilpailija-analyysin tekemistä ”tiedonmurusten yhdiste-
lemiseksi”, jolla viitataan tiedon niukkuuteen. Internetissä olevan datan myötä ”tiedon-
muruset” ovat lukumääräisesti kasvaneet, mutta niiden yhdistelemiseen menee paljon ai-
kaa. Myös televiestintäalan globaali seuranta tehdään käsin Twitteriä seuraten. Assatelilla 
on sisäinen työkalu, joka kerää alaa koskevat relevantit uutiset yhdelle sivustolle. Työkalu 
ei kuitenkaan ole käytännöllinen, sillä se kerää saman uutissisällön useita kymmeniä ker-
toja eri sivustoilta samaan listaukseen. (Competitor Analyst.) 
70 
 
Teksti-analytiikan tarpeesta on ollut Assatelilla puhetta, muttei sitä ollut otettu vielä 
käyttöön. Huomionarvoista on se, että mahdollinen taustasyy tekstianalytiikan olematto-
muudelle voi olla se, että markkina koetaan vakaana: 
 
Kuitenkin jos katsotaan Suomen tilannetta ja markkinaa niin niitä muutoksia ja tapahtu-
mia markkinassa on hirveän vähän. Kun tekee kuukausittaista markkinaraporttia, niin 
välillä on kuukausia, jolloin pitää vähän tikulla kaivaa asiaa, kun ei ole tapahtunut mark-
kinassa yhtään mitään. (Competitor Analyst.) 
 
Oheinen näkemys tukee sitä, että yrityksen niukat resurssit ovat syystä sijoitettu joi-
hinkin muihin toimintoihin kuin automaattisen verkon tekstianalytiikan käyttöönottoon. 
Teoriassa todettiin näiden menetelmien olevan kalliita (Guo ym. 2017).  
Competitor Analyst nimeää tekevänsä ad hoc -analyyseja eniten tuotepuolelle. Näitä 
ovat useimmiten yksityiskohtaiset tuotealakohtaiset analyysit. Vähiten analyyseja teh-
dään myynnille. Hän koki kilpailijoiden hintapäätöksillä olevan vähän merkitystä Assa-
telin toimintaan, joka tukee toteamusta siitä, että analyyseja tuotetaan vähiten myyntiseg-
mentille. 
 
Eihän se, että kilpailija päättää tehdä hinnankorotuksen tai jos niillä on jotain ongelmia 
verkon kanssa tai muuta vastaavaa niin no, se on heidän toimintaansa, että miten se 
meillä vaikuttaa. Tai jos meillä on jotain verkko-ongelmia, niin ei se hirveästi siihen naa-
purin toimintaan vaikuta. (Competitor Analyst.) 
 
Head of B2C Analyst kokee kuitenkin kilpailijoiden hinnoittelupäätökset merkittä-
vämpänä tiedonlähteenä, joka vaikuttaa myös Assatelin toimintaan. 
 
En tunne hirveän tarkkaan hinnoitteluprosessia, siihen on sitten omat spesialistit, mutta 
toki siihen vaikuttaa juuri se, ettei me voida olla laput silmillä, meidän pitää katsoa mark-
kinaa, ja sitä että mihin markkina on menossa, mihin me halutaan sen menevän, toisaalta 
mitä kilpailijoiden toimet on, mistä löytyy ehkä markkinassa olevaa aukkoa hinnoittelu-
mielessä, mikä on asiakkaille helppo, tehdään paljon esimerkiksi hinnoittelurakenteita, 
että miten ylipäätään hinnoitellaan, ei edes puhuta hintatasosta vielä, hintatasokin saa-
tetaan testaa asiakkailla, että miten he kokee tällaiset asiakkaat. Yritetään hyödyntää 
kovan datan lisäksi asiakkaan näkemystä ja asiakkaan tunnetta erilaisiin hinnoittelurat-
kaisuihin liittyen. (Head of B2C Analyst.) 
 
71 
 
Head of B2C Analyst mainitsee hintatestauksen eri asiakasryhmillä. Tämänkaltaisessa 
testauksessa data-analytiikalla on selvä potentiaali saada syvempää ymmärrystä testatta-
vien mielikuvista ja liikkeistä asiakkuuden suhteen. Valmius tuottaa tämänkaltaista ana-
lytiikkaa voi mahdollisesti kasvaa tulevaisuudessa. 
Competitor Analyst mainitsee myös viranomaisten roolin rajoittavana tekijänä kilpai-
lijaseurannan toteutuksessa. Suomen viestintävirasto kerää ja julkaisee huomattavasti vä-
hemmän tietoa eri toimijoiden luvuista kuin muiden Pohjoismaiden vastaavat virastot. 
Tämän vuoksi Assatelin kilpailijaseuranta on haasteellisempaa ja tiedot karkeampia kuin 
muissa konsernin toimintamaissa. Tämän vuoksi Assatelilla ei ole käytössään luotettavaa 
big data -lähdettä kilpailijaseurannassa, toisin kuin muissa Pohjoismaissa. (Competitor 
Analyst.) 
Big datan ja teknologian kehitys on kuitenkin mahdollistanut resurssien säästön kil-
pailijaseurannan tekemisessä. Assatelilla käytetään esimerkiksi markkinatutkimuslaitos-
ten tuottamaa materiaalia huomattavasti vähemmän kuin ennen, sillä internet muodostaa 
suuren julkisen datalähteen. 
Teoriassa todettiin big data -analytiikan ja tekstinymmärryksen mahdollistavan reaali-
aikaisen kilpailijaseurannan (Guo ym, 2017, 739). Assatel markkina- ja kilpailija-analyy-
sit toteutetaan joko kuukausittain tai kvartaaleittain ilman big data -analytiikkaa. Compe-
titor Analystin mukaan reaaliaikaiselle kilpailijaseurannalle ei kuitenkaan ole edes tar-
vetta, sillä markkina on vakaa. Senior Strategy Adviser kuitenkin koki tarpeen reaaliai-
kaisella kilpailijaseurannalle data-analytiikan avustamana.  
 
Just reagointinopeus, jos jossain näkyy, että vaikka kilpailija tekee jotain alueellisesti 
jotakin juttua, että pääsisit sitten nopeammin sinne käsiksi. Mitä tarkemmalla tasolla pys-
tyt analysoimaan dataa, niin sitä tarkemmin näet, että mitä markkinassa tapahtuu. Jos 
katsoo vain valtakunnallisia lukuja tai jotain, jotka on vedetty yhteen jostakin tapahtu-
mista, niin ethän näe mitä siellä pinnan alla sitten oikeasti tapahtuu. (Senior Strategy 
Adviser.) 
 
Tämä kuvastaa sitä, että data-analytiikan tarpeesta on useita eri näkemyksiä yrityksen 
sisällä. Jos tarvetta big datan käyttöön ei tietyissä toiminnoissa nähdä, niin on luonnollista 
olettaa, ettei näissä toiminnoissa investoida big dataan. Assatelin kehittämisstrategian toi-
minnoissa eli tuotekehitysyksikössä ja osin B2B -segmentillä on täysin omat kilpailijat, 
jotka eivät ole muita Suomessa toimivia televiestintäalan yrityksiä. Näissä analyyseissa 
ei myöskään ilmennyt big data -analytiikalla olevan ilmenevää merkitystä, joten tämän 
tutkimuksen perusteella big datalla ei ole merkitystä Assatelin kilpailija-analyysien teke-
misessä. Merkittävänä taustasyynä on luotettavan datan puute. 
72 
 5.4 Big datan vaikutus Assatelin ohjausjärjestelmissä 
5.4.1 Liiketoiminta-analyysien eri muodot Assatelilla 
B2C Finance Directorin mukaan Assatelilla on käytössä niin kuvailevat, ennustavat kuin 
ohjailevat analyysit. Niiden merkitys painottuu eri suhteessa riippuen mahdollisen liike-
toimintapäätöksen vaikuttavuudesta. Operatiivisissa päätöksissä tehdään pääasiallisesti 
vain yksi liiketoiminta-analyysi ja sen toteuttamispäätös tehdään yhden analyysin poh-
jalta. Merkittävimmissä muutoksissa, kuten Assatelin brändimuutoksessa keväällä 2017 
toteutettiin analyyseja useita kuukausia monen osaston ja toimijan kesken. (B2C Finance 
Director.) 
Ennustavat liiketoiminta-analyysit ovat Assatelilla markkinaseurantaa, johon laske-
taan mukaan osavuosikatsaukset ja muut historialliset raportit. Uusissa liiketoimintapää-
töksissä on tärkeää peilata mahdollisen päätöksen vaikutusta niin liiketoimintaan kuin 
markkinaan. Ohjailevia liiketoiminta-analyyseja toteutetaan harvemmin ad hoc -tyyppi-
sesti. Näitä ovat strategian päivitys ja seuraavan vuoden liiketoimintasuunnitelma, joita 
päivitetään vuosittain. B2C Finance Director huomauttaa ohjailevan liiketoiminta-ana-
lyysin toimivan parhaiten, kun työntekijöillä on kirkkaana mielessä tärkeimmät kehitys-
kohteet, jotta niihin pystytään vaikuttamaan ja ne otetaan huomioon jo analyysia suunni-
teltaessa. Senior Strategy Adviserin mukaan liiketoimintayksiköiden johtajilla on tärkein 
vastuu jo analyyseja suunniteltaessa, sillä hänen mukaansa kyseisten johtajien on tiedet-
tävä omien yksiköidensä tärkeimmät kehityskohteet. Johdon ohjausjärjestelmillä on tär-
keä rooli vallan ja vastuun jakamisessa organisaation sisällä. (B2C Finance Director; Se-
nior Strategy Adviser.) 
Senior Strategy Adviser kokee, että analyyseja on tarjolla paljon eikä niiden puutteesta 
tai datasta ole pulaa. Suurimpana ongelmana hän kokee sen, että organisaation johtohen-
kilöillä ei ole aikaa tutustua kunnolla itse analyysin tuloksiin taikka dataan. Tämä johtaa 
siihen, että valta päätöksistä valuu liiketoiminta-analyysien valmistelijoille ylimmän joh-
don sijaan. Käytännössä tämä tarkoittaa sitä, että liiketoiminta-analyysien tekijöillä on 
valmiina tietty toimintaehdotus tai muutama mahdollinen skenaario. Tätä voisi kuvailla 
osin ohjailevana liiketoiminta-analyysina, mutta on asianmukaista pohtia, toimiiko ohjai-
levana voimana itse data tai analyysi, vaiko analyysin valmistelijan oma henkilökohtai-
nen mielipide ja näkemys. (Senior Strategy Adviser.) 
Business Controller kuvailee liiketoiminta-analyyseja usein ylioptimistisiksi, sillä lii-
ketoimintajohtajalla on usein oma intressi saada liiketoiminta-analyysin pohjalta positii-
visen päätöksen. Vaikka ylioptimistiset laskelmat ovat yleisiä, olisi niitä data-analytii-
kalla mahdollista tarkentaa totuudenmukaisemmiksi. Tämän vuoksi hän näkee tärkeänä 
73 
 
controllerin läsnäolon liiketoiminta-analyysia valmisteltaessa, jotta analyysi olisi tar-
peeksi luotettava. Uudeksi toimenpiteeksi Business Controller kertoo investointien jälki-
laskennat, joissa vertaillaan liiketoiminta-analyysin ennusteita toteutuneeseen. Näissä on 
vahvistunut oletus liiketoiminta-analyysien ylioptimistisuudesta usein liikevaihdon, ku-
lujen ja nopeuden suhteen. Hänen mukaansa ylioptimistisuus on tunnistettu jo kuitenkin 
ennen jälkilaskentaa, ja tämä tieto on sisäänrakennettu jo liiketoiminta-analyysiin, että 
laskelma on ylioptimistinen.  
Assatelilla on täten siis tunnistettu, että liiketoiminta-analyysit ovat systemaattisesti 
ylioptimistisia eivätkä täysin totuudenmukaisia, mutta asiaan ei ole pahemmin puututtu, 
vaan se on hyväksytty osaksi toimintaa. (Business Controller.) Sisäinen hyväksyntä tosin 
voi vähentää liiketoiminta-analyysien uskottavuutta. Täten olisi asianmukaista pohtia, 
analysoidaanko dataa tiedostaen väärin, vaiko onko tarkka analysointi toistaiseksi liian 
haastavaa. Systemaattinen ylioptimistisuus viittaa siihen, että analytiikkaa ei toteuteta 
täysin realistisesti ja lukuja halutaan tarkoituksenmukaisesti kasvattaa. Pitkällä aikavälillä 
tämänkaltainen toiminta saattaa vähentää luottamusta data-analytiikkaa kohtaan koko or-
ganisaatiossa. 
 
Saattaa olla, että halutaan näyttää parempaa casea, jotta se menee päätöksenteosta läpi. 
Siksi siinä pyritään pitää controllerit mukana ainakin joillain tapaa, ettei olisi ainakaan 
ihan mahdottomia. (Business Controller.) 
Noihin vaikuttaa kaikki se, että mitä vuoden aikana ja sen projektin aikana tapahtuu, jos 
resursseja vähennetään tai ulkoisia ostoja vähennetään, niin kaikki tämä vaikuttaa tie-
tysti lopputulemaan. Ei se aina ole sitä, että arvioitiin jotenkin positiivisesti, jotta saatai-
siin päätöstä eteenpäin. Ehkä se on se optimistinen asenne, että lähdetään tekemään tätä. 
Sitten kun se menee koneeseen ja prosessiin niin huomataan, ettei tämä olekaan näin 
nopeaa/helppoa/edullista tai ei saatukaan liikevaihtoa siinä ajassa kuin ajateltiin. (Busi-
ness Controller.) 
 
Business Controller ei näe liiketoiminta-analyyseissa aina tarkoituksenmukaista yliop-
timistisuutta, vaan on huomioitava analyysien jälkeisten toimenpiteiden vaikutus liiketoi-
mintapäätöksen tulokseen. Systemaattisella data-analytiikalla olisi kuitenkin mahdollista 
luoda yhä tarkempia liiketoiminta-analyysejä. Business Controller korostaa myös cont-
rollereiden roolia liiketoimintapäälliköiden tukemisessa liiketoiminta-analyysien ja luku-
jen laadinnassa, sillä usein controllerin kokemus eli inhimillinen kumulatiivinen tietämys 
saattaa olla huomattavasti laajempi kuin liiketoimintapäällikön, koska liiketoimintapääl-
likkö saattaa olla ollut työtehtävässä huomattavasti lyhyemmän aikaa kuin controller. 
 
74 
 
Tämäkin on ehkä meillä vähän sellainen asia, että kaikki eivät ole sillä levelillä, että pitää 
sitä kokemusta olla riittävästi, jotta voit sparrata sen liiketoimintajohdon kanssa ihan 
oikeasti ja on jopa rohkeutta sanoa ”ettei se nyt ihan näin mene, miettikääs tätä”. (Busi-
ness Controller.) 
 
