Valtteri Väkevä
BIG DATA -ANALYTIIKAN HYÖDYNTÄMINEN YRITYKSEN STRATEGISESSA PÄÄTÖKSENTEOSSA
Kandidaatintyö
Tekniikan ja luonnontieteiden tiedekunta
Tarkastaja: Emma Partanen
Huhtikuu 2021
TIIVISTELMÄ
Valtteri Väkevä: Big data –analytiikan hyödyntäminen yrityksen strategisessa päätöksenteossa
Utilization of big data analytics in company’s strategic decision-making Kandidaatintyö
Tampereen yliopisto Tietojohtaminen Huhtikuu 2021
Tutkimuksen tavoitteena on käsitellä big data -analytiikan myötä esille nousseita vaiku- tuksia yritysten strategisen päätöksenteon tukemiseen. Erityisesti työssä keskitytään tarkastele- maan, miten big data -pohjaista analytiikkaa voidaan hyödyntää jatkuvasti kompleksisemmaksi ja sekavammaksi muuttuvassa strategisessa päätöksentekoympäristössä. Työssä luodaan myös tiivis katsaus perinteisen datan ja big datan keskeisimpiin ominaisuuksiin ja käydään läpi erilaisia strategisen päätöksenteon haasteita, joihin big data -analytiikalla voidaan vaikuttaa. Tutkimuk- sessa keskeisiä big dataa, analytiikkaa ja strategista päätöksentekoa koskevia aspekteja pyritään analysoimaan luotettavan ja relevantin tietokirjallisuuden pohjalta. Tutkimus on toteutettu kirjalli- suuskatsauksena.
Työssä tutustutaan aluksi sekä datan että big datan määritelmiin ja luodaan tätä kautta kehys big datan syvällisempää ja strategisen päätöksenteon kannalta relevanttia analysointia varten.
Datan käsittelyn jälkeen siirrytään analytiikan kautta big data -analytiikkaan ja vertaillaan sen kes- keisiä ominaisuuksia perinteisen analytiikan ohella. Lisäksi tutustutaan strategian käsitteeseen, strategiseen päätöksentekoprosessiin ja perinteisen päätöksenteon keskeisimpiin haasteisiin yri- tysnäkökulmasta. Taustoituksen jälkeen esille nostetut käsitteet yhdistetään ja pyritään luomaan selkeä kokonaiskuva big data -analytiikan vaikutuksista strategisen päätöksenteon struktuuriin ja haasteisiin. Lopuksi yhteenvedossa vastataan tiivistetysti työssä esitettyyn tutkimuskysymykseen ja pohditaan tutkimuksen arviointia sekä mahdollisia jatkotutkimusmahdollisuuksia.
Big datasta on viime vuosien aikana muodostunut tietynlainen trendisana, jonka potentiaali useilla eri yrityssektoreilla on tunnistettu. Uusien menetelmien, reaaliaikaisuuden ja muiden kes- keisten ominaisuuksien myötä big datasta on noussut keskeinen työkalu myös yrityssektorin stra- tegisen päätöksenteon tukemisessa. Big data -analytiikan täysimääräinen hyödyntäminen ja po- tentiaalisten hyötyjen realisointi on kuitenkin useasti vielä maltillista, mikä on johtunut big datan hyödyntämisen vaatimuksista ja tarvitsemasta erityisosaamisesta. Datamäärien kasvaessa stra- tegisen päätöksenteon ympäristö muuttuu kuitenkin jatkuvasti haastavammaksi ja tarvitsee uusia keinoja relevantin tiedon löytämiseksi ja prosessoimiseksi. Jotta tämä olisi mahdollista on big da- tan potentiaali päätöksenteon tukemisessa tunnistettava ja pyrittävä tuomaan big data kiinteäksi osaksi strategista päätöksentekoa.
Tutkimuksen pohjalta voidaan todeta big data -analytiikan vaikuttaneen siinä esitettyihin ja läpi käytyihin strategisen päätöksenteon aspekteihin ja muuttaneen päätöksenteon toimintaympäris- töä ja struktuuria vakaammaksi. Big datan analysoinnin myötä strateginen päätöksenteko on suuntautunut selkeästi rationaalisempaan ja datapohjaisempaan lähestymistapaan erityisesti päätöksentekoa koskevan epävarmuuden vähentämiseksi ja päätöksenteon tehostamiseksi. Big datan myötä yrityksen strateginen päätöksenteko onkin yhä laajemmin hajautunut kokonaisuus ja vaatii toimiakseen ylimmän yritystason osaamisen lisäksi myös alempien päätöksentekota- sojen ammattitaitoa ja erityisosaamista. Suurimmat haasteet big datan hyödyntämisessä päätök- senteon tukemiseksi löytyvät nyt saatavuuden haasteiden sijaan oikean ja relevantin datan löy- tämisestä valtavista datamääristä ja tämän datan saattamisesta päätöksenteon kannalta opti- maalisimpaan muotoon.
Avainsanat: big data, big data analytics, strategic decision-making, decision-making process, data-driven decision making
Tämän julkaisun alkuperäisyys on tarkastettu Turnitin OriginalityCheck –ohjelmalla.
ALKUSANAT
Tämä kandidaatintyö on tehty tietojohtamisen koulutusohjelmaan keväällä 2021. Työn aihe on valittu henkilökohtaisen kiinnostuksen pohjalta big dataa, data-analytiikkaa ja strategista päätöksentekoa kohtaan. Mielenkiintoa työn toteuttamiselle herätti myös aja- tus siitä, miten suuriin datamassoihin perustuvan analytiikan rooli päätöksenteon tukena on kasvanut eksponentiaalisesti. Haluan kiittää Emma Partasta työni ohjaamisesta ja avustamisesta sekä lisäksi muita seminaariryhmässäni toimineita opiskelijoita, joilta sain ennen kaikkea hyviä ideoita ja apua työhöni liittyen. Lisäksi haluan kiittää perhettäni ja ystäviäni saamastani tuesta prosessin aikana.
Tampereella, 18.4.2021
Päivittäjä
SISÄLLYSLUETTELO
1.JOHDANTO ... 1
1.1 Tutkimuksen tavoite, menetelmä ja rajaukset ... 2
2.TUTKIMUKSEN TOTEUTTAMINEN ... 4
2.1 Tutkimuksen rakenne ... 4
2.2 Tutkimuksen aineisto ... 6
3.DATA JA ANALYTIIKKA ... 9
3.1 Datan moninaisuus ja luokittelu ... 9
3.2 Datalajit ... 10
3.3 Big data ... 12
3.4 Datasta analytiikkaan ... 14
3.5 Big data -analytiikka ... 16
4.STRATEGIA JA STRATEGINEN PÄÄTÖKSENTEKO ... 19
4.1 Strategia ... 19
4.2 Strateginen päätöksentekoprosessi ... 20
4.3 Strategisen päätöksenteon haasteita ... 22
5.BIG DATA –ANALYTIIKKA STRATEGISEN PÄÄTÖKSENTEON TUKENA ... 24
5.1 Strategisen päätöksenteon tehokkuus ... 24
5.2 Vaikutukset epävarmuuteen päätöksenteossa ... 25
5.3 Muutokset päätöksentekoprosessin struktuurissa ... 27
6.YHTEENVETO ... 28
6.1 Johtopäätökset ... 29
6.2 Tutkimuksen arviointi ... 30
6.3 Jatkotutkimus ... 31
LÄHTEET ... 32
KUVALUETTELO
Kuva 1. Finkin (2005, s. 54) systemaattisen kirjallisuuskatsauksen vaiheet ... 4
Kuva 2. Datan jalostuminen eri tasoille (mukaillen Ritholtz, 2010) ... 9
Kuva 3. Datan eri lajeja (mukaillen Kaisler et al. 2014) ... 11
Kuva 4. Big datan 5V-malli (mukaillen Xia et al. 2018) ... 13
Kuva 5. Data-analytiikan eri tasot (mukaillen Gartner, 2012) ... 15
Kuva 6. Keskeisimpiä eroja perinteisen data-analytiikan ja big data -analytiikan välillä (mukaillen. Yan, 2013) ... 17
Kuva 7. Strategian eri tasot (mukaillen Heywood & Kenley, 2007) ... 19
Kuva 8. Perinteinen strateginen päätöksentekoprosessi (mukaillen Lunenburg, 2010) ... 21
Kuva 9. Epävarmuustekijöiden merkitys päätöksentekoprosessiin (mukaillen Elbanna, 2006) ... 23
Kuva 10. Big datan vaikutukset päätöksentekoprosessin eri vaiheisiin ... 26
Kuva 11. Datan analysointiin pohjautuva päätöksentekoprosessi (mukaillen Lunenburg, 2010) ... 27
Kuva 12. Big data -analytiikan vaikutukset strategisen päätöksenteon haasteisiin ... 29
1. JOHDANTO
Big data ja data-analytiikka ovat nykypäivän hektisessä ja jatkuvasti muuttuvassa liike- toimintaympäristössä keskeisiä käsitteitä. Tekstissään (2014) Capriotti nostaa esille tek- nologian merkityksen ja eksponentiaalisen kasvun osana yhteiskuntaa, liiketoiminnan prosesseja ja päätöksentekoa ja toteaa kasvun jatkuvan oletettavasti vähintään saman- laisena myös tulevaisuudessa. Yhteiskunnan jatkuvasti digitalisoituessa tulevat myös datan määrä ja koko jatkuvasti kasvamaan, mikä siirtää dataan liittyvien haasteiden pai- nopistettä yhä suuremmissa määrin konkreettisen saatavuuden haasteista suurten luku- määrien käsittelyyn. (Capriotti 2014.) Tärkeintä on datan konkreettiseen määrään kes- kittymisen sijasta nyt kyetä poimimaan relevantti data, varmistamaan datan oikeellisuus ja tukemaan datan arvoa lisäävä jalostus (Markkula & Syväniemi 2015).
Artikkelissaan (2015) Marr toteaa, ettei pelkkä datan kerääminen enää riitä, vaan sen pohjalta on kyettävä tekemään hyviä ja oikeita päätöksiä oikeaan aikaan. Yritysten ja organisaatioiden onkin nyt pohdittava, miten saatavilla olevia suuria datamääriä ja big dataa pystytään analytiikan avulla hyödyntämään mahdollisimman tehokkaasti mm. kil- pailukyvyn maksimoimiseksi. Samalla yritysten on kuitenkin kyettävä toimimaan yhä hektisemmissä ja dynaamisemmissa liiketoimintaympäristöissä ja kyettävä seulomaan valtavista datamääristä eri toimintojen kannalta oikea tieto yhä tehokkaammin (Russom 2011).
