Milla Apila 

Strateginen johdon laskentatoimi päätöksenteon 
tukena big datan ja tekoälyn aikakaudella 

Suomalaisten kasvuyritysten näkökulmasta 

 

 

   

 

 

 

 
  

Vaasa 2024 

Laskentatoimen ja rahoituksen 
akateeminen yksikkö 

Laskentatoimen ja tilintarkastuksen 
pro gradu -tutkielma 

Laskentatoimen ja tilintarkastuksen 
maisteriohjelma 



2 

VAASAN YLIOPISTO 
Laskentatoimen ja rahoituksen akateeminen yksikkö 

Tekijä: Milla Apila 
Tutkielman nimi: Strateginen johdon laskentatoimi päätöksenteon tukena big datan 

ja tekoälyn aikakaudella : Suomalaisten kasvuyritysten 
näkökulmasta 

Tutkinto: Kauppatieteiden maisteri 
Oppiaine: Laskentatoimi ja tilintarkastus 
Työn ohjaaja: Mikko Ranta 
Valmistumisvuosi: 2024 Sivumäärä: 101 

TIIVISTELMÄ: 
Big datan ja tekoälyn hyödyt laskentatoimen alalla on yleisesti tunnistettu, mutta suurten 
datamassojen hyödyntämismahdollisuudet kasvavat koko ajan. Digitalisaation nopea kehitys on 
pakottanut organisaatiot tarkastelemaan organisaatio- ja johtamisrakenteitaan uudestaan. Big 
dataa ja tekoälyä hyödynnetään yhä useammilla liiketoiminta-alueilla, kuten myös strategisessa 
johdon laskentatoimessa. Tämän tutkielman tärkeimpänä tavoitteena on selvittää, minkälainen 
big datan ja tekoälyn käytön tilanne on kasvuyritysten strategisen johdon laskentatoimen 
päätöksenteossa. Lisäksi tutkielmassa selvitetään, mitä strategisen johdon laskentatoimen 
menetelmiä kasvuyrityksissä käytetään ja miten big datan ja tekoälyn käyttö strategisessa 
päätöksenteossa nähdään tulevaisuudessa. 
 
Tutkielman tietoperustan ensimmäisessä osassa käsitellään strategista johtamista, määritellään 
strategia käsitteenä ja esitellään Porterin kilpailustrategian ydin. Toisessa osassa syvennytään 
erilaisiin strategisen johdon laskentatoimen menetelmiin ja mittareihin sekä keskitytään 
strategiseen päätöksentekoon. Viimeisessä osassa paneudutaan big datan ja tekoälyn 
käsitteisiin sekä datan hallintaan ja analysointiin. Tässä luvussa syvennytään myös big datan ja 
tekoälyn mahdollisuuksiin strategisessa päätöksenteossa.  
 
Tutkielman empiirinen osuus toteutettiin kyselylomakkeella, joka sisälsi piirteitä sekä 
kvalitatiivisesta että kvantitatiivisesta tutkimuksesta. Tutkimuksen kohderyhmäksi valittiin 
suomalaiset pienet ja keskisuuret kasvuyritykset. Kyselylomake lähetettiin Kasvu Open kilpailun 
TOP 60 kasvuyrityksille vuosilta 2020–2023. Kysely suunnattiin yritysten johdolle, jolla on 
vaikutusvaltaa strategisen päätöksenteon alueella. Tutkimuksen laadullista aineistoa 
analysoitiin sisällönanalyysia käyttäen ja tilastollisessa aineistossa käytettiin ristiintaulukointia 
ja Fisherin tarkkaa testiä. 
 
Tutkielman tulokset osoittavat big datan ja tekoälyn käytön olevan vielä hyvin varhaisessa 
vaiheessa kasvuyritysten strategisen johdon laskentatoimen päätöksenteossa. Vaikka elämme 
big datan ja tekoälyn aikakautta, niin kasvuyritykset tukeutuvat pääosin perinteisten 
kustannuslaskentamenetelmien ja strategisten analyysien käyttöön päätöksenteon tukena. 
Kasvuyritysten johdossa big datan ja tekoälyn roolia pidetään merkittävänä ja molempien 
menetelmien käytön uskotaan tulevaisuudessa lisääntyvän strategisen päätöksenteon alueella. 
Riippumattomuustestauksen perusteella voidaan myös todeta, ettei big datan tai tekoälyn 
hyödyntämisellä ole tilastollista riippuvuutta strategisen päätöksenteon, käytettävien 
menetelmien tai kasvuyrityksen strategian kanssa.  
 

AVAINSANAT: big data, tekoäly, sisäinen laskentatoimi, strateginen johtaminen, 
päätöksenteko 

   



3 

Sisällys  

1 Johdanto 7 

1.1 Tutkielman tavoite ja lähestymistapa 8 

1.2 Tutkielman rajaus 10 

1.3 Tutkielman rakenne 11 

2 Strateginen johtaminen 12 

2.1 Strategia käsitteenä 12 

2.2 Porterin kilpailustrategia 15 

2.3 Kilpailustrategian soveltaminen pk-yrityksissä 18 

3 Strateginen johdon laskentatoimi 19 

3.1 Strateginen johdon laskentatoimi käsitteenä 19 

3.2 Strategisen johdon laskentatoimen menetelmät 21 

3.2.1 Strateginen kustannuslaskenta 21 

3.2.2 Suunnittelu, valvonta ja suorituksenmittaus 23 

3.2.3 Strategisen päätöksenteon menetelmät 24 

3.3 Strateginen päätöksenteko 26 

4 Big data ja tekoäly strategisessa päätöksenteossa 29 

4.1 Big datan ja tekoälyn määritelmät 29 

4.2 Big datan ja tekoälyn yhteistyö 34 

4.3 Big datan ja tekoälyn mahdollisuudet 35 

4.4 Big datan ja tekoälyn haasteet 37 

4.5 Datan hallinta, hyödyntäminen ja analysointi 39 

5 Tutkimusmenetelmä ja -aineisto 40 

5.1 Tutkimusmenetelmä 40 

5.2 Aineistonkeruumenetelmä 41 

5.3 Tutkittavan ryhmän rajaus ja tiedonkeruun toteutus 43 

5.4 Aineiston analysointi 44 

5.4.1 Aineistolähtöinen sisällönanalyysi 45 

5.4.2 Ristiintaulukointi 46 



4 

5.5 Tutkimuksen luotettavuus 47 

6 Tutkimustulokset ja aineiston analysointi 51 

6.1 Aineiston taustatiedot 51 

6.2 Strategia 54 

6.3 Big data ja tekoäly 58 

6.4 Strateginen johdon laskentatoimi 67 

6.5 Yhteenveto 76 

7 Johtopäätökset 80 

7.1 Vastaukset tutkimuskysymyksiin 80 

7.2 Tutkimuksen rajoitukset 86 

7.3 Jatkotutkimusehdotukset 87 

Lähteet 89 

Liitteet 97 

Liite 1. Saatekirje 97 

Liite 2. Kyselylomakerunko 98 

  



5 

Kuviot 
 
Kuvio 1. Kilpailuvoimat (Porter, 1985, s. 17). 15 

Kuvio 2. 4V-malli (Ernst & Young, 2014). 31 

Kuvio 3. CGMA:n määritelmä big datalle (Gamage, 2016). 31 

Kuvio 4. Tekoälyn ominaisuudet (Ailisto ja muut, 2018). 32 

Kuvio 5. Toimialajakauma. 52 

Kuvio 6. Vastuualueet. 53 

Kuvio 7. Kokemus nykyisistä tehtävistä. 54 

Kuvio 8. Strategiajakauma. 55 

Kuvio 9. Strategian ohjaus päätöksenteossa. 56 

Kuvio 10. Big datan ja/tai tekoälyn ulkoistaminen. 60 

Kuvio 11. Big datan ja/tai tekoälyn tärkeys yrityksen johdolle. 62 

Kuvio 12. Big datan ja/tai tekoälyn ohjaus strategisessa päätöksenteossa. 65 

  

Taulukot 
 
Taulukko 1. Kilpailuympäristö. 57 

Taulukko 2. Strategian vaikutus big datan ja/tai tekoälyn käyttöön. 59 

Taulukko 3. Big datan ja/tai tekoälyn käyttö strategisessa päätöksenteossa. 61 

Taulukko 4. Konkreettiset mittarit big datan ja/tai tekoälyn tuottamasta arvosta. 63 

Taulukko 5. Big datan ja/tai tekoälyn käytössä koetut haasteet. 64 

Taulukko 6. Arvojen vuorovaikutus big datan ja/tai tekoälyn kanssa. 66 

Taulukko 7. Strategisen johdon laskentatoimen menetelmät. 68 

Taulukko 8. Big datan ja/tai tekoälyn vaikutus menetelmien valintaa. 69 

Taulukko 9. Big data ja/tai tekoäly strategisessa päätöksenteossa. 71 

Taulukko 10. Big datan ja/tai tekoälyn vaikutus strategisen päätöksenteon laatuun. 71 

Taulukko 11. Big datan ja tekoälyn tulevaisuus strategisessa päätöksenteossa. 74 

Taulukko 12. Tutkimustulokset. 77 

Taulukko 13. Riippumattomuustestauksen tulokset. 78 

 

 



6 

Lyhenteet 
 
AGI  Artificial General Intelligence 

AI  Artificial Intelligence 

ANI  Artificial Narrow Intelligence 

BD   Big Data 

CGMA  Chartered Global Management Accounting 

PMS  Performance Measurement Systems 

SMA  Strategic Management Accounting 



7 

1 Johdanto 

Tällä hetkellä elämme big datan ja tekoälyn aikakautta, jolloin laskentatoimen, 

tilintarkastuksen ja rahoituksen parissa työskentelevien työnkuva on muuttumassa kohti 

uudenlaista dataa ja informaatiota analysoivaksi työksi (Bhimani & Willcocks, 2014, s. 

478–480). Muutos perinteisestä numeroiden parissa työskentelystä kohti 

analyyttisempää työnkuvaa on valtava, sillä jo tähän päivään mennessä big data on 

tuonut liiketoimintaympäristöön lukemattomia uusia mahdollisuuksia etenkin 

laskentatoimen alueella (McAfee & Brynjolfsson, 2012, s. 67). 

 

Kehittyneet teknologiat ovat lisänneet big datan ja tekoälyn mahdollisuuksia, joiden 

avulla esimerkiksi Google ja Amazon ovat pystyneet käsittelemään suuria määriä dataa 

ja laajentamaan valikoimaansa (Iansiti & Lakhani, 2020). Tämän lisäksi big dataa ja 

tekoälyä voidaan käyttää esimerkiksi strategisen päätöksenteon tukena (Jia ja muut, 

2024). Strategisilla päätöksillä on organisaatioissa suuri painoarvo, sillä päätöksenteko 

on yrityksen johdon vastuulla ja päätökset vaikuttavat merkittävästi koko organisaation 

toimintaan (Taylor, 2012, s. 50). Uudet tekoälyratkaisut mahdollistavat olemassa olevan 

tiedon tulkinnan ja sen avulla voidaan vaikuttaa yrityksen suorituskykyyn 

tulevaisuudessa. 

 

Big datan ja tekoälyn käyttöä päätöksenteossa on tutkittu aiemmin ja tulosten 

perusteella big datan ja tekoälyn voidaan todeta tehostavan ja nopeuttavan 

päätöksentekoa etenkin suurissa, mutta myös pienissä ja keskisuurissa yrityksissä (ks. 

Iansiti & Lakhani, 2020; McAfee & Brynjolfsson, 2012, s. 63). Analyyttiset mahdollisuudet 

tarjoavat pk-yritykselle kilpailuedun entistä vähäisemmillä resursseilla, sillä big data ja 

tekoäly poistavat perinteiset mittakaava-, laajuus- ja oppimisrajoitteet, jotka ovat 

aiemmin rajoittaneet liiketoiminnan kasvua (ks. Iansiti & Lakhani, 2020; Jeble ja muut, 

2018, s. 36–37). 

 

Nasrollahi ja muut (2021) esittävät big datan luovan pienille ja keskisuurille yrityksille 

strategisia mahdollisuuksia menestyä, sillä sen avulla voidaan parantaa päätöksentekoa 



8 

ja suorituskykyä. Big data nähdään pk-yritysten mahdollisuutena hyödyntää uusia 

tietotyyppejä, ratkaista monimutkaisia ongelmia sekä parantaa tulosten ja suorituskyvyn 

laatua. Nämä tekijät vaikuttavat perustavanlaatuisesti pk-yritysten toimintamalleihin ja 

niiden avulla voidaan saavuttaa tietoon perustuva päätöksenteko. 

 

Globalisaation ja kilpailun lisääntyessä myös ennustaminen on vakiintunut osaksi 

organisaatioiden strategista toimintaa. Data-analytiikan avulla voidaan laatia tarkkoja 

ennusteita, mikä mahdollistaa laadukkaamman strategisen päätöksenteon 

tulevaisuuden trendeihin ja erilaisiin liiketoimintamahdollisuuksiin perustuen. (Özemre 

& Kabadurmus, 2020.) Tekoälyä käytetään täydentämään ihmisten ajattelua ja toimintaa, 

sillä sen avulla voidaan vahvistaa oletuksia tai haastaa päätöksenteon 

oikeudenmukaisuutta (Yash ja muut, 2019). Myös big datan mahdollisuudet 

päätöksenteon automatisoinnissa on tunnistettu, sillä tietoon perustuvan 

päätöksenteon on tutkittu parantavan yrityksen suorituskykyä (Provost & Fawcett, 2013).  

 

 

1.1 Tutkielman tavoite ja lähestymistapa 

Tämän pro gradu -tutkielman tärkeimpänä tavoitteena on selvittää, minkälainen big 

datan ja tekoälyn käytön tilanne on strategisen johdon laskentatoimen päätöksenteossa 

pienissä ja keskisuurissa kasvuyrityksissä. Lisäksi tutkielmassa halutaan selvittää, mitä 

strategisen johdon laskentatoimen menetelmiä ja mittareita päätöksenteon tukena 

käytetään ja miten big datan ja tekoälyn käyttö kasvuyritysten strategisessa 

päätöksenteossa nähdään tulevaisuudessa. Alatutkimuskysymysten avulla tutkitaan, 

onko big datan tai tekoälyn ja strategisen johdon laskentatoimen päätöksenteon tai 

kasvuyrityksen strategian välillä tilastollista riippumattomuutta. 

 

Aihetta tutkitaan seuraavien tutkimuskysymysten avulla: 

 

1. Minkälainen big datan ja tekoälyn käytön tilanne on strategisen johdon 

laskentatoimen päätöksenteossa? 



9 

2. Mitä strategisen johdon laskentatoimen menetelmiä tai mittareita 

päätöksenteon tukena käytetään? 

3. Miten big datan ja tekoälyn käyttö strategisessa päätöksenteossa nähdään 

tulevaisuudessa? 

 

Lisäksi alatutkimuskysymyksiä ovat: 
 

- Vaikuttaako kasvuyrityksen strategia big datan ja/tai tekoälyn käyttöön?  

(kysymys 1) 

- Ovatko big data ja/tai tekoäly vaikuttaneet kasvuyritysten strategiseen johdon 

laskentatoimeen tai sen menetelmien valintaan? (kysymykset 1 ja 2) 

 

Tämän tutkielman aineistonkeruu toteutetaan kyselylomakkeella, joka sisältää piirteitä 

sekä kvalitatiivisista että kvantitatiivisista tutkimusmenetelmistä. Laadullisen 

lähestymistavan avulla korostetaan todellisuuden ja siitä saatavan tiedon subjektiivista 

luonnetta, kun tutkimuksen kohteena toimii ennalta tuntematon ilmiö (Puusa & Juuti, 

2020, luku 1., Gaudeamus). Kvantitatiivista lähestymistapaa käytetään esimerkiksi 

lukumäärien ja prosenttiosuuksien selvittämiseen, joka mahdollistaa tutkittavassa 

ilmiössä tapahtuneiden muutosten selvittämisen tai korrelaatioiden kuvaamisen 

(Heikkilä, 2014, luku 5., Edita Publishing). Molempien tutkimusmenetelmien 

yhdistäminen antaa syvällisen kuvauksen tutkittavasta ilmiöstä, mutta mahdollistaa 

muuttujien välisen riippumattomuustestauksen. 

