Disruptiivisten ilmiöiden arviointimenetelmä kvantitatiivisen tutkimusaineiston pohjalta

Kokoteksti

(1)TOMMI NURMI. DISRUPTIIVISTEN ILMIÖIDEN ARVIOINTIMENETELMÄ KVANTITATIIVISEN TUTKIMUSAINEISTON POHJALTA Diplomityö. Tarkastajat: Professori Matti Vilkko & Assoc. Prof. Minna Lanz Tarkastajat ja aihe hyväksytty teknisten tieteiden tiedekuntaneuvoston kokouksessa 07.10.2015.

(2)

(3) I. TIVISTELMÄ Tampereen teknillinen yliopisto Automaatiotekniikan koulutusohjelma Tommi Nurmi: Disruptiivisten ilmiöiden arviointimenetelmä tutkimusaineiston pohjalta Diplomityö, 87 sivua, 33 liitesivua Joulukuu 2015 Pääaine: Tuotantotekniikka Tarkastaja: Professori Matti Vilkko, Assoc. Prof. Minna Lanz. kvantitatiivisen. Avainsanat: Disruptio, arviointi, digitalisaatio, data-analyysi, systeemimallinnus Tulevaisuuden trendien arviointi ja ennakoiminen on tärkeä, mutta usein ylenkatsottu osa vakiintuneiden yritysten liiketoimintaa ja pidemmän aikavälin toiminnanohjausta. Parhaillaankin useat disruptiiviset ilmiöt murentavat kestäviksi luonnehdittuja markkinarakenteita ja luovat uusia mahdollisuuksia menestyä ja kehittyä. Näihin mahdollisuuksiin tarttuminen koetaan riskialttiiksi ja yritykset keskittyvätkin usein vain lyhyen tähtäimen tavoitteisiinsa sekä tehokkuutensa maksimoimiseen. Tämä diplomityö on tehty disruptiivisten ilmiöiden ja niiden piirteiden analysoinnin kehittämiseksi. Työn tavoite on tutkia numeeristen data-analyysimenetelmien ja systeemimallinnuksen soveltuvuutta kvantitatiivisen tutkimusaineiston tulkinnassa. Systeemimallinnus mahdollistaa numeerisen datan sekä sen perusteella suoritetun dataanalyysin tulosten esittämisen hypoteettisena mallina, joka yhdessä kvalitatiivisen informaation ja asiantuntijaosaamisen kanssa soveltuu muun muassa disruptiivisten ajureiden ja vaikutuskohteiden pitkän aikavälin evaluointiin. Työssä havaitaan, että kvantitatiiviseen tutkimusaineistoon perustuvan data-analyysin luotettavuuteen vaikuttavat tutkittavan aineiston ja sen määrän lisäksi myös hyödynnetyt analyysimetodit ja niiden olettamukset. Systeemimallinnus puolestaan näyttäisi soveltuvan sekä tutkittavan datan ilmiöiden havainnollistamiseen, että erilaisten skenaarioiden luomiseen analyysin tulosten pohjalta. Työn tuloksena syntyi menetelmä, joka mahdollistaa tulevaisuuden trendien kvantitatiivisen arvioinnin. Menetelmää on tarkoitus hyödyntää kvalitatiivisen tutkimusmenetelmän rinnalla yhden nykyajan disruptiivisimman ilmiön, digitalisaation analysoimiseksi..

(4)

(5) II. ABSTRACT Tampere University of Technology Master’s Degree Programme in Automation Technology Tommi Nurmi: Assessment method of disruptive phenomena based on quantitative survey data Master of Science Thesis, 87 pages, 33 Appendix pages December 2015 Major: Production Engineering Examiner: Professor Matti Vilkko, Assoc. Professor Minna Lanz Keywords: Disruption, assessment, digitalization, data-analysis, system modelling Assessment and evaluation of future’s trends is an important but often underrated piece of enterprise’s long-term resource planning. Currently several disruptive phenomena crumble the structures of previously well-established markets and create new possibilities for businesses to succeed and prosper. Embracement of these new possibilities is considered risky and that is why enterprises often decide to allocate their resources to short-term objectives and maximization of company’s productivity. This paper attempts to expand the means of analysing disruptive phenomena and their features. Objective of this study is to explore feasibility of numerical data-analysis methods and system modelling in order to interpret quantitative research data. System modelling enables representing the results of data-analysis in the form of a hypothetical model, which in turn, alongside with qualitative information and researcher’s expertise is suitable for evaluating, for example, disruptive drivers and objects of their impact. As the research goes on, it becomes clearer that the reliability of the results is dependent, not only about the quantity of data but also about the utilized methods and their assumptions. In turn, system modelling seems to be suitable for illustrating data’s features and creating scenarios based on the results of the analysis. As a result of this work a method for evaluating future’s trends was pieced together. In near future the method will be made use of alongside with qualitative research methods in order to explore the impacts of digitalization, one of the most significant disruptive phenomenon of present-day..

(6)

(7) III. ALKUSANAT Tämä diplomityö on tehty Tampereen teknillisen yliopiston Tuotantotekniikan laitokselle. Työn toimeksiantaja on Tampereen teknillisen yliopiston Systeemitekniikan laitos ja se on Tekesin rahoittama. Työ suoritettiin osana Digilen vetämää N4Sohjelmaa. Kiitos työn tarkastajille professori Matti Vilkolle ja professori Minna Lanzille, Cargotecin teknologiajohtajalle ja tutkittavan materiaalin luovuttajalle Matti Sommarbergille sekä kaikille työtä tukemassa olleille. Haluan myös kiittää avopuolisoani sekä muita läheisiä ympärilläni, jotka ovat osaltaan tukeneet minua opinnäytetyön ajan. Tampereella, 14.10.2015 Tommi Nurmi.

(8)

(9) IV. Sisällysluettelo 1.. JOHDANTO .............................................................................................................. 1 1.1. Lähtökohdat ........................................................................................................ 2. 1.2. Tutkimusongelma ............................................................................................... 3. 1.3. Työn tavoitteet ja rajaukset ................................................................................ 3. 1.4. Tutkimusmenetelmä ja työn rakenne.................................................................. 5. 1.5. Työn tausta ......................................................................................................... 6. 1.5.1 Konepajateollisuudessa toimivat yritykset ....................................................... 8 1.5.2 Digitalisaatio konepajateollisuudessa – viitekehys disruption tutkimiselle ..... 9 1.6 Tutkimuksen tukena hyödynnettävät analyysityökalut ......................................... 13 2.. TEOREETTINEN TAUSTA ................................................................................... 15 2.1 Numeerinen data-analyysi ja sen vaiheet .............................................................. 16 2.1.1 Valmisteluvaihe .............................................................................................. 17 2.1.2 Esikäsittely ...................................................................................................... 19 2.1.3 Analyysivaihe ................................................................................................. 20 2.1.4 Jälkikäsittely ................................................................................................... 44 2.2 Systeemimallinnus................................................................................................. 45. 3.. SOVELTAVA OSUUS JA TULOKSET ................................................................ 47 3.1 Tutkimusaineiston esikäsittely .............................................................................. 49 3.2 Analyysi tilastollisia menetelmiä hyödyntäen ....................................................... 51 3.2.1 Lähtökohtatarkastelu ....................................................................................... 52 3.2.2 Analyysi koko populaation tasolla.................................................................. 56 3.2.3 Analyysi taustatekijöiden mukaan .................................................................. 63 3.3 Jälkikäsittely .......................................................................................................... 70 3.4 Systeemimallinnus................................................................................................. 71 3.4.1 Systeemimallinnus koko populaation tasolla .................................................. 71 3.4.2 Systeemimallinnus taustatekijöiden mukaan .................................................. 72 3.5 Muut menetelmät ................................................................................................... 75. 4.. PÄÄTELMÄT ......................................................................................................... 77 4.1 Tilastollisten analysointimenetelmien soveltuvuus kvantitatiivisen tutkimusaineiston tutkimisessa ................................................................................................................. 77.

(10) V 4.2 Tutkimuksen ongelma-alueet ja kehitysmahdollisuudet ....................................... 78 4.3 Digitalisaatio konepajateollisuudessa.................................................................... 79 4.4 Jatkokehitysaikeet ................................................................................................. 79 5.. YHTEENVETO ....................................................................................................... 81. LÄHTEET ............................................................................................................................

(11) VI. TERMIT Arvojoukko. Näytteiden saamat arvot. Arvoluokka. Osuus näytteiden saamista arvoista. Ensimmäinen arvoluokka sisältää näytteiden pienimmät arvot (1-3), toinen arvoluokka sisältää näytteiden keskisuuret arvot (4-6) ja kolmas arvoluokka sisältää näytteiden suurimmat arvot (79).. Delfoi-menetelmä. Menetelmä, jossa asiantuntijoiden arvioita ja mielipiteitä jalostetaan keskinäisessä vuorovaikutuksessa. Digitaalinen teknologia. Sähköinen teknologia, joka tuottaa, varastoi ja prosessoi dataa arvojen 0 ja 1, ja niiden muodostamien bittien avulla. Digitalisaatio. Digitaalisten teknologioiden jokapäiväistä elämää. Dimensio. Ulottuvuus. Disruptiivinen impakti. Ajurin merkitys digitalisaation näkökulmasta nähdään disruptiiviseksi. Digitalisaation vaikutukset alueeseen ovat disruptiivisia. Disruptio. Tilanne, jossa jonkin on vaikea jatkaa toimintaansa normaalisti. Eksakti riippuvuus. Muuttujien välillä vallitsee riippuvuus, jossa toisen muuttujan arvot voidaan ennustaa tarkasti toisen muuttujan saamista arvoista. Gaussin jakauma. Jatkuva todennäköisyysjakauma, joka tunnetaan myös nimellä normaalijakauma. Hillitty impakti. Ajurin merkitys digitalisaation näkökulmasta nähdään heikoksi. Digitalisaation vaikutukset alueeseen ovat hillittyjä. Klusteri. Joukko samanlaisia kohteita. Korrelaatioanalyysi. Yleisnimi joukolle menetelmiä, joiden tarkoituksena on tunnistaa useamman muuttujan datasta riippuvuussuhteita muuttujien väliltä. Merkittävä impakti. Ajurin merkitys digitalisaation näkökulmasta nähdään merkittäväksi ja sen kehityksessä tapahtuu läpimurtoja. Digitalisaation vaikutukset alueeseen ovat merkittäviä. integroiminen. osaksi.