Teorian mukaan big data -analytiikan ja ohjailevien analyysien avulla voisi toteuttaa 
automatisoitua, koneellista päätöksentekoa tai suositusta liiketoiminta-analyyseissa. Se-
nior Strategy Adviserin mukaan on kuitenkin vaikea nähdä, miten tämä toimisi käytän-
nössä, sillä kuitenkin hän näkee mallinnuksissa ja päätöksenteossa tärkeänä tekijänä ih-
misen eli lopullisen päättäjän omat näkemykset ja mielikuvat asiasta. Muun muassa Fu-
ture Platforms -trendityökalun ja muun datan ollessa kuitenkin pohjalla, Senior Strategy 
Adviser kokee päätöksenteon olevan helpompaa, sillä analyysissa on paljon dataa eli fak-
taa tukemassa päätöstä. Business Controller on samoilla linjoilla automaattisen päätök-
senteon suhteen. Hänen mukaansa koneen on vaikea luoda toimivia ennusteita, sillä aina 
itse data ei ole tasalaatuista eikä luotettavaa. Hän näkee tarpeen ihmiselle tekemään ana-
lyysin ja tekemään itse päätöksen. On kuitenkin luontevaa, että analyysin laatu on heik-
koa, jos siinä käytetty data ei itsessään ole luotettavaa. (Senior Strategy Adviser; Business 
Controller.) 
Strategy Director kokee tarpeen liiketoiminta-analyysien systemaattiselle luokittelulle 
liiketoimintapäätöksen vaikuttavuuden mukaan. Systemaattinen luokittelu tuodaan osaksi 
strategian arviointiprosessia. Tavoitteena on arvioida jokaisen liiketoimintapäätöksen 
vaikuttavuutta strategisiin tavoitteisiin nähden. Tämä luo systemaattisen työkalun, joka 
ohjaa liiketoiminnan fokuksen strategisiin tavoitteisiin, ja että jokaista liiketoiminta-akti-
viteettiä seurataan jatkuvasti. (Strategy Director.) Liiketoiminta-analyysien systemaatti-
nen luokittelu mahdollistaa pitkäaikaisen strategisen seurannan ja lisää organisaation ket-
teryyttä, sillä tuottamattomista tai strategisten tavoitteiden kannalta merkitsemättömistä 
asioista voidaan nopeammin luopua. Muutos tarjoaa johdolle kattavamman kokonaisku-
van organisaation aktiviteeteista strategisessa kontekstissa. 
Assatelilla panostetaan siihen, että ymmärretään liiketoiminta-analyysien merkitys 
strategisessa kontekstissa. Ohjailevien liiketoiminta-analyysien merkitys ja painoarvo 
kasvaa, ja investointien jälkiseurannat ovat uusia menetelmiä, joilla pyritään mittaamaan 
liiketoiminta-analyysin onnistuneisuutta. Tämän myötä myös data-analytiikan merkitys 
kasvaa. Talouspuolella voidaan nähdä puutteen luotettavasta ja datalaatuisesta datasta, 
mutta kaikki haastateltavat eivät koe datan puutetta ongelmana. Yhtenä merkittävänä on-
gelmana nähtiin vallan olevan liiketoiminta-analyysin laatijoilla, eikä itse johdolla ajan-
puutteen vuoksi. Big datan merkitys korostui ad hoc -tyyppisissä ohjailevissa analyy-
seissä. 
75 
 
5.4.2 Vuosibudjetoinnista rullaavaan ennustamiseen 
Ennen vuotta 2017 Assatelilla oli virallisesti käytössä perinteinen vuosibudjetointi niin 
konserni- kuin maatasolla. Tällöin vuosibudjetoinnin ydinongelmana nähtiin, että talou-
delliset luvut tulivat budjettisuunnittelussa ennen strategisia tavoitteita. Tämän vuoksi 
nähtiin strategisten prioriteettien jäävän taka-alalle operatiivisessa ohjauksessa, joka käy-
tännössä laski strategian merkitystä huomattavasti. Toinen merkittävä puute perinteisessä 
budjetointiprosessissa oli konsernin fokus pelkästään historialliseen suoritedataan, ja 
budjettiprosessista puuttui konsernin näkymä tulevaisuudesta. (B2C Finance Director.) 
Assatelin perinteisessä budjetointiprosessissa oli täten useita ongelmia, joita teoriassa kä-
siteltiin. Budjetti tehtiin osin ilman näkemystä tulevaisuuden markkinatilanteesta ja itse 
vuosibudjetointi ei ollut itsessään strateginen toimenpide, sillä operatiiviset tavoitteet ase-
tettiin ennen strategisia tavoitteita. 
Vuoden 2017 alussa Assatel siirtyi koko konsernitasolla virallisesti rullaavaan ennus-
tamiseen, jossa tavoitteena on ennustaa kuluvan vuosineljänneksen lisäksi seuraavat 7 
vuosineljännestä, eli kaksi vuotta eteenpäin. Tämän lisäksi kerran vuodessa tehdään suun-
nitelma seuraavaksi viideksi vuodeksi, kuten myös vuosibudjetoinnin aikana. Uutena ele-
menttinä tähän on, että konsernimaat tekevät kyseisen suunnitelman nykyään seitsemän 
vuoden päähän ja yksikkötasolla suunnitelman pituus on kaksi vuotta. Assatel rullaava 
ennustaminen ei kuitenkaan ole täysin uusi elementti, sillä sitä toteutettiin jo ennen vuotta 
2007. Tämä päättyi konsernimaiden järjestelmien yhtenäistämiseen ja jäykän vuosibud-
jetin luomiseen. (B2C Finance Director.) Senior Controller ja B2C Finance Director ku-
vailevat muutosta organisaation tulevaisuusorientoitumisella. 
 
Tarkoitus olisi, että meillä olisi jatkuvasti paras näkemys tämän hetken tilanteesta ja tu-
levasta ennusteesta. - - Aikaisemmin painotus ollut historiallisessa datassa, nyt painostus 
tulevaan ja keskitytään tulevaisuuteen. (Senior Controller.) 
Nyt meillä on tässä eteen katsovassa prosessissa, sen dialogin pitäisi olla koko aika sitä, 
että mitä tullaan tekemään, mikä se suunnitelma on. Tavallaan tämän eteenpäin katsovan 
dialogin vuoksi tähän prosessiin siirryttiin, koska tunnistettiin se et on tosi tyhmää katsoa 
vaan taaksepäin. (B2C Finance Director.) 
 
Muutosprosessi rullaavaan ennustamiseen koetaan kuitenkin hitaaksi, eivät haastatel-
tavat vaikuttaneet tyytyväisiltä muutoksen hitaudesta. 
 
76 
 
Muutos näin isossa talossa on hidas, ja täytyy sanoa, kun meillä on näin suuri konserni 
ja me seuraamme kuitenkin tarkasti konsernin ohjeita, niin toivoisin näkeväni tätä muu-
tosta tapahtuvan vielä nopeammin. Mielestäni ero on aika vielä vaatimatonta siihen van-
haan, varmasti hitaasti menee oikeaan suuntaan. (Senior Controller.) 
Mielestäni se (muutos) on mennyt hitaasti eteenpäin, kyllä me edelleenkin tehdään taval-
laan vuosisuunnittelupohjalta, iso pumssi on aina se seuraavan vuoden pohjalta ja totta 
kai näissä ennusteissa säädetään, että mihin se on menossa. Kyllä se edelleen on sitä 
vuosisuunnittelua. (Senior Strategy Adviser.) 
Tavoitteena on saada aina enemmän käännettyä tekemistä rullaavaan sykliin. Oleellista 
on, saada näkymä kalenterivuoden sijaan jatkuvasti päivittyvään näkymään. (Commer-
cial Director.) 
Tähän me olemme ainakin pyrkineet, mutta me vielä vähän harjoitellaan. Periaatteessa 
me ollaan nytkin tehneet vuositavoitetta vuodelle 2018, vaikka me ikään kuin rullataan 
koko ajan. (Business Controller.) 
 
Edellä olevat kommentit muutoksen hitaudesta kuvastavat suuren organisaation si-
säistä inertiaa, eli muutoshitautta, joka on huomioitava niin budjetointimuutoksissa kuin 
itse ajattelutavan muutoksissa esimerkiksi big data -analytiikan käyttöönotosta ja integ-
roimisesta. Vaikka päätös rullaavasta ennustamisesta on jo tehty, organisaatio ei ole kui-
tenkaan täysin kypsä sitä vielä toteuttamaan suunnitellusti. Rullaavan ennustamisen taus-
talla on big data -analytiikan merkitys, sillä tulevaisuuden trendejä ja muutoksia markki-
noissa ei pysty ennustamaan yksin yrityksen sisäisellä suoritedatalla. Tämän vuoksi on 
perusteltua olettaa, että kun Assatel siirtyy vahvemmin rullaavaan ennustamiseen, kasvaa 
samalla big data -analytiikan tarve ja merkitys organisaation sisällä. 
Budjetointiin liittyy luonnollisesti myös kulurakenne ja organisaation investointikus-
tannukset (engl. capital expenditure – CapEx). Haastateltavien mukaan investointikus-
tannusten määrät ovat tiukasti ennalta asetettuja, eikä niitä saa ylittää (Business Control-
ler). Vuosibudjetti ohjaa yhä investointikustannuksia, eikä merkittäviä lisäinvestointikus-
tannuksia ole koskaan myönnetty kesken vuoden (Senior Strategy Adviser). B2C Finance 
Director toteaa resurssien allokoimisen jäykäksi, sillä kaikki resurssit ovat jo valmiiksi 
allokoitu, ja lisäresurssien tarpeessa on resurssit siirrettävä jostain muusta liiketoimin-
nasta pois. Tämä johtaa jatkuviin neuvotteluihin, että mikä taho suostuu leikkaamaan 
omista allokoiduista resursseista varoja pois, jotta esimerkiksi tietty kampanja voidaan 
toteuttaa (B2C Finance Director). Kehityspuolen budjettia on trendinomaisesti kutistettu 
vuosittain, ja se koetaan pieneksi (Business Controller). IT-puolen kehityshankkeita ei 
pidetä strategisina investointeina, vaan niiden katsotaan ylläpitävän nykyistä liiketoimin-
taa. (Strategy Director). Gupta ja George (2016, 1051) totesivat teknologioiden olevan 
77 
 
yksi merkittävä aineellinen big data -analytiikkakyvykkyyden mahdollistaja. Investointi-
resurssien niukkuus ja puutos IT-hankkeiden strategisista investoinneista vaikuttaa suo-
raan Assatel big data -analytiikkakyvykkyyteen, sillä analytiikkaa ei voida kehittää ilman 
investointeja teknologiaan ja järjestelmiin, jotka mahdollistavat data-analytiikan. Big 
data osin siis kilpailee niukoista investointivaroista useiden muiden toimintojen kanssa 
Assatelin budjetissa suoraan ja välillisesti teknologiainvestointien kautta. 
 
Mielestäni big datan osalta budjetointijärjestelmä ei, se on enemmänkin niin, että se ra-
kenne 2014 vuodesta lähtien on koko Assatel Suomen tasoinen. Siinä on ollut se linkitys 
konsernitasolle CapEx suunnitteluun olemassa olevana siihen prosessiin. Big data on 
vaan yksi viraalisoitava asia muiden joukossa. Se on ollut vähän niin että laitetaanko 
rahaa big dataan vai johonkin muuhun. Se on oikeastaan näissä keskusteluissa. (Strategy 
Director.) 
 
Budjetin voidaan katsoa määrittävän monelta osin toimintaedellytykset big data -ana-
lytiikalle, eikä pääfokus ole välttämättä itse big data -analytiikkakyvykkyyden kehittämi-
sessä, sillä sen todetaan olevan yksi osa kokonaisuutta, ja investointiresursseja leikataan 
jatkuvasti koko yritystasolla. Pohjimmiltaan tämä on strategisten tavoitteiden tasapainot-
tamista investointikustannusten kanssa (Strategy Director). Koko ennustamisprosessi on 
strategisempi kuin aikaisemmin, mutta pohjimmiltaan budjetti on kompromissi, jossa ote-
taan huomioon monia muita tekijöitä itse strategian lisäksi (Senior Controller). Selvä ke-
hitysaskel on operatiivisten tavoitteiden päivittäminen strategian päivityksen jälkeen 
(B2C Finance Director), eikä toisinpäin kuten aikaisemmin.  
Senior Strategy Adviser kuitenkin huomauttaa, että organisaation tahtotilana on tehdä 
jatkuvaa asiakasbudjetointia. Tällä hetkellä Assatelilla kuitenkin tehdään yhä vuosittai-
nen tuotekohtainen budjetti. Hän myös osoittaa pelkonsa siitä, että fokus siirtyy rullaavan 
ennustamisen myötä yhä lyhyemmälle aikajaksolle pidemmän aikajakson kustannuksella. 
Käytännössä tämä merkitsee toiminnan keskittämisen muutamalle seuraavalle vuosinel-
jännekselle samalla osin unohtaen muut vuosineljännekset pidemmällä aikavälillä. 
Assatelin kehittämisstrategiaa toteuttavalla tuotekehitysyksiköllä on kuitenkin erilai-
nen toimintamalli, eikä sen investointiresursseja ole sidottu vuositasolle. Tuotekehitys-
yksiköllä on vuositason tavoitteina ainoastaan liikevaihdon suhteen, muuten suurimmista 
investointipäätöksistä päättävät konsernimaiden toimitusjohtajat, ja näitä päätöksiä teh-
dään ympäri vuotta, sillä tilanteen korjaamismahdollisuus kesken vuoden nähdään tärke-
äksi tekijäksi. (Head of Product Development.) 
 
78 
 
En jaksa uskoa tiukkaan vuosibudjettiin, että se antaisi parempaa tulosta, että kyllä ny-
kymarkkina alkaa olla niin nopeasti liikkuva, että kyllä meidän täytyy tehdä jotakin, joka 
elää tilanteen mukaan. (Head of Product Development.) 
 
Yhteenvetona voidaan todeta entisen vuosibudjetoinnin ja nykyisen rullaavan ennus-
tamisen olevan tärkeä johdon ohjausjärjestelmä Assatelilla, jossa big datan merkitys ole-
tettavasti kasvaa yhtäaikaisesti rullaavan ennustamisen kehittyessä. On huomattava, että 
big data -analytiikka on osa suurempaa kokonaisuutta, johon vaikuttaa suoraan muut ke-
hityshankkeet tai niiden puuttuminen. 
5.4.3 Big datan vaikutus projektin- ja asiakashallintaan 
Assatelilla projektien merkitys on kasvanut ajan myötä, sillä yritys on tehnyt uusia kerta-
luonteisia hankkeita, jotka tukevat yhtiön parantamisstrategiaa. Vuonna 2017 tapahtui 
merkittäviä muutoksia organisaation rakenteessa ja merkittäviä strategisia investointeja 
uusille liiketoiminta-alueille. Näitä projekteja yhdisti analytiikkamielessä kokonaisvaltai-
sen prosessin ymmärtäminen ja vaikutus Assatelin liiketoimintaan. (Commercial Direc-
tor; B2C Finance Director; Senior Controller.) Projektihankkeissa on korostunut suora-
naisesti asiakasanalyysien merkitys, joka linkittyy suoraan yrityksen asiakashallintaan ja 
analyysia tehdään suuremmissa strategisissa hankkeissa yhä laajemmin organisaation 
omien tavoitteiden kautta sisältäen asiakasjohtamisen ja tarkat tavoitteet asiakkuuksissa. 
(Commercial Director.) 
Assatelin projektinhallinnalliset tavoitteet keskittyvät asiakkaan arvon ja kilpailuedun 
luomiseen, joka vastaa Quinnin ja Hilmerin (1995) teoreettista viitekehystä projektinhal-
linnasta. Toiseksi strategiset investoinnit vastaavat asiakkaiden muuttuviin tarpeisiin. Da-
tan varastointi ja hallinnointipalvelut ovat verrattain uusi palvelu asiakkaille, joka osin 
esimerkiksi mahdollistaa esimerkiksi big data -analytiikan. Laajemmat analyysit ovat 
myös asianmukaisia, sillä projekteissa on usein kyse suurista strategisista investoinneista, 
joten investointimäärät ovat merkittäviä ja vaikuttavat yrityksen kuluihin kauan. Valistu-
neet päätökset ja kokonaisvaltainen prosessuaalinen ymmärrys on täten tärkeässä roolissa 
projekteissa. 
Projektinhallinnassa analyysit ja kassavirtalaskelmat tuotetaan käsin pääosin Micro-
soft Office -ohjelmistoilla. Assatelilla on käytössä projektinhallintajärjestelmä, jossa pi-
täisi olla koottuna yhteen kaikki organisaation projektit ja projektiseurannat. Järjestelmä 
on kuitenkin suppeassa käytössä, eikä Senior Controller ollut tietoinen, kuinka suuri osa 
projekteista on itse järjestelmässä. Kaikki yrityksen projektit kuitenkin linkittyvät yrityk-
sen strategisiin tavoitteisiin, joten järjestelmä olisi tarpeellinen, sillä sen avulla voisi 
79 
 
saada kattavan kokonaisnäkemyksen eri projektien linkityksestä toisiinsa ja nähdä suu-
remmassa kuvassa projektien kehitys. Järjestelmän toimimattomuus tai suppea käyttö ei 
kuitenkaan tue näitä tavoitteita, ja sen voi nähdä puutteena. 
Assatelin yhtenä strategisena tavoitteena on kasvattaa asiakaslojaliteettia. Aikaisem-
min Assatel on ollut vahvasti tuoteorganisaatio ja organisaation tavoitteena on kääntää 
yritys asiakastarvepohjaiseksi organisaatioksi (Commercial Director). Tämän vuoksi As-
satel keskittyy yhä vahvemmin asiakasarvon johtamiseen. Taloudellisesti asiakasarvon 
johtaminen saattaa olla haastavaa, ja B2C Finance Director näkee henkilöstön oman ku-
mulatiivisen osaamisen ja tietämyksen tärkeänä tekijänä asiakasarvon hallinnassa. Ta-
louspuolella data-analytiikka asiakashallinnan osalta koetaan vaikeaksi, sillä siitä ei ole 
käytännön kokemusta. B2C Finance Director kuvaa tietämystä ja intuitiota tärkeäksi te-
kijäksi asiakashallinnassa, mikä osin selittyy sillä, että päätöksiä on toistaiseksi tehty tällä 
tavalla. Organisaation muutos asiakaslähtöisyyteen korostui useassa haastattelussa. 
  