Monipuolisuutensa lisäksi suuret datamassat ja big datan hyödyntäminen kätkevät si- säänsä valtavan määrän vielä hyödyntämätöntä potentiaalia, jonka avulla on mahdollista saavuttaa merkittäviä liiketoimintahyötyjä esimerkiksi tukemalla erilaisia päätöksenteko- prosesseja. Big data -analytiikka tarjoaakin yrityksille runsaasti potentiaalia esimerkiksi datan avoimuuden, eksperimentoinnin, palveluiden ja tuotteiden kehittämisen sekä pää- töksenteon tukemiseen (Lukic, 2017). Erityisesti tulevaisuuteen painottuvan strategisen päätöksenteon tukeminen yhä kompleksisemmassa liiketoimintaympäristössä on nou- semassa avainasemaan. Reaaliaikaisen ja rakenteeltaan vaihtelevan big datan avulla tätä ympäristöä pystytään kuitenkin tasapainottamaan vastaamalla datan haasteisiin, jotka ovat liian monimutkaisia ja laajoja perinteisen analytiikan ratkaistavaksi (Zakir et al.
2015).
Digitalisaation nopean etenemisen myötä päätöksenteon avainhenkilöiden tietovaati- mukset ovat muuttuneet radikaalisti viimeisen vuosikymmenen aikana. Perinteisen struk- turoidun datan lisäksi määrällisesti suurten strukturoimattomien datasettien kehittyminen
on pakottanut yritykset kehittämään uusia big data -pohjaisia tapoja, joilla kyetään hyö- dyntämään näiden suurten datajoukkojen arvoa strategisten, taktisten ja operatiivisten päätösten yhteydessä (Jeble et al. 2018). Strategisen päätöksenteon toimintaympäristö vaatiikin nyt sekä strukturoitua että strukturoimatonta, yrityksen ulkopuolelta tulevaa, vo- lyymiltaan korkeaa ja tulevaisuuteen painottuvaa dataa (Courtney, 2001). Big datan ulot- tuvuuksia ja ominaisuuksia tutkittaessa huomataan, että nämä kriteerit täyttyvät ja siksi juuri big datan hyödyntäminen strategisen päätöksenteon yhteydessä nousee keskei- seen asemaan päätöksenteon tehostamiseksi.
1.1 Tutkimuksen tavoite, menetelmä ja rajaukset Tavoite ja tutkimusongelma
Tämän tutkimuksen tavoitteena on saada vastaus, miten big data -analytiikka on hyö- dynnettävissä yrityksen strategisen päätöksenteon ympäristössä ja millaisia vaikutuksia sillä on strategiseen päätöksentekoprosessiin. Tätä tukien tavoitteena on myös saada selvyys, millaisia hyötyjä big data -analytiikka perinteiseen analytiikkaan verrattuna voi tuoda strategiseen päätöksentekoon. Tutkimus painottuu pitkälti yleisesti big dataan, big data -analytiikkaan, strategiseen päätöksentekoon ja päätöksenteon struktuuriin liittyvien käsitteistöjen ympäristöön ja pyrkii tuomaan yleisellä tasolla selkeän käsityksen näiden toiminnasta ja riippuvuuksista toisiinsa. Muutamia keskeisimpiä big data -analytiikan strategisen päätöksenteon kannalta kes menetelmiä, erityisesti strategista päätöksente- koa tukevia, on tarkoitus työssä kuitenkin käydä läpi ja pohtia niiden hyödyntämispoten- tiaalia.
Työssä keskeinen tutkimusongelma kiteytyy big data -analytiikan ja suurten datamasso- jen tarjoaman hyödyntämispotentiaalin tunnistamiseen ja löytämiseen yrityksen strategi- sen päätöksenteon toimintaympäristössä. Työssä esitettyjen tutkimuskysymysten kautta pyritään syventymään big data -analytiikkaan ja sen mahdollistamiin etuihin perinteiseen analytiikkaan verrattuna, strategiseen päätöksentekoympäristöön ja big data -analytiikan soveltamismahdollisuuksiin strategisen päätöksenteon struktuurissa. Tutkitaan siis, onko big data -analytiikan hyödyntämisellä erityisesti perinteiseen dataan ja analytiik- kaan verrattuna tehokkaampia strategista päätöksentekoa tukevia vaikutuksia, millaisia mahdolliset vaikutukset ovat, ja muuttuvatko strategisen päätöksenteon ja sen vaiheiden luonne big data -analytiikan myötä. Olennaista on myös huomioida strateginen johtami- nen ja sen eri osa-alueet tässä kokonaisuudessa.
Tutkimustyön pääkysymys on muotoa:
• Miten big data -analytiikka vaikuttaa yrityksen strategiseen päätöksentekoon?
Tämän pääkysymyksen tueksi on tutkimusta varten määritelty seuraavat tukikysymyk- set, joihin pääkysymyksen ohella pyritään vastaamaan:
• Mitä ovat big data ja big data -analytiikka?
• Miten big data ja big data -analytiikka eroavat perinteisestä datasta ja analy- tiikasta?
• Mistä yrityksen strateginen päätöksentekoprosessi muodostuu ja mitä strate- ginen päätöksenteko pitää pääpiirteisesti sisällään?
• Miten big data -analytiikkaan pohjautuva päätöksenteko eroaa perinteiseen analytiikkaan pohjautuvasta päätöksenteosta?
Näiden tutkimuskysymyksien pohjalta tutkimuksessa tavoitteena on vertailla eri lähtei- den väitteitä big data -analytiikan merkityksestä strategiseen päätöksentekoon ja tuoda väitteiden taustalla olevia perusteluja näkyviin. Lisäksi erilaisten analyysien ja tutkimus- ten sekä niiden tulosten vertaileminen nousevat tutkimuksessa keskeiseen asemaan.
Menetelmä ja rajaukset
Työ on toteutettu kirjallisuuskatsauksena, jonka pohjana on toiminut aiheesta ja sitä si- vuavista aiheista saatavilla oleva teoriakirjallisuus sekä muu kirjallisuus. Tutkimus on ra- jattu koskemaan erityisesti big data -analytiikan mahdollisuuksia ja hyötyjä osana yrityk- sen strategista päätöksentekoa. Ulkopuolelle jäävät sekä julkinen sektori että erilaiset järjestöt. Työssä ei keskitytä erityisesti muihin menetelmiin kuin strategista päätöksente- koa ja johtamista tukeviin metodeihin, ratkaisuihin ja erilaisiin teoreettisiin malleihin. Kes- keistä ei ole keskittyä erilaisten big data -analytiikkaan pohjautuvien menetelmien tekni- seen toteutukseen, sillä ne ovat aina pitkälti yrityskohtaisia ja muotoiltavissa yksilökoh- taisesti.
2. TUTKIMUKSEN TOTEUTTAMINEN
2.1 Tutkimuksen rakenne
Tutkimustyö toteutettiin kirjallisuuskatsauksena mukailemalla Finkin (2005, s. 54) pro- sessimallin eri vaiheita. Prosessimalli sisältää seitsemän työvaihetta ja on havainnollis- tettuna kuvassa 1. Ensimmäinen vaihe eli tutkimuskysymysten valinta on käsitelty lu- vussa 1.1 tutkimuksen tavoitteen ja tutkimusongelman yhteydessä.
Kuva 1. Finkin (2005, s. 54) systemaattisen kirjallisuuskatsauksen vaiheet
Tutkimusaineistoa etsittiin ja seulottiin pääsääntöisesti erilaisia sähköisiä tiedonhakupal- veluita hyödyntämällä. Näistä keskeisimpiä olivat Google Scholar, Trepo sekä Tampe- reen yliopiston Andor- ja ProQuest-tietokannat, joita pyrittiin hyödyntämään mahdollisim-
man monipuolisesti ja laaja-alaisesti. Muita tutkimuksessa hyödynnettäviä tutkimusai- neiston etsintämenetelmiä olivat erilaiset pikahaut tietokannoista sekä valittujen julkai- suarkistojen, tieteellisten kirjoituksien ja artikkeleiden tutkiminen. Tässä prosessissa mu- kailtiin Finkin (2005, s. 54) prosessimallin toista vaihetta (kuva 1), jossa ajatuksena on tutkimukseen sopivan bibliografian tietokantojen ja WWW-sivustojen valinta.
Tutkimuksessa hyödynnettävää aineistoa etsittiin mahdollisimman tuoreista lähteistä, sillä aineiston oli tutkimusaiheen pohjalta oltava luotettavaa, mutta samalla perustuttava viimeisimpään relevanttiin tietoon aihealueesta. Tutkimuksen aihe on laaja ja tutkimus- aineistoa koskevaa uutta tietoa syntyy jatkuvasti lisää, joten riski vanhentuneen ja sitä kautta mahdollisesti virheellisen tiedon olemassaoloon oli tunnistettava. Tutkimusaineis- ton analysointi tapahtui pääasiassa vertailemalla eri lähteiden materiaaleja toisiinsa ja etsimällä sitä kautta keskeisiä syy-seuraussuhteita sekä vertailemalla eri aineistoja tut- kimuskysymyksiin. Analysoinnin kannalta keskeistä oli myös tunnistaa lähdemateriaalien tekijöitä ainakin yleisellä tasolla ja saada sitä kautta luotettavuutta materiaalien oikeelli- suudelle. Esimerkkihakusanoja luotettavien lähteiden löytämiseksi olivat muun muassa data-analytics, data science, big data, decision making, strategy, strategic decision ma- king, prediction. Hakusanat valikoituivat pitkälti tutkimuksen aiheen ja keskeisen käsit- teistön pohjalta, ja niiden kautta pääsi käsiksi myöhemmin tarkemmin esiteltävään ai- healuetta koskevaan keskeiseen materiaaliin. Tutkimuksessa hyödynnettiin pääsääntöi- sesti englannin kielistä materiaalia, sillä suomenkielistä aineistoa oli saatavilla huomat- tavasti rajoitetummin, eikä se ollut sisällöltään yhtä kattavaa.
Edellä esitettyjen hakusanojen pohjalta päästiin käsiksi erilaisiin tutkimuksen kannalta olennaisiin big dataa, big data -analytiikkaa ja strategista päätöksentekoa koskeviin ai- neistoihin, raportteihin ja analyyseihin. Taulukossa 1 on esiteltynä keskeisimpiä työssä hyödynnettyjä hakusanoja ja -lausekkeita sekä niiden pohjalta saatuja tuloksia. Hakusa- nojen ja -lausekkeiden valinta pohjautui Finkin (2005, s. 54) prosessimallin kolmanteen vaiheeseen ja tiedonhakupalveluna tässä käytettiin Andor-tietokantaa.