 

Tämän tutkielman lopputuloksena saadaan vastaus kolmeen edellä mainittuun 

tutkimuskysymykseen ja kahteen alatutkimuskysymykseen. Tutkielman aihe on tärkeä ja 

ainutlaatuinen, kun tutkitaan big datan ja tekoälyn roolia pienissä ja keskisuurissa 

kasvuyrityksissä. Etenkin suuria yrityksiä koskevaa tutkimusaineistoa on jo olemassa, 

mutta aihetta on syytä tutkia lisää pienempien ja etenkin kasvua tavoittelevien yritysten 

näkökulmasta. Tutkimus toteutetaan tutkijan oman mielenkiinnon sekä big datan ja 

tekoälyn ajankohtaisuuden vuoksi.  

 



10 

 

1.2 Tutkielman rajaus 

Tutkielma käsittelee big datan ja tekoälyn käytön tilannetta kasvuyritysten strategisessa 

johdon laskentatoimessa. Strateginen johdon laskentatoimi rajataan koskemaan vain 

strategiseen päätöksentekoon liittyviä toimintoja. Kyselylomake lähetetään Kasvu Open 

-kilpailun TOP 60 kasvuyrityksille vuosilta 2020–2023 ja kyselyn vastaanottajia on 

yhteensä 218 eri yritystä. Kaikki kyselyn vastaanottajat ovat suomalaisia kasvuyrityksiä. 

 

Tutkielmaa ei rajata sen mukaan, kuinka paljon yrityksissä hyödynnetään big dataa tai 

tekoälyä, sillä tavoitteena on saada mahdollisimman totuudenmukainen kuvaus 

tämänhetkisestä tilanteesta. Kohdeyritykset toimivat eri toimialoilla, jonka suhteen ei 

myöskään tehdä rajausta laadukkaan ja kattavan aineiston varmistamiseksi. 

Kyselylomakkeiden vastaajat ja heidän edustamansa organisaatiot pysyvät tässä 

tutkimuksessa anonyymeinä. 

 

Tässä tutkielmassa kasvuyritysten määritelmä pohjautuu Kasvu Openin näkemykseen, 

jonka mukaan kasvuyritykset ovat kasvua tavoittelevia yrityksiä, joissa halutaan kehittää 

esimerkiksi omaa toimintaa, prosesseja, teknologiaa ja tavoitellaan kasvun kautta uusia 

mahdollisuuksia. Tästä näkökulmasta katsottuna kasvuyritys on alle 10 000 000 euron 

liikevaihtoa tekevä pieni tai keskisuuri yritys, joka haluaa kasvattaa liiketoimintaansa. 

Näkemys kattaa alleen myös alle kymmenen henkilöä työllistävät yritykset. Kasvuyritys 

on voinut olla olemassa jo pidempäänkin eli yritykseltä löytyy usein vahva strategiapohja. 

(Talvitie, 2021.)  

 

Kasvu Openin kasvuyritykset ovat pieniksi ja keskisuuriksi yrityksiksi (Pk-yritykset) 

luokiteltuja yrityksiä, joiden palveluksessa on vähemmän kuin 250 työntekijää ja joiden 

liikevaihto on enintään 50 miljoonaa euroa tai taseen loppusumma on enintään 43 

miljoonaa euroa ja jotka täyttävät perusteen riippumattomuudesta (Tilastokeskus, 

2024a). 

 



11 

1.3 Tutkielman rakenne 

Tutkielman ensimmäinen luku on johdanto, jossa tutkimus esitellään. Toisessa luvussa 

keskitytään strategiseen johtamiseen, tarkastellaan strategian käsitettä eri tutkijoiden 

näkökulmista ja esitellään Porterin kilpailustrategian ydin. Kolmas luku käsittelee 

strategista johdon laskentatoimea, alalla sovellettavia menetelmiä sekä strategista 

päätöksentekoa. Tutkielman neljännessä luvussa määritellään big datan ja tekoälyn 

käsitteet ja esitellään kyseisten menetelmien mahdollisuudet ja haasteet. Tässä luvussa 

syvennytään myös datan hallintaan, hyödyntämiseen ja analysointiin.  

 

Viidennessä luvussa esitellään tutkimusmenetelmät ja -aineisto. Viides luku pitää 

sisällään myös tutkimuksen luotettavuuden arvioinnin. Tämän jälkeen siirrytään 

tutkimuksen empiiristen tulosten käsittelyyn eli lukuun kuusi. Tutkielman viimeinen luku 

sisältää vastaukset tutkimuskysymyksiin, tutkimuksesta tehdyt johtopäätökset ja 

tutkimuksen rajoitukset. Tässä luvussa tutkimustuloksia verrataan aiempien tutkimusten 

tuloksiin. Tämän lisäksi johtopäätöksissä otetaan kantaa jatkotutkimusehdotuksiin. 



12 

2 Strateginen johtaminen 

Digitalisaation nopea tahti pakottaa organisaatiot tarkastelemaan 

organisaatiorakenteitaan ja johtamisprosessejaan uudelleen. Digitalisaatio ja yleistynyt 

big datan ja tekoälyn käyttö ovat tuoneet mukanaan uusia toimintamalleja, joilla on 

tutkitusti kauaskantoisia seurauksia yritysten menestykseen. (Bhimani & Willcocks, 2014, 

s. 469). Menestyäkseen pitkällä aikavälillä pk-yritykseltä vaaditaan onnistunutta 

strategista johtamista, jonka seurauksena yritys kykenee kehittämään uusia tuotteita ja 

palveluita, laajentamaan asiakaskuntaansa ja parantamaan kilpailukykyään (Smallbone 

ja muut, 1993, s. 59). 

 

Strategia on käsitteenä laaja ja monitulkintainen, mutta yhteistä eri strategiatyypeille on 

kuitenkin se, että strategian avulla yritys pyrkii saavuttamaan päämääränsä esimerkiksi 

kustannustehokkuuden tai laadun avulla. Strategisen johtamisen prosessia voidaan pitää 

strategian, johtamisen, osaamisen ja vuorovaikutuksen yhteistuloksena. (Kamensky, 

2014, luku 1., Alma Talent.) Strategian merkitys korostuu haastavassa 

kilpailuympäristössä, jossa organisaatioiden on kyettävä reagoimaan muutoksiin 

nopeasti säilyttääkseen kilpailukykynsä.  

 

Tässä luvussa syvennytään strategiseen johtamiseen, erilaisiin strategiakäsitteisiin sekä 

Porterin kilpailustrategiaan ja sen soveltamiseen pk-yrityksissä. Tämän tutkimuksen 

strategiatyyppeinä käytetään Porterin (1980) kilpailustrategiaa, joten teoriaa 

tarkastellaan myös kriittisesti. 

 

 

2.1 Strategia käsitteenä 

Alun perin liikkeenjohdon strategiakäsite on peräisin 1960-luvulta, jonka jälkeen 

näkemykset ovat vaihdelleet vuosikymmenten aikana eri koulukuntien välillä. Ensin 

strategisiin päätöksiin osallistui vain organisaation johto, joka hyödynsi strategian 

mallintamisessa SWOT-analyysiä. (Tuomi & Sumkin, luku 3., Alma Talent.) SWOT-analyysi 



13 

koostuu neljästä osa-alueesta: vahvuuksista (Strengths), heikkouksista (Weaknesses), 

mahdollisuuksista (Opportunities) ja uhkista (Threats). Analyysin avulla organisaatio 

auttaa yritystä tarkastelemaan sen nykytilannetta ja suunnittelemaan tulevaisuutta 

strategisten toimien avulla. (Helms & Nixon, 2010.) 

 

Tänä päivänä strategia ymmärretään yleisesti pitkäaikaisena näkemyksenä organisaation 

suunnasta (Johnson ja muut, 2017, s. 4). Eri tutkijoilla on kuitenkin eriäviä näkemyksiä 

siitä, onko kyseessä vain pitkän aikavälin suuntaus vai kilpailustrategia. Chandler (1963, 

s. 13) pitää strategiaa pitkän aikavälin tavoitteiden määrittämisenä ja toimintasuunnan 

omaksumisena, jota edellyttää resurssien jakaminen. Porter (1996, s. 61) puolestaan 

korostaa, että kilpailustrategiassa on kyse siitä, kuinka erilaisuuden avulla saadaan 

tuotettua ainutlaatuista ja arvokasta kilpailuetua.  

 

Kaplan ja Norton (2008) näkevät strategian viisivaiheisena strategiaprosessina 

strategisen suunnitelman sijaan. Prosessin vaiheiksi he ovat määritelleet seuraavat: (1) 

strategian kehittäminen, (2) strategian muuntaminen tavoitteiksi ja mittareiksi, (3) 

toimenpiteiden suunnittelu, (4) toteutuksen seuraaminen ja oppiminen sekä (5) 

strategian testaaminen ja mukauttaminen. Kaplanin ja Nortonin (2008) ajattelua 

strategisesta prosessista pidetään hyvin perinteisenä lähestymistapana, mutta se on 

osakseen myös kritiikkiä sen suunnitelmallisuuden vuoksi. 

 

Nohrian ja muiden (2003) mukaan strategia on yksi neljästä menestyvän yrityksen 

johtamisen työkaluista, joista kolme muuta ovat toteutus, kulttuuri ja rakenne. 

Strategian tulee olla selkeä ja perustua yksinkertaiseen arvonmääritykseen, joka 

perustuu syvään ymmärrykseen kohdeasiakkaista sekä oman yrityksen resursseista ja 

mahdollisuuksista. Yksinkertaistettuna yrityksen tulee vain pysyä strategiassaan, vaikka 

sen toiminta muuttuisi ajan myötä. Tämä edellyttää yritykseltä muutosvalmiutta ja 

jatkuvaa kehittymistä ympäristön muuttuessa kuten esimerkiksi uusien teknologioiden 

myötä.  

 



14 

Strategiaa valitessaan yrityksen tulisi määritellä sen tavoite ja missio, suunnitella miten 

tavoitteet saavutetaan ja laatia budjetti. Tätä kaikkea hallinnoidaan talouden 

ohjausjärjestelmien avulla, jotka antavat johdolle tietoa ja analyysiä yrityksen tilanteesta. 

(Freeman, 1984, s. 43–47.) Aiemmissa tutkimuksissa strategian ja kilpailun on todettu 

toimivan käsi kädessä. Kilpailutilanteessa yrityksen strategia on sille välttämättömyys 

sekä olemassaolon ja hengissä pysymisen ehto. Pärjätäkseen kilpailussa yritykseltä 

edellytetään kykyä erottautua kilpailijoista, jonka sen strategia mahdollistaa. (ks. Miles 

ja muut 1978; Porter, 1980; Treacy & Wiersema, 1993.) 

 

Strategia mahdollistaa yrityksen tulevaisuuden turvaamisen riskien kestämisen ja 

toiminnan kehittämisen näkökulmasta. Kovassa kilpailussa toimiva yritys on herkkä 

toimintaympäristön muutoksille, joka näkyy muutoksina yrityksen toiminnassa ja 

tulevaisuuden suunnittelussa. Ellei muutoksiin reagoida, se johtaa usein jossain 

vaiheessa yritystoiminnan päättymiseen. (Kamensky, 2014, luku 1., Alma Talent.) 

Strategian tavoitteena on selventää organisaation työntekijöille ja sidosryhmille mitä 

organisaatiossa tehdään. Strategian toinen tärkeä tehtävä on määritellä organisaation 

visio eli ilmaista mitä organisaatio pyrkii luomaan tulevaisuudessa. Organisaation 

tavoitteita ja periaatteita ohjaavat arvot, jotka määrittelevät strategiaa. Arvot 

määrittelevät tavan, jonka mukaan organisaation tulisi toimia. (Johnson ja muut, 2017, 

s. 7–8.) 

 

Voittoa ja kasvua tavoittelevien pienten ja keskisuurten yritysten on tutkittu tuottavan 

seuraavan kymmenen vuoden aikana suurempaa liikevaihtoa. Liikevaihdon kasvaessa 

myös yritysten kannattavuus on parantunut. Tämä tukee teoriaa, jonka mukaan 

pienempien yritysten omistajien ja johtajien asenteet ja arvot vaikuttavat yrityksen 

kehitykseen ja suorituskykyyn tulevaisuudessa. (Leitner & Güldenberg, 2009.) Tällaiset 

yritykset omaavat selkeät tavoitteet ja vision, joten ne pystyvät toimimaan strategiansa 

mukaan, joka toimii edellytyksenä liiketoiminnan menestymiselle.  

 

 



15 

2.2 Porterin kilpailustrategia 

Porterin (1985) tunnetun teorian mukaan kilpailustrategia keskittyy toimialaan, jonka 

houkuttelevuuteen vaikuttaa viisi kilpailuvoimaa: potentiaalisten kilpailijoiden uhka, 

korvaavien tuotteiden uhka, asiakkaiden neuvotteluvoima, toimittajien neuvotteluvoima 

ja toimialan sisäinen kilpailu. Kilpailustrategian kannalta oleellista on se, miten yritykset 

kykenevät käsittelemään ulkoisten voimien vaikutusta. Kuviossa 1 havainnollistetaan 

Porterin (1985) viiden kilpailuvoiman vaikutusta. 

 

 

Kuvio 1. Kilpailuvoimat (Porter, 1985, s. 17). 

 

Kilpailustrategian tavoitteena on löytää yritykselle sellainen asema, jossa se voi selviytyä 

kilpailuvoimien (ks. kuvio 1) vaikutukselta tai kääntää ne edukseen. Kilpailuvoimien 

yhteisvaikutus on merkittävän haitallinen kaikille kilpailijoille, joten tärkeintä strategian 

kehittämisen kannalta on analysoida ja tutkia voimien syvintä vaikutusta. 

Kilpailupaineiden tunteminen mahdollistaa organisaation vahvuuksien, heikkouksien ja 

mahdollisuuksien selvittämisen. Tällöin yritys myös tunnistaa ne alueet, joissa strategian 

muutokset tuottavat parhaat tulokset. (Porter, 1980, s. 3–5.) 

 



16 

Viiden kilpailuvoiman vaikutusta vastaan Porter (1980, s. 34–42) on tunnistanut kolme 

strategista lähestymistapaa, jotka helpottavat kilpailua alalla toimivia yrityksiä vastaan. 

Yritys voi soveltaa strategiaa yksin tai yhdistelemällä niistä sopivimmat. Pitkällä aikavälillä 

strategian noudattaminen johtaa parempaan menestykseen kuin muilla toimialan 

yrityksillä. Porter on nimennyt strategiat seuraavasti: kustannusjohtajuus (Overall Cost 

Leadership), erottautuminen (Differentation) ja keskittyminen (Focus). Neljäntenä 

strategiana voidaan pitää tilannetta, jossa yritys hyödyntää useampia strategiamalleja. 

Tätä kutsutaan Stuck in the Middle -tilanteeksi. 

 

Kustannusjohtajuus vaatii yritykseltä tehokkuutta, sitoutumista, tiukkaa kustannusten 

valvontaa ja kustannusten minimoimista. Yrityksen johdolta tämä vaatii toimintojen ja 

niiden kustannusten huomioimista. Kustannusjohtajuuden saavuttaminen kasvattaa 

yrityksen tuottoja keskimääräistä paremmiksi, joka toimii tehokkaasti kilpailuvoimia 

vastaan. (Porter, 1980, s. 35–37.) Kustannusjohtajuus edellyttää usein suurta 

markkinaosuutta, jotta mittakaavaeduista saadaan kaikki hyödyt irti. 

Kustannusjohtajuuden saavuttanut yritys tekee paremmin tuottoa ja omaa paremmat 

mahdollisuudet tuotekehitykseen ja markkina-aseman vahvistamiseen. (Porter, 1985, s. 

14).  