Kyllähän meillä käytetään ihan hirveästi dataa, koko aika enemmän ja enemmän. Me 
ollaan koko aika menossa asiakaskeskeiseen liiketoimintaan ylipäätään, että asiakas tu-
lee ensin, lähtien ihan siitä, että kun kampanjoita tehdään tai tarjoamaa kehitetään, niin 
se lähtee siitä asiakastarpeesta liikkeelle ja otetaan asiakas siihen mukaan, eli tehdään 
co-creationia asiakkaan kanssa yhdessä. Miten sitä tutkitaan, miten se toimii, miten sitä 
testaan. Se on kaikki mielestäni sitä big dataa. (B2C Finance Director.) 
 
Asiakaskeskeisyys ilmenee myös ad hoc -analyysien määrän kasvulla, sillä tarkkaa 
tietoa tarvitaan tapauskohtaisesti asiakashallinnassa (B2C Finance Director). Asiakashal-
linnan voi siis osittain tulkita sarjana tapauskohtaisia projekteja, joissa projektinhallinnan 
selvä ymmärrys ja rakenne on tärkeää. Asiakasymmärrys ohjaa Assatelin kuluttajaliike-
toimintaa (Head of B2C Analyst). 
 
Se vaatii toteutuakseen sitä, että me tunnetaan meidän asiakkaat ja kyetään toimimaan 
asiakkaan parhaaksi, joka sitten koituu meidän liiketoiminnan parhaaksi, mutta sitten 
nimenomaan se ensisijainen tavoite on ymmärtää asiakasta ja toimia asiakkaan par-
haaksi, ja pyrkiä ennakoimaan asiakkaan tarpeita. Siinä tietysti datalla ja analytiikalla 
on suuri merkitys. Pyritään nimenomaan siihen, että ymmärretään asiakasta koko ajan 
paremmin ja kyetään meidän kaikissa prosesseissa toimimaan, siten että asiakasymmär-
rystä hyödynnetään. (Head of B2C Analyst.) 
 
Asiakasymmärrys linkittyy tulokselliseen asiakasviestintään, johon on panostettu As-
satelilla voimakkaasti viime vuosien aikana, ja investoinnit data-analytiikkaan lähti tar-
80 
 
peesta parantaa asiakasviestintää eli miten dataa voidaan käyttää hyväksi parempaan koh-
dentamiseen ja olla näin merkityksellisempi kumppani asiakkaille. Viestinnän kehitys 
viimeisen kahden vuoden aikana on ollut tuloksellista organisaatiolle. (Head of B2C Ana-
lyst.) 
 
Siinä on tultu pitkä matka nyt tämän muutaman vuoden aikana, nyt jos lähdettiin aika 
lailla ei niin asiakaslähtöisestä kohdennetusta viestinnästä liikkeelle, niin alettiin luoda 
kohdennusten avulla kohderyhmiä, alettiin tekee triggeröityjä viestejä, tiettyihin tapah-
tumiin, kun asiakas tekee näin niin tapahtuu näin. Tavallaan tämän tyyppisiä juttuja, sil-
loin alkuun tehtiin tavoite itsellemme, että kuinka suuri osa viestinnästä tulee olla syste-
maattista viestintää verrattuna kampanjakohtaisiin, vaikkapa sesonkiviesteihin. (Head of 
B2C Analyst.) 
 
Viestinnän tehokkuus on todettu vertailuryhmien avulla, joita käytetään jatkuvasti 
asiakasviestinnän kehittämisessä. Data-analytiikan iteratiivisuus ja ad hoc -analyysit ko-
rostuvat myös asiakasviestinnän kehityksessä. Toinen merkittävä tekijä on prosessien 
kypsyys hyödyntää big dataa. Asiakasviestinnässä prosessin pituuden kasvu eli esimer-
kiksi viestiketjun pidentyminen luo haasteen tuloksellisuuden seurannalle, sillä pitkästä 
prosessista on kyettävä analysoimaan toimivat elementit ja erottamaan tuloksettomat toi-
menpiteet. Data-analytiikan hyödyntäminen ei merkitse automaattista tuloksellisuutta, 
sillä aina viestintä ei ole onnistunutta, vaikka siihen panostetaan. Tämä korostaa oppimis-
prosessin merkitystä ja datan hyödyntämisen projektimaista luonnetta. (Head of B2C 
Analyst.) 
 Taulukon 1 mukaan data-analytiikalla voidaan testata asiakkaiden tarpeita reaaliaikai-
sesti ja asiakkuuksia voidaan segmentoida räätälöidylle toimenpiteille. Tämä toteutuu yk-
siselitteisesti Assatelin Customer Insight & Analytics -osastolla. 
 
Meidän datan käsittely on kehittynyt jatkuvasti. Vielä muutama vuosi sitten meillä oli 
se haaste, puhuttiin siitä, että data on rikki. - - Tällaisia ongelmia meillä ei enää ole. 
- - Siinä mielessä ollaan menty eteenpäin, jos tulee joitain uusia palveluita tai palve-
lumuutoksia niin, me huolehditaan jo siinä muutosprosessissa, että se data tulee oi-
kein käytettäväksi. Siinä mielessä se on tehnyt mahdolliseksi sen, että voidaan tehdä 
automatisoituja prosesseja, esimerkiksi trigger viestintää tai jotain muuta niin me 
voidaan luottaa siihen, että se data on oikein, niin me voidaan tehdä automatiikkaa 
päälle. (Head of B2C Analyst.) 
 
Automatisoitu niche-markkinointi ilmenee voimakkaimmin asiakasviestinnässä, jonka 
tavoitteena on saada asiakas avaamaan kyseisen viestin ja siirtymään yrityksen 
81 
 
myynti/asiakaspalvelukanavaa. Big data -analytiikalla kohdennettua viestinnän tehok-
kuutta seurataan reaaliaikaisesti useilla eri vertailuryhmillä. Big datalla automatisoitu 
niche-viestintä on ollut tuloksellista (Head of B2C Analyst.) 
 
On toki (tuloksellista), kyllä ihan selkeästi. Totta kai tulee myös tilanteita, että vaikka 
hyödynnetään dataa, niin siitä tulee viestintää, joka ei vaan toimi. Sitten pitää vaan tehdä 
muuta. Mutta muuten kyllä siinä on vaan ihan selkeä ero. (Head of B2C Analyst.) 
 
Asiakas- ja suoritedatan merkitys korostui lähes jokaisessa haastattelussa, joten yrityksen 
sisäistä sopimusdataa on ruvettu rikastamaan ulkoisella datalla: 
 
Meillä perinteisesti käytetään asiakastilausdataa ja asiakassopimusdataa, jos näin voi 
sanoa. Eli tavallaan kaikki data asiakkaista, mitä on sopimuksissa, sopimusten kautta 
tulee tietoa asiakkaista ja sitten myös palveluiden kautta, mitä palveluita he käyttävät, 
minkälaisia liittymätyyppejä. Sopimusdatassa on paljon tällaista demografiatietoa kuten 
osoite, ja ikä, ja siellä on tämäntyyppisiä tietoja. Toki me myös rikastetaan näitä tietoja 
tietyillä rikasteilla ulkopuolisten kumppanien avulla. Tämä on tavallaan ollut se meidän 
käytettävän datan ydin, sekä siihen raportoitiin ja analytiikkaan liittyen. (Head of B2C 
Analyst t.) 
 
Competitor Analyst korostaa kuitenkin organisaation sisäisen asiakasdatan arvoa, sillä 
hän kokee sen suurena ja luotettavana datalähteenä. Senior Strategy Adviser peräänkuu-
luttaa tarvetta kokonaisnäkymään, joka sisältää asiakasdatan ja asiakkuuden eri vaiheet. 
Hänen mukaansa data on tällä hetkellä ”siellä sun täällä”, ja tämä pyritään korjaamaan 
järjestelmien uusimisella ja yksinkertaistamisella, joka on yksi konsernin strategista ta-
voitteista. Tästä huolimatta datan rikastamisen lisäksi Assatelilla on pyritty yhdistele-
mään perinteistä dataa internetistä saadulla datalla, eli datapoluilla. Tällä tiedon rikasta-
misella todettiin olevan arvonluonnin mahdollisuus. Tämä vastaa täysin Guptan ja 
Georgen näkemystä (2016, 1052) datapolkujen sidonnaisesta käyttötarkoituksesta. 
 
Toki myös kaikki myyntidata, kuka ostaa mitä ja kuinka paljon, mitä kanavaa pitkin ja 
muuta. Nyt yhä enemmän tietysti. Nyt yhä enemmän tietysti online-data yhdistyy tähän 
perinteiseen asiakaskanta-dataan ja ne ovat tietysti vähän eri tyyppisiä asioita, mutta 
koko ajan rakennetaan siltoja siihen, että pystytään käyttämään tavallaan yhdessä näitä 
datoja. Toki online-data, myyntidatana on asiakasdataa siinä missä muukin mutta, mutta 
tavallaan sellainen online-käyttäytymisdata on se mistä arvoa haetaan. (Head of B2C 
Analyst.) 
 
82 
 
Data-analytiikalla on selkeä merkitys asiakashallinnassa ja sen kehittämisessä. Tekno-
logian kehitys on mahdollistanut edullisen ja kustannustehokkaan tavan asiakasviestin-
tään. Yrityksen kyky tuntea asiakkaansa on elintärkeää liiketoiminnan ja liikevaihdon 
kasvattamisessa. Suuria asiakasmääriä ei ole mahdollista käsitellä ja analysoida ilman 
kehittynyttä data-analytiikkaa ja kykyä yhdistellä yrityksen ulkoista ja sisäistä dataa. Ta-
loudellisella datalla on vahva merkitys asiakashallinnassa, sillä se mahdollistaa tehok-
kuus- ja kannattavuusmittareiden luomisen ja seurannan. Tämän lisäksi taloudellisella 
datan avulla suoritetaan tarjouslaskentaa ja asiakaskulujen mallintamista. (Senior Cont-
roller.) 
Assatelin kehittämisstrategian toteuttamiseen keskittynyt tuotekehitysyksikkö ei hyö-
dynnä big dataa uusia tuotteita kehittäessä asiakashallinnan kontekstissa. Head of Product 
Developmentin mukaan, tämä johtuu siitä, että datatarpeet ovat melko yksinkertaisia. 
Uutta tuotetta kehittäessä saatetaan yksinkertaisesti katsoa, kuinka monta yritystä on re-
kisteröity kyseiselle toimialalle Suomen ja Ruotsin kaupparekisterissä, joten saadaan ko-
konaiskuva potentiaalisten asiakkaiden määrästä. Viestinnässä kuitenkin seurataan tar-
kasti, minkä tyyppisestä asiakasviestinnästä potentiaaliset asiakkaat kiinnostuvat, tätä 
seurataan niin internetistä saadulla datalla kuin yrityksen sisäisellä datalla. (Head of Pro-
duct Development.) 
5.4.4 Suorituksenmittaus ja big data 
Suorituksenmittaus on Assatelilla yhä reaaliaikaisempaa, ja sitä toteutetaan niin viikko-, 
kuin päivätasolla, jota etenkin johto seuraa jatkuvasti. Tiheämmän seuraamisen mahdol-
listaa big data ja teknologian kehitys. Tämä vastaa teoriaa, sillä epävarmuuden kasvun 
todettiin edeltävän tiheää raportointia (Gordon – Miller 1976.) Suorituksenmittauksessa 
taloudellisten lukujen merkitys on laskenut viime vuosina. Assatelilla uusien työkalujen 
käyttöönotto on mahdollistanut pehmeiden, ei-taloudellisten tavoitteiden käyttöönoton 
niin operatiiviseen kuin strategiseen suorituksenmittaukseen. (B2C Finance Director; 
Competitor Analyst.)  
Perinteisiä KPI-mittareita on yhä kuitenkin käytössä, mutta niiden muutoksia ei ana-
lysoitu tarkasti. Ennen KPI-mittareita nähtiin olevan liikaa ja ne olivat osin irrallaan or-
ganisaation musta suorituksenmittauksesta. Nykyään KPI-mittarit ovat valittu tarkem-
min, sillä jokaisella tulosyksiköllä on 2 – 5 valittua mittaria, ja niitä pyritään myös ennus-
tamaan tuleville kuukausille ennustavan mallintamisen avulla. Tämä nähdään selvänä ke-
hitysaskeleena että 50 KPI-mittarin sijasta käytetään vain niitä muutamaa, jotka vaikut-
tavat liiketoiminnan kehittämiseen ja ohjaamiseen. (Business Controller). 
83 
 
Ei-taloudellisia tavoitteita on esimerkiksi Assatelin brändiarvon seuranta asiakkaiden 
näkökulmasta, joka toteutetaan ulkoisen kumppanin avulla kuukausittain jokaisessa kon-
sernimaassa, konsernimaita vertaillaan niin keskenään kuin oman markkinan muihin kil-
pailijoihin. Brändin kehitys koetaan tärkeänä tavoitteena, sillä nykypäivänä markkinoilla 
koetaan brändin merkitys paljon voimakkaampana kuin esimerkiksi dataan tai faktaan 
perustuvan markkinoinnin. (Head of B2C Analyst; Competitor Analyst.) 
 
Tässäkin bisneksessä mielikuvilla on iso merkitys, faktoilla ei ole niin suurta merkitystä. 
Me ollaan käytetty nyt Elisaa esimerkkinä, että hintasaarnaajat mainoskampanja, ne 
mainostavat halpoja hintoja ja mainonnan kärjessä on koko markkinoiden kallein tuote. 
Sillä ei ole mitään merkitystä, kun on niin vahva hintamielikuva, niin voi ratsastaa sillä 
ja se on hauska paradoksi. (Competitor Analyst.) 
Brändin merkitys on yhä tärkeämpi tapa erottautua markkinoilta, sillä pääosa kuluttaja-
asiakkaista ei koe olennaista eroa itse tuotteessa kuten matkapuhelinliittymä. Brändi mit-
taaminen on täten tärkeää toimialalla, ja brändimittaukseen panostetaan yhä enemmän 
kuin aikaisemmin. Brändin mittausta toteutetaan niin organisaation sisällä kuin ulkoisesti 
ja sen mittaamiseen käytetään big dataa. 
Suoritusmittaus henkilötasolla tapahtuu esimerkiksi oman osaamisen kehittämisenä, 
ennusteprosessin kehittämisenä tai tiettyjen projektien lukumääräisenä tavoitteena. 
Näissä painottuvat strategiset, pitkän aikavälin tavoitteet, kuten yrityksen tarpeet osaami-
sen suhteen tulevaisuudessa. (Commercial Director; Business Controller.) 
Henkilöstön suorituksenmittaustyökalua käytetään esimiehen kanssa keskusteltaessa 
jopa kolmen viikon välein mutta vähintään kolmen kuukauden välein. Uusi työkalu koe-
taan paljon toimivammaksi kuin vanha, jossa oli kuulemma vain kaksi mittaria, joista 
toinen oli tyypillisesti huipussaan ja toinen minimissään. Uuden työkalun tavoitteena on 
keskittyä työntekijöiden kehitysprosessiin, keskustelut ja tavoitteet kirjataan ylös työka-
luun ja niitä seurataan systemaattisesti. Strategiset mittarit ovat pääasiassa suurimpiin 
projekteihin liittyviä asioita, joissa strateginen tavoite on pilkottu osiin ja suorituksenmit-
tauksessa käydään läpi, että onko kyseisiä välitavoitteita saavutettu tavoitellussa ajassa. 
(Senior Controller; B2C Finance Director; Senior Strategy Adviser.) 
Pitkän aikavälin tavoitteet ovat eri tasolla eri pituisia, sillä esimerkiksi Commercial 
Directorin pitkän aikavälin tavoitteet käsittävät vuoden aikasäteen taloudellisilla mitta-
reilla, kun taas oppimista ja kasvua ei ole sidottu tiukasti mihinkään tiettyyn aikaväliin. 
Uutta aineistoa suorituksenmittaukseen antaa vuosittaiset keskustelut, jossa jokaisen 
työntekijän esimies keskustelee alaisen lähimpien kollegoiden kanssa ja näillä tiedoilla 
pyritään luomaan kattava kuva henkilön vahvuuksista ja kehityskohteista pidemmällä ai-
84 
 