Taulukko 1. Hakulausekkeilla saatuja tuloksia
Taulukosta 1 havaitaan, että hakulauseiden pohjalta tehdyillä hauilla tutkimukseen liitty- vää lähdeaineistoa on saatavilla huomattavan paljon. Tuloksia pystyttiin kuitenkin karsi- maan Finkin (2005, s. 54) prosessimallin neljännen vaiheen pohjalta erilaisten käytännön seulontojen, rajausten ja hakulausekkeiden tarkennusten kautta. Aihetta koskevan laa- jan lähdeaineiston ja aiheen relevanssin vuoksi tutkimusaineistoa oli rajattava asetta- malla aineiston hakukieli englanniksi ja rajaamalla haku koskemaan pääsääntöisesti vain julkaisuja esimerkiksi vuoden 2000 jälkeen. Kuitenkin esimerkiksi strategian ja päätök- senteon käsittelyn yhteydessä havaittiin, että vanhempikin lähdemateriaali täyttää vaati- mukset ja sitä pystyttiin hyödyntämään tutkimuksen tukena.
Tutkimusaineistoa arvioitiin käytännön seulonnan jälkeen vielä Finkin (2005, s. 54) pro- sessimallin viidennen vaiheen, metodologisen seulonnan avulla, tutkimalla haetun ma- teriaalin oikeellisuutta ja laatua. Keskeisiksi rajoittaviksi tekijöiksi nousivat tässä erityi- sesti aineiston tieteellinen pohja, julkaisijoiden ja julkaisuiden luotettavuus sekä materi- aalin merkityksellisyys ja ajankohtaisuus tutkimuksen kannalta.
2.2 Tutkimuksen aineisto
Taulukossa 2 on esitetty tutkimuksessa hyödynnettyä keskeistä aineistoa. Aineisto on valikoitu tutkimuksen kannalta keskeisen sisällön perusteella antamaan mahdollisimman selkeän kuvan sekä kokonaisuudesta että sen osatekijöistä ja se on jaoteltu taulukkoon
pitkälti tutkimuksen tärkeysjärjestyksen pohjalta. Yleisesti tutkimuksessa pyrittiin hyö- dyntämään monipuolisesti niin perinteistä data-analytiikkaa, big data -analytiikkaa, stra- tegista päätöksentekoa kuin datapohjaista päätöksentekoakin sisältävää materiaalia. Ai- neiston etsimisessä keskeisiksi tekijöiksi nousivat toisaalta tutkimuksen eri avainkoko- naisuuksien irrallinen tutkiminen, mutta myös avaintekijöitä yhdistävien syy-seuraussuh- teiden etsiminen ja syvällisempi ymmärtäminen. Aineiston julkaisuajankohtiin pyrittiin myös kiinnittämään huomiota ja saamaan tätä kautta mahdollisimman luotettava ja rele- vantti kuva tutkimukseen keskeisistä tekijöistä ja niiden vaikutuksista.
Taulukko 2. Tutkimuksen keskeistä aineistoa
Ennen varsinaisen synteesin tekemisetä jäljellä jäi vielä Finkin (2005, s. 54) kirjallisuus- katsauksen mallin pohjalta suoritettava varsinainen katsaus. Tässä korostuivat tutkimuk- sen aiheeseen ja avainkäsitteisiin liittyviin lähteisiin sekä muuhun aineistoon perehtymi- nen ja materiaalin tuottaminen tältä pohjalta. Tämä vaihe vaati selkeän standardoidun muodon, jonka pohjalta erilaisista relevanteista artikkeleista kerättiin tietoa ja etsittiin vaadittavia syy-seuraussuhteita.
Viimeisenä vaiheena Finkin (2005, s. 54) mallissa on tulosten syntetisointi. Kuvan 1 poh- jalta tähän vaiheeseen voidaan nähdä kuuluvan useita eri toimenpiteitä kuten laadun- tarkkailun ja meta-analyysin, joiden avulla tekstiä on tarkoitus haarukoida ja analysoida tärkeimpien teemojen esiin nostamiseksi. Tässä tutkimuksessa kirjallisuuskatsaus suo- ritettiin pitkälti kuvailevan katsauksen kautta meta-analyysin sijaan. Syntetisoinnin tar- koituksena oli luoda tiivis ja selkeä kokonaiskuva tutkimusaiheesta ja tarjota selkeitä vas- tauksia esitettyihin tutkimuskysymyksiin. Tähän kuului myös tutkimuksen vastausten pohjana olleen aineiston laadun kuvaileminen yleisellä tasolla. Olennaista tässä vai- heessa oli kuitenkin varmistaa, ettei tutkimusten integrointi jäänyt liian pinnalliseksi kä- sittelyksi, vaan siihen syvennyttiin riittävällä tarkkuudella, jotta katsauksen avulla kyetään tekemään syvällisempiäkin johtopäätöksiä.
3. DATA JA ANALYTIIKKA
3.1 Datan moninaisuus ja luokittelu
Jotta big dataa ja sen vaikutuksia päätöksentekoon voidaan arvioida, on aluksi ymmär- rettävä mitä data on, kuinka sitä voidaan luokitella, miten siitä saadaan arvoa ja mikä on datan merkitys päätöksenteossa. Tätä kautta on mahdollista luoda kehykset big datan ymmärtämiselle ja tarkemmalle analysoinnille. Datalla viitataan tietolähteestä kerättyyn tietomassaan, jolla ei vielä ole varsinaista semanttista merkitystä tai järjestystä. Artikke- lissaan (2014) Fernandes kuvaa sitä joukkona erillisiä, objektiivisia tosiasioita tai havain- toja, jotka ovat organisoimattomia ja käsittelemättömiä ja joilla ei ole merkitystä tai arvoa kontekstin ja tulkinnan puutteen vuoksi. Tämän pohjalta data itsessään on eri mittakaa- voissa mitattuna merkityksetöntä, jollei se saavuta tulkitsijansa näkökulmasta merkityk- sellistä muotoa. Datan arvo syntyykin vasta konteksti- ja aikasidonnaisuuden yhtey- dessä sen jalostuessa ylemmille tasoille ja sitä kautta tulkitsijalleen relevanttiin ja hyö- dylliseen muotoon (Rowley, 2006). Tämä datan jalostumiseen pohjautuva hierarkkinen rakenne on esitetty kuvassa 1 pyramidimallin avulla, josta datan eri tasojen ohella voi- daan havaita datan merkityksen ja arvon kasvaminen jalostumisen myötä.
Kuva 2. Datan jalostuminen eri tasoille (mukaillen Ritholtz, 2010)
Dataa pidetään monesti synonyymina sekä informaatiolle, tiedolle että viisaudelle, vaik- ka kaikki käsitteet tarkoittavatkin eri asioita. Yhtenäistä näille kaikille termeille kuvan 1 pohjalta on kuitenkin, että ne johtavat itsensä datasta. Data jalostuu ylemmälle tasolle informaatioksi vasta, kun se asetetaan oikeaan kontekstiin ja sitä organisoidaan ja ana- lysoidaan merkityksen ja arvon muodostamiseksi. Datasta voidaan siten ajatella muo- dostuvan informaatiota, kun sitä muokataan tarkastelijan kannalta hyödyllisempään
muotoon. Informaatio on dataa, joille on annettu jokin merkitys suhteellisen yhteyden kautta (Bellinger et al. 2004). Datan tapaan myös informaatio edustaa erilaisia esineiden ja tapahtumien ominaisuuksia, mutta tiiviimmin ja hyödyllisemmin. Näin ollen datan ja informaation välinen ero onkin rakenteellisuuden sijaan pitkälti funktionaalinen (Ackoff, 1989).
Tieto, tietämys ja viisaus ovat dataan ja informaatioon verrattuna huomattavasti jalostu- neempia ja abstraktimpia käsitteitä, joita monesti pidetään informaatiota syvällisempinä ja laajempina kokonaisuuksina. Tieto syntyy kognitiivisen prosessoinnin ja validoinnin myötä organisoidusta ja strukturoidusta informaatiosta ja pyrkii vastaamaan ”Miten?” - pohjaisiin kysymyksiin (Cooper, 2015). Siten tieto on ikään kuin tietynlainen kokoelma informaatiota, jonka on tarkoitus olla tulkitsijalleen hyödyllistä. Tieto ei kuitenkaan ole yksinkertaista tai virheetöntä, vaan sekoitus useita eri elementtejä kuten häilyvyyttä, for- maalisuutta ja intuitiivisuutta, jota on vaikea ymmärtää tai selittää sanoin. Se heijastaa tyypillisesti enemmän empiiristä kuin puhtaasti intuitiopohjaista ymmärrystä (Cooper, 2015).
Tietämys on interpolaarinen prosessi, jossa informaation ja aiemman tietämyksen poh- jalta syntetisoidaan uutta tietämystä. Se pyrkii vastaamaan kysymykseen ”Miksi?”. Bel- linger et al. (2004) mukaan keskeisin ero tiedon ja tietämyksen välillä perustuu juuri tä- hän tietämyksen kognitiiviseen ja analyyttiseen ominaisuuteen, jossa olemassa olevan tietämyksen ja informaation pohjalta on mahdollista luoda uutta tietämystä.
Kaikkia näitä käsitteitä, dataa, informaatiota, tietoa ja tietämystä, yhdistää niiden liittymi- nen kiinteästi menneisyyden tapahtumiin. Datan jalostumishierarkiassa huipulla oleva viisaus linkittyy kuitenkin kiinteästi tulevaisuuteen ja sen tapahtumiin. Se rakentuu kai- kista muista käsitteistä ja toisin kuin edelliset tasot, se pohtii kysymyksiä, joihin ei ole helposti saavutettavissa olevaa tai joissakin tapauksissa inhimillisesti tunnettua vas- tausta (Bellinger et al. 2004. Viisauteen liittyy myös toiminnan seurausten vaikutusten tunnistamista ja arviointia. Näin ollen se on prosessi, jonka avulla voidaan erottaa tai arvioida myös oikean ja väärän sekä hyvän ja pahan välillä (Bellinger et al. 2004).