(12) VII Outlier. Havainto, joka on erillään muista havainnoista. Parametri. Ominaisuus, piirre tai mitattavissa oleva tekijä, jonka avulla järjestelmä ja sen osat määritellään. Regressioanalyysi. Korrelaatioanalyysin laajennus, jonka avulla pyritään luomaan kahden tai useamman muuttujan välistä relaatiota kuvaava malli. Tilastollinen riippuvuus. Toisen muuttujan arvoja voidaan käyttää apuna toisen muuttujan arvojen ennustamisessa, mutta muuttujien välillä ei ole eksaktia riippuvuutta. Varianssianalyysi. Kahden tai useamman ryhmän keskiarvojen eroavaisuuksien arvioimiseen tähtäävä tilastollinen menetelmä.

(13) VIII. LIITTEET Liite 1. MUUTTUJIEN JAKAUMAT KOKO POPULAATION ARVIOISSA. Liite 2. HAJONNAT JA KESKIARVOT KOKO POPULAATION ARVIOISSA. Liite 3. NORMAALIUS TAUSTATEKIJÖITTÄIN. Liite 4. KESKIARVOT JA HAJONNAT TAUSTATEKIJÖITTÄIN. Liite 5. HAJONTAKAAVIOT KOKO POPULAATION TASOLLA. Liite 6. PYLVÄSDIAGRAMMIT. Liite 7. KORRELAATIOT KOKO POPULAATION TASOLLA. Liite 8. KESKIARVOT JA VARAIANSSIT ARVOLUOKKIEN MUKAISESTI. Liite 9. MUUTTUJIEN LINKITTYNEISYYS KESKIARVOJEN KAUTTA. Liite 10. HAJONTAKAAVIOT JA KLUSTEROINTI TAUSTATEKIJÖIDEN MUKAAN. Liite 11. HIERARKINEN KLUSTEROINTI. Liite 12. KESKIARVOT JA VARIANSSIT TAUSTATEKIJÖIDEN LUOKKIEN MUKAAN. Liite 13. KORRELAATIOT TAUSTATEKIJÖIDEN LUOKKIEN MUKAAN TASAPAINOTETUSSA DATASSA. Liite 14. MUUTTUJIEN LINKITTYNEISYYS KESKIARVOJEN MUKAAN TAUSTATEKIJÖITTÄIN. Liite 15. ARVIOIDEN OSUUDET ARVOLUOKITTAIN MUUTTUJISSA TAUSTATEKIJÖIDEN MUKAAN. Liite 16. T-TESTIN TULOKSET. Liite 17. SYSTEEMIMALLIT KOKO POPULAATION TASOLLA.

(14)

(15) 1. JOHDANTO. 1. 1. JOHDANTO. Ympärillämme tapahtuva tekninen kehitys saattaa välillä vaikuttaa hyvinkin johdonmukaiselta. Kuluttajan perspektiivistä tarkasteltuna markkinoille ilmaantuvat trendit vaikuttavat usein itsestäänselvyyksiltä ja ne omaksutaan osaksi elämäämme silmänräpäyksessä. Markkinat täyttyvät kysytyistä tuotteista ja palveluista, jonka seurauksena syntyy vaikutelma, että säilyttääkseen markkina-asemansa tulee yritysten ensisijaisesti keskittyä toimintansa tehostamiseen sekä tarjonnan kasvattamiseen. Suurimmilta osin tämä onkin totta. Historia on kuitenkin opettanut, että suurimmatkin yritykset voivat kompastua markkinoilla tapahtuvien muutosten seurauksena. Mikä siis aiheuttaa menestyvien, runsaasti investoivien yritysten kyvyttömyyden vastata kasvavien markkina-alueiden tarpeisiin? Byrokratian, ylimielisyyden, välinpitämättömyyden sekä lyhytnäköisyyden voidaan nähdä osaltaan selittävän tätä ongelmaa, mutta perimmäisin syy löytyy jostain muualta. Vaikka suuri osa johtajista uskookin kontrolloivansa yrityksensä tulevaisuutta, löytyvät avaimet menestykseen asiakkaiden käsistä. Asiakkaat sekä heidän tarpeensa ohjaavat yritysten investointeja, koskivat ne sitten teknologioiden lanseerausta, tuotteiden kehitystä, tuotantolaitosten rakentamista tai jakelukanavien perustamista. Asiakastarpeisiin panostaminen perustuu kuitenkin pitkään päätöksentekoprosessiin, joka alkaa investointien kannattavuuden arvioimisella suhteessa nykyisiin investointeihin sekä asiakastarpeiden ajankohtaisuuden arvioinnilla. Tämä vaihe on kriittinen, sillä siinä selviää pyrkiikö yritys tunnistamaan asiakastarpeissa mahdollisuuden, joka saattaa vaikuttaa ratkaisevasti sen kilpailukykyyn tulevaisuuden markkinoilla vai jatkaako se lyhytnäköisellä polullaan kohti mahdollisesti käänteentekevää teknologista muutosta. Tätä markkinoita muovaavaa, uusia arvonlähteitä luovaa ja vanhoja arvonlähteitä tuhoavaa ilmiötä kutsutaan disruptioksi. Disruptiivisilla ilmiöillä on kyky vaikuttaa vallitsevaan tilanteeseen muuttaen ihmisten työskentely- ja elintapoja. Niiden tunnistaminen muiden potentiaalisten innovaatioiden joukosta on kuitenkin hankalaa, ja vaikka siinä onnistuttaisiin, ei niihin panostaminen ole välttämättä kannattavaa vielä kyseisenä ajankohtana. Osaksi yritysten sisäisistä hierarkiarakenteista johtuen, investoinnit järjestetään usein niiden lyhyen aikajänteen kannattavuuden mukaisesti, mikä saattaa kostautua toiminnan myöhemmissä vaiheissa. Tästä johtuen päätöksentekoa tulisi ohjata huomioimaan myös pidemmän aikavälin kannattavuutta ja tätä varten tulisi kehittää tehokkaampia menetelmiä arvioida nousevia, jopa disruptiivisia trendejä ja niiden suomia mahdollisuuksia yrityksen näkökulmasta..

(16) 2. 1. JOHDANTO. 1.1 Lähtökohdat Termi ”disruptiivinen teknologia” on peräisin Harvardin kauppakorkeakoulussa professorina työskentelevän Clayton M. Christensenin vuonna 1995 julkaisemasta artikkelista Disruptive Technologies: Catching the Wave. Artikkelissaan Christensen (Bower & Christensen 1995) pohtii disruption vaikutuksia teknologioihin, niiden kysyntään sekä markkinoilla toimiviin yrityksiin pyrkien vetoamaan ajattelullaan erityisesti yritysten johtajiin ja päätöksentekijöihin. Christensen julkaisi artikkelinsa pohjalta kirjan The Innovator’s Dilemma, joka perehtyi disruption tutkimiseen kaivinkone- ja elektroniikkateollisuudessa (Christensen 1997). Kirjan jatko-osassa The Innovator’s Solution Christensen muunsi lähestymistapaansa ja ryhtyi puhumaan ”disruptiivisista innovaatioista” disruptiivisten teknologioiden sijaan. Hänen mukaansa vain harvat teknologiat ovat luonnostaan disruptiivisia, ja disruptio saisikin alkunsa liiketoimintamalleista, jotka hyödyntävät teknologioita uudella, ennenäkemättömällä tavalla. (Christensen & Raynor 2003) Christensen, sekä useat hänen kollegansa mukaan lukien Joseph Bower ovat teksteissään (Bower & Christensen 1995) korostaneet disruption ”epämiellyttävyyttä” ja pyrkineet selvittämään, miksi suuret, vakiintuneet yritykset eivät suuntaa resurssejaan uusien, mahdollisesti disruptiivisten teknologioiden kehitykseen ja omaksumiseen. Tämän lyhytnäköisyyden tiedetään sallineen useiden pienempien, uuteen teknologiaan panostavien yritysten nousemisen niche-markkinoilta aina markkinoiden ylätasolle asti. Tämän lisäksi ilmiö näyttäisi edelleen tuovan suuriakin yrityksiä polvilleen, mikä sivustakatsojan mielestä saattaa vaikuttaa ironiselta, sillä usein nämä suuret yritykset ovat saaneet alkunsa kyseisistä pienemmistä, niche-tason yrityksistä. Disruption voidaan nähdä olevan merkittävä tekijä myös useissa taloustieteellisissä teoksissa sekä ideologioissa. Esimerkiksi Karl Marxin ideoima sekä myöhemmin Joseph A. Schumpeterin määrittelemä ”luova tuho” sisältää samoja käsitteitä ja ajatusmalleja kuin disruptio. Luovalla tuholla viitataan taloudellisessa rakenteessa tapahtuvaan mutaatioon, jonka tuloksena vanhat yritykset ja niiden prosessit jäävät uusien, innovatiivisempien toimijoiden ja menettelytapojen jalkoihin. (Schumpeter 2008) Vaikka disruption ja disruptiivisten innovaatioiden ennustaminen saattaa historian perusteella vaikuttaa mahdottomalta, on tehtävää varten kehitetty useita eri metodeita ja työkaluja. Teknologian valmiustaso (TRL – Technology Readiness Levels) on menetelmä, jonka avulla arvioidaan tutkittavan teknologian maturiteettia. Menetelmä koostuu lukuisista vaiheista, joilla tutkitaan teknologian mahdollisuuksia ja sen soveltuvuutta useisiin käyttötarkoituksiin. Disruption kannalta oleellisin vaihe sijaitsee menetelmän alkupäässä, jossa arvioidaan teknologian varteenotettavuutta ja etuja suhteessa nykyisiin vaihtoehtoihin. (Graettinger 2002).

