Pro Gradu -tutkielma
Paula Pusenius 2019
LAPPEENRANNAN-LAHDEN TEKNILLINEN YLIOPISTO LUT School of Business and Management
Tietojohtaminen ja johtajuus
Paula Pusenius
DATA-ANALYTIIKKAKYVYKKYYDEN VAIKUTUS YRITYSTEN EKSPLORATIIVISUUTEEN JA EKSPLOITATIIVISUUTEEN Pro Gradu -tutkielma 2019
Työn tarkastajat: Professori Aino Kianto Tutkijatohtori Henri Hussinki
TIIVISTELMÄ
Tekijä: Pusenius, Paula
Tutkielman nimi: Data-analytiikkakyvykkyyden vaikutus yritysten eksploratiivisuuteen ja eksploitatiivisuuteen Pro gradu –tutkielma: Lappeenrannan-Lahden teknillinen yliopisto LUT
83 sivua, 23 kuvaa, 21 taulukkoa ja 6 liitettä
Vuosi: 2019
Tiedekunta: Kauppatieteellinen tiedekunta
Maisteriohjelma: Tietojohtamisen ja johtajuuden koulutusohjelma Työn tarkastajat: Professori Aino Kianto
Tutkijatohtori Henri Hussinki
Hakusanat: Eksploratiivisuus, eksploitatiivisuus, tietojohtaminen, data-analytiikkakyvykkyys
Tietoperustaisen näkemyksen mukaan tieto on yrityksen kilpailukyvyn perusta. Datan määrän kasvaessa vauhdilla on datan hyödyntäminen tiedon lähteenä noussut tärkeäksi yritysten menestystekijäksi. Kykyä hyödyntää dataa, data-analytiikkakyvykkyyttä, voidaan pitää tietojohtamisen osa-alueena. Eksploratiivisuudella ja eksploitatiivisuudella viitataan organisaatioiden tapaan hyödyntää tietoa. Sekä eksploraatio, uuden tiedon etsiminen ja luominen, että eksploitaatio, olemassa olevan tiedon tehokas hyödyntäminen, ovat tärkeitä organisaation selviytymiselle. Tutkielman tarkoitus on selvittää data- analytiikkakyvykkyyden vaikutusta eksploratiivisuuteen ja eksploitatiivisuuteen.
Tutkielman teoriaosa käsittelee tietojohtamista, data-analytiikkakyvykkyyden osa-alueita, sekä eksploraationta ja eksploitaatiota. Tutkielman empiirisessä osiossa hyödynnettiin LUT yliopiston ”Yritysten tietopääoma” -projektin vuonna 2017 kyselylomakkeilla kerättyä aineistoa. Muuttujien välisiä suhteita tarkastelttiin rakenneyhtälömallinnuksen (SEM) avulla. Tutkielman perusteella data-analytikkkakyvykkyys vaikuttaa positiivisesti yritysten eksploratiivisuuteen, ja negatiivisesti eksploitatiivisuuteen.
ABSTRACT
Author: Pusenius, Paula
Title: The effect of data analytics competency to explorativity and exploitativity of firms
Master of thesis: Lappeenranta-Lahti University of Technology 83 pages, 23 figures, 21 tables and 6 appendices
Year: 2019
Academic Faculty: LUT, School of Business
Master’s program: Knowledge Management and Leadership Examiners: Professor Aino Kianto
Post-doctoral Researcher Henri Hussinki
Keywords: Exploration, exploitation, knowledge management, data analytics competency
In the knowledge-based view, knowledge is the foundation of a company's competitiveness.
As the amount of data grows, utilization of data as a source of knowledge becomes an important success factor for a company. The ability to utilize data, the data analytics competency, can be considered as a component of knowledge management. Exploratory and exploitative refers to the way organizations use knowledge. Exploration, the exploration and creation of new knowledge, and exploitation, the effective utilization of existing knowledge, are important to the survival of an organization. The purpose of this thesis is to investigate the impact of data analytics competency on explorativity and exploitativity.
The theoretical part of the thesis deals with knowledge management, data analytics competency, exploration and exploitation. The empirical part of the thesis utilized the data collected in the questionnaires of the LUT University's “Corporate Intangible Capital”
project in 2017. The relationships between the variables were examined using structural equation modeling (SEM). According to the thesis, data analytics competency has a positive impact on corporate explorativity, and negative impact on exploitability.
Alkusanat
Tämän Pro gradu -tutkielman tekeminen on ollut sukellus eksploraation, eksploitaation, data-analytiikkakyvykkyyden sekä kvantitatiivisen tutkimuksen maailmaan. Parasta ja palkitsevinta tutkielmaprojektissa on ollut kokonaisuuden vähittäinen rakentuminen hajanaisista tiedonpaloista. Työn ohessa tutkielman tekeminen on ollut ajoittain kuluttavaa, mutta ennen muuta mielenkiintoista ja innostavaa.
Kiitän lämpimästi tutkijatohtori Henri Hussinkia tutkielman ohjaamisesta. Ohjaajan esittämät parannus- ja korjausehdotukset olivat ehdottoman tärkeitä tutkielman onnistumiseksi. Kiitän myös LUT yliopiston mielenkiintoisesta aineistosta, jota sain käyttää tutkielman empiiriseen osioon.
Aloitin tietojohtamisen ja johtajuuden maisteriopinnot syyskuussa 2017. Vaikka minulla olikin suuret odotukset opinnoista, en silti osannut kuvitellakaan, mitä kaikkea seuraavat reilu kaksi vuotta pitäisi sisällään. Avartavien opintojen suola ovat olleet uudet opiskelukaverit, yhdessä oppiminen ja kannustus, jotka ovat auttaneet läpi tiukkojenkin iltojen. Kiitos kaikille kanssaopiskelijoille!
Kiitokset kuuluvat myös perheelleni. Vanhempani Ritva ja Pekka ovat lastenhoitoavullaan mahdollistaneet osallistumiseni moniin opiskelupäiviin. Lapseni Anni ja Urho ovat joutuneet olemaan kärsivällisiä, kun opinnot ovat vieneet huomioni. Suurin kiitos kuuluu puolisolleni Tommille kaikesta siitä henkisestä ja konkreettisesta tuesta, mitä olen opintojeni aikana saanut. Kaksostenkadun tutkintoverstaan on nyt aika hiljentyä.
Lappeenrannassa 1.10.2019 Paula Pusenius
3. TYÖN TEOREETTINEN TAUSTA JA VIITEKEHYKSEN KESKEISET 11 KÄSITTEET
3.1. Resurssiperustainen näkemys, tietoperustainen näkemys ja tiedon olemus 11
3.2. Tietojohtaminen 13
3.2.1. Dataan perustuva tietojohtaminen 15
3.3. Data-analytiikkakyvykkyys 16
3.3.1. Teknologian riittävyys 18
3.3.2. Datan määrä ja monipuolisuus 20
3.3.3. Data-analyytikkojen kyvykkyys 22
3.3.4. Dataan perustuva päätöksenteko 23
3.4. Eksploraatio ja eksploitaatio 24
3.4.1. Ambidekstrisyys 27
3.5. Eksploraatio ja eksploitaatio tietojohtamisen kontekstissa 29 3.5.1. Kontekstuaalisten tekijöiden vaikutus eksploraatioon ja eksploitaatioon 30
4. TUTKIMUSMALLIT JA HYPOTEESIT 32
5. TUTKIMUSMENETELMÄT 35
5.1. Menetelmät 35
5.2. Aineiston kuvaus 37
5.3. Datan seulonta 40
5.4. Tutkiva faktorianalyysi (EFA) 46
5.4.1. Pääkomponenttien nimeäminen, reliabiliteetti- ja validiteettitarkastelut 50
5.4.2. Taustamuuttujien varianssianalyysi 53
5.5. Konfirmatorinen faktorianalyysi (CFA) 54
5.5.1. Sopivuustestit 54
5.5.2. CFA-vaiheen yhteenveto 58
5.6. SEM 58
6. TULOKSET 62
6.1. Teknologian riittävyyden ja data-analyytikkojen kyvykkyyden vaikutus
eksploratiivisuuteen ja eksploitatiivisuuteen 62
6.2. Dataan perustuvan päätöksenteon vaikutus eksploratiivisuuteen ja
eksploitatiivisuuteen 63
6.3. Datan määrän, monipuolisuuden ja saatavuuden vaikutus eksploratiivisuuteen
ja eksploitatiivisuuteen 64
6.4. Yritysten toimialan, iän ja koon vaikutus eksploratiivisuuteen ja eksploitatiivisuuteen 65
7. JOHTOPÄÄTÖKSET 69
7.1. Tulosten merkitys 76
7.2. Jatkotutkimusehdotukset 77
7.3. Tutkimuksen rajoitteet 78
LÄHDELUETTELO 79
Liitteet:
Liite I Kyselylomake Liite II Muuttujien kuvaajat Liite III Toimialaluokittelu
Liite IV Taustamuuttujien tunnuslukuja ja varianssianalyysin tulokset Liite V EFA
Liite VI CFA ja SEM
Kuvaluettelo:
Kuva 1. DIKW-malli. s. 12
Kuva 2. Eksplisiittisen tiedon ja hiljaisen tiedon suhteellinen osuus s. 13
Kuva 3. Data-analytiikkakyvykkyyden luokittelu s. 17
Kuva 4. Big data-analytiikkakyvykkyyden luokittelu s. 18
Kuva 5. Datan analyysimenetelmien viitekehys s. 19
Kuva 6. Datan luokittelu rakenteen perusteella s. 21
Kuva 7. Eksploratiivisuuden ja eksploitatiivisuuden suhde s. 26
Kuva 8. Ambidekstrisyyden tyypit s. 28
Kuva 9. Tiedon luomisen SECI-malli s. 30
Kuva 10. Työn viitekehys, tarkasteltavat muuttujat ja hypoteesit s. 32
Kuva 11. Yritysten toimialajakauma s. 44
Kuva 12. Yritysten iän jakauma s. 45
Kuva 13. Yritysten henkilöstömäärä s. 45
Kuva 14. Cookin etäisyysanalyysi s. 59
Kuva 15. EFA:n perusteella muokatut hypoteesit s. 62