3.2 Datalajit
Rakenteensa pohjalta data voidaan pääsääntöisesti luokitella joko strukturoiduksi tai strukturoimattomaksi (Russom 2011). Strukturoidulle datalle ominaista on selkeä ra- kenne, joka mahdollistaa datan käsittelyn ja muokkaamisen eri työkaluilla. Se on pitkälle organisoitua ja muotoiltu siten, että se on helposti haettavissa erilaisista relaatiotietokan- noista (Pickell 2018). Strukturoitu data luokitellaan useasti kvantitatiiviseksi ja se on
myös helposti tulkittavissa konekielellä. Strukturoimattomien ja semistrukturoitujen data- tyyppien kasvusta huolimatta suurin osa eri data-alustoilla käsiteltävästä datasta on edelleen strukturoitua dataa (Russom 2011). Esimerkiksi nimet, päivämäärät, luottokort- tinumerot ja osaketiedot koostuvat pääsääntöisesti strukturoidusta datasta.
Strukturoimaton data koostuu huomattavasti vaikeammin tulkittavasta rakenteesta, eikä sillä ole ennalta määritettyä muotoa, mikä tekee sen käsittelystä ja analysoinnista selke- ästi haastavampaa. Strukturoimaton data luokitellaan useimmiten kvalitatiiviseksi da- taksi, eikä sitä voida käsitellä ja analysoida tavanomaisilla datan analysointityökaluilla ja -menetelmillä (Pickell 2018). Strukturoimatonta dataa löytyy esimerkiksi sähköpostivies- teistä, yritysten intranet -portaaleista ja PDF-tiedostoista.
Kuva 3. Datan eri lajeja (mukaillen Kaisler et al. 2014)
Data voidaan jaotella eri lajeihin rakenteen ja volyymin perusteella. Pääsääntöisesti ja- ottelu tehdään joko viiteen tai kuuteen eri kategoriaan, joita ovat Master data, metadata, referenssidata, transaktiodata, analytiikkadata ja big data (Nicolas 2018). Ylle kuvaan 2 on koottu eri datalajit ja niiden keskeisimmät ominaisuudet. Datalajit on järjestetty volyy- min pohjalta, josta huomataan big datan omaavan selkeästi korkeimman volyymin mui- hin datalajeihin verrattuna.
3.3 Big data
Big datalla tai massadatalla viitataan yleisesti suurten ja jatkuvasti kasvavien strukturoi- tujen ja strukturoimattomien datamassojen keräämiseen, analysointiin, hallintaan ja hyö- dyntämiseen erilaisten työkalujen ja tilastotieteen menetelmien avulla. Kaisler et al.
(2014) määrittelee artikkelissaan big datan sellaisiksi datan määriksi, jotka juuri ylittävät teknologian kapasiteetin datan tehokkaaseen hallintaan ja prosessointiin. Puhutaan siis datasta, jota on paljon, jota tulee nopeasti lisää ja joka on muodoltaan vaihtelevaa (LVM, 2013).
Itse terminä big data on pitkälti tietynlainen teknologian kehityksen ja digitalisaation mu- kanaan tuoma trendisana, jolle ei varsinaisesti ole olemassa yhtä yleispätevää määritel- mää, vaan määritelmät vaihtelevat ajasta ja kontekstista riippuen. Artikkelissaan (2021) toteaa, ettei termin big data määrittelyssä keskeistä ole datamäärien itsensä koko, vaan kyky analysoida monimutkaisia ja suurikokoisia datamassoja jatkuvasti kehittyvien me- netelmien avulla. Russom (2011) puolestaan korostaa tekstissään datamassojen koon lisäksi erityisesti datan moninaisuuden ja nopeuden merkitystä termiä määriteltäessä.
Kokonaisuutena big datan määritelmien voidaankin nähdä vaihtelevan huomattavasti riippuen tarkastelijan näkökulmasta datan lähteisiin ja entiteetteihin sekä varsinaisiin da- tatyyppeihin.
Big data on suhteellinen käsite, jonka määrittelyä voidaan lähestyä erilaisten sitä kuvaa- vien ulottuvuuksien kautta. Ulottuvuuksia voidaan kontekstista ja tilanteesta riippuen tun- nistaa yleensä kolmesta seitsemään. Niiden vaihtelevasta lukumäärästä huolimatta kes- keiset kolme ulottuvuutta, volyymi, nopeus ja vaihtelevuus, luovat pohjan kaikille eri mal- leille (Russom 2011):
• Volume eli datan määrä
• Velocity eli datan syntymis- ja liikkumisnopeus
• Variety eli datan vaihteleva rakenne
Ulottuvuuksia on ajan kulumisen ja big datan merkityksen kasvaessa määritelty yhä enemmän. Tässä tutkimuksessa big dataa käsitellään Xia et al. (2018) 5V-mallin poh- jalta, jonka mukaan big datan keskeiset ulottuvuudet ovat volyymi (eng. volume), vaihtelu (eng. variety), vauhti (eng. velocity), todenmukaisuus (eng. veracity) ja arvo (eng. va- lue). Tämä malli on esitettynä kuvassa 4.
Kuva 4. Big datan 5V-malli (mukaillen Xia et al. 2018)
Arvo (eng. value) kuvaa datan konkreettista arvoa, jonka se yrityksen tai organisaation liiketoimintaan pystyy tuomaan. Data ei kuitenkaan itsessään ole liiketoiminnan kannalta hyödyllistä, vaan sitä on kyettävä analysoimaan eri työkalujen ja metodien avulla arvon luomiseksi (Bhadani & Jothimani, 2016). Esimerkiksi verkkosivustoilta kerätyt kävijämää- rätiedot tarjoavat yrityksille liiketoiminta-arvoa vasta, kun kävijämäärädataa kyetään ana- lysoimaan oikeilla työkaluilla ja tuotettujen analysointien pohjalta ennustamaan asiakas- käyttäytymistä.
Datan todenmukaisuus (eng. veracity) viittaa dataan liittyvään epäluotettavuuteen (Gandomi & Haider 2015). Luotettava data on kyettävä erottamaan epävarmasta ja epä- tarkasta datasta ja toisaalta samanaikaisesti hallittava dataan liittyvää epävarmuutta. Eri- tyisesti liiketoiminnassa ja päätöksenteossa luotettavien ja laadukkaiden päätösten ta- kaamiseksi on datan alkuperä kyettävä tunnistamaan. Erilaiset sensoritiedot voivat esi- merkiksi olla epätarkkoja tai useat käyttäjät voivat käyttää samaa käyttäjätunnusta, joista aiheutuu epätarkkuutta kerättävän datan luotettavuuteen (van der Aalst 2016).
Vaihtelulla (eng. variety) kuvataan big datan heterogeenistä luonnetta. Vaihtelu viittaa big datan eri tyyppeihin, joita aktiivisesti luodaan ja talletetaan (Bhadani & Jothimani 2016).
Volyymilla (eng. volume) viitataan samanaikaisesti sekä datan suuruuteen että laajuu- teen. Datamäärien tuottamisen ja käsittelyn jatkuvasti kasvaessa volyymista muodostu- nut tietynlainen big datan ominaispiirre, jonka pohjalta se usein määritellään. On selvää,
että big datan ulottuvuuksia tutkittaessa juuri datan volyymi on tietynlainen perustavan- laatuinen ominaisuus, jonka kautta monet ihmiset määrittelevät big datan joko tera- tai petabitteina (Russom 2011). Varsinaisten datamassojen suuruuden lisäksi volyymi Vauhdilla (eng. velocity) kuvataan ensisijaisesti big datan syntymisnopeutta, mutta se liittyy kiinteästi myös tämän syntyneen datan analysointinopeuteen. Singh & Singh (2012) korostavat vauhdin yhteydessä erityisesti ajan merkitystä. Perinteinen data-ana- lytiikka pohjautuu pitkälti datan analysointiin tietyissä jaksoissa ja tietyin aikavälein. Da- tan syntymisvauhdin kasvaessa big dataa tulisikin prosessoida ja analysoida reaa- liajassa tai lyhyellä aikavälillä asiantuntevien ja laadukkaiden päätösten tekemiseksi (Bhadani & Jothimani 2016).
Joissakin big dataa kuvaavissa malleissa V-jakoa on jo aiemmin todetun perusteella laa- jennettu vielä kuvaa 4 pidemmälle. Kirjassaan (2016) Faggiolani kuvaa big datan ulottu- vuuksia 7V-mallin pohjalta, jossa Xia et al. (2018) mallin lisäksi huomioidaan visualisoin- nin (eng. visualization) ja vaihtelevuuden (eng. variability) ulottuvuuksien merkitys big dataa määriteltäessä. Spaulding (2019) puolestaan esittää artikkelissaan big datan 8V- mallin pohjalta, jossa mukaan on tuotu vielä viraalisuuden (eng. virality) merkitys big da- tan olemuksessa. Eri malleissa on big datan ominaisuuksien vaihtelun ja eri painotuksen lisäksi olennaista huomioida myös näkökulmaan vaihtelu joko enemmän teknisenä tai liiketoiminallisempana kuvauksena.
3.4 Datasta analytiikkaan
Data-analytiikka pohjautuu systemaattiseen ja kvantitatiiviseen datan tai statistiikan ana- lysointiin. Se viittaa erilaisiin teorioihin, tekniikoihin, työkaluihin ja prosesseihin, jotka mahdollistavat datan syvällisen ymmärtämisen ja sen olemusta koskevan toimintakel- poisen näkemyksen muodostamisen (Longbing 2017). Data-analytiikka perustuu datan analysoimiseen saattamiseen sellaiseen muotoon, että siitä on hyötyä päätöksenteossa.
Runkler (2012) määritteleekin tekstissään data-analytiikan erilaisten tietokonejärjestel- mien soveltamiseksi erilaisten datasettien analysointia varten päätöksenteon tuke- miseksi. Käytännössä tämä tapahtuu tilastojen, tietokoneohjelmoinnin ja erilaisten ma- temaattisten mallien samanaikaiseen soveltamiseen suorituskyvyn kvantifioimisen avulla.
Data-analytiikkaa hyödynnetään haluttujen kaavojen ja mallien etsimiseen ja tulkitsemi- seen suuresta datamäärästä, jolloin se edellyttää myös keskeisten tietomallien tunnista- mista ja soveltamista tehokkaan päätöksenteon takaamiseksi. Russom (2011) toteaakin
artikkelissaan analytiikan auttavan meitä selvittämään, mikä on muuttunut ja miten mei- dän pitäisi reagoida tähän muutokseen.