(17) 1. JOHDANTO. 3. Innovaatioiden validointia varten on perustettu myös useita ohjelmia ja järjestöjä, jotka tukevat ”seuraavien suurien ilmiöiden” tutkimusta ja kehitystä. Tällä tavoin yrityksillä on mahdollisuus seurata mahdollisesti disruptiivisten innovaatioiden kehitystä ja tarvittaessa ryhtyä hyödyntämään niitä kehityksen etulinjassa. Myös tässä tutkimuksessa perehdytään keinoihin disruption ennakoimiseksi ja arvioimiseksi. Tutkimuksessa ei pyritä minkään tietyn ennusteen luomiseen vaan tarkoituksena on tutkia disruption ennustettavuutta ja mallintaa datan ja sen perusteella rakennetun esimerkin pohjalta disruptiivisen ilmiön eri elementtien välisiä relaatioita ja niihin vaikuttavia tekijöitä.. 1.2 Tutkimusongelma. Disruptiivisten ilmiöiden vaikutusten ennakointi on hankalaa. Disruptiivisten ilmiöiden vaikutukset yritysten toimintaan voivat olla valtavia. Ilmiöiden tunnistaminen, nimeäminen sekä luokittelu nähdään niiden alkuvaiheessa hankalaksi, ellei jopa mahdottomaksi. Lisäksi yhteyksien syntyminen ilmiöiden välille vaatii tutkimista. Tutkimusongelmaa voisi tässä tapauksessa luonnehtia myös tutkimustehtäväksi, sillä tarkoituksena on, paitsi vastata nousevia trendejä koskeviin kysymyksiin, myös määrittää menetelmät vastausten löytämiseksi.. 1.3 Työn tavoitteet ja rajaukset 1) Työn yleisenä tavoitteena on määrittää a. kvantitatiivisen, eksploratiivisen datan analysointiin soveltuvat tilastomenetelmät, joiden avulla diskreetistä mielipidedatasta on mahdollista tunnistaa disruptiivisen innovaation piirteet täyttäviä ajureita ja kohteita. b. verkkoteorioihin perustuva systeemimalli, jonka avulla on mahdollista havainnollistaa tutkittavan ilmiön muuttujien välisiä vaikutussuhteita. 2) Lisäksi tavoitteena on määrittää kuinka disruptiivisten ilmiöiden luomat mahdollisuudet kannattaa hyödyntää perinteisen konepajayrityksen T&Ktoiminnassa siten, että yrityksen kilpailukyky säilyy..

(18) 4. 1. JOHDANTO. Lähtökohtana ei ole teorian tai hypoteesien testaaminen, vaan aineiston monitahoinen ja yksityiskohtainen tarkastelu. Tässä tutkielmassa ei ole tarkoituksena selvittää disruption syntyyn vaikuttavia tekijöitä vaan pikemminkin analysoida sen vaikutuksia sekä mallintaa disruptiivisten teknologioiden elinkaarta. Työn merkittävimmät rajaukset tehdään sen taustalla vaikuttavan tutkimuksen etujen näkökulmasta. Ensinnäkin, disruption tarkastelu rajoitetaan koskemaan ainoastaan konepajateollisuutta ja sen sisäisiä rakenteita, sillä tarkasteltava data on kerätty konepajateollisuudessa tapahtuvan disruption näkökulmasta. Toisekseen, disruption tutkiminen rajataan yhden nykyajan merkittävimmän disruptiivisen ilmiön, digitalisaation, käsittelyyn. Digitalisaatiolla viitataan ICT:n (information and communications technology) ja CPS:n (cyper physical systems) ympärillä tapahtuvaan disruptioon. Rajauksien tarkoituksena ei ole rajoittaa tutkimusmenetelmän hyödyntämistä muillakin aloilla ja muissakin tutkimuskohteissa, vaan ilmaista analyysin tuloksien, ongelmien ja ilmiöiden liittyvän tutkimuksen eksaktiin tutkimusongelmaan ja –alueeseen. Nämä tekijät saattavat vaihdella tutkimuskohteesta riippuen ja saattavat vaatia menetelmän muokkaamista kyseiselle ongelmalle sopivaksi..

(19) 1. JOHDANTO. 5. 1.4 Tutkimusmenetelmä ja työn rakenne. Tutkielma on osa suurempaa kokonaisuutta, jossa pyritään mallintamaan disruptiivisten ilmiöiden, erityisesti digitalisaation, vaikutuksia konepajateollisuudessa toimiviin yrityksiin. Tämä työ keskittyy vain yhteen vaiheeseen laajempaa tutkimuskokonaisuutta, eikä sen tarkoituksena ole esittää väitteitä digitalisaation suuntauksista, vaan tukea tutkimuksen muiden osa-alueiden tulosten validointia. Työ kuitenkin hyödyntää sitä edeltävien, tutkimusaineistoa keräävien vaiheiden tuottamaa informaatiota ja muokkaa sitä seuraaville, analyysin tuloksia hyödyntäville vaiheille sopivaksi. Edeltävä vaihe on koostunut kyselytutkimuksesta, joka on keskittynyt hiljaisen tiedon haalimiseen lomakkein. Myöhemmät vaiheet puolestaan koostuvat kvantitatiivisen ja kvalitatiivisen analyysin tulosten vertailusta. Tutkittava aineisto on peräisin hyvin kattavasta populaatiolta eikä siis kirjallisuudesta tai muistakaan julkisista tietolähteistä. Aineisto on laadultaan kvantitatiivista eli sen käsittelyssä hyödynnetään määrällisiä menetelmiä (tilasto- ja ihmistieteet sekä yleistäminen), joiden pohjalta tehtävät johtopäätökset auttavat tutkimuksen etenemistä seuraavassa vaiheessa. Tutkimuksen rakennetta on havainnollistettu kuvassa 1.. TUTKIMUKSEN TAUSTA JA RAKENNE. TUTKIMUSAINEISTO. DATA-ANALYYSI. SYSTEEMIMALLI TAUSTATEKIJÄT. RIIPPUVUUDET MUUTTUJA. TAUSTATEKIJÄ. MUUTTUJA MUUTTUJA. MUUTTUJA. YRITYS. MUUTTUJA. IKÄ. MUUTTUJA MUUTTUJA. MUUTTUJA MUUTTUJA. MUUTTUJA. KOULUTUS. MUUTTUJA TYÖNKUVA. TAUSTATEKIJÄ. MUUTTUJA. VAIKUTUKSET. Kuva 1: Tutkimuksen tausta ja vaiheet. Nimetyt taustamuuttujat ovat ainoastaan esimerkkejä.. Työn soveltava osuus koostuu useiden tilastollisten menetelmien soveltamisesta dataan. Tuloksena saatavien riippuvuussuhteiden ja tulkinnallisuuksien avulla on tarkoitus luoda yksinkertainen verkostomainen kuvaus tutkittavista käsitteistä ja niiden sidosryhmistä..

(20) 6. 1. JOHDANTO. 1.5 Työn tausta. Jokaisella aikakaudella on oma teoriansa menneisyydestä ja nykyisyydestä, eli siitä mitä on tapahtunut ja mitä tällä hetkellä tapahtuu. Nykyisellään tämä teoria, jota kutsumme myös nimellä historia, muodostaa suuren osan tiedosta, jota hyödynnämme monien ajankohtaisten ongelmien ratkaisemiseksi. Tätä historiaan perustuvaa tietoa on myös yritetty soveltaa tulevaisuudessa häämöttävien ongelmien ja ilmiöiden ennustamiseen ja ratkaisemiseen. Mark Twain (s. 1835) on aikoinaan todennut, että ”History never repeats itself, but it often rhymes”. Tällä hän on tarkoittanut, että tulevaisuutta ei voida tarkasti ennustaa, mutta sen piirteitä ja trendejä voidaan pyrkiä arvioimaan menneisyyden pohjalta. Trendien ennustamisen voidaankin nähdä olevan tärkeä osa nyky-yhteiskuntaamme, jossa aikataulut ja sopimukset määritellään tiettyjä todennäköisyyslaskelmia hyödyntäen. Tieteen ja tekniikan alalla keskeisimpiin ennustettaviin asioihin kuuluvat innovaatiot ja, ennen kaikkea, niiden vaikutukset markkinoihin ja niillä toimiviin yrityksiin. Joissakin tapauksissa ennennäkemätön innovaatio onnistuu syrjäyttämään hallitsevat kilpailijansa tai jopa luomaan kokonaan uusia markkinoita. Nykyisessä tietoyhteiskunnassa tarvittava tieto on valtaväestön saatavilla ja kilpailevat teknologiat saattavatkin saada alkunsa suurten, aikaisemmin monopoliasemassa olevien yritysten ulottumattomissa. Tästä syystä johtuen tämän ilmiön, disruption, tutkimiseen on alettu kiinnittämään yhä suurempaa huomiota ja sen ennustamisen nähdään olevan entistä tärkeämpää. Tämä työ teetetään osana laajempaa ohjelmaa, joka pyrkii parantamaan suomalaisten ohjelmistoyritysten kilpailukykyä uudessa, digitaalisessa taloudessa. Vaikka tutkielman aihe ei suoraan käsittele perinteisiä ohjelmistotuotannon paradigmoja, palvelee se samoja intressejä taustoittamalla disruptiivisten teknologioiden synnyn ja kehityksen logiikkaa. Tämä taas mahdollistaa reaaliaikaisempien menetelmien kehittämisen, joilla on mahdollista ennakoida yksittäisten muutosten vaikutuksia muihin teknologioihin. Tämänkaltaista ennakointityötä tekeviä osapuolia löytyy niin yritysten sisältä kuin ulkopuoleltakin. Näiden osapuolien ansiosta tulevaisuudentutkimukselle on vähitellen kehittynyt oma tieteellinen paradigma tieteenalalle ominaisine käsitteineen, metodeineen, julkaisuineen ja tutkimusongelmineen. Tässä työssä on tarkoitus hyödyntää tulevaisuudentutkimuksen metodiikkaa ja soveltaa sitä työn aiheen puitteissa sekä liittää siihen uusia, aihekohtaisia menetelmiä. Tutkielman tutkimusaineisto koostuu edeltävässä vaiheessa tehdyn Delfoikyselytutkimuksen ensimmäisen kierroksen tuloksista. Delfoi-menetelmä (tunnetaan myös nimillä Delphi- ja Delfi-menetelmä) on ”menetelmä, jossa asiantuntijoiden arvioita jalostetaan keskinäisessä vuorovaikutuksessa” (Kuusi, Bergman & Salminen.

