VAASAN YLIOPISTO 

TEKNIIKAN JA INNOVAATIOJOHTAMISEN YKSIKKÖ 

TUOTANTOTALOUS 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Juho Töyli 

 

MYYNNIN ENNUSTAMINEN IT-ALAN PK-YRITYKSISSÄ 
 

 

 

 

 

 

 

 

 

 

 

 

Tuotantotalouden pro gradu -tutkielma 

 

 

 

 

 

 

 

 

 

VAASA 2018 



1 

 

 
SISÄLLYSLUETTELO     Sivu 

1. JOHDANTO .......................................................................................................... 5 

1.1. Tutkimuksen tavoite ja tutkimuskysymykset ................................................. 5 

1.2. Rajaus ............................................................................................................. 5 

1.3. Tutkimusstrategia ........................................................................................... 6 

1.4. Rakenne .......................................................................................................... 6 

1.5. Odotukset ....................................................................................................... 6 

2. MYYNNIN ENNUSTAMINEN ........................................................................... 7 

2.1. Perusteluita myynnin ennustamiselle ............................................................. 7 

2.2. Ennusteiden käyttötarkoituksia ...................................................................... 8 

2.3. Ennusteiden tasot.......................................................................................... 12 

2.4. Ennusteiden aikavälit ................................................................................... 12 

2.5. Ennustamismenetelmät................................................................................. 14 

2.6. Järjestelmät ja ohjelmat ................................................................................ 28 

2.7. Ennusteiden tarkkuus ................................................................................... 29 

2.8. Menetelmien valitseminen ........................................................................... 32 

3. METODOLOGIA ................................................................................................ 38 

3.1. Datan keräysmenetelmät .............................................................................. 38 

3.2. Datan analysointimenetelmät ....................................................................... 40 

3.3. Datasetti ........................................................................................................ 42 

4. TULOKSET ........................................................................................................ 43 

4.1. Kohdeyritykset ............................................................................................. 43 

4.2. Yritys A ........................................................................................................ 44 

4.3. Yritys B ........................................................................................................ 50 

4.4. Yritys C ........................................................................................................ 57 

4.5. Vertailu ......................................................................................................... 64 



2 

 

5. JOHTOPÄÄTÖKSET ......................................................................................... 71 

5.1. Tutkielman reflektointi ................................................................................. 75 

6. LÄHTEET ........................................................................................................... 76 

7. LIITTEET ............................................................................................................ 80 

Liite 1. Haastattelurunko. ....................................................................................... 80 

 

  



3 

 

KUVALUETTELO 

Kuva 1. Budjetoinnin prosessi .......................................................................................... 9 

Kuva 2. Eksponentiaalisen tasoituksen painoarvot ........................................................ 18 

Kuva 3. Skenaarioanalyysin perspektiivit ...................................................................... 26 

Kuva 4. Ennustamisstrategiat ......................................................................................... 37 

Kuva 5. Haastateltavat. ................................................................................................... 42 

  



4 

 

VAASAN YLIOPISTO 

Tekniikan ja innovaatiojohtamisen yksikkö  

Tekijä:    Juho Töyli 

Tutkielman nimi:   Myynnin ennustaminen IT-alan Pk-yrityksissä  

Ohjaajan nimi:   Jussi Kantola  

Tutkinto:    Kauppatieteiden maisteri 

Ohjelma:  Tuotantotalouden tutkinto-ohjelma 

Pääaine:    Tuotantotalous  

Opintojen aloitusvuosi:   2013 

Tutkielman valmistumisvuosi:  2018 Sivumäärä: 82 

 

TIIVISTELMÄ: 

Myynnin ennustamisella on yrityksen kannalta oleellinen rooli ja sen harjoittaminen on 

tärkeää. Myyntiennustetta voidaan käyttää useisiin eri tarkoituksiin ja se voidaan laatia 

usealla tavalla eri menetelmiä hyödyntäen eri aikaväleille ja tasoille. Ennusteiden tark-

kuudet ovat myös erilaisia ja tarkkuuteen vaikuttaa useat eri asiat. Tarkkuuden on oleel-

lista olla riittävää. On olemassa myös liuta erilaisia ohjelmia ja järjestelmiä myynnin en-

nustamiseen. 

 

Tämän tutkielman tarkoituksena on selvittää, minkälainen myynnin ennustamisen tila IT-

alan Pk-yrityksissä on. Tutkielmassa pyritään selvittämään, minkälaisia myynnin ennus-

tamiskäytäntöjä IT-alan Pk-yrityksissä on ja miten tutkittavien yritysten myynnin ennus-

tamistoiminta vertautuu kirjallisuudesta saatuun kuvaan myynnin ennustamisesta. 

 

Tutkielman alussa on teoriaosuus, joka on kirjallisuuskatsaus myynnin ennustamisesta. 

Lisäksi tutkielmaan kuuluu tutkimus, joka suoritetaan kvalitatiivisena. Tiedonkeruume-

netelmänä toimii haastattelu. Tutkimukseen osallistui kaikkiaan kolme IT-alan Pk-yri-

tystä; mikroyritys, pieni yritys ja keskisuuri yritys. 

 

Tutkimuksesta selvisi, että yrityksissä ennustetaan myyntiä melko aktiivisesti ja syste-

maattisesti. Tutkimuksesta löytyi niin eroja kuin yhtäläisyyksiäkin valittujen yritysten 

toiminnan ja kirjallisuudesta saadun kuvan välillä. Tutkimuksen yritykset eivät käytä juu-

rikaan kvantitatiivisia menetelmiä ennustamiseen, vaan luottavat pääasiassa kvalitatiivi-

siin menetelmiin. Yrityksillä on käytössään myös ohjelmistoja tai järjestelmiä, joita voi-

daan hyödyntää myynnin ennustamisessa. Kaksi kolmesta haastateltavasta yrityksestä 

käyttää ohjelmistoista löytyvää myyntiputkeksi kutsuttua työkalua ennustamiseen. Tär-

keimpiä käyttötarkoituksia ennusteille on resursointi ja henkilöstön tarpeen arviointi. Yri-

tykset pyrkivät ennusteissaan riittävään tarkkuuteen, joka on yritysten välillä vaihteleva. 

Yritysten myynnin ennustamistoiminta on hyvällä tasolla ja yritysten tahtotila on kehittää 

sitä tulevaisuudessakin. 

 

 

AVAINSANAT: Taloudelliset ennusteet, ennustemenetelmät, tietotekniikka-ala  



5 

 

1. JOHDANTO 

 

Yrityksen liiketoiminnan kannalta myynnin ennustaminen on tärkeä toimenpide. Se on 

tärkeää huolimatta siitä, minkä kokoinen yritys on tai millä toimialalla se vaikuttaa. 

Myyntiennusteita käytetään perustana budjetointiin ja toiminnan tarkempaan suunnitte-

luun. Lukuisat yrityksen eri toiminnot hyötyvät toiminnassaan myyntiennusteista. On siis 

selvää, että myynnin ennustamiseen on kannattavaa panostaa, ja että ennusteet on syytä 

laatia huolellisesti ja riittävän tarkoiksi. Myynnin ennustamisesta on hyötyjä, joiden an-

siosta yritykset saattavat parhaimmillaan välttyä jopa konkurssilta. (Makridakis et al. 

1983; Jobber & Lancaster 2015.) 

 

1.1.  Tutkimuksen tavoite ja tutkimuskysymykset 

 

Tämän tutkielman tavoitteena on tutkia myynnin ennustamista ja sen tilaa IT-alan Pk-

yrityksissä. Tutkimuksessa pyritään siis selvittämään, millainen on ennustamistoiminnan 

nykytila valituissa yrityksissä; ennustetaanko myyntiä, millaisia ennustamiskäytäntöjä 

on, mitä ennustusmenetelmiä tai järjestelmiä on käytössä, mihin ennusteita hyödynnetään 

ja miten yrityksissä suhtaudutaan ennustamiseen tulevaisuudessa. 

 

Tutkielmassa pyritään selvittämään vastaus seuraaviin tutkimuskysymyksiin: 

 

1. Minkälaista myynnin ennustamistoimintaa IT-alan Pk-yrityksissä on? 

 

2. Miten tutkittavien yritysten myynnin ennustamistoiminta vertautuu kirjallisuudesta 

saatuun kuvaan myynnin ennustamisesta? 

 

1.2. Rajaus 

 

Tutkimus rajataan tutkijan henkilökohtaisen preferenssin perusteella koskemaan Pk-yri-

tyksiä IT-alalta. Koska myynnin ennustamisen teoria tuntuu suurimmaksi osakseen ole-

van kirjoitettu teollisien yrityksien näkökulmasta, valikoitui alati kasvava ja ajankohtai-



6 

 

nen IT-ala kohteeksi kiinnostuksesta selvittää, miten ennustamista alalla sovelletaan. Ra-

jaus Pk-yrityksiin puolestaan valikoitui etupäässä siitä syystä, että kyseisessä kokoluo-

kassa toimialalla tuntuu riittävän toimijoita. 

 

1.3. Tutkimusstrategia 

 

Tutkimuskysymyksiin pyritään saamaan vastaus seuraavan tutkimusstrategian avulla: 

aluksi luodaan katsaus kirjallisuuteen ja käydään läpi myynnin ennustamisen teoriaa. Tä-

män jälkeen suoritetaan teoriaan pohjautuva kvalitatiivinen tutkimus. Tutkimus suorite-

taan kasvotusten tehtävinä, anonyymeina puolistrukturoituina haastatteluina. Tutkimuk-

seen valituista kolmesta IT-alan yrityksestä haastatellaan heidän myynnin ennustamistoi-

minnastaan vastaavia henkilöitä. Haastatteluista kerätty tieto analysoidaan, ja yritysten 

ennustamistoimintaa verrataan toisiinsa sekä kirjallisuuteen. 

 

1.4. Rakenne 

 

Tutkimuksen rakenne mukailee vahvasti edellä kuvattua tutkimusstrategiaa. Kun lukijat 

on ensimmäisessä luvussa johdateltu aiheeseen ja tutkimukseen, siirrytään toiseen lu-

kuun, joka on tutkielman teoriaosa. Siinä käydään läpi myynnin ennustamista yleisellä 

tasolla. Kolmannessa luvussa esitellään tutkimuksen metodologia, eli käydään läpi valin-

toja koskien tutkimusmenetelmää sekä esitellään datan keräys- ja analysointimenetelmät. 

Neljännessä luvussa esitellään tutkittavat yritykset, analysoidaan kerättyä aineistoa ja 

suoritetaan vertailu. Viidennessä, eli tutkielman viimeisessä varsinaisessa luvussa, esitel-

lään tutkielman johtopäätökset ja keskeiset havainnot. 

 

1.5. Odotukset 

 

Tutkielman tuloksista odotetaan saatavan havainto, jonka mukaan kaikissa haastatelta-

vissa yrityksissä ennustetaan myyntiä tavalla tai toisella. Pienten, etenkin mikroyrityksien 

ennustamistoiminnan odotetaan olevan yksinkertaista. Tutkija odottaa myös, että joitain 

kirjallisuudessa esiteltyjä tekniikoita olisi käytössä, mutta myös eroja kirjallisuuteen odo-

tetaan löytyvän.  



7 

 

2. MYYNNIN ENNUSTAMINEN 

 

2.1. Perusteluita myynnin ennustamiselle 

 

Teollisuus on jatkuvassa muutoksessa, koska esimerkiksi globaalit markkinat kasvavat 

jatkuvasti ja kilpailu on maailmanlaajuista. Tämä tekee johdon tehtävistä suoriutumisen 

haastavaksi. Informaatioteknologiat kehittyvät, mikä on nopeuttanut kaupankäyntiä ja 

helpottanut esimerkiksi innovaatioiden ja yrityksille uusien menetelmien käyttöönotta-

mista eri toimialoilla. Yrityksissä on siis pystyttävä arvioimaan myös tulevaa paremmin 

kuin aiemmin. Mikäli tulevaan ei pystytä ennakoimaan hyvin, ei yritys välttämättä pärjää 

kilpailussa. (Lancaster & Massingham 2011: 350) 

 

Tulevaisuuden suunnittelun kannalta on olennaista, että tulevaisuutta pystytään ennusta-

maan. Myynnin ennustamiselle ei aina anneta tarpeeksi suurta painoa, tai siitä vastaavat 

henkilöt eivät näe sen tärkeää roolia. Myyntiä priorisoidaan enemmän, kuin sen ennusta-

mista. Sellaiset ennusteet, joihin ei panosteta kunnolla, ovat lähinnä arpapeliä. Myynnin 

ennustaminen on tärkeää, jos yrityksen on mahdollista tuottaa liikaa tai liian vähän. Yli-

tuotanto voi koitua kalliiksi esimerkiksi turhaa käytettyjen resurssien ja useiden muiden 

tekijöiden vuoksi. Alituotanto taas tarkoittaa sitä, että yritys menettää potentiaalisen, suu-

remman myynnin. (Jobber & Lancaster 2015: 439 – 440.) Jotta näin ei kävisi, tuotannossa 

on osattava tehdä myös oikeat päätökset esimerkiksi toimittajien valitsemisen, prosessien 

valitsemisen ja kapasiteetin suunnitteluun. Hankintaa ja varastointia on osattava myös 

suunnitella. Lisäksi ennustaminen luo pohjan budjetoinnille, markkinointi luottaa ennus-

teisiin suunnitellessaan uusia tuotteita. (Chase & Jacobs 2017: 46). 

 

Myynnin ennustamisen harjoittamiselle ja mahdollisimman tarkkojen ennusteiden laati-

miseen pyrkimiselle on siis olemassa hyviä perusteluita. Tilanteiden ja markkinoiden alati 

muuttuessa on hyvä pystyä ennakoimaan tulevaa, jotta kilpailussa pärjätään. Niihin hyö-

tyihin nähden, joita myynnin ennustaminen tarjoaa, ei siihen välttämättä panosteta tar-

peeksi. Myynnin ennustamisella ei pelkästään ehkäistä tappioita, vaan voidaan myös var-

mista potentiaalisen myynnin saavuttaminen. (Töyli 2016: 6) 

 



8 

 

2.2. Ennusteiden käyttötarkoituksia 

 

Ennusteita voidaan käyttää useisiin eri käyttötarkoituksiin. Monet yrityksen toiminnot 

saattavat luottaa ennusteisiin suunnitellakseen toimintaansa. Makridakiksen ja 

Wheelwrightin (1979: 17) mukaan ennusteet toimivat pohjana budjetoinnille ja markki-

noinnin suunnittelulle. Ennuste toimii siis apuvälineenä päätöksenteolle, minkä vuoksi se 

on käytännönläheisyydessään hyödyllinen. Mitä paremmin ne pystyvät takaamaan onnis-

tumisen päätöksiä tehdessä, sitä enemmän niitä käytetään. Päätökset, joita tehdään tule-

vaisuuteen, perustuvat luonnollisesti ennusteisiin siitä, mitä tuleman pitää. 

 

2.2.1. Pohja budjetoinnille 

 

Budjetointia pidetään keinona kontrolloida yrityksen tulevaisuuden toimintaa ja tuloksia. 

Budjetoinnin keinoin yritys pystyy allokoimaan resurssinsa oikein päästäkseen tavoittei-

siinsa. Ennuste toimii siis tärkeänä lähtökohtana budjetoinnille. Budjetointi on tärkeää 

tehdä hyvin, sillä se vaikuttaa suoraan yrityksen menestymiseen. (Shim, Shim & Siegel 

2011: 1 – 4.) 