Kuva 16. Hypoteesien H1+H7 ja H2+H8 tulokset s. 63
Kuva 17. Hypoteesien H3 ja H4 tulokset s. 64
Kuva 18. Hypoteesien H5 ja H6 tulokset s. 65
Kuva 19. Yrityksen iän suhde selitettäviin muuttujiin – ANOVA s. 66 Kuva 20. Yrityksen koon suhde selitettäviin muuttujiin – ANOVA s. 66 Kuva 21. Yrityksen toimialan suhde selitettäviin muuttujiin – ANOVA s. 67 Kuva 22. Yrityksen iän ja koon suhde selitettäviin muuttujiin – SEM s. 67 Kuva 23.Toimialojen vaikutus selitettäviin muuttujiin – SEM s. 68
Taulukkoluettelo:
Taulukko 1. Työn keskeiset käsitteet, lähteet ja alakysymykset s. 11 Taulukko 2. Muuttujan Eksploratiivisuus väittämät s. 38 Taulukko 3. Muuttujan Eksploitatiivisuus väittämät s. 38 Taulukko 4. Muuttujan Teknologian riittävyys väittämät s. 39 Taulukko 5. Muuttujan Dataan perustuva päätöksenteko väittämät s. 39 Taulukko 6. Muuttujan Datan määrä ja monipuolisuus väittämät s. 39 Taulukko 7. Muuttujan Data-analyytikkojen kyvykkyys väittämät s. 40 Taulukko 8. Tarkasteltavien muuttujien tunnuslukuja s. 42
Taulukko 9. Faktoritestin tulokset s. 47
Taulukko 10. Selitettävien muuttujien latautuminen faktoreihin s. 49 Taulukko 11. Selittävien muuttujien latautuminen faktoreihin s. 49
Taulukko 12. Eksploratiivisuus -pääkomponentti s. 50
Taulukko 13. Eksploitatiivisuus -pääkomponentti s. 51
Taulukko 14. Teknologian riittävyys ja data-analyytikkojen kyvykkyys
-pääkomponentti s. 51
Taulukko 15. Datan määrä, monipuolisuus ja saatavuus -pääkomponentti s. 52 Taulukko 16. Dataan perustuva päätöksenteko -pääkomponentti s. 52 Taulukko 17. Sopivuustestien tulokset – selittävät ja selitettävät muuttujat s. 55 Taulukko 18. Selitettävien muuttujien validiteetti ja reliabiliteetti s. 57 Taulukko 19. Selittävien muuttujien validiteetti ja reliabiliteetti s. 57 Taulukko 20. Yhdistetyn mittamallin sopivuustestien tulokset s. 60
Taulukko 21. SEM-analyysin tulokset s. 61
1 Johdanto
Tämän tietojohtamisen alaan kuuluvan pro gradu -tutkielman tavoitteena on selvittää suomalaisyritysten data-analytiikkakyvykkyyden vaikutusta yritysten eksploratiivisuuteen ja eksploitatiivisuuteen. Opinnäytetyön teoreettinen tarkastelu perustuu tietoperustaiseen näkemykseen yrityksestä (knowledge-based view of the firm) sekä tietojohtamiseen (knowledge management, KM). Tarkastelukulmaksi on valittu data-analytiikkakyvykkyys, ja sitä tarkastellaan osana organisaation tietojohtamista. Opinnäytetyö pyrkii osaltaan lisäämään ymmärrystä siitä, mitkä tekijät vaikuttavat yrityksen strategiaan etsiä, hyödyntää ja luoda tietoa.
Data-analytiikkakyvykkyys ja organisaatioiden tietostrategia ovat sekä tiedemaailmassa että elinkeinoelämässä ajankohtaisia aiheita nopeasti muuttuvan toimintaympäristön haastaessa yritykset pohtimaan selviytymismekanismejaan. Tietotaloudessa digitalisaatio lisää datan määrää kiihtyvällä nopeudella, ja datasta saadun tiedon hallinnointi on merkittävässä asemassa organisaatioiden johtamisessa. Tietojohtamisen alan painavimpia tutkimusalueita on tietojohtamisen käytännön vaikutus organisaatioiden toimintaan. Tietojohtamisen käytäntöjä ja prosesseja tarkastelemalla pyritään muun muassa lisäämään ymmärrystä tietojohtamisen vaikutuksista, edistämään organisaatioiden tietopohjaista toimintaa sekä perustelemaan tietojohtamisen tieteenalan merkitystä.
Tiedon eksploraatio viittaa uuden tiedon etsimiseen ja luomiseen joko hiljaisesta tiedosta tai organisaation ulkopuolella sijaitsevasta eksplisiittisestä tiedosta. Eksploitaatiolla puolestaan viitataan jo olemassa olevan eksplisiittisen tiedon hyödyntämiseen. (Lubatkin, Simsek, Ling,
& Veiga 2006, 648) Molempiin prosesseihin liittyy oppimista, mutta eksploitaatiossa oppiminen tapahtuu vähittäin olemassa olevaa parantamalla, kun taas eksploraatiossa oppiminen on täysin uuden luomista ja omaksumista (Gupta, Smith & Shalley 2006, 694).
Tiedon eksploraation ja tiedon eksploitaation välisellä suhteella on siten keskeinen merkitys yrityksen oppimiseen ja innovatiivisuuteen. Epävarmassa liiketoimintaympäristössä yrityksen on erityisen tärkeää panostaa eksploitaation ja eksploraation hyödyntämiseen yritykselle oikeassa suhteessa (Sher & Lee 2004). Digitalisoituminen vaikuttaa liiketoimintaympäristöjen muutoksiin, ja epävarmuuksien tunnistaminen on organisaation kilpailukyvyn kannalta olennaista.
Datan määrän räjähdysmäinen kasvu on johtanut tarpeeseen analysoida dataa erilaisilla teknologisilla välineillä ja menetelmillä. Data-analytiikan avulla on mahdollista reagoida ja ennakoida strategisesti epäselvän ja epävarman liiketoimintaympäristön tilanteisiin (van Rijmenam, Erekhinskaya, Schweitzer & Williams 2018). Vaikka data-analytiikasta on tullut edellytys liiketoimintaympäristön ymmärrykselle ja kilpailukyvyn säilyttämiselle, van Rijmenam et al. (2018, 3) esittää että data-analytiikan merkitystä yrityksille ei ole vielä täysin ymmärretty.
Data-analytiikkakyvykkyys kertoo yrityksen kyvystä hyödyntää data-analytiikkaa päätöksenteossa. Tässä tutkielmassa data-analytiikkakyvykkyys muodostuu neljästä osatekijästä; 1) teknologian riittävyydestä, 2) datan määrästä ja monipuolisuudesta, 3) data- analyytikkojen kyvykkyydestä sekä 4) dataan perustuvasta päätöksenteosta.
Data-analytiikkakyvykkyyden vaikutusta yritysten eksploratiivisuuteen ja eksploitatiivisuuteen ei ole tiettävästi aiemmin tarkasteltu. Datan ja digitalisaation aikakaudella data-analytiikkakyvykkyyden merkitys organisaation menestykseen on kuitenkin tutkimusten valossa huomattava. Esimerkiksi Van Rijmenam et al. (2018) osoittaa big data-analytiikan merkityksen yritysten selviytymiselle toimialan disruptiossa, ja Ghasemaghaei, Ebrahimi & Hassanein (2018) data-analytiikan merkityksen päätöksentekokykyyn. Chen, Chiang & Storey (2012) kirjallisuuskatsauksen perusteella data-analytiikalla voidaan vaikuttaa muun muassa myyntiin, strategiseen päätöksentekoon, asiakastyytyväisyyteen ja taloudellisten ongelmien ennakoimiseen. Myös uuden tiedon etsiminen, sekä olemassa olevan tiedon hyödyntäminen ovat nopeasti kehittyvässä ja epävarmassa liiketoimintaympäristössä äärimmäisen tärkeitä (mm. van Rijmenam et al.
2018). Tämän opinnäytetyön tarkastelu pyrkii ymmärtämään sitä, kuinka nämä kaksi organisaation kilpailukyvyn ja selviytymisen kannalta tärkeää asiaa, data-analytiikka ja tietostrategia, kytkeytyvät toisiinsa.
Pro gradu -työn rakenne on seuraava: Kappaleessa 2 esitellään työn tutkimuskysymykset.
Kappaleessa 3 esitellään työn teoreettinen tausta, tarkastellaan aihepiirin tieteellistä keskustelua, sekä esitellään työn pääkäsitteet. Ensin käydään läpi tietojohtamisen tieteenalan teorioita ja käsitteitä tärkeimpinä resurssiperustainen näkemys, tietoperustainen näkemys, tietojohtaminen sekä tietojohtamisen käytännöt. Seuraavissa alaluvuissa esitellään data-
analytiikkakyvykkyyden määritelmä, ja käsitellään data-analytiikkakyvykkyyttä ja sen osatekijöitä tietojohtamisen näkökulmasta. Tämän jälkeen esitellään eksploratiivisuuden ja eksploitatiivisuuden määritelmät, sekä kirjallisuudessa esitettyjä keskeisiä näkemyksiä näiden kahden strategisen ulottuvuuden suhteesta. Koska eksploraation ja eksploitaation välistä vuorovaikutusta ja tasapainoa kuvaava ambidekstrisyys on erittäin tutkittu ja monimuotoinen käsite, myös sen teoreettiseen taustaan paneudutaan. Kappaleessa neljä esitellään tutkimusmalli sekä työn hypoteesit. Kappaleessa viisi esitellään menetelmät, kappaleessa kuusi tulokset ja kappaleessa seitsemän tutkielman yhteenveto.
2 Tutkimuskysymykset
Tämä pro gradu -tutkielma pyrkii vastaamaan seuraaviin, yrityksen data- analytiikkakyvykkyyden ja tietostrategian suhteeseen liittyviin tutkimuskysymyksiin:
Pääkysymys:
Mikä on yritysten data-analytiikkakyvykkyyden suhde yritysten eksploratiivisuuteen ja eksploitatiivisuuteen?
Alakysymykset:
Mistä tekijöistä yritysten data-analytiikkakyvykkyys muodostuu?
Miten data-analytiikkakyvykkyyden osatekijät vaikuttavat eksploratiivisuuteen ja eksploitatiivisuuteen?
