Tutkimuksen reliabiliteetti ja validiteetti

Reliabiliteetti tarkoittaa Golafshanin (2003) viittaaman professori Marion Joppen mukaan sitä määrää, minkä verran tulokset ovat yhtenäisiä aikajanalla ja minkä verran tulokset edustavat tutkittavaa populaatiota. Jos tulokset voidaan toistaa vastaavalla menetelmällä, menetelmän reliabiliteettia voidaan pitää hyvänä (Go-lafshani, 2003). Validiteetti puolestaan Joppen mukaan määrittää, mittaako tut-kija tarkoituksen mukaista mittauskohdetta (Golafshani, 2003).

Laadullisessa tutkimuksessa reliabiliteetti ja validiteetti määritelmän mu-kaisissa muodoissaan ovat kuitenkin laadullisten tutkijoiden mukaan riittämät-tömiä, sen sijaan tutkijat ovat kiinnostuneita tarkkuudesta, uskottavuudesta ja siirrettävyydestä (Golafshani, 2003). Guba & Lincoln määrittivät jo 80-luvulla laadullisen tutkimuksen validiteetin ja reliabiliteetin käsitteiden rinnalle käsitteet uskottavuus, siirrettävyys, riippuvuus ja vahvistettavuus (Morse, Barrett, Mayan, Olson, Spiers, 2002). Nämä neljä käsitettä kuvaavat siis reliabiliteettia ja validiteettia laadullisessa tutkimuksessa. Näiden lisäksi sekä reliabiliteettia ja va-liditeettia voidaan varmentaa menetelmän koherenssilla, otoksen riittävyydellä, teoreettisella ajattelulla ja teorian kehityksellä sekä kehittämällä dynaaminen suhde otoksen, datan keruun ja analyysin välille (Morse ym. 2002). Seuraavaksi analysoidaan uskottavuutta, siirrettävyyttä, riippuvuutta ja vahvistettavuutta tutkimuksen osalta.

Uskottavuus tarkoittaa käytännössä tutkimuksen totuusarvoa (Miles & Hu-berman, 1994, s. 312). Tutkimuksen havaintojen uskottavuutta voidaan arvioida

kuvausten monipuolisuuden, vakuuttavuuden, triangulaation, teoriaan linkityk-sen, yhtenäisyyden, vahvistettavuusproseduurien, epävarmuuden, negatiivisen todistusaineiston, muiden selityksien, replikoinnin, haastateltavien arvioinnin ja ennustarkkuuden kannalta (Miles & Huberman, 1994, s. 313). Analyysissa käy-tettiin tutkimusmallin mukaista viitekehystä kunkin sovellusalueen monipuoli-seen arviointiin arvioiden sovellusaluetta muun muassa teknologian ja tehtävän yhteensopivuuden, palveluajattelun, strategisen yhteensopivuuden ja FinTech-kehityksen kannalta. Johtopäätökset pyrittiin luomaan loogisena, vakuuttavana päättelyketjuna. Analysoivat sovelluskohteet olivat niitä, jotka saivat haastatte-lujen triangulaatiossa eniten mainintoja. Analyysissa käytettiin myös sovellus-kohteen aiempia tutkimuksia, mikäli niitä löytyi. Johtopäätöksissä käytettiin va-rovaista ennustetarkkuutta, kuten ”soveltuisi varauksella”. Näiden seikkojen pe-rusteella tutkimuksen analyysia johtopäätöksineen voidaan pitää uskottavana.

Tutkimuksen kokonaisuuden uskottavuutta voi kehittää muun muassa tut-kijan kenttäkokemuksen kautta, ottamalla otoksia pidemmällä ajalla, triangulaa-tiolla, vertaisarvioinnilla, sopivalla haastattelutekniikalla ja ottamalla tutkijan aseman (Krefting, 1991). Tässä tutkimuksessa tutkimuksen tekijällä oli lähes vii-den vuovii-den työkokemus finanssialalta. Työtehtäviin oli kuulunut myös haastat-teluita muistuttavien työpajojen ohjausta, joten tutkijan kenttäkokemus toimi-alalta lisää tutkimuksen uskottavuutta. Haastattelut suoritettiin noin kahden kuukauden aikajaksolla niin, että aluksi haastateltiin pankin tuotepäälliköitä, sit-ten IT-palvelutoimittajan tuotepäälliköitä ja lopuksi IT-palvelutoimittajan liike-toiminnan kehityksen päälliköitä. Tällä haastattelujärjestyksellä pyrittiin lisää-mään uskottavuutta niin, että tulokset alkavat luotettavimmasta nykytilan läh-teestä eli pankista ja niiden perustalle lisätään tuloksia IT-palvelutoimittajan nä-kökulmasta. Haastatteluissa käytettiin myös graafista esitystapaa Crilly ym.