 

Budjetoinnin tarkoituksena on siis varmistaa, ettei resursseja käytetä enempää, kuin niitä 

on suunniteltu kertyvän. Kun resurssit allokoidaan oikein, voidaan niitä silloin käyttää 

mahdollisimman tehokkaasti. Mikäli ennustaminen on huonoa, näkyy se myös negatiivi-

sesti budjetissa. Väärin mitoitettu budjetti voi johtaa ongelmiin rahoituksessa. Paikatak-

seen ongelmia yritys voi joutua ottamaan lyhytaikaista lainaa, jolla on korkeat korot, mikä 

voi koitua kalliiksi. Esimerkkejä huonon budjetoinnin vuoksi kaatuneista yrityksistä on 

lukuisia. (Jobber & Lancaster 2015: 458) 

 

Myyntiennusteesta laaditaan erilaisia budjetteja, kuten myyntibudjetti, joka pitää sisäl-

lään kaikki myyntitulot, joita yritykselle arvioidaan tulevan. Myyntibudjetista puolestaan 

johdetaan budjetteja spesifimmin muille toiminnoille. (Jobber & Lancaster 2015: 461.) 

Budjetointiprosessi on havainnollistettuna kuvassa 1. 

 



9 

 

Vaikka budjetti laaditaan ennusteen perusteella, ne ovat eri asioita. Ne eroavat siten, että 

ennuste kertoo, mitä tulevalta odotetaan ja budjetti puolestaan on suunnitelma tulevalle. 

Budjetti on myös luonteeltaan varmempi, sillä se pitää myös sisällään yrityksen sisäisiä 

asioita. Ne ovat tekijöinä paremmin ennustettavia ja varmempia. (Lancaster & Mas-

singham 2011: 356.) 

 

Kuva 1. Budjetoinnin prosessi. (Jobber & Lancaster 2015: 462) 

 

Kuvassa 1 on eriteltynä budjetoinnin prosessi. Siitä selviää, missä järjestyksessä budjetti 

laaditaan ja mistä budjetista mikäkin budjetti johdetaan. Kaikki alkaa myyntiennusteesta, 

josta johdetaan myyntibudjetti, josta puolestaan johdetaan myyntiosaston, tuotannon ja 

hallinnon budjetit. 

 

2.2.2. Yritys yleisesti 

 

Pohjan luominen yrityksen suunnitelmille, jotka vaikuttavat eri toimintojen toimintaan 

keskipitkällä ja pitkällä aikavälillä on yksi myynnin ennustamisen tärkeimmistä tehtä-

vistä. Jotta pitkällä aikavälillä voidaan taata tuottavuus, täytyy suunnitella. Ennusteesta 

hyödytään siis taloudellisesti, mutta siitä saadaan lisäksi tietoa. Yritys vastaa myyntien-

nusteessa ilmi tulevaan arvioituun muutokseen suunnittelemalla toimintaansa ja valitse-

malla oikeanlaiset toimenpiteen kussakin tilanteessa. Tehokasta päätöksentekoa ei myyn-

  

  

  

  

  

  

  

  

  

Myyntiennuste   

  

  
Myyntibudjetti   

  

  Myyntiosaston budjetti   Tuotannon budjetti   

Kassabudjetti  

Tulot   Menot   

 Tuottobudjetti   

Tulot   Menot   

Hallinnon budjetti   



10 

 

nin ennustamisella tulisi siitä huolimatta korvata. Tämä johtaisi toimenpiteisiin, joilla yri-

tys pyrkii sopeutumaan muuttuviin tilanteisiin ainoastaan lyhyellä aikavälillä, mikä ei ole 

välttämättä hyvä asia. (Lancaster & Massingham 2011: 352 – 353.) 

 

Lancasterin ja Massinghamin (2011: 353) mukaan on periaatteessa kaksi tapaa, joilla yri-

tyksen myyntiä voidaan ennustaa. Ensimmäinen myyntiennusteeksi kutsuttu vaihtoehto 

perustuu historialliseen myyntidataan ja tulevaisuudessa odotettavien tilauksien määrään. 

Toinen vaihtoehto on laatia ennuste markkinoista: arvioidaan ja määritellään markkinoi-

den koko, jonka jälkeen arvioidaan yrityksen osuus siitä. Jälkimmäinen tapa voi olla usein 

yrityksen kannalta käytännöllistä. Markkinaosuuden ennustamisessa voidaan ottaa huo-

mioon strategian vaikutus yrityksen markkinaosuuteen ja kilpailijoiden toiminta tulevai-

suudessa. 

 

2.2.3. Ennusteita käyttäviä yrityksen toimintoja 

 

Kirjallisuudesta käy ilmi, että useat yrityksen toiminnot tarvitsevat ja käyttävät myyntien-

nusteita. Ainakin tuotannon, hankinnan, henkilöstöhallinnon, talouden, tutkimuksen ja 

tuotekehityksen ja markkinoinnin osastot käyttävät niitä omiin tarkoituksiinsa. (Jobber & 

Lancaster 2015: 441 – 442; Lancaster & Massingham 2011: 354.) 

 

Tuotannolle resurssien allokointi on tärkeää. Esimerkiksi tuotantoon on varatta tarpeeksi 

aikaa ja tarvittavat materiaalit ovat oltavat saatavilla kun niitä tarvitaan. Lyhyen aikavälin 

ennusteiden avulla tuotanto pystyy reagoimaan äkkinäisiin kysynnän vaihteluihin. Tässä 

auttaa myös myyntiosaston ja tuotannon välinen tiivis yhteydenpito. Päätökset tuotannon 

kasvattamisesta tai laajentamisesta tarvitsevat tukea pitkän aikavälin ennusteista. Tuotan-

non tarpeet ohjaavat usein myös hankinnan toimintaa, on ennusteista siitä huolimatta hyö-

tyä. Strategisen materiaalin, jonka saatavuus on huono ja toimitusajat pitkät, hankinta tar-

vittavassa aikataulussa ja sopivilla kustannuksilla helpottuu, kun tarvetta osataan enna-

koida ajoissa. (Jobber & Lancaster 2015: 441.) Lisäksi ennusteita tarvitaan myös varas-

toinnin suunnitteluun (Chase & Jacobs 2017: 46). 

 



11 

 

Henkilöstöhallinnan tehtävä on suunnitella henkilöstöä. Toiminto tarvitsee ennusteita 

etenkin osatakseen arvioida tarvittavan henkilöstön keskipitkällä aikavälillä. Mikäli esi-

merkiksi tavoitellaan suurempaa myyntiä, on rekrytoitava lisää henkilöstöä. (Lancaster & 

Massingham 2011: 354.) On myös tärkeää, että osaaminen on oikeanlaista ja että sitä on 

saatavilla (Jobber & Lancaster 2015: 441). 

 

Talousosastolla on käyttöä keskipitkän ja pitkän aikavälin ennusteille. Keskipitkän aika-

välin ennusteita se käyttää budjetointiin. Pitkän aikavälin ennusteita se taas tarvitsee 

suunnitellakseen voitto- ja tulovirtoja sekä tuotannon investointien suunnitteluun talou-

den näkökulmasta. (Jobber & Lancaster 2015: 441) 

 

Tutkimuksen ja tuotekehityksen osastoa kiinnostaa myyntilukujen sijaan markkinat. 

Markkinatutkimuksesta se on kiinnostunut selvittääkseen, mitä markkinat haluavat. Näin 

se osaa suunnitella oikeanlaiset tuotteet ja kehitellä niitä siten, että ne pärjäävät markki-

noilla. Markkinoista saatava tieto on olennaista paitsi yrityksen omiin tuotteisiin liittyen, 

myös kilpailijoiden tuotteisiin. (Jobber & Lancaster 2015: 441 – 442.) 

 

Lancasterin ja Massinghamin (2011: 350, 355) mukaan myynnin ennustaminen kuuluu 

markkinointiosaston tehtäviin. Siitä huolimatta osasto hyötyy kaikkien aikavälien ennus-

teista myös itsekin suunnitellessaan markkinointia. Kun ennustetta laaditaan, on olen-

naista kiinnittää huomiota ennustettavaan markkinasegmenttiin. Itse markkinointityön 

kohdentaminen tapahtuu juurikin samalle segmentille. Voidaan kuitenkin ennustaa esi-

merkiksi jonkin tuotteen globaaleita markkinoita, mutta silloin on oltava käsitys yrityksen 

omasta markkinaosuudesta kyseisillä markkinoilla, mikä voi olla haasteellinen tehtävä. 

Markkinaosuuteen voidaan vaikuttaa esimerkiksi markkinointityöllä. Myyntiennusteesta 

laaditun myyntitavoitteen saavuttamiseksi markkinointiosaston resurssit ovat allokoitava 

oikein. Ennusteen perusteella voidaan myös asettaa henkilöstön tavoitteita ja suunnitella 

markkinointikanaviin kohdistettuja toimenpiteitä keskipitkällä tai pitkällä aikavälillä.  

 

 

 



12 

 

2.3. Ennusteiden tasot 

 

Myyntiennustetta laadittaessa on päätettävä, millä tasolla tai horisontilla ennustetaan. 

Kansainvälisellä tasolla ennustaminen on laajimmillaan. Tarkempia ennusteita voidaan 

laatia markkinatasolla, yrityksen tasolla tai jopa tuotetasolla, jolloin ennustetaan jonkin 

yksittäisen tuotteen myyntiä. Ennusteita voidaan laatia myös kausittaisesti tai myyntihen-

kilöittäin sekä myyntialueittain. Monesti yritysten ei tarvitse itse laatia ennusteita globaa-

lilla tasolla, vaan ne voivat olla jo saatavana. Niitä voi myös monesti hyödyntää esimer-

kiksi ennustettaessa jonkin yrityksen oman tuotteen tasolla tai yrityksen kansainvälisen 

markkinaosuuden arvioimiseen. (Jobber & Lancaster 2015: 443). 

 

Näyttäisin siltä, että yrityksen koko pitkälti määrittää, millä tasolla ennustamistoimintaa 

harjoitetaan (Töyli 2016: 11). Petersonin (1993a: 11) tutkimuksesta kävi ilmi pienten ja 

suurten yritysten eroja. Vähittäiskaupan alalla pienet yritykset ennustavat lähinnä yrityk-

sen tasolla, mutta suuremmat sen sijaan saattavat ennustaa lisäksi esimerkiksi maantie-

teelisesti tai rajata ennusteensa johonkin asiakastyyppiin. Vastaavan tuloksen Peterson ja 

Jun (1999: 15) saivat tukkumyynnin alalla toimivien yritysten kohdalla. Kaikki tutkimuk-

seen vastanneet pienet ja suuret yritykset ennustavat yrityksen tasolla. Tuotetasolla esi-

merkiksi taas ennustetaan vähemmän, etenkin pienissä yrityksissä. Tämän perusteella 

voidaan päätellä, että suurempien yritysten ennustustoiminta on laajempaa, kuin pienten 

yritysten. 

 

2.4. Ennusteiden aikavälit 

 

Ennusteet jaetaan ennustettavan aikavälin perusteella kirjallisuudessa eri ryhmiin. Ryh-

mät ovat lyhyt, keskipitkä ja pitkä aikaväli. Yrityksen eri toiminnolla on tarvetta ja hyötyä 

eri aikavälien ennusteille. Erilaisilla ennusteilla on myös erilainen vaikutus kuhunkin toi-

mintoon. Mitä laajemmasta toiminnan suunnittelun tasosta on kyse, sitä pidemmän aika-

välin ennusteelle on tarvetta. (Lancaster & Massingham 2011: 351) 

 

 



13 

 

2.4.1. Lyhyen aikavälin ennusteet 

 

Ennustettaessa lyhyelle aikavälille, on tavallisesti kyse korkeintaan kolmen kuukauden 

pituisesta ennusteesta (Jobber & Lancaster 2015: 440). Yritykset tarvitsevat lyhyen aika-

välin ennusteita voidakseen sopeutumaan muutoksiin taktisten siirtojen avulla, esimer-

kiksi tuotantoa suunnitellessaan. Ennusteen avulla pyritään mukautumaan kausiluontei-

siin vaihteluihin ja niiden aikaansaamiin muutoksiin. (Lancaster & Massingham 2011: 

352).  

 

2.4.2. Keskipitkän aikavälin ennusteet 

 

Keskipitkälle aikavälille ennustettaessa taas on tavallisesti kyse noin vuoden päähän ylet-

tyvistä ennusteista. Etenkin suunnittelijat käyttävät työssään hyödykseen keskipitkän ai-

kavälin ennusteita. Liiketoiminnan budjetoinnin kannalta keskipitkän aikavälin ennuste 

on myös oleellisin. Hyvä ennustaminen on siis hyvän budjetoinnin edellytys. Budjetti on 

vaarana ali- tai ylimitoittaa etenkin, jos ennusteen laatii siihen pätemätön henkilö. (Jobber 

& Lancaster 2015: 440 – 441.) Riittämätön panostus keskipitkän aikavälin ennustamiseen 

lienee syynä useiden pienten yritysten konkursseille, joten siihen olisi syytä panostaa. 

Ennusteita käytetään useissa yrityksen toiminnoissa, kuten henkilöstötarpeen tai hankin-

tojen tarpeellisuuden määrittämiseen. (Lancaster & Massingham 2011: 352) 

 

2.4.3. Pitkän aikavälin ennusteet 

 

Kun ennustetaan pitkälle aikavälille, tarkoitetaan tavallisesti yli kahden vuoden päähän 

ylettyviä ennusteita, vaikka monesti käytännössä ylettyvätkin yli kolmen vuoden päähän. 

Mikäli toimiala on luonteeltaan hyvin strateginen tai raskasrahoitteinen, voi tarve olla 

aina peräti vuosikymmenen mittaiselle ennusteelle. Pitkä aikaväli voidaan määritellä eri 

toimialoilla eri tavoin. IT-alan pitkä aikaväli voi tarkoittaa kolmea vuotta, kun esimer-

kiksi jonkin metallin valmistamisessa puolestaan voidaan puhua vuosikymmenestä. Pit-

kän aikavälin ennusteiden haasteena on niiden heikko tarkkuus ja epämääräisyys. Tämän 

vuoksi niitä saatetaan hieman epäaiheellisestikin arvostella myöhemmin. (Jobber & Lan-

caster 2015: 440 – 441; Lancaster & Massingham 2011: 352.) 



14 

 

 

Koska pitkän aikavälin ennusteet ovat ajoittain epätarkkoja, eivät ne välttämättä aina täytä 

odotuksia. Vaikka epätarkkuuden suuruus voikin johtua huonosta ennustamisesta, kuuluu 

epävarmuus pitkän aikavälin ennusteisiin olennaisena osana. Tämän epävarmuuden mah-

dollisimman tarkka eliminoiminen kuuluukin ennustetta laativan rooliin. Sen sijaan, että 

ennusteen hyvyyttä arvioitaisiin vain pelkän tarkkuuden mukaan, tulisi sitä arvioida sen 

perusteella, miten se onnistuu tekemään eron vältettävissä olevan ja välttämättömän epä-

varmuuden välille. (Makridakis & Wheelwright 1979: 141) 

 

Pitkän aikavälin ennusteet toimivat strategisen päätöksenteon ja yrityksen varojen koh-

dentamisen apuvälineinä. Monesti pitkän aikavälin ennusteiden käyttäjiä ovat yrityksen 

hallituksen jäsenet. Kun lyhyellä aikavälillä suunnitellaan työvoiman riittävyyttä, voi-

daan pitkällä aikavälillä pohtia tehtaiden tai toimipisteiden määrää. Toisin kuin lyhyen, 

pitkän aikavälin ennusteita käytetään siis yrityksen toiminnan suunnitteluun ylätasolla. 

(Jobber & Lancaster 2015: 440 – 441; Lancaster & Massingham 2011: 352.) 