(21) 1. JOHDANTO. 7. 2013, s.248). Kyseinen tekniikka on yksi useista asiantuntijoiden kannanottojen keruumenetelmistä, joilla pyritään ennustamaan tulevaisuuden mahdollisuuksia. Luvussa 1.3 Työn tavoitteet ja rajaukset määritelty tavoite kytkee tämän tutkielman konepajateollisuudessa tapahtuvan disruption arviointiin, mutta sen menetelmiä on mahdollista soveltaa myös muilla toimialoilla, joilla digitalisaatio tai jokin toinen disruptiivinen tapahtuma saa aikaan murroksia. Tässä tutkielmassa malli kuitenkin rakennetaan ja taustoitetaan alkuperäisen tavoitteen näkökulmasta ja esiteltävät väitteet koskevat konepajateollisuuden ja digitalisaation vaikutuksia toisiinsa. Tutkimuksen viitekehys on havainnollistettuna kuvassa 2.. Digitalisaatio. Konepajateollisuus. Liiketoimintaprosessit. Tuotteet. ICT & CPS. Fyysiset järjestelmät. Vaikutukset. Kuva 2: Työn taustalla on ajatus tutkia konepajateollisuuden ja digitalisaation välillä olevia relaatioita. Huomioitakoon kuitenkin, ettei digitalisaation vaikutuksia tulla tässä tutkielmassa erittelemään yksittäisten prosessien ja tuotteiden näkökulmasta. Tarkoituksena on havainnollistaa menetelmiä, jotka mahdollistavat digitalisaation ja sen vaikutusten arvioimisen numeerisen tutkimusaineiston pohjalta. Tutkielman kontekstissa tämä tulee kuitenkin johtamaan myös yksittäisten, tutkittavan toimialan yritysten tuotantoa ja toimintaa koskevien havaintojen tekemiseen..

(22) 8. 1. JOHDANTO. 1.5.1 Konepajateollisuudessa toimivat yritykset. Konepajateollisuus on teollisuuden alasektori, jolla tuotetaan koneita ja erilaisia laitteita maatalouden, kaivostoiminnan, teollisuuden ja rakentamisen palvelukseen. Konepajateollisuuden laitteita hyödynnetään myös yleisessä infrastruktuurissa, kuten padoissa, voimaloissa ja vesilaitoksissa. Konepajateollisuuden tuotteet ovat lähes poikkeuksetta tuotantohyödykkeitä, jotka luokitellaan kestokulutustavaroiksi. Suuri osuus laitteista vaatii säännöllistä huoltoa ja tätä on pyritty helpottamaan muun muassa etävalvonnalla sekä tieto- ja kommunikaatiovirtojen tehostamisella. (SelectUSA 2015) Konepajateollisuudessa toimivien yritysten kilpailukyky muodostuu insinööriosaamisesta ja tehokkaasta tuotannosta. Suuret yritykset kykenevät ajamaan kustannuksiaan pienemmiksi tilaamalla raaka-aineita ja komponentteja suurissa määrin kerrallaan, kun taas pienet yritykset pyrkivät kilpailemaan erikoistumalla johonkin tiettyyn osa-alueeseen. Konepajateollisuuden tuotannon valmistuserät puolestaan vaihtelevat suuresti aina yksittäisistä kappaleista massatuotantoon asti. Tuotteissa saattaa olla modulaarisia piirteitä, jotka helpottavat asiakaskohtaista kustomointia. (SelectUSA 2015) Kuten muidenkin toimialojen organisaatiot, myös konepajateollisuuden yritykset muodostavat valmistus- ja arvoketjuja, jotka vaiheittaisesti jalostavat raaka-aineesta valmiita tuotteita. Arvoketjun perustoiminnot, tulologistiikka, operaatiot ja lähtölogistiikka, muodostavat varsinaisen materiaalivirran, mutta sen kulkuun vaikuttaa myös joukko muita tekijöitä, kuten myynti-, markkinointi- ja huoltosegmentit. Arvoketjumalleissa on jo alusta asti korostettu integraation merkitystä eri segmenttien ja vaiheiden välillä, mutta malleihin sisältyy usein funktionaalisia rajaviivoja. Nämä rajaviivat yhdessä toistuvien toimenpiteiden kanssa kasvattavat prosessien kustannuksia ja heikentävät niiden tehokkuutta. Erityisesti informaatioteknologian avulla on kuitenkin useissa tapauksissa onnistuttu merkittävästi tehostamaan niin yritysten sisäisten kuin ulkopuolistenkin arvoketjujen osien välistä koordinointia ja kehittämään niiden kilpailukykyä markkinoilla. (Cooper, Lambert & Pagh 1997) Tuotekehitystoiminnan taso vaihtelee alalla voimakkaasti. Tutkimus- ja kehitystyöllä (T&K) tarkoitetaan systemaattista toimintaa tiedon lisäämiseksi ja sen käyttämistä uusien sovellusten löytämiseksi (Vilkuna 2008). Konepajateollisuudessa toimivien yritysten T&K-toiminta voidaan jakaa kahteen portfolioon, tuotteistukseen ja yrityksen liiketoiminnan kehittämiseen tuotteiden avulla. Tuotteistuksella tarkoitetaan liikeideoiden muovaamista tuote- ja tuotannonsuunnittelun kautta prototyypeiksi. Samaan aikaan yritykset tekevät jatkuvaa selvitystä asiakastarpeista ja pyrkivät validoimaan tuoteitaan ja niiden sisältämiä ominaisuuksia markkinatarvetta vastaaviksi. Liiketoiminnan kehittämisellä puolestaan viitataan yrityksen prosessien ja tiedonhallinnan kehittämiseen. Informaatioteknologiat auttavat osaltaan tuotteiden ja niihin liittyvien prosessien mallintamisessa ja simuloinnissa sekä niihin liittyvien tietojen käsittelyssä. (Ketokivi & Ali-Yrkkö 2010).

(23) 1. JOHDANTO. 9. 1.5.2 Digitalisaatio konepajateollisuudessa – viitekehys disruption tutkimiselle. Kondratievin syklit, eli kansantalouden pitkät kehitysaallot, rakentuvat innovaatioista ja teknologioista, jotka eivät ainoastaan muuta yhteiskunnan yksittäisiä prosesseja, vaan tapaamme elää jokapäiväistä elämäämme. Höyryvoiman, teräksen, sähkön ja petrokemian vallankumouksellisten kehitysjaksojen voidaankin nähdä tuoneen mukanaan paitsi nimeään kantavien teknologioiden välittömiä vaikutuksia, myös muita niiden mahdollistamia, vaikutuksiltaan huomattavia kehitysvirtauksia. Samalla tavalla näyttää toimivan myös tälläkin hetkellä käynnissä oleva kehityksen viides aalto, informaatioteknologian (= fuusio sanoista informaatio ja teknologia) aikakausi, jonka tuloksena on syntynyt useita yksityiskohtaisempia sovelluksia. Tämän tutkielman tapauksessa keskiöön asettuu kuitenkin yksi informaatioteknologian (IT) laajimmista sovelluksista, digitalisaatio, joka on mullistanut tapamme tallentaa, muokata ja siirtää informaatiota. (Freeman & Louca 1999, pp. F776-F778; Vogelsang 2010, pp. 7-56) Digitalisaatio mahdollistaa uusien liiketoimintamallien luomisen häivyttämällä digitaalisen ja fyysisen maailman rajoja. Tavoitteena on lähentää ihmisiä, asioita ja palveluita ennennäkemättömällä tavalla, joka tapahtuessaan häiritsee myös aikaisemmin Internetin ja sähköisen liiketoiminnan aikakautena syntyneitä liiketoimintamalleja. Digitalisaation taustalla vallitsee ajatus siitä, että ansaitakseen attribuutin ”digitaalinen” tulee yrityksen panostaa muihinkin aktiviteetteihin kuin ”atomien esittämiseen bitteinä”. Näistä keinoista huomattavin lienee digitaalisen teknologian käytön omaksuminen ja/tai lisääminen asiakasarvon ja yrityksen liikevaihdon kasvattamiseksi, jonka lisäksi organisaation tulee huomioida digitalisaatio ja sen mahdollisuudet muun muassa yrityksen kustannusrakenteiden ja -politiikan määrittelyssä sekä uusien digitaalisten alustojen käyttöönotossa. (Brennen & Kreiss 2014) Digitalisaatio ei ole uusi ilmiö valmistavan teollisuuden yrityksille. Useat eri toimialojen organisaatiot ovat viime vuosien aikana tutkineet digitalisaatiota sekä tehneet investointeja yrityksensä digitalisoimiseksi. Tänä päivänä yritysjohtajilta usein löytyykin näitä uusia voimavaroja yrityksestään ja sen ympäristöstä, mutta miten tätä digitaalista etulyöntiasemaa tulisi hyödyntää? Kyseessä ei ole triviaali kysymys, sillä siihen on olemassa useitakin vastauksia. (Accenture 2015) Transformaatio digitaaliseksi yritykseksi vaatii huomattavia resursointeja. Vain muutama vuosi takaperin ympäri maailman toimiva teknologia-alan jättiyritys Accenture ennusti, että säilyttääkseen kilpailukykynsä tulisi jokaisen yrityksen siirtyä kohti digitaalista liiketoimintaa. Teknologian voitiinkin nähdä ottaneen paikkansa yrityksen kannattavuuden ja erilaistumisen määrittelijänä. (Accenture 2015) ”Big is the Next Big Thing” - Accenture Technology Vision 2014. Yritysten sisällä tapahtuva transformaatio alkoi yksittäisten prosessien muokkaamisella, mutta hyödyntääkseen digitaalisuutta tehokkaammin tulee yritysten ottaa digitalisaatio.