(2006) ohjeen mukaisesti ja tällä voidaan arvioida myös olevan positiivisia vai-kutuksia uskottavuuteen.

Käyttämällä haastateltavina pankkien tuotepäälliköitä ja pankin IT-palve-lutoimittajan tuotepäälliköitä sekä liiketoiminnan kehityspäälliköitä saavutettiin haastateltavien triangulaatio, joka tuo merkittävimmän panoksen uskottavuu-teen. Tutkijan asemaa uskottavana gradutason tutkijana lisäsi myös mielenkiinto alaa kohtaan ja laajan teoreettisen pohjan, kuten monitieteisten tieteellisten tut-kimusten ja finanssialan kuluttajakyselyiden käyttö tietolähteenä. Lähteitä oli lä-hes 200 kappaletta.

Menetelmän osalta saavutettiin koherenssi, sillä tapaustutkimus ja haastat-telu ovat luvussa viisi perustellusti soveltuvia tutkimusongelman tutkimukseen.

Teoreettisen ajattelun osalta uskottavuutta lisäsi tutkimusmalli, joka perustui useaan teoriaan tai malliin. Tutkimuskysymykset oli johdettu mallin perusteella.

Tutkimuskysymyksiä ei kuitenkaan katselmoitu muiden tutkijoiden toimesta, jo-ten uskottavuus heikkeni tältä osin. Lisäksi tutkimuskysymyksiä ei myöskään yksiselitteisesti valittu lähdekirjallisuuden perusteella, vaan ainoastaan tutki-musmallin ja käsitteiden perusteella. Tämä laski uskottavuutta hiukan.

Haastattelut, litterointi ja niiden analyysi suoritettiin dynaamisesti rinnak-kain niin, että litterointia ja analyysia aloitettiin heti haastattelun jälkeen ja kum-paakin pyrittiin kehittämään käymällä läpi haastattelujen äänitteitä useamman kerran. Tämä vaikuttaa positiivisesti uskottavuuteen, kun haastattelujen, litte-roinnin ja analyysin välillä ei ole pitkää aikaväliä. Haastattelujen uskottavuutta laskevana seikkana yksi haastattelu korvautui sähköpostihaastattelulla.

Otoksen riittävyys nousee uskottavuuden haasteeksi tutkimuksessa, sillä tutkimussuunnitelmaan kirjatun neljän pankkiryhmän haastatteluiden sijasta saatiin tutkimukseen mukaan vain yhden pankkiryhmän edustajat. Otos kuvaa yhtä pankkiryhmää eikä otosta pankkiryhmistä, kuten alun perin suunniteltiin.

Tutkimusta voidaan kuitenkin pitää kohtuullisen uskottavana pienen pankin laajuudessa.

Tutkimuksen siirrettävyys kuvastaa, että ovatko tutkimuksen johtopäätök-set siirrettävissä toiseen kontekstiin (Miles & Huberman, 1994, s. 314). Siirrettä-vyyden osalta tutkimuksen menetelmä ja osin myös tulokset ja johtopäätökset ovat siirrettävissä toiseen kotimaiseen pankkiin, mahdollisesti myös toista pank-kiryhmää edustavaan. Muista pankkiryhmistä todennäköisesti löytyvät myös vastaavat haastateltavat kuten tuotepäälliköt ja liiketoiminnan kehitys. Tutkitta-vat palveluprosessit oTutkitta-vat lainsäädännön suojaamia, joten asiakas saa saman lop-putuloksen, kuten lainan tai maksun pankista riippumatta. Yksityiskohdissa, ku-ten käytettävissä järjestelmissä tai työnkuluissa voi toki olla eroja, mutta palve-luiden syöte, vaste ja vaatimukset ovat yleensä samoja. Liitteenä olevat BPMN-prosessikaaviot ovat siis siirrettävissä toiseen pankkiin pienin muutoksin. Kui-tenkin pankkien strategiset painopisteet ja palvelukohtaiset variaatiot tuovat eroja. Esimerkkinä voitaisiin valita Säästöpankkiryhmä tapaustutkimuksen koh-teeksi ja suorittaa vastaava haastattelu pankin edustajille sekä pankin IT-palve-lutoimittajan edustajille ja näin saada samankaltaisia tuloksia. Tutkimuksen siir-rettävyyttä voi siis pitää kohtuullisen hyvänä pienten kotimaisten pankkien laa-juudessa.