Miten yritysten koko, ikä ja toimiala vaikuttavat niiden eksploratiivisuuteen ja eksploitatiivisuuteen?
3 Työn teoreettinen tausta ja viitekehyksen keskeiset käsitteet
Tämän tutkielman kaltaista tutkimusasetelmaa ei löydy suoraan aiemmasta kirjallisuudesta.
Tästä syystä kirjallisuuskatsauksessa haetaan teoreettinen pohja kokoamalla aihepiirin kirjallisuutta osin varsin laveasti. Työn teoreettisen tarkastelun keskeiset käsitteet, tärkeimmät lähteet ja työn alakysymykset on koottu taulukkoon 1.
Taulukko 1. Työn keskeiset käsitteet, tärkeimmät lähteet ja alakysymykset.
3.1 Resurssiperustainen näkemys, tietoperustainen näkemys ja tiedon olemus Resurssiperustaisen näkemyksen (resource-based view, RBV) mukaan organisaation kilpailukyky perustuu resursseille, jotka ovat arvokkaita (valuable), harvinaisia (rare), vaikeasti kopioitavia (imperfectly imitable) sekä hankalasti korvattavissa (non-substitutable) (Barney 1991). Resurssiperustaiselle ajattelulle pohjautuvan tietoperustaisen näkemyksen (knowledge-based view, KBV) mukaan yrityksen kilpailukyky perustuu yrityksen sisäisiin, tietoon liittyviin ominaisuuksiin, ei markkina-asemaan suhteessa kilpailijoihin. Siten organisaatioiden väliset erot esimerkiksi suorituskyvyssä nousevat tietovarantojen erilaisuudesta, sekä organisaatioiden kyvystä hyödyntää ja kehittää tietoa (Grant 1996).
Tieto on nykyajan organisaation tärkein resurssi, ja tietojohtaminen – tai kyky hyödyntää tietoresursseja – muodostaa perustan yrityksen suorituskyvylle ja kilpailuedulle (Grant 1996; OECD 1996).
Niin kutsuttu DIKW (data-information-knowledge-wisdom) -malli on perinteinen tapa kuvata datan, informaation, tiedon ja viisauden tasoja. Mallin mukaan data koostuu erillisistä faktoista ja tapahtumaketjuista ilman kontekstisidonnaisuutta. Kun data saa kontekstin, se muuttuu informaatioksi. Informaatio puolestaan muuntuu olettamusten ja henkilökohtaisen kokemuksen avulla tiedoksi, ja tieto arvioidun ymmärryksen kautta viisaudeksi (mm.
Sumbal, Tsui, See-to 2017, 182).
Kuva 1. Perinteinen DIKW-malli kuvaa tiedon tasoja.
Tieto esiintyy organisaatioissa eksplisiittisenä, kodifioituna tietona tai hiljaisena tietona.
Hiljainen tieto liittyy työntekijöiden henkilökohtaisiin taitoihin ja on hankalasti kopioitavissa tai muutettavissa kodifioiduksi tiedoksi. Näin ollen tietoa voidaan pitää resurssina, joka yksilöillä tai organisaatioilla on hallussaan, tai jota ne tekevät. Inhimillinen näkökulma on olennaisen tärkeä, ja tietojohtamisen pyrkii varmistamaan, että oikea tieto on oikeilla ihmisillä oikeaan aikaan. Siten tietojohtaminen sekä inhimillinen pääoma ja resurssit ovat vahvasti sidoksissa organisaatioiden prosesseihin ja toimintaan.
Jo tietojohtamisen uranuurtaja Ikujiro Nonaka (1994, 16) luonnehti kirjaimin ja numeroin esitettävän tiedon olevan jäävuoren huippu kaiken tiedon kokonaisuudessa. Kuva 2 havainnollistaa tiedon eri muotojen suhteellista osuutta.
Kuva 2. Eksplisiittisen tiedon ja hiljaisen tiedon suhteellinen osuus.
3.2 Tietojohtaminen
Tietoperustaiseen arvonluontiin liittyvä tutkimus keskittyy (1) tietopääoman (intellectual capital, IC), ja (2) tietojohtamisen tarkasteluun (Hussinki, Ritala, Vanhala & Kianto 2017, 904). Tietopääomalla tarkoitetaan yrityksen hallinnoimia ja hyödyntämiä staattisia tai dynaamisia tietovaroja (Barney 1991; Kianto 2007). Tietojohtamisella taas viitataan niihin prosesseihin ja käytäntöihin, jotka mahdollistavat organisaation tietovarojen tunnistamisen, hallinnoinnin sekä hyödyntämisen tietoperustaisen kilpailuedun saavuttamiseksi (Alavi &
Leidner 2001; Heisig 2009; Lee & Choi 2003).
Tietojohtamiskirjallisuus voidaan edelleen jakaa tietojohtamisen prosesseihin ja tietojohtamisen käytäntöihin. Tietojohtamisen prosessit liittyvät yleisiin ja laajasti tietoon liittyviin organisaation aktiviteetteihin, kuten tiedon hankintaan, luomiseen, jakamiseen ja hyödyntämiseen (Heisig 2009; Andreeva & Kianto 2011). Nämä prosessit esiintyvät yrityksessä luonnostaan ilman johdon kontrollia, ja ne liittyvät tiiviisti organisaation kontekstiin ja historiaan (Andreeva & Kianto 2012).
Tietojohtamisen käytännöiksi voidaan puolestaan määritellä ne tietoiset organisaation ja johtamisen välineet ja keinot, joiden tarkoituksena on organisaation tavoitteiden saavuttaminen tietoresurssien johtamisen avulla (Inkinen 2016, 232). Jokaisella organisaatiolla on käytössään omanlainen yhdistelmänsä tietojohtamisen käytäntöjä, joiden valikoima yltää strategisen tason johtamisesta yksilöjohtamiseen. Se, mitä käytäntöjä organisaatio hyödyntää ja miten, riippuu muun muassa kulttuuripohjasta sekä organisaation toimialasta (Andreeva & Kianto 2012; Hussinki et al. 2017).
Organisaation suorituskyvyn kannalta kriittiset tietojohtamiseen liittyvät menestystekijät voidaan jakaa neljään pääryhmään, jotka ovat (1) ihmisiin liittyvät tekijät, (2) organisaation prosessit ja rakenteet, (3) teknologiaan liittyvät tekijät, sekä (4) johtamiskäytännöt (Heisig 2009). Tämän jaottelun mukaisia menestystekijöitä on edelleen tarkasteltu tietojohtamisen käytäntöjen näkökulmasta (Inkinen 2016). Ihmiskeskeisten tietojohtamisen käytäntöjen on havaittu vaikuttavan muun muassa työntekijöiden sitoutumiseen, yrityksen taloudelliseen tulokseen sekä innovatiivisuuteen. Tieto- ja viestintäteknologiaan (ICT) liittyvä käytännöt vaikuttavat positiivisesti yrityksen innovatiivisuuteen, organisaation ketteryyteen ja taloudelliseen tulokseen. Organisaatioon liittyvistä tietojohtamisen käytännöistä keskitetty tietojohtaminen edistää oppimista, sisäisiä prosesseja, kasvua sekä asiakastyytyväisyyttä.
Johtamisprosessikeskeiset tekijät parantavat yrityksen suorituskykyä innovatiivisuuden, ketteryyden, sekä tieto- ja oppimismyönteisyyden kautta. (Inkinen 2016, 237-242).
Tietojohtamisen käytännöt voidaan jaotella tarkemmin kymmeneen pääryhmään (Inkinen, H., Kianto, A. & Vanhala, M., 2015; Hussinki et al. 2017). Nämä ryhmät ovat (1) esimiestyö, (2) tiedon suojaaminen, (3) strateginen tietojohtaminen, (4) rekrytointi, (5) perehdytys ja kehitys, (6) kehityskeskustelut, (7) palkitseminen, (8) oppimismekanismit, (9) IT- järjestelmät sekä (10) työn organisointi. Yksityiskohtaisemmalla jaottelulla pyritään tunnistamaan tarkemmin organisaation suorituskykyyn ja sen eri osa-alueisiin tehokkaimmin vaikuttavia johtamiskäytäntöjä. Organisaation suorituskykyyn ei ole vakiintunutta mittaustapaa, ja mittareina on tutkimuksissa käytetty sekä taloudellisia että ei -taloudellisia mittareita, kuten innovaatiotoimintaa, taloudellisia tunnuslukuja, asiakastyytyväisyyttä ja työntekijöiden tyytyväisyyttä (Inkinen 2016, 233). Inkinen et al.
(2015) havaitsivat esimerkiksi, että tietojohtamisen käytännöistä ainoastaan strategisella tietojohtamisella, palkitsemisella sekä IT-järjestelmien hyödyntämisellä oli merkittävää vaikutusta innovaatiotoimintaan.
Tietotaloudessa tiedon ja tietojohtamisen merkitys on kiistämätön. Kuitenkin edelleen keskustellaan siitä, millä tavoin tietojohtamista voidaan tarkalleen ottaen hyödyntää organisaation arvon luomisessa (Heisig, Suraj, Kianto, Kemboi, Perez Arrau & Easa 2016).
Heisig et al. 2016 määrittävät kansainvälisten asiantuntijoiden tietojohtamisen tulevaisuutta käsittelevässä artikkelissaan tietojohtamisen sellaisiksi aktiviteeteiksi ja prosesseiksi, jotka edistävät sekä yksilön että yhteisön tietoresurssien luomista ja hyödyntämistä kilpailukyvyn parantamiseksi. Tietojohtamisen tärkeimmiksi tulevaisuuden tutkimusaiheiksi tutkimuksessa nousevat liiketoimintastrategia, aineeton pääoma, päätöksenteko, tiedon jakaminen, organisationaalinen oppiminen, innovatiivisuus, tuottavuus sekä kilpailuedun saavuttaminen (Heisig et al. 2016).