(24) 10. 1. JOHDANTO. huomioon myös kasvuaan koskevissa strategisissa päätöksissä ja valinnoissa. Tähän kykenevät yritykset ovat vaikuttaneet digitaalisen maailman kehitykseen ja pitelevät käsissään välineitä, joilla muokata nykyisiä markkinoita ja tottumuksiamme. (Accenture 2015) Digitalisaatio voidaan siis itsessään nähdä hyvinkin abstraktina ilmiönä, mutta sen taustalla vaikuttavat teknologiset innovaatiot ovat konkreettisempia ja helpommin tarkasteltavissa. Esimerkiksi kansainvälisessä yritysjohdon konsultointiyrityksessä McKinsey & Companyssa (MGI) työskentelevä James Manyika ja hänen kollegansa (Manyika, Chui, Bughin, Dobbs, Bisson & Marrs 2013) ovat tutkimuksessaan arvioineet useiden digitalisaatioon liittyvien ajureiden mahdollisuuksia sekä vaikutuksia elämään, liiketoimintaan ja globaaliin talouteen. Edistyneet tietojärjestelmät Tekoäly on noussut yhdeksi merkittävämmäksi automaatioalan kilpailutekijäksi, sillä se mahdollistaa yhä nopeamman reagoimisen koneen kohtaamiin ongelmatilanteisiin. Sovelluskohteesta riippuen hyvä tekoäly osaa adaptoitua muuttuviin elementteihin ja ympäristöön, mutta viime aikoina markkinoilla on ollut nähtävillä myös itseään opettavia eli oppivia älylaitteita, jotka reagoivat niihin syötettyyn dataan ja muokkaavat aktiviteettejaan sopivammiksi. (Manyika et al. p. 6) Puheentunnistus yhdessä joustavien laitteiden kanssa mahdollistaa tiedon nopean noutamisen ja käsittelyn. Jotkin tietokoneet osaavat tunnistaa käskyjä strukturoimattomastakin puheesta eli käskyjä ei tarvitse lukea perinteistä ohjelmointikieltä käyttäen. (Manyika et al. p. 6) Tekoäly täydentää osaavien työntekijöiden taitoja ja kykyä ratkaista ongelmia sekä kykenee hoitamaan itse yksinkertaisemmat, toistuvat tehtävät. Lisäksi on mahdollista, että jossain vaiheessa tekoäly korvaa ihmisen tiettyjen, haastavampienkin tehtävien tekijänä. (Manyika et al. p. 6) Teollinen Internet Teollinen Internet (Internet of Things) rakentuu tietoliikenneyhteyden yli ohjattavista sensoreista, toimilaitteista ja muista fyysisistä objekteista, jotka sisältävät älykästä teknologiaa ja tätä kautta mahdollistavat myös niiden etä-ohjattavuuden ja tarkkailtavuuden. Sensoreiden, koneiden, prosessien ja palveluiden jatkuvasti tuottamaa tietoa jalostamalla voidaan muun muassa ennakoida ja automatisoida työvaiheita ja tätä kauttaa nostaa tuotannon tehokkuutta. (Manyika et al. p. 6) Esimerkkinä teollisen Internetin hyödyntämisestä voisi mainita tilanteen, jossa yritys kytkee myymänsä laitteet pilvipalveluun, jonne välittyy kaikki tieto laitteen toiminnasta. Tätä dataa analysoimalla yritys kykenee ennakoimaan laitteen huoltotarvetta sekä muokkaamaan omaa liiketoimintaansa palvelemaan paremmin asiakkaan tarpeita. (Manyika et al. p.6).

(25) 1. JOHDANTO. 11. Pilvipalvelut Pilvipalvelut (Cloud) mahdollistavat ohjelmistojen ja tietojen siirtämisen verkon kautta vaatimatonta laitteistoa käyttäen. Pilvipalvelut rakentuvat idealle, että kaikki prosessointi ja tietojen säilöminen suoritetaan pilvessä ja päätelaitteen tulee kyetä ainoastaan tulkitsemaan ja/tai siirtämään pilvessä tuotettua dataa. Kapasiteetin määrää on helppo ja nopea lisätä ottamalla käyttöön lisää servereitä, joten muutoksia, kuten laitteiston asennusta ja ohjelmointia, ei tarvitse toteuttaa paikallisesti. (Manyika et al. p. 6) Pilvipalvelut ovat mahdollistaneet internet-pohjaisten ohjelmistojen ja palveluiden räjähdysmäisen kasvun. Henkilökohtaisen tallennustilan lisäksi ne tarjoavat prosessointikapasiteettia, joka mahdollistaa muun muassa äänikomentojen tulkinnan ja vastausten prosessoinnin. Pilviteknologia tarjoaa joustavuutta ja reagointikykyä myös suuremmille tahoille, kuten yrityksille ja hallituksille ja mahdollistaa uusien liiketoimintamallien syntymisen. (Manyika et al. p. 6) Edistynyt robotiikka Viime vuosikymmeninä robotit ovat korvanneet ihmiset raskaiden kokoonpanotehtävien sekä vaarallisten työtehtävien tekijöinä. Raskaiden, hintavien robottien tilalle on luotu uusia, joustavampia robotteja, jotka konenäköä ja tekoälyä hyödyntämällä kykenevät suorittamaan haastavampiakin työtehtäviä. Joustavaa laitteistoa on myös riskittömämpää sijoittaa kokoonpanolinjalle työntekijöiden sekaan ja jossain vaiheessa on odotettavissa, että nämä edistyneet koneet korvaisivat ihmiset fyysisen työn tekijöinä. (Manyika et al. p. 7) (Lähes-) autonominen navigointi ja kulkuneuvot Nykyteknologia, kuten konenäkö, tekoäly, sensorit ja erilaiset toimilaiteet mahdollistavat autonomisten autojen, rekkojen, lentokoneiden ja laivojen rakentamisen. Toteutuessaan autonominen kuljetusvälineistö mullistaisi liikenneja logistiikkamarkkinat, mutta toistaiseksi kehitystä hidastavat erilaiset säännökset ja lait, kuten myös yleinen mielipide itseohjautuvien laitteiden turvallisuudesta. (Manyika et al. p. 7) On kuitenkin selvää, että kulkuneuvojen ohjauksessa, jarrutuksessa ja törmäyksen välttämisessä hyödynnettävät järjestelmät tarjoavat valtavia ekonomisia mahdollisuuksia niin laitteistojen valmistajille kuin niiden hyödyntäjillekin. Lisäksi kyseiset järjestelmät potentiaalisesti lisäävät kulkuneuvojen turvallisuutta sekä kuljettajien vapaa-aikaa, vähentävät päästöjä sekä kasvattavat logistiikka-alan liikevaihtoa. (Manyika et al. p. 7) 3D-tulostus 3D-tulostus on tähän mennessä ollut lähes poikkeuksetta vain tuotesuunnittelijoiden ja harrastelijoiden hyödyntämä teknologia, mutta kehitys ainetta lisäävissä valmistuslaitteissa ja tulostusmateriaaleissa näyttäisi mahdollistavan 3D-tulostuksen leviämisen suunnittelusta myös tuotannon puolelle. 3D-tulostus mahdollistaa ideoiden yksinkertaisen ja nopean toteuttamisen 3D-mallin pohjalta, jonka lisäksi se minimoi.

(26) 12. 1. JOHDANTO. hukkamateriaalin määrän. Teollisuudelle yksi merkittävimmistä mahdollisuuksista on omavaraisuus varaosien suhteen eli tarpeen tullen yritys kykenisi itse nopeasti tuottamaan rikkoutuneen osan ja jatkamaan toimintaansa. (Manyika et al. p. 8) Mobiili-internet Mobiili-internet mahdollistaa erilaisten laitteiden, kuten älypuhelimien ja tablettien langattoman yhdistämisen dataverkkoon paikoissa, joissa ei ole kiinteää verkkoyhteyttä. Viime vuosien aikana kannettavien internet-laitteiden suosio on kääntynyt rajuun nousuun ja ne ovatkin muuttuneet ylellisyydestä tavalliseksi kulutustavaraksi. (Manyika et al. p. 6) Paitsi, että mobiili-internet mahdollistaa internetyhteyden lähes kaikkialla maailmassa, on se myös kustannuksiltaan huomattavasti edullisempi vaihtoehto kiinteään yhteyteen nähden. Lisäksi mobiililaitteille suunniteltujen ohjelmistojen nopea lisääntyminen on mahdollistanut niiden hyödyntämisen myös uusissa sovelluskohteissa, kuten maksujen prosessoinnissa ja terveyden seurannassa. (Manyika et al. p. 6) Teollisuudessa mobiili-internet mahdollistaa laitteiden aikaisempaa helpomman valvonnan sekä kytkemisen osaksi laajempaa verkkoa (vrt. Teollinen Internet). Koneiden sijoittelu ei ole enää riippuvaista erilaisten rajapintojen sijainneista vaan laitteiden tuottama data voidaan siirtää langatonta verkkoa pitkin hallintalaitteelle. Hallintalaitteet voivat puolestaan lähettää käskyjä koneille langattomasti riippumatta koneen sijainnista. (Manyika et al. p. 6).

(27) 1. JOHDANTO. 13. 1.6 Tutkimuksen tukena hyödynnettävät analyysityökalut Tutkittavan datan määrästä ja moniulottuvaisuudesta johtuen sen tulkinnassa tullaan hyödyntämään useita excel-pohjaisia työkaluja. Ensinnäkin excelin omat dataanalyysityökalut tarjoavat lukuisia numeerisen datan käsittelyyn soveltuvia välineitä. Työkalut on löydettävissä excelin valikosta data – data-analysis. Excelin omien työkalujen lisäksi on olemassa lukuisia ilmaisia lisätyökaluja, jotka parantavat excelin kykyä visualisoida ja analysoida dataa. Tässä tutkimuksessa hyödynnettäviä excelin lisäosia ovat Multibase, Real Statistics ja XLSTAT. Multibase on NumericalDynamics.com osoitteessa toimivan organisaation kehittämä tilastollisen datan analysointityökalu, jonka vahvuuksia ovat erityisesti visualisointiin ja datan yksinkertaistamiseen liittyvät tehtävät. Lisätietoa lisäosasta löytyy organisaation sivuilta osoitteesta http://www.numericaldynamics.com/index.html. Real Statistics on Charles Zaiontzin kehittämä excel-lisäosa, joka sisältää excelin omaa työkaluvalikoimaa laajemman kokoelman erilaisia tilastollisten ongelmien ratkaisuun suunniteltuja välineitä. Osoitteessa http://www.real-statistics.com/ Zaiontz demonstroi lisäosan ominaisuuksia ja esittää esimerkkejä sen välineiden hyödyntämisestä. XLSTAT on Addinsoft nimisen yrityksen kehittämä excel-lisäosa raskaampien dataanalyysien suorittamiseksi. Lisäosa erottuu muista kilpailijoistaan mahdollisuudella ottaa yksittäisten havaintojen painoarvot huomioon datassa. Lisäksi lisäosa soveltuu myös kategoristen muuttujien sisältämän datan arviointiin. Lisäinformaatiota XLSTATlisäosasta löytyy osoitteesta https://www.xlstat.com/en/company/ about-us..

(28) 14. 1. JOHDANTO.