Tutkimuksen riippuvuus kuvastaa, onko tutkimus laadukas ja eheä. Tutki-muksen riippuvuutta voidaan varmistaa muun muassa tutkimuskysymysten sel-keydellä, tutkijan roolin kuvauksella, paradigmojen tarkalla kuvauksella, datan asianmukaisella keräämisellä and kollegoiden katselmoinnilla. (Miles & Huber-man, 1994, s. 312). Tutkimuskysymys ” miten tekoälyä voisi soveltaa vähittäis-pankkipalveluissa” oli selkeä ja se myös katselmoitiin sekä toimeksiantajan ja oh-jaajan toimesta. Tutkijan rooli ja asema IT-palvelutoimittajalla kuvattiin haasta-teltaville. Paradigmat kuvattiin luvun viisi tutkimusmallissa, joka perustui use-aan teoriuse-aan tai malliin. Data kerättiin perustelluilla tutkimuskysymyksillä kah-den kuukaukah-den aikajaksolla.

Tutkimuksen riippuvuuteen saattoi vaikuttaa se, että tutkija oli tutkimuk-sen aikana työsuhteessa tapaustutkimuktutkimuk-sen IT-palvelutoimittajalla. Tämä saattoi lisätä tutkimukseen tutkijan harhaa. Erityisesti analyysin riippuvuutta pyrittiin vahvistamaan niin, että analyysin tuloksiin pyydettiin katselmointia kolmansilta osapuolilta. Katselmoijaksi saatiin kuitenkin vain IT-palvelutoimittajan haasta-teltavat, joilla voi olla oma harhansa työsuhteen kautta. Parempi vaihtoehto olisi

ollut käyttää puolueettomia finanssialan tutkijoita tai toisen pankkiryhmän asi-antuntijoita katselmoijina. Tutkijan ja katselmoijien harhaa kuitenkin pyrittiin poistamaan analyysissa vertaamalla havaintoja aiempaan kirjallisuuteen, joten riippuvuutta voi pitää kohtuullisen hyvänä myös aiemmassa kappaleessa maini-tut seikat huomioiden.

Tutkimuksen vahvistettavuus kuvaa tutkimuksen suhteellista neutraliteet-tia ja harhan puuttumista (Miles & Huberman, 1994, s. 311). Tutkimuksen vah-vistettavuutta voidaan varmistaa muun muassa ulkoisella auditoinnilla ja trian-gulaatiolla (Krefting, 1991). Lisäksi vahvistettavuutta voidaan varmistaa kuvaa-malla tutkimusmenetelmät yksityiskohtaisesti, esittämällä tutkimuksen etenemi-sen datan keruusta johtopäätöksiin, luomalla kirjanpito tutkimuketenemi-sen kulusta, huomioimalla tutkijan omat harhat, käsittelemällä kilpailevat hypoteesit ja mah-dollistamalla tutkimustiedon katselmoinnin sekä linkittämällä johtopäätökset tu-losdataan (Miles & Huberman, 1994, s. 311-312). Tutkimusmenetelmät kuvattiin luvussa viisi sisältäen haastattelujen etenemisen kuvaukset ja haastattelukysy-mykset perusteluineen. Tutkijan omaa harhaa pyrittiin minimoimaan analyy-sissa käyttämällä laajasti tieteellisiä lähteitä sekä käytännön sovellusesimerkkejä yrityselämästä. Tutkimuksen kulusta pidettiin kirjaa systemaattisesti tehdyillä haastatteluilla ja niiden litteroinnilla. Myös triangulaatiota kuitenkin käytettiin, joten vahvistettavuutta voidaan pitää kohtuullisen hyvänä.

8 YHTEENVETO 8.1 Menetelmät

Tutkimuksen kysymyksenä oli, miten tekoälyä voisi soveltaa vähittäispankkipal-veluissa. Tutkimus toteutettiin tapaustutkimuksena aikavälillä elokuu 2017 – toukokuu 2018 pieneen kotimaiseen pankkiin käyttäen teemoitettua haastattelua tiedonkeruun menetelmänä. Teoreettiseksi pohjaksi luotiin synteesit tekoälystä, toimialakuvaus finanssialasta ja systemaattinen katsaus näiden yhteen sovelta-misen kokemuksista. Tuloksia analysoitiin tutkimusmallin pohjalta lähdekirjal-lisuuteen verraten. Tutkimus oli toteutettu tietojärjestelmätieteen tutkimuksena eli se ei keskittynyt järjestelmien teknisen toteutuksen yksityiskohtiin, vaan se tutki tutkimuskysymystä ilmiönä, johon vaikuttavat muun muassa organisaa-tion strategia, FinTech-markkinoiden kehitys ja palveluajattelu sekä strateginen yhteensopivuus.