 

Erilaistuminen kilpailustrategiana erottaa yrityksen tuotteet ja palvelut muiden 

toimialalla toimivien yritysten tarjonnasta (Porter, 1985, s. 14). Erilaistumisen voi 

toteuttaa monella eri tapaa, esimerkiksi brändin ja muotoilun, teknologian tai 

asiakaspalvelun kautta. Erilaistumisen uskotaan suojaavan yritystä hyvin kilpailulta ja se 

johtaa parempiin tuottoihin, mutta ei yhtä optimaalisesti kuin kustannusjohtaminen. 

Erilaistumisen kautta ansaitun aseman säilyttäminen toimialalla edellyttää investoimista 

tutkimukseen ja kehitykseen, laadukkaisiin materiaaleihin ja asiakaspalveluun. (Porter, 

1980, s. 37–38.) 

 

Keskittymisen avulla yritys voi rajata kohteekseen tietyt asiakas- tai ostajaryhmät, 

tuotteet tai maantieteellisen alueen (Porter, 1985, s. 15). Kustannusjohtaminen ja 



17 

erilaistuminen koskevat koko toimialaa, mutta keskittymisen avulla yritys rajaa 

toimintansa pienempään alueeseen toimialan sisällä. Tämän strategian tavoitteena on 

saavuttaa kustannusjohtaminen, erilaistuminen tai molemmat tällä tietyllä alueella. 

Keskittymisen heikkoutena nähdään pienempi markkinaosuus kuin 

kustannusjohtajuuden tai erilaistumisen strategioissa. (Porter, 1980, s. 38–40.) 

 

Vaikka nykyaikainen strategia-ajattelu pohjautuu suurilta osin Porterin teorioihin, ovat 

geneeriset strategiamallit herättäneet kritiikkiä erityisesti niiden yksinkertaisuuden 

vuoksi. 2000-luvun puolella Parnell (2006) on tarkastellut strategioiden 

paikkansapitävyyttä. Parnell (2006) on perustellut kilpailustrategian jakamista 

ominaisuuksiensa mukaan joko asiakasarvoon tai markkinoiden hallintaan. 

Markkinoiden hallinta edellyttää kolmen kilpailuvoiman: uusien tulokkaiden, 

toimittajien ja ostajien hallintaa. Porter (1996) on kuitenkin todennut kilpailuvoimien 

olevan tyypillisesti toimialan määrittämiä, joihin hyvin harva yritys pystyy vaikuttamaan. 

Tähän Parnell (2006) on ehdottanut markkinan hallintaa oikeanlaisen strategian 

valinnalla. Hänen mukaansa toimialaa dominoivat sellaiset yritykset, jotka pystyvät 

antamaan sekä markkinoiden hallinnalle ja asiakasarvolle suurta painoarvoa 

strategiassaan. 

 

Akan ja muut (2006) ovat puolestaan kritisoineet sitä, ettei geneerisiin strategiamalleihin 

liittyviä taktiikoita ole tunnistettu. Yritykset voivat noudattaa tiettyä geneeristä 

strategiatyyppiä, mutta operatiivisella tasolla toteutettavaa taktiikkaa ei ole määritelty. 

Akanin ja muiden (2006) tutkimustuloksista on nähtävissä tarve useiden taktiikoiden 

määrittelemiselle jokaista geneeristä strategiamallia varten. Osa taktiikoista ovat 

organisaation menestymisen kannalta tärkeitä, sillä niiden avulla voidaan parantaa 

organisaation suorituskykyä.  

 

 



18 

2.3 Kilpailustrategian soveltaminen pk-yrityksissä 

Kilpailijoiden reagoiminen muutoksiin lisää painetta entisestään etenkin kasvua 

tavoittelevissa yrityksissä, sillä kasvuyritysten tavoitteena on kasvattaa liiketoimintaansa 

ja markkinaosuuttaan kilpailijoita paremmaksi (Talvitie, 2021). Tähän päivään mennessä 

ei ole keksitty strategiaa, jolla olisi suora yhteys liiketoiminnan tai markkinaosuuden 

kasvuun, joten tässä tutkimuksessa käytetään Porterin kilpailustrategian geneerisiä 

strategiamalleja. 

 

Tutkimukset kuitenkin osoittavat, että parhaiten menestyvät pk-yritykset ovat niitä, jotka 

hallinnoivat tuotteitaan ja markkinoitaan aktiivisesti. Yritystoiminnan jatkuvuuden 

takaamiseksi on tärkeää kiinnittää huomiota edellä mainittuihin seikkoihin, mutta myös 

osallistua uusien tuotteiden ja palveluiden kehittämiseen. Menestyvän yrityksen tulee 

pyrkiä laajentamaan asiakaskuntaansa ja ylläpitämään kilpailukykyään, mutta 

suurimman kasvun tavoittaneet yritykset ovat niitä, joilla on hyvin erilaisia kasvu- ja 

kehittymismahdollisuuksia. (Smallbone ja muut, 1995, s. 59–60.) Tällaisina yrityksinä 

voidaan pitää erilaistamisstrategiaa hyödyntäviä yrityksiä, jotka tavoittelevat 

liiketoiminnan kasvua tuotteella tai palvelulla, joka eroaa kilpailijoiden tarjonnasta.  

 

Leitnerin ja Güldenburgin (2009) pitkittäistutkimuksen mukaan pienissä ja keskisuurissa 

yrityksissä yleisin geneerinen strategiatyyppi on erilaistuminen. Tutkimuksen mukaan 

myös erilaistumisen ja kustannusjohtajuuden yhdistelmästrategiaa käytetään paljon, 

mutta kustannusjohtaminen ainoana strategiamallina on harvinaisempaa. Myös 

Puolamäen (2007, s. 254–258) näkemyksen mukaan pienten ja keskisuurten 

kasvuyritysten strategiaksi soveltuu parhaiten erilaistamisstrategia. Perustana strategian 

hyödyntämiselle on se, miten yritysten koko rajoittaa kustannustehokkuuteen 

perustuvan strategian hyödyntämistä. Puolestaan keskitetyn strategian noudattaminen 

vaatii yritykseltä hinnan, toiminnallisuuden ja laadun yhteensovittamista. Tästä syystä 

tuotteiden ja palveluiden erilaistaminen toimii usein ratkaisuna liiketoiminnan kasvua 

tavoitteleville yrityksille. 



19 

3 Strateginen johdon laskentatoimi  

Perinteisesti laskentatoimi jaetaan kahteen osa-alueeseen eli ulkoiseen ja sisäiseen 

laskentatoimeen. Ulkoinen laskentatoimi on lähtökohtaisesti lakisääteistä ja sen 

kohderyhmänä toimivat organisaation ulkopuoliset sidosryhmät. Yrityksen sisäisen eli 

johdon laskentatoimen kohderyhmänä on nimensä mukaisesti yrityksen johto ja 

työntekijät. Johdon laskentatoimella tarkoitetaan päätöksentekoa tai päätöksenteon 

suunnittelua avustavaa laskentaa. (ks. Puolamäki, 2007, s. 57–60; Neilimo & Uusi-Rauva 

2005, s. 13–14.) 

 

Tässä kappaleessa syvennytään strategisen johdon laskentatoimen käsitteeseen, 

esitellään käytettävät menetelmät ja tarkastellaan strategista päätöksentekoa eri 

näkökulmista. 

 

 

3.1 Strateginen johdon laskentatoimi käsitteenä 

Näkemys strategisesta johdon laskentatoimesta (Strategic Management Accounting, 

SMA) perustuu usein Simmondsin (1981) määritelmään, jonka katsotaan käyttäneen 

termiä ensimmäisen kerran. Simmonds (1981) tarkoittaa strategisen johdon 

laskentatoimen käsitteellä sitä, kuinka oman yrityksen sekä kilpailijoiden johto käyttää 

kirjanpitoaineistoja hyväkseen liiketoimintastrategian kehittämisessä ja seuraamisessa. 

Tämä on hyvin laaja-alainen näkemys, jossa on painotettu etenkin kilpailijoiden 

merkitystä, vaikka tänä päivänä näkemys perustuu enemmän asiakkaisiin (Otley, 2008, s. 

232). 

 

Eräs näkemys strategisen johdon laskentatoimen käsitteestä määrittelee termin 

tarkastelemalla, miten se eroaa perinteisestä johdon laskentatoimesta. Käsitteiden 

keskeisimpänä erona on nähty strategisen johdon laskentatoimen tulevaisuuteen 

suuntautuminen, ulospäin katsominen ja tarkasteleva suoriutuminen suhteessa 

kilpailijoihin. Lisäksi strateginen johdon laskentatoimi painottaa kilpailutekijöitä ja 



20 

taloudellisten mittareiden lisäksi myös ei-taloudellisten mittareiden ja informaation 

tärkeyttä. (Lord, 2007, s. 137.) 

 

Cadez ja Guilding (2008, s. 837–839) näkevät strategisen johdon laskentatoimen 

käsitteen kahdesta eri näkökulmasta. Ensimmäisen näkökulman mukaan strategisen 

johdon laskentatoimen voidaan ajatella sisältävät useita strategisia laskentatekniikoita, 

kun taas toiseen näkökulmaan kiteytyy ajatus kirjanpitäjien osallistumisesta yrityksen 

strategisiin päätöksentekoprosesseihin. Jos strategista johdon laskentatoimea 

tarkastellaan sen laskentatekniikoiden näkökulmasta, niin strategisen johdon 

laskentatoimen menetelmät jaetaan viiteen osaan, jotka ovat (1) strateginen 

kustannuslaskenta, (2) suunnittelu, valvonta ja suoritusmittaus (3) strateginen 

päätöksenteko, (4) kilpailijalaskenta ja (5) asiakaslaskenta. Näitä menetelmä- ja 

laskentatekniikoita tarkastellaan tarkemmin luvussa 3.1. 

 

Toisen näkökulman mukaan Cadez ja Guilding (2008, s. 836, 842–843) perustelevat 

laskentahenkilöstön roolin muuttuneen strategisempaan suuntaan. Epävarmemmassa ja 

kilpailullisemmassa toimintaympäristössä yritykset vastasivat haasteeseen lisäämällä 

asiakaslähtöisyyttä, joka on vaatinut yrityksiltä eri toimintojen yhteensovittamista. 

Laskentahenkilöstö toimii laajemman tiedon tuottajana ja analysoijana, jolla on 

keskeinen rooli yrityksessä. He myös osallistuvat aiempaa aktiivisemmin yrityksen 

strategiseen päätöksentekoon. 

 

Nixon ja Burns (2012, s. 239–241) ovat puolestaan todenneet, ettei strategisen johdon 

laskentatoimen tekniikoita hyödynnetä riittävästi. Nykyinen liiketoimintaympäristö 

edellyttää syvempää laskentatoimen osaamista ja nopeampaa tietoa strategisen 

johtamisen tueksi. Nixonin ja Burnsin (2012, s. 239–241) mukaan strateginen johdon 

laskentatoimi tulisi kytkeä osaksi strategista johtamista. Strateginen johdon 

laskentatoimi tulee nähdä osana johdon ohjausjärjestelmien, suoritusmittauksen ja 

tiedonhallinnan kokonaisuutta strategisen johtamisen tukena.  

 



21 

 

3.2 Strategisen johdon laskentatoimen menetelmät 

Kuten aiemmin todettiin, Cadez ja Guilding (2008, s. 839) jakoivat strategisen johdon 

laskentatoimen menetelmät viiteen osaan, jotka esitellään seuraavaksi. Näiden 

menetelmien alle luetaan useita erilaisia laskentamenetelmiä, joita hyödynnetään 

pääasiassa strategisen johdon laskentatoimen alueella. 

 

3.2.1 Strateginen kustannuslaskenta 

Strategisen kustannuslaskennan (Strategic Cost Management) menetelmiin lasketaan 

elinkaarikustannuslaskenta, tavoitekustannuslaskenta ja arvoketjuanalyysi. Myös 

kustannustason analysoinnin suhde kilpailijoihin ja asiakaskannattavuuslaskenta 

sisältyvät strategiseen kustannusjohtamiseen, mutta toimintolaskennan lukeminen 

strategiseen kustannusjohtamiseen jakaa mielipiteitä. Väljästi tulkiten se voidaan 

kuitenkin siihen sisällyttää. (Cadez & Guilding, 2008, s. 858.) 

 

Elinkaarikustannuslaskennassa (Total Lifecycle Costing) huomioidaan kaikki tuotteesta 

tai palvelusta aiheutuvat kustannukset sen elinkaaren aikana. Valmistuskustannusten 

lisäksi elinkaarikustannuslaskennassa huomioidaan esimerkiksi suunnittelusta, huollosta 

ja tuotteen tai palvelun lopullisesta päättymisestä aiheutuvat kustannukset. (Woodward, 

1997, s. 335–336.) 

 

Tavoitekustannuslaskenta (Target Costing) perustuu tuotteelle tai palvelulle 

määriteltyyn myyntihintaan. Myyntihinnasta vähennetään tavoitevoitto ja näin saadaan 

selville tavoitekustannusten määrä. Menetelmälle on ominaista, että tuotteen tai 

palvelun suunnitteluvaiheessa tehdään kustannusanalyysejä, joiden tavoitteena on 

tarkastella tuotteen tai palvelun kustannusrakennetta. Kustannusanalyysin avulla 

kehitetään kestävää kilpailuetua hallitsemalla kustannustekijöitä kilpailijoita paremmin. 

Lisäarvoa tuottamattomat kustannustekijät poistetaan, jotta tavoitekustannus voidaan 

saavuttaa. (ks. Gagne & Discenza, 1995, s. 16–17; Shank & Gosindarajan, 1993, s. 9–10.) 



22 

 

Strategisen kustannusanalyysin terminologian on todettu olevan yhteydessä Hamelin 

(2000) kannattavuusajurien kanssa. Hamelin (2000) mukaan kannattavuusajureiksi 

voidaan lukea tuotot, kilpailijoiden eristäminen, strategiset mittakaavaedut ja 

strateginen joustavuus. Kannattavuusajureiden avulla kustannustekijöiden vaikutukset 

myyntituottoihin hintojen, liikevaihdon ja markkinaosuuksien muutosten myötä tulevat 

näkyviksi. 

 

Porterin (1985, s. 36–39) arvoketjuanalyysin (Value Chain Analysis) tarkoituksena on 

tunnistaa tuotteelle tai palvelulle lisäarvoa tuottavat toiminnot. Analyysissä toimintoja 

tarkastellaan ketjuna, joita tuotteen tai palvelun tuottamiseen ja ylläpitämiseen sisältyy. 

Toiminnot luokitellaan yrityksen sisäisiin tai yritysten välisiin toimintoihin.  

Arvoketjuanalyysin perusideana on se, että yrityksen kilpailuetu rakentuu lisäarvoa 

tuovista toiminnoista ja niiden välisistä sidoksista. Analyysin tavoitteena on selvittää 

tarjontaketjun eri vaiheista aiheutuvat kustannukset ja tuotot sekä oma pääoma (Shank 

& Govindarajan, 1993, s. 13–14). 

 

Myös laatukustannuslaskenta (Quality Costing), ominaisuuslaskenta (Attribute Costing, 

Attribute-based Costing) ja läpimenolaskenta (Throughput Accounting) voidaan laskea 

strategiseen kustannuslaskentaan kuuluviksi. Laatukustannuslaskennan avulla johdon 

huomio ohjataan laatuongelmien priorisointiin, sillä tuotteen tai palvelun laatu on yksi 

yrityksen kilpailueduista. Laatukustannuslaskennan avulla voidaan ehkäistä menoja, 

joista voisi aiheutua suuria kustannuksia yrityksille. (ks. Cadez & Guilding, 2008, s. 858; 

Guilding ja muut, 2000, s. 119–120.)  

 

Ominaisuuslaskennassa tuotteen tai palvelun ominaisuuksia tarkastellaan 

kustannustekijöinä. Laskennan avulla arvioidaan kustannusten määrää, jota verrataan 

sen tuottamaan hyötyyn asiakkaan tarpeisiin nähden. Tarkoituksena on löytää ne 

ominaisuudet, jotka parhaiten vastaavat asiakkaan tarpeeseen kustannustehokkaalla 

tavalla. Nämä ominaisuudet erottavat tuotteet toisistaan, jonka avulla vastataan myös 



23 

yritysten väliseen kilpailuun, sillä asiakkaan tarpeisiin tuotetaan lisäarvoa, joka kasvattaa 

yrityksen markkinaosuutta. (Guilding ja muut, 2000.) Läpimenolaskennassa oletetaan 

tuotteen muuttuvien kustannusten olevan pelkästään suoria materiaalikustannuksia. 