(29) 2. TEOREETTINEN TAUSTA. 15. 2. TEOREETTINEN TAUSTA. Data-analyysin tavoitteena on tuottaa eri tavoin kerätystä tiedosta korkeamman tason informaatiota, joka mahdollistaa erilaisten aineistoon perustuvien johtopäätösten tekemisen. Tämän tutkimuksen yksi keskeisimmistä tutkimuskysymyksistä on määrittää voidaanko data-analyysin numeerisia tuloksia hyödyntää myös ongelmaa havainnollistavien systeemimallien luomisessa ja tätä kautta tutkittavan ilmiön ennakoimisessa. Työn teoreettisen taustan yhteyttä tutkittavaan ilmiöön on havainnollistettu kuvassa 3.. Liiketoimintaprosessit. Tutkimusmenetelmät. Digitalisaatio. Konepajateollisuus. Tuotteet. ICT & CPS. Fyysiset järjestelmät. Vaikutukset. Numeerinen dataanalyysi. Systeemimallinnus. Ennakointi. Kuva 3: Tutkimusmenetelmät ja niiden osuus disruption arvioinnissa. Luvussa perehdytään ensiksi numeerisen data-analyysin rakenteeseen ja sen eri työkaluihin sekä datalle asetettaviin perusedellytyksiin, jotta sitä voidaan luotettavasti analysoida tilastollisin menetelmin. Erityistä huomiota kiinnitetään työkaluihin, joiden avulla on mahdollista tarkastella tutkittavien muuttujien ja vastaajien taustatekijöiden välisiä riippuvuuksia. Tämän jälkeen tutustutaan systeemimallinnuksen rakenteeseen ja logiikkaan sekä havainnollistetaan, miten yksinkertaisilla systeemimalleilla voidaan tulkita numeerisen data-analyysin johtopäätöksiä..

(30) 16. 2. TEOREETTINEN TAUSTA. 2.1 Numeerinen data-analyysi ja sen vaiheet. Data-analyysi on nimitys joukolle erityyppisiä menetelmiä, joiden tavoitteena on muodostaa eri tavoin kerätystä aineistosta korkeamman tason informaatiota esimerkiksi erilaisten mallien muodossa (Businessdictionary.com 2015 - Data analysis). Informaatio puolestaan mahdollistaa erilaisten johtopäätösten, kuten investointipäätösten ja suunnitteluratkaisuiden tekemisen (Businessdictionary.com 2015 - Information). Tilastotieteissä data-analyysi voidaan jakaa neljään vaiheeseen kuvan 4 mukaisesti. Valmisteluvaihe koostuu aineiston keruun suunnittelusta, sen keräämisestä sekä tutkittavan aineiston rajaamisesta. Esikäsittelyvaiheessa tutkittava aineisto eli data puhdistetaan, suodatetaan, täydennetään, korjataan sekä mahdollisesti standardoidaan ja muunnetaan toiseen muotoon. Aineistoa tarvitsee usein esikäsitellä ennen varsinaista analyysiä, sillä on olemassa mahdollisuus siitä, että se sisältämät virheet ja poikkeamat vääristäisivät tuloksia. (Runkler 2012, s. 21-33) Itse analyysivaihe on tutkimuskohtainen ja siinä hyödynnettävät työkalut vaihtelevat asetettujen tavoitteiden mukaan. Datan visualisointi on usein helpoin ja nopein menetelmä datan rakenteen ja siinä piilevien ilmiöiden tutkimiseksi. Datan visualisointi ei kuitenkaan anna siitä yhtä tarkkaa tietoa kuin sen numeerinen arviointi. (Runkler 2012, s.35–54) Numeerisessa data-analyysissä datalle suoritetaan joukko testejä, jotka antavat varianssiin ja johdonmukaisuuteen perustuvia, vertailukelpoisia tuloksia. Korrelaatioanalyysi havainnollistaa muuttujien välisiä riippuvuussuhteita vertailemalla muuttujien saamia arvoja keskenään. Korrelaation laajennus, regressioanalyysi, puolestaan mallintaa muuttujissa tapahtuvien muutosten vaikutusta muihin muuttujiin. (Runkler 2012, s.55–77) Varianssianalyysi sen sijaan mahdollistaa populaation eri ryhmien vertailun muuttujakohtaisesti. Vaiheista viimeinen, jälkikäsittely, koostuu tulosten tulkinnasta ja dokumentoinnista sekä analyysin arvioinnista. Vaikka tulosten tulkinta saattaa vaikuttaa yksinkertaiselta tehtävältä, on se kriittinen osa analyysiä ja vaatii valmisteluosuuden ohella eniten pohdiskelua koko analyysissä.. Valmistelu. - Suunnittelu - Datan kerääminen - Datan valinta. Esikäsittely. - Puhdistus - Suodatus - Täydentäminen - Korjaus - Standardointi - Muuntaminen. Analyysi. - Suodatus - Visualisointi - Klusterointi - Riippuvuudet - Varianssianalyysi. Jälkikäsittely. - Tulosten tulkinta - Dokumentointi - Analyysin validointi. Kuva 4: Data-analyysin vaiheet. Yksi keskeisistä tehtävistä data-analyysiä suoritettaessa on pohtia tarkasteltavan datan yleistettävyyttä. Suuria populaatioita käsiteltäessä tutkijan on helppo olettaa, että.

(31) 2. TEOREETTINEN TAUSTA. 17. näytteet edustavat hyvin yleistä näkemystä. Pienten näytemäärien tapauksessa tutkijan on kuitenkin usein tehtävä oletuksia datasta ja sen rakenteesta. Tällöin on olemassa mahdollisuus, etteivät valitut näytteet anna realistista kuvaa populaation rakenteesta ja mielipiteistä, mikä heikentää tutkimuksen validiutta. Pieniä populaatioita tarkasteltaessa tuloksia tulisikin tulkita varovaisemmin ja pidättäytyä hypoteesien varomattomasta yleistämisestä. (Trochim 2006 - Probability sampling) 2.1.1 Valmisteluvaihe. Varsinainen valmisteluvaihe rakentuu kahdesta kokonaisuudesta, datan keruun suunnittelusta ja datan keruusta. Suunnitteluvaiheessa määritellään mittauskohteet ja menetelmät sekä arvioidaan mittauksen luotettavuutta. Mittauksen luotettavuutta luonnehditaan kuvassa 5 havainnollistettujen kolmen tekijän, tarkkuuden, reliabiliteetin ja validiteetin avulla.. DATA. VALIDITEETTI. TARKKUUS. RELIABILITEETTI. SUUNNITTELUVAIHEEN JA DATANKERUUN TARKKUUSTEKIJÄT. KYLLÄ KYLLÄ. KYLLÄ. ANALYYSIMENETELMÄT. VALIDITEETTI. TARKKUUS. EI. RELIABILITEETTI. KYLLÄ KYLLÄ. KYLLÄ. TULKINTA. EPÄONNISTUNUT. VÄÄRISTYNEET TULOKSET. ONNISTUNUT. EDUSTAVAT TULOKSET EI. Kuva 5: Suunnitteluvaiheen ja datankeruun tarkkuustekijät. Tarkkuudella viitataan tapaan pyöristää vastauksia. Reliabiliteetilla eli luotettavuudella viitataan mittauksen toistettavuuteen ja kykyyn antaa ei-sattumanvaraisia tuloksia (Ylemmän AMK-tutkinnon metodifoorumi 2007 - Tutkimuksen reliabiliteetti)..

(32) 18. 2. TEOREETTINEN TAUSTA. Validiteetilla eli pätevyydellä puolestaan viitataan tutkimusmenetelmän kykyyn selvittää, mitä sillä on tarkoitus selvittää (Ylemmän AMK-tutkinnon metodifoorumi 2007 - Tutkimuksen validiteetti). Mittauksen luotettavuutta ja pätevyyttä voidaan havainnollistaa kuvan 6 mukaisella maalitaululla, jonka keskipiste on mitattava asia ja ”osumat” ovat näytteitä mitattavasta kohteesta. Luotettavan mittauksen tapauksessa uusintamittaus antaa saman tuloksen toistettaessa kuin ensimmäinenkin. Pätevän mittauksen tapauksessa tulos osuu lähelle maalitaulun keskikohtaa, jolloin mittausmenetelmän voidaan nähdä toimivan toivotusti.. Kuva 6: Mittauksen reliabiliteetti ja validiteetti (Trochim 2006 - Reliability & Validity). Datan keruuvaiheessa päätetään kerätäänkö data olemassa olevista lähteistä vai jollakin muulla tapaa. Olemassa oleviakin lähteitä hyödyntäessä on varmistuttava datan keruutavoista, sillä ne saattavat estää tulosten yleistettävyyden. Datan taustojen ymmärtäminen mahdollistaa paitsi tulosten puolustamisen vasta-argumentteja vastaan, avustaa se myös näytteiden valintakriteerejä muodostettaessa. (Howie 2015 - Steps in the Data Analysis Process) Näytteiden valinnalla viitataan tapaan poimia näytteitä populaatiosta. Valikointi voi olla sattumanvaraista populaation tai osa-populaatioiden tasolla, klusterittaista, systemaattista, keräämisen vaivattomuudesta riippuvaista, kiintiöön perustuvaa tai vahvasti ohjattua. Satunnainen valikointi antaa parhaan kuvan tutkittavasta populaatiosta, kun taas ohjattu valikointi antaa parhaiten tietoa jostakin alipopulaatiosta. (Howie 2015 – Sampling).

(33) 2. TEOREETTINEN TAUSTA. 19. 2.1.2 Esikäsittely. Datan puhdistukseksi kutsutaan prosessia, jossa datasta etsitään ja korjataan kaikki kirjaus- ja merkintävirheet (Han & Kamber 2006, s. 61). Puhdistus on esikäsittelymenetelmistä ensimmäinen ja sen tarkoituksena on muokata data yhtenäiseksi ja muille menetelmille sopivaksi. Suodatuksella tarkoitetaan joukkoa strategioita tai ratkaisuja datan tarkentamiseksi. Menetelmillä pyritään rajaamaan datasta näkyville vain kiinnostuksen alaisena oleva osuus ja sulkemaan pois kaikki irrelevantti informaatio. Suodatusmenetelmien valintaan vaikuttavat sekä mittauksen laatu, että tavoite tulosten yleistettävyyteen. (Runkler 2012, s.25; Technopedia 2015) Täydentämisellä tarkoitetaan puuttuvien arvojen lisäämistä dataan. Arvojen puuttuminen johtuu useimmiten mittausprosessissa tai arvojen kirjaamisessa tehdyistä virheistä sekä tarkoituksella tyhjäksi jätetyistä mittauskirjauksista. Täydentäminen voidaan tapauksesta riippuen suorittaa vertailemalla mittauksia keskenään tai korvaamalla puuttuvat arvot mittausten keskiarvoilla. Täydentämisprosessia on havainnollistettu kuvassa 7. (Runkler 2012, s.24) Näyte 1 2 3. Muuttuja 1 1 2 1. Muuttuja 2 2 1. Muuttuja 3 2 1 1. Muuttuja 4. Muuttuja 3 2 1 1. Muuttuja 4 2 2 2. 2 2. Täydentäminen. Näyte 1 2 3. Muuttuja 1 1 2 1. Muuttuja 2 3 2 1. Kuva 7: Puuttuvien arvojen täydentäminen dataan. Datan korjaamisella viitataan sille tehtyjen muutosten aiheuttamien virheiden eliminoimiseen. Joskus dataa muunnettaessa yksiköstä toiseen muunnosalgoritmi vaikuttaa eriarvoisesti suhteessa eri data-arvoihin vääristäen aineistoa. (Runkler 2012, s.24) Standardoinnilla puolestaan viitataan prosessiin, jossa datan eri osakokonaisuudet muutetaan vertailukelpoisiksi käsittelemällä niiden keskiarvoja ja varianssia. Standardoinnilla voi parantaa mittausten yhteensopivuutta, turvallisuutta, toistettavuutta ja laatua. (Runkler 2012, s.30) Muuntamisella tarkoitetaan datan arvojen muuttamista toiseen yksikköön tai muotoon jonkin algoritmin kautta. Dataa voidaan esimerkiksi haluta muuntaa suurempaan mittayksikköön tai se voidaan haluta esittää graafisesti pylväs- tai käyrämuodossa. (Runkler 2012, s.30).