8.2 Tulokset ja niiden merkitys

Tutkimuksen tulokset ovat uutta ilmiötä kartoittavia ja kuvailevia sekä vahvasti lähdekirjallisuutta analyysin osalta hyödyntäviä. Aiempia vastaavia tutkimuksia ei ole tutkimuskatsauksen perusteella juurikaan tehty, joten tutkimuksella on uu-tuusarvoa. Tutkimuksen kahdesta luvusta muodostuva kirjallisuuskatsaus luo tutkijoille teoreettisen synteesin tekoälystä tietojärjestelmätieteen näkökulmasta ja kuvauksen finanssialan, erityisesti pankkialan nykytilasta ja tulevaisuudesta Suomessa. Käytännön asiantuntijoille kirjallisuuskatsaus antaa yleiskuvan teko-älystä ja sen markkinatilanteesta sekä finanssialasta. Yleiskuvan ymmärtäminen mahdollistaa liiketoimintaideoiden ja käytännön sovellusten kehittämisen. Lu-vussa kolme kuvatut finanssialan odotukset, pankkien organisaatiorakenne, sääntely, viranomaisvaatimusten mukaiset vähittäispankkipalvelut, FinTech-il-miö, digitalisaatio ja kuluttajatrendien muutos ovat tekijöitä, jotka on syytä ym-märtää finanssialan palveluita kehitettäessä.

Systemaattinen kirjallisuuskatsaus avaa tutkijoille yhteenvetona tekoälyn ja finanssin yhteensovituksen tutkimuskenttää ja mahdollistaa uusien tutki-musaihioiden asemoinnin tutkimuskentälle. Lisäksi systemaattinen kirjallisuus-katsaus syntetisoi tekoälyä luotonannossa aiempien tutkimusten perusteella.

Tutkimusaukon osoittava ja tutkimusmallin kuvaava luku viisi avaa näkökul-man finanssialaa koskeviin tietojärjestelmätieteen tutkimuksiin ja tarjoaa kevyen viitekehyksen, jota voi käyttää ja laajentaa palveluiden soveltuvuutta tutkitta-essa.

Empiiriset tulokset kertovat tutkijoille, että pieni kotimainen pankki yhteis-työssä IT-palvelutoimittajan kanssa kykenee analysoimaan tekoälylle relevant-teja palvelun sovelluskohtia. Näitä ovat tekoälyä hyödyntävä älykäs asiakkaan tunteminen, luottoluokittelu, älykäs sijoitussuosittelu ja maksutavan suosittelu.

Aiempi teoreettinen ja kokeellinen tutkimus tukee empirian havaintoja tekoäly-pohjaisen asiakkaan tuntemisen ja luottoluokittelun osalta, joskin erityisesti luot-toluokittelua koskien löytyi tutkimuksellisia ristiriitoja. Sijoitussuosittelun ja älykkään maksutavan suosittelun osalta tekoälyn soveltuvuustutkimus on vielä vähäistä, joten soveltuvuudesta ei voi vielä sanoa vahvaa suositusta. Maksutapa-suosittelu on käytännön tasolla ilmeisesti vasta patenttivaiheessa. Lisäksi aiem-mat tutkimukset ovat olleet enimmäkseen kokeellisia menetelmää testaavia tut-kimuksia eivätkä tutkimuksen mukaisia palveluita tutkivia tapaustuttut-kimuksia.

Tutkimus tuottaa siis tutkimuskentälle mahdollisesti uutta tietoa tapaustutki-muksen muodossa. Toimeksiantajalle tulokset antavat asiakaskohtaista tutkittua tietoa teknologian soveltuvuudesta palveluun liiketoiminta-aihioiden kehittä-mistä varten.

Tapauksen pientä pankkia IT-palvelutoimittajan kera voisi käyttää uudel-leen uusia finanssialan tutkimuksia varten. Empirian tueksi laaditut BPMN-pro-sessikaaviot pankkipalveluista toimivat tukena myös tuleville tutkimuksille ja käytännön analyyseille pankissa. Lisäksi palvelukohtaisia piirteitä voi mahdolli-sesti osin uudelleen käyttää tutkimuksissa.