Data-analytiikka voidaan jakaa analyysin arvon ja kompleksisuuden pohjalta neljään eri tasoon, joita ovat deskriptiivinen, diagnostiivinen, prediktiivinen ja preskriptiivinen analy- tiikka. Näiden tasojen pohjalta päätöksentekoa voidaan tehostaa (Bekker 2017). Eri ta- sot on kuvattuna alla kuvassa 1. Ensimmäinen kuvan 1 pohjalta merkittävä asia on huo- mata, että kaksi ensimmäistä analytiikan tasoa koskevat menneisyyttä ja kaksi viimeistä puolestaan tulevaisuutta. Toinen olennainen asia on analytiikan luoman arvon ja komp- leksisuuden välinen suhde: vähiten kompleksinen data on samalla vähiten hyödyllistä, kun taas monimutkaisemmalla datalla on mahdollisuus lisätä enemmän arvoa.
Kuva 5. Data-analytiikan eri tasot (mukaillen Gartner, 2012)
Deskriptiivinen eli kuvaileva analytiikka pyrkii vastaamaan kysymykseen ”Mitä tapah- tui?”. Se käsittelee raakadataa useista eri tietolähteistä antaakseen arvokasta tietoa menneisyydestä (Bekker 2017). Deskriptiivinen analytiikka onkin ensimmäinen vaihe monimutkaisessa analytiikkaprosessissa, jolloin se tarjoaa vankan pohjan jatkoanalytii- kalle (Jung, 2018).
Vastaus kysymykseen ”Miksi jotain tapahtui?”, voidaan saada siirtymällä kuvaa 4 mu- kaillen askelta ylöspäin deskriptiivisestä analytiikasta kohti diagnostiivistä analytiikkaa.
Sen avulla erilaisten syy-seuraussuhteiden etsiminen kerätystä datasta on mahdollista.
Bekker (2017) toteaakin diagnostiivisen analytiikan pyrkivän antamaan syvällisen käsi- tyksen jostakin spesifistä ja erikseen määritetystä ongelmasta. Diagnostiivinen analy- tiikka tarkastelee tietoja syvällisemmin mittaamalla historiatietoja muihin tietoihin nähden ja tarkastelee siksi niitä paremmin.
Analytiikan kaksi viimeistä tasoa, prediktiivinen ja preskriptiivinen analytiikka, pohjaavat tulevaisuuden tapahtumiin ja ilmiöihin ja ovat siksi erityisesti strategisen päätöksenteon kannalta keskeisessä asemassa. Prediktiivinen eli ennakoiva analytiikka pohtii, mitä tu- levaisuudessa tulee mahdollisesti tapahtumaan. Se hyödyntää deskriptiivisen ja diag- nostiivisen analytiikan tuloksia erilaisten klustereiden ja poikkeuksien havaitsemiseksi sekä tulevien trendien ennustamiseksi, mikä tekee siitä arvokkaan työkalun ennustami- seen (Bekker 2019). Prediktiivinen analytiikka kuuluu niin sanottuihin edistyneisiin ana- lyysityyppeihin ja tuo mukanaan useita etuja, kuten syvällisen oppimisen ja ennakoivan lähestymistavan mahdollisuudet. Eckerson (2007) toteaa sen voivan näin auttaa yrityk- siä optimoimaan nykyisiä prosesseja, ymmärtämään paremmin asiakkaiden käyttäyty- mistä ja ennakoimaan ongelmia jo ennen niiden syntymistä.
Preskriptiivinen analytiikka puolestaan antaa mahdollisuuden tehdä suosituksia tulevai- suutta varten. Tekstissään (2017) Longbing viittaa preskriptiivisellä analytiikalla sellai- seen data-analytiikan muotoon, joka tyypillisesti hyödyntää tilastotiedettä datan kerää- miseen tai muihin hyödyllisiin tarkoituksiin. Sen pohjalta tehtävän analyysin tarkoituk- sena on määrätä, millaisia toimia on tehtävä mahdollisen tulevan ongelman poista- miseksi tai lupaavan trendin täysmääräiseksi hyödyntämiseksi esimerkiksi liiketoimin- nassa. Toisin kuin edelliset kolme analytiikan tasoa, preskriptiivinen analytiikka hyödyn- tää palautesysteemiä oppimaan ja parantamaan määrättyjen toimien ja niiden tulosten välistä suhdetta (de Jong, 2019).
3.5 Big data -analytiikka
Nykypäivän dynaamisessa liiketoimintaympäristössä analysoitava data ei ole vain mää- rällisesti suurta, vaan se myös koostuu erilaisista datatyypeistä ja yhä useammin vaihte- levasta rakenteesta. Vaikka datamäärien jatkuvan kasvun myötä dataa voidaan kerätä entistä enemmän hyödyllisen ja relevantin tiedon löytämiseksi, on totuus, että datan määrän kasvu ei välttämättä tarkoita hyödyllisen datan määrän lisääntymistä (Tsai et al.
2015). Analysoitava data voi siten hyödyllisen tiedon ohella sisältää enemmän joko epä- selvää tai epänormaalia tietoa. Siksi perinteisten datan analysointimenetelmien rinnalle noussut big data -pohjainen analytiikka tarjoaa uuden lähestymistavan juuri näiden suur- ten, heterogeenisten ja liikkuvien datamassojen analysointiin.
Big data -analytiikassa yhdistyy joukko erilaisia työkaluja ja menetelmiä, jotka on kehi- tetty erityisesti big datan ominaisuudet (kuva 4) täyttävän datan käsittelyyn. Perinteiseen analytiikkaan ja sen työkaluihin verrattuna big data -analytiikka kykenee vastaamaan sellaisiin datan haasteisiin, jotka ovat liian nopeita, liian strukturoimattomia ja liian laajoja
perinteisten analytiikka työkalujen ratkaistavaksi (Zakir et al. 2015). Siten big data -ana- lytiikassa onkin kyse erityisesti kahdesta keskeisestä asiasta - big datasta ja analytiikasta yhdessä - sekä siitä, miten nämä kaksi käsitettä voivat yhdessä luoda potentiaalista lii- ketoiminta-arvoa yrityssektorilla nyt ja erityisesti tulevaisuudessa.
Kuva 6. Keskeisimpiä eroja perinteisen data-analytiikan ja big data -analytiikan vä- lillä (mukaillen. Yan, 2013)
Vaikka big data -analytiikka perustuukin osittain perinteisen datan analysoinnissa hyö- dynnettyihin menetelmiin kuten tilastolliseen analyysiin, datan visualisointiin ja koneop- pimiseen, voidaan siinä nähdä selkeitä eroja perinteiseen data-analytiikkaan verrattuna.
Yllä olevaan kuvaan 6 on kerätty keskeisimpiä perinteisen data-analytiikan ja big data - analytiikan eroavaisuuksia. Esimerkiksi perinteinen analytiikka pohjautuu pitkälti histo- riapainotteiseen dataan, jonka analysoinnin pohjalta valitaan tilanteeseen sopiva malli ja määritellään ennakkoon tarvittavat muuttujat. Lopulta valittua mallia sovitetaan saatavilla olevaan dataan ja pyritään estimoimaan mallin parametrit. Big datan analysoinnissa läh- detään puolestaan liikkeelle itse datasta, sen keräämisestä ja tallentamisesta, jonka jäl- keen vasta pyritään etsimään erilaisia malleja ilman ennakko-oletuksia (Dobinson 2017).
Big data -analytiikkaan pohjautuvaa analyysia voidaan hyödyntää perinteiseen data-ana- lyysiin verrattuna myös huomattavasti syvällisemmin. Perinteisen analytiikan lähestymis- tavoissa oppimisen vaikutuksia on mahdollista tarkastella vain yhden tai kahden reaali- maailman mittarin kautta, kun taas big data -analytiikka mahdollistaa uudenlaisten ja odottamattomien vaikutusten etsimisen datan avulla (Dobinson 2017). Reaaliaikaisen ja tulevaisuuspainotteisen datan prosessoinnin myötä esimerkiksi erilaisten trendien ana- lysoiminen tulee big datan myötä mahdolliseksi.
Perinteisessä data-analyysissä hyödynnetään pääsääntöisesti melko yksinkertaisia työ- kaluja ja järjestelmiä, sillä analysoitava data on jo valmiiksi jäsenneltyä, eikä big dataan
verrattuna yhtä monimutkaista. Big datan tehokkaaksi hyödyntämiseksi on sen sijaan käytettävä huomattavasti kehittyneempiä teknisiä työkaluja, sillä erityisesti big datan kes- keisen ulottuvuuden, volyymin pohjalta sitä ei ole helppo prosessoida (Russom 2011).
Kuvan 6 pohjalta voidaan havaita, kuinka siirryttäessä perinteisestä data-analytiikasta big data -analytiikkaan, tapahtuu selkeitä muutoksia. Datan avainominaisuudet muuttu- vat merkittävästi, data on pääosin strukturoimatonta, sen määrä kasvaa selkeästi ja se on saatavilla reaaliajassa. Myös analyysin kohde laajenee big datan myötä puhtaasta otoksesta koko populaatioon. Muutosten myötä tarvitaankin uusien analysointimetodien ja työkalujen lisäksi uutta ja erityyppistä ajattelua siitä, miten arvoa voidaan tehokkaim- min saada käytettävissä olevan datan pohjalta (Lukic 2017).
Koska big data on perinteiseen dataan nähden selkeästi monimutkaisempaa ja haasta- vampaa käsiteellä, vaatii sen analysointi kehittyneempien työkalujen ja metodien lisäksi myös uudenlaista osaamista. Perinteisen datan käsittelyssä osaaminen painottuu pitkälti erilaisten analyysityökalujen ja tekniikoiden hyödyntämiseen datan keräämiseksi, pro- sessoimiseksi ja erilaisten raporttien ja visualisointien luomiseksi. Big datan yhteydessä osaamisen painottuu puolestaan kykyyn hallita suuria datamassoja käsitteleviä järjestel- miä ja analysoida dataa reaaliajassa, jolloin edistynyt analyyttinen tietämys ja ymmärrys hajautetuista järjestelmistä nousevat avainasemaan (Sharma 2019).
Uniikeista ominaisuuksistaan huolimatta perinteinen ja big data -analytiikka muodostavat tiiviin kokonaisuuden, jossa keskeisimmät erot näiden kahden välillä painottuvatkin pää- sääntöiseesti eroihin niiden määrittelyissä, soveltamismahdollisuuksissa ja osaamisvaa- timuksissa. Vaikka big data -analytiikka onkin perinteiseen analytiikkaan verrattuna sel- keästi kehittyneempää, vaatii sen täyspainoinen hallitseminen ensin ymmärrystä perin- teisestä datasta ja sen analysoinnista. Siksi näitä kahta kokonaisuutta ei täysin voikaan irrottaa toisistaan, vaan niitä on kyettävä hyödyntämään osittain toisiaan tukien.