kavälillä. Nämä keskustelut auttavat huomattavasti henkilökohtaisen kehityssuunnitel-
man laatimisessa. Henkilökohtaisten tavoitteiden linkitys strategiaan tarkistetaan myös 
aina erikseen. (Commercial Director.) 
Head of Product Development korostaa rullaavan suorituksenmittauksen merkitystä 
tuotekehitysyksikössä. Kovimmat tavoitteet ovat, että mihin päivään mennessä julkais-
taan tietty tuote, kun muuten keskitytään myös siihen tekemisen sisältöön, eikä pelkästään 
lopputulemaan. (Head of Product Development.) 
Assatelin suorituksenmittausjärjestelmissä korostuvat kaikki Kaplanin ja Nortonin 
(1992) BSC:n neljä näkökulmaa. Tasapainotetun tuloskortin elementit ovat osana MADA 
-viitekehystä. Viitekehyksen lähtökohtana oli ulkoinen ja sisäinen data, jota käytetään 
yrityksen sisäisissä toiminnoissa. Assatel hyväksikäyttää ulkoisesta datasta uutisia (Com-
petitor Analyst) ja sosiaalista mediaa (Head of B2C Analyst). Tilastokeskuksen dataa ei 
Suomessa voitu oikein hyväksikäyttää niin paljon kuin muissa konsernimaissa (Compe-
titor Analyst) ja asioiden internet nähdään tulevaisuuden datalähteenä, kun tuotekehitys-
yksikön tuotteita saadaan markkinoille. Ylivoimaisesti luotetuin ja käytetyin datalähde on 
yrityksen sisäiset tietokannat. Ääntä, kuvaa ja videota ei oikein käytetty yrityksen toimin-
nassa, sillä asiakkaiden tuottaman datan kerääminen ja käyttäminen on laitonta. Haastat-
teluissa ei käynyt myöskään ilmi, miten näitä datalähteitä voisi ylipäätään järkevästi hy-
väksikäyttää. Sensoreita käytetään toimituksissa ja laadunvalvonnassa, ja ne antavat As-
satelille tärkeää informaatiota yrityksen ydintuotteen eli verkon toimivuudesta.  
Data-analytiikkakyvykkyydet kasvoivat jatkuvasti, ja niiden osaaminen kumppanei-
den osaamisen kehittyessä. MADA -viitekehyksessä korostuivat kolme analyysityyppiä, 
jotka olivat kuvaileva, ennustava ja ohjaileva. Ohjailevia analyyseja ei käytetty vielä pal-
jon, mutta niiden käyttöä harjoiteltiin Assatelilla. Selvänä tahtotilana oli kehittää osaa-
mista ohjailevissa analyyseissa (Commercial Director). Kuvailevia ja ennustavia oli käy-
tetty yrityksessä kauan, mutta tavoitteena oli ottaa ne systemaattisemmin mukaan liike-
toiminta-analyyseihin ja strategisiin prosesseihin (Strategy Director). Yhteenvetona voi-
daan todeta, että MADA -viitekehys toteutui Assatelilla monin osin. Teoriassa korostet-
tiin myös BI-järjestelmien merkitystä MADA -viitekehyksen onnistumisessa (Apple-
baum ym. 2017, 40–42; Rud 2009). Osin datan varastoimisen suhteen järjestelmät toimi-
vat Assatelilla hyvin, mutta tämän toimivuutta olisi mahdollista tutkia vasta kun järjes-
telmien uudistus- eli transformaatioprosessi saadaan yrityksessä päätökseen. Täten tutki-
muksen empiiriset löydökset big datan käytöstä suorituksenmittauksessa eivät ole kovin 
voimakkaita. 
85 
 5.5 Strateginen päätöksenteko Assatelilla 
Teorian mukaan big datan hyväksikäytön yhtenä tärkeimpänä tavoitteena on tukea valis-
tunutta, faktapohjaista päätöksentekoa niin operatiivisissa, taktisissa kuin strategisissa 
kysymyksissä. (McAfee – Brynjolfsson 2012, 62, 65.) Assatelilla koetaan, että päätök-
senteko on hyvin pitkälle faktapohjaista (Senior Controller), mutta osassa haastatteluita 
kävi ilmi, että aihealueella on potentiaalia kehitykselle. 
 
Kyllä varmaankin voidaan sanoa, että päätöksiä tehdään enemmän datan perusteella, 
mutta on siinä varmasti vielä potentiaalia. Kuitenkin ihmismieli on sellainen, että meillä 
on tiettyjä omia näkemyksiä, miten me uskotaan ja halutaan asioiden olevan. Datassahan 
on aina sellainen mahdollisuus, että kun sitä on saatavilla, niin helposti aletaan poimia 
sitä tietoa, joka tukee omaa käsitystä. Tavallaan objektiivinen datan hyödyntäminen on 
todella tärkeätä. Me tavallaan kannustetaan jatkuvasti siihen ja viedään sitä eteenpäin. 
- - Kyllä me aina törmätään siihen, että ahaa täällä on hyödynnetty tuota dataa, mikä 
tukee jo olemassa olevaa käsitystä versus, että oikeasti mentäisiin avoimen objektiivisesti 
sen tiedon ja ymmärryksen äärelle ja tavallaan unohdettaisiin ne omat uskomukset ja 
ajatukset. Nämä ovat sellaisia, miten sanoisin, kulttuurillisia asioita. (Head of B2C Ana-
lyst.) 
 
Tämä kuvaa teoreettista näkemystä siitä, että data-analytiikan läsnäolo vaatii inhimil-
lisen ja kulttuurillisen muutoksen koko organisaation tasolla. Data-analyytikon kokemuk-
set datan hyödyntämisestä osin rapauttavat data-analytiikan uskottavuutta ja hyödylli-
syyttä, jos data ”politisoidaan”, eikä se ole puhtaasti objektiivista.  
 
Ihminen luulee, että toimii objektiivisesti. Kuitenkin on varmaan joku näkemys, mitä läh-
tee täydentämään. Muistan omalta business controller uran alkupuolelta, kun esittelin 
ihan ensimmäisiä business-caseja, niin se koko liiketoimintajohtaja tokaisi siihen, että 
”Sä saat tämän excelin kyllä näyttämään ihan miltä haluat, mutta mä joudun kuitenkin 
tekemään tän päätöksen perstuntumalta.” (Competitor Analyst.) 
 
Jos johdon näkemys analyyseista on Competitor Analyst:in kuvaama, ei analyysiin ja 
siihen käytettyyn dataan luoteta. Tämä osin herättää kysymyksen, että kannattaako big 
dataan panostaa, jos sitä ei oikeasti tulla hyödyntämään. On kuitenkin ymmärrettävä, että 
inhimillinen osaaminen, organisaation kulttuuri ja käytännöt muuttuvat paljon hitaammin 
kuin teknologiat tai järjestelmät. Täten organisatorinen tahtotila on saatava enemmän sii-
hen, että dataa hyödynnettäisiin mahdollisimman laajasti ja objektiivisesti. Tämä merkit-
86 
 
see sitä, että datan tuottamaa näkemystä käytettäisiin hyväksi päätöksenteossa myös sil-
loin, vaikka oma henkilökohtainen näkemys olisi toisenlainen. Eräässä haastattelussa il-
meni se, että organisaatiossa on käyty keskustelua siitä, että dataan pohjautuva päätök-
senteko tulisi olla ilmiselvää, mutta kuinka paljon omat ajatukset ja kokemukset ohjaavat 
sitä datan tuloksen käyttöä. Organisaatiossa on todettu kehitystarve, että dataan tulisi luot-
taa myös silloin, kun data ei näytä toivottuja tuloksia. 
Nämä näkemykset voidaan kokea kielivän ongelmasta, että data-analytiikkaa käyte-
tään satunnaisesti hyväksi vain silloin, kun se tukee omaa näkemystä. Tätä ei voida kui-
tenkaan tässä tutkimuksessa selvittää, että jätetäänkö datan esittely pois, jos data ei tue 
omaa näkemystä. Kulttuuristen syiden lisäksi toinen taustasyy tälle ongelmalle voi kui-
tenkin olla osaamisen puutos, jota muun muassa Chen ym. (2013) ja Manyika ym. (2011) 
korostivat tutkimuksissaan. Osaamisen puutos ilmeni case-haastatteluissa usealla eri ta-
valla. Näitä olivat jo olemassa olevien työntekijöiden joukossa teknisen osaamisen puutos 
etenkin vanhempien työntekijöiden keskuudessa, ymmärtämättömyys datan merkityk-
sestä eri liiketoimintaprosesseissa ja osaamattomuus datan noutamiseen järjestelmistä, 
joka johtaa siihen, ettei dataa käytetä hyväksi päätöksenteossa. Toiseksi koettiin esimer-
kiksi IT-osaajista huutavaa pulaa, joka ilmenee siten, ettei tarvittavaa osaamista saada 
rekrytoitua organisaatioon. (B2C Finance Director; Senior Controller; Business Control-
ler; Senior Strategy Adviser.) 
Ihmisten tottumattomuus datan hyväksikäytöstä päätöksenteossa ja asian työlääksi 
ja/tai vaikeaksi kokeminen hidastaa muutosta datapohjaiseen päätöksentekoon, vaikka 
tahtotila siihen olisi. McNeely ja Hahm (2014, 308) korostivat tutkimuksessa datan käy-
tön yksityisyysongelmia, turvallisuutta ja etiikkaa. Nämä teemat korostuivat Assatelilla, 
ja ne olivat osin itsestäänselvyyksiä, jotka suoraan kuitenkin rajoittivat big datan hyväk-
sikäyttöä. (Strategy Director; Head of Product Development.) 
Itse päätöksenteko koetaan Assatelilla osin byrokraattiseksi, joka tosin sotii Assatelin 
strategista ketteryystavoitetta vastaan. Assatel noudattaa myös konsernin päätöksenteko-
mallia ja yrityksessä on selvää, mitkä henkilöt ovat mukana minkäkin päätöksen tekemi-
sessä. (Senior Controller.) Päätöksiä ei kuitenkaan luokiteltu strukturoiduiksi tai struktu-
roimattomaksi, mikä on osin ketteryystavoitteen mukaista, ettei byrokratiaa lisätä Senior 
Strategy Adviser koki ongelmaksi sen, että mitä suuremmasta päätöksestä oli kysymys, 
sitä ylimalkaisemmin katsotaan lukuja ja muuta dataa, kun taas pienemmissä päätöksissä 
lukuja ja dataa analysoidaan hyvin tarkasti. Hänen mukaansa asian tulisi olla enemmänkin 
toisin päin.  
Ilmiöitä selittää teoriassa käsitelty Snowdenin ja Boonen (2007) Cynefin malli. Jos 
päätös tehdään laajasta ja abstraktista asiasta, voidaan päätöksenteon kontekstiksi identi-
fioida kompleksisen tai kaoottisen. Näin ollen on erittäin haastavaa käsitellä päätöstä 
strukturoidusti ja yksityiskohtaisesti, sillä päätöksen syy-seuraussuhteet eivät ole täysin 
87 
 
yksiselitteisiä. Täten voidaan todeta yksinkertaisten ja operatiivisten päätösten olevan 
strukturoituja, kun taas strategiset ja laajat päätökset strukturoimattomia. Näin ollen tut-
kimustulokset tukevat Zhangin ym. (2015) näkemystä siitä, että intuitio, kokemus ja har-
kintakyky ovat usein perusta strukturoimattomalle päätöksenteolle, eikä päätöksenteko-
prosessi ole lineaarinen vaan enemmänkin syklinen ja dynaaminen (McKenna – Martin-
Smith 2005, 832). Kokemuksen ja kumulatiivista tietämyksen merkitystä korostivat useat 
haastateltavat (B2C Finance Director; Senior Strategy Adviser; Business Controller; 
Competitor Analyst; Head of B2C Analyst). Näin ollen organisaatiossa voidaan nähdä 
kokemus tärkeämpänä tekijänä kuin big datasta luotu analytiikka päätöksiä tehtäessä, 
joka vahvistaa käsitystä strukturoimattoman päätöksenteon merkittävyydestä. Strukturoi-
maton, kokemukseen ja intuitioon pohjautuva päätöksenteko laskee big datan vaikutusta 
huomattavasti strategisissa päätöksissä. 
Big datan ja tietämyksenhallinnan systemaattinen linkittäminen yhteen voi kehittää 
päätöksentekoa data-painotteisempaan suuntaan. Tian ym. (2017, 114) ja Ross ym. (2013, 
90) epäilivät big datan merkityksellisyyttä ylipäätään ja sitä, että data-analytiikalla tuo-
tettu näkemys ei ole ainutlaatuista ja näkemys on helposti monistettavissa eri organisaa-
tioille ja toimialoille. Jos organisaation toimijat uskovat itse tähän, he pystyvät omalla 
toiminnallaan vaikuttamaan tämänkaltaiseen lopputulemaan, sillä tällöin analytiikkaan ei 
aidosti panosteta, eikä analyysin tuloksia aidosti hyödynnetä. Vastaavia tuloksia oli BI-
järjestelmien käyttöönottovaiheessa, jossa todettiin ongelman olevan projekteissa eikä 
uusissa teknologioissa. Tietämyksen kasvattaminen on kriittistä, jotta organisaatiosta löy-
tyy ymmärrys uusia teknologioita kohtaan, ja niitä osataan käyttää projekteissa ja toimin-
noissa asianmukaisesti. Tietämyksenhallinnan kehittämiseen Assatelilla pyrittiin esimer-
kiksi suoritusmittaustyökalujen kautta, mutta tärkeimmäksi tekijäksi nähtiin oma kiinnos-
tus ja aktiivisuus tietämyksen kehittämiseen (Commercial Director).  
Tietämyksenhallinta Assatelilla ei kuitenkaan ole systemaattista, sillä jos työntekijä 
kokee jonkun tavan hyväksi, on hänellä valta tehdä niin muttei työtapaa tai tietämystä 
jaeta ainakaan formaalisti muiden kesken. Syyksi voi nähdä sen, tietämyksenhallinnan 
järjestelmiä ei käytetä paljoa. (B2C Finance Director; Competitor Analyst). Jos Kuvion 4 
mukaisesti varastoitu tieto olisi helpommin saatavissa, ja valmista tietämystä jaettaisiin 
aktiivisemmin organisaatiossa, niin että siihen olisi vaivatonta päästä käsiksi, pystyisi or-
ganisatorinen tietämyksenhallinta ja big data -analytiikka duaalisesti tukemaan toinen toi-
sensa kehitystä. Tämän vuoksi on tärkeä havainnoida niin päätöksentekoa kuin tietämyk-
senhallintaa toisiinsa linkittyvinä ilmiöinä. Teknologia mahdollistaa työntekijöiden sisäi-
sen kommunikoinnin aktiivisemmin, joka tukee tietämyksen kehittämistä ja valistuneem-
paa päätöksentekoa. Jatkuvana vaarana tässä on kuitenkin arkaluontoisen tiedon leviämi-
nen kilpailijoille, joten organisatorista tiedon jakamista pitää rajoittaa (Senior Strategy 
Adviser). Competitor Analystin näkemys kuitenkin oli se, että kaikki toimijat pitävät 
88 
 
omia tietojaan salaisina, vaikka kilpailija ei tekisi tiedolla paljoa mitään. Tietämyksen-
hallinta on osin osaamisen eri tasojen ja osin erilaisten toimintatapojen vuoksi hyvin eri-
tasoista case-organisaatiossa. 
 
Tässä (tiedon jakaminen ja kehittäminen) me olemme varmaan vielä kovin epäsofistikoi-
tuneita. On meillä toki Yammereita, Slackeja ja vanha kunnon sähköposti käytössä, se 
tulva. Ja joskus jopa tapaavatkin ja keskustelevat aiheesta. En osaa sanoa, että meillä 
olisi hyvä konsistentti systemaattinen tapa. Se on pikkasen tiimi- ja projektikohtaista, että 
minkä tyyppisillä työvälineillä se yhteistyö ja keskustelu tapahtuu. Osa tekee sen hirveän 
modernisti ja digitaalisesti ja sofistikoituneesti ja osa sitten ehkä enemmän kivikausia 
työskentelytavoiltaan. (Head of Product Development.) 
 
Nämä erilaiset työskentelytavat haittaavat tiedon jakamista ja organisatorista kehi-
tystä, joka koetaan jatkuvana viestinnällisenä haasteena (Competitor Analyst). Pauleenin 
ja Wangin (2017, 3) Big data -analytiikan ja tietämyksenhallinnan malli on viitekehys, 
jota käyttämällä big data -analytiikka saataisiin kytkettyä myös strukturoimattomiin ja 
strategisiin päätöksiin. Osin tämänkaltaista päätöksentekoa ilmeni esimerkiksi Data-ana-
lyytikon työtehtävissä, mutta ei kuitenkaan tasaisesti läpi organisaation. 
Teknologisessa kehityksessä Assatel on niin palveluntarjoaja esimerkiksi pilvipalve-
luissa muille toimijoille, kun taas data-analytiikassa organisaatio on riippuvainen kump-
paneiden kehityksestä (Strategy Director; Head of Product Development). Tietokannoissa 
ja järjestelmissä on tapahtunut voimakkaita kehitysaskeleita muutaman viime vuoden ai-
kana (Head of B2C Analyst), mutta tietojärjestelmien uusiminen ei ole tapahtunut tavoit-
teiden mukaisesti, ja tähän on yhä matkaa (Strategy Director). Head of Product Develop-
ment korostaa data-analytiikkakyvykkyyksien kasvavan teknisellä tasolla niin suurin 
harppauksin, ettei Assatelin kannata itse investoida teknologiseen kehitykseen muuta 
kuin kumppaneiden kautta, joilla on pääfokus teknologioiden kehittämisessä. 
Tässä luvussa käsiteltiin empiirisiä löydöksiä heijastaen teoreettiseen viitekehykseen. 
Empiirisistä tuloksista kävi ilmi, että joissakin toiminnoissa big data -analytiikan hyväk-
sikäyttö on verrattain kehittynyttä, kuten asiakasviestinnässä ja asiakashallinnassa. Osin 
empiiriset havainnot vahvistivat positiivisesti teoreettista viitekehystä. Näin ilmeni esi-
merkiksi MADA-viitekehyksen suhteen. Toiselta osin teoreettiset tulokset vahvistuivat 
myös negatiivisessa mielessä, kuten sosiaalisen median datan vaikutus johdon ohjausjär-
jestelmiin ja big data osin haastava organisaatiokulttuuri ja osaamisen vaatimus, jotta sitä 
pystyttäisiin hyväksikäyttämään. 
89 
 
Osaamisen puutos niin organisaation ulkoisesti kuin sisäisesti ilmeni haastatteluissa ja 
päätöksentekoprosessin monimutkaisuus ja omat organisatoriset rakenteet ja kulttuurilli-
set ilmiöt vahvistuivat haastatteluissa big datan hyväksikäytön kompastuskiviksi. Taulu-
kon 1 mahdollisuudet ja esteet tulivat ilmi haastatteluissa useasti. 
 