8.3 Rajoitteet

Tutkimusta rajoitti vahvasti pieni haastattelun otos, joka pieneni alkuperäisen tutkimussuunnitelman mukaisesta neljästä pankkiryhmästä rajoittuen vain yh-teen pieneen pankkiin, joka edusti yhtä pankkiryhmää. Muissa pankkiryhmissä ja pankeissa palveluprosessi voi olla piirteiltään erilainen verrattuna tapauksen pieneen pankkiin. Triangulaatio mahdollisti kuitenkin usean näkökulman käy-tön pelkän pankin näkökulman sijasta. Kutakin teemaa käsiteltiin 3-5 päällikkö-tason asiantuntijan toimesta haastatteluissa. Näkökulmat perustuivat käytän-nössä kokeneiden pankkialan asiantuntijoiden näkemyksiin, joten ne ovat käy-tännön tasolla uskottavia ja niihin haettiin vahvistusta analyysissa tieteellisistä tutkimuksista. Uskottavuutta kuitenkin rajoitti teemakohtainen haastateltavien määrä. Uskottavampia tuloksia varten haastatteluja olisi pitänyt olla teemakoh-taisesti ainakin 10-20 kappaletta, mutta näin tarkka analyysi ei soveltunut tutki-muksen laajuuteen.

Tulokset ovat yleistettävissä korkeintaan vastaavanlaisiin kotimaisiin pankkeihin. Isommat pankit ja erilaiset pankkiryhmät vaatisivat erilliset tutki-mukset, koska palveluissa on yhteisen perusrakenteen lisäksi pankkikohtaisia variaatioita. Tutkimus kuvaa pienen kotimaisen pankin palveluprosesseja ja lii-ketoimintahyötyjä spekuloivia tekoälyn soveltuvuuskohtia.

Tutkimusmallin palveluajattelun osa-alue oli myös hiukan rajoittunut kes-kittyen pelkkään arvontuottoon, vuorovaikutukseen ja palvelukokemukseen.

Yksittäistä palvelua syvemmin tutkivissa tutkimuksissa palveluajattelua olisi syytä käyttää laajemmin käyttäen pohjana laajemmin palveluajattelun tutkimuk-sia ja malleja. Lisäksi tutkimusmallin tehtävä-teknologia -yhteensopivuusmallia käytettiin tutkimuksessa vain korkealla tasolla, kuten tutkimalla suosittelutekno-logian soveltuvuutta maksutavan suosittelu -tehtävään. Yhteensopivuutta olisi syytä tutkia tarkemmin porautumalla syvemmin tehtävien ja teknologioiden ominaispiirteisiin, mutta tämän tutkimuksen osalta korkea tason todettiin riittä-väksi. Lisäksi yhteensopivuuden tuottamia mitattavia konkreettisia hyötyjä oli haastava arvioida tässä tutkimuksessa.

8.4 Suositukset jatkotutkimuksista

Tutkimuksena aikana tunnistettiin useita jatkotutkimusaiheita. Tärkeimmäksi ai-heeksi nousi pitkän ajan tapaustutkimus, jossa tutkittaisiin liiketoiminnallisilla mittareilla tekoälyn soveltamisen mitattavia liiketoimintahyötyjä kotimaisessa pankissa. Sen kaltainen tutkimus olisi mahdollista suorittaa luontevana jatkona myös tälle tutkimukselle. Toiseksi tärkeäksi aiheeksi nousi tarkempi palvelukoh-tainen tutkimus, jossa tutkittaisiin tekoälyn vaikutusta vaikkapa lainaamisen pal-veluun kotimaisessa pankissa. Miten lainaamisen palvelun tehtävät muuttuisi-vat, miten asiakkaat ja pankin työntekijät ottaisivat tekoälyn vastaan ja miten te-koäly nivoutuisi osaksi FinTech-markkinan muutoksia?

Muita tunnistettuja aiheita ovat tekoälyn käyttöönoton kyvykkyydet pan-kin arvoverkossa, tekoälyn hyväksyntä panpan-kin työntekijöiden tai asiakkaiden keskuudessa, tekoälyn käyttöönoton ongelmat ja haasteet sekä tekoälyn eettinen näkökulma pankkipalveluissa. Kyvykkyyksien osalta pankkien on syytä miettiä, millaista osaamista, millaisia prosesseja ja millaisia teknologioita heidän tulisi ra-kentaa ja kenen kanssa tuottaakseen hyötyjä tekoälyä käyttäen. Hyväksynnän osalta tekoälyn hyväksymistä voisi tutkia pankin asiakkaiden näkökulmasta Venkates ym. (2012) hyväksymismallilla tai pankin työntekijöiden näkökulmasta Venkatesh ym. (2003) hyväksymismallilla. Tämä tutkimus nosti myös esiin useita tekoälyn ongelmia ja haasteita, mutta niitä olisi tutkittava tarkemmin niiden oi-keellisuuden ja vakavuuden osalta sekä löydettävä myös keinoja niiden ratkomi-seen. Eettisestä näkökulmasta olisi tutkittava, että miten tekoälyjärjestelmään saataisiin toteutettua samat eettiset ehdot, joita pankki käyttää päätöksissään.