Läpimenolaskentaa käytetään johdon päätöstyökaluna ja sillä korvataan perinteisten 

menetelmien, kuten kulunhallintaraporttien ja -analyysien käytön. (Institute of 

Management Accountants, 1999.) 

 

3.2.2 Suunnittelu, valvonta ja suorituksenmittaus 

Integroitu suorituskyvyn mittaus (Integrated Performance Measurement) on 

mittausjärjestelmä, jossa keskitytään asiakkaan vaatimuksiin perustuvan tiedon 

hankkimiseen. Menettelyyn sisältyy myös kriittisten tekijöiden seuranta, jonka avulla 

asiakastyytyväisyys pyritään turvaamaan. (Cadez & Guilding, 2008, s. 857.) 

 

Perinteisesti yritykset mittaavat tulostaan vain taloudellisesti, mutta tasapainotetun 

mittariston (Balanced Scorecard) tarkoituksena on korostaa mittauksen yhteyttä 

yrityksen strategiaan ja kausaliteetteihin. Menetelmä nostaa esiin ei taloudellisesti 

mitattavien toimenpiteiden merkityksen kokonaisvaltaiseksi strategian 

toteuttamistavaksi. Tuloskortti säilyttää taloudelliset mittaustavat, mutta täydentää niitä 

tulevaisuuteen ja asiakkaisiin kohdistuvilla toimenpiteillä. (Kaplan & Norton, 2001, s. 87–

88.) 

 

Vertailuanalyysin (Benchmarking) määritelmä vaihtelee, mutta yleisen määritelmän 

mukaan vertailuanalyysi on prosessi, jossa tunnistetaan, ymmärretään ja mukautetaan 

organisaatioiden käytäntöjä ympäri maailmaa. Analyysin tavoitteena on parantaa 

organisaation suorituskykyä. Vertailuanalyysin avulla voidaan optimoida prosesseja 

arvon maksimoimiseksi, mutta minimoiden samalla käytetyt resurssit. Vertailuanalyysiä 

käytetään osana yrityksen strategista suunnittelua. (Kumar ja muut, 2006.) 

 



24 

3.2.3 Strategisen päätöksenteon menetelmät 

Johdon laskentatoimi voi tukea sekä yrityksen strategista päätöksentekoa että strategian 

toimeenpanoa. Strategisen päätöksentekoprosessin tukena käytetään erilaisia 

menetelmiä, kuten analyysejä, ennusteita, mittareita ja niille tavoitteiden asettamista.  

Sovellettavat menetelmät tulee kuitenkin valita tarkkaan, jotta ne vastaavat 

käyttötarkoitukseltaan yrityksen strategiaa. (Ikäheimo ja muut, 2019, s. 145–152.) 

Seuraavissa kappaleissa esitellään strategisessa päätöksenteossa sovellettavia 

menetelmiä. 

 

Kuten aiemmin todettiin, strateginen kustannuslaskenta kattaa alleen useamman 

kustannuslaskentamenetelmät, joita käytetään strategioiden kehittämistä, tunnistamista 

ja kestävän kilpailuedun saavuttamista varten. Strateginen kustannuslaskenta on 

kustannusjohtamista, joka kohdistuu yhteen tai useampaan strategisen 

johtamisprosessin vaiheeseen. Näitä vaiheita ovat seuraavat: strategian laatiminen, 

tiedon välittäminen koko organisaatiolle, taktiikoiden kehittäminen ja toteuttaminen, 

valvontatoimien kehitys ja niiden käyttäminen prosessin eri vaiheiden onnistumista ja 

organisaation strategisten tavoitteiden saavuttamista varten.  (ks. Cadez & Guilding, 

2008, s. 858; Shank & Govindarajan, 1993, s. 3–6.) 

 

Strategisessa hinnoittelussa (Strategic Pricing) strategisilla tekijöillä, kuten kilpailijan 

hintareaktiolla, kimmoisuudella, markkinoiden kasvulla, mittakaavaeduilla ja 

kokemuksella on suuri merkitys osana hinnoitteluun liittyvää päätöksentekoprosessia. 

Brändin arvonmääritys (Brand Valuation) tapahtuu arvioimalla brändin vahvuuksia, joita 

ovat esimerkiksi johtava markkina-asema, kansainvälisyys, tuki ja suojaus yhdistettynä 

historiallisiin brändivoittoihin. (Cadez & Guilding, 2008, s. 858.) 

 

Kilpailijalaskentaa (Competitor Accounting) voidaan tarkastella kolmesta eri 

näkökulmasta, joiden tarkoituksena on syventyä kilpailijoiden asemaan ja niiden 

strategioihin. Kilpailijoiden kustannusten arvioinnissa (Competitor Cost Assessment) 

tarkistetaan kilpailijoiden arviot niiden yksikkökustannuksista. Kilpailijoiden asemointi 



25 

markkinoilla (Competitive Positiong Monitoring) pitää sisällään alan kilpailija-asemien 

analysoinnin arvioimalla ja seuraamalla esimerkiksi kilpailijoiden myynnin, 

yksikkökustannusten ja markkinaosuuden kehitystä. Näiden tietojen avulla voidaan 

arvioida myös kilpailijan markkinastrategiaa. Kilpailijoiden tuloksellisuuden arviointi 

(Competitor Performance Appraisal) toimii puolestaan kilpailijan lausuntojen 

numeerisen analyysin avulla osana kilpailijan keskeisten kilpailuedun lähteiden arviointia. 

(Cadez & Guilding, 2008, s. 838–839, 857.) 

 

Strategisessa asemoinnissa (Strategic Positioning) analysoidaan arvoketjun toimintoja. 

Tällä pyritään minimoimaan asiakkaalle arvoa tuottamattomien tai hävittämien 

toimintojen määrä. Tarkoituksena on etsiä arvoa tuottavien toimintojen osalta ratkaisut 

ja toteuttaa samat toiminnot pienemmillä kustannuksilla. (Shank & Govindarajan, 1993.) 

Tutkimuskirjallisuudessa painotetaan vahvasti Freemanin (1984, s. 43–47) 

toimintoperusteista lähestymistapaa (Activity Based Approach), jossa myös sidosryhmät 

toimivat kustannuskohteina ja asiakkaina. Asiakaskannattavuutta (Customer Profitability 

Analysis) parantamalla yrityksen johto pyrkii optimoimaan yrityksen suhteita sen 

asiakkaisiin. Analyysiin liittyy asiakkaan tuottaman voiton laskeminen. Tämä tapahtuu 

kustannusten ja myynnin jäljittämisellä tiettyyn asiakkaaseen.  (Cadez & Guilding, 2008, 

s. 857.) 

 

Asiakkuuden elinkaaren kannattavuusanalyysi (Lifetime Customer Profitability Analysis) 

edellyttää asiakaskannattavuusanalyysin laajentamista koko asiakassuhteen kestoon. 

Menetelmään liitetään myös kaikki arvioidut tulevaisuuden kustannukset ja tulos, jotka 

tulevat syntymään tietystä asiakassuhteesta. Asiakkuuksien arvon määrittämisellä 

(Valuation of Customers as Assets) on tarkoitus mitata asiakkaiden tuottaman arvon 

määrä yritykselle. Arvo saadaan määriteltyä esimerkiksi laskemalla kaikkien tietylle 

asiakkaalle kuuluvien tulevien voittojen nykyarvo. (Cadez & Guilding, 2008, s. 857.) 

 

 



26 

3.3 Strateginen päätöksenteko 

Strategian käsitteen monitulkintaisuuden vuoksi myös strateginen päätöksenteko jakaa 

ajatuksia eri tutkijoiden kesken. Tutkijoiden välillä on hyvin erilaisia tulkintatapoja ja 

näkemyseroja, jotka vaikeuttavat käsitteen määrittämistä. Tässä luvussa käsitellään 

useamman eri tutkijan teorioita, jotta strategisesta päätöksenteosta saadaan 

mahdollisimman monipuolinen kuvaus.  

 

Strateginen päätöksenteko on saanut alkunsa 2000-luvun alussa, jolloin Sarasvathy 

(2001) erotti strategisen päätöksenteon perinteisistä päätöksentekomalleista. Tähän 

päivään mennessä yrityksissä tehtävät päätökset on voitu jakaa kolmeen kategoriaan, 

jotka ovat (1) strategiset päätökset (Strategic Decisions), (2) taktiset päätökset (Tactical 

Decisions) ja (3) toiminnalliset päätökset (Operational Decisions) (Maisel & Cokins, 2014, 

s. 66–67). 

 

Strategisia päätöksiä tehdään vähän, mutta niiden vaikutus on suurta (ks. Maisel & 

Cokins, 2014, s. 66–67; Quaddus & Woodside, 2015, s. 39). Strateginen päätöksenteko 

pienissä ja keskisuurissa yrityksissä nähdään monimutkaisena prosessina, johon liittyy 

esimerkiksi kilpailuedun ja paremman suorituskyvyn tavoittelua. Strategisen 

päätöksenteon prosessi jakautuu kahteen yleisesti tunnettuun menettelyyn, jotka ovat 

rationaalisuus ja politisoituminen. (Calabretta ja muut, 2017.)  

 

Prosessin rationaalisuus liittyy olennaisesti tiedon keräämiseen ja analysoimiseen sekä 

ulkoisesta että sisäisestä toimintaympäristöstä. Tästä näkökulmasta katsottuna 

strateginen päätöksenteko on systemaattinen ja menetelmällinen prosessi tiedon 

keräämistä ja analysointia varten. Politisoituminen nähdään useimmiten määritelmänä, 

joka korostaa johdon vaikutusta päätöksentekoon. Päätöksenteon politisoituminen on 

yhdistetty toistuviin keskeytyksiin ja vastarintaan, jotka vääristävät ja rajoittavat 

tehokkaan strategisen päätöksenteon tiedonkulkua. (Petrou ja muut, 2020.) 

 



27 

Strategisten päätösten arvo on organisaatioissa suurta, sillä ne ovat yrityksen johdon 

vastuulla ja ne vaikuttavat merkittävästi organisaation toimintaan. Koska strategisia 

päätöksiä tehdään harvemmin, ne eivät sinällään ole toistettavissa. Strategiset päätökset 

kytkeytyvät organisaation sen hetkiseen strategiaan ja toimintaympäristöön. Näin ollen 

strategisten päätösten tukena ei käytetä automaattisia päätöksentekojärjestelmiä niiden 

huonon toistettavuuden vuoksi. (Taylor, 2012, s. 50.) Strategisessa päätöksenteossa 

tukeudutaan usein erilaisien mittaristojen ja suorituskykyä mittaavien tunnuslukujen 

käyttöön, joiden avulla liiketoiminnan suorituskykyä voidaan verrata pitkän tähtäimen 

tavoitteisiin (Quaddus & Woodside, 2015, s. 39).  

 

Suorituskyvyn mittausjärjestelmät (Performance Measurement Systems, PMS) koostuvat 

moniulotteisesta tulosmittaristosta, jota käytetään liiketoiminnan suorituskyvyn 

suunnitteluun, ohjaukseen ja parantamiseen. Big dataa ja suorituskyvyn 

mittausjärjestelmiä käytetään pääosin päätöksenteon ja toiminnan tukena. 

Mittausjärjestelmän tarjoavat mielekästä ja tarkoituksenmukaista tietoa useiden 

toimintojen avulla. Suorituskyvyn mittausjärjestelmät auttavat analysoimaan ja 

tulkitsemaan aiempien toimien tietoja, jolla voidaan vaikuttaa yrityksen suorituskykyyn 

tulevaisuudessa. (Mello ja muut, 2014.) Mittausjärjestelmien hyödyntäminen vastaa 

ominaisuuksiltaan hyvin paljon big datasta saatavia hyötyjä.  

 

Organisaation menestystekijöiden mittaaminen, seuraaminen ja ennustaminen 

lieventää päätöksentekoon liittyviä riskejä ja parantaa organisaation sopeutumiskykyä. 

Yrityksen oman suorituskyvyn tiedostaminen mahdollistaa positiivisen tulosvaikutuksen. 

(Maisel & Cokins, 2014, s. 67–68.) Tämä toimii yhtenä kilpailukeinona muita alan 

yrityksiä vastaan, sillä organisaatio pystyy tuottamaan taloudellista arvoa 

osakkeenomistajilleen, työntekijöilleen ja muille sidosryhmilleen.   

 

Mankinsin ja Steelen (2006) mukaan päätöksenteko on oleellinen osa strategiaprosessia 

ja heidän mielestään yritykset tekevät liian vähän strategisia päätöksiä. He esittelevät 

lähestymistapaansa tutkimuksessa, jonka otsikko kiteyttää heidän näkemyksensä ”Stop 



28 

Making Plans; Start Making Decisions”. Mankinsin ja Steelen (2006) päätöksentekoon 

pohjautuva suunnittelu johtaa vuosittain useampiin, nopeampiin ja parempiin 

strategisiin päätöksiin.   

 

Eisenhardtin ja Zbarackin (1992) mukaan strategisilla päätöksillä viitataan organisaation 

ylimmän johdon tekemiin päätöksiin. Heidän mukaansa strategisilla päätöksillä voidaan 

kriittisesti vaikuttaa organisaation kykyyn kilpailla tai selviytyä. Kuten aiemmin mainittiin, 

strateginen päätöksenteko voidaan jakaa kahteen menettelyyn (ks. Calabretta ja muut, 

2017; Petrou ja muut, 2020), mutta Eisenhardt ja Zbaracki (1992) pitävät strategista 

päätöksentekoa rajoitetun rationaalisuuden ja poliittisten prosessien yhteistyönä, jossa 

päätöksentekijät omaavat ristiriitaiset tavoitteet ja rajallisen kognitiivisen kyvykkyyden.  

 

Eisenhardt ja Zbaracki (1992) osoittavat yhden päätöksentekijän tekevän päätöksiä eri 

lähtökohdista ja tavoitteista, kuin muut päätöksentekoprosessiin osallistuvat henkilöt. 

Eisenhardtin ja Zbarackin näkemyksiä tukee Elbanna (2006), joka esittää strategiset 

päätökset asioiksi, jotka ovat välttämättömiä organisaation menestymisen tai 

selviytymisen kannalta.  Hän pitää organisaation ja sen ympäristön vuorovaikutusta 

tärkeänä, vaikka se sisältää riskejä ja tuo esiin uusia vaihtoehtoja.  

 



29 

4 Big data ja tekoäly strategisessa päätöksenteossa 

Digitalisaation kehitys ja sen seurauksena räjähdysmäinen tiedon leviäminen ovat 

tuoneet yrityksille merkittäviä muutoksia ja mahdollisuuksia. Uusien teknologioiden 

käyttöönotto on tapahtunut nopeasti ja monet yritykset eivät ole ehtineet reagoida 

toimintaympäristönsä muutoksiin. Nykypäivänä yhä useammat yritykset hyödyntävät 

toiminnassaan big dataa ja tekoälyä, sillä ne parantavat toiminnan tehokkuutta ja 

vähentävät tarvittavien resurssien määrää. (Bhimani & Willcocks, 2014, s. 469.) Big datan 

ja tekoälyn kehityksen myötä niiden merkitys on kasvanut huippuunsa ja sitä on alettu 

kutsua liiketoiminnan uudeksi vallankumoukseksi (McAfee & Brynjolfsson, 2012, s. 63). 

 

Tässä luvussa määritellään big datan ja tekoälyn käsitteet, jonka jälkeen tarkastellaan big 

datan ja tekoälyn välistä vuorovaikutusta. Myös big datan ja tekoälyn tarjoamat 

mahdollisuudet ja haasteet otetaan huomioon. Lopuksi esitellään datan hallintaan, 

hyödyntämiseen ja analysointiin liittyviä seikkoja.   