 

Vaikka ennusteet voidaan pituuksiensa perusteella kategorioida näin karkeasti kolmeen 

kategoriaan, tulisi ennustamisprosessin käytännön tasolla olla jatkuva. Ennusteita tulee 

päivittää aina sen mukaan, kun ilmenee asioita tai muutoksia, joilla on ennusteisiin vai-

kutusta. Kun ennusteita päivitetään, ne pysyvät tuoreina ja yrityksiä kohtaaviin muutok-

siin varautuminen on helpompaa. (Lancaster & Massingham 2011: 366) 

 

2.5. Ennustamismenetelmät 

 

On olemassa useita erilaisia menetelmiä, joita myyntiennusteiden laatimiseen voidaan 

käyttää. Ajan mittaan on luotu erilaisia menetelmiä erilaisiin tilanteisiin, eikä yhtä ainoaa 

oikeaa menetelmää ole, joka sopisi tilanteeseen kuin tilanteeseen. Tilanteen ja käyttötar-

koituksen mukaan menetelmältä vaaditaan erilaisia piirteitä. Näihin toivottuihin piirtei-

siin vaikuttavat monet asiat, kuten mille aikavälille ennustetaan ja käytettävissä olevan 

historiallisen datan määrä. (Makridakis, Wheelwright & McGee 1983: 8) 

 



15 

 

Menetelmien ryhmittely on toteutettu eri tekijöiden kirjallisuudessa hiukan eri tavoilla. 

Tavallisin tapa on jakaa ennustamismenetelmät kahteen ryhmään: kvalitatiiviset ja kvan-

titatiiviset. (Makridakis ym.1983; Jobber & Lancaster 2015). Toisaalta näiden kahden 

ryhmän menetelmiä voidaan myös nimittää niiden subjektiivisiksi tai objektiivisiksi nii-

den luonteen mukaan (Lancaster & Massingham 2011: 358.) Hieman eri näkökulmasta 

ne voidaan myös jakaa kolmeen kategoriaan: arvioihin pohjautuvat menetelmät, sekä 

kausaali- ja aikasarjaennusteisiin. (Michael 1979: 7) 

 

Michaelin kolme kategoriaa määritellään seuraavalla tavalla. Ensimmäisen ryhmän, arvi-

oihin pohjautuvat menetelmät, menetelmillä on subjektiivinen luonne. Niitä laaditaan laa-

dullisen datan ja henkilöiden arvioita hyväksi käyttäen. Aikasarjamenetelmiksi kutsutut 

puolestaan laaditaan menneisyydestä kerätyn määrällisen datan avulla, eli ovat numeeri-

sia. Nämä menetelmät pyrkivät havainnoimaan menneisyydessä toistuvia kaavoja, kuten 

kausittaisuuksia. Samalla tavalla myös kausaalimenetelmiksi kutsutut menetelmät perus-

tuvat määrälliseen dataan, mutta niillä taas pyritään havainnoimaan yhteyksiä myynnin 

ja eri osatekijöiden välillä. (Michael 1979: 9, 17, 23) 

 

Näiden kategorioiden menetelmät löytyvät myös kvalitatiivisiksi tai kvantitatiivisiksi 

kutsuttujen menetelmien joukosta (Töyli 2016: 15). Nimittäin aikasarja- ja kausaalime-

netelmät luokitellaan kvantitatiivisten menetelmien joukkoon. Arviointiin pohjautuvat 

ennustusmenetelmät puolestaan lukeutuvat kvalitatiivisiin menetelmiin, ja ryhmät ovat 

oikeastaan sanamerkityksellisesti ja sisällöllisesti samat. Kvalitatiivisia menetelmiä ku-

vaillaan kirjallisuudessa menetelmiksi, jotka pohjautuvat arvioihin. Niiden pohjana toimii 

lisäksi myös ajattelu ja tieto. Tämän ryhmän menetelmiä on kutsuttu myös teknologisiksi 

menetelmiksi (Makridakis ym. 1983: 8, 11, 637). 

 

2.5.1. Kvantitatiiviset menetelmät 

 

Liukuvat keskiarvot 

 

Liukuvassa keskiarvossa tulos lasketaan uudestaan joka kerta, kun uusi havainto on mah-

dollista ottaa laskettavaksi. Lisätessä uusimman havainnon mukaan lukujen joukkoon, 



16 

 

tulee vanhin havainto ottaa joukosta pois. Tällöin aikaväli, jolta havaintoja kerätään, py-

syy aina samana (Makridakis ym. 1983: 72). Liukuva keskiarvo lukeutuu kvantitatiivisten 

menetelmien kategorian sisällä aikasarjamenetelmien joukkoon. Menetelmän tarkoituk-

sena on tasoittaa dataa keskiarvojen avulla, jotka koostuvat havaintojen arvoista valitulla 

aikavälillä. Tavallisesti arvoja illustroidaan käyrien avulla. Käyrän tasaisuus korreloi va-

litun aikavälin mukaan; mitä pidempi, sitä tasaisempi. Itse ennuste puolestaan muodos-

tuu, kun käyrän piirtämistä jatketaan nykyhetkestä yli. (Jobber & Lancaster 2015: 448.) 

 

Mitä epätasaisempia ja vaihtelevampia arvot on, sitä pidempi aikaväli kannattaa valita. 

(Jobber & Lancaster 2015: 448.) Valintaa kannattaa myös perustella sen mukaan, miten 

ennustetta tullaan käyttämään. Mikäli halutaan keskipitkän aikavälin ennuste, on hyödyl-

listä valita havainnot esimerkiksi kuukausittain. Lyhyen aikavälin toimintaan viikoittaiset 

havainnot sopivat puolestaan mainiosti. On hyödyllistä ottaa myös huomioon, että valittu 

aikaväli vaikuttaa myös menetelmän tarkkuuteen. Lyhyellä aikavälillä menetelmä tunnis-

taa trendin paremmin kuin pitkällä aikavälillä. (Chase & Jacobs 2017: 51.) 

 

Liukuva keskiarvo ei kuitenkaan ole täysin aukoton, kuten eivät muutkaan menetelmät. 

Lukuihin perustuvana mittarina, joka havainnoi käytännössä itseään, se ei pysty ottamaan 

huomioon muita tekijöitä toimintaympäristössä, jotka voivat vaikuttaa myynnin määrään. 

(Lancaster & Massingham 2011: 359). Markkinoilla tapahtuvia muutoksia liukuva kes-

kiarvo ei myöskään pysty tunnistamaan. (Jobber & Lancaster 2015: 450). Menetelmässä 

käytetään lisäksi jokaiselle havainnolle samaa painoarvoa, mikä ei välttämättä ole tarkoi-

tuksenmukaista, mikäli vanhempien havaintojen merkitys ajan mittaan heikkenee. 

(Michael 1979: 19). 

 

Liukuvasta keskiarvosta on myös kehitelty versio, jota kutsutaan lineaariseksi liukuvaksi 

keskiarvoksi tai kaksinkertaiseksi liukuvaksi keskiarvoksi. Periaatteessa tässä menetel-

mässä lasketaan liukuva keskiarvo jo lasketusta liukuvasta keskiarvosta. Menetelmä pyr-

kii karsimaan liukuvan keskiarvon virheitä trendien havaitsemisessa. Kun menetelmiä 

vertailee keskenään, on mahdollista eliminoida systemaattisen virheen riskiä. (Makrida-

kis ym. 1983: 77 – 79.) 

 



17 

 

Eksponentiaalinen tasoitus 

 

Liukuva keskiarvo ja eksponentiaalinen tasoitus ovat keskenään hieman vastaavia mene-

telmiä. Erona on se, että eksponentiaalisessa tasoituksessa annetaan painoarvo jokaiselle 

laskennassa mukana olevalle havainnolle. On ennustusta laativan henkilön arvion va-

rassa, kuinka painoarvot havainnoille jakautuvat. Painoeroja voi tehdä havainnon erilai-

suuden tai omaperäisyyden perusteella. Eksponentiaalinen tasoitus kykenee liukuvaa kes-

kiarvoa paremmin tunnistamaan muutoksia markkinoilla. (Jobber & Lancaster 2015: 

450). 

 

Kun eksponentiaalisessa tasoituksessa annetaan painoarvoja, otetaan niiden ikä huomi-

oon. Tavallisesti vanhemmat havainnot saavat pienemmän painoarvon, kuin uudemmat. 

(Makridakis ym 1983: 84) 

 

Myös eksponentiaalisesta tasoituksesta on erilaisia versioita. Kuten liukuvasta keskiar-

vosta, on eksponentiaalisesta tasoituksesta myös kaksinkertainen version, mutta lisäksi 

myös kolminkertainen. Jälkimmäisiä versioita menetelmästä voidaan käyttää silloin, kun 

data on luonteeltaan vaativaa ja ratkaistavat yhtälöt ovat korkeampaa astetta. Kolminker-

taisesta versiosta voidaan myös käyttää nimitystä kvadraattinen. (Makridakis ym 1983: 

93 – 100.) 

 

Yksinkertaisena ja kustannustehokkaana menetelmänä eksponentiaalista tasoitus käyte-

tään paljon (Makridakis ym.1983: 117 – 119). Chasen ja Jacobsin (2017: 53) mukaan 

eksponentiaalinen tasoitus on kaikista ennustusmenetelmistä käytetyin, muun muassa sen 

yllättävän hyvän tarkkuuden, helppokäyttöisyyden ja helpon ymmärrettävyyden ansiosta. 

Vaikkakaan eksponentiaalinen tasoitus ei välttämättä ole kaikista mahdollisista menetel-

mistä tarkin, on se monesti perustelluin valinta. Menetelmä on käytännöllinen etenkin, 

kun ennustettaan lukuisia eri tuotteita. Tavallisesti melkein minkä tahansa datan käsittely 

luonnistuu joltain eksponentiaalisen tasoituksen versiolta, jos tiedetään sen peruskaava. 

(Makridakis ym.1983: 117 – 119.) 

 



18 

 

Lyhyellä aikavälillä tämä menetelmä on elementissään, ja kykenee erittäinkin hyvään 

tarkkuuteen. Se pystyy trendien havaitsemiseen ja ennustamiseen, vaikka yllättävät kään-

nekohdat voivatkin jäädä siltä huomaamatta. Mitä säännöllisempää data on, sitä parem-

min se ennustaa. Dataa olisi parhaan mahdollisimman toiminnan saavuttamiseksi hyvä 

olla kahden vuoden ajanjaksolta. (Michael 1979: 20.) 

 

 

Kuva 2. Eksponentiaalisen tasoituksen painoarvot. Kuvassa t = aika. Kuvassa on havainnollistet-

tuna eri eksponentiaalisen tasoituksen versiot. (Makridakis & Wheelwright 1979: 85.) 

 

Regressioanalyysi 

 

Regressioanalyysi ryhmitellään kausaalimenetelmiin. Se on ryhmän menetelmistä tunne-

tuin. Kausaalimenetelmien ryhmään kuuluvat menetelmät ovat luonteeltaan objektiivisia, 

vaikka voivat sisältääkin subjektiivisia piirteitä. Regressioanalyysissä pyritään selvittä-



19 

 

mään yhteyttä kahden tai useamman tekijän välillä. Toista tekijää kutsutaan riippu-

vaiseksi tekijäksi. Sen arvo pyritään ottamaan selville yhden tai useamman riippumatto-

man arvon avulla. Myös regressioanalyysi tarvitsee toimiakseen menneisyydestä kerättyä 

dataa. (Lancaster & Massingham 2011: 360.) 

 

Regressiomalleista on myös monitasoisia versioita yksinkertaisen mallin lisäksi. Yksin-

kertaisessa mallissa vertaillaan yhtä riippuvaista tekijää yhteen riippumattomaan ja pyri-

tään luomaan malli niiden välisen yhteyden hahmottamiseen. Monitasoisessa versiossa 

on taas kyse yhden riippuvaisen ja usean riippumattoman muuttujan välisen yhteyden 

selvittämisestä yhdellä kertaa. Regressiomallin yksinkertaisen version idea on saada las-

kettua koordinaatistoon pisteet kahden eri muuttujan yhtälöistä. Näiden pisteiden läpi 

muodostuu viiva, jonka avulla yhteyttä analysoidaan. (Makridakis ym. 1983: 187 – 190.) 

 

Lineaarinen regressiomalli on käytännöllinen, kun tavoitteena on ennustaa suurimpia ta-

pahtumia pitkällä aikavälillä. Se soveltuu myös hienosti jonkin kokonaisen tuoteperheen 

myynnin ennustamiseen, vaikka sen sisäisten tuotteiden myynnit vaihtelevatkin. (Chase 

& Jacobs 2017: 57) 

 

SARIMA 

 

SARIMA eli Seasonal Autoregressive Integrated Moving Average on aikasarjaennusta-

miseen tarkoitettu tilastotieteellisiä piirteitä omaava menetelmä. Se kykenee käsittele-

mään kausittaisia epäsäännöllisyyksiä. SARIMA:sta on myös versio ARIMA, joka on 

käytännössä sama menetelmä ilman kausittaisnäkökulmaa. (Arunraj & Ahrens 2015: 321, 

324.) 

 

2.5.2. Kvalitatiiviset menetelmät  

 

Johtajien mielipidemittaus 

 

Kvalitatiivisten menetelmien joukkoon kuuluvista menetelmistä johtajien mielipidemit-

taus on helpoimpia ja käytetyimpiä (Makridakis ym.1983: 640). Tätä menetelmää varten 



20 

 

järjestetään ryhmäkeskustelu, johon osallistuu johtoasemassa olevia henkilöitä ja alan asi-

antuntijoita. Keskustelussa tuodaan esille kunkin osanottajan mielipiteitä tulevaisuusku-

vasta ja myynnin kehittymisestä sekä asioita, joita he odottavat tulevaisuuden pitävän si-

sällään. Johtajien mielipidemittaus on tavallisesti menetelmä pitkän aikavälin ennustei-

den laatimiseen. (Lancaster & Massingham 2011: 362.) 

 

Menetelmän valintaa puoltaa moni asia. Menetelmän käyttäminen on helppoa, eikä vie 

paljoa aikaa. Metodi voidaan myös ottaa käyttöön lyhyelläkin aikataululla, koska sen jär-

jestäminen ei vaadi paljoa järjestelyä ennakkoon. Tekniikka mukautuu lisäksi erilaisiin 

tilanteisiin ja on käytettävissä myös, vaikka yrityksellä ei olisi käytettävissään ollenkaan 

myyntidataa. (Makridakis ym.1983: 640.) 

 

Menetelmällä on toki myös huonot puolensa. Menetelmä on saanut osakseen kritiikkiä 

siitä, etteivät keskustelijat ota osaa nimettömästi. Se voi joidenkin mielipiteiden mukaan 

johtaa vääristymään tuloksessa, mikäli osanottajat kokevat sosiaalista painetta keskuste-

lutilanteessa. Henkilöiden keskustelussa antamalle panokselle voidaan määrittää paino-

arvot. Painoihin voi vaikuttaa henkilöiden persoonallisuus tai positio. Tämä altistaa mah-

dollisesti lopputulemaan, jossa merkittävin tieto ei ehkä saakaan sille kuuluvaa suosiota. 

(Lancaster & Massingham 2011: 362 & Makridakis ym.1983: 640.) 

 

Delphi  

 

Jo vuosikymmeniä vanha Delphi-metodi on luotu 60-luvulla. Sitä on ajan saatossa hyö-

dynnetty ennustamiseen, mutta myös muissa yrityksien toiminnoissa, kuten projekteja 

suunniteltaessa. (Attariuas, Hicham; Bouhorma, Mohammed; El Fallahi, Abdellah 2012: 

4). Delphi on kvalitatiivisten menetelmien joukkoon kuuluvista suosituin. Menetelmä on 

luonteeltaan tutkiva. Kun menetelmää aletaan käyttämään, on hallussa tietoa menneisyy-

destä, jonka avulla pyritään lopuksi luomaan ennuste tulevasta. (Makridakis ym.1983: 

651 – 652). 