4. STRATEGIA JA STRATEGINEN PÄÄTÖKSEN- TEKO
4.1 Strategia
Strategia on moninainen käsite, jonka määritteleminen yksiselitteisesti on hankalaa. Tä- hän vaikuttaa pitkälti strategian ilmeneminen erilaisina kokonaisuuksina eri asiayhteyk- sissä. Artikkelissaan (1996) Porter toteaa strategian olevan erilaisista ainutlaatuisista ja arvostetuista tekijöistä koostuva kokonaisuus, joka sisältää erilaisia toimintoja ja ohjaa toimintaa. Strategia voidaan näin melko abstraktilla tasolla määritellä tietynlaiseksi orga- nisaation toimintaa ohjaavaksi punaiseksi langaksi, jonka avulla tulevaisuuden tavoiteltu päämäärä eli visio pyritään saavuttamaan. Toisaalta artikkelissaan (2007) Osinga kuvaa strategiaa tietynlaisena käsitteellisenä yhteytenä toiminnan ja vaikutuksen välillä. Tällöin strategia saa konkreettisemman näkökulman toimimalla ikään kuin tietynlaisena toimin- tasuunnitelmana halutun lopputuloksen saavuttamiseksi. (Osinga 2007)
Strategiaa tarkastellaan usein eri tasojen kautta esimerkiksi hyödyntämällä pyramidimai- sia tai hierarkkisia kehyksiä, jolloin strategian yhdistäminen erilaisten operaatioiden kanssa on yksinkertaisempaa ja strategian hierarkkisen rakenteen kuvaaminen selkey- tyy (Heywood & Kenley 2007). Keskeiset strategian tasot voidaan näin jakaa yritys-, liiketoiminta- ja toimintastrategiaan ja niitä voidaan kuvata esimerkiksi pyramidimallin avulla kuvan 5 esittämällä tavalla.
Kuva 7. Strategian eri tasot (mukaillen Heywood & Kenley, 2007)
Wrightin (2019) mukaan yritysstrategian tehtävänä on asettaa suunta koko organisaa- tiolle, esimerkiksi kuvaamalla, minkälaisilla markkinoilla organisaatio kilpailee. Se määrit- tää siten koko organisaation strategisen toiminnan punaisen langan ja toimii pohjana myös alempien tasojen strategiselle suunnittelulle. Liiketoimintatason strategia puoles- taan kuvaa strategisen suunnittelun ja toteutuksen, jota tapahtuu yksittäisen liiketoimin- tayksikön suunnan asettamiseksi ja ohjaamiseksi (Wright 2019). Tähän tasoon sisältyy erilaisia toimia, joilla organisaatio pyrkii rakentamaan ja vahvistamaan kilpailuase- maansa markkinoilla.
Alimmalla tasolla sijaitseva toimintastrategia käsittelee erottuvan osaamisen kehittä- mistä ja vaalimista resurssien tuottavuuden maksimoimiseksi. Tämän tason strategioihin sisältyy lyhytaikaisten toiminnallisten tavoitteiden asettamista, joiden saavuttaminen luo perustan ylempien tasojen strategioiden toteutumiselle. Vaikka yritystason strategiaa voidaan pitää yrityksen suunnitteluprosessin ylimpänä tasona, on jokaisella päätöksen- teon tasolla kaksisuuntainen vaikutus (Heywood & Kenley 2007).
Tehokas strateginen johtaminen on elintärkeää organisaatioiden selviytymiseksi nyky- maailman kasvavasta kilpailusta ja liiketoiminnan monimutkaisuudesta. Strateginen joh- taminen näkyy organisaation rakenteissa paitsi ylimmän johdon jokapäiväisenä päätök- sentekona, niin myös alempien tasojen päätöksenteossa. Fitri et al. (2019) toteaa teks- tissään kaikkien eri tasojen päättäjillä olevan vastuu tehokkaasta strategian luomisesta.
Strateginen päätöksenteko perustuu pitkälti erilaisten työkalujen ja prosessien hyödyn- tämiseen tulevaisuuden ja sen tuomien muutosten mahdollisimman tarkaksi ennusta- miseksi. Keskeistä strategisessa päätöksenteossa on organisaation kyky hyödyntää oi- keanlaista tietoa ja ymmärrystä tukemaan tulevaisuuden kannalta oikeiden asioiden tun- nistamista.
4.2 Strateginen päätöksentekoprosessi
Strategisten päätösten tekeminen pohjautuu valitsemiseen erilaisten vaihtoehtojen vä- lillä. Tekstissään (2011) Eisenfuhr kuvaa sitä prosessiksi, jossa valitaan useiden vaihto- ehtojen välillä halutun tuloksen saavuttamiseksi. Keskeisiksi elementeiksi tässä proses- sissa nousevat valinta eri vaihtoehtojen välillä, prosessin koostuminen muustakin kuin vain lopullisesta valinnasta vaihtoehtojen joukosta sekä halutun tuloksen sisältämän ta- voitteen, johon päätöksentekijä sitoutuu saavuttaakseen lopullisen päätöksen. Tätä pro- sessia tuetaan erilaisten työkalujen ja päätöksentekoa tukevien prosessien avulla.
Menestyksekäs strategia ilmenee päätöksentekoprosessista, jossa kehitetään kollektii- vista intuitiota, kiihdytetään rakentavaa konfliktia, ylläpidetään päättäväistä tahdistusta
ja vältetään politiikkaa (Eisenhardt 1999). Kuvassa 2 on esitettynä yleinen strategista päätöksentekoa tukeva prosessi, joka koostuu ongelman tunnistamisesta ja määrittä- misestä, ratkaisuvaihtoehtojen luomisesta ja arvioimisesta, varsinaisen päätöksen tai va- linnan tekemisestä ja käyttöönottamisesta sekä päätöksen tehokkuuden arvioinnista.
Kuva 8. Perinteinen strateginen päätöksentekoprosessi (mukaillen Lunenburg, 2010)
Ongelman tunnistamisen jälkeen edessä on ratkaisuvaihtoehtojen luominen tunnistetun ongelman pohjalta. Ongelman tunnistaminen ennen ratkaisuvaihtoehtojen luomista on avainasemassa, sillä mitä tärkeämpi päätös on kyseessä, sitä enemmän huomiota on kiinnitettävä ratkaisuvaihtoehtojen kehittämiseen (Lunenburg 2010). Varsinaisten vaih- toehtojen luomisen jälkeen edessä on niiden huolellinen arvioiminen sekä parhaan vaih- toehdon valitseminen ja implementointi. Vaihtoehtojen arviointi perustuu Grantin (2011) mukaan kolmeen keskeiseen kysymykseen ja niiden tutkimiseen. Aluksi olennaista on tutkia, onko vaihtoehto mahdollinen tai toteuttamiskelpoinen. Tämän jälkeen on pohdit- tava tyydyttääkö vaihtoehto ja kolmantena kysymyksenä keskeistä on pohtia, millaisia vaikutuksia tällä vaihtoehdolla tulee olemaan.
Eri ratkaisuvaihtoehtojen arvioimisen jälkeen seuraava vaihe on valinnan tekeminen.
Vaikka valintaa edeltävän arviointivaiheen pohjalta joitain ratkaisuvaihtoehtoja on pys-
tytty poistamaan, on useimmissa tapauksissa edelleen jäljellä kaksi tai useampi vaihto- ehto (Lunenberg 2011). Lopuksi jäljellä on vielä päätöksen implementointi. Implemen- tointi-vaiheen osuus päätöksentekoprosessissa on merkittävä, sillä huonosti suunniteltu ja toteutettu implementointi voi pahimmassa tapauksessa johtaa koko päätöksen epäon- nistumiseen.
4.3 Strategisen päätöksenteon haasteita
Liiketoimintaympäristön ja teknologian jatkuva kehittyminen pakottavat yritykset sopeu- tumaan jatkuvasti muuttuviin olosuhteisiin. Jatkuvien olosuhteiden muutosten myötä sekä päätöstenteon tiheys että päätösten lukumäärä kasvavat jatkuvasti, jolloin erityi- sesti tulevaisuuteen tähtäävien pitkän aikavälin päätösten tekeminen vaikeutuu. Strate- gisen päätöksenteon yhteydessä epävakaissa toimintaympäristöissä toimiminen näkyy kompleksisuuden kasvamisena ja päätöksenteon vaikeutumisena (Vermeulen & Curseu 2008, s. 67).
Ideaalitilanteessa strategisen päätöksentekoprosessin (kuva 6) tulisi pohjautua pitkälti rationaalisuuteen, jolloin siihen kuuluvat päätökset pohjautuvat varmuuteen (Lunenburg 2010). Päätösten määrän ja päätöksentekotiheyden kasvun myötä niiden perustuminen intuitioon rationaalisuuden sijaan kuitenkin kasvaa, eikä päätöksenteko perustu enää faktapohjaiseen tietoon ja varmuuteen. Puhtaasti intuitioon pohjautuva päätöksenteko laskee todennäköisyyttä päättämisen onnistumisessa. (Baer et al. 2012). Intuitio on kui- tenkin erityisesti strategisen päätöksenteon yhteydessä keskeisessä asemassa päätök- senteon yhteydessä, sillä päätöksenteko siinä perustuu aina tietyltä osin ennustamiseen ja tuntemattoman arvioimiseen (Khatri & Alvin 2000, s.62).
Epävarmuus päätöksenteossa
Erityisesti strategisessa päätöksenteon yhteydessä epävakaan toimintaympäristön li- säksi esille nousee epävarmuus (Vermeulen & Curseu 2008). Tämän päivän kilpailuky- kyinen liiketoimintaympäristö edellyttää, että yritykset tekevät parempia ennusteita mo- nimutkaisista toimintaympäristöistään ja reagoivat muuttuviin olosuhteisiin nopeasti.
Vasconcelos & Ramirez (2009, s. 237 - 238) toteavatkin nykyaikaisten organisaatioiden joutuvan käsittelemään laajaa joukkoa erilaisia sisäisiä ja ulkoisia ongelmia, jotka aiheut- tavat sekä erilaisia komplikaatioita että monimutkaisuutta strategiseen päätöksentekoon ja joihin on kyettävä reagoimaan tehokkaasti.