90 
 6 YHTEENVETO JA JOHTOPÄÄTÖKSET 
Tämän tutkimuksen tavoitteena on ollut kuvailla ja selittää big datan ja big data-analytii-
kan vaikutusta organisaation strategiaprosessissa sisältäen strategisen suunnittelun, toteu-
tuksen ja päätöksenteon. Tutkimuksen kohteena on ollut suuri suomalainen televiestin-
täyritys Assatel Oyj, joka valittiin tutkimuksen kohteeksi siksi, että se vaikutti sopivalta 
teknologiaintensiiviseltä yritykseltä tutkimukseen. Tutkimuksessa havaittiin, että big da-
tasta on useita erilaisia näkemyksiä ja se vaikuttaa hyvin erilaisella tavalla eri toimin-
noissa. Tutkimuksen tulokset ovat jaettavissa kolmeen osaan tutkimuskysymysten mu-
kaisesti. 
Tutkimuksen ensimmäinen kysymys: 
• Miten big data ja big data -analytiikka tukee yritystä strategian suunnittelussa? 
Big data on mahdollistanut uusia työkaluja, kuten Futures Platform -työkalun, joka mah-
dollistaa erilaisten trendien tunnistamisen datan avulla ja mahdollistaa strategian linjauk-
sen tulevaisuuden trendien suhteen. Big datan avulla on mahdollista mallintaa strategiaa 
pidemmälle aikasäteelle ja nostaa ylös sellaisia trendejä, jotka voivat tukea Assatelin stra-
tegisia tavoitteita. Datan avulla pystytään tunnistamaan mahdollisia strategisia uhkia 
markkinoilla, jolloin organisaatio voi valmistautua paremmin uhkiin. 
Data-analytiikkakyvykkyyksien kehittyessä organisaatio pystyy luotettavammin mal-
lintamaan tulevaisuutta, jonka avulla strategia on relevantimpi ja se vastaa enemmän 
markkinaa.  Big datan läsnäolo on kasvattanut samalla tarvetta yhä erilaisimpiin rapor-
tointitarpeisiin, muttei näitä kaikkia pystytä vielä toteuttamaan. Big datan läsnäolo nähtiin 
mahdollistavan fokuksen siirtämisen historiallisesta suoritedatasta yhä enemmän tule-
vaan. Big datan potentiaali nähtiin Assatelin kehittämisstrategiaa toteuttavan tuotekehi-
tysyksikön tuotteiden hyväksikäytössä. Valmiita tuotteita ei kuitenkaan ollut vielä mark-
kinoilla, joten big datan hyväksikäyttö oli toistaiseksi vielä kokeiluasteella. 
Resurssipohjaisen viitekehyksen pohjalta haastateltavilla oli erilaisia näkemyksiä, 
mutta big datalla nähtiin olevan selvä rooli strategisten resurssien kehittämisessä. Kuiten-
kaan valmiutta tämänkaltaiseen data-analytiikkaan ei organisaatiossa ollut. Merkittävä 
huomio on se, että Assatelin strateginen suunnitteluprosessi oli tutkimusta tehdessä kes-
kellä huomattavaa muutosprosessia, joten osin tästä syystä konkreettisia ja yksiselitteisiä 
empiirisiä tuloksia ei ollut paljon. 
Toinen tutkimuskysymys: 
• Miten big data ja big data -analytiikka vaikuttaa johdon ohjausjärjestelmiin stra-
tegiatyössä? 
Big dataa todettiin käytettävän enemmän kuin ennen, sitä käyttävät yhä useammat toi-
minnot ja osastot. Toiseksi ei-taloudellisen datan merkitys oli kasvanut johdon ohjausjär-
jestelmissä. Big datan tarve korostui erityyppisissä ad hoc -analyyseissa ja hankkeissa. 
91 
 
Big datan systemaattista käyttöä ei ilmennyt merkittävästi, mutta aiheen ollessa uusi tar-
joavat erilaiset ad hoc -analyysit tietämystä organisaation henkilöille big data -analytiikan 
käytöstä. Assatelilla olivat käytössä niin kuvailevat, ennustavat kuin ohjailevat liiketoi-
minta-analyysit, ennustavien ollessa vielä uusia ja niitä toteutettiin satunnaisesti ad hoc -
tyyppisesti. 
Assatelilla merkittävimmiksi johdon ohjausjärjestelmistä koettu budjetointi oli kes-
kellä merkittävää muutosprosessia. Muutosprosessin tavoitteena oli muuttaa vuosibudje-
tointi strategisemmaksi rullaavaksi ennustamiseksi, ja muuttaa se keskittymään enemmän 
tulevaisuuteen menneisyyden suoritteiden sijaan. Big datalla nähtiin olevan selvä poten-
tiaali ennusteiden kehittämisessä ja sen ennusteen käyttämisenä kommunikointivälineenä 
konsernille. Muutosprosessi oli kuitenkin kesken, joten empiiristä aineistoa big data -ana-
lytiikan systemaattisesta käytöstä ei löytynyt. Toiseksi on huomionarvoista, että budje-
tointiin on jo aikaisemmin käytetty merkittäviä yrityksen sisäisiä big data -lähteitä. 
Konkreettisemmat aineistot big datan vaikutuksesta löytyivät projektin- ja asiakashal-
linnasta. Suuriin Assatelin kehittämisstrategiaa toteuttaviin prosesseihin big datalla oli 
projektinhallinnallisesti tärkeä rooli määrittäessä niin ennusteita, tavoitteita ja mahdolli-
sia hintoja, mitä yrityksen kannattaa kehityksestä maksaa. Analytiikkakyvykkyyksien ke-
hittyessä projektit saadaan mahdollisesti yhä paremmiksi investoinneiksi. Ongelmana 
kuitenkin systemaattinen ylioptimismi analyyseissa, jotka osin voivat laskea data-analy-
tiikan uskottavuutta. 
Asiakashallinnassa big data -analytiikka oli case-organisaatiossa valistuneinta, ja sitä 
käytettiin systemaattisesti. Asiakashallinta- ja viestintä oli kehittynyt huomattavasti vuo-
sina 2016–2017, ja siitä oli saatu big datan avulla relevantimpaa ja tuloksekkaampaa. 
Asiakashallintaan oli myös investoitu voimakkaasti organisaation strategisten tavoittei-
den mukaisesti. 
Henkilöstön suorituksenmittauksen työkaluja oli uusittu ja fokus on siirtynyt nume-
raalisista tavoitteista tekemiseen ja oppimiseen. Tämä koettiin onnistuneeksi toimenpi-
teeksi. Organisatoriseen suorituksenmittaukseen liittyvä The Managerial Accounting 
Data Analytics (MADA) -viitekehys toteutui suurimmaksi osaksi Assatelilla soveltaen 
viitekehystä ja sen mallinnustapaa. Datan hyväksikäyttö ei tosin ollut vahvaa kaikissa 
toiminnoissa ja johdon ohjausjärjestelmissä. 
Merkittävimpinä vaikeutena nähtiin big datan hyödyntäminen vanha-aikaisten järjes-
telmien vuoksi, sillä datan kerääminen ja yhdistely oli teknisesti erittäin hidasta tai jopa 
mahdotonta. Organisaation järjestelmien ja datan saatavuuden helpottuessa kasvaa orga-
nisaation kyvykkyys data-analytiikkaa kohtaan. Tässä tutkimuksessa kävi ilmi, että halu 
datan hyväksikäyttöön oli, mutta aina sen käyttö ei ollut tarpeeksi vaivatonta ja nopeaa. 
Abduktiivisen päättelyn perusteella voisi olettaa, että big data -analytiikka mahdollisesti 
kasvaa Assatelilla, kun järjestelmien uudistus saadaan toteutettua. 
92 
 
Viimeisenä tutkimuskysymyksenä oli: 
• Miten big data ja big data-analytiikka tukee strategista päätöksentekoa ja strate-
gian seurantaa? 
Big data -analytiikalla on mahdollisuus muuttaa abstrakteja strategisia päätöksiä fak-
tapohjaisimmiksi ja valistuneimmiksi. Tällöin tarkoituksena on intuition merkityksen vä-
hentäminen strategisessa päätöksenteossa. Assatelilla tämä koettiin selväksi kehityskoh-
teeksi ja tavoitteeksi osana uutta strategian arviointiprosessia. Ongelmaksi koettiin myös 
se, että dataan pohjautuvaa päätöksentekoa käytetään ainoastaan silloin, kun olemassa 
oleva data tukee intuitiota ja henkilöiden valmiina olevaa näkemystä. Tietämystä ja ko-
kemusta arvostettiin merkittävästi ja osin tuloksista voi päätellä, että kokeneen henkilön 
intuitio merkittävämpi voimavara kuin data-analytiikalla luotu tietämys. Taustalla on kui-
tenkin organisatoriset syyt; data-analytiikan käytöstä ei ole kokemusta tehdessä abstrak-
teja strategisia päätöksiä ja taustalla on myös se, että analytiikkaa hyödyntäessä ei käytetä 
aidosti kaikkea saatavilla olevaa dataa. 
Jotta organisatorinen muutos onnistuu, ja päätöksenteko tilanteesta riippumatta poh-
jautuisi yhä vahvemmin kaikkeen saatavilla olevaan dataan, on siihen panostettava niin 
osaamisen kehittämisellä, johdon ohjausjärjestelmien muuttamisella ja selvän organisa-
torisen tahtotilan muutoksella. Liiketoiminta-analyyseja on mahdollista tehdä tukeutuen 
yhä vahvemmin skenaarioanalyyseihin ja siihen että data-analytiikalla pyritään laske-
maan eri skenaarioiden todennäköisyydet tarkemmin. Kun organisatorinen kyvykkyys 
data-analytiikkaan kasvaa, voidaan ennustavaa mallintamista harjoittaa yhä useammin. 
Systemaattinen päätösten luokittelu ja halu tehdä päätös abstraktista strategisesta asiasta 
uusilla menetelmillä vaikuttaa suoraan inhimilliseen ja aineettomaan kyvykkyyteen kos-
kien data-analytiikkaa. 
Organisaation big data -analytiikkakyvykkyyden kasvattamisessa, johdolla ja johdon 
ohjauksella on merkittävä rooli. Datapohjaista kulttuuria tulisi vaalia kaikissa johdon oh-
jausjärjestelmissä, jotta strategiset päätökset olisivat valistuneempia ja organisaatiolla 
olisi paremmat mahdollisuudet saavuttaa strategiset tavoitteensa. Päätösten systemaatti-
nen luokittelu ja tiettyjen analyysien edellyttäminen päätöksissä oletettavasti lisäisi data-
pohjaista päätöksentekokulttuuria. 
Teknologisten ominaisuuksien merkitys on kuitenkin huomattava perusedellytys data-
analytiikalla, sillä ilman soveltuvaa teknologiaa, ei big dataa pystytä hyödyntämään kus-
tannustehokkaasti ja järkevässä ajassa. Nämä teknologiat vaativat huomattavia investoin-
teja, sillä big data on erittäin monimuotoinen ja laaja ilmiö, joka vaatii erittäin monen 
datalähteen kytkemisen yhteen. Osaamisen ja ymmärryksen puutos ovat merkittävä ris-
kitekijä big data -analytiikkakyvykkyyden kehittämiselle. 
Toiseksi aihealueena big data on itsessään melko abstrakti ja nuori käsite, minkä 
vuoksi tilanne kehittyy jatkuvasti. Tämä ilmeni tässä tutkimuksessa erittäin selvästi, sillä 
93 
 
jos tutkimus olisi toteutettu vuotta aikaisemmin, ei case-organisaatiolla olisi ollut esitellä 
yhtäkään tuotetta, josta voitaisiin hyödyntää big dataa. Suuri kysymys on myös se, että 
mikä taho omistaa big data -lähteen ja miten tätä voi hyväksikäyttää. Assatelin vuosira-
portissa huomautetaan, että jos datan käyttöä tullaan estämään laillisin menetelmin yhä 
voimakkaammin, on se vakava uhka ilmiön kehitykselle, jonka vuoksi big data -analy-
tiikkaan ei ole mielekästä sijoittaa. 
Aiheen ollessa melko uusi ja nopeasti kehittyvä, tulisi tutkimus big dataa kohtaan olla 
jatkuvaa ja pitkäjänteisempää. Tällöin voitaisiin tunnistaa parhaimpia tapoja, miten dataa 
kannattaa hyödyntää ja miten se saadaan implementoitua muun muassa johdon ohjausjär-
jestelmiin ja kiinteämmin yrityksen toimintoihin. Tämän tutkimuksen perusteella big da-
tan tulevaisuus on valoisa, mutta toistaiseksi konkreettisia empiirisiä tuloksia ei tullut 
merkittävästi lukuun ottamatta projektin- ja asiakashallintaa, jossa big data -analytiikka 
toimi kiinteänä osana tätä toimintoa. Tutkimuksen tärkeänä kontribuutiona on luoda ym-
märrys eri toimintojen kytkeytymisestä toisiinsa, ja siitä miten esimerkiksi big data -ana-
lytiikka on pieni osa kokonaisuutta, johon vaikuttaa moni tekijä. Tutkimus korostaa myös 
sitä, ettei big data ole itsessään vain teknologinen ilmiö, vaan myös inhimillinen ja ainee-
ton, joka on itsessään riippuvainen monesta eri tekijästä kuten merkittävistä inhimillisistä 
ja rahallisista investoinneista. 
Olisi hedelmällistä tutkia yhden organisaation prosessia big data -analytiikan käyt-
töönotosta projektinäkökulmaisesti, jossa organisaatiota seurattaisiin päätöksenteosta 
muutamia vuosia ja analysoitaisiin suurimmat haasteet ja mahdolliset onnistumiset. Bud-
jetointi on myös merkittävä johdon ohjausjärjestelmä. Tästä huolimatta big datan merki-
tyksestä budjetointiin on yhä tulosten osalta myös tämän tutkimuksen kannalta ohut ja 
jopa olematon. Aihealueesta puuttuu teoreettinen viitekehys, eikä sitä olla tutkittu myös-
kään empiirisesti. Tästä innostuneena olisi hedelmällistä tutkia ehkä tietyn johdon ohjaus-
järjestelmän ja big datan merkitystä useissa eri yrityksissä sarjana, josta olisi mahdollista 
saada irti trendejä ja kehityspolkuja. 
Yrityskohtaiset empiiriset tulokset olivat osin vanhat järjestelmät ja organisatorinen 
muutosprosessi, joka oli tavanomaista korkeampaa tutkimushetkellä. On tärkeää ymmär-
tää, että muutosprosessi on organisaatiolle luonnollinen tila, eikä tutkijan tulisi olettaa 
tutkivansa organisaatiota, joka on pysähtyneisyydessä tilassa. Merkittävät muutokset esi-
merkiksi strategiaprosessin suhteen, joka tässä case-tutkimuksessa oli käynnissä, saattaa 
kuitenkin vaikeuttaa tutkimustulosten saamista, sillä tietyistä suuntaviivoista ei vielä ollut 
käytännön kokemusta. 
Lähitulevaisuus näyttää, millaiseksi yleinen ilmapiiri kehittyy henkilökohtaisen ”ku-
luttajadatan” hyväksikäytön suhteen. Jos esimerkiksi trendiksi muodostuu se, että kulut-
tajat välttelevät organisaatiota, jossa henkilökohtaista dataa käytetään hyväksi, niin luon-
94 
 
nollisesti se vähentää organisaatioiden tahtotilaa käyttää hyväksi asiakkaiden luomaa da-
taa. Heijastaen nykytilannetta kansainväliseen kauppaan ja suurten toimijoiden kasvuun, 
jotka käyttävät tätä asiakkaidensa dataa, niin trendi ei näytä menevän tähän suuntaan. On 
kuitenkin aiheellista kysyä, että kenen omistuksessa esimerkiksi asiakkaan luoma data 
on, ja millä tahoilla on tähän dataan käyttöoikeus. GDPR-uudistus EU:ssa oli ensimmäi-
nen merkittävä kansainvälinen suuntaviiva, jossa aletaan lainsäädäntöteitse määräämään, 
miten organisaatiot saavat säilyttää dataa, ja mitä ne saavat datalla tehdä. Tekijänoikeudet 
vaikuttavat mahdollisesti tulevaisuudessa myös dataan, sillä verkossa ja sähköisesti asi-
oiva ihminen tulee jatkossa tuottamaan yhä enemmän ja tarkempaa dataa itsestään. 
Organisaatioiden sisäisten prosessien tarkempi seuranta ja analysointi tulee kuitenkin 
varmasti lisääntymään. Tämänkaltainen data-analytiikka varmasti mahdollistaa kustan-
nustehokkuuden ja ketteryyden kehittämisen, mutta sisäisistä menetelmistä on mahdolli-
sesti haastavampaa tunnistaa markkinoiden heikkoja signaaleja tai luoda täysin uutta tie-
tämystä. Tämänkaltaisessa skenaariossa big data ei tule lunastamaan kaikkia lupauksiaan 
esimerkiksi merkittävän kilpailuedun saavuttamisessa.  
Strategisessa kontekstissa big data ja big data -analytiikka tulee kuitenkin jollakin ta-
solla olemaan merkittävämpi väline organisaation kehityksessä tulevaisuudessa, joten 
määrätietoiset investoinnit kyvykkyyden kasvattamiseen mahdollistavat monia asioita 
kuten tässä tutkimuksessa todettiin muun muassa myynnissä ja markkinoinnissa. Täten 
on perusteltua todeta, että big datalla on selvä merkitys monen organisaation strategisissa 
tavoitteissa ja strategiaprosessissa. 
 