 



21 

 

Menetelmän tavoitteena on saada ryhmän kesken aikaan yksimielinen mielipide. Yleensä 

ryhmän jäsenet ovat alan asiantuntijoita. Prosessin aikana ryhmän jäsenet saavat täytettä-

väkseen kyselylomakkeita. (Makridakis ym.1983: 653). Ryhmän jäsenet täyttävät lomak-

keita monta kertaa useiden kierroksien ajan. Jäsenten vastaukset kerätään ja niistä luodaan 

nimetön kooste, josta ei selviä, mikä mielipide kenenkin jäsenen on. Sitten jäsenet tutus-

tuvat koosteeseen, jonka perusteella he voivat muokata vastaustaan. Tämän prosessin seu-

rauksena vastauksien väliset erot tasoittuvat. Näin ollen siis vain suosituimmiksi nousevat 

ideat ovat lopulta mukana. (Attariuas ym. 2012: 4.) 

 

Kysymyslomakkeissa käsiteltävien asioiden sisältö ja aihepiiri on tapauskohtaista. Jäse-

niltä voidaan kysyä vaikkapa heidän mielipiteitään teknologian kehityksestä tai tulevista 

tapahtumista. Niiden ajankohdista voidaan myös haluta arvioita, kuten myös mielipidettä 

siihen, miten todennäköisiä he niitä pitävät. (Lancaster & Massingham 2011: 135). 

 

Ideana on, etteivät ryhmän jäsenet keskustele asiasta tai pidä keskenään yhteyttä. Ano-

nymiteetin avulla voidaan eliminoida mahdollisen sosiaalisen paineen vaikutus osallistu-

vien henkilöiden mielipiteisiin ja täten vääristymiin lopputuloksessa. Menetelmässä kes-

kitytään saamaan pinnalle vain parhaat ideat ja ajatukset. Pyrkimys on, että niitä on lo-

puksi niin vähän kuin mahdollista, mutta niillä tulee olla laaja kannatus osallistujien kes-

kuudessa. Tarkoituksena ei tästä huolimatta ole patistaa vastaamaan jollain tapaa. (Mak-

ridakis ym.1983: 653.) 

 

Kritiikkiä metodi on saanut parista asiasta. Sitä on moitittu epäluotettavaksi, ja sen kyse-

lyistä saatuja vastauksia yliherkiksi (Makridakis ym.1983: 65). Menetelmällä saatuja tu-

loksia ei myöskään aina ole helppoa kohdentaa. Lisäksi menetelmän prosessi voi olla 

melko aikaa vievä. (Chang, Hsu & Chang 2011: 2). 

 

Kuten monista muistakin ennustusmenetelmistä, myös Delphistä on olemassa erilaisia 

versioita. Niitä hyödyntämällä sen voi saada soveltumaan paremmin tarvittavaan tilantee-

seen. Sumeaksi Delphiksi kutsuttuun versioon on otettu mukaan elementtejä sumean jou-

kon teoriasta. Kun prosessissa on päästy toiselle kierrokselle, asiantuntijat antavat sume-

aksi luvuksi kutsutun arvon eri vastausvaihtoehdoille. Luvulla pyritään kuvaamaan sitä, 



22 

 

miten merkittävänä vastaaja kokee vastausvaihtoehdon myynnin kannalta. Sumeutetuista 

vastauksista muodostetaan indeksejä, kuten keskiarvoindeksi ja optimistinen ja pessimis-

tinen indeksi. Tätä vaihetta toistetaan ja varmistetaan, että vastaajien antamat arvot ovat 

kelvollisia. (Chang &Wang 2006: 5.) Delphin vaiheita toistetaan niin monta kertaa kuin 

on tarpeellista. Yleensä riittävä tulos saavutetaan kolmessa kierroksessa. Tämän jälkeen 

tulos jaetaan vielä kaikille osallistujille. (Chase & Jacobs 2017: 74.) 

 

Myyntihenkilöstön mielipidemittaus 

 

Toisin kuin esimerkiksi Delphi-metodissa, myyntihenkilöstön mielipidemittaus on mene-

telmä, jolla kerätään tietoa organisaation alemmilta tasoilta. Tähän menetelmään voi osal-

listua myyntiä johtava ja myyntiä tekevä henkilöstö. (Makridakis ym.1983: 641.) Per-

spektiivi on siis hieman erilainen. Alemmalta organisaatiotasolta muodostetut ennusteet 

koostetaan ja siirretään ylemmälle organisaatiotasolle. Näistä myyjää kohti tehtävistä en-

nusteista voidaan laatia isomman kuvan ennuste, esimerkiksi ennuste markkinatasolle. 

(Kahn 2006: 41.) 

 

Menetelmän käyttöä voidaan lähestyä hieman eri perspektiiveistä: ruohonjuuritasolta, 

myynnin johdon tasolta tai jakelijoiden tasolta. Ensimmäisessä tietoa ennusteeseen kerä-

tään myyntiä tekeviltä henkilöiltä, jotka osaavat arvioida myynnin omalla alueellaan. Toi-

sessa tieto ennusteeseen kerätään myyntiorganisaatiossa myyntiä johtavilta henkilöiltä. 

Tavallisesti heidän käsityksensä myynnin tilasta kentällä on samaa tasoa, kuin myyjillä, 

mutta ovat lisäksi kykenevämpiä tilanteen ennustamiseen. Kolmannessa lähestymista-

vassa kerätään tieto loppupäästä, eli jakelijoilta, jotka voivat arvioida oman mahdollisen 

myyntinsä jollekin tuotteelle jollakin aikavälillä. Tämä on toimiva lähestymistapa silloin, 

kun yrityksen ja loppuasiakkaan välillä ei ole suoraa yhteyttä, vaan loppuasiakasmyynnin 

hoitaa jakelija tai vastaava toimija. (Makridakis ym.1983: 641 – 642). 

 

Ennusteen luotettavuudesta voi olla montaa mieltä. Lancaster ja Massinghamin mukaan 

ennusteet, joihin tieto kerätään myyntiä tekeviltä henkilöiltä, osoittautuvat usein pessi-

mistisiksi. Tämä johtuu myyjien palkkarakenteesta. Palkkarakenne määräytyy sen mu-



23 

 

kaan, mikä odotetun myynnin voidaan ajatella olevan. Tämän vuoksi myyjien on henki-

lökohtaisen kompensaation vuoksi kannattavaa arvioida myynti todellisuutta pienem-

mäksi. Tällöin myyjille asetetut tavoitteet on helpompi saavuttaa. Toinen näkökulma on, 

että myyntihenkilöstön osallistaminen ennustamistyöhön voi kasvattaa heidän motivaa-

tiotaan työtä kohtaan. (2011: 363.). Eräästä näkökulmasta myyntihenkilöstön laatimat en-

nusteet voivat myös päätyä optimistisiksi. On tavallista, että myyjät näkevät tulevaisuu-

den positiivisena. (Peterson 1993b: 10.) 

 

Kuluttajatutkimukset 

 

Kuluttajatutkimuksessa ennuste laaditaan asiantuntijoiden tai johtajien sijaan kuluttajilta 

kerätyn tiedon perusteella. Näkökulma on perusteltu siinä mielessä, että kuluttajat ovat se 

joukko, joka viimekädessä toiminnallaan määrittävät tuotteen tai yrityksen myynnin. Mi-

käli yrityksellä riittää resursseja, voi kuluttajatutkimuksen suunnata suoraan yritykseen. 

On mahdollista myös hyödyntää julkisesti saatavilla olevia tutkimuksia, kuten markkina-

tutkimuksia ennusteiden tekemiseen. (Makridakis ym.1983: 642 – 643.) Yrityksille on 

myös tavallista ulkoistaa markkinatutkimuksen tyyppisen ennusteen laatiminen siihen 

erikoistuneelle yritykselle (Chase & Jacobs 2017: 73). 

 

Menetelmän varjopuolena voidaan nähdä sen suhteellisen suuret kustannukset. Tämän 

vuoksi menetelmän käyttöä suositaan silloin, kun tilanteessa myös riskit ovat suuret. 

Koska menetelmät kustannukset ovat suuret, on sen käyttö käytännössä mahdollista etu-

päässä vain hieman isommille yrityksille. (Lancaster & Massingham 2011: 362). 

 

Yrityksen toimiala ja asiakkaat määrittävät, miten tutkimus kannattaa suorittaa. Menetel-

män ideana on siis tiedustella asiakkailta, millä todennäköisyydellä he kuvittelisivat 

hankkivansa yrityksen tuotteen tai tuotteita jollakin aikavälillä. Mikäli asiakkaita ei ole 

valtavia määriä, jos ne ovat esimerkiksi yrityksiä, on tutkimus mahdollista suorittaa jopa 

kasvokkain potentiaalisten asiakkaiden kanssa. Mikäli yrityksen asiakas on kuitenkin lop-

puasiakas, ei kasvokkain tutkiminen ole käytännössä mahdollista tai järkevää. Tällöin 

markkinatutkimukseksikin kutsuttu vaihtoehto, jossa osallistujat täyttävät kyselyn, on 

käytännöllisempi vaihtoehto. (Jobber & Lancaster 2015: 444.) 



24 

 

 

Kuluttajatutkimuksellakin on etunsa ja haittapuolensa. Mikäli tutkittavia asiakkaita ei ole 

paljon, on tilanne menetelmän käytölle suotuisin. Optimaalisesti kohde on yritys, jolta 

saatava tieto on korkealaatuista. Realistiseen tarkkuuteen pyrkimiseen on ennustettaessa 

myös syytä kiinnittää huomiota. Kuluttaja ei välttämättä ole kykenevä ennustamaan suo-

raan yritykselle kohdistuvia hankinta-aikeita, vaan se on yrityksen myös arvioitava. Mitä 

pienempi otanta on suhteessa ennustettavaan kohderyhmään, sitä matalampaan tarkkuu-

teen päästään. Asiakkaan arvio ei myöskään ole aina totuus, eli arvio ei välttämättä kor-

reloi toteutuneen myynnin kanssa. (Jobber & Lancaster 2015: 444 – 445.) 

 

Testimarkkinointi 

 

Testimarkkinoinnin ideana on kokeilla, miten markkinat toimivat käytännössä. Sen avulla 

saadaan näkemys siitä, miten markkinat käyttäytyvät, jonka avulla puolestaan laaditaan 

myyntiennuste. Käytännössä menetelmässä julkaistaan jokin tuote rajatusti rajatuille 

markkinoille kokeilumielessä. Markkinat voidaan jakaa esimerkiksi johonkin maantie-

teelliseen segmenttiin. Käytännössä luodaan siis pienen mittakaavan simulaatio tilan-

teesta, jossa tuote julkaistaan suurille markkinoille. Tulos voidaan siten skaalata suurem-

mille markkinoille, ja siitä voidaan arvioida tuotteen menestyminen suuremmassa mitta-

kaavassa. (Jobber & Lancaster 2015: 447.) 

 

Testimarkkinointia rajoittaa se, ettei menetelmän avulla voi päätellä tuotteen menestystä 

kovin pitkällä aikavälillä, vaan se rajoittuu kokeilun ajanjakson aikavälille. Testimarkki-

nointia on myös hankala peittää kilpailijoilta, jotka voivat testimarkkinointia tarkkaile-

malla saada siitä hyödyllistä tietoa itsellensä. Ei myöskään ole mahdotonta, että kilpailijat 

voivat pyrkiä omilla toimillaan vääristämään testimarkkinoinnin tuloksia. (Jobber & Lan-

caster 2015: 447.) 

 

Riippuen testattavasta yrityksestä, heidän tuotteestaan ja testin tarkoituksesta, voi mene-

telmän toteuttaa monilla tavoilla (Töyli 2016: 24). Kahnin (2006: 71 – 72) mukaan testi-

markkinointi voidaan jakaa kolmeen eri ryhmään: pseudomyyntiin, hallittuun myyntiin 



25 

 

ja laajaan markkinoille tuontiin. Ensimmäinen vaihtoehto, pseudomyynti, ei tarvitse toi-

miakseen välttämättä edes vielä valmista tuotetta. Yritysmarkkinoilla kyseistä tuotetta 

voidaan kuitenkin kokeilla esitellä ja myydä. Kuluttajapuolella on yleisempää kerätä hei-

dän mielipideitään ja testata, miten he reagoivat kampanjaan. Toisessa vaihtoehdossa, 

hallitussa myynnissä on nimensä mukaisesti kyse tuotteen hallitusta myynnistä, eli tuote 

on oltava jo olemassa. Myynti voi olla epämuodollista, ja tarkoituksena on selvittää, onko 

asiakas todella kiinnostunut hankkimaan tuotteen. Tätä voidaan kokeilla myös suora-

markkinoinnin liittyvänä osana, eli sen aikana yritetään saada tuote myytyä tai toisena 

vaihtoehtona valita pieni alue, jonka myymälöihin voidaan laskea tuote myytäväksi. Kol-

mas ryhmä on tuotteen tuominen laajemmille markkinoille. Tarkoituksena on suorittaa 

todellinen markkinointikampanja jollekin markkinoiden alueelle tai kohderyhmälle. Se 

voidaan tehdä myös niin sanottuna ”rollouttina”. Siinä ideana on asettaa tuote valitun 

kohdemarkkinan saataville pienempinä osina, kunnes haluttu laajuus on saavutettu. Ko-

koluokassaan tämä kolmas vaihtoehto on testimarkkinoinnin vaihtoehdoista kallein.  

 

Historia-analogia 

 

Tässä menetelmässä valitaan jokin tilanne menneisyydestä, jolla on vertailtavissa olevia 

ominaisuuksia nykytilanteeseen, ja tilanteita vertaillaan toisiinsa. Tässä pätee ajatusmalli, 

jonka mukaan historia toistaa itseään. Menetelmää sovelletaan tavallisesti kartoittamaan 

teknologian kehityksen vaikutuksiin ja sen tuomiin muutoksiin nykyhetkeen. (Makridakis 

ym.1983: 661 – 663.) 

 

Lancasterin ja Massinghamin (2011: 363) mukaan on kuitenkin syytä ottaa huomioon, 

ettei mennyt välttämättä toistu uudestaan samalla tavalla. Mikäli tuote on täysin uusi, ei 

menneisyydestä tällöin löydy identtistä tilannetta tai tuotetta, johon verrata. Jo pelkästään 

uusi versio jostakin tuotteesta ei välttämättä saavuta suurta vertailtavuutta johonkin aiem-

paan. 

 

Vertailtavat tuotteet voivat olla esimerkiksi samassa yleiskategoriassa keskenään, kuten 

esimerkiksi videonauhuri ja DVD-soitin. DVD-soittimen, joka tuli markkinoille myö-



26 

 

hemmin, kysynnän voidaan olettaa mukailevan aiemmin lanseeratun videonauhurin ky-

syntää. Leivänpaahtimia valmistava yritys voi käyttää apunaan leivänpaahtimen kasvu-

mallia ennustaessaan seuraavaksi lanseeraamansa kahvinkeittimen myyntiä. (Chase & Ja-

cobs 2017: 74) 

 

Skenaarioanalyysi 

 

Tämän menetelmän ideana on luoda katsaus tulevaisuuteen ja pyrkiä muodostamaan siitä 

kuva. Menetelmä voidaan myös jakaa eri perspektiivien perusteella kolmeen eri ryhmään. 

Ensimmäisessä tutkitaan nykyhetkessä ilmeneviä trendejä, joiden arvioidusta kehityk-

sestä projektoidaan kuva tulevaisuudesta. Dynaamiseksi loikaksi kutsuttavassa versiossa 

ensin muodostetaan kuva tulevaisuudesta, jonka jälkeen sitä vertaillaan yrityksen nyky-

hetken toimintaan. Sen tarkoituksena on herättää ideoita tulevaisuuteen varautumiseen. 

Näin voidaan siis mukauttaa toimintaa vastaamaan tulevaisuuden edellytyksiä. Staatti-

sessa loikassa luodaan myös tulevaisuudenkuva, mutta siitä tehdään yrityksen tulevaisuu-

den suunnannäyttäjä tai tavoite, jota kohti pyritään. (Kahn 2006: 41). 