(34) 20. 2. TEOREETTINEN TAUSTA. 2.1.3 Analyysivaihe. Tässä luvussa perehdytään data-analyysin varsinaiseen laskentaosuuteen eli analyysivaiheeseen ja siinä hyödynnettäviin metodeihin. Kuten kuvassa 8 on havainnollistettu, luvussa esitellään myös metodien reliabiliteettiin, validiteettiin ja tarkkuuteen vaikuttavia tekijöitä ja vaihtoehtoja aineiston analysoinnin luotettavuuden parantamiseksi.. DATA. VALIDITEETTI. TARKKUUS. RELIABILITEETTI. KYLLÄ KYLLÄ. KYLLÄ. ANALYYSIMENETELMÄT. VALIDITEETTI. TARKKUUS. EI. RELIABILITEETTI. ANALYYSIVAIHEEN TARKKUUSTEKIJÄT. KYLLÄ KYLLÄ. KYLLÄ. TULKINTA. EPÄONNISTUNUT. VÄÄRISTYNEET TULOKSET. ONNISTUNUT. EDUSTAVAT TULOKSET EI. Kuva 8: Analyysivaiheen tarkkuuteen vaikuttavat tekijät. Esiteltävät menetelmät on järjestetty yleisen kvantitatiivisen data-analyysin mallin mukaiseksi siten, että ensin perehdytään datan rakenteeseen sekä jakautumiseen ja vasta tämän jälkeen muuttujien välisiin riippuvuussuhteisiin sekä merkitsevyyteen..

(35) 2. TEOREETTINEN TAUSTA. 21. 2.1.3.1 Datan rakenteen analysoiminen. Analysoitavan datan piirteiden tutkiminen ja arvioiminen on oleellinen osa varsinaista data-analyysiä edeltävää osuutta. Todennäköisin syy datan perusteella tehtyjen johtopäätösten virheellisyydelle on itse datan virheellisyys (kts. luku 2.1.1 Valmisteluvaihe). On kuitenkin mahdollista, että vääristymät tuloksissa johtuvatkin hyödynnetyistä analyysimetodeista ja niiden käyttötavoista eli hyvälaatuistakin dataa on mahdollista arvioida virheellisesti. Tässä luvussa käsitellään data-analyysin menetelmien luotettavuuteen vaikuttavia seikkoja, kuten datan jakautuneisuuden sekä näytepopulaatioiden taustatekijöiden vaikutusta data-analyysin tulosten luotettavuuteen. Jakaumien merkitys tilastomenetelmien valinnassa Jotkin numeerisista menetelmistä ovat hyvin datatyyppikohtaisia ja saattavat sisältää lukuisia oletuksia liittyen käsiteltävän datan rakenteeseen. Edellytyksistä yleisin, ja tulosten kannalta ehkäpä oleellisin oletus koskee tarkasteltavan datan jakaumia. Esimerkiksi ANOVA ja t-testi (kts. luku 2.1.3.5 Hajonta tutkittavassa datassa) olettavat datan olevan normaalijakautunutta, mutta esimerkiksi klusterianalyysi ei ole riippuvainen datan jakaumasta. Jakaumasta riippumattomia menetelmiä voidaan hyödyntää myös normaalijakautuneen datan käsittelyyn, mutta niiden tulokset eivät ole yhtä tarkkoja kuin normaalijakautuneelle datalle suunniteltujen testien tulokset. Kuvassa 9 on esitetty muutamia erilaisille jakaumaoletuksille perustuvia menetelmiä ja testejä. JAKAUMASTA RIIPPUMATTOMAT TILASTOMENETELMÄT. JAKAUMASTA JAKAUMASTA RIIPPUVAISET RIIPPUVAISET TILASTOMENETELMÄT TILASTOMENETELMÄT. Normaalijakautunut Normaalijakautuneesta data poikkeava data ANOVA (F-testi ja t- Moodin mediaanitesti ja testi) Levenesin testi, Pearsonin Spearmanin/Kendallin korrelaatio korrelaatio. Kuva 9: Jakauman muoto määrittelee, mitkä tilastomenetelmät soveltuvat datan analysointiin. Ennen jakaumien tarkastelua on kuitenkin ymmärrettävä mitä normaalijakautuneisuudella tarkoitetaan. Oletuksessa normaaliudesta on kyse populaatioiden jakaumista eli näytteiden jakautumisesta populaatioiden sisällä. Niin sanotut parametriset testit tekevät oletuksia populaatioiden tai muuttujien arvojoukkojen rakenteesta, kuten keskiarvoista ja variansseista sekä populaatioiden välisistä suhteista. Yleisesti yksinkertaisin, sekä luotettavin lähtökohta eri populaatioiden vertailuun on se, että tarkasteltavat populaatiot ovat normaalijakautuneita. (Hazewinkel 2001).

(36) 22. 2. TEOREETTINEN TAUSTA. Jakaumien tarkasteluun on olemassa useita eri menetelmiä. Graafiset testit perustuvat datan visuaaliseen tarkasteluun muun muassa histogrammien muodossa. Histogrammi on tilastotieteessä käytetty graafinen esitys tilastollisesta, luokitellusta aineistosta. Histogrammin reunakäyrää kutsutaan tiheysfunktioksi, joka normaalijakauman tapauksessa muistuttaa vanhanaikaisen kellon sivukuvaa, joka on symmetrinen vertikaalisen akselinsa ympäri. Kuten kuvan 10 kuvaajasta voidaan havaita, normaalijakautuneen datan keskiarvo on sama kuin sen mediaani eli järjestetyn datajoukon keskimmäinen alkio. Jos datan alkioiden määrä on parillinen, on mediaani kahden keskimmäisen alkion keskiarvo. (BetterEvaluation 2014). Kuva 10: Normaalijakauman puoliskot ovat symmetrisiä jakauman vertikaalisen akselin ympäri (BetterEvaluation 2014). Dataa voidaan havainnollistaa myös niin sanotun laatikkodiagrammin avulla, joka muistuttaa histogrammia ylhäältäpäin kuvattuna. Histogrammista poiketen, laatikkodiagrammissa on eroteltu arvoja laatikoiden, suorien ja pisteiden avulla. Tapauksesta riippuen laatikolla voidaan esimerkiksi kuvata puolet arvoista niiden etäisyyden mukaan keskiarvosta tai mediaanista. Horisontaalisella viivalla kuvataan puolestaan datan koko hajonnan aluetta lukuun ottamatta mahdollisia outliereita eli havaintoja, jotka ovat erillään muista havainnoista. Outlierit esitetään pisteinä viivan ulkopuolella. Laatikkodiagrammit soveltuvat myös muuttujien keskiarvojen ja hajontojen keskinäiseen vertailuun, sillä niiden asettelu rinnatusten on huomattavasti yksinkertaisempaa kuin histogrammien tapauksessa. Laatikkodiagrammin rakennetta on havainnollistettu kuvassa 11. (Kirkman 1996).

(37) 2. TEOREETTINEN TAUSTA. 23. Kuva 11: Laatikkodiagrammi soveltuu esimerkiksi outliereiden esittämiseksi. Tarkasteltavan datan jakauma ei aina noudata täydellistä normaalijakaumaa, vaan se joko ”viettää” keskiarvon toiselle puolelle tai painottuu liiaksi keskiarvon ympärille. Ensimmäisen tapauksen tilannetta voidaan kuvailla käsitteellä ”vinous” ja jälkimmäistä ”huipukkuudella”. Tilanteita on havainnollistettu kuvassa 12. (Croarkin & Tobias 2013 - Measures of Skewness and Kurtosis). Kuva 12: Tiheysfunktion muoto vaihtelee datakohtaisesti (Wiesner 2007). Jakauman muodon visuaalisen tutkimisen lisäksi datan normaalius voidaan määrittää useilla tilastollisilla testeillä. Shapiro-Wilkin testi vertailee datan tiheysfunktiota normaalijakauman tiheysfunktioon ja ilmaisee mahdollisista poikkeamista. Testi on riippuvainen näytteen koosta ja suuria näytekokoja tarkasteltaessa tulisikin menetelmää hyödyntää yhdessä graafisten, jakauman muotoon perustuvien menetelmien kanssa. (Croarkin & Tobias 2013 - Anderson-Darling and Shapiro-Wilk tests) Toinen vaihtoehto on hyödyntää toista tilastollista testiä, Kolmogorov-Smirnovin testiä, joka antaa tarkempia tuloksia liittyen jakauman muotoon suuria otoskokoja käsiteltäessä. (Croarkin & Tobias 2013 - Kolmogorov-Smirnov Goodness-of-Fit test).