 
 
95 
 
LÄHTEET 
van der Aalst, W. – Weijters, T. – Maruster, L. (2004) Workflow mining: discovering process models from event logs. IEEE Transactions on Knowledge and Data Engineering, Vol. 16 (9), 1128–1142. 
Abernethy, M. A. – Brownell, P. (1997) Management control systems in research and development organizations: the role of accounting, behavior and personnel controls. Accounting, Organizations and Society, Vol. 22 (3), 233–248.  
Abernethy, M. A. – Brownell, P. (1999) The role of budgets in organizations facing stra-tegic change: an exploratory study. Accounting, Organizations and Society, Vol. 24 (6), 189–204. 
Ahearne, M. – Lam, S. K. – Kraus, F. (2014) Performance impact of middle managers’ adaptive strategy implementation: the role of social capital. Strategic Man-agement Journal, Vol. 35 (1), 68–87. 
Aho, A.-M. – Uden, L. (2013) Strategic management for product development. Business Process Management Journal, Vol. 19 (4), 680–697. 
Alavi, M. – Leidner, D. E. (2001) Review: knowledge management and knowledge man-agement systems. Conceptual Foundations and Research Issues, Vol. 25 (1), 101–136. 
Al-Htaybat, K. – von Alberti-Alhtaybat, L. (2017) Big Data and corporate reporting: im-pacts and paradoxes, Accounting, Auditing & Accountability Journal, Vol. 30 (4), 850–873. 
Alvesson, M. – Sandberg, J. (2011) Generating research questions through problematiza-tion. Academy of Management Review, Vol. 36 (2), 247–271. 
Amason, A. C. (1996) Distinguishing the effects of functional and dysfunctional conflict on strategic decision making: resolving a paradox for top management teams. Academy of Management Journal, Vol. 39 (1), 123–148. 
Amato, N. (2013) Forward Roll. Journal of Accountancy, Vol. 216 (4), 26–30. 
Amit R. – Schoemaker P. J. H. (1993) Strategic Assets and Organizational Rent. Strategic Management Journal, Vol. 14 (1), 33–46. 
Andriopoulos, C. – Lewis, M. W. (2009) Exploitation-Exploration Tensions and Organi-zational Ambidexterity: Managing Paradoxes of Innovation. Organization Science, Vol. 20 (4), 696–717. 
Ann Keller, S. – Koonin, S. E. – Shipp, S. (2012) Big data and city living – what can it do for us? Significance, Vol. 9 (4), 4–7. 
Anthony, R. (1965) Planning and Control Systems: A Framework for Analysis. Harvard Business Press, Boston.  
96 
 Applebaum, D. – Kogan, A. – Vasarhelyi, M. – Yan, Z. (2017) Impact of business ana-lytics and enterprise systems on managerial accounting. International Jour-nal of Accounting Information Systems, Vol. 25, 29–44. 
Arkter, S. – Fosso Wamba, S. – Gunasekaran, A. – Dubey, R. – Childe, S. J. (2016) How to improve firm performance using big data analytics capability and busi-ness strategy alignment? International Journal of Production Economics, Vol. 182, 113–131. 
Arnaboldi, M. – Busco, C. – Cuganesan, S. (2017) Accounting, accountability, social media and big data: revolution or hype? Accounting, Auditing & Accounta-bility Journal, Vol. 30 (4), 762–776. 
Assudani, R. (2005) Catching the chameleon: understanding the elusive term knowledge. Journal of Knowledge Management, Vol. 7 (3), 169–177. 
Balboni, F. – Cook, S. (2012) Analytics in Boardroom: Accelerating Competitive Ad-vantage. IBM Institute for Business Value, Somers, NY. 
Barney, J. B. – Ketchen, D. J. – Wright, M. (2011) The future of resource-based theory revitalization or decline? Journal of Management, Vol. 37 (5), 1299–1315. 
Barney, J. B. (1986) Organizational culture: can it be a source of sustained competitive advantage? Academy of Management Review, Vol. 11 (3), 656–665. 
Barney, J. B. (1995) Looking inside for competitive advantage, Academy of Management Perspectives. Vol. 9, 49–61. 
Basu, A. (2013) Five pillars of prescriptive analytics success. Analytics Magazine 8–12. <http://analytics-magazine.org/executive-edge-five-pillars-of-prescriptive-analytics-success/>, haettu 25.10.17 
Batra, S. (2014) Big data analytics and its reflections on the DIKW hierarchy. Review of Management, Vol. 4 (1/2), 5–17. 
Baxa, D. (2007) Pointers for achieving growth in constantly changing markets. Mergers and Acquisitions, Vol. 42 (6), 10–11.  
Berner, M. – Graupner, E. – Maedche, A. (2014) The information panopticon in the big data era. Journal of Organizational Design, Vol. 3 (1), 14–19. 
Bertsimas, D. – Kallus, N. (2014) From predictive to prescriptive analytics. ArXiv Pre-print arXiv 1402, 5481.  
Bharadwaj, A. S. (2000) A resource-based perspective on information technology capa-bility and firm performance: an empirical investigation, MIS Quarterly, Vol. 24 (1), 169–196. 
Bhimani, A. – Bromwich, M. (1994) Management Accounting Pathways to Progress, Chartered Institute of Management Accountants, London. 
97 
 Bisbe, J. – Malagueño, R. (2012) Using strategic performance measurement systems for strategy formulation: Does it work in dynamic environments? Management Accounting Research, Vol. 23, 296–311. 
Bisbe, J. – Otley, D. (2004) The effects of the interactive use of management control systems on product innovation. Accounting, Organizations and Society, Vol. 29 (8), 709–737.  
Bloodgood, J. M. – Bauerschmidt, A. (2002) Competitive analysis: do managers accu-rately compare their firms to competitors? Journal of Managerial Issues, Vol. 14 (4), 418–434. 
Bontis, N. (2001) Assessing knowledge assets: a review of the modules used to measure intellectual capital. International Journal of Management Reviews, Vol. 3 (1), 41–60. 
Bourguignon, A. – Malleret, V. – Nørreklit, H. (2004) The American balanced scorecard versus the French tableau de bord: the ideological dimension. Management Accounting Research, Vol. 15 (2), 107–134. 
Boyer, J. – Frank, B. – Green, B. – Harris, I. – Van De Vanter, K. (2010) A practical guide for achieving BI excellence. IBM Corporation < https://pdfs.seman-ticscholar.org/2e33/414d677d3f8029bfc4314978ff382433b6f4.pdf>, haettu 17.11.2017. 
Bughin, J. – Livingstone, J. – Marwaha, S. (2011) Seizing the potential of “Big Data” McKinsey Quarterly, (October), 24–35. 
Burchell, S. – Clubb, C. – Hopwood, A. – Hughes, A. (1980) The roles of accounting in organizations and society. Accounting Organizations and Society, Vol. 5, 5–27.  
Burns, T. – Stalker, G. (1961) Management of Innovation. Tavistock, London. 
Byars, L. (1992) Concepts of Strategic Management. Harper Collins Publishers, New York. 
Calori, R., – Johnson, G. – Sarnin, P. (1994) CEOs’ cognitive maps and the scope of the organization. Strategic Management Journal, Vol. 15 (6), 437–457. 
Cambell-Hunt, D. (2000) What have we learned about generic competitive business strat-egy? A meta-analysis. Strategic Management Journal, Vol. 21 (2), 127. 
Carillo, K. D. (2017) Let’s stop trying to be “sexy” – preparing managers for the (big) data-driven business era. Business Process Management Journal, Vol. 23 (3), 598–622. 
Carmona, S. – Iyer, G. – Reckers, P. (2014) Performance evaluation bias: A comparative study on the role of financial fixation, similarity-to-self, and likeability. Ad-vances in Accounting, Vol. 30 (1), 9–17. 
98 
 Chae, H.-C. – Koh, C. E. – Prybutok, V. R. (2014) Information technology capability and firm performance: contradictory findings and their possible causes. MIS Quarterly, Vol. 38 (1), 305–326. 
Chandler, A. D. (1962) Strategy and Structure: Chapters in the History of the Industrial Enterprise. MA: MIT Press, Cambridge. 
Chen, H. – Chian, R. H. L. – Storey, V. C. (2012) Business intelligence and analytics: from big data to big impact. MIS Quarterly, Vol. 36 (4), 1165–1188. 
Chen, J. – Chen, Y. – Du, X. – Li, C. – Lu, J. – Zhao, S. – Zhou, X. (2013) Big data challenge: a data management perspective. Frontier Computer Science, Vol. 7 157–164. 
Chenhall, R. H. (2003) Management control systems design within its organizational con-text: findings from contingency-based research and directions for the future. Accounting, Organizations and Society, Vol. 28 (2), 127–168. 
Cokins, G. (2013) Top 7 trends in management accounting. Strategic Finance Magazine, Vol. 95 (6), 21–30. 
Coyne, K. (1986) Sustainable competitive advantage – What it is, what it isn’t. Business Horizons, Vol. 29 (1), 54–61. 
Czepiel, J.A. – Kerin, R.A. (2012) Competitor analysis. In: Handbook of Marketing Strat-egy, eds. Shankar, V. – Carpenter G. S., 41–57, Edward Elgar, Cheltenham and Northampton, MA. 
D’Aveni (1994) Hypercompetition: Managing the Dynamics of Strategic Manoeuvring. Free Press, New York. 
Davenport, T. H. – Harris, J. G. (2007) Competing on Analytics: The New Science of Winning. Harvard Business Press. 
Davenport, T. H. – Prusak, L. (2000) Working Knowledge: How Organizations Manage What They Know. Harvard Business Review Press, Boston, MA. 
Davenport, T. H. (2014) Big Data at Work: Dispelling the Myths, Uncovering the Oppor-tunities. Harvard Business School Press, Cambridge, MA. 
De Mauro, A. – Greco, M. – Grimaldi, M. (2014) What is Big Data? A Consensual Def-inition and a Review of Key Research Topics. Conference Paper <https://www.researchgate.net/publication/265775800>, haettu 29.9.2017. 
Dent, J. F. (1990) Strategy, organization and control—some possibilities for accounting research. Accounting, Organizations and Society, Vol. 15 (1), 3–25.  
Dilla, W. – Janvrin, D.J. – Raschke, R. (2010) Interactive data visualization: new direc-tions for accounting information systems research. Journal of Information Systems, Vol. 24 (2), 1–37. 
99 
 Doan, A. – Ramakrishnan, R. – Halevy, A.Y. (2011) Crowd-sourcing systems on the world-wide web: Communications of the ACM, Vol. 54 (4), 86–96. 
Dubois, A – Gadde, L.-E. (2002) Systematic combining: an abductive approach to case research. Journal of Business Research, Vol 55 (7), 553–560. 
Eisenhardt, K. M. – Furr, N. R. – Bingham, C.B. (2010) Microfoundations of perfor-mance: balancing efficiency and flexibility in dynamic environments. Or-ganization Science, Vol. 21 (6), 1263–1273. 
Eisenhardt, K. M. (2000) Paradox, spirals, ambivalence: the new language of change and pluralism. Academy of Management Review, Vol. 25 (4), 703–705. 
Espino-Rodríguez, T.F. – Rodríguez-Díaz, M. (2014) Determining the core activities in the order fulfilment process: an empirical application. Business Process Management Journal, Vol. 20 (1), 2–24. 
Espinoza, Chip (2017) What Impact Will Big Data Have On CRM? MyCustomer, <https://www.mycustomer.com/community/blogs/chipespinoza/what-im-pact-will-big-data-have-on-crm>, Concordia University, haettu 27.4.2018. 
Fanning, J. (1999) Budgeting in the 21st century. Management Accounting, Vol. 77 (10), 24–25. 
Feldman, R. – Govindaraj, S. – Livnat, J. – Segal, B. (2010) Management’s tone change, post earnings announcement drift and accruals. Revenue Accounting Studies Journal, Vol. 15 (4), 915–953. 
Feldman, R. – Sanger, J. (2006) The Text Mining Handbook. Cambridge University Press, New York, NY. 
Ferreira, A. (2002) Management accounting and control systems design and use: an ex-ploratory study in Portugal. Väitöskirja, Department of Accounting and Fi-nance Lancaster University. 
Fosso Wamba, S. – Gunasekaran, A. – Akter, S. – Ren, S. J. – Dubey, R. – Childe, S. J. (2017) Big data analytics and firm performance: Effects of dynamic capa-bilities. Journal Business Research, Vol. 70, 356–365. 
Fosso Wamba, S.– Akter, S. – Edwards, A. – Chopin, G.– Gnanzou, D. (2015) How ‘big 
data’ can make big impact: Findings from a systematic review and a longi-tudinal case study, International Journal of Production Economics, Vol 165, 234–246. 
Gibson, C. B. – Birkinshaw, J. (2004) The antecedents, consequences, and mediating role of organizational ambidexterity. Academy of Management Journal, Vol. 47 (2), 209–226. 
Gimbert, X. – Bisbe, J. – Mendoza, X. (2010) The role of performance measurement systems in strategy formulation processes. Long Range Planning, Vol. 43 (4), 477–497. 
100 
 Godes, D. – Mayzlin, D. – Chen, Y. – Das, S. – Dellarocas, C. – Pfeiffer, B. – Libai, B. 
– Sen, S. – Shi, M. – Verlegh, P. (2005) The firm’s management of social interactions. Marketing Letters, Vol. 16 (3), 415–428. 
Gond, J.-P. – Grubnic, S. – Herzig, C. – Moon, J. (2012) Configuring management control systems: theorizing the integration of strategy and sustainability. Manage-ment Accounting Research, Vol. 23 (3), 205–223. 
Goold, M. – Campbell, A. (1987) Many best ways to make strategy. Harvard Business Review, Vol. 65 (6), 71–76. 
Goold, M. – Campbell, A. (1988) Managing the Diversified Corporation: The Tensions Facing the Chief Executive. Long Range Planning, Vol. 21 (4), 12–24. 
Gordon, L. – Miller, D. (1976) A contingency framework for the design of accounting information systems. Accounting, Organizations and Society, Vol. 1 (1), 59–69. 
Grant, J. (1987) The Corporate Strategic Process: A Synthesizing Framework for General Management. In King & Cleland, Strategic Planning and Management Handbook, 91–101. 
Green, J. (2014) The knowledge advantage – EY < http://www.ey.com/Publica-tion/vwLUAssets/EY-The-knowledge-advantage-digital-edi-tion/$FILE/EY-The-knowledge-advantage-digital-edition.pdf>, haettu 17.11.2017 
Grossler, A. – Grübner, A. (2006) An empirical model of the relationships between man-ufacturing capabilities. International Journal of Operations and Production Management, Vol. 26 (5), 458–485. 
Gu, J.-W. – Jung, H.-W. (2013) The effects of IS resources, capabilities, and qualities on organizational performance: an integrated approach. Information & Man-agement, Vol. 50 (2–3), 87–97. 
Guo, L. – Sharma, R. – Yin, L. – Lu, R. – Rong, K. (2017) Automated competitor analysis using big data analytics: Evidence from the fitness mobile app business. Business Process Management Journal, Vol. 23 (3), 735–762. 
Gupta, M. – George, J. F. (2016) Toward the development of a big data analytics capa-bility. Information & Management, Vol. 53, 1049–1064. 
Hannah, M. T. – Freeman, J. H. (1994) Structural inertia and organizational change. American Sociological Review, Vol. 49, 149–164. 
Harrison, F. E. (1999) The Managerial Decision-making Process. 5th ed., Houghton Mif-flin Company, Boston, MA. 
He, Z-L. – Wong, P-K. (2004) Exploration vs. Exploitation: An Empirical Test of the Ambidexterity Hypothesis. Organization Science, Vol. 15 (4), 481–494. 
101 
 Henderson, B. D. (1989) The origin of strategy. Harvard Business Review, Vol. 67 (6), 139–143. 
Henri, J.-F. (2006) Management control systems and strategy: a resource-based perspec-tive. Accounting, Organizations and Society, Vol. 31 (6), 529–558. 
Hickson, D. J. – Butler, R. J. – Cary, D. – Mallory, G. R. – Wilson, D. C. (1989) Decision and organization – processes of strategic decision making and their expla-nation. Public Administration, Vol. 67 (4), 373–390.  
Hitt, M. A. – Xu, K. – Carnes, C. M. (2015) Resource based theory in operations man-agement research. Journal of Operations Management, Vol. 41 (1), 77–94. 
Holton, C. (2009) Identifying disgruntled employee systems fraud risk through text min-ing: a simple solution for a multi-billion-dollar problem. Decision Support Systems, Vol. 46 (4), 853–864. 
Hopwood, A. (1972) An empirical study of the role of accounting data in performance evaluation. Journal of Accounting Research, Vol. 10, 156–182. 
House, R. – Javidan, M. – Hanges, P. – Dorfman, P. (2002) Understanding cultures and implicit leadership theories across the globe: an introduction to project GLOBE. Journal of World Business, Vol. 37 (1), 3–10. 
Huberty, M. (2015) Awaiting the second big data revolution: from digital noise to value creation. Journal od Industry. Competition and Trade, Vol. 15 (1), 35–47. 
IBM (2013) Descriptive, predictive, prescriptive: transforming asset and facilities man-agement with analytics. In: Thought Leadership White Paper, (October 2013). 
Iivari, J. – Huisman, M. (2007) The relationship between organizational culture and the deployment of systems development methodologies. MIS Quarterly, Vol. 31 (1), 35–58. 
Intezari, A. – Gressel, S. (2017) Information and reformation in KM systems: big data and strategic decision-making. Journal of Knowledge Management, Vol. 21 (1), 71–91. 
Isenberg, D. J. (1986) Thinking and managing: a verbal protocol analysis of managerial problem solving. Academy of Management Journal, Vol. 29 (4), 775–788. 
Jacobides, M. G. (2010) Strategy tools for a shifting landscape. Harvard Business Review, Vol. 88 (1–2), 76–85. 
Jeacle, I. – Carter, C. (2011) In TripAdvisor we trust: rankings, calculative regimes and abstract systems. Accounting, Organizations and Society, Vol. 36 (4), 293–309. 
Jurafsky, D. – Martin, J. H. (2009) Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition. Prentice-Hall, Englewood Cliffs, NJ. 
102 
 Kachaner, N. – Deimler, M. S. (2008) How leading companies are stretching their strat-egy. Strategy & Leadership, Vol. 36 (4), 40–43. 
Kaplan, R. S. – Norton, D. P. (1992) The balanced scorecard: measures that drive perfor-mance. Harvard Business Review, Vol. 70 (1), 71–79. 
Kaplan, R. S. – Norton, D. P. (1996) The Balanced Scorecard. Harvard Business School Press, Boston. 
Kaplan, R. S. – Norton, D. P. (2001) Transforming the balanced scorecard from perfor-mance measurement to strategic management: Part I. Accounting Horizons, Vol. 15 (1), 87–104.  
Kaplan, R. S. – Norton, D. P. (2004) The strategy map: Guide to aligning intangible as-sets. Strategy and leadership, Vol. 32 (5), 10–17. 
Kasanen, E. – Lukka, K. – Siitonen, A. (1993) The constructive approach in management accounting research. Journal of Management Accounting Research, Vol. 5, 243. 
Keating, P. J. (1995) A Framework for Classifying and Evaluating the Theoretical Con-tributions of Case Research in Management Accounting. Journal of Man-agement Accounting Research, Vol. (7), 66–86. 
Keim, D. A. – Mansmann, F. – Schnaidewind, J. – Ziegler, H. (2006) Challenges in Visual Data Analysis. Information Visualization, 2006. IV 2006 Tenth Internati-onal Conference on Information Visualisation, 9–16. 
Kiikkala, I. (1994) Käsitteenmuodostuksen tieteelliset menetelmät. Sairaanhoitaja-lehti, 6/94/30.09.94, 34–36. 
Kiron, D. – Prentice, P. K. – Ferguson, R. B. (2014) The analytics mandate. MIT Sloan Management Review, Vol. 53, 57–63. 
Kozlenkova, L. V. – Samaha, S. A. – Palmatier, R. W. (2014) Resource-based theory in marketing. Journal of the Academy of Marketing Science, Vol. 42 (1), 1–21. 
Krauthammer, M. – Nenadic, G. (2004) Term identification in the biomedical literature. Journal of Biomedical Informatics, Vol. 37 (6), 512–526. 
Lamoreaux, M. G. (2011) Planning for uncertainty. Journal of Accountancy, Vol. 212 (4), 32–36. 