Tällaisia reunaehtoja voivat olla syrjimättömyys ja asiakkaan kokonaistilanteen huomiointi. Tekoäly on vahvasti vaikuttamassa yhteiskunnallisesti merkittävään finanssialaan jopa parin vuoden aikajänteellä, joten se luo paljon tutkijoita ja käy-tännön asiantuntijoita kiinnostavia tutkimusmahdollisuuksia lähitulevaisuu-dessa.

LÄHTEET

Adomavicius, G., Bockstedt, J. C., Curley, S. P., & Zhang, J. (2017). Effects of online recommendations on consumers’ willingness to pay. Information Systems Research.

Aleksander, I. (2004). Advances in intelligent information technology: re-branding or progress towards conscious machines?. Journal of Information Technology, 19(1), 21-27.

Aleksander, I. (1989). Why Neural Computing?. Journal of Information Technology, 4(2), 108-111.

Amazon. (2017a). About recommendations. Haettu 20.11.2017 osoitteesta https://www.amazon.com/gp/help/customer/display.html?nodeId=164 65251

Amazon. (2017b). Amazon Rekognition. Haettu 23.11.2017 osoitteesta https://aws.amazon.com/rekognition/

Amazon. (2017c). AWS Deep Learning AMIs. Haettu 20.11.2017 osoitteesta https://aws.amazon.com/amazon-ai/amis/details/

Apple. (2017). Siri. Haettu 25.11.207 osoitteesta https://www.apple.com/ios/siri/

Aspara, J., Rajala, R., & Tuunainen, V. K. (2012). The future of banking services.

(Aalto University publication series BUSINESS + ECONOMY; No. 1/2012).

Helsinki.

Baghbani, G. (2017). Calculating the required cash in bank branches: A Bayesian-data mining approach. Neural Computing and Applications.

Baesens, B., Van Gestel, T., Stepanova, M., Van den Poel, D., & Vanthienen, J.

(2005). Neural network survival analysis for personal loan data. Journal of the Operational Research Society, 56(9), 1089-1098.

Bao, W., Yue, J., & Rao, Y. (2017). A deep learning framework for financial time series using stacked autoencoders and long-short term memory. PloS one, 12(7), e0180944.

Bahrammirzaee, A., Ghatari, A. R., Ahmadi, P., & Madani, K. (2011). Hybrid credit ranking intelligent system using expert system and artificial neural networks. Applied Intelligence, 34(1), 28-46.

Bahrammirzaee, A. (2010). A comparative survey of artificial intelligence applications in finance: artificial neural networks, expert system and hybrid intelligent systems. Neural Computing and Applications, 19(8), 1165-1195.

Bank Norwegian. (2018). Tavallisia kysymyksiä. Haettu 28.4.2018 osoitteesta https://www.banknorwegian.fi/Asiakaspalvelu/NaytaKaikkiKysymyks et/vakuutus/matka-ja-peruutusvakuutus

Benbasat, I., Goldstein, D. K., & Mead, M. (1987). The case research strategy in studies of information systems. MIS quarterly, 369-38.

Bhattacharyya, S., Jha, S., Tharakunnel, K., & Westland, J. C. (2011). Data mining for credit card fraud: A comparative study. Decision Support Systems, 50(3), 602-613.

Bloomberg. (2017, 28. helmikuuta). JPMorgan Software Does in Seconds What Took Lawyers 360,000 Hours. Haettu 25.11.207 osoitteesta https://www.bloomberg.com/news/articles/2017-02-28/jpmorgan-marshals-an-army-of-developers-to-automate-high-finance Brynjolfsson, E. Mcafee, A. (2017, 1. heinäkuuta) .The business of artificial

intelligence. Haettu 21.11.1017 osoitteesta https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence

Business Insider. (2017, 1. marraskuuta). Denmark's largest bank is using AI and machine learning to ‘tear everything apart’ – and it’s starting to pay off.

Haettu 6.4.2018 osoitteesta https://nordic.businessinsider.com/denmarks-

largest-bank-is-using-machine-learning-to-predict-the-customers-behavior--and-they-like-it-2017-11

Butaru, F., Chen, Q., Clark, B., Das, S., Lo, A. W., & Siddique, A. (2016). Risk and risk management in the credit card industry. Journal of Banking & Finance, 72, 218-239.