3.2.1 Dataan perustuva tietojohtaminen
Tietojohtamisen käytäntöjen aiemmissa luokitteluissa ei huomioida data-analytiikan vaikutusta. Data-analytiikan ja tietojohtamisen välistä suhdetta on toistaiseksi myös tutkittu varsin vähän. Tänä päivänä organisaatiot keräävät valtavia määriä dataa eri prosesseista, esimerkiksi myynnistä, markkinoinnista, transaktioista, asiakaspalautteista, kilpailijadatasta, sekä tutkimuksesta ja kehityksestä. Data-analytiikan menetelmillä kerätystä datasta voidaan seuloa olennainen informaatio ja luoda organisaatiolle arvokasta tietoa. Tätä tietoa voidaan hyödyntää organisaation prosessien kehittämiseen, päätöksenteon parantamiseen, ja edelleen kilpailuedun saavuttamiseen. (Sumbal et al. 2017, 180, 182)
Sumbal et al. (2017) tarkastelevat tutkimuksessaan big data-analytiikan ja tietojohtamisen yhteyttä. Tietojohtamisessa kerätään, säilötään, jaetaan ja luodaan tietoa hiljaisen ja eksplisiittisen tiedon vuoropuhelussa. Data-analytiikassa puolestaan kerätään ja säilötään dataa, etsitään datasta analytiikan avulla merkityksiä, ja luodaan siten uutta tietoa.
Prediktiivisen data-analytiikan avulla voidaan esimerkiksi tuottaa ennustavaa tietoa, joka edistää organisaatioiden tietojohtamiskyvykkyyttä ja tehokasta päätöksentekoa. Data- analytiikka sisältää siten samoja elementtejä kuin tietojohtaminenkin, ja data-analytiikan voidaan katsoa liittyvän tietojohtamiseen kahdella olennaisella tavalla; molemmissa on tärkeä uuden tiedon luominen ja tiedon hyödyntäminen päätöksentekoon (Sumbal et al.
2017, 182). Data-analytiikassa teknologian rooli tiedon luomisessa korostuu, kun perinteisesti tietojohtamiskirjallisuudessa tiedon luominen on liitetty vahvasti hiljaiseen,
henkilöityvään tietoon. DIKW-mallissa (Kuva 1) teknologia korvaa osin olettamuksen sekä hiljaisen tiedon informaation muuntamisessa tiedoksi.
Tiedon luominen datasta data-analytiikan keinoin on verrattain uusi, mutta nopeasti kasvava ilmiö (Sumbal et al. 2017, 180). Datan määrän ja merkityksellisyyden kasvu asettaa uusia haasteita organisaatioiden tietojohtamiselle, muun muassa data-analytiikkaan liittyvän teknologian sekä data-analyytikkojen kyvykkyyden suhteen. Dataan ja data-analytiikkaan perustuva tietojohtaminen voidaankin nähdä uutena tietojohtamisen näkökulmana (Sumbal et al. 2017, 184).
Tässä pro gradu -tutkielmassa dataan perustuvaa tietojohtamista tarkastellaan yhtenä tietojohtamisen osa-alueena. Dataan perustuvasta tietojohtamisesta käytetään nimitystä data-analytiikkakyvykkyys. Seuraavassa kappaleessa tarkastellaan data- analytiikkakyvykkyyttä ja sen osatekijöitä.
3.3 Data-analytiikkakyvykkyys
Analytiikan avulla voidaan hallita suuria datamääriä. Data-analytiikalla viitataan dataa hyödyntäviin liiketoimintatiedon ja analytiikan teknologioihin (Chen et al. 2012, 1174), kuten datan louhintaan, visualisointiin, tilastollisiin analyyseihin ja koneoppimiseen.
Ghasemaghaei et al. (2018, 101) korostaa data-analytiikkaan liittyvän päätöksenteon tärkeyttä; data-analytiikka määritetään prosessien ja välineiden yhdistelmäksi, jolla haetaan suuresta - ja mahdollisesti hajanaisesta - data-aineistosta arvokkaita näkökulmia tukemaan yrityksen päätöksentekoa.
Suuret datavarastot ja kaupallisesti saatavilla olevat, sekä käyttäjäystävälliset analysointityökalut mahdollistavat data-analytiikan laajan hyödyntämisen organisaatioiden koosta riippumatta. Teknologian nopean kehityksen myötä analytiikkamenetelmät ovat kehittyneet ja teknologiaan liittyvät kustannukset laskeneet rajusti (Acito & Khatri 2014, 567-568). Data-analytiikkateknologian ujuttautumisesta arkeemme voi esimerkkinä mainita Shazam -sovelluksen, joka tunnistaa hetkessä musiikkikappaleita vertaamalla kappaleiden lyhyitä katkelmia digitaaliseen tietokantaan.
Data-analytiikan menetelmien avulla pyritään siis parantamaan organisaation päätöksentekoa. Kuitenkin tutkimusten perusteella valtaosa data-analytiikkaan investoineista yrityksistä ei ole hyötynyt merkittävästi menetelmien käytöstä (Ghasemaghaei et al. 2018, 101). Heikko hyötysuhde voi johtua heikkolaatuisesta datasta, tarkoitukseen sopimattomasta data-analytiikasta, tai analyyttisten taitojen puutteesta.
Yritykset voivat epäonnistua myös data-analytiikan avulla hankitun tiedon hyödyntämisessä ja soveltamisessa liiketoimintaan. (Ghasemaghaei et al. 2018, 101-102). Yritysten kyky hyödyntää data-analytiikka, data-analytiikkakyvykkyys onkin tietotalouden yrityksille olennaisen tärkeää.
Data-analytiikkakyvykkyys voidaan määrittää yrityksen kyvyksi hyödyntää ja yhdistää data- analytiikkaresursseja tarkasti määriteltyyn, toimintaan keskittyvään datan analysointiin.
Data-analytiikkakyvykkyyden osatekijöistä on erilaisia näkökulmia. Ghasemaghaei et al.
(2018, 103) mukaan data-analytiikkakyvykkyys muodostuu (1) datan laadusta, (2) datan määrästä, (3) analyyttisistä taidoista, (4) substanssiosaamisesta (domain knowledge) sekä (5) menetelmien (tools) kehittyneisyydestä (Kuva 3). Kaikilla data-analytiikkakyvykkyyden osatekijöillä on Ghasemaghaei et al. (2018) mukaan tutkimuksessa merkitsevä positiivinen vaikutus päätöksenteon laatuun, ja kaikilla muilla paitsi datan koolla merkitsevä positiivinen vaikutus päätöksenteon tehokkuuteen. Gupta & George (2016) määrittävät (big) data- analytiikkakyvykkyyden koostuvan (1) aineellisista, (2) inhimillisistä ja (3) aineettomista resursseista (Kuva 4). Gupta & George (2016) tutkimuksessa big data- analytiikkakyvykkyyden havaittiin parantavan yritysten suorituskykyä.
Kuva 3. Data-analytiikkakyvykkyyden luokittelu Ghasmaghaei et al. (2018) mukaan.
Kuva 4. Big data-analytiikkakyvykkyyden luokittelu Gupta & George (2016) mukaan.
Tässä pro gradu -tutkielmassa data-analytiikkakyvykkyyden nähdään muodostuvan 1) teknologian riittävyydestä, 2) datan määrästä ja monipuolisuudesta, 3) data-analyytikkojen kyvykkyydestä ja 4) dataan perustuvasta päätöksenteosta. Seuraavassa tarkastellaan lähemmin näitä osatekijöitä.
3.3.1 Teknologian riittävyys
Tietojohtamiskirjallisuudessa on tarkasteltu laajasti IC-teknologian roolia ja painoarvoa tietojohtamisessa. Eksplisiittinen tieto on valtaosin varastoituna tietokantoihin ja sähköisiin välineisiin. Yritykset joutuvat ottamaan uusia teknologioita käyttöön varmistaakseen tietoresurssien tehokkaan hyödyntämisen varastoitavan ja jaettavan tiedon määrän kasvaessa (Alavi & Leidner 2001). Siten IC-teknologia auttaa olemassa olevan tiedon hallinnassa, varastoinnissa ja hyödyntämisessä.
Organisaation sisäisen ja ulkoisen tiedon hallinnointi ICT:n avulla kehittää organisaation tapoja reagoida nopeasti muuttuvaan ympäristöön. IT parantaa ja helpottaa tiedon luomista, etsimistä, integraatiota ja diffuusiota, sekä hiljaisen ja eksplisiittisen tiedon varastointia ja jakamista (Sher & Lee 2003, 933-934, 936).
Informaatioteknologia toimii myös organisationaalisen oppimisen (organizational learning, OL) mahdollistajana. Organisationaalinen oppiminen muodostuu paitsi tiedon keräämisestä (eksploitatiivinen ja staattinen näkökulma), myös uuden tiedon luomisesta (eksploratiivinen ja dynaaminen näkökulma) (Real, Leal, & Rolda 2006, 505-506, 508). IT-infrastruktuuri (tietotekniset laitteet ja ohjelmistot) parantaa Real et al. (2006) mukaan koordinaatiota
yrityksen sisällä, sekä kehittää yrityksen kykyä hankkia, tunnistaa ja hyödyntää tietoa. IT- infrastruktuuri ei kuitenkaan itsessään vaikuta yrityksen suorituskykyyn, vaan vaikutus tapahtuu organisationaalisen oppimisen kautta (Real et al. 2006).
Data-analytiikan teknologiat perustuvat pääosin prediktiiviseen analytiikkaan, tilastollisiin analyyseihin, datan louhintaan, tekoälyyn ja tekstinymmärrykseen (Chen et al. 2012, 1174;
Ghasemaghaei et al. 2018, 1174). Data-analytiikan osa-alueista deskriptiivinen data- analytiikka antaa tietoa nykytilanteesta. Deskriptiivisen data-analytiikan avulla on mahdollista parantaa organisaation liiketoimintakontekstin ymmärrystä, ja edelleen sisäisiä prosesseja vastaamaan ympäristön tarpeita. Prediktiivisen data-analytiikan avulla voidaan puolestaan ennustaa tulevaa. Siten prediktiivinen analytiikka parantaa päätöksentekoa ja edelleen tukee liiketoiminnan mahdollisuuksien hyödyntämistä. Preskriptiivinen data- analytiikka keskittyy päätöksenteon optimointiin. (van Rijmenam et al. 2018, 11-13).
Siirryttäessä deskriptiivisestä analytiikasta kohti preskriptiivistä analytiikkaa menetelmät monimutkaistuvat ja analytiikan arvo organisaation päätöksenteon näkökulmasta kasvaa (kuva 5).