(38) 24. 2. TEOREETTINEN TAUSTA. Vuorovaikutusefekti – Vastaajien taustatekijöiden merkitys mielipiteissä Data-analyysiä tehdessä on otettava huomioon myös niin sanottu vuorovaikutusefekti. Useamman selittävän taustamuuttujan (factor) tapauksessa taustatekijöiden vaikutusten tulkinta on monimutkaisempaa kuin yhden selittävän tekijän tapauksessa. Vuorovaikutusefektissä yhden taustatekijän sijaan useampi taustatekijä vaikuttaa riippuvaisen muuttujan eli vastemuuttujan arvoihin samanaikaisesti, jolloin vaikutuksen suunta ja voimakkuus saattavat vaihdella tekijästä riippuen. (Stevens 1999, s.1) Vuorovaikutusefektin tavanomaisimmassa ja yksinkertaisimmassa tilanteessa taustatekijöitä on kaksi, joista kummatkin ovat kategorisia, kahden luokan muuttujia. Tätä vastoin on myös olemassa tilanteita, joissa kahden taustamuuttujan sijaan tarkastellaan kolmen tai useamman taustamuuttujan vuorovaikutuksia ja joissakin erityistapauksissa kukin kategorinen muuttuja sisältää useampia luokkia. (Price 2012, s.198-209; Stevens 1999, s.1) Taulukossa 1 on esimerkki tilanteesta, jossa kaksi kategorista, kahden luokan taustatekijää vaikuttavat riippuvaisen vastemuuttujan arvoon yhdensuuntaisesti. Taulukko 1: Taustatekijöiden välillä vallitsee additiivinen vuorovaikutussuhde. Taustatekijä 2 = 0. Taustatekijä 2 = 1. Taustatekijä 1 = 0. 4. 6. Taustatekijä 1 = 1. 5. 7. Kuten taulukosta voidaan havaita, vastemuuttujan arvo kasvaa vakiomäärän kun taustatekijän 2 arvo muuttuu nollasta yhteen. Samoin käy kun taustatekijän 1 arvo pienenee yhdestä nollaan. Taustatekijöiden yhteisvaikutus kutsutaan tässä tapauksessa additiiviseksi. On kuitenkin olemassa tilanteita, joissa muutokset taustatekijöiden arvoissa aiheuttavat epälineaarisia muutoksia vastemuuttujan arvoon. Tämä on kuvattuna taulukossa 2. Taulukko 2: Taustatekijöiden välillä vallitsee epälineaarinen vuorovaikutussuhde. Taustatekijä 2 = 0. Taustatekijä 2 = 1. Taustatekijä 1 = 0. 1. 4. Taustatekijä 1 = 1. 7. 6. Kuten taulukosta 2 voidaan nähdä, taustatekijä 2 vaikuttaa vastemuuttujan arvoon suhteessa voimakkaammin, kun taustatekijä 1 saa arvon nolla. Lisäksi taustatekijä 2 pienentää vastemuuttujan arvoa, kun taustatekijä 1 saa arvon yksi. Tällaisen.

(39) 2. TEOREETTINEN TAUSTA. 25. riippuvuussuhteen vaikutusta vastemuuttujan arvoon on vaikeampi arvioida kuin tilanteessa, jossa taustatekijöiden välillä on additiivinen suhde, sillä muutoksen suunta ja voimakkuus vaihtelee taustatekijöiden luokkakombinaatioiden mukaisesti.. Tarkastelu taustatekijän 1 näkökulmasta. Tarkastelu taustatekijän 2 näkökulmasta Vastemuuttujan keskiarvo. Vastemuuttujan keskiarvo. Taustatekijöiden vaikutuksen suuntaa ei siis voida jälkimmäisessä tapauksessa arvioida analysoimalla kuvan 13 mukaisesti yhtä taustatekijää kerrallaan, sillä vastemuuttujan saamat arvot riippuvat taustatekijöiden keskinäisestä vuorovaikutuksesta. Sen sijaan analyysi tulisikin suorittaa tarkastelemalla vastemuuttujan saamia arvoja taustatekijöiden luokkien eri kombinaatioilla.. 8 7 6 5 4 3 2. 8 7 6 5 4 3 2. 1. 1. 0. 0 Taustatekijä 1=0. Taustatekijä 1=1. Taustatekijän luokka. Taustatekijä 2=0 Taustatekijä 2=1 Taustatekijän luokka. Kuva 13: Tarkastelu taustatekijöiden näkökulmista. Vuorovaikutusefektin määrittämiseksi on olemassa useita menetelmiä riippuen tutkittavien taustamuuttujien tarkasteluasteikosta sekä niiden lukumäärästä (nominaalinen, ordinaalinen, intervalli- tai suhdeasteikollinen). (Stevens 1946, s. 677) Datan visualisoiminen auttaa usein löytämään siinä vaikuttavia trendejä ja riippuvuussuhteita. Visualisointi voidaan toteuttaa muun muassa monimuuttujaregressioanalyysin (kts. luku 2.1.3.4 Riippuvuussuhteet datan muuttujien välillä regressioanalyysi) avulla, joka mahdollistaa useiden taustatekijöiden vaikutusten arvioinnin vastemuuttujan arvoon. Tapauksissa, joissa muuttujien välinen riippuvuus ei ole lineaarinen, voidaan sopivin estimaatti pyrkiä löytämään tutkimalla pistejoukon muotoa silmämääräisesti tai sovittamalla pistejoukkoon funktioita ja tarkastelemalla niiden sopivuutta tilastollisista näkökulmista..

(40) 26. 2. TEOREETTINEN TAUSTA. Kahden taustatekijän tapauksessa visualisointi suoritetaan yleensä 2D-kuvaajien avulla, joissa y-akseli kuvaa vastemuuttujan arvoja, x-akseli kuvaa ensimmäisen taustatekijän arvoja ja viivan tunnus (esimerkiksi väri, numero jne.) jälkimmäisen taustatekijän arvoa. Esimerkiksi taulukossa 1 esitetty tilanne on kuvattuna kuvassa 14.. Vuorovaikutusefekti additiivisessa relaatiossa. Vastemuuttujan arvo. 8. 6 Taustatekijä 2 = 0. 4. Taustatekijä 2 = 1 2. 0 Taustatekijä 1 = 0. Taustatekijä 1 = 1. Kuva 14: Vuorovaikutusefektin visualisointi monimuuttujaregressioanalyysin keinoin auttaa nopeasti ymmärtämään muuttujien välisiä suhteita, kun taustatekjöiden välillä vallitsee additiivinen suhde. Kategoristen muuttujien koon kasvaessa kuvaajien rakenne ja tulkinnallisuus saattavat monimutkaistua. Esimerkiksi kuvassa 15 esitetyssä tilanteessa on kyseessä epälineaarinen vuorovaikutustilanne, jossa estimaatit leikkaavat toisensa. Tämänkaltaisissa tilanteissa tulisi välttää johtopäätöksien tekemistä suoraan kuvaajasta ja siirtyä hyödyntämään tilastollisia menetelmiä.. Vuorovaikutusefekti epälineaarisessa relaatiossa. Vastemuuttujan arvo. 8 6 Taustatekijä 2 = 0 4. Taustatekijä 2 = 1. 2 0 Taustatekijä 1 = 0. Taustatekijä 1 = 1. Kuva 15: Epälineaariset ilmiöt vaikeuttavat muuttujien välisten suhteiden tulkintaa. Oregonin yliopistossa työskentelevä Joseph J. Stevens on vuorovaikutusta käsittelevässä artikkelissaan (Stevens & Schulte 2015) listannut kolme kategoriselle datalle soveltuvaa menetelmää, joilla on löydettävissä toisistaan eroavat ryhmittymät ja tätä kautta.

(41) 2. TEOREETTINEN TAUSTA. 27. pääteltävissä taustatekijöiden osuudet erottavina tekijöinä. Menetelmistä ensimmäinen, yhdensuuntainen ANOVA eli varianssianalyysi (kts. luku 2.1.3.5 Hajonta tutkittavassa datassa), olettaa jokaisen ryhmäkombinaation olevan oma, ainutlaatuisesti käyttäytyvä kokonaisuutensa. Se vertailee kombinaatioita suhteessa vastemuuttujaan ja ilmaisee löytyykö kombinaatioiden väliltä merkittäviä eroavaisuuksia. ANOVA ei kuitenkaan yksinään kykene paljastamaan mikä on eri taustatekijöiden rooli eroavaisuuksien syntymisessä. ANOVAn kehittyneempi versio, MANOVA eli useamman muuttujan varianssianalyysi, tarkastelee erikseen taustatekijöiden vaikutusta toisiinsa yhdistelemällä taustatekijöitä ja tutkimalla muutoksia vastemuuttujan arvossa. Menetelmän hyödyntäminen vaatii tulosten erillistä prosessointia esimerkiksi simulaation muodossa, mistä johtuen kombinaatioiden määrän kasvaessa myös tulosten käsittely vaikeutuu. Artikkelissaan Stevens esittelee myös kolmannen, korkeampaa ymmärrystä vaativan metodin, joka perustuu suunniteltuihin vertailuihin. Sen taustalla voidaan hyödyntää joko ANOVAa tai MANOVAa, mutta tarkasteltavat ryhmät rajataan vain taustatekijöiden luokkien tiettyihin kombinaatioihin. Menetelmää hyödyntääkseen tulee tutkijalla olla jo ennen vertailun suorittamista joko selkeä tavoite etsittäviä tuloksia kohtaan tai ymmärrystä taustatekijöiden luokkien kombinaatioiden käyttäytymisestä. Tilanteessa, jossa tutkittavan datan dimensiot lisääntyvät (taustatekijöiden määrä kasvaa) vuorovaikutusefektin tutkiminen visualisoinnin sekä tilastomatematiikan keinoin monimutkaistuu ja tulosten tulkinta vaikeutuu. Tällöin yksi vaihtoehto on rajata tarkasteltavia muuttujia eli poissulkea jokin/jotkin taustatekijät analyysistä. Toinen vaihtoehto on tarkastella taustatekijöitä ryhmittäin ja tarkastelukombinaatioita vaihtelemalla pyrkiä löytämään säännönmukaisuutta tuloksissa. Koska vaihtoehdoista ensimmäinen saattaa pahimmassa tapauksessa rajata analyysistä pois tärkeää tietoa, suositellaan jälkimmäisen vaihtoehdon hyödyntämistä. Vuorovaikutusefektiä tutkittaessa on myös huomioitava tarkasteltava vastemuuttuja sekä sen osuus koko datan näkökulmasta. Jos mahdollisia vastemuuttujia on datassa useampia, ei vuorovaikutusefektin vaikutusten tutkiminen yksittäisen vastemuuttujan näkökulmasta riitä. Tästä johtuen tarkastelu tulisi suorittaa kaikkien vastemuuttujien näkökulmasta ennen kuin esitetään hypoteeseja taustatekijöiden välisistä riippuvuuksista ja vuorovaikutuksista. Jos taustamuuttujien välinen vuorovaikutus jää mitättömäksi, voidaan toisistaan riippumattomien taustamuuttujien vaikutuksia dataan tulkita yksitellen. Tätä ennen tulisi kuitenkin huolehtia taustamuuttujien tasapainoisuudesta, eli siitä, että taustamuuttujien luokkien sisältämillä näytteitä on yhtäläinen vaikutus analyysin tuloksiin..