Carbo-Valverde, S. (2017). The Impact on Digitalization on Banking and Financial Stability. Journal of Financial Management, Markets and Institutions, (1), 133-140.

Chan, P. K. (1999). Distributed data mining in credit card fraud detection.(Statistical Data Included). IEEE Intelligent Systems, 14(6), 67.

Ching, A. T., & Hayashi, F. (2010). Payment card rewards programs and consumer payment choice. Journal of Banking & Finance, 34(8), 1773-1787.

Christensen, C. M. (1995). Explaining the attacker's advantage: Technological paradigms, organizational dynamics, and the value network. Research Policy, 24(2), 233-257.

Church, K., Rau, L. (1995). Commercial applications of natural language processing. Communications of the ACM, 38(11), 71-79.

Cognive Computing Concortium. (2017a). Background. Haettu 1.11.2017 osoitteesta

https://cognitivecomputingconsortium.com/resources/cognitive-computing-defined/

Cognive Computing Concortium. (2017b). Definition. Haettu 1.11.2017 osoitteesta

https://cognitivecomputingconsortium.com/resources/cognitive-computing-defined/#1467829079735-c0934399-599a

Crilly, N., Blackwell, A. F., & Clarkson, P. J. (2006). Graphic elicitation: using research diagrams as interview stimuli. Qualitative research, 6(3), 341-366.

Cuesta, C., Ruesta, M., Tuesta, D., & Urbiola, P. (2015). The digital transformation of the banking industry. BBVA Research.

Daily Mail. (2017, 28. kesäkuuta). What happens in an internet second: 54,907 Google searches, 7,252 tweets, 125,406 YouTube video views and 2,501,018

emails sent. Haettu 21.12.2017 osoitteesta

http://www.dailymail.co.uk/sciencetech/article-3662925/What- happens-internet-second-54-907-Google-searches-7-252-tweets-125-406-YouTube-video-views-2-501-018-emails-sent.html

Dandapani, K., & Dandapani, K. (2017). Electronic finance–recent developments.

Managerial Finance, 43(5), 614-626.

Davenport, T. H. (2018). Artificial intelligence for the real world: Don't start with moon shots. Harvard Business Review, 96(1), 108.

Demirkan, H., Earley, S., & Harmon, R. R. (2017). Cognitive Computing. IT Professional, 19(4), 16-20.

Deng, L., & Yu, D. (2014). Deep learning: methods and applications. Foundations and Trends® in Signal Processing, 7(3–4), 197-387.

Devlin, J. F. (2002). An analysis of choice criteria in the home loans market.

International Journal of Bank Marketing, 20(5), 212-226.

Dhar, V., & Stein, R. M. (2017). FinTech platforms and strategy. Communications of the ACM, 60(10), 32-35.

Domingos, P. (2012). A few useful things to know about machine learning.

Communications of the ACM, 55(10), 78-87.

FellowFinance. (2017). Usein kysyttyä vertaislainaamisesta. Haettu 16.12.2017 osoitteesta http://www.fellowfinance.fi/lainaajalle/usein-kysyttya

Fethi, M. D., & Pasiouras, F. (2010). Assessing bank efficiency and performance with operational research and artificial intelligence techniques: A survey.

European journal of operational research, 204(2), 189-198.

FIM. (2108). FIM tuo tekoälyn ja koneoppimisen suomalaisten sijoittajien

ulottuville. Haettu 13.4.2018 osoitteesta

https://www.fim.com/fi/tiedotteet/2017/fim-tuo-tekoalyn-ja-koneoppimisen-suomalaisten-sijoittajien-ulottuville/

Finanssiala. (2018). Asiakkaan tunteminen -

miksi pankki kysyy. Haettu 6.4.2018 osoitteesta http://www.finanssiala.fi/materiaalit/Asiakkaan_tunteminen.pdf

Finanssiala. (2017a). Vastuullisuus. Haettu 16.12.2017 osoitteesta http://www.finanssiala.fi/linjaukset/vastuullisuus

Finanssiala. (2017b). Finanssiala pitää Suomen pyörät pyörimässä. Haettu

14.12.2017 osoitteesta

http://www.finanssiala.fi/finanssialasta/Sivut/default.aspx

Finanssiala. (2017c). Keep it rolling. Haettu 14.12.2017 osoitteesta http://www.keepitrolling.fi/tietoa-toimialasta/finanssialan-faktat-ja-luvut.html

Finanssiala. (2017d). Pankit ja rahoitus. Haettu 14.12.2017 osoitteesta http://www.finanssiala.fi/finanssialasta/pankit-ja-rahoitus Finanssiala. (2017e). Valvonta. Haettu 14.12.107 osoitteesta.