Langfield-Smith, K. (1993) Linking management control systems and strategy: an exam-ination of the strategy construct and critical review. Accounting, Organiza-tions and Society, Vol 22 (2), 207–232. 
Langfield-Smith, K. (2007) A review of quantitative research in management control sys-tems and strategy. In: Handbook of Management Accounting Research, eds, Chapman, C. S. – Hopwood, A. G. – Shields, M. D., Vol. 1, Elsevier, Ox-ford, UK, 753–784. 
103 
 Langley, A. – Mintzberg, H. – Pitcher, E. – Posada, E. – Saint-Macary, J. (1995) Opening up decision-making: the view from the black stool. Organization Science, Vol. 6 (3), 260–279. 
LaValle, S. – Lesser, E. – Shockley, R. – Hopkins, M. S. – Kruschwitz, N. (2014) Big data, analytics and the path from insights to value. MIT Sloan Management Review, Vol. 52 (2), 21–32.  
Lea, B.-R. – Gupta, M. C. – Yu, W-B. (2005) A prototype multi-agent ERP system: an integrated architecture and a conceptual framework. Technovation, Vol. 25 (4), 433–441. 
Lee, T. (2007), Constraint-based ontology induction from online customer reviews. Group Decision and Negotiation, Vol. 16 (3), 255–281. 
Lee, T. Y. – Bradlow, E. T. (2011) Automated marketing research using online customer reviews. Journal of Marketing Research, Vol. 48 (5), 881–894. 
Lee, Y.W. – Madnick, S.E. – Wang, R.Y. – Wang, F.L. – Zhang, H. (2014) A cubic framework for the chief data officer: succeeding in a world of big data. MIS Quarterly Executive, Vol. 13 (1), 1–13. 
Leonard-Barton, D. (1992) Core Capabilities and Core Rigidities: A Paradox in Manag-ing New Product Development. Strategic Management Journal, Vol. 13 (S1), 111–125. 
Leonard-Barton, D. (1995) Wellsprings of Knowledge. Harvard Business School Press, Boston, MA. 
Leonardi, P. M. (2011) When flexible routines meet flexible technologies: affordance, constraint, and the imbrication of human material agencies. MIS Quarterly, Vol 35, 147–167. 
Lev, B. (2001) Intangibles: Management, Measurement and Reporting. Brookins Insti-tute, Washington DC. 
Levinthal, D. A. – March, J. G. (1993) The myopia of learning. Strategic Management Journal, Vol. 14 (S2), 95–112. 
Loebbecke, C. – Picot, A. (2015) Reflections on societal and business model transfor-mation arising from digitization and big data analytics: a research agenda. Journal of Strategic Information Systems, Vol. 24 (3), 149–157. 
Lubatkin, M. H. – Simsek, Z. – Ling, Y. – Veiga, J. F. (2006) Ambidexterity and perfor-mance in small-to-medium-sized firms: The pivotal role of top management team behavioral integration. Journal of Management, Vol. 35 (5), 646–672. 
Lugmayr, A. – Stockleben, B. – Scheib, C. – Mailaparampil, M. A. (2017) Cognitive big data: survey and review on big data research and its implications. What is 
really “new” in big data? Journal of Knowledge Management, Vol. 21 (1), 197–212. 
104 
 Mahoney, J.T. – Pandian, J. R. (1992) The resource-based view within the conversation of strategic management. Strategic Management Journal, Vol. 13 (5), 363–380. 
Malmi, T. – Brown, D.A. (2008) Management control systems as a package—opportuni-ties, challenges and research directions. Management Accounting Research, Vol. 19 (4), 287–300. 
Manocha, I. (2009) Predict and prevent, protect and defend: transforming defense and national security with analytics. Journal of Advanced Analytics, Vol. 4, 11–13. 
Manyika, J. – Chui, M. – Brown, B. – Bughin, J. – Dobbs, R. – Roxburgh, C. – Byers, A.H. (2011) Big Data: the Next Frontier for Innovation, Competition and Productivity. McKinsey Global Institute. 
March, J. G. (1991) Exploration and exploitation in organizational learning. Organisa-tional Science, Vol. 2 (1), 71–87. 
Martin, B. (2008) Knowledge management, Annual Review of Information Science and Technology, Vol. 42, 371–424. 
Mata, F. J. – Fuerst, W. L. – Barney, J. B. (1995) Information technology and sustained competitive advantage: a resource-based analysis. MIS Quarterly, Vol. 19 (4), 487–505. 
McAfee, A. – Brynjolfsson, E. – (2012) Big data: the management revolution. Harvard Business Review, Vol. 90 (10), 61–68. 
McGovern, T. (2015) Our wrap-up of important developments in the big data field. Radar 
O’reilly, 26.1.2015 <http://radar.oreilly.com/2015/01/now-available-big-data-now-2014-edition.html>, haettu 16.11.2017. 
McGuire, T. – Manyika, J. – Chui, M. (2012) Why big data is the new competitive ad-vantage. Ivey Business Journal, <https://iveybusinessjournal.com/publica-tion/why-big-data-is-the-new-competitive-advantage/>, haettu 15.11.2017. 
McKenna, R. J. – Martin-Smith, B. (2005) Decision making as a simplification process: new conceptual perspectives. Management Decision, Vol. 43 (6), 821–836. 
McKenzie, J. – van Winkelen, C. –Grewal, S. (2011) Developing organisational decision-
making capability: a knowledge manager’s guide. Journal of Knowledge Management, Vol. 15 (3), 403–421. 
McNeely, C. L. – Hahm, J. (2014) The Big (Data) bang; policy, prospects and challenges. RPR. Review of Policy Research, Vol. 31 (4), 304–310. 
Melville, N. – Kraemer, K. – Gurbaxani, V. (2004) Review: information technology and organizational performance: an integrative model of IT business value. MIS Quarterly, Vol. 28 (2), 283–322. 
105 
 Metaxas, D. – Zhang, S. (2013) A review of motion analysis methods for human nonver-bal communication computing. Image and Vision Computing, Vol. 31 (6/7), 412–433. 
van der Meulen, R. – Woods, V. (2015) Gartner Survey Shows More Than 75 Percent of Companies Are Investing or Planning to Invest in Big Data in the Next Two Years. Gartner <http://www.gartner.com/newsroom/id/3130817>, haettu 5.10.17. 
Michel, L. (2007) Understanding decision making in organizations to focus its practices where it matters. Measuring Business Excellence, Vol. 11 (1), 33–45. 
Miles, R. E. – Snow, C. C. (1978) Organizational Strategy; Structure and Process. McGraw Hill, New York. 
Mintzberg, H. – Westley, F. (2010) Decision making: It’s not what you think. In: Hand-book of Decision Making, eds. Nutt, P. C. – Wilson, D. C., Wiley, Chiches-ter, 73–81. 
Mintzberg, H. (1978) Patterns in Strategy Formulations. Management Science, Vol. 24 (9), 934–948. 
Mintzberg, H. (1987) The strategy concept II: another look why organizations need strat-egies. California Management Review, Vol. 30 (1), 25–32. 
Mintzberg, H. (1991) Strategic thinking as seeing. Teoksessa: Arenas of Strategic Think-ing, eds. Näsi, J., Liikesivistysrahasto, Helsinki. 
Mohammed, M. – Stankowsky, M. – Murray, A. (2006) Knowledge management and information technology: can they work in perfect harmony? Journal of Knowledge Management, Vol. 10 (3), 103–116. 
Myers, R. (2001) Budgets on a roll. Journal of Accountancy, Vol. 192 (6), 41–46. 
Nadler, D. A. – Tushman, M. L. (1999). The organization of the future: strategic impera-tives and core competencies for the 21st century. Organizational Dynamics, Vol. 28 (1), 45–60. 
Neely, A. – Adams, C. – Kennerley, M. (2002) The Performance Prism: The Scorecard for Measuring and Managing Stakeholder Relationships. Prentice Hall, London. 
Neely, A. – Gregory, M. – Platts, K. (1995) Performance measurement system design: a literature review and research agenda. International Journal of Operations & Production Management, Vol. 15 (4), 80–116. 
Nicolas, R. (2004) Knowledge management impacts on decision making process. Journal of Knowledge Management, Vol. 8 (1), 20–31. 
Nixon, B. – Burns, J. (2012) Editorial – Strategic management accounting. Management Accounting Research, Vol. 23 (4), 225–228. 
106 
 Nonaka, I. (1988) Creating organizational order out of chaos: self-renewal in Japanese firms. CA Management Review, Vol. 30 (3), 57–73. 
Nonaka, I. (1994) A dynamic theory of organizational knowledge creation. Organization Science, Vol. 5 (1), 17–37. 
Normann, R. (2002) Normannin liiketoimintateesit. (alkuteos Reframing business: when the map changes the landscape 2002, käännös Maarit Tillman) WSOY, Hel-sinki.  
O’Leary, D. E. (2013) Artificial intelligence and big data. IEEE Intelligent Systems, Vol. 28 (2), 96–99. 
Oh, W. – Pinsonneault, A. (2007) On the assessment of the strategic value of information technologies: conceptual and analytical approaches. MIS Quarterly, Vol 31 (2), 239–265. 
Ohmae, K. (1988) Getting Back to Strategy. Harvard Business Review, Vol. 6 (66), 149–156. 
Ordonez de Pablos, P. (2002) Knowledge management and organizational learning: ty-pologies of knowledge strategies in the Spanish manufacturing industry from 1995 to 1999. Journal of Knowledge Management, Vol. 6 (1), 27–33.  
Otley, D. (1978) Budget use and Managerial Performance. Journal of Accounting Re-search, Vol. 16 (1), 122–149. 
Otley, D. (1999) Performance management: a framework for management control sys-tems research. Management Accounting Research, Vol 10 (4), 363–382. 
Palmatier, R.W. – Dant, R. P. – Grewal, D. (2007) A comparative longitudinal analysis of theoretical perspectives of interorganizational relationship performance. Journal of Marketing, Vol. 71 (4), 172–194. 
Pang, B. – Lee, L. (2008) Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, Vol. 2 (1-2), 1–135. 
Pauleen, D. J. – Wang W. Y. C. (2017) Does big data mean big knowledge? KM perspec-tives on big data and analytics. Journal of Knowledge Management, Vol. 21 (1), 1–6. 
Peteraf, M. A. (1993) The cornerstones of competitive advantage: a resource-based view. Strategic Management Journal, Vol. 14 (3), 179–191. 
Porter, M. (1980) Competitive Strategy. Free Press, New York.  
Porter, M. (1985) Competitive Advantage, Creating and Sustaining Superior Perfor-mance. New York.  
Porter, M. (1996) What is strategy? Harvard Business Review, Vol. 74 (6), 61–78. 
107 
 Porter, M. (1998) Competitive strategy: Techniques for analysing industries and compet-itors. The Free Press, New York. 
Porter, M. (2003) Building the microeconomic foundation of prosperity: Findings from the business competitive index. World Economic Forum 2003 – 2004. 
Puusa, A. – Reijonen, H. – Juuti, P. – Laukkanen, T. (2012) Akatemiasta markkinapai-kalle – Johtaminen ja markkinointi aikansa kulkuna. Talentum Media, Hel-sinki. 
Quinn, J. – Hilmer, F. (1995) Strategiaksi ulkona teettäminen. Yritystalous, Vol. 53 (6), 25–37. 
Quinn, J. – Mintzberg, H. – James, R. (1988) The Strategy Process. Concepts, Contexts & Cases. Prentice Hall, Eaglewood Cliffs. 
Räsänen, P. (2017) Ruotsalainen toimitusjohtaja: Amazon laajentaa pian Ruotsiin – “Sit-ten olemme kaikki kuolleita”. Kauppalehti, <https://www.kauppa-lehti.fi/uutiset/ruotsalainen-toimitusjohtaja-amazon-laajentaa-pian-ruot-siin---sitten-olemme-kaikki-kuolleita/sX4Ugmzf>, haettu 17.11.2017 
Reeves, M. – Deimler, M. (2011) Adaptability: the new competitive advantage. Harvard Business Review, Vol. 89 (7–8), 134–141. 
Rickards, R. C. (2006) Beyond budgeting: boon or boondoggle? Investment Management and Financial Innovations, Vol. 3 (2), 62–76. 
Roslender, R. (1995) Accounting for Strategic Positioning: Responding to the Crisis in Management Accounting. British Journal of Management, Vol. 6 (1), 45–57. 
Ross, J. W. – Beath, C. M. – Quaadgras, A. (2013) You may not need big data after all. Harvard Business Review, Vol. 91 (12), 90–98. 
Rud, O. P. (2009) Business Intelligence Success Factors: Tools for Aligning Your Busi-ness in the Global Economy. John Wiley & Sons. 
Russ, M. – Jones, J. – Fineman, R. (2005) Knowledge-based strategies: a foundation of typology. International Journal of Knowledge and Learning, Vol. 4 (2), 138–165. 
Ryan, B. – Scapens, R. W. – Theobold, M. (2002) Research method and methodology in finance and accounting. 2. p. C&C Offset Printing Co, China. 
Scherpereel, C. M. (2006) Decision orders: a decision taxonomy. Management Decision, Vol. 44 (1), 123–136. 
Schreyogg, G. – Sydow, J. (2010) Organizing for fluidity? Dilemmas of new organiza-tional forms. Organization Science, Vol. 21 (6), 1251–1262. 
108 
 Scott, S. V. – Orlikowski, W. J. (2012) Reconfiguring relations of accountability: mate-rialization of social media in the travel sector. Accounting, Organizations and Society, Vol. 37 (1), 26-40. 
Shank, J. K. – Govindarjan, V. (1993) Strategic Cost Management. Free Press. New York. 
Shi, M. – Yu, W. (2013) Supply chain management and financial performance: literature review and future directions. International Journal of Operations and Pro-duction Management, Vol. 33 (10), 1283–1317. 
Simmonds, K. (1983) Strategic Management Accounting, Handbook of Management Ac-counting. Gower Publishing Company Limited, Aldershot, Hants. 
Simons, R. (1990) The Role of Management Control Systems in Creating Competitive Advantage: New Perspectives. Accounting, Organizations and Society, Vol. 15 (1/2), 127–143. 
Simons, R. (1991) Strategic Orientation and Top Management Attention to Control Sys-tems. Strategic Management Journal, Vol. 12 (1), 49 – 62. 
Simons, R. (1995) The Levers of Control. Harvard Business School Press, Boston, MA. 
Smith, W. K. – Tushman, M. (2005) Managing strategic contradictions: a top manage-ment model for managing innovation streams. Organization Science, Vol. 16 (5), 522–536. 
Smith, W.K. – Lewis, M.W. (2011) Toward a theory of paradox: a dynamic equilibrium model of organizing. Academy of Management Review, Vol. 36 (2), 381–403. 
Snowden, D. J. – Boone, M. E. (2007) A leader’s framework for decision making. Har-vard Business Review, Vol. 85 (11), 69–76. 
Sodhi, M. S. (2015) Conceptualizing social responsibility in operations via stakeholder resource-based view. Production and Operations Management, Vol. 24 (9), 1375–1389. 
Stalk, G. – Lachenauer, R. (2004) Five killer strategies for trouncing the competition. Harvard Business Review, Vol. 82 (4), 62–71. 
Sun, M – Wei, Y. – Jiang, J. (2015) Big data: risks and regulatory strategies. IEEE Inter-national Conference on Progress in Informatics and Computing, 358–362. 
Sundaramurthy, C. – Pukthuanthong, K. – Kor, Y. (2014) Positive and negative synergies 
between the CEO’s and the corporate board’s human biotechnology firms. Strategic Management Journal, Vol. 35 (6), 845–868. 
Takala, T. – Lämsä, A-M. (2001) Tulkitseva käsitetutkimus organisaatio- ja johtamistut-kimuksen tutkimusmetodisena vaihtoehtona. Liiketaloudellinen Aikakaus-ikirja – The Finnish Journal of Business Economics, Vol 3, 371–390. 
109 
 Tãlpãu, A. – Boscor, D. (2011) Customer-oriented marketing: A strategy that guarantees 
success: Starbucks and McDonald’s. Bulletin of the Transilvania University of Brasov. Series V. Economic Sciences, Vol. 4 (1), 51–52.  
Tamminen, R. (1990) Laskentatoimi ja strategia. Jyväskylän yliopiston taloustieteen lai-toksen julkaisuja, no 80, Jyväskylä. 
Teece, D. J. (2014) The foundations of enterprise performance: dynamic and ordinary capabilities in an (economic) theory of firms. Academy of Management Per-spectives, Vol. 28 (4), 328–352. 
Tian, X (2017) Big data and knowledge management: a case of déjà vu or back tom the future? Journal of Knowledge Management, Vol. 21 (1), 113–131. 
Tsai, W. – Su, K. H. – Chen, M. J. (2011) Seeing through the eyes of a rival: competitor acumen based on rival-centric perceptions. Academy of Management Jour-nal, Vol. 54 (4), 761–778. 
Tuaron, S. – Tucker, C.S. (2013) Fad or here to stay: Predicting product market adoption and longevity using large scale, social media data. In: ASME 2013 Interna-tional Design Engineering Technical Conferences and Computers and In-formation in Engineering Conference, eds. American Society of Mechanical Engineers. 
Tuomela, T.-S. (2005) The interplay of different levers of control: a case study of intro-ducing a new performance measurement system. Management Accounting Research, Vol. 16 (3), 293–320. 
Turban, E. – Aronson, J. E. – Liang, T. P. (2005) Decision Support Systems and Intelli-gent Systems. 7th ed., Pearson Prentice Hall, Upper Saddle River, NJ. 
Tushman, M. L. – O’Reilly, C. (1996) Ambidextrous organizations: Managing evolution-ary and revolutionary change. California Management Review, Vol. 38 (4), 8–30. 
Ulwick, A. W. (1999) Business strategy formulation: theory, process, and intellectual revolution. Greenwood Press, Westport, Connecticut.  
USA:n presidentinkanslia (2014) Big Data: Seizing Opportunities, Preserving Values, Executive Officer of the President, Washington, DC. 
Wagner, D. – Vollmar, G. – Wagner, H. T. (2014) The impact of information technology on knowledge creation. Journal of Enterprise Information management, Vol. 27 (1), 31–44. 
Ward, K. (1992) Strategic Management Accounting. Butterworth-Heinemann Ltd, Ox-ford. 
Warren Jr., J. D. – Moffit, K. C. – Byrnes, P. (2015) How big data will change accounting. Accounting Horizons, Vol. 29 (2), 397–407. 
110 
 Watson, H. J. – Wixom, B. H. (2007) The current state of business intelligence. Com-puter, Vol. 40 (9), 96–99. 
Weill, P. – Woerner, S. L. (2015) Thriving in an increasingly digital ecosystem. MIT Sloan Management Review, Vol. 56 (4), 27–34. 
Wickramasinghe, D. – Alawattage, C. (2007) Management Accounting Change – Ap-proaches and perspectives. Routledge, New York. 
Wilson, R. (1991) Strategic Management Accounting. Issues in Management Accounting. Prentice Hall, Hemel Hempstead. 
Woerner, S. L. – Wixom, B. H. (2015) Big data: extending the business strategy toolbox. Journal of Information Technology, Vol. 30 (1), 60–62. 
Worth, D. (2015) IBM teams with Twitter for social media big data analysis, V3, < https://www.v3.co.uk/v3-uk/news/2400032/ibm-teams-with-twitter-for-so-cial-media-big-data-analysis>, haettu 14.11.2017. 
Wu, X. – Zhu, X. – Wu, G. – Ding, W. (2014) Data mining with big data. IEEE Transac-tions on Knowledge and Data Engineering, Vol. 26 (1), 97–107. 
Yeoh, W. – Koronis, A. (2010) Critical success factors for business intelligence systems. Journal of Computer Information Systems, Vol. 50 (3), 23–32. 
Yin, R. K. (1994) Case study research. Design and methods. Thousand Oaks: Sage Pub-lications, London, New Delhi. 
Yu, Shiyang – Zenker, Frank (2018) Peirce Knew Why Abduction Isn’t IBE—A Scheme and Critical Questions for Abductive Argument. Argumentation, Vol. 32 (4), 569–587. 
Zhang, D. (2013) Granularities and inconsistencies in Big Data analysis. International Journal of Software Engineering and Knowledge Engineering, Vol. 23 (6), 887–893. 
Zhang, G. – Lu, J. – Ya, G. (2015) Multi-level Decision Making: Models, Methods and Applications. Springer, New York, NY. 
Empiirisen aineiston lähteet 
Assatelin verkkosivut, haettu 10.12.2017 ja 22.5.2018. 
Assatelin PowerPoint -esitys (2018): Tietoliikenneverkkojen tulevaisuus ja teknologia. 
 