 

 

Kuva 3. Skenaarioanalyysin perspektiivit. Kuvassa on havainnollistettuna kolme eri perspektii-

viä, joista skenaarioanalyysiä voidaan toteuttaa. (Kahn 2006: 42). 

 

Tavallisesti menetelmän osanottajat ovat asiantuntijoita. On hyödyllistä luoda useampia 

mahdollisia skenaarioita, joita voidaan jalostaa sen mukaan, miten todennäköisinä niitä 



27 

 

pidetään. Yrityksen toimintaa voidaan kehittää näiden skenaarioiden perusteella. (Lan-

caster & Massingham 2011: 136) 

 

2.5.3. Menetelmien yhdistely 

 

Tässä tutkielmassa läpi käydyistä myynnin ennustamismenetelmistä on olemassa paljon 

erilaisia muunnelmia, jotka on kehitelty johonkin tarkoitukseen sopivaksi. Erilaiset hyb-

ridit ja kombinaatiot ovat myös yleisesti esiteltyinä tieteellisissä artikkeleissa. (Töyli 

2017: 26.) 

 

On tavallista, että yrityksessä tukeudutaan vain joko kvalitatiivisiin tai kvantitatiivisiin 

menetelmiin. Se ei kuitenkaan ole optimaalista, sillä kumpaankin ryhmään kuuluvien me-

netelmien yhtäaikainen soveltaminen on edellytys tarkkojen ennusteiden laatimiselle. 

Koska kaikki menetelmät eivät sovi kaikkiin tilanteisiin, on niiden käyttö hallittava ja 

osattava valita oikeat metodit kuhunkin tilanteeseen. (Moon, Mentzer, Smith & Garver 

1998: 49.) 

 

Eri menetelmien vahvuudet ja heikkoudet on siis hyvä olla selvillä. Kvantitatiiviset eli 

numeeriset menetelmät toimivat vain yhdellä tavalla, eivätkä ota huomioon toimintaym-

päristössä tapahtuvia muutoksia, kun taas kvalitatiiviset eli laadulliset menetelmät eivät 

aina ole johdonmukaisia. (Makridakis ym.1983: 862.) 

 

Kun on käytössä useita metodeja samanaikaisesti, on mahdollisuuksien mukaan järkevää 

pitää pääpaino pääsääntöisesti kvantitatiivisissa metodeissa, jotka ovat johdonmukaisem-

pia. Mikäli yrityksen toimintaympäristössä on havaittavissa lähiaikoina merkittäviä muu-

toksia, ei väittämä kuitenkaan pidä paikkaansa. Mikäli näin on, tulisi pääpaino vuorostaan 

olla kvalitatiivisilla menetelmillä. Menetelmien valinnan kannalta on siis oleellista, että 

osataan havaita mahdolliset muutokset. (Makridakis ym.1983: 862.) 

 

Kuten mainittu, on jokainen tilanne erilainen ja täten vaatii omanlaisensa menetelmän, 

eikä samaa menetelmää voida välttämättä soveltaa toisaalle, vaikka se olisikin toimiva 



28 

 

jossain aikaisemmassa tilanteessa. Tämän vuoksi on kannattavaa soveltaa samanaikai-

sesti useampia menetelmiä, jotka erilaisten ominaisuuksiensa myötä täydentävät toisiaan. 

Näin ennusteisiin voidaan saavuttaa korkeampi tarkkuus. (Arunraj & Ahrens 2015: 322.) 

 

2.6. Järjestelmät ja ohjelmat 

 

Myynnin ennustamiseen on olemassa lukuisia järjestelmiä ja ohjelmia. Niiden ero on se, 

että ohjelma on yksittäinen, erillinen ennusteiden luomiseen käytettävä työkalu. Siinä 

käytetään koko ennustajan itse valitsemaa menetelmää, tai valmiiksi sisäänrakennettuna 

olevaa menetelmää. Järjestelmä puolestaan käsittää enemmän. Edellisen lisäksi järjestel-

mässä hyödynnetään automaatiota ennustamisprosessin vaiheisiin, kuten datan hankitaan 

ja siirtelyyn. Sen avulla on mahdollista myös muunnella dataa, kuten kategorisoida sitä 

tarpeeseen sopivalla tavalla, esimerkiksi jollekin aikavälille tai tasolle. Ohjelma lähettää 

valmiin ennusteen loppukäyttäjälle. Ennuste voi olla jopa kohdistettuna yksikön eri toi-

minnoille. Ohjelman ja järjestelmän ero ei kuitenkaan aina ole täysin selvä. (Jain 

2006/2007: 28 – 19.) 

 

Ennustamiseen käytetyissä ohjelmissa voi olla ominaisuus, joka käytettävissä olevan da-

tan perusteella kokeilee erilaisia menetelmiä ja valitsee niistä parhaiten sopivan. Sopivuus 

määrittyy myös sen mukaan, minkä tyyppistä menetelmää ennustaja on toivonut käytet-

täväksi. Tämä pätee lähinnä kvantitatiivisiin menetelmiin. (Jain 2006/2007: 28.) 

 

Myynnin ennustamisessa voi olla suuressa mittakaavassa sellaisia haasteita, ettei niistä 

ole mahdollista selvitä ilman tietokoneohjelmien apua. Ne tehostavat ja nopeuttavat en-

nustamistoimintaa. Oikean ohjelman tai järjestelmän valinta ei kuinkaan ole aina yksin-

kertaista, koska eri yritysten tarpeet ovat erilaiset. (Jain 2006/2007: 29.) 

 

Vaikka ohjelmia on markkinoilla lukusia, voidaan niistä erotella muutama yleisimmin 

käytetty. Vuonna 2006 tehdyn markkinatutkimuksen mukaan John Galtin tarjoamaa oh-

jelmaa käytetään yrityksissä eniten. Sillä on n. 23% markkinaosuus. Tämän jälkeen suo-

situimmat ovat SAS 16 %:lla, New Energy Associates 13  %:lla, Forecast Pro 12 %:lla, 

SPSS 6 %:lla ja Parker Software 4 %:lla. Loput markkinoilla olevista ohjelmista vastaavat 



29 

 

26 %:n markkinaosuutta. Vaikka ohjelmia onkin nykyään tarjolla paljon, osassa yrityk-

sistä käytetään vielä Exceliin pohjautuvia paketteja joko erikseen tai yhdessä ohjelman 

kanssa. Taulukkolaskentaohjelmiin pohjautuvien pakettien markkinaosuus on alle puolet: 

44 %. (Jain 2006/2007: 29.) 

 

Järjestelmien osalta markkinoilla on myös paljon toimijoita. Suurin markkinaosuus on 

SAP:lla, 24 %, eli lähes neljäsosa markkinoista. Neljä seuraavaksi suurinta on Manugis-

tics 18 %:lla, Demand Solutions 11 %:lla, Oracle/People/JD Edwards 9 %:lla ja Cognos 

6 %:lla. Kokoluokassa 2 – 5 % on kuusi muuta toimijaa ja loput näitä pienemmät vastaa-

vat yhteensä 8 % markkinoista. (Jain 2006/2007: 29 – 30.) 

 

Ohjelma on ominaisuuksistaan huolimatta kuitenkin vain työkalu, jonka käyttö vaatii 

osaamista. Riittävällä tietotaidolla ja oikealla ohjelmassa päästään parhaaseen tulokseen. 

Yritykset käyttävät ohjelmiensa potentiaalista vain noin 56 %, syystä tai toisesta. Joko 

niitä ei osata täysin käyttää, tai kaikista niiden ominaisuuksista ei ole yrityksille hyötyä. 

(Jain 2006/2007: 30.) 

 

2.7. Ennusteiden tarkkuus 

 

Eräs tärkeimpiä seikkoja myynnin ennustamismenetelmää valittaessa on tarkkuus. Tark-

kuus on olennaista jo pelkästään ennusteen onnistumisen kannalta. Lisäksi sen kautta voi-

daan mitata myös ennustamismenetelmän ja datan valitsemisen onnistumista. (Makrida-

kis ym.1983: 763.) 

 

Ennusteiden luotettavuus on yleisesti ottaen ollut kyseenalaisena pidetty asia, vaikka 

myyntiä paljon ennustetaankin. Epävarmuus kuuluu olennaisena osana talouteen, mikä 

on hyvä pitää mielessä, sillä ennustamisessa tapahtuu kuitenkin virheitä. Tästä huolimatta 

tarkkuus on olennainen tekijä. Sitä voidaan mitata, kun se on määritelty. (Carnot, Koen 

& Tissot 2005: 235.) 

 

 



30 

 

2.7.1. Tarkkuuden määrittely 

 

On ensinnäkin todettu, että kaikki ennusteet ovat enemmän tai vähemmän väärässä. On 

lähes mahdotonta ylipäätään saavuttaa täysin tarkkaa myyntiennustetta. Täydellisyyden 

sijaan ennustamisessa yritetään saavuttaa mahdollisimman pieni virhe. (Lancaster & 

Massingham 2011: 364; Chase & Jacobs 2017: 67) 

 

Myynnin ennustamisessa tarkkuus on toisin sanoen ennusteessa esiintyvä virheen suuruus 

(Carnot, Koen & Tissot 2005: 236; Diamantopoulos & Winklhofer 2003: 48.) Tavan-

omaisesti hyvin suoraviivaisena käsitetty tarkkuus erehdytään myös usein sekoittamaan 

varmuuteen. Vaikka ennuste olisi kuinka tarkka, ei varmuutta pystytä kuitenkaan aina 

takaamaan. Tarkkuus pyrkiikin usein antamaan osviittaa riskin kokoluokasta ja eri toden-

näköisuuksistä. (Carnot, Koen & Tissot 2005: 235.) 

 

Ennustevirheellä tarkoitetaan tapahtuneen ja ennustetun välistä eroa. Tilastotieteissä tätä 

virhettä kutsutaan residuaaliksi. Yleensä ennusteillä on luottamusrajat, ja mikäli virhe py-

syy niiden sisällä, ei virhe ole oikeastaan virhe. (Chase & Jacobs 2017: 67). 

 

Menetelmän tarkkuus riippuu hyvin pitkälti tapauksesta. Tapa, jolla tarkkuutta mitataan 

ja sen laskennalliset yksityiskohdat vaikuttavat myös siihen, miten suureksi riski määri-

tellään. Jokaisella menetelmällä on oma ominaistarkkuutensa, josta riippuu, millaisiksi 

tulokselta haluttava ja tavoiteltava tarkkuus määrittyvät. On myös tapauskohtaista, kuinka 

suuri virhe ennusteelle sallitaan. Suuruuden lisäksi voi tapauskohtaisesti olla myös mer-

kitystä sillä onko ennustusvirhe positiivinen vai negatiivinen. (Carnot, Koen & Tissot 

2005: 235.) 

 

2.7.2. Tarkkuuden mittaaminen 

 

Ennustamismenetelmien tarkkuuden, eli ennustevirheen, mittaamiseen on niin ikään ke-

hitetty monia tekniikoita. MAPE eli Mean Absolute Percentage Error on yksi yleisimpiä 

tarkkuuden mittaamiseen käytettyjä menetelmiä. MAPE tukee päätöksentekoa ja on näin 

oleellinen mittari. Se laskee toteutuman ja ennusteen absoluuttisen eron toteutuneen 



31 

 

myynnin prosentuaalisena osuutena. Eli toisin sanoen siinä lasketaan keskimääräisen vir-

heen suhde keskimääräiseen kysyntään. MAPE on hyödyllinen mittari, sillä se osoittaa, 

kuinka suurta virhettä odottaa ennusteelta. (Diamantopoulos & Winklhofer 2003: 48; 

Chase & Jacobs 2017: 68). 

 

On myös olemassa muitakin statistisen luonteen omaavia tarkkuuden mittareita. MAPE:n 

laskemisessakin käytetty keskivirhe (Mean Error tai Mean Absolute Deviation, MAD) on 

myös paljolti käytössä. Keskivirhe mittaa vääristymää. Mitä lähempänä ennusteen saama 

keskivirhearvo on nollaa, sitä parempi se on. Pelkkä virhe ei kuitenkaan ole niin suora-

viivaisesti tulkittava arvo. Virhe voi nimittäin kertyä esimerkiksi useasta pienestä vir-

heestä tai suurempien negatiivisten ja positiivisten virheiden tasatessa toistensa vaikutuk-

sia. RMSE eli Root Mean Square Error toimii myös keskivirheen tavoin, ja sen tuloksessa 

pyritään pääsemään mahdollisimman lähelle nollaa. Toisin kuin keskivirhe, RMSE ei ole 

samalla tavalla altis epäselvälle tulkittavuudelle. RMSE:ssä isommille virheille kohdiste-

taan painoarvoa, mikä on ennustamisessa oleellista. (Carnot ym. 2005: 238; Chase & Ja-

cobs 2017: 68) 

 

MAPE ja muut kappaleessa esitellyt tarkkuuden mittarit ovat suunniteltu lähinnä mittaa-

maan kvantitatiivisten menetelmien tarkkuutta. Kvalitatiivisten menetelmien tarkkuuden 

mittaaminen ei ole yhtä helppoa, koska ne eivät välttämättä ole numeerisia. Ne, tai niistä 

saatavat tulokset, eivät myöskään ole erityisen vakioituja. Vaikka kaksi ennustetta laati-

vaa henkilöä tai ryhmää käyttäisivät samaa kvalitatiivista metodia, voivat lopputulokset 

ennusteissa olla hyvin toisistaan poikkeavia. (Makridakis ym.1983: 766.) 

 

2.7.3. Tarkkuuteen vaikuttavat tekijät 

 

On olemassa monia tekijöitä, joilla on vaikutusta käytettävän menetelmän tarkkuuteen. 

Näitä ovat esimerkiksi ennustettavan aikavälin pituus ja ennustustaso. (Diamantopoulos 

& Winklhofer 2003: 48.) Kilpailun on katsottu myös olevan merkitystä tarkkuudelle. Kil-

pailulla on negatiivinen vaikutus tarkkuuteen, eli mitä enemmän sitä esiintyy, sitä alhai-

sempi tarkkuus ennusteelle saavutetaan. (Kahn 1998: 21.) 

 



32 

 

Näillä tekijöillä voi olla positiivisia tai negatiivisia vaikutuksia tarkkuuteen. Yrityksen 

koolla, ennustettavalla tasolla ja usean menetelmän yhtäaikaisella soveltamisella, ennus-

tettavan kohteen kausittaisuudella ja ennusteita laativan henkilöstön kouluttamisella on 

tavallisesti positiivinen vaikutus tarkkuuteen. Toisaalta markkinoiden koko ja ennusteen 

aikavälin pituus vaikuttavat negatiivisesti tarkkuuteen. Toimialan ja käytettävän ennus-

tusmenetelmän nähdään vaikuttavan tarkkuuteen vaihtelevasti. (Diamantopoulos ym. 

1996: 214.)  

 

Ennustusvirheitä lisääviä tekijöitä voidaan kategorisoida statistisiin vaikeuksiin, asioihin, 

joita ei osata odottaa ja ennustetta laativaan henkilöön liittyviin tekijöihin. Statistisiin vai-

keuksiin kuuluu muun muassa vaihtelut taloudessa, jotka eivät näy käytettävissä olevista 

tilastoista. Kaikki mahdollinen tieto ei myöskään ole käytettävissä. Toiseen kategoriaan 

lukeutuvat katastrofit, sodat ja paikoin myös politiikka. Ennustajan toimintaan voi ereh-

dyttävästi vaikuttaa esimerkiksi muiden mielipiteet tai aikaisemmat ennusteet. Tavalli-

sesti lähimenneisyydessä tapahtuneet asiat saavat enemmän painoarvoa, kuin vanhemmat 

tapahtumat. Tämä ei kuitenkaan ole kaikissa tilanteissa optimaalista. Tapahtumille annet-

tavat painoarvot siis vaikuttavat myös. (Carnot ym. 2005: 246 – 247.) 