Kuva 5. Datan analyysimenetelmien viitekehys.
Data-analytiikkateknologia on kehittynyt nopeasti viimeisen kahdenkymmenen vuoden aikana (Davenport 2013, Chen et al. 2012). Data-analytiikka 1.0 piti alun perin sisällään suurille organisaatiolle suunniteltuja informaatiojärjestelmiä, jotka perustuivat tietokantoihin ja strukturoituun tietoon (Chen et al. 2012, 1167). Myöhemmin nämä järjestelmät on muokattu geneerisiksi ja kaupallistettu. Analytiikka 2.0 kehittyi, kun
internetpohjaiset ja sosiaalisen verkoston organisaatiot, kuten Google ja eBay, alkoivat 2000-luvun puolivälissä kerätä ja analysoida uudentyyppistä dataa. Tässä vaiheessa nousi esille myös termi big data kuvaamaan datan keräämistä myös muualta kuin organisaation sisäisistä transaktiojärjestelmistä. Data-analytiikan 2.0 -vaihe on synnyttänyt markkinat tehokkaille analytiikkavälineille. Analytiikka 2.0:n teknologiat ovat vaatineet esimerkiksi avoimen lähdekoodin (Hadoop) sovellusrakenteen analytiikan nopeuden varmistamiseksi, sekä uudenlaisen (NoSQL) tietokannan kehittämisen strukturoimattoman tiedon hyödyntämiseksi. Myös koneoppimisen menetelmät ovat laajalti käytössä. Uusin vaihe, analytiikka 3.0 kuva mobiili- ja sensoriperustaista tilannetta, niin kutsuttua esineiden internetiä (IoT, Internet of things). Data-analytiikan 3.0 -vaihe keskittyy perinteisen päätöksenteon tukemisen sijaan arvon luomiseen uusilla tavoilla. Esimerkkeinä voidaan mainita parempien suosittelujen rakentaminen algoritmien avulla, ja strukturoidun informaation kerääminen strukturoimattomasta datasta NLP:n (Natural Language Processing) avulla (Davenport 2013, Van Rijmenam et al. 2018)
Yhteenvetona voidaan todeta, että teknologian riittävyys on aina suhteessa kontekstiin, kuten liiketoimintaan, työntekijöiden osaamiseen ja organisaation rakenteeseen. Teknologia itsessään ei paranna suorituskykyä tai auta päätöksenteossa, vaan ratkaisevaa on, kuinka teknologia sopii organisaation tarpeisiin. Empiriaosiossa teknologian riittävyydellä viitataan yrityksen käytettävissä olevan data-analytiikkateknologian monimuotoisuuteen ja hyödynnettävyyteen.
3.3.2 Datan määrä ja monipuolisuus
Alavi & Leidner (2001) määrittelyn mukaan data on faktoja ja raakoja numeroita (ykkösiä ja nollia), informaatio on prosessoitua tai tulkittua dataa, ja tieto henkilöityvää informaatiota.
Datan, informaation ja tiedon hierarkia vaihtelee kontekstin, käytettävyyden ja tulkittavuuden mukaan.
Dataa voidaan luokitella sen rakenteen perusteella (Kuva 6). Strukturoimaton data on esimerkiksi kuvien, videoiden, äänien tai tekstin muodossa. Tyypillisesti strukturoimattoman datan tulkitseminen on helppoa ihmiselle, mutta hankalaa teknologisille sovelluksille. Strukturoimattoman datan muokkaaminen data-analytiikkaan sopivaksi edellyttää usein monimutkaisten matemaattisten ja tilastollisten menetelmien hyödyntämistä. Seuraavana hierarkiassa on näennäisstrukturoitu data (quasi structured data)
ja puolistrukturoitu data (semi-structured data), joissa dataa on jo muokattu analytiikkaa varten. Myös datan esikäsittelyä voidaan pitää analyysin vaiheena. Olemassa olevasta datasta vain hyvin pieni osa on suoraan analysoitavassa, strukturoidussa muodossa.
(Gandomi & Haider 2015, 138)
Kuva 6. Dataa voidaan luokitella sen rakenteen perusteella. Vain hyvin pieni osa datasta on strukturoidussa muodossa. Strukturoimattoman datan määrä kasvaa suurella nopeudella.
(Ommi, 2018)
Paljon käytetyllä big data -termillä kuvataan datamassaa, jolle tunnusomaisina piirteinä pidetään vaihtelevuutta (variety), nopeutta (velocity), määrää (volume), arvoa (value) ja totuudenmukaisuutta (veracity). Big data-analytiikalla puolestaan viitataan sellaisiin data- analytiikan tekniikoihin, joiden avulla kyetään analysoimaan monimutkaista, vaihtelevaa ja suurta määrää dataa. (Gandomi & Haider 2015, 138-140) Tässä pro gradu -tutkielmassa ei erotella big dataa ja big data-analytiikkaa, vaan datan ymmärretään olevan lähtökohtaisesti monimuotoista ja datan analysoimisen vaativan jatkuvasti kehittyviä data- analytiikkamenetelmiä.
Empiriaosiossa tarkasteltavassa data-analytiikkakyvykkyyden osa-alueessa datan määrä ja monipuolisuus viitataan datan määrällä jatkuvasti kasvavaan käytettävissä olevan datan määrään, joka on edellytys data-analytiikalle. Datan monipuolisuudella puolestaan viitataan analysoitavan datan useisiin lähteisiin ja tyyppeihin.
3.3.3 Data-analyytikkojen kyvykkyys
Data-analyytikkojen kyvykkyys on erittäin merkittävässä asemassa yrityksen päätöksenteon parantamisessa. Siirryttäessä deskriptiivisestä analytiikasta kohti preskriptiivistä analytiikkaa menetelmät monimutkaistuvat ja analytiikan arvo organisaation päätöksenteon näkökulmasta kasvaa (Kuva 5). Analyyttiset ja tietotekniset taidot edellyttävät tilastotieteen ja tietotekniikan osaamista strukturoidun datan ja strukturoimattoman tekstin hallinnoimiseen ja analysointiin (Chen et al. 2012, 1183). Data-analyytikoilta edellytetään laajaa data-analytiikan hallintaa aina analytiikka 1.0:sta 3.0:aan. Jotta data-analyytikot voivat tarjota hyödyllisisä näkemyksiä ja tukea päätöksenteossa, tulee heidän lisäksi ymmärtää liiketoimintaa ja hahmottaa erilaisia mahdollisia ratkaisumalleja. Tämä edellyttää laajaa ymmärrystä laskentatoimesta, rahoituksesta, johtamisesta, markkinoinnista ja logistiikasta aina data-analytiikan sovellusten hallintaan (Chen et al. 2012, 1183). Ei siis riitä, että data-analyytikot osaavat teknologian avulla muuntaa raakadatan informaatioksi ja tiedoksi, lisäksi heidän pitää pystyä viestimään tämä tieto liiketoiminnan ja substanssin asiantuntijoille. (Chen et al. 2012, 1183)
Van Rijmenam et al. (2018) painottaa, että suuren datamäärän analysoiminen kehittyneen analytiikan avulla auttaa organisaatioita ymmärtämään ympäristöään ja selviytymään muutoksissa. Data-analyyttinen ajattelu on olennainen osa datan hyödyntämistä liiketoiminnassa; tämä taito on tärkeä paitsi data-analyytikoille, myös läpi koko organisaation. Data-analytiikkaan liittyvä perusosaaminen on tärkeää, koska data- analyytikot ohjaavat työnsä tulosten kautta yhä enenevissä määrin liiketoimintaa. Davenport (2014) kuvaakin data-analyytikkojen muuttuneen datatieteilijöiksi, jotka datan analysoinnin lisäksi ohjaavat organisaatioiden toimintaa.
Data-analytiikan hyödyntäminen liiketoiminnassa edellyttää myös muiden yrityksen tekijöiden, kuten henkilöstöhallinnon tai toimialaan liittyvien erityistekijöiden huomioimista ja ymmärrystä. Empiriaosiossa tarkasteltavalla data-analytiikkojen kyvykkyydellä viitataan yrityksen data-analyytikkojen tietoihin ja taitoihin, joiden avulla he hyödyntävät dataa ja data-analytiikkaa yrityksen suorituskyvyn parantamiseen.
3.3.4 Dataan perustuva päätöksenteko
Päätöksenteko on merkittävin organisaation suorituskykyyn vaikuttava tekijä, koska päätöksillä ohjataan jatkuvasti organisaation toimintaa. Päätöksenteko voidaan jaotella strategisen, taktisen ja operatiivisen tason päätöksiin. Strategisen tason päätöksillä tarkoitetaan niitä harvoja päätöksiä, jotka vaikuttavat merkittävästi koko organisaatioon.
Taktisen tason päätökset vaikuttavat organisaatiossa yksittäisten osa-alueiden toimintaan.
Operatiivinen päätöksenteko puolestaan liittyy päivittäiseen johtamiseen. (Maisel
& Cokins 2014, 66) Päätöksenteon tasot vaikuttavat analytiikassa tarvittaviin menetelmiin.
Päätöksentekoa määrittäviä tekijöitä ovat muun muassa tarve reagoida ja tehdä päätöksiä, päätöksentekijän osaaminen ja näkemys tavoitteista, sekä tieto käsiteltävästä ongelmasta (Kościelnak & Puto 2015, 1053). Datan ja data-analytiikan avulla voidaan vaikuttaa näihin päätöksenteon osatekijöihin; dataan perustuva tieto vähentää inhimillisten tekijöiden vaikutusta päätöksentekoon ja data-analytiikan päätehtävänä voidaan pitää päätöksenteon tukemista.
Dataperustaisella päätöksenteolla (data-driven decision making, DDD) tarkoitetaan sitä, että päätökset tehdään datan perusteella olettamusten sijaan. Dataan perustuva päätöksenteko voidaan jakaa 1) päätöksiin, joita varten tehdään löytöjä datasta, ja 2) päätöksiin, joita tehdään toistuvasti. Toistuvissa tilanteissa päätöksenteko voi hyötyä pienestäkin data- analyysin perusteella saavutetusta tarkkuuden paranemisesta. (Provost & Fawcett 2013, 53- 54) Myös Maison & Cokins (2014) esittävät, että data-analytiikalla on merkittävin vaikutus nimenomaan operatiiviseen päätöksentekoon. Dataan perustuvaan päätöksentekoon liittyy olennaisesti koko organisaation läpäisevä data-analyyttinen ajattelu ja data-analytiikan perusosaaminen. (Provost & Fawcett 2013, 55).