 

 

4.1 Big datan ja tekoälyn määritelmät 

Strategisen johdon laskentatoimen käsitteen tavoin myöskään big datan yleisesti 

hyväksytystä käsitteestä ei ole tutkijoiden keskuudessa päästy yhteisymmärrykseen 

(McAfee & Brynjolfsson, 2012, s. 63). Big datan ei nähdä tuottavan itsessään lisäarvoa 

organisaatiolle, vaan sitä on syytä kerätä, puhdistaa, prosessoida ja analysoida 

tehokkaasti. Näin big data ja tekoäly tulevat tulevaisuudessa toimimaan yhä 

suuremmissa määrin yhteistyössä, sillä tekoälyä tarvitaan suurten datamäärien 

käsittelyyn. Tekoälyllä tarkoitetaan muun muassa koneoppimista, NLP-analysointia ja 

tilastotieteellisiä prosesseja. (Sutton ja muut, 2016, s. 68–70.) 

 

Yhtenä tekoälyn tärkeimpänä ominaisuutena pidetään sen kehittymismahdollisuuksia, 

sillä tekoäly oppii koneoppimisen kautta kuvailemaan jo olemassa olevaa dataa 

paremmin ja sen kautta ennustamaan lopputuloksia. Kone oppii sille annetusta datasta 



30 

ja suurin osa nykyisistä sovelluksista hyödyntääkin ohjattua oppimista. (Merilehto, 2018, 

luku 1., Alma Talent.) 

 

Tällä hetkellä tekoäly ymmärretään usein itseoppivaksi järjestelmäksi, joka hyödyntää big 

dataa osana koneoppimista. Tämä selittää big datan ja tekoälyn lisääntyvää yhteistyötä 

tulevaisuudessa. (Sutton ja muut, 2016, s. 60–61.) Big data ymmärretään 

yksinkertaistettuna erilaisten laitteiden keräämällä valtavalla määrällä jatkuvaa ja 

vaihtelevaa dataa, jota ei saa jäsenneltyä ja mahtumaan perinteiseen tietokantaan. Big 

datan avulla havaitaan trendejä ja laajennetaan markkinanäkemyksiä, jotka auttavat 

yritystä luomaan arvoa ja innovaatioita perinteisiä menetelmiä nopeammin. (Cordon ja 

muut, 2016.) 

 

Johtava tutkimus- ja konsultointiorganisaatio Gartner (2021) on luonut big datalle oman 

määritelmänsä, jota käytetään useissa lähteissä. Gartner (2021) käyttää big datan 

määritelmässä 3V-mallia (Volume, Variety, Velocity). Volume viittaa tiedon datan kokoon, 

variety tiedon vaihtelevuuteen ja velocity nopeuteen, jolla uutta tietoa syntyy ja millä 

nopeudella siihen kuuluisi reagoida. Useissa lähteissä 3V-mallia täydennetään lisäämällä 

vielä kolme V:tä lisää (Veracity, Value, Venality). Esimerkiksi Davenport (2014a, s. 6–9) 

suosii mallin täydentämistä, sillä veracity viittaa paikkansapitävyyteen, value arvoihin ja 

venality lahjottavissa olemiseen.   

 

Ernst ja Young (2014) ovat määritelleet big datan neljän V:n malliksi, jossa neljäntenä 

pilarina nähdään laatu (Veracity). Ernstin ja Youngin (2014) teoriaa havainnollistetaan 

kuvion 2 avulla.  



31 

 

Kuvio 2. 4V-malli (Ernst & Young, 2014). 

 

Myös kansainvälinen taloushallinnon ammattikuntaa edustava organisaatio CGMA on 

muodostanut big data -käsitteelle oman määritelmänsä. CGMA katsoo big datan olevan 

yhdistelmä taloudellista, organisaation laajuista sekä uudenlaista ulkoista että sisäistä 

tietoa. (Gamage, 2016.) Tätä määritelmää havainnollistetaan kuviossa 3.  

 

 

Kuvio 3. CGMA:n määritelmä big datalle (Gamage, 2016). 

 



32 

Taloudellinen data (ks. kuvio 3) sisältää esimerkiksi standardimittareita, kun taas 

organisaatio data pitää sisällään taloudellisia tietoja sekä laajempia operatiivisia 

transaktiotietoja, joita voidaan käyttää analysoinnin ja ennustamisen tukena (Gamage, 

2016).  

 

Tekoäly (Artificial Intelligence, AI) ei myöskään omaa tarkkaa määritelmää, vaan käsite 

on laaja ja moniulotteinen. Tekoäly mielletään koneen suorittamaksi toiminnaksi, joka 

kykenee ongelmanratkaisuun ihmisen tavoin.  Tekoälyn toiminnoiksi voidaan lukea muun 

muassa päättely, oppiminen, ennakointi ja päätöksenteko. (Merilehto, 2018, luku 1., 

Alma Talent.) Tekoälyn menetelmät ja sovellukset ymmärretään osaksi digitaalista 

teknologiaa, sillä se pystyy suoriutumaan monimutkaisista tehtävistä ilman ihmisen 

jatkuvaa ohjausta. Tekoäly myös oppii kokemuksistaan, jolloin sen suorituskyky paranee. 

Tekoälyn ominaisuuksiksi voidaan lukea sekä teknologian ominaisuuksia, että 

teknologian kehityksessä huomioitavia seikkoja. Tällaisia ovat esimerkiksi autonomisuus, 

oppivuus ja avoimuus. (ks. Ailisto ja muut, 2018; Merilehto, 2018, luku 1., Alma Talent.) 

Tekoälyn ominaisuuksia selkeytetään kuviossa 4.  

 

 

Kuvio 4. Tekoälyn ominaisuudet (Ailisto ja muut, 2018). 

 



33 

Kaplan ja Haenlein (2019) ovat määritelleet tekoälyn ”järjestelmän kyvyksi tulkita 

ulkoista dataa oikein, oppia sellaisesta tiedosta ja käyttää näitä oppimisia tiettyjen 

tavoitteiden ja tehtävien saavuttamiseen joustavan sopeutumisen avulla”.  

Akateemiseksi tieteenalaksi tekoäly perustettiin 1950-luvulla, mutta big datan 

yleistyessä ja laskentatehon parantuessa tekoäly on noussut osaksi nykyistä 

liiketoimintaympäristöämme.  

 

Tekoälyjärjestelmät perustuvat kolmeen laajaan osa-alueeseen, jotka ovat (1) 

verkkotunnusrakenne, (2) tiedontuotanto ja (3) yleiskäyttöinen koneoppiminen. 

Verkkotunnusrakenteella viitataan asiantuntemukseen, jota tarvitaan tehtävien 

suunnittelua varten. Tiedontuotannolla eli datan generoinnilla viitataan valtaviin 

tietojoukkoihin, joita tarvitaan tekoälyjärjestelmän kouluttamiseen sekä jatkuvaan datan 

tuottamiseen. Koneoppiminen toimii tekoälyjärjestelmän moottorina, joka havaitsee 

kuvioita ja tekee ennusteita jäsentelemättömästä tiedosta. (Taddy, 2019.) Useimmille 

tekoälyjärjestelmille on yhteistä niiden yleiset tavoitteet eli oppiminen ja ennustaminen 

ympäristölle sopivalla tavalla.  

 

Tekoäly voidaan jakaa yleiseen (Artificial General Intelligence, AGI) ja kapeaan (Artificial 

Narrow Intelligence, ANI) sekä vahvaan (Strong AI) ja heikkoon (Weak AI) tekoälyyn (ks. 

Goertzel, 2014; Merilehto, 2018, luku 1., Alma Talent). Yleisellä tekoälyllä viitataan 

sellaisten koneiden käyttöön, jotka pystyvät ratkaisemaan minkä tahansa ongelman. 

Yleistä ja kaikenkattavaa tekoälyä ei ole pystytty kehittämään, joten tutkijat ovat 

paneutuneet kapean tekoälyn kehittämiseen. Kapealla tekoälyn käsitteellä kuvataan sitä, 

että kyseinen tekoäly suoriutuu yksittäisestä tehtävästä erittäin hyvin, mutta sen 

osaamista ei voida laajentaa muille alueille. (Merilehto, 2018, luku 1., Alma Talent.) 

Kaiken käytössä olevamme tekoälyn voidaan todeta olevan joko kapeaa tai heikkoa 

tekoälyä.  

 

Ottaen huomioon yritysmaailman kilpailutilanteen, suuret tietomäärät, vähäiset 

resurssit ja tarpeen nopealle päätöksenteolle, monet organisaatiot ovat hyvin 



34 

motivoituneita hyödyntämään tekoälytekniikoita päätöksenteon tukena. Tekoälyn 

käyttöönotto vaatii kuitenkin liiketoimintastrategian uudelleentarkastelua, sillä 

teknologioiden käyttöönotto muuttaa yrityksen strategisia suunnitelmia ja 

toimintatapoja (Davenport, 2018. s. 100). 

 

 

4.2 Big datan ja tekoälyn yhteistyö 

Big datan ja tekoälyn on huomattu vaikuttavan etenkin laskentatoimen parissa 

työskentelevien työnkuvaan, sillä rooli on muuttumassa ja osittain jo muuttunut 

analyyttisempään suuntaan. Big datan käytön myötä uudenlaista dataa ja tietoa 

analysoidaan uusia tekniikoita hyödyntäen, joka on vaikuttanut 

laskentatoimihenkilöiden työkuvan muutokseen. (ks. Bhimani & Willcocks, 2014, s. 478–

480; McAfee & Brynjolfsson, 2012, s. 67.) 

 

Tutkijat ovat myös todenneet, etteivät big datan mahdollisuudet syrjäytä 

asiantuntijoiden työtä, vaan big dataa hyödynnetään työn tukena (McAfee & 

Brynjolfsson, 2012, s. 67). Laskentatoimen ammattilaisten ei enää tarvitse kehittää 

tietojenkäsittelytaitojaan tai analysointikykyjään, vaan heidän on ymmärrettävä suurten 

datamassojen tarjoamat mahdollisuudet ja kysyttävä oikeat kysymykset. Tämä 

mahdollistaa datan reaaliaikaisen analysoinnin, joka on osa reaaliaikaista 

päätöksentekoprosessia. (Bhimani & Willcocks, 2014, s. 478–480.) 

 

Big datan säilöminen ei kuitenkaan itsessään tuota lisäarvoa organisaatiolle. Datan 

tehokas käyttö edellyttää sen prosessoimista ja analysoimista tekoälyä apuna käyttäen. 

Kuten aiemmin todettiin, big datan ja tekoälyn yhteiskäyttö tulee lisääntymään. (Sutton 

ja muut, 2016, s. 68–70.) Tämä liittyy vahvasti laskentatoimen työntekijöiden työnkuvan 

muutokseen, sillä heidän on ymmärrettävä miten big datasta voidaan tuottaa arvoa 

organisaatiolle. 

 



35 

Big datasta hyötyminen tekoälyn avulla on kuitenkin osa-alue, joka vaatii datan 

tulkitsemista, ymmärtämistä ja analysointia. Uusien laskennallisten tekniikoiden käyttö 

voi vapauttaa henkilöstön muihin tehtäviin, mutta organisaation tulee tarkastella datan 

käyttöä kriittisesti. Big data ja tekoäly muuttavat esimerkiksi organisaation strategiaa ja 

päätöksentekoprosessia. Big datasta hyötyvät yritykset nähdään edelleen 

edelläkävijöinä, sillä datan tehokas käsittely vaatii erityisosaamista. (Ferraris ja muut, 

2018.) Datan käsittelyä varten organisaatiot voivat joutua palkkaamaan tutkijoita tai 

muita alan ammattilaisia, jos osaamista ei löydy valmiiksi omasta organisaatiosta.  

 

 

4.3 Big datan ja tekoälyn mahdollisuudet 

Digitalisaatio ja uudet kehittyneet teknologiat ovat lisänneet tekoälyn mahdollisuuksia. 

Etenkin suuret yritykset ovat pystyneet hyödyntämään suuria datamääriä monilla osa-

alueilla. Big data ja tekoäly poistavat liiketoiminnan kasvua rajoittavat tekijät, kuten 

perinteiset mittakaava-, laajuus- ja oppimisrajoitteet (Iansiti & Lakhani, 2020). Big data 

nähdään potentiaalina sekä nykyaikaisille että perinteisille yrityksille, mutta datasta 

hyötyminen vaatii uusien teknologioiden hyödyntämistä. Big datan mahdollisuudet ovat 

laajentuneet sen kustannusten laskun ansiosta. (Ferraris ja muut, 2018.) Tulevaisuudessa 

tämä mahdollistaa datan hyödyntämisen myös pienemmissä yrityksissä.  

 

Özemren ja Kabadurmus (2020) esittävät tutkimuksessaan, että big dataa tarvitaan 

ennustamiseen ja parempien strategisten päätösten tekemiseen. Data-analytiikkaa 

tukevat menetelmät tunnistavat tehokkaasti uusia liiketoimintamahdollisuuksia ja 

mukauttavat strategisia päätöksiään datan avulla. Yritykset voivat tehdä päätöksiä 

tulevaisuuden trendien ja ennusteiden mukaan. Big dataa voidaan käyttää myös 

strategioiden suunnitteluun.  

 

Suuret yritykset ovat onnistuneet hyötymään big datasta ja tekoälystä hyvin laajasti eri 

osa-alueilla. Esimerkiksi Google, Netflix ja Amazon ovat käyttäneet dataa ja analytiikkaa 

työkaluina ennusteisiin, simulaatioihin sekä ideoimiseen. Amazon käyttää analytiikkaa 



36 

organisaationsa päätöksenteossa kaikilla liiketoiminta-alueilla. Data-analytiikkaa 

voidaan hyödyntää myös päätöksentekoon liittyvien riskien tunnistamisessa. (Jeble ja 

muut, 2018, s. 43.) 

 

Kuten aiemmin mainittiin, big datan kustannusten laskun myötä on odotettavissa, että 

big data ja tekoäly tarjoavat samankaltaisia mahdollisuuksia myös pienemmille yrityksille. 

Suomalaisen tekoälyratkaisuja tarjoavan yrityksen johdossa toimiva Ojanperä (2023, 

johdanto, Alma Talent) on todennut startup-sijoituksissa investointien nousseen 

generatiivisen tekoälyn osalta. Tämä on merkki siitä, että tekoälyn tulevaisuuteen 

uskotaan ja se nähdään mahdollisuutena myös nuorissa startup-yrityksissä 

 

Yashin ja muiden (2019) tutkimuksen mukaan organisaatioiden 

päätöksentekorakenteiden suunnittelu on ollut johtajien ja tutkijoiden huolenaiheena 

pitkään, sillä tekoälyn nopea kehitys on vakiinnuttamassa algoritmeihin perustuvat 

päätöksentekijät keskeiseksi osaksi organisaation toimintaa. Päätöksenteko on tietyissä 

tilanteissa mahdollista delegoida pelkästään big datalle tai tekoälylle, mutta 

tavanomaisempaa on nähdä ne erillisinä päätöksentekijöinä, joiden mielipiteet 

huomioidaan päätöksenteossa (ks. Provost & Fawcett, 2013; Yash ja muut, 2019). 

Esimerkiksi tekoälymenetelmien käytöllä voidaan pienentää päätöksentekoon liittyviä 

inhimillisiä virheitä ja vääristymiä (Yash ja muut, 2019).  

 

Tekoälyn keskeisimmät hyödyt riskienhallinnan kannalta ovat tietojenkäsittely, 

tehokkuuden parantaminen, reaaliaikaisuus ja ennakointi sekä liiketoimintapäätösten 

laatu. Tekoäly mahdollistaa sekä rakenteellisen että ei-rakenteellisen datan käytön, joka 

kattaa alleen eri tietokokonaisuuksien ja mallien yhdistelmiä. Tehokkuutensa ansiosta 

tekoäly auttaa vähentämään kustannuksia automatisoimalla riskienhallintaan liittyvän 

avun ja ohjauksen tarpeen. (Naim, 2022.) Tekoäly auttaa johtoa tekemään parempia 

liiketoimintapäätöksiä laajempien näkemysten ja riskien tuntemisen kautta. 