 

2.8. Menetelmien valitseminen 

 

2.8.1. Perusteluita valinnalle 

 

On olemassa siis paljon erilaisia myynnin ennustamismenetelmiä. Menetelmistä riippuen 

niissä saattaa olla jonkin verran samankaltaisuuksia, toisaalta niissä ei välttämättä ole 

lainkaan samoja ominaisuuksia. Koska menetelmiä on paljon ja ne kaikki ovat enemmän 

tai vähemmän erilaisia, voi tilanteeseen sopivan menetelmän valitseminen olla haastavaa. 

Valinta kannattaa siis tehdä harkiten ja perehtyä menetelmien eri valintaperusteisiin, jotta 

menetelmien sopivuutta tarkoitettuun käyttöön voidaan vertailla. (Makridakis ym.1983: 

761). 

 

Yksi tärkeimpiä valintaperusteita menetelmän valinnalle on tarkkuus (Makridakis 

ym.1983: 761; Diamantopoulos ym. 1996: 210). Valintaperusteena tarkkuus ei tosin ole 



33 

 

kovin yksinkertainen. Ennusteen tarkkuuttahan ei tiedetä etukäteen. Ennusteen tarkkuu-

teen voidaan lisäksi myös itse vaikuttaa. Toisin sanoen, yrityksen antama panos ennus-

teesta saadun myyntiluvun savuttamiseen vaikuttaa siihen, miten tarkka ennusteesta lo-

pulta muodostuu. (Makridakis ym.1983: 761). 

 

Tärkeä kriteeri on myös ennustamisessa käytettävässä datassa esiintyvä säännönmukai-

suus, kuviot. Jos data on säännönmukaista, kvantitatiivisten menetelmien avulla voidaan 

saada siinä esiintyvät kuviot selville. On olemassa kolme erilaista kuviota: trendi, kausit-

taisuus ja sykli. Tilanteeseen sopivan ennustusmenetelmän valintaa helpottaa, jos kuvio 

osataan tunnistaa. Eri menetelmät sopivat erilaisten kuvioiden kanssa. Esimerkiksi reg-

ressioon pohjautuvat menetelmät ovat käytännöllisiä silloin, kun datasta voidaan havaita 

lineaarisia yhteyksiä. Muutokset ja poikkeamat kuviossa ovat joka tapauksessa vaikeasti 

ennustettavia kaikille menetelmille. (Makridakis ym.1983: 776 – 777.) 

 

On myös olennaista ottaa huomioon, että eri menetelmät sopivat eri aikaväleille. Aikavä-

liin vaikuttaa olennaisesti myös kuvion tyyppi, mikäli datassa sellainen esiintyy. Kuviot 

esiintyvät eri aikaväleillä: kausittaisuus esiintyy tyypillisesti lyhyellä aikavälillä, kun taas 

sykli on keskipitkän aikavälin kuvio. Trendejä puolestaan on havaittavissa lähinnä pit-

källä aikavälillä. Ennusteen epävarmuus on myös suoraan verrannollinen sen aikavälin 

pituuteen: mitä pidempi, sitä epävarmempi. Kvantitatiivisista menetelmistä voidaan löy-

tää sopiva lähestulkoon mille aikavälille tahansa, mutta kvalitatiiviset menetelmät ovat 

käytännöllisiä lähinnä pitkälle aikavälille. Kuvioissa esiintyvien muutoksien ennustami-

seen kvantitatiivisistä menetelmistä aikasarjamenetelmät ovat heikoimpia. Lyhyen aika-

välin ennustamiseen eksponentiaalinen tasoitus on esimerkiksi toimiva valinta. Keskipit-

källe tai pitkälle aikavälille ennustettaessa kvantitatiivisista menetelmistä regressio-

analyysit puolestaan toimivat paremmin. (Makridakis ym.1983: 778 – 779.) 

 

Ennusteiden kustannuksia verrataan usein vaikkapa menetelmän tarkkuuteen. Ymmärret-

tävästi kustannukset ovat menetelmien valinnassa ratkaisevassa osassa. Kustannuksia on 

kirjallisuudessa jaoteltu neljään osaan. Kustannuksia koituu kehittämisestä, datan säily-

tyksestä, ylläpidosta ja menetelmän uudelleenkäytöstä. Kustannukset eivät ole aina samat 

edes samalla menetelmällä, vaan ne ovat joka kerta arvioitava erikseen. Uuden ennusteen 



34 

 

laatimisesta koituu aina toistuvat kustannukset. (Makridakis ym.1983: 782 – 783.) Kus-

tannusten painopisteen voidaan varmasti olettaa teknologian kehittymisen myötä siirty-

neen hieman teknisistä kustannuksista henkilöstön ja ajankäytöstä koituviin kustannuk-

siin (Töyli 2017: 32). 

 

On myös oleellista, että menetelmän käyttäminen ei ole liian monimutkaista. Menetelmän 

helppokäyttöisyys määrittyy itse menetelmän ominaisuuksien, ajoituksen, vaadittavan 

osaamisen ja ennusteen tuottaman hyödyn mukaan. Tavallisesti yrityksissä aloitetaan en-

nustaminen yksinkertaisilla menetelmillä, joita on helppo käyttää. Ajan mittaan otetaan 

käyttöön pidemmälle kehittyneitä menetelmiä. Sekä menetelmien käyttö että niistä saata-

vien ennusteiden tulkinta edellyttävät asiantuntemusta niiden käyttäjiltä. (Makridakis ym. 

1983: 785 – 787.) 

 

2.8.2. Kohde 

 

Tuotteen tyyppi  

 

Yritykset eroavat toiminnaltaan sen mukaan, toimivatko ne B2C-, eli kuluttajamarkki-

noilla vai B2B-, eli yritysmarkkinoilla. B2C-markkinoilla tavoitellaan loppukäyttäjää, 

kun taas B2B-markkinoilla tavoitellaan yritysasiakkaita tai organisaatioita. Kuluttaja- ja 

yritysmarkkinat eroavat asiakkaiden lukumäärässä, mikä on yrityspuolella pienempi. 

Markkinoista riippuen ovat yritysten ennustamiskäytännöt myös erilaiset. (Kahn & Ment-

zer 1995: 21) 

 

Eri markkinoilla olevat yritykset valitsevat menetelmänsä hieman eri tavoin. Myyntihen-

kilöstön mielipidemittaus on yksi suosituimmista menetelmistä niiden yritysten keskuu-

dessa, jotka toimivat B2B-markkinoilla. B2C-markkinoilla yritykset taas suosivat johta-

jien mielipidemittausta ja riippuvuusanalyysiä. Tämä on seurausta siitä, että yritysmark-

kinoilla tunnetaan asiakkaat paremmin, koska niitä on vähemmän. Kuluttajamarkkinoilla 

puolestaan suositaan metodeja, joiden käyttöön ei juuri vaadita asiakastuntemusta. Ylei-

sesti ottaen menetelmien käyttö ei ole yrityksissä optimaalisella tasolla. Käytettäviksi me-



35 

 

netelmiksi pääty monesti menetelmiä, jotka eivät ole optimaalisia tilanteeseen ja tarkoi-

tukseen. Tälle on syynä ennustamishenkilöstön riittämätön koulutus tehtävään. (Kahn & 

Mentzer 1995: 26 – 27.) 

 

Toimiala 

 

Yrityksen toimialasta riippuen vaatimukset valittavalle ennustamismenetelmälle vaihte-

levat. Muodin alalla on esimerkiksi kausittaista ja vuodenaikojen vaihtelu vaikuttaa tuot-

teiden kysyntään. Toimialalla suosituimpiin ja käytetyimpiin menetelmiin kuuluu muun 

muassa liukuvan keskiarvon versiot sekä eksponentiaaliset tasoitukset. Tuotteiden myyn-

tiin voi vaikuttaa useat eri asiat, kuten sää ja muotitrendien vaihtuminen. Nämä seikat 

tuovat ennustamiseen haastetta, sillä ne näkyvät epälineaarisina vaihteluina. (Ni & Fan 

2011: 1529 – 1530.) 

 

Elintarvikealalla ennustaminen puolestaan on hieman erilaista, kuin muotialalla. Elintar-

vikkeiden elinkaari on lyhyt ja ne vaativat säilytyksen ja varastoinnin suhteen erityis-

huomiota, mikä puolestaan monimutkaistaa ennustamista. Toimialalla käytetään monen-

laisia menetelmiä, niin subjektiivisia kuin objektiivisiakin. Elintarvikealalle on yleistä en-

nustaa peräti päiväkohtaisesti, mikäli kyseessä on hyvin lyhyen elinkaaren omaavat tuot-

teet. (Arunraj & Ahrens 2015: 321.) 

 

Uusi tuote 

 

Uuden tuotteen ennustaminen voi olla haasteellista. Etenkin esimerkiksi silloin, jos tuote 

on nopeasti kehittyvän teknologian alainen. Haasteellista se on myös siksi, että vaikka 

tuotteella on potentiaalia, ei se välttämättä korreloi suoraan myynnin kanssa. Uutta tuo-

tetta ennustettaessa on myös oleellista ottaa huomioon kilpailu ja se, miten hyvin mark-

kinoilla ollaan tietoisia tuotteesta. (Crawford & Benedetto 2015: 263 – 264.) 

 

Vaikka uusi tuote on sinänsä haastava ennustettava, voi sen ennustamiseen käyttää useita 

aiemmin esiteltyjä menetelmiä. Menetelmän valinta on kuitenkin tapauskohtaista. Laa-

dulliset menetelmät ovat luonteeltaan hyvin taipuvaisia eri tilanteisiin, mutta edellyttävät 



36 

 

paljon resursseja. Johtajien mielipidemittaus muun muassa sopii myös uusien tuotteiden 

ennustamiseen. Menetelmä ei kuinkaan välttämättä ole riittävän seikkaperäinen kaikkiin 

tilanteisiin. Kvantitatiivisten menetelmien käyttö uuden tuotteen ennustamisessa on hie-

man hankalaa. Ensinnäkin ne vaativat toimiakseen dataa, mitä ei välttämättä uuden tuot-

teen kohdalla ole käytettävissä. Ne eivät myöskään ole optimaalisia, mikäli markkinoilla 

ennustetaan tulevan muutoksia. (Kahn 2006: 16, 18.) 

 

Uuden tuotteen ennustamiseen yritykset valitsevat tavallisesti laadullisia menetelmiä tai 

käyttävät markkinatutkimuksia. Tavallisimmin valitaan kahdesta neljään menetelmää. Se 

on optimaalinen määrä, sillä sitä useamman menetelmän yhtäaikaisella käytöllä ei toden-

näköisesti saavuteta korkeampaa tarkkuutta. Pääsääntönä on, että mitä uudenlaisempi ja 

poikkeuksellisempi tuote on kyseessä, sitä heikompaan tarkkuuteen ennusteessa pääs-

tään. (Kahn 2002: 138, 140.) 

 

Uuden tuotteen ennustamismenetelmän valinnassa suuntaa antavat markkinan ja tekno-

logian tuoreus. (Crawford & Benedetto 2015: 264). Kuvassa 4. on havainnollistettuna, 

millainen menetelmä missäkin tilanteessa ja millekin innovaatiotyypille kannattaa valita. 

Kun pyritään uusille markkinoille tai soveltamaan tuotteessa uutta teknologiaa, on tilanne 

erilainen kuin ehkä aiemmin, jolloin on syytä valita oikea menetelmä. (Töyli 2017: 35.) 

 
 

Nykyinen teknologia Uusi teknologia 

Nykyinen markkina Innovaatiotyyppi: hinnan alenta-
minen ja prosessin kehittäminen.  
 
Ennustamistyyppi: Myyntia-
nalyysi. 

Innovaatiotyyppi: tuotesarjan 
laajennus. 
 
Ennustamistyyppi: tuotesarja-
analyysi, elinkaarianalyysi. 

Uusi markkina Innovaatiotyyppi: Uusi markkina 
tai uudet käyttötarkoitukset. 
 
Ennustamistyyppi: 
asiakasanalyysi, markkina-
analyysi. 

Innovaatiotyyppi: täysin uusi 
tuote maailmalle tai yritykselle.  
 
Ennustustyyppi: skenaario tai 
"mitä jos" -analyysi. 



37 

 

Kuva 4. Ennustamisstrategiat. Taulukossa on esimerkki ennustamisstrategian valinnasta markki-

noiden ja teknologioiden uutuuden sekä innovaatiotyypin mukaan. (Crawford & Benedetto 2015: 

264). 

 

Yksikön valitseminen 

 

Datan luonteesta riippuen on mahdollista luoda ennuste joko arvo- tai kappalemääräisesti. 

Yksikön valitseminen voi olla haastava valinta etenkin esimerkiksi tuotetason ennusteen 

laatimisessa. Vaihtoehdoista kannattaa valita se, kummalla päästään korkeampaan tark-

kuuteen ja kumpi on tarkoituksenmukaisempi pitkällä aikavälillä. Tuoteryhmän myyntiä 

ennustaessa voi esimerkiksi arvomääräinen ennustaminen olla perustellumpaa varsinkin 

silloin, jos tuotteet eivät ole keskenään samanarvoisia. Toisaalta, esimerkiksi valuutan 

arvon muutokset eivät vaikuta kappalemääräiseen ennusteeseen niin kuin arvomääräi-

seen. (Lancaster & Massingham 2011: 363 – 364.) 

  



38 

 

3. METODOLOGIA 

 

Tässä luvussa esitellään tutkielman metodologia, eli tutkimusmenetelmät. Aluksi määri-

tellään tutkimusote. Myöhemmissä kappaleissa esitellään datan keräysmenetelmät ja ana-

lysointimenetelmät. 

 

Tutkielman tutkimus suoritetaan kvalitatiivisena eli laadullisena tutkimuksena. Laadulli-

nen tutkimus tarkoittaa sitä, ettei siinä käytetä tilastollisia keinoja, eli lukujen sijaan kä-

siteltävä aineisto perustuu lauseisiin ja sanoihin. Laadullisessa tutkimuksessa datan ke-

ruun ja analysoinnin välineenä on tutkija. Tutkijan ja tutkittavan kohteen välille muodos-

tuu välitön kontakti. Luonteeltaan kuvaileva laadullinen tutkimus etenee induktiivisesti 

havaintojen kautta tuloksiin. Laadullisen tutkimuksen tavoitteena on ymmärtää toimijan 

näkökulmaa.  (Kananen 2008: 24 – 27.) Laadullinen tutkimus sopii siis tutkielman tavoit-

teeseen hyvin, koska tarkoituksena on käytännön kautta selvittää, millaista myynnin en-

nustaminen IT-alan Pk-yrityksissä voi olla. Tavoitteena on myös pyrkiä ymmärtämään 

yritysten toimintaa. 

 

3.1. Datan keräysmenetelmät 

 

Tutkielman aineistonkeruumenetelmäksi on valittu puolistrukturoiduksi tai teemahaastat-

teluksi kutsuttu haastattelu. Haastattelu on laadullisen tutkimusotteen suosituin mene-

telmä (Kananen 2017: 88 – 90). Haastattelu on tiedonkeruumenetelmänä joustava ja antaa 

tukijalle mahdollisuuden mukautua tilanteeseen ja laajempaan tulkitsemiseen. Haastatte-

lussa voi antaa haastateltavan kertoa itseään (tai tutkimuksen tapauksessa yritystään) kos-

kevista asioista vapaammin. Haastattelu antaa lisäksi myös mahdollisuuden vastausten 

selventämiseen ja tarkentamiseen, sekä perusteluille. (Hirsjärvi, Remes & Sajavaara 

2009: 205.) 

 

Haastattelu voidaan suorittaa yksilö- tai ryhmähaastatteluna. Haastattelutyypeistä yleisin 

on teemahaastattelu. Siinä keskustellaan kasvotusten aihe kerrallaan, eikä vastausvaihto-

ehtoja ole strukturoitu. Haastattelusta saadut vastaukset antavat yksi kerrallaan ymmär-

rystä aiheesta, ja niistä on tavoitteena luoda kokonaiskuva. (Kananen 2017: 88 – 90.) 