Dataan perustuva päätöksenteko lisää tutkimuksen mukaan organisaatioiden tuottavuutta, ja on yhteydessä korkeampaan pääoman tuottoasteeseen (ROA, return of assets), oman pääoman tuottoasteeseen (ROE, return of equity) sekä markkina-arvoon sekä (Brynjolfsson, Hitt & Kim 2011). Brynjolffson et al. (2011) mukaan organisaatio on sitä tuottavampi mitä enemmän sen päätöksenteko perustuu dataan.
Dataan perustuva päätöksenteko on data-analytiikan kehittyessä yhä useamman organisaation saatavilla. Strukturoitua dataa voidaan koostaa monenlaisesta strukturoimattomasta datasta deskriptiivisen, prediktiivisen ja preskriptiivisen analytiikan työkaluilla. (Van Rijmenam et al. 2018, 3). Useiden tutkijoiden mukaan data-analytiikasta on tullut edellytys liiketoimintaympäristön ymmärtämiselle, kilpailukyvyn ylläpitämiselle ja päätöksenteolle. On havaittu, että useat organisaatiot, joilla päätöksenteko perustuu dataan, ovat kokeneet painetta organisaation rakenteiden muuttamiseen. Datan kasvava merkitys siirtää valtaa niille henkilöille, joilla on pääsy dataan, data-analytiikan osaaminen, sekä mahdollisuus tehdä analytiikan perustuvia päätöksiä (Galbraith 2014)
Empiirisessä osuudessa dataan perustuvalla päätöksenteolla viitataan siihen, kuinka paljon tarkasteltavat yritykset perustavat päätöksiään dataan.
3.4 Eksploraatio ja eksploitaatio
March esitti ensimmäisenä (1991) eksploraation (exploration) ja eksploitaation (exploitation) käsitteet organisationaalisen oppimisen jatkumon ääripäinä. Hän tarkasteli uusien mahdollisuuksien etsimisen (eksploraatio) suhdetta vanhojen - jo varmojen - asioiden hyödyntämiseen (eksploitaatio) adaptiivisissa prosesseissa (March 1991, 71). March (1991, 71) kuvaa eksploraatioprosessia muutokseen liittyvillä termeillä haku, riskinotto, kokeilu, leikkiminen, joustavuus, etsiminen ja innovaatiot. Eksploitaatioprosessia kuvaavat puolestaan jatkumiseen yhdistyvät termit jalostus, parannus, valikoiminen, tuotanto, tehokkuus ja toimeenpano (March 1991, 71). Ero eksploraation ja eksploitaation välillä löytyy oppimisen tavassa ja määrässä; oppimista tapahtuu molemmissa toiminnoissa (Gupta et al. 2006, 694).
Eksploraatiota ja eksploitaatiota voidaan tarkastella muun muassa evolutionaaristen mallien tai organisationaalisen oppimisen näkökulmasta. Evolutionaarisissa malleissa eksploraatiota ja eksploitaatiota peilataan variaation ja valinnan väliseen tasapainoon. Selviytymisen kannalta tehokas valinta olemassa olevien muotojen, rutiinien ja käytäntöjen välillä on välttämätöntä. Toisaalta myös uusien, vaihtoehtoisten käytäntöjen luominen, varsinkin muuttuvissa olosuhteissa, on selviytymisen edellytys. (March 1991, 72)
Teknologinen kehitys ja organisationaalinen oppiminen on hyvä esimerkki eksploraation ja eksploitaation eroista. Eksploitatiivisessa lähestymisessä muokataan jo olemassa olevaa teknologiaa, kun taas eksploratiivisessa lähestymisessä kehitetään uutta teknologiaa. Uusia vaihtoehtoja kehitettäessä panostus jo olemassa olevan teknologian opetteluun ja hyödyntämiseen vähenee. Vastaavasti vanhoihin teknologioihin keskittyminen vähentää halukkuutta uusien kehittämiseen. (March 1991, 72) Uuden teknologian omaksuminen vaatii panostusta, joten sen on oltava selvästi vanhaa teknologiaa parempi tuodakseen organisaatiolle arvoa. Samalla vähäisempi aiempi kokemus teknologiasta kasvattaa varianssia. (March 1991, 83). Kääntäen March (1991, 83) esittää, että oppiminen voi vähentää toiminnan monimuotoisuutta, koska se tekee toiminnasta helpommin ennustettavaa.
Eksploitaation ja eksploraation etuja on hankala vertailla, koska niiden hyödyt vaihtelevat monessa suhteessa. Vaihtelua tapahtuu muun muassa ajallisesti sekä hyödyn jakautumisessa organisaatioon ja sen ulkopuolelle (March 1991, 71). Eksploratiivinen prosessi on haavoittuvainen, sen seuraukset ovat aina epävarmat ja näkyvät pidemmän ajan kuluessa.
Eksploitaation tulokset ovat varmemmat, selkeämmät ja nopeammin nähtävissä.
Adaptiiviset prosessit tyypillisesti kehittävät eksploitaatiota nopeammin, jolloin myös tämän lähestymistavan edut kumuloituvat; positiivinen vaste (feedback) synnyttää vahvan polkuriippuvuuden (path dependence). Siten oppiminen ja imitoiminen ehkäisevät eksperimentaatiota. (March 1991, 73)
Kun organisaatio keskittyy ainoastaan eksploraatioon, se todennäköisesti kärsii etsimisen kustannuksista saavuttamatta täysin löytämisen etuja. Tämä johtuu siitä, että organisaatiossa esiintyy liian paljon kehittymättömiä uusia ideoita, ja toisaalta liian vähän valmista kyvykkyyttä. Ainoastaan eksploitaatioon keskittyvä organisaatio taas jää epätasapainoiseen tilaan. Sekä eksploraatio että eksploitaatio ovat siten tärkeitä organisaatioille, mutta resurssien niukkuus voi pakottaa organisaatiot tekemään valintoja eksploratiivisen ja eksploitatiivisen toiminnan välillä joko eksplisiittisesti tai implisiittisesti. (March 1991, 71) Myöhemmät tutkimukset haastavat osin Marchin (1991) alkuperäistä jatkumoajattelua, jossa eksploraatio ja eksploitaatio jatkumon ääripäinä aiheuttavat ristiriitaa organisaation resurssien ja tarpeiden välillä. Gupta et al. (2006, 697) esittää eksploraation ja eksploitaation
itsenäisinä toimintoina, jolloin organisaatio voi hyödyntää molempia toimintatapoja samanaikaisesti; eksploraatio ja eksploitaatio voivat siis olla joko jatkumon päätepisteet tai vaihtoehtoisesti ortogonaaliset, eli kohtisuorat vektorit (Kuva 7).
Kuva 7. Eksploratiivisuuden ja eksploitatiivisuuden suhde voidaan nähdä joko jatkumon ääripäinä, tai kohtisuorina vektoreina.
Eksploraation ja eksploitaation suhde riippuu tarkastelutasosta, toimintaympäristöstä sekä siitä, kilpailevatko toiminnot resursseista (Gupta et al. 2006, 697; Uotila, Maula, Keil &
Zahra, 2009). Cao, Gedajlovic & Chang (2009) osoittavat, että tasapaino eksploratiivisen ja eksploitatiivisen toiminnan väillä on erityisen tärkeää pienissä ja keskisuurissa yrityksissä, joissa resurssit ovat niukat. Toisaalta suuremmissa yrityksissä, joissa resurssit ovat runsaat, yrityksen kannattaa panostaa sekä eksploraatioon että eksploitaatioon (Cao et al. 2009 789- 793). Uotila et al. (2009, 222) puolestaan osoittaa toimintaympäristön vaikutuksen;
erityisesti teknologisesti voimakkaasti kehittyvillä toimialoilla eksploraation ja eksploitaation oikea tasapaino on tärkeä yrityksen suorituskyvyn näkökulmasta. Yleisesti organisaation selviytymisen ja menestymisen kannalta on olennaisen tärkeää löytää juuri kyseiselle organisaatiolle sopiva toimintatapa tai selviytymismekanismi (Karhu 2017, 23).
Gupta et al. (2006, 699) mukaan on myös mahdollista erikoistua joko eksploraatioon tai eksploitaatioon kun tarkastelutasona on yksittäistä organisaatiota suurempi järjestelmä.
Tällöin esimerkiksi kaksi organisaatiota, joista toinen on erikoistunut eksploraatioon ja toinen eksploitaatioon hyödyntävät toisiaan täydentäviä (mutual) resursseja molempia
organisaatioita hyödyttävällä tavalla. Eksploratiivisen organisaation toimintaympäristö on tällaisessa tapauksessa erittäin dynaaminen ja eksploitatiivisen organisaation erittäin stabiili.
Esimerkkinä Gupta et al. (2006, 699) mainitsee puolijohdeteollisuuden, jossa edellä kuvattu erikoistuminen eksploratiiviseen ja eksploitatiiviseen toimintaan on mahdollista tutkimus- ja kehitysyritysten sekä tuotantoyritysten välillä.
Eksploitaatio näkyy organisaatioissa usein ylhäältä alaspäin annettuina ohjeina, muodollisina rutiineina, sekä vakiintuneina toimintamalleina, jotka yhdessä tukevat olemassa olevaa toimintatapaa. Eksploratiivinen toiminta sitä vastoin edellyttää johdolta työntekijöiden kuuntelua ja oppimista työntekijöiltä. Eksploraatioon ja eksploitaatioon liittyvä haasteita ovat esimerkiksi resursseihin liittyvät konfliktit, tai tarvittaviin taitoihin liittyvät ristiriidat. Haasteena on ylläpitää samanaikaisesti sekä joustavia että muodollisia rakenteita ja käyttäytymismalleja, sekä tarjota konteksti, jossa toisiaan tukevat toiminnot voivat esiintyä yhtä aikaa. (Karhu 2017, 47).