 



37 

Tekoälyn hyödyiksi koetaan erilaiset koneoppimisen ratkaisut, joiden avulla on 

mahdollista saada nopeasti mitattavia liiketoimintahyötyjä. Merkittävää hyötyä syntyy 

etenkin koneoppimisen ansiosta. Ennustamisen pohjalta käyttöön otetut toimenpiteet 

ovat vaikuttaneet positiivisesti yritysten tulosmittareihin. Lisäksi koneoppimisen 

algoritmien avulla voidaan selvittää toimintaehdotusten taustalla olevia tekijöitä. Yksi 

tekoälyn suurista mahdollisuuksista on ottaa data osaksi keskustelua ja päätöksentekoa. 

(Merilehto, 2018, luku 1., Alma Talent.) 

 

 

4.4 Big datan ja tekoälyn haasteet 

McAfee ja Brynjolfsson (2012, s. 67–68) vastaavat big datan tuomiin haasteisiin 

toteamalla, ettei big datan uskota vastaavan kaikkiin organisaation kysymyksiin tai 

ongelmiin. Heidän mukaansa big data voi tukea esimerkiksi kilpailuedun saavuttamista, 

mutta organisaatiolla tulee olla selkeä kuva sen tavoitteista ja visiosta, jotka se haluaa 

toiminnallaan saavuttaa. Big datasta hyötyminen vaatii yrityksen johdolta oikeiden 

kysymysten kysymistä, sillä data sisältää paljon ylimääräistä tietoa. Jotta yritys pystyy 

hyödyntämään big dataa tehokkaasti, sen tulee edellä mainittujen seikkojen lisäksi 

hallita uudet teknologiat, kyetä tehokkaaseen päätöksentekoon ja tuntea oma 

organisaationsa.  

 

Maroufkhani ja muut (2022) ovat todenneet big datan käyttöönoton vaativan yritykseltä 

osaamista ja taloudellisia resursseja. Big datan käyttö voi olla monimutkaista, joten 

johdon tukea erityisesti pk-yrityksissä pidetään tärkeänä big datan käytön 

omaksumisessa ja yhteensovittamisessa aiempiin toimintamalleihin ja järjestelmiin (Jia 

ja muut, 2024). Mello ja muut (2014) puolestaan uskovat big datan ja 

tekoälyteknologioiden vaativan yritykseltä kehittyneitä laskennallisia resursseja, jotta 

datasta saadaan eriteltyä yritykselle lisäarvoa tuova tieto ja voidaan saavuttaa 

kilpailuetua. Mello ja muut (2014) pitävät big dataa McAfeen ja Brynjolfssonin (2012, s. 

63) tavoin liiketoiminnan uutena vallankumouksena, sillä big datan avulla voidaan 

vaikuttaa erityisesti siihen, miten yritykset toteuttavat liiketoimintaansa. 



38 

 

Davenport (2014b, s. 46) näkee big datan käytön luovan organisaatioissa tarpeen uusille 

johtamisstrategioille. Jos organisaatio on päättänyt panostaa big datan keräämiseen ja 

analysointiin, tällöin organisaation olisi arvioitava miten analyysin lopputulos vaikuttaa 

päätöksentekoon ja sen myötä konkreettisiin toimenpiteisiin. Davenport (2014a, s. 6–9) 

on myös kritisoinut big data -käsitteen olevan liian epämääräinen ja ennustava. Hän 

uskoo käsitteen vaihtavan nimeään tulevaisuudessa, sillä datan suuruusluokan katsotaan 

olevan suhteellinen esimerkiksi organisaatioon tai toimialaan nähden. Datan määrä ei 

myöskään aina vastaa tiedon tärkeyttä organisaatiolle, sillä big data kattaa alleen 

muutakin kuin tietokantaan tallennetun rakenteellisen tiedon.  

 

Datan muuttunut luonne edellyttää strukturoidun ja strukturoimattoman datan 

analysointia, joka keskittyy pääasiassa johdon päätöksentekoon. Yritysjohdon 

päätöksenteossa hyödynnetään laajasti eri kanavia. Big datan käytön omaksuvan 

organisaation johtaminen edellyttää kuitenkin päätöksenteon ja liiketoiminnan 

yhteensovittamista. (Bhimani & Willcocks, 2014, s. 473–476.) 

 

Yhtenä tekoälyn ongelmana pidetään teknologian nopeaa kehitystä, joka haastaa 

yritysten johtoa pysymään ajan tasalla viimeisimmistä tekoälyteknologioista. Tekoäly 

myös laajenee nopeasti, mikä vaatii johdolta yhä enemmän asioiden sisäistämistä ja 

uusien osa-alueiden käyttöönottoa. (Sutton ja muut, 2016, s. 68–70.) Myös tekoälyn 

hyödyntäminen päätöksenteossa on aiheuttanut kritiikkiä. Tekoälyyn perustuva 

päätöksenteko sisältää riskin siitä, että tekoäly vaikuttaa päätöksenteon tuloksiin 

manipuloimalla dataa tai suunnittelua. Tekoälyn hyödyntäminen päätöksenteossa vaatii 

sääntelyä ja uusia menettelytapoja, jotta siihen liittyvät riskit saadaan minimoitua. (Yash 

ja muut, 2019.) 

 

 



39 

4.5 Datan hallinta, hyödyntäminen ja analysointi 

Big dataa hyödynnetään organisaatioissa yhä laajemmin eri osa-alueilla, joka edellyttää 

datan hallintaa ja sen tehokasta hyödyntämistä. Big data on muuttanut organisaatioiden 

toimintatapoja ja nostanut esiin täysin uudenlaisia ongelmia, joita yritykset joutuvat 

ratkaisemaan. Tällaisiksi ongelmiksi voidaan lukea datan tehokas käyttö, sillä datasta 

arvon tuottaminen vaatii datan puhdistamista, analysointia ja prosessointia (Gupta ja 

muut, 2023). 

 

Koska data voidaan jakaa strukturoituun ja strukturoimattomaan dataan, sen 

kerääminen ja säilöminen vaatii aiempaa kehittyneempiä työkaluja, joka mahdollistaa 

datan tehokkaan käytön. Datan käytön ongelmaksi on koitunut tiedon päällekkäisyys, 

joka kuormittaa tallennustilan rajallista määrää. (Baoan, 2014, s. 1415–1416.) Big datan 

hyödyntäminen vaatii oikeiden työkalujen käyttöä myös laskentatoimessa, jotta 

kerätystä datasta saadaan eroteltua organisaatiolle lisäarvoa tuova data.  

 

Koska datan säilöminen ei itsessään tuo lisäarvoa, organisaatioiden on ymmärrettävä 

datan erottelun ja analysoinnin tärkeys eri työkaluja käyttäen. Tämä mahdollistaa datan 

tehokkaan hyödyntämisen. Lisäksi organisaation tulee investoida big datan analysointiin 

ja kehittämiseen. Tehokas organisaatio toimii tieto-ohjautuvasti ja pystyy yhdistelemään 

eri lähteistä saatavaa dataa toisiinsa. (Baoan, 2014, s. 1416.) Kun organisaatio toimii näin, 

se on askeleen lähempänä liiketoimintaa, jossa data on toiminnan keskipisteenä ja 

organisaatio pystyy hyödyntämään sitä tehokkaasti.  

 

Big datan sisältämä valtava datamäärä nähdään sekä haasteena että mahdollisuutena. 

Big data mahdollistaa erilaisten datamuotojen keräämisen ja yhdistelyn, mutta se 

haastaa organisaation puhdistamaan ja erittelemään organisaatiolle arvoa tuottavan 

tiedon. Jos lisäarvoa tuottamatonta dataa ei eritellä, se voi aiheuttaa organisaatiolle 

lisäkustannuksia ja heikentää tehokkuutta. (Baoan, 2014, s. 1416.) Big datan purkaminen 

ja analysoiminen on tärkeää, vaikka se lisää organisaation työtä, mutta sen avulla datasta 

saadaan kaikki hyöty irti.  



40 

5 Tutkimusmenetelmä ja -aineisto 

Tämä luku pitää sisällään tutkielman tutkimusmenetelmät, tutkittavan kohderyhmän 

rajauksen, tiedonkeruun toteutuksen sekä aineistonkeruumenetelmän. Tässä luvussa 

käydään läpi aineiston analysointiin liittyviä menetelmiä ja arvioidaan tutkimuksen 

luotettavuutta. 

 

 

5.1 Tutkimusmenetelmä 

Tämän tutkielman tärkeimpänä tavoitteena on selvittää minkälainen big datan ja 

tekoälyn käytön tilanne on kasvuyritysten strategisen johdon laskentatoimen 

päätöksenteossa. Lisäksi tutkimuksessa selvitetään, mitä strategisen johdon 

laskentatoimen menetelmiä ja mittareita kasvuyritykset käyttävät päätöksenteon tukena 

ja miten big datan ja tekoälyn käyttö strategisessa päätöksenteossa nähdään 

tulevaisuudessa. Tutkimuskysymyksiin haetaan vastauksia sekä laadullisten että 

määrällisten menetelmien kautta, sillä tavoitteena on saada monipuolinen kuvaus 

tutkimuksen kohteesta ja mitata riippuvuuksia muuttujien välillä (ks. Heikkilä, 2014, luku 

1., Edita Publishing; Puusa & Juuti, 2020, luku 1., Gaudeamus). 

 

Heikkilän (2014, luku 1., Edita Publishing) mukaan kvantitatiivinen aineisto mahdollistaa 

riippuvuuksien etsimisen ja tutkittavassa ilmiössä tapahtuneiden muutosten kuvaamisen. 

Alatutkimuskysymysten tarkoituksena on etsiä riippuvuuksia eri muuttujien välillä, jonka 

vuoksi kyselylomake sisältää piirteitä kvalitatiivisen tutkimuksen lisäksi myös 

kvantitatiivisesta tutkimuksesta. Molempien menetelmien käyttö sopii tutkimukseen, 

jossa etsitään syvällistä ymmärrystä tutkimuksen kohteena olevasta ilmiöstä ja mitataan 

riippuvuuksia eri muuttujien välillä. Kvantitatiivisen aineiston avulla voidaan selvittää, 

kuinka paljon big dataa ja tekoälyä käytetään strategisen johdon laskentatoimen 

päätöksenteossa. 

 



41 

Kvalitatiivisen eli laadullisen tutkimuksen tunnusmerkeiksi on tunnistettu 

hypoteesittomuus, aineiston keräämisen harkinnanvarainen otanta ja tutkittavien 

näkökulma (Heikkilä, 2014, luku 1., Edita Publishing). Laadullisen tutkimuksen tavoitteet 

esitetään usein kysymysten muodossa, kun taas määrällisessä tutkimuksessa käytetään 

usein testattavia hypoteeseja (Puusa & Juuti, 2020, luku 4., Gaudeamus). Tämän 

tutkielman päätavoitteena on lisätä ymmärrystä tutkittavasta ilmiöstä ja selventää big 

datan ja tekoälyn käytön tilannetta strategisen johdon laskentatoimen päätöksenteossa. 

Kvalitatiivista aineistoa voidaan kerätä esimerkiksi haastattelujen tai avointen 

kyselylomakkeiden avulla (Heikkilä, 2014, luku 1., Edita Publishing).  

 

Tutkielman alatutkimuskysymyksiin haetaan vastauksia kvantitatiivisten eli mitattavien 

kysymysten muodossa. Kvantitatiivinen tutkimusote on puolestaan tilastollisempi ja se 

perustuu lukumäärien ja prosenttiosuuksien selvittämiseen (Heikkilä, 2014, luku 1., Edita 

Publishing). Kvantitatiiviset kyselytutkimukset mahdollistavat myös empiirisen 

yleistämisen ja teorioiden testaamisen (Puusa & Juuti, 2020, luku 5., Gaudeamus).  

Kvalitatiivinen tutkimus vastaa kysymyksiin miksi, miten ja millainen (Heikkilä, 2014, luku 

5., Edita Publishing).  

 

Kvantitatiivisen tutkimuksen kohteena on puolestaan numeerisesti suurempi joukko ja 

tutkimus vastaa kysymyksiin mikä, missä ja kuinka paljon (Heikkilä, 2014, luku 5., Edita 

Publishing). Alatutkimuskysymysten avulla selvitetään, vaikuttaako strategia big datan ja 

tekoälyn käyttöön ja ovatko big data ja tekoäly vaikuttaneet strategiseen johdon 

laskentatoimeen tai käytettävien menetelmien valintaan. Kvantitatiivisten menetelmien 

avulla toteutetaan riippumattomuustestaus, jonka avulla saadaan vastaukset tutkielman 

alatutkimuskysymyksiin.  

 

 

5.2 Aineistonkeruumenetelmä 

Laadullisen tutkimuksen yleisimpiä aineistonkeruumenetelmiä ovat haastattelut, mutta 

myös kyselylomakkeiden käyttö on yleistynyt. Molemmilla menetelmillä on sama 



42 

perusperiaate, sillä ne ovat tietoisuuden ja ajattelun sisältöihin kohdistuvia menetelmiä. 

Osa tutkijoista tukee teoriaa siitä, että arkaluontoisten asioiden käsittely onnistuu 

paremmin strukturoiduilla kyselylomakkeilla kuin haastatteluilla. (Hirsijärvi & Hurme, 

2022, luku 3., Gaudeamus.) Arkaluontoisiksi asioiksi voidaan laskea esimerkiksi 

vastaajien henkilökohtaiset kokemukset sekä yrityksen strategiaa ja toimintamalleja 

koskevat kysymykset, joita käsiteltiin myös tämän tutkimuksen kyselylomakkeessa. 

 

Kyselylomake sopii hyvin tutkimukseen, jossa aineistoa kerätään yrityksen strategiaan, 

päätöksentekoon ja niihin vaikuttaviin tekijöihin liittyen. Koska aineistoa kerätään sekä 

laadullisin että määrällisin menetelmin, se mahdollistaa tutkijalle monipuolisemman ja 

kattavamman aineiston.  Kyselylomakkeen luoma anonymiteetti rohkaisee vastaajaa 

kertomaan asioista laajemmin kuin kasvotusten haastattelijan kanssa. Kyselylomake on 

myös tehokas aineistonkeruumenetelmä, kun ajankohtaista tietoa kerätään suuresta 

joukosta (Heikkilä, 2014, luku 5., Edita Publishing). 

 

Hirsjärvi ja Hurme (2022, luku 2., Gaudeamus) korostavat tutkijan vaikutuksen 

minimoimista tiedonkeruuvaiheessa, jota he pitävät yhtenä kyselylomakkeen 

vahvuuksista. Kyselylomaketta käytettäessä lomakkeen sisällön merkitys kasvaa, sillä 

tutkijalla ei ole mahdollisuutta kysyä lisäkysymyksiä tai selventää väärinymmärryksiä. 

Kyselylomakkeet sisältävät usein asenneasteikoita, joiden heikkoutena Heikkilä (2014, 

luku 3., Edita Publishing) näkee sen, ettei vastausten perusteella voida päätellä niiden 

painoarvoa vastaajille. Toisena heikkoutena nähdään se, miten jälkimmäisten väittämien 

vastauksiin voi vaikuttaa aiempien kohtien vastaukset. 

 

Hyvä kyselylomake on huolellisesti suunniteltu ja niillä pyritään selvittämään melko 

konkreettisia ja yksiselitteisiä ilmiöitä. Kyselylomake houkuttelee osallistujaa 

vastaamaan, kun se on selkeä, siisti ja hyvin aseteltu. Kyselylomakkeiden suurimpana 

etuna pidetään usein aineiston käsittelyä, sillä tutkijan on helppo palata aineistoon ja 

vertailla tuloksia. (ks. Heikkilä, 2014, luku 3., Edita Publishing; Hirsjärvi & Hurme, 2022, 



43 

luku 3., Gaudeamus.) Kysymykset lähetettiin kaikille vastaajille samassa järjestyksessä ja 

samassa muodossa, joka parantaa tulosten vertailukelpoisuutta.  

 

Mahdollisimman virheettömän ja totuudenmukaisen aineiston takaaminen edellyttää 

tutkijalta objektiivisuutta, sillä omien oletusten ja ajatusten ei kuulu vaikuttaa 

tutkimuskohteen ominaisuuksiin tai tutkimustuloksiin (Puusa & Juuti, 2020, luku 4., 

Gaudeamus). Kyselylomakkeen aineiston käsittely perustuu tutkittavan ilmiön tulkintaan, 

eikä absoluuttiseen todellisuuteen. Kyselylomakkeen laadullisen aineiston analysointi 

perustuu myös tutkijan omaan näkemykseen, joka luo mahdollisuuden tulkintavirheelle. 