39 

 

 

Teemahaastattelu on haastattelumenetelmistä käytetyin (Kananen 2017: 88). Puolistruk-

turoitua haastattelua kutsutaan myös teemahaastatteluksi. Puolistrukturoidulle haastatte-

lulle on ominaista, ettei kysymysten järjestys tai vastausvaihtoehdot ole sitovia. Kysy-

mykset ovat suunniteltu etukäteen, mutta ne voivat muuttua. Käytössä on siis haastatte-

lurunko. Keskeisten teemojen kuljettamana haastattelu luo tilaa haastateltavan näkemyk-

sille. (Hirsijärvi & Hurme 2006: 47 – 48.) Haastattelu on eräänlainen lomakehaastattelun 

ja avoimen haastattelun välimalli (Hirsjärvi ym. 2009: 208). 

 

Haastattelu ja tarkemmin puolistrukturoitu haastattelu sopii siis tutkielman tarkoituksiin 

hyvin. Menetelmän avulla voidaan käydä läpi ennalta määrätyt asiat jokaisen tutkittavan 

yrityksen kohdalla. Koska tutkimuksessa oletetaan ja varaudutaan siihen, että yritysten 

ennustamiskäytännöt ovat keskenään ja kirjallisuuden antamaan kuvaan verrattuna erilai-

set luo haastattelut hyvän lähtökohdan tiedon keräämiseen. Sen avulla voidaan siis siirtää 

keskustelun painopistettä yrityksen ja sen toiminnan kannalta oleelliseen suuntaan. Haas-

tattelu siis joustavuudellaan lisää tutkimuksen syvyyttä. Ei voida ennalta tietää kaikkea, 

mitä haastattelussa kannattaisi kysyä, joten on toimittava myös tilanteen edellyttämällä 

tavalla. Tämän vuoksi täysin strukturoitu menetelmä esimerkiksi olisi tutkimuksen kan-

nalta optimaalinen. 

 

3.1.1. Haastattelun suunnittelu ja valmistelu 

 

Haastattelussa käytetään keskustelun ohjaamiseen haastattelurunkoa. Haastattelurunkoon 

on laadittu aihetta koskevien teemojen alle kysymyksiä, jotka haastateltavilta kysytään. 

Kysymykset ovat laadittu tutkielman kirjallisuuskatsauksen pohjalta. Osa haastattelun si-

sällöstä on ennalta suunnittelematonta, koska haastattelu on puolistrukturoitu. Haastatte-

lurunko löytyy liitteestä 1. 

 

Haastatteluun valikoitaville yrityksille suoritettiin ennen yhteydenottoa prospektointi. 

Yrityksiin ja niiden toimintaan tutustuttiin myös ennen kontaktointia. Ensimmäinen kon-

takti yrityksiin luotiin puhelimitse, ja puhelun aikana tehtiin lyhyt selvitys siitä, miten 



40 

 

tuttu aihe myynnin ennustaminen henkilöille on. Haastatteluajankohta sovittiin joko pu-

helimessa tai viestivälinein jälkeenpäin. Haastatteluille varattiin aikaa noin tunti. 

 

Haastattelurunko toimitettiin haastateltaville sähköpostitse lyhyen pohjustuksen kera en-

nen haastattelua. Näin haastateltavien oli mahdollista hieman tutustua aiheeseen ennen 

haastattelua. Tämän tarkoituksena oli valmistaa haastateltavia haastatteluun, ja sillä py-

rittiin positiiviseen vaikutukseen haastattelun ajankäyttöön ja sisältöön. Mahdollisuus tu-

tustua haastattelurunkoon etukäteen oli myös suurimman osan haastateltavista henkilö-

kohtainen toive. 

 

Haastattelut tapahtuivat kasvotusten haastateltavien kanssa yritysten toimitiloissa, ja ne 

nauhoitettiin. Nauhoittaminen on hyödyllistä, koska muistiinpanojen kirjoittaminen hei-

kentää tilanteen vuorovaikutusta. Kun keskustelu nauhoitetaan, voi keskittyä sen sisäl-

töön paremmin., eikä haastateltava häiriinny muistiinpanojen kirjoittamisesta. (Kananen 

2017: 104.) 

 

3.2. Datan analysointimenetelmät 

 

Laadullisessa tutkimuksessa ei ole hirveästi standardoituja analyysitapoja tai vain yhtä 

ainoaa hyvää tapaa analyysin tekemiseen. Laadullisessa tutkimuksessa analyysivaihe voi 

käytännössä alkaa jo haastatteluiden aikana. Päättely on enimmäkseen induktiivista, 

mutta tutkimuksessa voi olla myös abduktiivisia piirteitä. (Hirsijärvi & Hurme 2006: 

136.) 

 

Tutkielmaan haastattelemalla kerätty tieto analysoidaan yhteismitallistamalla nauhoitettu 

haastattelu. Keskustelu kirjoitetaan tekstimuotoon tiivistäen. Tekstissä tuodaan esille 

kaikki haastattelusta kerätty oleellinen tieto. Toisin sanoen haastattelut litteroidaan pro-

positiotasolla. Materiaali halutaan saada sellaiseen muotoon, että sitä voidaan tulkita ja 

vertailla. 

 



41 

 

Aineiston yhteismitallistaminen tarkoittaa kerätyn aineiston muokkaamista tekstiksi. Yh-

teismitallistamista kutsutaan myös litteroinniksi. Litteroinnilla on eri tasoja, jotka käytän-

nössä ryhmittyvät sen mukaan, miten tarkasti kerätty aineisto halutaan tallentaa teksti-

muotoon. Tarkin mahdollinen taso on sanatarkka litterointi, jossa kirjataan ylös kaikki 

äännähdyksiä ja äänenpainoja myöden. Yleiskielisessä litteroinnissa puolestaan tyydy-

tään muokkaamaan tallenne kirjakielelle. Propositiotason litteroinnissa taas tiivistetään 

vain ydinsisältö tekstiksi. Litteroinnin haasteena on valintojen tekeminen sisällön suh-

teen, koska litteroitaessa ei voida välttämättä tietää, mitä kaikkea nauhoitetusta materiaa-

lista tarvitaan. (Kananen 2017: 134 – 135.) 

 

Tutkielman tutkimuksessa kerätyn aineiston yhteismitallistamiseen käytettäväksi mene-

telmäksi on valittu propositiotason litterointi. Paikoittain aineistoa voidaan litteroida 

myös yleiskielisellä tasolla, esimerkiksi sitaatteja varten. Ei kuitenkaan nähdä olevan tar-

koituksenmukaista tai hyödyllistä litteroida koko aineistoa tällä tarkkuudella. Tutkielman 

analysointivaiheessa vaadittavaan tarkkuuteen propositiotason litterointi on pääasiassa 

riittävää. 

 

Kerätyn aineiston analyysimenetelmässä on teorialähtöisen analyysin ja abduktiivisen 

analyysin piirteitä. Teorialähtöisessä analyysissä luokitellaan aineisto aiempien teorioi-

den pohjalta, eli analyysissä käytettävät käsitteet juontaa juurensa olemassa olevaan teo-

riaan. Abduktiivinen analyysi puolestaan on kombinaatio induktiivista ja deduktiivista 

päättelyä, jossa teoriaa käytetään analyysin tukena, mutta sitä ei oikeastaan testata. (Ka-

nanen 2008: 91) 

 

Kerättyjä aineistoja yhdistellään. Yhdistelyn tarkoituksena on pystyä havaitsemaan ai-

neistoissa samankaltaisuuksia ja poikkeavuuksia (Hirsijärvi & Hurme 2006: 136). Aineis-

toja siis vertaillaan keskenään, mutta myös kirjallisuuteen. Niistä pyritään löytämään yri-

tyksien ennustamiskäytäntöjä yhdistäviä ja erottavia tekijöitä. Näitä tekijöitä pyritään löy-

tämään myös yritysten ja kirjallisuuden välillä. Haastateltavista yrityksistä saadusta tie-

dosta ja vertaillusta aineistosta tehdään tutkimuskysymysten valossa tulkintoja ja johto-

päätöksiä, jotka esitellään viidennessä eli viimeisessä varsinaisessa luvussa. 

 



42 

 

3.3. Datasetti 

 

Tutkimuksessa kerättiin dataa kolmella haastattelukerralla. Kullakin haastattelukerralla 

mukana oli yksi henkilö edustamassa tutkimukseen osallistuvaa yritystä. Haastattelun 

kesto kullakin kerralla oli noin tunti. Haastateltaviksi valikoitui henkilöitä, jotka ovat 

myynnin ennustamistoiminnasta vastuussa tai siitä hyvin perillä. Kuvassa 5 eritellään 

haastateltavien roolit yrityksissä. 

 

Haastateltava Positio 

Yritys A Toimitusjohtaja 

Yritys B Toimitusjohtaja 

Yritys C Myynti- ja Markkinointijohtaja 

Kuva 5. Haastateltavat. 

 

Yrityksen A kohdalla haastattelun lopullinen kesto oli noin 59 minuuttia. Litteroinnin 

jälkeen dataa oli noin 10 sivua haastattelurunkoon litteroituna. 

 

Yrityksen B kohdalla haastattelun lopullinen kesto oli noin 53 minuuttia. Litteroinnin jäl-

keen dataa oli noin 15 sivua haastattelurunkoon litteroituna. 

 

Yrityksen C kohdalla haastattelun lopullinen kesto oli noin 69 minuuttia. Litteroinnin jäl-

keen dataa oli noin 13 sivua haastattelurunkoon litteroituna. 

 

 

  



43 

 

4. TULOKSET 

 

Tässä luvussa esitellään kohdeyritykset ja tutkimuksen tulokset. Kerätty aineisto esitel-

lään yritys kerrallaan propositiotasolla litteroituna. Aineisto on jaoteltu haastattelussa ot-

sikoitujen teemojen mukaan. Luvun lopussa tuloksia vertaillaan keskenään ja tutkielman 

teoriaosuuteen. 

 

4.1. Kohdeyritykset 

 

Tutkimuksen haastatteluun valikoitiin siis Pk-yrityksiä IT-alalta. Yritys luetaan Pk-yri-

tysten, eli pienten ja keskisuurten yritysten, joukkoon, mikäli: se työllistää alle 250 hen-

kilöä, sen liikevaihto ei ylitä 50 miljoonaa euroa vuodessa ja sen taseen loppusumma ei 

ylitä 43 miljoonaa euroa. Yrityksen on oltava myös riippumaton, eli yksi tai useampi ei 

Pk-yritykseksi luokiteltava yritys ei saa omistaa yrityksen pääomasta tai äänivaltaisista 

osakkeista 25 prosenttia tai enempää. Pieneksi yritys määritellään silloin, kun: yritys työl-

listää alle 50 työntekijää, sen liikevaihto ei ylitä 10 miljoonaa euroa vuodessa ja sen ta-

seen loppusumma ei ylitä 10 miljoonaa euroa. Sen on oltava myös riippumaton aiemmin 

määritellyllä tavalla.  (Tilastokeskus 2018a.) Mikroyritykseksi yritys puolestaan määri-

tellään silloin, kun: se työllistää alle 10 henkilöä, sen liikevaihto ei ylitä 2 miljoonaa euroa 

vuodessa ja sen taseen loppusumma ei ylitä 2 miljoonaa euroa vuodessa. Sen on oltava 

myös riippumaton aiemmin määritellyllä tavalla. (Tilastokeskus 2018b.) Tutkimukseen 

valikoitui kolme yritystä. Kokoluokiltaan yritykset ovat mikro, pieni ja keskisuuri. 

 

Yritykset toimivat IT-alalla, eli informaatioteknologian tai tietotekniikan alalla. Tutki-

muksessa viitataan IT-alaan, vaikka se on melko laaja käsite. Tutkimukseen valikoidut 

yritykset luokitellaan kuitenkin jompaankumpaan seuraavista toimialoista: Ohjelmistojen 

suunnittelu ja valmistus tai Muu liikkeenjohdon konsultointi. 

 

 

 

 



44 

 

4.2. Yritys A 

 

Yritys A on mikroyritykseksi luokiteltava yritys, jonka toimialaluokka on Muu liikkeen-

johdon konsultointi. Yritys tarjoaa asiakkailleen IT-konsultointia ja IT-palveluita. Yri-

tyksen palveluihin kuuluu esimerkiksi yrityksen tietohallinnon johtaminen ja erilaiset 

koulutukset. Yritys on ollut toiminnassa alle 5 vuotta, eli se on hyvin nuori. Se on yhtiö-

muodoltaan osakeyhtiö. 

 

4.2.1. Yleinen osio 

 

Yrityksessä ennustetaan myyntiä. Sellaisena kuin yrityksessä myynnin ennustaminen ym-

märretään, tulevaisuuden suunnitteluna, on myyntiä ennustettua jo yrityksen alkuajoista 

lähtien. Myynnin ennustaminen on yrityksessä hyvin käytännönläheistä ja joustavaa, eikä 

sitä ole sidottu johonkin tarkemmin määriteltyyn prosessiin. Osin valinta on mikroyrityk-

sen resurssien sanelema. 

 

Yrityksessä ennustetaan myyntiä, koska se nähdään välttämättömänä. Myynnin ennusta-

misen avulla arvioidaan resurssien riittävyyttä ja markkinointitoimien tarpeellisuutta. Sen 

avulla siis pyritään näkemään, onko tulevaisuudessa tulossa kauppaa ja mitä toimenpiteitä 

lähitulevaisuus edellyttää, jotta kauppaa tulisi. Sen avulla yrityksessä pyritään reagoi-

maan tulevaisuuden tarpeisiin etenkin resurssien kannalta; mikäli huomataan, että resurs-

sit eivät riitä tulevaan kysyntään, on niitä hankittava lisää. Halutaan siis pystyä etukäteen 

arvioimaan tulevaa. Yrityksen kannalta tilanne, jossa resurssipula tai muu vastaava huo-

mataan vasta kun se on käsillä, on huono. Myynnin ennustaminen nähdään yrityksessä 

erittäin tärkeänä. 

 

Yrityksessä arvioidaan, että yleisesti IT-alalla harjoitetaan myynnin ennustamista, yrityk-

sestä riippuen paljonkin. Arvio perustuu haastateltavan omaan aikaisempaan kokemuk-

seen alalta. Ennustaminen nähdään haastavana ja paljon asiakkaista riippuvana toimin-

tana. Ennustamisen haastavuutta alalla lisäävänä tekijänä nähdään asiakkaan puolelta 



45 

 

pitkä päätöksentekoprosessi. Kysyntää myöskään harvoin tulee asiakkaan puolelta. Tär-

keämpien, yritykselle isompien avainasiakkaiden myynnin ennustaminen nähdään hel-

pommaksi, koska ne tunnetaan paremmin. 

 

4.2.2. Prosessi 

 

Yrityksen myynnin ennustamisprosessiin katsotaan kuuluvan potentiaalisten ostajien lä-

pikäynti ja kontaktointi. Ennustamisprosessissa ei ole tarkasti määriteltyjä vaiheita, vaan 

ennustamista pysähdytään operatiivisen toiminnan pyörittämisen lomassa tekemään ti-

lanteen mukaan. Tällöin mietitään, että mitä viimeaikoina on tehty ja mitä seuraavaksi 

kannattaa tehdä. Tämä pitää sisällään tarjottavan palveluportfolion uudelleentarkastelua 

ja mahdollisesta uudelleensuuntautumisesta päättämisen. Notkeus ja ketteryys nähdään 

avainasioina toiminnalle. Jos tehdään huomio, ettei yrityksen nykyiselle palveluportfoli-

olle löydy asiakkaita, tulee muutoksia tehdä. 