Päätöksentekoon kohdistuvaa epävarmuutta ilmenee, kun potentiaalisen päätöksen mahdollisista seurauksista on saatavilla vain rajoitettu määrä tietoa (Huettel 2005).
Tekstissään (2003) Walker toteaa epävarmuuden liittyvän tiedon puutteen lisäksi myös
ymmärryksen puutteellisuuteen ja puutteelliseen tietoon. Strategisessa päätöksente- ossa tämä näkyy haasteina päätöksentekoprosessin (kuva 8) eri vaiheissa.
Kuva 9. Epävarmuustekijöiden merkitys päätöksentekoprosessiin (mukaillen El- banna, 2006)
Ongelman tunnistamisen, määrittämisen ja ratkaisuvaihtoehtojen luomisen yhteydessä epävarmuutta ilmenee pääosin tiedon puutteena ympäröivästä toimintaympäristöstä, mikä voi esimerkiksi rajoittaa päätöksentekijää tavoitteiden asettamisessa. Ratkaisu- vaihtoehtojen arvioimisen yhteydessä epävarmuus korostuu erityisesti tulevaisuuden analysoimisen haasteina. Tätä tukee myös Elbanna (2006) artikkelissaan toteamalla epävarmuuden pohjautuvan ratkaisuvaihtoehtojen arvioimisen yhteydessä kyvyttömyy- teen luoda ennusteita, ennakoida tulevaisuuden skenaarioita ja erotella eri vaihtoehtoja toisistaan.
Päätöksen tekemisen yhteydessä epävarmuus ilmenee luonnollisesti haasteena valita paras ja optimaalisin vaihtoehto saatavilla olevan informaation ja intuition perusteella (Elbanna, 2006). Varsinaisen päätöksen implementoinnin yhteydessä epävarmuus koh- distuu pitkälti edellisten vaiheiden haasteisiin epävarmuuden käsittelyssä sekä niiden laadun, tehokkuuden ja vaikuttavuuden arviointiin. Päätöksen implementoinnin jälkeen viimeisenä vaiheena jäljelle jää päätöksen tehokkuuden arvioiminen ja analysointi. Pää- töksentekijä saattaa kokea epävarmuutta implementoidun päätöksen todellisista vaiku- tuksista erityisesti aiempien vaiheiden yhteydessä saatavien tietojen määrän ja laadun puutteen vuoksi.
5. BIG DATA –ANALYTIIKKA STRATEGISEN PÄÄ- TÖKSENTEON TUKENA
Tämän luvun tarkoituksena on käsitellä big data -analytiikan vaikutuksia strategisen pää- töksenteon keskeisiin tunnistettuihin haasteisiin. Aluksi käsitellään päätöksenteon tehok- kuutta ja käydään läpi, miten big data -analytiikka voi tehostaa strategista päätöksente- koa ja minkälaisia hyötyjä se tähän prosessiin mahdollisesti tarjoaa. Tämän jälkeen kä- sitellään epävarmuuden roolia strategisen päätöksentekoprosessin eri vaiheissa ja sel- vitetään, millaisia vaikutuksia big data -analytiikalla on päätöksentekoprosessin eri vai- heiden epävarmuustekijöihin. Lopuksi käydään vielä läpi, millaisia muutoksia big data - analytiikan hyödyntäminen aiheuttaa perinteisen strategisen päätöksentekoprosessin struktuurissa.
5.1 Strategisen päätöksenteon tehokkuus
Big datan nouseminen osaksi päätöksentekoa on viime vuosina kasvanut merkittävästi ja päätöksenteko nykypäivän yritysorganisaatioissa perustuukin pitkälti suurten data- massojen analysointiin. Jeble et al. (2018) nostaa esille big datan merkityksen yritysten arvonluonnissa erityisesti strategisten, mutta myös muiden tasojen päätöksenteon yh- teydessä. Big data tuo perinteiseen analytiikkaan verrattuna mukanaan erilaisia kehitty- neempiä ohjelmistoja ja uusia työkaluja, joiden avulla päätöksentekoa on mahdollista tehostaa. Kehittyneellä ohjelmistolla on mahdollisuus parantaa päätöksentekoprosessia esimerkiksi automatisoiduilla algoritmeilla, jotka analysoivat automaattisesti kerättyä da- taa ja suorittavat sen pohjalta tarpeellisia toimintoja (Lukic, 2017). Tällainen tehokkaiden sovellusten hyödyntäminen erilaisten hypoteesien testaamiseksi ja tehtyjen päätösten tulosten analysoimiseksi voi merkittävästi parantaa päätöksentekoprosessia (McGuire et al. 2012).
Yksi merkittävistä muutoksista big datan myötä on siirtyminen intuitiivisesta päätöksen- teosta yhä laajemmin dataan pohjautuvaan päätöksentekoon (Provost & Fawcett 2013).
Oikean ja relevantin datan analysoinnin kautta voidaan luoda pohja datapohjaisemalle päätöksenteolle, jolloin intuition osuus päätöksissä pienenee ja varmuus päätösten on- nistumisesta kasvaa (Stobierski 2019). Digitalisaation ja datamäärien jatkuvan kasvun myötä oikean ja relevantin tiedon löytyminen muuttuu kuitenkin jatkuvasti haastavam- maksi perinteisten analytiikan työkalujen avulla. Perinteiseen dataan ja analytiikkaan verrattuna big data -analytiikka mahdollistaa kuitenkin entistä laajemman ja tarkemman
datan analysoinnin suuristakin datamassoista, jolloin päätöksenteon pohjautuminen luo- tettavaan ja relevanttiin tietoon voidaan datamäärien kasvusta huolimatta säilyttää, eikä riski oikean tiedon hukkumisesta tai ohittamisesta kasva liian suureksi.
Big datalla on merkittäviä vaikutuksia myös päätöksentekoon liittyvien kustannusten ja ajankäytön lyhentämiseen. Erilaiset big data -analyysitekniikat ovat nousemassa merkit- tävästi edullisempana vaihtoehtona verrattuna perinteisiin menetelmiin ja tietokantoihin erityisesti niiden tehokkuuden ja niihin pohjautuvan päätöksenteon reaaliaikaisuuden myötä (Jeble et al. 2018). Nykypäivän liiketoimintaympäristössä lähes kaikki toiminta ta- pahtuukin reaaliajassa ja elämme maailmassa, joka päivittyy jatkuvasti. Reaaliaikaisuus big data -analytiikan avulla luo tähän niin sanotun online-päätöksentekomahdollisuuden, jossa päätöksenteko saa jatkuvasti tuekseen viimeisintä dataa. Esimerkiksi erilaisten kuljetuspalvelujen tarjoajat kykenevät tämän ominaisuuden kautta hyödyntämään big dataa ajoneuvojen reaaliaikaisessa reitityksessä, noutoaikojen minimoimiseksi ja asia- kaskokemuksen optimoimiseksi.
5.2 Vaikutukset epävarmuuteen päätöksenteossa
Tiedon puute on keskeisimpiä päätöksentekoon kohdistuvaa epävarmuutta aiheuttavia tekijöitä (Huettel, 2005). Tämän pohjalta voidaankin ajatella, että päätöstä tehtäessä en- simmäiset askeleet epävarmuuden vähentämiseksi perustuvat usein juuri saatavilla ole- van tiedon määrän lisäämiseen. Big datan ominaisuuksien (kuva 3) pohjalta tiedon mää- rän voidaan puolestaan havaita liittyvän suoraan sen keskeiseen ulottuvuuteen, volyy- miin, sillä big data tuo perinteisiin menetelmiin verrattuna mukanaan volyymiltaan suu- rempia datamääriä analysoitavaksi.
Jotta strategiseen päätöksentekoon kohdistuvaan epävarmuuteen voitaisiin vaikuttaa big data -analytiikan kautta tehokkaasti, on oikeiden menetelmien ja työkalujen lisäksi myös tunnistettava, miten big data -pohjaiset ratkaisut saadaan toimimaan tehokkaasti ja miten ne käyttäytyvät päätöksentekoprosessin eri vaiheissa (Ghasemaghaei et al.
2018). Kuvaan 10 on koottu jäsennelty tulkinta big data -analytiikan keskeisistä rooleista ja vaikutuksista strategisen päätöksentekoprosessin (kuva 8) eri vaiheissa. Sen pohjalta ajatuksena on luoda selkeä käsitys siitä, minkälaista epävarmuutta päätöksenteon eri vaiheisiin liittyy ja miten esimerkiksi yritykset voivat odottaa erilaisten big data -työkalujen ja menetelmien vaikuttavan strategisen tason päätöksentekoprosessien eri vaiheisiin.
Perinteiseen data-analytiikkaan verrattuna big data -analytiikka mahdollistaa tulevaisuu- den skenaarioiden tarkemman ennustamisen ja sitä kautta päätöksentekoympäristön
epävarmuuden vähenemisen. Perinteisen analytiikan pohjautuessa pääsääntöisesti his- toriapainotteisen datan analysointiin (kuvat 5 ja 6), tarjoaa big data -analytiikka mahdol- lisuuden hyödyntää tulevaisuusorientoitunutta dataa mallien luomisessa. Jeble et al.
(2018) listaakin regression ja korrelaatioiden etsimisen datasta ja niiden pohjalta erilais- ten mallien rakentamisen tulevaisuuden ennustamiseksi esimerkiksi kuluttajakäyttäyty- misen yhteydessä.
Kuva 10. Big datan vaikutukset päätöksentekoprosessin eri vaiheisiin
Big datan hyödyntäminen strategiseen päätöksentekoon liittyvän epävarmuuden vähen- tämisessä perustuu jo edellä todetun mukaisesti ymmärrykseen big datan hyödyntämi- sestä päätöksentekoprosessin eri vaiheissa riittävän monipuolisesti. Yllä olevan kuvan 10 pohjalta voidaan havaita, että big data -pohjaisten työkalujen ja menetelmien hyödyn- täminen tuo strategisen päätöksentekoprosessin eri vaiheisiin toisaalta osittain erilaisia mutta samalla toisiaan tukevia työkaluja ja menetelmiä. Vaikka big data -pohjaiset vai- kutukset nähdään kuvassa 10 erillisinä ratkaisuina ja sidonnaisina päätöksenteon tiettyi- hin vaiheisiin, ei niitä voida nähdä vain toisistaan irrallisina osakokonaisuuksina (Fosso Wamba et al. 2015). Jotta big datan hyödyntäminen strategisen päätöksentekoprosessin yhteydessä olisikin toimivaa ja tehokasta, on työkaluja ja menetelmiä kyettävä hyödyn- tämään päätöksentekoprosessin jokaisessa vaiheessa ja yhdessä toisiaan tukien.