3.4.1 Ambidekstrisyys
Yrityksen kontekstissa ambidekstrisyys tarkoittaa vastakkaisia toimintoja, jotka ovat toisiinsa kytkeytyneitä, eivätkä voi korvata toisiaan (Karhu 2017, 46). Tässä pro gradu - tutkielmassa ambidekstrisyydellä tarkoitetaan eksploraation ja eksploitaation välistä tasapainoa ja keskinäistä vastavuoroisuutta.
Organisaatiot pyrkivät tasapainoon eksploraation ja eksploitaation välillä, koska liian suuri riippuvuus vain toisesta voi haitata organisaation menestystä pitkällä aikavälillä. (Karhu 2017, 46, 48; March 1991). Varsinkin nopeasti muuttuvassa liiketoimintaympäristössä ambidekstrisyys on tärkeää, koska organisaation on samanaikaisesti tunnistettava ja hyödynnettävä dynaamisia kyvykkyyksiä, ja toisaalta keskityttävä sisäisiin ja ulkoisiin haasteisiin (Sher 2004). Tasapainotila voidaan saavuttaa erilaisten ambidekstrisyyden tyyppien kautta (Kuva 8).
Kuva 8. Ambidekstrisyyden tyypit kuvattuna eksploraation ja eksploitaation suhteena.
(Karhu 2017, 54).
Rakenteellisella ambidekstrisyydellä tarkoitetaan spatiaalista eroa vastakkaisten toimintojen välillä (Karhu 2017, 50). Rakenteellisessa ambidekstrisyydessä eksploraatiota ja esploitaatiota toteutetaan erillisinä (Benner & Tushman 2003, 252). Esimerkkinä tällaisesta ambidekstrisyydestä ovat erilliset liiketoimintayksiköt, joista toiset ovat erikoistuneet eksploraatioon (esimerkiksi uusien tuotteiden kehittämiseen), ja toiset eksploitaatioon (esimerkiksi ylläpitoon ja innovaatioiden hienosäätöön). (Karhu 2017, 50)
Syklinen ambidekstrisyys (Simsek, Heavey, Veiga & Souder 2009, 882) perustuu näkemykseen, jonka mukaan organisaatiot kehittyvät tasapainojaksojen (eksploitaatio) aikana, joita taas muutosjaksot (eksploraatio) interpoloivat. Syklisessä ambidekstrisyydessä vastakkaiset aktiviteetit ovat siis ajallisesti erillisiä. (Karhu 2017, 51)
Resiprokaalinen ambidekstrisyys (Simsek et al. 2009, 886), on syklisen ambidekstrisyyden muunnelma ja perustuu yhteistyössä tapahtuvaan ongelmanratkaisuun, informaation vaihtoon sekä yhteisölliseen päätöksentekoon (Karhu 2017, 51). Resiprokaalisella ambidekstrisyydellä tarkoitetaan peräkkäisiä, prosessimaisia eksploitaatio- ja eksploraatiotoimintoja yksikköjen välillä, jolloin yhden liiketoiminnan eksploraatiotuotosta tulee eksploitaatiosyöte toiselle liiketoimintayksikölle ja päinvastoin. (Karhu 2017, 51-52).
Kontekstuaalinen ambidekstrisyys (Gibson & Birkinshaw, 2004) saavutetaan luomalla sellainen konteksti, joka kannustaa yksilöitä toimimaan siten, että he allokoivat optimaalisesti resurssinsa erilaisten vaatimusten välillä. (Karhu 2017, 52). Edellytyksenä kontekstuaaliselle ambidekstrisyydelle on johdon tuki ja luottamus, sekä sopivien olosuhteiden luominen (Gibson & Birkinshaw, 2004, 223).
3.5 Eksploraatio ja eksploitaatio tietojohtamisen kontekstissa
Tietoperustaisen näkemyksen mukaan tiedon luomisen, säilyttämisen, jakelun ja hyödyntämisen prosessit kuuluvat organisaation ydintoimintoihin (Grant, 1996). Tieto on organisaation tärkein strateginen resurssi, koska se mahdollistaa kulttuurisen, älyllisen, sosiaalisen ja taloudellisen arvon luomisen. Grant (1996) esittää kaksi tietojohtamisen kontribuutiota. Ensimmäinen liittyy tiedon tyyppien tunnistamiseen, koska hiljaisen tiedon ja eksplisiittisen tiedon johtaminen vaatii erilaisen lähestymistavan: Eksplisiittinen tieto löytyy kodifioituna, kun taas hiljainen tieto ilmentyy ihmisten kykyjen ja taitojen kautta.
Toinen kontribuutio liittyy siihen, kuinka tietoa uudistetaan tai muunnetaan; Grantin (1996) mukaan organisaatiot voivat muokata tietoa eksploitaation ja eksploraation jatkumossa.
Siten tietojohtamista tulisi käsitellä sosiaalisena ja teknisenä ilmiönä (Grant, 1996), ja tietojohtamisen prosessia voidaan pitää edellytyksenä organisaation kehittymiselle.
Tietojohtamisen kontekstissa eksploitaatio perustuu olemassa olevaan, eksplisiittiseen tietopohjaan, jota hyödynnetään sisäistämisen (internalizing) ja yhdistämisen (combining) kautta vähitellen tapahtuviin (incremental) innovaatioihin (Nonaka 1994, Lubatkin et al.
2006, 648). Eksploraatio taas viittaa uusien mahdollisuuksien löytämiseen ja hyödyntämiseen joko uudesta ulkoisesta tiedosta tai hiljaisesta tiedosta. Eksploraatio hyödyntää hiljaista tietoa ulkoistamisen (externalizing) ja yhdistämisen (combining) kautta (Lubatkin et al. 2006, 648; Nonaka 1994).
Nonakan (1994) tiedon luomisen SECI-malli (Kuva 9) liittyy keskeisesti edellä kuvattuun tietojohtamisen näkemykseen tiedon eksploraatiosta ja eksploitaatiosta. Uutta tietoa luodaan ihmisten välisen vuorovaikutuksen, sekä sosiaalisten rakenteiden vuorovaikutuksen kautta.
Tiedon konversio alkaa sosialisaatiolla (socialization), jossa uutta hiljaista tietoa muokataan jaettujen kokemusten kautta jokapäiväisessä vuorovaikutuksessa. Ulkoistamisessa (externalization) hiljainen tieto muunnetaan eksplisiittiseksi tiedoksi. Yhdistämisessä (combination) eksplisiittistä tietoa kerätään organisaation sisältä tai ulkopuolelta, yhdistetään ja prosessoidaan systemaattisemmaksi eksplisiittiseksi tiedoksi. Viimeinen mallin vaihe on sisäistäminen (internalization), jossa tietoa käytetään, ja jossa siitä tulee perusta uusille rutiineille. Tiedon luomisen kuvataan olevan luonteeltaan spiraali, mikä kuvaa prosessin vaiheiden toistumista ja tiedon iteratiivista kehittymistä. (Nonaka, 1991)
Kuva 9. Tiedon luomisen SECI-malli (Nonaka 1996), jossa kuvataan tiedon luomisen vaiheita. Spiraali kuvaa tiedon kehittymisen spiraalimaista luonnetta.
3.5.1 Kontekstuaalisten tekijöiden vaikutus eksploraatioon ja eksploitaatioon
Gonzales & De Melo (2018) ovat tarkastelleet tietojohtamista tukevien kontekstuaalisten tekijöiden vaikutusta tiedon eksploraatioon ja tiedon eksploitaatioon. Kontekstuaalisia tekijöitä tarkasteltiin Heisigin (2009) tietojohtamisen käytäntöjen jaottelua mukaillen (kappale 3). Tarkastelussa olivat mukana ihmisiin liittyvä HR-johtaminen ja tukeva johtajuus, organisaatioon liittyvä organisaation oppimiskulttuuri ja autonomia, sekä teknologiaan liittyvä IT-järjestelmät (Gonzales & De Melo 2018). Organisaatiot kehittävät näitä kontekstuaalisia tekijöitä eri tavoin, ja ne vaikuttavat organisaation kykyyn hyödyntää tiedon eksploraatiota ja eksploitaatiota.
Gonzales & de Melo tarkastelivat edellä mainittujen organisaation kontekstuaalisten tekijöiden vaikutusta innovaatiokäytäntöihin tiedon eksploraation ja tiedon eksploitaation kautta. Tutkimus osoitti, että tiedon eksploraatioon vaikuttavat erityisesti IT-järjestelmät, autonomia ja oppimiskulttuuri. Tiedon eksploitaatio puolestaan liittyy enemmän oppimiskulttuuriin ja tukevaan johtajuuteen. HRM:llä oli vaikutusta molempiin
Sosialisaatio
(Socialization) Ulkoistaminen
(Externalization)
Sisäistäminen
(Internalization) Yhdistäminen
(Combination) Hiljainen tieto
Hiljainen tieto Hiljainen tieto
Hiljainen tieto
Eksplisiittinen tieto
Eksplisiittinen tieto Eksplisiittinen tieto
Eksplisiittinen tieto Yksilö
Yksilö Ryhmä
Yksilö
Ryhmä Yksilö
Yksilö Yksilö
Ryhmä Ryhmä
Ryhmä Organisaatio
Yksilö
Yksilö Ryhmä
Organisaatio
prosesseihin. Tukevalla johtajuudella ei ole vaikutusta tiedon eksploraatioon eikä autonomialla tiedon eksploitaatioon. Donate & Guadamillas (2011) tutkimuksen mukaan kontekstuaalisista tekijöistä tietokeskeisellä (knowledge-centered) kulttuurilla on moderoiva vaikutus sekä tiedon eksploraatioon että tiedon eksploitaatioon.
Gonzales & De Melo jaottelivat tutkimuksessaan organisaatiot kolmeen tyyppiin niiden eksploratiivisuuden ja eksploitatiivisuuden perusteella. Innovatiiviset yritykset hyödynsivät voimakkaasti sekä tiedon eksploraatiota että tiedon eksploitaatiota. Eksploitatiiviset organisaatiot keskittyivät tiedon eksploitaatioon ja passiiviset yritykset osoittivat matalaa aktiivisuutta kaikilla tutkituilla tekijöillä.