Haastattelut 
Senior Controller. Haastattelu 30.11.2017 – Kesto: 52 minuuttia 
111 
 B2C Finance Director, Haastattelu 30.11.2017 – Kesto: 1 tunti 45 minuuttia 
Head of B2C Analyst, Haastattelu 12.12.2017 – Kesto: 49 minuuttia 
Competitor Analyst, Haastattelu 15.12.2017 – Kesto: 56 minuuttia 
Senior Strategy Adviser, Haastattelu 15.12.2017 – Kesto: 1 tunti 12 minuuttia 
Commercial Director, Haastattelu 5.1.2018 – Kesto: 48 minuuttia 
Business Controller, Haastattelu 5.1.2018 – Kesto: 1 tunti 26 minuuttia 
Head of Product Development, Haastattelu 17.1.2018 – Kesto: 1 tunti 28 minuuttia 
Strategy Director, Haastattelu 17.1.2018 2018 – Kesto: 52 minuuttia 
 
 
112 
 
LIITTEET  
Liite 1 Teemahaastattelurunko 
Yleinen näkemys big datasta ja sen roolista Assatelilla 1. Kerro työtehtävistäsi? 2. Minkälainen/ -tyyppinen data on sinulle tärkeää, kun haluat tukea päätöksente-koon pitkän aikavälin tavoitteita koskevissa kysymyksissä? 3. Millaisia investointeja big dataan ja big data -analytiikkaan Assatelilla on tehty ja milloin? Ovatko ne olleet onnistuneita? a. Miten data-analytiikka sijoittuu organisatorisesti Assatelilla? Jonkun yk-sikön alla/itsenäinen yksikkö b. Kuinka kauan big dataa on kerätty ja käytetty? c. Onko Assatelin teknologia ja ohjelmistot mielestäsi niin kehittyneitä, että kykenette hyödyntämään big data -analytiikkaa tehokkaasti ja melko vai-vattomasti? d. Koetko, että Assatelilla on tarpeeksi osaajia analysoimaan big dataa? e. Jos ei niin onko uusia palkattu? Onko uusia tehtäviä ilmaantunut 2000-luvulla? 4. Minkä tyyppisen big data näkisit Assatelille käyttökelpoiseksi sen strategian to-teutuksessa? Mitä mahdollisuuksia näet big datassa esim. arvonluonnin suhteen? Entä koetko sen sisältävän uhkia? a. Sosiaalisen median big data? 5. Miten itse näet Assatelin hyödyntämismahdollisuudet big datasta ja sen analytii-kasta? a. Näetkö big datan ja sen analyysin luovan kilpailukykyä ja tukevan sen ylläpitoa? b. Koetko big datan analysoimisen tärkeäksi tukipilariksi? 
Teknologia ja sen kehitys 6. Onko teknologian kehitys ja/tai big datan läsnäolo vaikuttanut Assatelin yritys-kulttuuriin eli raportointiin ja toimintoihin? Miten? 7. Entä liiketoimintaympäristöön ja johdon ohjausjärjestelmiin? a. Miten ohjausjärjestelmät ovat kehittyneet 2000-luvun aikana? Kerä-täänkö niiden käyttöön dataa uusista lähteistä? b. Käyttääkö controllerit erilaista dataa hyväkseen nyt kuin 2000-luvulla? Vaikuttaako työnkuvaan? 8. Miten Assatelin yrityskulttuuri ja tekninen palveluntarjonta (asiakkaille) vaikut-taa Assatelin sisäisiin toimintoihin ja ohjausjärjestelmiin? 
Strategiaprosessi, päätöksenteko ja big data 9. Kerro Assatelin strategioista ja niiden vaikutuksista toiminnan ohjaukseen? a. Kuinka usein strategiaa uusitaan, mitä lukuja ja dataa uusimisprosessissa mahdollisesti käytetään? 
113 
 10. Miten eri tyyppisiä liiketoimintakysymyksiä luokitellaan esim. niiden vaikutta-vuuden mukaan? 11. Millainen on Assatelin päätöksentekoprosessi a. Operatiivisissa kysymyksissä? b. Strategisissa kysymyksissä?  c. Perustuvatko päätökset mielestäsi enemmän intuitioon vai faktaan? d. Onko big datalla vaikutusta/roolia päätöksenteossa? Satunnaisesti? Aina/usein? 12. Edelliseen kysymykseen liittyen – Assatelin omat yksilölliset toimintamallit – perustuvatko rutiineihin joita ei ole kirjallisena vai ovatko ne tarkasti kirjattu ylös? 13. Identifioidaanko Assatelilla strategisia resursseja (tärkeimmät avaintekijät kil-pailijoihin nähden) systemaattisesti tai satunnaisesti? 14. Käyttääkö Assatel joitain seuraavista liiketoiminta-analyyseista, vastaako kysy-mykseen? Mihin tarkoitukseen näitä analyysejä käytetään? a. Mitä tapahtui? Esim. statistiikat, Key perfomance indicator, mittaritaulut b. Mitä voisi tapahtua?  Ennustavat todennäköisyysmallit, tilastolliset ana-lyysit ja pisteytysmallit. c. Mitä tulisi tehdä? Kun kahteen edelliseen kysymyksin on vastattu. Lä-hestymistavan optimointi, todennäköiset lopputulemat jokaiselle vaihto-ehdolle. 
Strategian toteutus päivittäisessä työssä 15. Kuvaile Assatelin budjetointiprosessia ja budjetointia yleisesti liittyen sinun työnkuvaan? a. Onko prosessi muuttunut ajan myötä? b. Mitä dataa budjetissa käytetään hyväksi? Kuinka suuri rooli historialli-sella datalla on? c. Onko budjetti sidottu tarkasti strategisiin tavoitteisiin. d. Voisiko prosessia mielestäsi kehittää? Miten? Joustaako budjetti muutok-sissa? 16. Kuvaile ylimmän johdon suorituksenmittausta? Ovatko lyhyen aikavälin tavoit-teet linjassa strategisten tavoitteiden kanssa? a. Mitä dataa käytetään? b. Ovatko Assatelin suoritusmittarit onnistuneita? (voi katsoa yleisesti tai esim. omaa mittausta)  c. Millainen painoarvo seuraavilla näkökulmilla on? 1. taloudellinen – miltä näytämme osakkeenomistajien sil-min? 2. asiakkaat – miten asiakkaat näkevät meidät? 3. sisäiset liiketoimintaprosessit – missä prosesseissa meidän pitää kunnostautua? 4. oppiminen ja kasvu – voimmeko me jatkaa kehittymistä ja luoda siitä arvoa? d. Käytetäänkö tuloskorteissa big dataa? Ulkoista? Sisäistä? Minkä tyyp-pistä? 
114 
 17. Onko Assatelilla tapahtunut muutoksia arviointi- ja palkitsemisjärjestelmissä? Onko niissä pohdittu käytettävän uusia datamuotoja? Onko nämä järjestelmät mielestäsi viestittäneet ja sitouttaneet henkilöstön strategiaan? 18. Big datan rooli päätöksenteossa esim.: a. Projektinhallinnan b. Asiakasanalyysin/ -hallinnan (esim. CRM) c. Investointipäätösten suhteen? Tuleeko muita toimintoja mieleen? Minkä tyyppistä dataa käy-tetään? 19. Käytetäänkö Assatelilla kustannus- tai toimintolaskentaa, millaisissa tarkoituk-sessa? 20. Millaisena näet big data -analytiikan suhteen työssäsi tulevaisuudessa? Uskotko, että sen merkitys kasvaa (operatiivisen) toiminnan ohjauksessa ja päätöksente-ossa?