 

Toisin sanoen yrityksessä havainnoidaan myyntiä ennustaessa suuntia, joita kohti yrityk-

sen tulisi pyrkiä tekemällä tarvittavat toimenpiteet, kuten kouluttautumisen. Yrityksessä 

mietitään, minkälaisia tarpeita asiakkailla voisi tulevaisuudessa olla odotettavissa ja mitä 

niille olisi myytävänä palveluna helposti perusteltavissa. Tämän jälkeen vertaillaan sitä 

yrityksen nykyiseen tilanteeseen. Katsotaan, minkälaisia toimenpiteitä yrityksen tulisi 

tehdä vastatakseen tulevaan; minkälaista kouluttautumista ja sertifiointia tarvitaan, miten 

rakennetaan tuote ja niin edelleen. Yrityksessä vähennetään tuotesuunnittelun vaatimien 

resurssien tuomaa riskiä siten, että tuotetta ei suunnitella täysin valmiiksi ennen kuin sille 

varmistuu myyntiä. 

 

Yrityksessä myynnin ennustamisesta vastaa yksinomaan toimitusjohtaja. Ennuste laadi-

taan aiemmin kuvatulla tavalla joustavasti käytännössä noin kerran viikossa, jolloin toi-

mintaa mietitään eteenpäin. Vaikka ennuste onkin osakseen toimitusjohtajan omissa aja-

tuksissa, on sillä myös fyysinen muoto. Ennuste voidaan laatia Excelissä, vaikka se ei 

olekaan välttämättä kovin eksaktia tiedettä. Siihen lasketaan projektien tuntihintoja ja tu-

levien projektien kokoluokkia. Pääsääntöisesti yrityksen myynnin ennustamisen ideana 



46 

 

on selvittää ylätasolla suuntia; mitä myydään, miten myydään ja minkä suuruista lasku-

tusta voidaan saada aikaiseksi. Ennustaminen pidetään hyvin yleisellä tasolla, koska tar-

kemman ennusteen laatiminen nähdään olevan yrityksen tilanteeseen nähden liian aikaa 

vievää suhteessa siihen, miten se maksaisi itsensä takaisin. 

 

Tuotteen kohdalla yrityksessä tehdään laskelmat siitä, minkä verran sille voitaisiin mah-

dollisesti saada asiakkaita. Eli tehdään käytännössä kannattavuuslaskelmat: maksaako 

tuote itsensä kulujen jälkeen takaisin. Mietitään projektien pituuksia ja sen vaatiman tuo-

tekehitysprojektin kokoluokkaa ennen kuin se voidaan esitellä asiakkaalle.  

 

Yrityksessä ennustetaan lyhyelle, keskipitkälle ja pitkälle aikavälille. Lyhyellä, noin kuu-

kauden päähän ulottuvassa ennusteessa käydään läpi, mitä lähiviikkoina tapahtuu. Keski-

pitkä aikaväli puolestaan on yrityksessä noin kuusi kuukautta. Vuoden mittaiset ennusteet 

nähdään yrityksessä pitkän aikavälin ennusteina. Pitkällä aikavälillä yritys pyrkii selvit-

tämään alan trendejä, niiden suuntauksia ja yrityksen omaa suuntautumista. Haastateltava 

toteaa pitemmälle ennustamisen ongelman olevan sen, ettei kukaan tiedä mitä alalla ta-

pahtuu viiden vuoden päästä. Niin pitkälle mietittäessä on lähinnä kysymys siitä, miten 

yritystä haluttaisiin sillä aikavälillä kasvattaa. Vuoden myyntiennuste toimii yrityksessä 

myös eräänlaisena tavoitteena, eikä yksittäisten kuukausien toteutumilla nähdä olevan 

yhtä suurta merkitystä, kuin vuoden tavoitteessa pysymisellä.  

 

Yrityksessä ennustetaan käytännössä yritystasolla, henkilöstötasolla ja tuoteryhmittäin. 

 

4.2.3. Menetelmät 

 

Haastateltavalle tuttuja menetelmiä ovat johtajien mielipidemittaus, myyntihenkilöstön 

mielipidemittaus, kuluttajatutkimukset ja testimarkkinointi. Näistä haastateltava näkee, 

että yrityksellä käytössä on jossain muodossa johtajien mielipidemittaus, myyntihenki-

löstön mielipidemittaus ja testimarkkinointi. Esimerkiksi testimarkkinointi nähdään yri-

tyksessä hyvin suorasukaisena menetelmänä. 

 



47 

 

Haastateltavan näkemyksen mukaan esimerkiksi liukuvan keskiarvon tyyppinen kvanti-

tatiivinen menetelmä ei oikein sovellu yritykselle tai alalle. Nähdään, ettei mikään men-

nyt myynti korreloi tulevaan myyntiin. Ainostaan keskeneräisistä projekteista näkee var-

masti mitä on tulossa. Liukuvan keskiarvon tyyppistä menetelmää haastateltava pohtii 

käytettävän kyllä esimerkiksi tukkukaupassa. 

 

Yrityksen ennustamistoiminnassa on tutkijan mielestä viitteitä myös skenaarioanalyysin 

tyyppisen menetelmän käytöstä. Yrityksessä pyritään muodostamaan tulevaisuudesta 

kuva, jonka jälkeen pyritään tekemään sen edellyttämiä toimenpiteitä. 

 

Yritys voi olla myös suoraan kontaktissa asiakkaaseen selvittääkseen heidän ostoaikei-

taan ja niiden ajankohtia. Tässä puolestaan on elementtejä kuluttajatutkimuksen tyyppi-

sestä ennustamismenetelmästä. Yrityksessä otetaan tosin huomioon kuluttajatutkimuksen 

epävarmuus. On havaittu, että asiakkaan arviot eivät välttämättä kuitenkaan korreloi suo-

raan toteutuviksi kaupoiksi. Yrityksessä on valittu menetelmät tunnepohjalta, eli mitkä 

tuntuvat parhaiten yritykselle sopivan. Menetelmiä yhdistellään ja niistä muodostetaan 

myyntiennusteita ja myyntitavoitteita. 

 

Haastateltava näkee, että myynnin ennustamismenetelmät soveltuvat IT-alalle siinä missä 

muillekin aloille. Hän arvioi, että kvantitatiivisiakin menetelmiä käytetään IT-alalla, 

koska ala on hyvin laaja. Voidaan myydä tuotteita, lisenssejä ja niin edelleen. Lisenssi-

kauppa nähdään helposti ennustettavana, kun on tarkasti tiedossa, milloin asiakkaiden 

lisenssit ovat menossa vanhoiksi. Mutta tilanteessa, jossa asiakkaan ei ole periaatteessa 

pakko ostaa mitään, on myynti kiinni asiakkaan taloudellisesta tilanteesta. 

 

Yksikkönä myyntiä ennustettaessa käytetään tunteja ja euroja. Projektin vaatimat työtun-

nit korreloivat euroihin sitten siinä mielessä, että kun jollain työllä on tietty tuntihinta, 

saadaan siitä laskettua euromääräinen summa. Se voidaan jakaa myös tuoteryhmittäin. 

 

Uuden tuotteen myynnin ennustamiseen yrityksellä ei ole erityistä menetelmää, vaan se 

perustuu arviointiin. Lähtökohdat kannattavuudelle selvitetään kyllä, kuten aiemmin mai-



48 

 

nittiin. Kulut, asiakkaiden koko ja heidän mahdollisuus ostaa kyseisen kokoluokan pro-

jekteja selvitetään. Tuotteen menestymisen ennustaminen nähdään kysymysmerkkinä. Se 

on silloin kiinni siitä, miten asiakkaan päättäjä reagoi. 

 

4.2.4. Järjestelmät 

 

Yrityksellä on käytössään taloushallintoon tarkoitettu järjestelmä, joka valittiin käyttöön, 

koska yrityksen asiakkailla oli tuolloin myös kyseinen ohjelmisto käytössä, mistä oli hyö-

tyä. Järjestelmää käytetään pääasiassa laskutukseen, mutta järjestelmästä on nähtävissä 

myös kuukauden myynnit, tilanne vuosimyyntiin verrattuna ja tuoteryhmäkohtaisesti. 

Järjestelmä näyttää myös ennusteet siitä, mihin yrityksen myynti on tulevaisuudessa 

suuntaamassa. Yritys käyttää näitä hyväkseen. Niistä nähdään tavoitteenomaisesti, 

kuinka paljon myyntiä olisi saatava seuraavalla kuulla aikaiseksi. 

 

4.2.5. Tarkkuus 

 

Yrityksessä tarkkuus määritellään prosentuaalisena lukuna siitä, paljonko ennusteen ja 

toteutuman välinen ero on. Eli tarkkuus lasketaan yksinkertaisuudessaan toteutuman ja 

ennusteen suhteena. Yrityksessä pyritään noin 10 % tarkkuuteen, mutta siinä ei ole aina 

täysin onnistuttu. Viimeaikoina on esimerkiksi mennyt paremmin, kuin mitä on osattu 

ennustaa. Tarkkuutta mitataan kuukausitasolla ja sen mukaan päivitetään koko vuoden 

ennustetta aina kulloisenkin tilanteen mukaan. Tarkkuus on ollut kuitenkin yrityksen toi-

minnan kannalta riittävä, eikä vallitsevan kulurakenteen vuoksi ole ollut tarvetta pystyä 

ennustamaan tarkemmin. 

 

Haastateltavan mukaan yrityksen ennusteiden tarkkuuteen vaikuttaa kaikista eniten asi-

akkaiden päätösten aikataulut. Aikataulut kun eivät mene aina kuten suunnitellaan. 

 

 

 

 



49 

 

4.2.6. Käyttötarkoitukset 

 

Yrityksessä käytetään laadittuja ennusteita tulevaisuuden suunnittelun apuvälineenä. Nii-

den avulla pyritään siis pystymään suunnittelemaan toimenpiteitä; kehitetäänkö uusia pal-

veluita, hankitaanko lisää resursseja ja niin edelleen. Pyritään ennakoimaan tulevaisuutta 

siten, ettei huomaamatta ajauduta tilanteeseen, jossa huomataan yrityksen varojen huven-

neen. 

 

Yrityksen päätöksenteko perustuu siis vahvasti ennusteisiin. Oikeastaan kaiken nähdään 

perustuvan siihen. Ainoastaan taakse katsominen ei vie yrityksen toimintaa oikeaan suun-

taan. 

 

4.2.7. Kehitys 

 

Yrityksen myynnin ennustamistoiminnan suurimpana haasteena nähdään selkeästi asiak-

kaan oman liiketoiminnan tilanne. Vaikka yrityksen tuote olisi miten hyvä tai perusteltu 

asiakkaalle, ei kauppaa saada, mikäli asiakkaalla ei ole siihen investoida. Pyritään siis 

siihen, että asiakkaan toiminta on kannattavaa ja sitä tuetaan. 

 

Yrityksessä nähdään heidän myynnin ennustamistoiminnan olevan tällä hetkellä riittävää 

suhteessa kokoon. Kehittämistä ennustamistoiminnassa voidaan nähdä toisaalta olevan 

paljon. Laajempana kokonaisuutena, trendien miettimisenä ja enemmän markkinointia 

koskettavina toimenpiteinä nähdään olevan tarvetta uudelle näkökulmalle. Kun asioita 

tehdään oikein, nähdään, että myynnin ennustaminenkin helpottuu. 

 

Yrityksessä uskotaan että muut IT-alan yritykset, etenkin isommat ennustavat paljonkin 

tarkemmin.  

 

Kun yritys kasvaa, nähdään, että tärkeää olisi saada myynnin kehittyminen ja kasvu kul-

kemaan käsi kädessä. Nähdään hyvin mahdollisena ajatus siitä, että kasvu tuo tullessaan 

myös tarpeita tehdä investointeja myynnin ennustamisprosessiin vaikka uusien työkalu-



50 

 

jen muodossa. Yrityksen kasvaessa nähdään myynnin ennustamista automatisoivan jär-

jestelmän tulevan tarpeellisemmaksi. Perustuu järjestelmä sitten Exceliin tai johonkin 

muuhun, niin sellaiselle nähdään olevan tulevaisuudessa tarvetta. 

 

4.3. Yritys B 

 

Yritys B on pieneksi yritykseksi luokiteltava yritys, jonka toimialaluokka on Ohjelmisto-

jen suunnittelu ja valmistus. Se tarjoaa asiakkailleen digitaalisten palveluiden kehittä-

mistä. Ratkaisuihin kuuluu esimerkiksi mobiili- ja verkkosovellukset. Yritys toimintaan 

kuuluu paasiallisesti asiakkaiden konsultointi, ohjelmistojen ja palveluiden suunnittelu, 

valmistus, asennus ja testaus. Yritys on ollut toiminnassa 5 – 10 vuotta ja on yhtiömuo-

doltaan osakeyhtiö. 

 

4.3.1. Yleinen osio 

 

Yrityksessä on harjoitettu ennustamistoimintaa useamman vuoden ajan, noin puolet yri-

tyksen olemassaolon ajasta. Se aloitettiin, koska yrityksessä haluttiin pystyä suunnittele-

maan toimintaa paremmin; resurssitarpeet ja projektien ajoitukset, ei ainoastaan määrä, 

jollain aikavälillä haluttiin tietää paremmin. Pitkälle myyminen koetaan yrityksessä haas-

tavaksi. Tämän lisäksi myyntiä ennustetaan, jotta toiminnalle voitaisiin asettaa realisti-

sempia tavoitteita. Näin toimintaa koettiin pystyttävän kehittää tehokkaammaksi ja jär-

jestelmällisemmäksi. Myyntiennuste nähdään siis osittain myös toiminnan tavoitteena, 

jota seurataan aktiivisesti. 

 

Myynnin ennustaminen nähdään yrityksessä tärkeänä, jopa välttämättömänä, suunnitel-

man mukaisena toimintana. Yrityksessä on löydetty itselle sopiva tapa ennustaa myyntiä, 

vaikka se ei täysin oppikirjanmukaista toimintaa olisikaan. 

 

Yrityksessä seurataan muiden IT-alan yritysten käytäntöjä vaihtelevasti. Yrityksessä näh-

dään, että myynnin ennustaminen on alalla tärkeää kaikissa yrityksissä, etenkin resurs-

sinvuokrausbisneksessä. Nähdään myös, että tuotteita myydessä myynnin ennustamisella 



51 

 

on kasvava potentiaali, vaikka sitä puolta toiminnasta ei nähdä tunnettavan hyvin. Re-

surssivuokraus nähdään ennustettavampana, kuin tuotteet, vaikka siinäkin on oltava ajan 

hermoilla. Asiakkaiden ostoaikeet voidaan ennustaa melko hyvin. 

 

Omakohtaisen kokemuksen mukaan myynnin ennustamismenetelmien nähdään soveltu-

van IT-alalle hyvin. Nähdään, että heidän alallaan ennustaminen pohjautuu paljon siihen, 

että tunnistaa alan ja asiakkaiden tilanteet. Kvalitatiivinen tieto on peräisin asiakkaalta 

käydyistä keskusteluista liittyen heidän tuleviin investointeihinsa, teknologisiin panos-

tuksiin ja niin edelleen. Saatua tietoa verrataan omaan osaamiseen. Pyritään etukäteen 

tietämään, mitä tuleman pitää. Yrityksessä uskotaan tilanteen olevan hyvin samanlainen 

muissakin IT-alan yrityksissä. 

 

4.3.2. Prosessi 

 

Myynnin ennustaminen lähtee yrityksessä asiakkaiden segmentoinnista. Yritykselle isoja 

asiakkaita on kourallinen. Näitä lähdetään pilkkomaan kontaktihenkilöittäin tai liiketoi-

minta-alueittain ja pyritään selvittämään tilanne kunakin hetkenä; mitä on tehty ja mitä 

on tulossa. Tärkeiden asiakkaiden kanssa pidetään puolivuosittain keskustelut tulevaisu