http://www.finanssiala.fi/linjaukset/valvonta

Finanssiala. (2017f). Digitalisaatio. Haettu 18.12.2017 osoitteesta http://www.finanssiala.fi/linjaukset/digitalisaatio/

Finanssiala. (2015). Hyvä pankkitapa. Haettu 18.12.2017 osoitteesta http://www.finanssiala.fi/materiaalit/Hyva_pankkitapa.pdf

Finanssiala. (2009). Pankkisalaisuusohjeet 2009. Haettu 18.12.2017 osoitteesta http://www.finanssiala.fi/materiaalit/Pankkisalaisuusohjeet.pdf

Finanssialan Keskusliitto. (2012). Finanssialan kyvykkyydet 2020 - luotaus tulevaisuuteen. Raportti. Finanssialan Keskusliitto.

Finanssivalvonta. (2018a). Asiakkaan tunnistaminen ja tunteminen. Haettu

7.4.2018 osoitteesta

http://www.finanssivalvonta.fi/fi/Finanssiasiakas/Finanssialan_palvelu ita/Pages/asiakkaan_tunnistaminen.aspx

Finanssivalvonta. (2018b). Rahanpesun ja terrorismin rahoittamisen estäminen.

Haettu 26.4.2018 osoitteeesta

http://www.finanssivalvonta.fi/fi/Valvonta/Rahanpesun_estaminen/Pa ges/Default.aspx

Finanssivalvonta. (2017a). Talletuspankit. Haettu 14.12.2017 osoitteesta http://www.finanssivalvonta.fi/fi/Finanssiasiakas/Palveluntarjoajat/Pa nkkiala/Talletuspankit/Pages/Default.aspx

Finanssivalvonta. (2017b). Raportointi. Haettu 27.12.2017 osoitteesta http://www.finanssivalvonta.fi/fi/Raportointi/Pages/Default.aspx Finanssivalvonta. (2017c). Uusi maksupalveludirektiivi – Payment Services

Directive, PSD2. Haettu 18.1.2017 osoitteesta http://www.finanssivalvonta.fi/fi/Saantely/Saantelyhankkeet/PSD2/Pa ges/Default.aspx

Finanssivalvonta. (2017d). Pankkipalveluita. Haettu 14.12.2017 osoitteesta http://www.finanssivalvonta.fi/fi/Finanssiasiakas/Finanssialan_palvelu ita/Pankkipalvelut/Pages/Default.aspx

Finanssivalvonta. (2017e). Peruspankkipalvelut. Haettu 14.12.2017 osoitteesta http://www.finanssivalvonta.fi/fi/Finanssiasiakas/Finanssialan_palvelu ita/Pankkipalvelut/Peruspankkipalvelut/Pages/Default.aspx

Finanssivalvonta. (2017f). Talletuspalvelut. Haettu 14.12.2017 osoitteesta http://www.finanssivalvonta.fi/fi/Finanssiasiakas/Finanssialan_palvelu ita/Pankkipalvelut/Talletuspalvelut/Pages/Default.aspx

Finanssivalvonta. (2017g). Lainapalvelut. Haettu 14.12.2017 osoitteesta http://www.finanssivalvonta.fi/fi/Finanssiasiakas/Finanssialan_palvelu ita/Pankkipalvelut/Lainapalvelut/Pages/Default.aspx

Finanssivalvonta. (2017h). Sijoituspalvelut. Haettu 27.12.2017 osoitteesta http://www.finanssivalvonta.fi/fi/Finanssiasiakas/Finanssialan_palvelu ita/Sijoituspalvelut/Pages/Default.aspx

Finanssivalvonta. (2017i). MiFID II/MiFIR Sijoittajansuojasääntelystä

14-15.5.2017. Haettu 12.4.2018 osoitteesta

http://www.finanssivalvonta.fi/fi/Saantely/Saantelyhankkeet/MiFID/

Documents/Koulutus_MiFID2_MiFIR_14_15062017.pdf

Finanssivalvonta. (2017j). Finanssivalvonnan varoitus: kryptovaluutat ja ICOt (Initial Coin Offering) riskialttiita sijoituskohteita. Haettu 13.4.20218 osoittesta

http://www.finanssivalvonta.fi/fi/Tiedotteet/Lehdistotiedotteet/Pages/

http://www.finanssivalvonta.fi/fi/Tiedotteet/Lehdistotiedotteet/Pages/

In document Tekoälyn soveltuvuus vähittäispankkipalveluihin (sivua 76-0)