5.3 Muutokset päätöksentekoprosessin struktuurissa
Alun perin strategista päätöksentekoa on pidetty organisaation ylimmän johdon tehtä- vänä (Jeyarathmm 2007). Big datan myötä strategisen päätöksenteon toimintaympä- ristö on kuitenkin muuttunut todella kompleksiseksi, jossa päätöksentekoa on kyettävä hajauttamaan. Hajauttamisessa keskeiseen asemaan nousevat erityisesti alempien ta- sojen johtajat ja heidän spesifimmät näkemyksensä omien alueidensa liiketoimintaym- päristöistä. Lisäksi datamäärien kasvun myötä erilaisten datatieteilijöiden ja -analyytik- kojen merkitys strategisessa päätöksenteossa on kasvanut, sillä big datan oikeanlainen tulkitseminen on useasti kynnyskysymyksenä sen käytölle (Davenport & Dyche 2013).
Kuva 11. Datan analysointiin pohjautuva päätöksentekoprosessi (mukaillen Lu- nenburg, 2010)
Yllä (kuva 9) on esitettynä datapohjainen päätöksentekoprosessi. Kuvasta huomataan, että prosessissa korostuu kuvaan 6 verrattuna datan käsittelyyn ja analysointiin perus- tuva osaaminen ja liiketoimintavastaavia henkilöitä tarvitaan nyt ainoastaan prosessin alussa ja lopussa. Selkeä päätöksentekomalli ja sen eri vaiheet eivät kuitenkaan ole muuttuneet radikaalisesti perinteisestä (kuva 6) päätöksentekomallista, vaikka malliin on tuotu uusia henkilöitä ja uudenlaista dataan pohjautuvaa osaamista. Kuvan 9 pohjalta uusien henkilöiden ja osaamisen tarve indikoituu päätöksentekoprosessin keskivaiheille, mutta olennaista on kuitenkin huomioida, että mallin eri vaiheiden välillä voi tapahtua muutoksia organisaation tarpeista ja tarpeiden painotuksista riippuen.
6. YHTEENVETO
Tutkimuksen tavoitteena oli saada selvyys, millaisia vaikutuksia big data -analytiikalla on yrityksen strategiseen päätöksentekoon. Keskeistä oli myös selvittää, millaisia haasteita perinteiseen strategiseen päätöksentekoprosessiin liittyy ja miten big data -analytiikka eroaa perinteisestä datan analysoinnista ja analytiikasta. Näitä tarkoitusperiä pyrittiin tut- kimuksessa lähestymään luotettavan ja relevantin teoriakirjallisuuden pohjalta liittyen niin big dataan, strategiseen päätöksentekoon, data-analytiikkaan kuin datapohjaisuu- teenkin päätöksenteossa.
Teorian tarkoituksena oli varmistaa, että tekstin lukija ymmärtää tutkimuksen edetessä erityisesti mitä on data ja miten sitä voidaan luokitella eri tasoihin sekä mitä on big data ja miten perinteinen data-analytiikka eroaa big data -analytiikasta. Keskeistä oli kiinnittää huomiota myös yrityssektorin strategisen päätöksenteon haasteisiin, keskeisiin päätök- sentekoprosessin eri vaiheisiin ja big data -analytiikan vaikutuksiin päätöksentekoa kos- kevien haasteiden vähentämisessä. Teorian kautta pyrittiin siis takamaan tutkimukselle hyvä tieteellinen perusta ja siten tukemaan lukijaa tutkimuksessa toimivien keskeisten big dataa ja strategista päätöksentekoa koskevien elementtien kokonaisvaltaisessa ym- märtämisessä.
Digitalisaation ja teknologian jatkuvan kehityksen myötä erityisesti datan määrän radi- kaali kasvu sekä päätöksentekoympäristön struktuurin muutos yhä kompleksisemmaksi on tuonut big datan mukaan kaikkeen yritysten liiketoimintaympäristöä koskevaan toi- mintaan. Big datan lisääntynyt merkitys liiketoiminnan päätöksenteon yhteydessä on nostanut esiin myös konkreettisia esimerkkejä siitä, kuinka data-analytiikan kautta stra- tegisesta päätöksenteosta voidaan tehdä tehokkaampaa, luotettavampaa ja kasvattaa datapohjaisuuden roolia päätöksenteon yhteydessä. Ymmärrys big data -analytiikasta ja suurten datamassojen käsittelystä on siis lisääntynyt ja big datan käyttöä pidetään yh- tenä potentiaalisimmista ja kriittisimmistä kilpailutekijöistä nykypäivän hektisessä ja kompleksisessa liiketoimintaympäristössä. Erityisesti big datan tarjoamat mahdollisuu- det päätöksenteon epävarmuuden vähentämisessä ja prosessien tehostamisessa on tunnistettu jo aikoja sitten, mutta big datan vaatimat muutokset päätöksentekoprosessin rakenteissa ovat tulleet realistisiksi ja täysin mahdolliseksi vasta big data -analytiikan ja sen työkalujen kehittymisen myötä.
6.1 Johtopäätökset
Tutkimuksessa lähestyttiin strategista päätöksentekoa perinteisen päätöksentekopro- sessin kautta ja käsiteltiin big datan ja big data -analytiikan vaikutuksia sekä tämän pro- sessin struktuuriin että siinä havaittuihin haasteisiin. Tässä esille nousivat erityisesti, muutokset päätöksenteon struktuurissa sekä epävarmuus ja tarve hajautetummalle joh- tamiselle ja erityisosaamiselle prosessin eri vaiheissa. Perinteiseen data-analytiikkaan ja datan käsittelyyn verrattuna myös tarve edistyneemmälle analyyttiselle, tilastolliselle ja matemaattiselle osaamiselle nousi esille.
Tutkimuksessa käsiteltyihin keskeisiin strategisen päätöksenteon aspekteihin, epävar- muuteen, toimintaympäristöön ja prosessin struktuuriin, löydettiin vaikutuksia big datan analysoinnin kautta. Kuvaan 12 on kerätty tutkimuksessa läpi käydyt keskeisimmät stra- tegisen päätöksenteon haasteet, joihin big data -analytiikan todettiin vaikuttavan. Ku- vasta 12 on olennaista myös havaita vaikutusten arvioinnin merkitys prosessissa, sillä vain sitä kautta big data -analytiikka ja sen vaikutukset on mahdollista implementoida kiinteäksi osaksi päätöksentekoa.
Kuva 12. Big data -analytiikan vaikutukset strategisen päätöksenteon haasteisiin Big data on myös muokannut toimintaympäristöstä vakaamman, sillä päätöksentekoa koskeva epävarmuus on vähentynyt. Perinteisen analytiikan hyödyntäessä historiapai- notteista dataa pääsääntöisenä lähteenään, voidaan big data -analytiikan myötä analy- soida myös tulevaisuuspainotteista dataa reaaliaikaisesti ja nopeasti. Tällöin esimerkiksi erilaisten käyttäytymiskaavojen ja trendien tunnistaminen strukturoimattoman datan ana- lysoinnin pohjalta on mahdollista ja strateginen päätöksentekoympäristö vakautuu.
Big data -analytiikka mahdollistaa merkittäviä muutoksia myös päätöksenteon ympäris- tössä. Perinteinen data-analytiikka mahdollistaa strukturoidun ja määrällisesti rajoitetun datan analysoimisen päätöksenteon tukemiseksi. Big data -analytiikan myötä pystytään taas lähteä analysoimaan niin strukturoitua, strukturoimatonta kuin semistrukturoituakin dataa, jota strategisen päätöksenteon kompleksinen toimintaympäristö tarvitsee luotet- tavaan päätöksentekoon.
Nykypäivän liiketoimintaympäristössä on yhä tärkeämpää pystyä analysoimaan dataa reaaliaikaisesti ja hyödyntämään strategisen päätöksenteon yhteydessä faktapohjaista tietoa. Tähän big data -analytiikka pystyy tarjoamaan ratkaisuja. Dataa syntyy jatkuvasti suuria määriä ja sitä on kyettävä analysoimaan reaaliaikaisesti, sillä datan sisältämä in- formaatio myös vanhenee yhä nopeammin. Lisäksi datapohjaiset päätökset tuovat tutki- tusti pidemmällä aikavälillä keskimäärin parempia tuloksia kuin esimerkiksi vastaavat in- tuitioon perustuvat. Big data -analytiikka tarjoaakin päätöksentekijöille mahdollisuuden luoda valistuneempia havaintoja vallitsevista olosuhteista, joiden perusteella on mahdol- lista tehdä luotettavampia päätöksiä strategista päätöksentekoa peilaten.
Big data -analytiikan muokatessa päätöksentekoa yhä datapohjaisemmaksi, on päätök- sentekoprosessin struktuuri tämän seurauksena muuttunut myös hajautetummaksi.
Ylimmän johdon merkitys on toisaalta korostunut prosessin alku- ja loppupäässä, mutta samalla selkeästi vähentynyt prosessin keskivaiheilla. Liiketoimintaosaamisen lisäksi päätöksentekoprosessi tarvitseekin nyt alempien yritystasojen erityisosaamista juuri suurten datamassojen keräämiseen, jalostamiseen ja analysointiin, jotta päätöksenteon tueksi saadaan relevanttia ja oikeaa tietoa tehokkaasti.
6.2 Tutkimuksen arviointi
Tämän tutkimuksen tavoitteena oli muodostaa lukijalle selkeä yleistason käsitys big da- tasta, big data -analytiikasta, yrityksen strategisen päätöksenteon toimintaympäristöstä ja näitä yhdistävistä tekijöistä. Syvällisemmän ymmärryksen saavuttamiseksi keskeistä olisi ollut aihealuetta koskevien osa-alueiden yksityiskohtainen käsittely ja erilaisten ma- temaattisten mallien käsittely, mutta tämän tutkimuksen laajuuden rajaamiseksi näistä luovuttiin.
Aineiston puolesta tutkimuksella oli vahva ja selkeä perusta, sillä sitä oli monipuolisesti ja runsaasti saatavilla. Tämän pohjalta oli selkeästi havaittavissa, että big datan ja data- ohjautuvuuden vaikutukset strategiseen päätöksentekoon on tunnistettu ja niistä on muodostunut keskeinen tutkimuskohde päätöksenteon osa-alueilla. Tutkimusta koske- vassa aineistossa oli havaittavissa joitain aineistokohtaisia tulkinta- ja käsite-eroja, mutta