Yhteenvetona voidaan todeta, että tietojohtamista tai tiedon eksploraatiota ja eksploitaatiota ei voida tarkastella erikseen organisaation muista tietoon liittyvistä systeemeistä, vaan mukana on aina tekijöitä monessa eri tasossa.
4 Tutkimusmalli ja hypoteesit
Data-analytiikkakyvykkyyttä tarkastellaan tässä työssä osana yrityksen tietojohtamista (Kuva 10). Data-analytiikkakyvykkyyden katsotaan muodostuvan neljästä osatekijästä, jotka ovat 1) teknologian riittävyys, 2) datan määrä ja monipuolisuus, 3) data-analyytikkojen kyvykkyys ja 4) dataan perustuva päätöksenteko. Työn empiirinen osuus tarkastelee selittävinä muuttujina data-analytiikkakyvykkyyden osa-alueita, sekä taustamuuttujina yrityksen toimialaa, kokoa ja ikää. Selitettävinä muuttujina toimivat yritysten eksploratiivisuus ja eksploitatiivisuus. Seuraavaksi esitellään työn hypoteesit.
Kuva 10. Työn viitekehys, tarkasteltavat muuttujat ja hypoteesit.
Teknologian riittävyys on edellytys tehokkaalle tiedon eksploitaatiolle. Tiedon eksploitaatio taas vaikuttaa positiivisesti tiedon eksploraatioon. (Santoro & Usai 2018, Real et al. 2006, 515). IT-infrastruktuurin ja tiedon ambidekstrisyyden välillä on edelleen havaittu korrelaatiota (Benitez, Castillo, Llorens & Braojos 2018).
Data-analytiikan osa-alueista deskriptiivinen, kuvaileva data-analytiikka kuvailee nykytilannetta ja voi parantaa liiketoiminnan ymmärrystä. Prediktiivinen, ennustava analytiikka parantaa päätöksentekoa, ja tukee sitä kautta liiketoiminnan mahdollisuuksien hyödyntämistä. (van Rijmenam et al. 2018, 11-13). Sekä deskriptiivinen data-analytiikka
että prediktiivinen data-analytiikka muuntavat dataa tehokkaasti informaatioksi (van Rijmenam et al, 2018, 14). Kun data on muutettu informaatioksi, on se hyödynnettävissä eksploitatiivisesti, samoin informaatiosta voi löytää datamassaan kätkeytynyttä tietoa, jolloin puhutaan eksploraatiosta.
Edellä kuvatun pohjalta esitän, että yrityksen data-analytiikkakyvykkyydellä on positiivinen vaikutus sekä eksploratiivisuuteen että eksploitatiivisuuteen. Hypoteesit 1-2 ovat seuraavat:
H1: Teknologian riittävyys vaikuttaa positiivisesti yritysten eksploitatiivisuuteen.
H2: Teknologian riittävyys vaikuttaa positiivisesti yritysten eksploratiivisuuteen.
Tietoon perustuva johtaminen (Evidence based management, EBM) on perinteisesti ollut käytössä organisaatioissa, jotka haluavat hyödyntää olemassa olevaa osaamistaan. Nykyisin datan määrän ja data-analytiikan kehittymisen myötä EBM-lähestymistä käytetään enenevissä määrin myös uusia tuotteita tai palveluja kokeilevissa yrityksissä. (Jackson &
Leung 2019, 28). Organisaatioiden tulisi Jackson & Leungin (2019) mukaan tunnistaa tietostrategiansa eksploratiivisuus – eksploitatiivisuuussuhde, ja suhtautua dataperusteiseen johtamiseen omien tavoitteidensa ja liiketoimintakontekstin mukaisesti. Hyvin eksploitatiivisten organisaatioiden toiminta perustuu olemassa olevaan, todennettuun dataan. Toisaalta hyvin eksploratiivisten organisaatioiden on tärkeää tunnistaa datan poikkeamia (outliers), jotka saattavat kertoa tulevaisuuden tarpeista (Jackson & Leung 2019). Myös Donate & Guadamillas (2011) mukaan tietokeskeisellä kulttuurilla on moderoiva vaikutus sekä tiedon eksploraatioon että tiedon eksploitaatioon. Tästä johdan hypoteesit 3-4:
H3: Dataan perustuva päätöksenteko vaikuttaa positiivisesti yritysten eksploitatiivisuuteen.
H4: Dataan perustuva päätöksenteko vaikuttaa positiivisesti yritysten eksploratiivisuuteen.
Saatavilla olevan datan jatkuvasti kasvava määrä on lähtökohta data-analytiikalle.
Perinteisesti tietojohtamisen kontekstissa eksploitaatio perustuu olemassa olevaan, eksplisiittiseen tietopohjaan, jota hyödynnetään sisäistämisen ja yhdistämisen kautta
inkrementaalisesti. Eksploraatio taas perustuu uusien mahdollisuuksien löytämiseen ulkoisesta tiedosta tai hiljaisesta tiedosta. (Lubatkin et al. 2006, 648; Nonaka 1994).
Sumbal et al. (2017) rinnastaa data-analytiikan ja tietojohtamisen tiedon luomisen prosessit;
sekä perinteisessä tietojohtamisessa että data-analytiikassa uuden tiedon luominen on keskiössä. Data-analytiikassa korostuu teknologian rooli uuden tiedon luomisprosessissa, kun taas aiemmassa tietojohtamiskirjallisuudessa tiedon luominen liitetään vahvasti hiljaiseen, henkilöityvään tietoon. Tämän rinnastuksen kautta päästään tarkastelemaan datan määrän ja riittävyyden suhdetta eksploraatioon ja eksploitaatioon. Kun eksploraatiossa uutta tietoa luodaan data-analytiikan kautta datasta, voidaan perustellusti ajatella, että datan määrä ja monipuolisuus vaikuttavat positiivisesti eksploraatioon. Eksploitaation hyödyntäessä olemassa olevaa, eksplisiittistä tietopohjaa, voidaan nähdä datan määrän ja monipuolisuuden olevan edellytys myös tiedon tehokkaalle hyödyntämiselle eli eksploitaatiolle.
Hypoteesit H5-H6 liittyvät datan määrän ja monipuolisuuden vaikutukseen yritysten tietostrategiaan.
H5: Saatavilla olevan datan määrällä ja monipuolisuudella on positiivinen vaikutus eksploitatiivisuuteen.
H6: Saatavilla olevan datan määrällä ja monipuolisuudella on positiivinen vaikutus eksploratiivisuuteen.
Tiedon luominen datasta data-analytiikan keinoin on uusi, mutta nopeasti kasvava ilmiö.
Datan määrän ja merkityksen kasvu edellyttää paljon myös organisaatioiden data- analyytikoilta. Sumbal et al. (2017, 180) kuvaa data-analyytikkojen roolin olevan käyttökelpoisen tiedon löytäminen datasta syntyneestä informaatiosta ja tiedosta. Vaikka data-analytiikassa teknologian rooli tiedon luomisessa korostuu, tuovat data-analyytikot kuvioon hiljaisen tiedon asiantuntemuksellaan (Sumbal et al. 2017, 193).
Data-analyytikoilta edellytetään paitsi eksploitaatioon tarvittavaa laajaa data-analytiikan hallintaa, myös eksploraaation edellyttämää liiketoiminnan ymmärrystä ja kykyä tehdä analyyttisiä päätöksiä (Chen et al. 2012 1183). Data-analyytikkojen rooli on korostunut organisaatioiden päätöksenteossa; paitsi että he hyödyntävät dataa ja informaatiota eksploitatiivisesti, on heidän ymmärrettävä, milloin data-analytiikalla löydetty informaatio on uutta tietoa ja mistä tätä uutta tietoa voi hakea lisää. Ei siis riitä, että data-analyytikot
osaavat muuntaa raakadatan informaatioksi ja tiedoksi, lisäksi heidän pitää pystyä kommunikoimaan tämä tieto liiketoiminnan ja substanssin asiantuntijoille. (Chen et al. 2012, 1183)
Data-analyytikkojen kyvykkyys on avainasemassa sekä teknologian hyödyntämiseen, datan hyödyntämiseen että dataan perustuvaan päätöksentekoon. Siten kirjallisuuden pohjalta muodostetaan hypoteesit H7 ja H8.
H7: Data-analyytikkojen kyvykkyydellä on positiivinen vaikutus yritysten eksploitatiivisuuteen.
H8: Data-analyytikkojen kyvykkyydellä on positiivinen vaikutus yritysten eksploratiivisuuteen.
5 Tutkimusmenetelmät
Tutkimusstrategian valintaan vaikuttavat teoreettinen viitekehys sekä tutkimusongelma (Alkula, Pöntinen & Ylöstalo 1995, 15). Tässä työssä pyritään selittämään toimintoja ja niiden keskinäisiä yhteyksiä, joten tutkimusmenetelmäksi on valittu kvantitatiivinen mittaus. Kvantitatiivisella lähestymisellä saavutetaan riittävä otoskoko, jolloin on mahdollista erottaa sattuma ja systemaattinen vaihtelu (Alkula et al. 1995, 21-22).
Alaluvuissa esitetään työssä käytetyt tutkimusmenetelmät ja aineisto, sekä aineiston analysoinnin tulokset.
5.1 Menetelmät
Työn empiriaosuus perustuu tarkasteltavien muuttujien rakenneyhtälömallinnukselle (Structural Equation Model, SEM). Rakenneyhtälömallinnuksen avulla on mahdollista tarkastella yhtä aikaa useiden muuttujien välisiä riippuvuuksia. SEM-analyysi hyödyntää monimuuttujaregressiota ja faktorianalyysiä sen selvittämisessä, kuinka hyvin teorian perusteella muodostetut mallit ja hypoteesit sopivat data-aineistoon. (Hair, Black, Babin &
Anderson 2014, 542). SEM -menetelmä koostuu kahdesta osa-alueesta. Ensimmäinen vaihe on mittamalli, jossa määritetään tutkivan faktorianalyysin (Exploratory Factor Analysis, EFA) sekä konfirmatorisen faktorianalyysin (Confirmatory Factor Analysis, CFA) avulla aineistossa mitattujen muuttujien suhdetta latentteihin muuttujiin. Toinen menetelmän vaihe