Mitattavassa aineistossa tutkimukseen liittyy mahdollisuus satunnaisvirheelle ja pieni 

otanta voi aiheuttaa vääristymää (Heikkilä, 2014, luku 11., Edita Publishing).  

 

Tutkijan poliittiset tai moraaliset arvot eivät myöskään saa vaikuttaa tutkimukseen tai 

sen onnistumiseen (Heikkilä, 2014, luku 3., Edita Publishing). Kyselylomakkeilla kerätty 

kvantitatiivinen aineisto on yksiselitteisemmin luokiteltavissa ja laskettavissa kuin 

laadullinen aineisto. Laadullisen aineiston analysoinnissa on kiinnitettävä erityistä 

huomiota etenkin pelkistettyjen vastausten muodostamiseen ja luokitteluun. 

 

 

5.3 Tutkittavan ryhmän rajaus ja tiedonkeruun toteutus 

Tutkielman kohdeorganisaatioiksi valittiin Kasvu Openin vuosien 2020–2023 TOP 60 

kasvuyritykset. Kasvu Openin listaamia kasvuyrityksiä oli kokonaisuudessaan 240, mutta 

näistä osa oli lopettanut toimintansa tai fuusioitunut jonkun muun yrityksen kanssa. 

Toimintansa lopettaneet tai fuusioituneet yritykset eivät toimi tämän tutkimuksen 

kohteena, joten ne rajattiin pois tutkimuksen kohdeyrityksistä. Kyselylomakkeen 

vastaanottajia oli lopulta 218 eri yritystä, jotka toimivat satunnaisesti valikoituneilla 

toimialoilla, sillä sen suhteen rajausta ei tehty. Toimialat esitellään tarkemmin luvussa 

6.1.  

 



44 

Suomalaiset kasvuyritykset valittiin tutkielman kohderyhmäksi, sillä tutkimuksessa 

haluttiin tutkia strategisen päätöksenteon, big datan ja tekoälyn välistä vuorovaikutusta 

kasvua tavoittelevissa yrityksissä. Kilpailu on myös oleellinen osa kasvuyritysten 

toimintaa ja sillä on vaikutusta uusien teknologioiden hyödyntämiseen, joten 

kasvuyritysten kilpailutilannetta ja strategiaa kartoitettiin kyselylomakkeen avulla. 

Kasvuyritykset voivat olla toiminnaltaan jo hyvinkin vakiintuneita ja pitkään toiminnassa 

olleita yrityksiä. On myös tärkeää erottaa tämän tutkielman mukainen kasvuyritys 

Startup -yrityksestä, jotka ovat Talvitien (2021) mukaan nuoria ja liiketoiminnan 

alkuvaiheessa olevia yrityksiä. Startup -yritykset tähtäävät kasvuyritysten tavoin kasvuun, 

mutta Startupeissa kasvun tavoittelu on nopeaa ja kansainvälistä. 

 

Kasvuyrityksiä lähestyttiin sähköpostitse saatekirjeellä (liite 1), jossa määriteltiin 

tutkimuksen tarkoitus, tärkeys ja luottamuksellisuus. Kyselylomake (liite 2) laadittiin 

Webropol -ohjelmistoa käyttäen ja linkki kyselyyn sisällytettiin saatekirjeeseen. 

Vastauksia pyydettiin yksi per organisaatio, jotta useampi vastaus samasta 

organisaatiosta ei vääristäisi tuloksia. Kyselylomakkeen vastaanottajat olivat pääasiassa 

kasvuyritysten toimitusjohtajia. 173 yritykselle kyselylomake lähetettiin 

henkilökohtaisesti sähköpostilla ja 45:lle yrityksen yleiseen sähköpostiin tai 

sähköpostiosoitteen puuttuessa yhteydenottolomakkeen kautta. 

 

Kyselyn vastaanottajaa ohjeistettiin tarpeen vaatiessa välittämään kysely sellaiselle 

henkilölle, joka yrityksessä osaa parhaiten vastata aihealuetta koskeviin kysymyksiin. 

Aineistoa kerättiin kahden viikon ajan 14.-28.3.2024 ja kyselyyn osallistumisesta 

lähetettiin kaksi muistutusviestiä. Vastauksia saatiin yhteensä 37 eri yrityksestä, joten 

vastausprosentiksi muodostui 17 %.  

 

 

5.4 Aineiston analysointi 

Tutkielma toteutettiin yhdistelemällä kvalitatiivisia ja kvantitatiivisia menetelmiä, joten 

kyselylomake sisälsi taustatietoja kartoittavia, Likert-asteikollisia, avoimia sekä kyllä/ei -



45 

kysymyksiä. Tämän takia aineiston analysoiminen vain yhdellä menetelmällä ei olisi 

tuottanut kattavia tuloksia. Kvalitatiivisista menetelmistä käytettiin aineistolähtöistä 

sisällönanalyysiä ja kvantitatiivisessa aineistossa hyödynnettiin ristiintaulukointia ja 

riippumattomuustestausta. Lisäksi aineistoa kuvattiin mediaanien, prosenttiosuuksien ja 

keskiarvojen kautta. 

 

5.4.1 Aineistolähtöinen sisällönanalyysi 

Aineiston analyysi aloitetaan jo aineiston keruussa, joten analyysi- ja 

aineistonkeruuvaiheet kulkevat osin limittäin (Puusa & Juuti, 2020, luku 9., Gaudeamus). 

Laadullisen aineiston analyysin tavoitteena on aineiston selkeyttäminen ja uuden tiedon 

tuottaminen tutkittavasta asiasta (Eskola & Suoranta, 1998, luku 5., Vastapaino). Puusa 

ja Juuti (2020, luku 9., Gaudeamus) pitävät laadullisen analyysin tavoitteena 

onnistuneiden tulkintojen ja johtopäätösten tekemistä. Analyysivaiheeseen sisältyy eri 

osien analysointia, tiivistämistä ja luokittelua, joiden perusteella tehdään onnistuneita 

tulkintoja. 

 

Tämän tutkimuksen aineiston analysointimenetelmäksi valittiin aineistolähtöinen 

sisällönanalyysi, jonka tavoitteena on luoda selkeä ja sanallinen kuvaus tutkittavasta 

ilmiöstä (Tuomi & Sarajärvi, 2002/2018, luku 4., Tammi). Sisällönanalyysin tarkoituksena 

on luoda aineistosta pelkistettyjä käsitteitä, joita yhdistelemällä saadaan luotua 

alaluokat. Alaluokkien yhdistely muodostaa puolestaan pääluokat. Sisällönanalyysi 

perustuu päättelyyn, jossa empiirisestä aineistosta muodostetaan käsitteellisempi ja 

monipuolisempi ymmärrys tutkittavasta ilmiöstä (Puusa & Juuti, 2020, luku 9., 

Gaudeamus). 

 

Hirsjärvi ja Hurme (2022, luku 7., Gaudeamus) ovat jakaneet sisällönanalyysin neljään 

vaiheeseen, jotka ovat: (1) kuvailu, (2) luokittelu, (3) yhdistely ja (4) tulkinta. Analyysi 

perustuu aineiston kuvailulle, jossa kartoitetaan muun muassa kohteiden ominaisuuksia 

ja piirteitä. Aineiston luokittelu luo pohjan aineiston tulkintaa varten ja aineiston 

yhdistelyssä yritetään löytää aineistosta samankaltaisuuksia eri luokkien välillä. Myös 



46 

vaihtelevuuksien ja poikkeavuuksien löytäminen on mahdollista. Tulkintavaihe pitää 

sisällään kokonaisvaltaisen selityksen tutkittavasta asiasta ja tulkintoja voidaan pitää 

onnistuneina, kun eri tutkimusnäkökulman omaava tutkija tekee samat tulkinnat. 

 

Tuomen ja Sarajärven (2002/2018, luku 4., Tammi) mukaan sisällönanalyysi voidaan 

jakaa aineistolähtöiseen-, teorialähtöiseen- ja teoriaohjaavaan sisällönanalyysiin. Tässä 

tutkielmassa käytettiin aineistolähtöistä sisällönanalyysiä, sillä analyysin tavoitteena oli 

yhdistellä käsitteitä ja saada niiden avulla vastaus tutkimusongelmaan. 

Aineistolähtöinen analyysi perustuu tutkijan tekemiin tulkintoihin ja niistä tehtyihin 

päätelmiin, joista saadaan koottua käsitteellinen näkemys tutkittavasta ilmiöstä (Eskola 

& Suoranta, 1998, luku 4., Vastapaino).   

 

Aineistolähtöisessä sisällönanalyysissä aineisto ensin pelkistetään, jonka jälkeen se 

ryhmitellään ja yhdistetään luokkiin, joista muodostuvat alaluokat. Ryhmittelyn jälkeen 

aineisto käsitteellistetään eli erotellaan tutkimuksen kannalta olennainen tieto 

epäolennaisesta ja tämän perusteella muodostetaan teoreettisia käsitteitä. (Tuomi & 

Sarajärvi, 2002/2018, luku 4., Tammi.) 

 

5.4.2 Ristiintaulukointi 

Kvantitatiivisia kysymyksiä analysoitiin ensin Webropol Professional Statistics -

raportointityökalua apuna käyttäen. Työkalun avulla saadaan selville vastausten 

prosenttiosuudet ja keskiarvot. Ristiintaulukointia ja tilastollista testausta varten aineisto 

siirrettiin Webropolista SPSS Statistics -ohjelmistoon, jossa ristiintaulukointi ja 

riippumattomuustestaus toteutettiin.  

 

Ristiintaulukoinnin avulla aineistosta voidaan löytää kahden muuttujan välisiä 

riippuvuuksia asettamalla toinen muuttuja sarakkeille ja toinen riveille. 

Sarakemuuttujaksi valitaan yleensä riippumaton muuttuja (syy), kuten esimerkiksi 

sukupuoli. Rivimuuttujaksi valitaan riippuva muuttuja (seuraus). Tämä mahdollistaa 

keskenään vertailtavien arvojen asettelun taulukkoon vierekkäin. Taulukon ruutujen 



47 

solufrekvenssit kertovat, kuinka monta kyseistä ominaisuutta omaavaa havaintoa 

aineisto sisältää. (Heikkilä, 2014, luku 11., Edita Publishing.) 

 

Tässä tutkimuksessa kahden muuttujan välistä riippuvuutta mitattiin Fisherin tarkalla 

testillä, sillä aineisto ei täyttänyt Khiin neliötestin edellytyksiä. Khiin neliötestin 

käyttäminen olisi voinut johtaa nollahypoteesin hylkäämiseen ja virheellisiin 

johtopäätöksiin, sillä luotettava testaus edellyttää laajempaa aineistoa (Heikkilä, 2014, 

luku 11., Edita Publishing). Fisherin tarkka testi sopii erityisesti aineistolle, jossa Khiin 

neliötestin kriteerit eivät täyty (Tähtinen ja muut, 2020, s. 167–168).  

 

Fisherin tarkan testin tuloksena saadaan p-luku, joka mittaa tilastollista merkittävyyttä. 

Mitä suurempi arvo on, sitä pienempi tilastollinen merkittävyys muuttujien välillä on ja 

yhteys on selitettävissä sattuman tai satunnaisen vaihtelevuuden kautta. Tilastollisen 

merkittävyyden rajana pidetään yleisesti p = 0,05 ja mitä pienemmäksi arvo muuttuu, 

sitä suurempi tilastollinen merkittävyys on (Tähtinen ja muut, 2020, s. 167–168). 

 

 

5.5 Tutkimuksen luotettavuus 

Tässä tutkielmassa hyödynnettiin kvalitatiivisia ja kvantitatiivisia analyysimenetelmiä, 

joten tutkimuksen luotettavuutta on syytä arvioida molempien tutkimusmetodien 

näkökulmasta. Tässä kappaleessa otetaan kantaa myös aineistonkeruumenetelmänä 

käytetyn kyselylomakkeen luotettavuuteen.  

 

Kvalitatiivisen tutkimuksen luotettavuutta arvioidaan yleensä validiteetin ja 

reliabiliteetin kannalta. Validiteetin tarkoituksena on arvioida sitä, tutkitaanko 

tutkielmassa sitä kohdeilmiötä luotettavasti, mitä on tarkoituskin tutkia. Reliabiliteetilla 

tarkoitetaan kohdeilmiön luotettavaa tutkimista siten, että olosuhteet pysyvät samoina 

eikä esimerkiksi mittaustilanne vaikuta tuloksiin. (Puusa & Juuti, 2020, luku 11., 

Gaudeamus.)  

 



48 

Kyselylomake laadittiin selkeäksi ja kysymykset esitettiin kaikille vastaajille samanlaisina 

ja samassa järjestyksessä. Tämä minimoi tutkijan vaikutuksen tutkimustuloksiin. Tutkija 

ei ole pystynyt vaikuttamaan tuloksiin esimerkiksi eleiden tai äänenpainon kautta, kuten 

tavanomaisissa haastattelututkimuksissa on mahdollista. Lähes kaikki kyselyyn 

vastanneista työskentelivät kasvuyrityksissä toimitusjohtajan roolissa ja heillä oli 

merkittävä vaikutusvalta strategisen johdon laskentatoimen päätöksenteossa, joten 

tuloksia voidaan pitää keskenään vertailukelpoisina. 

 

Eskola ja Suoranta (1998, luku 5., Vastapaino) painottavat aineiston riittävyyttä ja 

analyysin kattavuutta tutkimuksen luotettavuutta arvioidessa. Aineiston tulee olla 

riittävä ja tarpeeksi kattava, jotta tutkija pystyy tekemään tulkintoja, joille löytyy useampi 

perustelu kerätystä aineistosta. Tämän tutkimuksen aineiston analyysissä vastaukset 

jaoteltiin pääluokkiin, joita voitiin perustella useampien pelkistettyjen ilmausten avulla. 

Näin ollen yksittäiset vastaukset eivät ole vääristäneet tutkimustuloksia. 

 

Kvantitatiivisen aineiston luotettavuutta voidaan arvioida koko tutkimuksen 

käytettävissä olevien tietojen perusteella. Jotta tutkimus on luotettava, otoksen tulee 

olla edustava ja riittävän suuri. (Heikkilä, 2014, luku 11., Edita Publishing.) Korkea 

vastausprosentti lisää tutkimuksen luotettavuutta, mutta tutkimuksen onnistumisen 

kannalta on tärkeää myös mitata oikeita asioita. 

 

Tämän tutkimuksen otoskoko on 37 eli 17 % tutkimuksen kohteena olleista 

kasvuyrityksistä. Tyypilliselle kyselylomakkeelle otoskoko on verrattain pieni, mikä tulee 

huomioida tutkimuksen tuloksia ja yleistettävyyttä tulkittaessa. Koska tutkimuksessa 

käytettiin sekä kvalitatiivista että kvantitatiivista tutkimusmenetelmää, tutkimuksen 

otoskokoa voidaan pitää riittävänä. Aineiston avulla pystyttiin vastaamaan 

tutkimuskysymyksiin, joten tutkimusmenetelmiin kohdistuneet valinnat ovat 

onnistuneet. Yleistettäviä näkemyksiä tämän tutkimuksen perusteella ei kuitenkaan 

pystytä luomaan. 

 



49 

Aineiston riittävyydestä huolimatta on verrattain pientä vastausmäärää syytä arvioida 

kriittisesti. Vaikka yrityksiä lähestyttiin sähköpostitse, jossa tutkimuksen 

luottamuksellisuus, tarkoitus ja tärkeys perusteltiin niin vastaajamäärä ei ollut kovin 

suuri. Tämän perusteella voidaan uskoa, että vastaamattomuus riippui muista syistä, 

kuten ajan- tai tiedonpuutteesta. Tätä näkökulmaa tukee Jialin ja muiden (2024) 

tutkimus, jossa pk-yritysten johdolla on todettu olevan puutteita uusien digitaalisten 

innovaatioiden tuntemisessa. Aiheen vieraus ja kyselylomakkeen vastaanottajien laajat 

vastuualueet organisaatioissa ovat voineet heikentää tutkimukseen osallistuneiden 

määrää. 

 

Kaikille kyselylomakkeen vastaanottajille ei löytynyt henkilökohtaista 

sähköpostiosoitetta, joka voi pienentää vastausmäärää. Myöskään muistutusviestejä ei 

välitetty uudestaan yhteydenottolomakkeen kautta. Lisäksi kyselylomakkeen avoimet 

kysymykset voivat vaikuttaa osallistujamäärään, sillä vastaaminen ei ole yhtä helppoa 

kuin valmiiksi annettuihin vastausvaihtoehtoihin vastaaminen.  

 

Heikkilä (2014, luku 5., Edita Publishing) painottaa kyselylomakkeen teon vaativan 

tutkijalta asiantuntemusta, sillä tutkimuksen onnistumisen kannalta kyselyn tekninen 

toteutus on tärkeässä roolissa. Tutkielman kyselylomakerunko laadittiin harkitusti ja 

kaikkien kysymysten rooli oli olennainen tutkimuskysymyksiin vastaamista varten. 

Kyselylomaketta rajattiin niin, ettei big dataa tai tekoälyä käyttämättömien yritysten 

tarvinnut vastata kaikkiin aihetta sivuaviin kysymyksiin. Näin tutkimuksesta rajattiin 

tarpeeton aineisto pois, mutta saatiin kerättyä tärkeää tietoa tällaisten yritysten 

strategiasta ja strategisen johdon laskentatoimen menetelmistä.  

 

Koska kyselylomake ei vaadi tutkijan läsnäoloa, niin osallistujilla ei ole mahdollista kysyä 

lisäkysymyksiä (Heikkilä, 2014, luku 3., Edita Publishing.) Tämä puolestaan suurentaa 

väärinymmärrysten mahdollisuutta. Kyselylomakkeelle sisällytettiin aihetta kuvaavien 

termien määritelmät, jotta vastaajat ja tutkija ymmärtäisivät käsitteet mahdollisimman 

samalla tavalla. Myös tutkijan yhteystiedot jätettiin saatekirjeen yhteydessä vastaajille 



50 

mahdollisia lisäkysymyksiä varten. Tämä ei kuitenkaan täysin poissulje sitä, etteikö 

lisäkysymyksiä olisi herännyt.  

 

Big datan, tekoälyn ja johdon laskentatoimen termistö oli vastaajille pääosin tuttua, 

mutta strategisen johdon laskentatoimen menetelmien määrittely ei täysin vastannut 

tutkijan omaa näkemystä. Ristiriita olisi voitu välttää, jos kysymykseen olisi laadittu 

valmiit vastausvaihtoehdot. Kysymyksen vastaustapana käytettiin avointa kysymystä, 

jonka avulla saatiin myös relevanttia tietoa strategisen johdon laskentatoimen 

menetelmistä, mutta kaikkia mainittuja menetelmiä ja mittareita ei voida laskea 

strategiseen johdon laskentatoimeen kuuluviksi. Kysymyksen monitulkintaisuus on 

voinut hankaloittaa vastaamista totuudenmukaisesti, joten se otettiin erityiseen 

huomioon aineiston laadullisessa analyysissä. 

 

Tutkimus toteutettiin anonyymisti, jotta totuudenmukaista aineistoa saataisiin kerättyä 

mahdollisimman paljon. Kyselylomakkeessa ei hyödynnetty Kasvu Openin tekemää 

luokittelua kohdeyritysten toimialoista, sillä se olisi voinut heikentää vastaajien 

anonymiteettiä. Toimialat oli luokiteltu tarkasti eikä kaikilla toimialoilla toiminut riittävän 

montaa yritystä anonymiteetin suojaamiseksi. Jotta tutkimus on luotettava, sen 

anonymiteettiä on suojattava ja henkilöllisyyden paljastuminen on tehtävä 

mahdollisimman vaikeaksi (Eskola & Suoranta, 1998, luku 2., Vastapaino). Näin ollen 

kyselylomakkeen toimialavaihtoehdoiksi valittiin laajemmat kuvaukset toimialoista, 

jolloin yksittäisten yritysten vastaukset eivät ole tunnistettavissa.  

 

Vastauksia kyselylomakkeeseen pyydettiin yksi per organisaatio, joten kyselylomake 

lähetettiin vastaanottajille niin, että jokainen vastaanottaja pystyy vastaamaan kyselyyn 

vain kerran. Vastaanottajia oli jokaisesta yrityksestä vain yksi, mutta hänen oli 

mahdollista välittää kysely kollegalleen, jonka osaamista aihealue vastaisi paremmin. 

Näin ollen tutkimusta analysoitaessa ei voida olla täysin varmoja siitä, onko jokaisesta 

organisaatiosta vastannut todellisuudessa vain yksi henkilö. Useampi vastaus samasta 

yrityksestä vaikuttaisi heikentävästi tutkimuksen luotettavuuteen. 



51 

6 Tutkimustulokset ja aineiston analysointi 

Tässä luvussa esitellään tutkimustulokset, jotka kerättiin kohdeyrityksistä 

kyselylomakkeen avulla. Tulosten esittely aloitetaan tutkimuksen taustatiedoilla, jonka 

jälkeen aineistoa analysoidaan aineistolähtöisen sisällönanalyysin, ristiintaulukoinnin ja 

riippumattomuustestauksen avulla. Tulokset avataan teemoittain niin kuin ne olivat 

kyselylomakkeella. Kyselylomakkeen laatimisen perusteella tämä järjestys todettiin 

selkeäksi ja sen avulla tuloksia on helpompi hahmottaa kokonaisuutena.  

 

Sisällönanalyysiä varten kvalitatiivinen aineisto siirrettiin Webropolista 

taulukkolaskentaohjelmaan. Analyysi aloitettiin tunnistamalla aineistosta yleisimmin 

mainitut ja tutkimuskysymysten kannalta tärkeimmät vastaukset. Aineistoa analysoitiin 

värikoodein, joiden avulla vastaukset saatiin pelkistettyä ja ryhmiteltyä luokkiin, joissa 

sisällöltään samanlaiset tekijät tai samaa tarkoittavat asiat muodostivat yleistettävän 

luokan. Alaluokat yhdisteltiin suurempiin luokkiin, joista muodostui aineiston pääluokat.  

 

Kvantitatiivisen aineiston analysointi aloitettiin tarkastelemalla aineistoa Webropol 

Statistics -raportointityökalua käyttäen. Tämän avulla saatiin selville aineiston 

prosenttiosuudet, mediaanit ja aritmeettiset keskiarvot. Tämän jälkeen aineisto 

siirrettiin SPSS Statistics -ohjelmistoon, jossa ristiintaulukointi toteutettiin. 

Ristiintaulukoinnin jälkeen aineistolle laskettiin p-luvut Fisherin tarkan testin avulla.  

 

 

6.1 Aineiston taustatiedot 

Tässä luvussa esitellään tutkimukseen osallistuneiden henkilöiden ja organisaatioiden 

taustatiedot. Tämän myötä lukijan on helpompi ymmärtää tutkimuksen tuloksia ja niihin 

vaikuttaneita tekijöitä. 

 

Kyselylomakkeen ensimmäisessä kysymyksessä kartoitettiin kasvuyritysten toimialaa. 

Kyselylomakkeeseen vastanneista kymmenen (27 %) työskenteli teollisuusalalla, 



52 

seitsemän (19 %) tukku- ja vähittäiskaupan alalla ja kuusi (16 %) informaation ja 

viestinnän parissa. Neljä vastaajaa (11 %) oli vastannut työskentelevänsä jollain muulla 

alalla, joksi he olivat luokitelleet joko elintarviketuotannon, pelialan tai 

rakennustuoteteollisuuden. Kuljetuksen ja varastoinnin, terveys- ja sosiaalipalveluiden, 

rakentamisen, maa-, metsä- ja kalatalouden sekä ammatillisen, tieteellisen ja teknisen 

toiminnan vastaajamäärät vaihtelivat kolmen ja kahdeksan prosentin välillä. 

Tutkimukseen ei osallistunut lainkaan yrityksiä, joiden toimialana olisi ollut hallinto- ja 

tukipalvelutoiminta, vesihuolto, viemäri- ja jätehuolto, sähkö-, kaasu- ja lämpöhuolto, 

rahoitus- ja vakuutustoiminta tai majoitus- ja ravitsemistoiminta. Kasvuyritysten 

toimialajakaumaa esitellään kuviossa 5. 

 

 

Kuvio 5. Toimialajakauma. 

 

Toisessa kysymyksessä selvitettiin vastaajien vastuualueita omissa organisaatioissaan. 

Kysymys mahdollisti useamman vastuualueen valinnan ja suurin osa (84 %) vastaajista 

oli valinnut vastuualueekseen ylimmän johdon. Tämä vastaa 31 vastaajaa 37:stä. Kuten 

27 %

19 %

6 %

5 %

8 %

0 %

16 %

0 %

5 %

0 %

0 %

3 %

0 %

11 %

Teollisuus

Tukku- ja vähittäiskauppa

Ammatillinen, tieteellinen ja tekninen toiminta

Maa-, metsä- ja kalatalous

Rakentaminen

Majoitus- ja ravitsemistoiminta

Informaatio ja viestintä

Rahoitus- ja vakuutustoiminta

Terveys- ja sosiaalipalvelut

Sähkö-, kaasu- ja lämpöhuolto

Vesihuolto, viemäri- ja jätevesihuolto ym.

Kuljetus ja varastointi

Hallinto- ja tukipalvelutoiminta

Muu, mikä?



53 

kuviosta 6 on nähtävissä, muut vastuualueet jakautuivat tasaisesti ja vastausmäärät 

vaihtelivat viiden ja 22 %:n välillä. 

 

 

Kuvio 6. Vastuualueet. 

 

Vastaajan titteliä kartoitettiin avoimen kysymyksen kautta, jotta vastaajien oli 

mahdollista määritellä tarkka tehtävänimikkeensä. Selkeä enemmistö eli 28 vastaajaa 

(76 %) oli vastannut tittelikseen ”Toimitusjohtaja” tai ”CEO”, jotka vastaavat samaa 

tehtävänimikettä.  Vastaukset jaettiin kahteen kategoriaan eli toimitusjohtajiin ja niihin, 

jotka olivat vastanneet jonkin muun tehtävänimikkeen. Muut vastaukset kattoivat 

yhdeksän vastausta (24 %) ja niihin luetaan seuraavat nimikkeet: asiakkuus- ja 

myyntijohtaja, myyntipäällikkö, digimarkkinointivastaava, yrittäjä, markkinointipäällikkö, 

talous- ja HR-päällikkö, development and sales manager, suunnittelija sekä henkilöstö- 

ja hallintojohtaja. Tulosten perusteella lähes kaikkien osallistuneiden voidaan katsoa 

toimivan päällikkö- tai johtajanimikkeellä.  

 

Vastaajien kokemusvuosijakaumaa mitanneen kysymyksen vastauksissa on havaittavissa 

vaihtelua (ks. kuvio 7). Suurin osa vastaajista (33 %) oli vastannut työskennelleensä 

kyseisissä tehtävissä alle viiden vuoden ajan. Tämä vastaa 12 vastaajaa. Toisena 

ääripäänä kysymykselle oli vaihtoehto ”Enemmän kuin 20 vuotta”, jonka oli valinnut 

kymmenen vastaajaa (27 %). Kaikista vähiten vastaajia oli vaihtoehdossa ”16–20 vuotta”, 

84 %

14 %
8 %

5 %

16 %
22 %

19 %

Ylin johto Taloushallinto Rahoitus IT Myynti Markkinointi Liiketoiminnan
kehittäminen



54 

sillä vastaajia oli vain kaksi (5 %). Vastauksien ”5–10 vuotta” ja ”11–15 vuotta” 

vastausjakauma oli tasainen ja nämä vaihtoehdot kattoivat yhteensä 13 vastausta (35 %). 

 

 

Kuvio 7. Kokemus nykyisistä tehtävistä. 

 

Viimeisessä taustatietoja kartoittavassa kysymyksessä arvioitiin vastaajan vaikutusvaltaa 

oman organisaationsa strategisessa päätöksenteossa. 34 vastaajaa (92 %) 37:stä oli 

arvioinut omaksi vaikutusvallakseen vaihtoehdon 5, joka vastaa erittäin suurta 

vaikutusvaltaa. Kaksi oli vastannut vaihtoehdon 4 ja vain yksi vastaaja oli vastannut 

vaikutusvaltansa olevan kohtalaisella tasolla, joka vastaa arvoa 3. Kaikkien vastausten 

keskiarvoksi muodostui 4,9 ja mediaaniksi 5,0. Tämä tarkoittaa, että lähes kaikki 

tutkimukseen osallistuneet henkilöt omaavat erittäin suuren vaikutusvallan 

organisaationsa strategisessa päätöksenteossa. 

 

 

6.2 Strategia 

Kyselylomakkeen kuudennessa kysymyksessä kartoitettiin kasvuyritysten strategioita, 

jotta voidaan tutkia tietyn strategian yhteyttä big datan ja tekoälyn käyttöön. 

Vastausvaihtoehtoina käytettiin Porterin (1980) geneerisiä strategiamalleja, jotka ovat 

kustannustehokkuus, erilaistuminen ja keskittyminen.  

33 %

19 %

16 %

5 %

27 % 

Alle 5 vuotta

5–10 vuotta

11–15 vuotta

16–20 vuotta

Enemmän kuin 20 vuotta



55 

 

Erilaistumista hyödynsi kaikkiaan 19 yritystä 37:stä, joka on noin 51 %. Toiseksi yleisin 

strategia oli kustannustehokkuus, jonka oli valinnut kymmenen vastaajaa (27 %). 

Tulosten perusteella keskittymisen voidaan todeta olevan vähiten käytetty strategia 

kyseisten kasvuyritysten keskuudessa, sillä sitä hyödynsi vain seitsemän vastaajaa (22 %). 

Strategiajakaumaa havainnollistetaan kuviossa 8.  

 

 

Kuvio 8. Strategiajakauma. 

 

Seuraavassa strategiaa käsittelevässä kysymyksessä vastaajaa pyydettiin arvioimaan 

Likert-asteikolla 1–5, miten yrityksen strategian koetaan ohjaavan päätöksentekoa. 5 

vastaa täyttä ohjausta ja 3 sitä, että strategia ohjaa päätöksentekoa huomattavasti. 

Vaihtoehdon 1 mukaan strategia ei ohjaa päätöksentekoa lainkaan. Vastauksissa oli 

havaittavissa hajontaa, mutta enemmistö (65 %) oli vastannut kysymykseen vaihtoehdon 

4, joka tarkoittaa merkittävää ohjausta. Yhtä vastausta lukuun ottamatta kaikkien 

kasvuyritysten strategia ohjaa päätöksentekoa vähintään huomattavasti. Strategian 

koettiin ohjaavan päätöksentekoa täysin yhteensä kuudessa yrityksessä. Strategian 

ohjaavuutta tarkasteltiin myös ristiintaulukoinnin avulla, josta selviää, minkä 

strategiatyypin vastaajat olivat valinneet. Ristiintaulukointia havainnollistetaan kuviossa 

9. 

 

27 %

51 %

22 %

Kustannustehokkuus Erilaistuminen Keskittyminen



56 

 

 

Kuvio 9. Strategian ohjaus päätöksenteossa. 

 

Niin kuin kuviosta 9 voidaan tulkita, kasvuyrityksen strategiamallilla ei ole vaikutusta 

siihen, miten strategian koetaan ohjaavan päätöksentekoa. Muuttujien p-luvuksi saatiin 

p = 0,09. Arvo on melko lähellä merkittävyyden rajaa, mutta jää kuitenkin sen yläpuolelle 

eikä tulosta voida pitää tilastollisesti merkittävänä. 

 

Kahdeksannessa kysymyksessä selvitettiin kasvuyritysten muutoskyvykkyyttä, jota 

arvioitiin Likert-asteikolla 1–5. Kasvuyritysten edustaja