Pauliina Mannonen 

Ennustavan analytiikan merkitys organisaation 
taloudelliseen resilienssiin 

 

 

 

 

 

 
  

Vaasa 2023 

Laskentatoimen ja rahoituksen 
akateeminen yksikkö 

Laskentatoimen ja tilintarkastuksen 
pro gradu -tutkielma 

Laskentatoimen ja tilintarkastuksen 
maisteriohjelma 



2 

VAASAN YLIOPISTO 
Laskentatoimen ja rahoituksen akateeminen yksikkö 
Tekijä: Pauliina Mannonen 
Tutkielman nimi: Ennustavan analytiikan merkitys organisaation taloudelliseen 

resilienssiin 
Tutkinto: Kauppatieteiden maisteri 
Oppiaine: Laskentatoimen ja tilintarkastuksen maisteriohjelma 
Työn ohjaaja: Mika Ylinen 
Valmistumisvuosi: 2023 Sivumäärä: 109 

TIIVISTELMÄ: 
Tämän pro gradu -tutkielman tarkoitus on tutkia ennustavan analytiikan merkitystä 
organisaation taloudelliseen resilienssiin. Tutkielmassa tutkitaan, miten organisaatiot 
hyödyntävät data-analytiikkaa, millainen vaikutus data-analytiikan ominaisuuksilla ja 
hyödyntämisellä on organisaation taloudelliseen resilienssiin ja miten ennustavan analytiikan 
koetaan tulevaisuudessa kehittyvän. Lisäksi pyritään selvittämään, onko data-analytiikan tasolla 
merkitystä organisaation taloudelliseen riskiensietokykyyn eli sen taloudelliseen resilienssiin. 
Organisaatioiden kyky reagoida nopeasti muuttuvan ympäristön tuomiin haasteisiin, on 
herättänyt paljon kiinnostusta viime vuosina. Lisäksi viimeaikaiset kriisit, kuten pandemia ja 
sota, ovat lisänneet keskustelua organisaation resilienssistä. Samaan aikaan digitalisaation 
tuomien teknologisten innovaatioiden, kuten data-analytiikan, on katsottu edistävän 
organisaatioiden kriisienhallintaa. Tutkimuksissa on kuitenkin yhä tyhjiöitä siitä, kuinka 
esimerkiksi ennustavaa analytiikkaa voidaan hyödyntää resilienssin vahvistamiseen tulevilta 
vastoinkäymisiltä. 
 
Tutkielman teoriaosuus rakentuu tutkielman aiheeseen liittyvistä aikaisemmista tutkimuksista. 
Teoriaosuudessa käsitellään aiheen kannalta oleellisia määritelmiä ja tutkitaan organisaation 
resilienssiä, data-analytiikkaa sekä data-analytiikan merkitystä organisaation taloudelliseen 
resilienssiin. Tutkielman painopiste on enenevissä määrin ennustavassa analytiikassa. Koska 
tutkielman tavoitetta lähestytään Barberan ja muiden (2017) taloudellisen resilienssin 
viitekehyksen avulla, on myös tämä viitekehys avattu tutkielman teoriaosuudessa. Tutkielman 
tuloksia peilataan teoriaosuudessa tehtyihin löydöksiin aikaisempien tutkimuksien osalta. 
Tutkimuksen kannalta merkittävänä voidaan pitää sitä, että aikaisemmista tutkimuksista on 
löydettävissä yhteneväisyyksiä tässä tutkielmassa käytetyn aineiston kanssa. 
 
Tämän tutkielman aineisto muodostuu viidestä haastateltavasta eri organisaatioista ja 
toimialoilta. Tutkimusmenetelmänä käytetään kvalitatiivista tutkimusta ja 
haastattelumenetelmänä puolistrukturoitua teemahaastattelua. Litteroinnin lisäksi kerätyn 
aineiston analysoinnissa hyödynnetään teemoittelua ja tyypittelyä. Tutkimustulosten pohjalta 
voidaan todeta, että suurissa organisaatioissa data-analytiikkaa hyödynnetään jo 
edistyksellisesti, mutta kehitystä hyödyntämisen suhteen yhä kaivataan. Tulokset osoittavat, 
että organisaatiot tunnistavat data-analytiikan merkityksen taloudelliseen resilienssiin ja 
kokevat sen positiivisena. Edistyksellisemmän hyödyntämisen ei kuitenkaan koettu takaavan 
parempaa toimintaa, vaan sen nähtiin lisäävän todennäköisyyttä siitä, että organisaatio pärjää 
paremmin. Tulokset osoittavat, että ennustavan analytiikan painoarvo tulee tulevaisuudessa 
kasvamaan. Tulokset antavat ymmärtää, että tulevaisuudessa jo olemassa olevia käyttökohteita 
tullaan jatkokehittämään sekä uusien käyttökohteiden odotetaan lisääntyvän koneiden ja 
mallien kehityksen sekä lisääntyvän tiedon tarpeen myötä. 

AVAINSANAT: organisaation resilienssi, data-analytiikka, big data, ennustava analytiikka, 
laskentatoimi 



3 

 

Sisällys 

1 Johdanto 6 

1.1 Tutkielman tausta, merkitys ja rajaus 7 

1.2 Tutkielman tavoitteet 8 

1.3 Tutkielman rakenne 9 

2 Organisaation taloudellinen resilienssi 11 

2.1 Resilienssin käsitteen moninaisuus 11 

2.2 Organisaation resilienssin käsite 11 

2.3 Organisaation taloudellisen resilienssin viitekehys 13 

2.4 Kriisien vaikutus organisaation resilienssiin 16 

3 Data-analytiikka 19 

3.1 Digitalisaation merkitys kriisin aikana 19 

3.2 Data-analytiikan käsitteistö 21 

3.3 Big datasta big data -analytiikkaan 27 

3.4 Datan hyödyntämisen riskit ja haasteet 29 

4 Data-analytiikan merkitys taloudelliseen resilienssiin 32 

4.1 Data-analytiikka riskien- ja kriisinhallinnassa 32 

4.2 Ennustavan analytiikan merkitys 37 

4.3 Yhteenveto 40 

5 Tutkimuksen metodologia ja aineisto 45 

5.1 Tutkimusmetodologia 45 

5.2 Aineiston keruu 45 

5.3 Haastateltavien taustatiedot 48 

5.4 Kerätyn aineiston analysointi 51 

6 Tutkimuksen tulokset 54 

6.1 Data-analytiikan hyödyntäminen tällä hetkellä 54 

6.1.1 Data-analytiikan hyödyt ja kehitystä tukevat tekijät 58 

6.1.2 Data-analytiikan haasteet ja kehitystä haastavat tekijät 60 



4 

6.1.3 Data-analytiikan hyödyntämisen riskit 62 

6.2 Data-analytiikka ja organisaation taloudellinen resilienssi 65 

6.2.1 Data-analytiikan merkitys organisaation kykyyn selviytyä kriiseistä 68 

6.2.2 Ympäristön epävarmuuden vaikutus data-analytiikan hyödyntämiseen 72 

6.2.3 Data-analytiikassa hyödynnettävän tason merkitys resilienssiin 74 

6.3 Ennustava analytiikka tulevaisuudessa 76 

6.3.1 Ennustavan analytiikan kohteet tulevaisuudessa 78 

6.3.2 Ennustavan analytiikan kehitystä tukevat tekijät 80 

6.3.3 Ennustavan analytiikan kehitystä hidastavat ja estävät tekijät 81 

6.4 Yhteenveto tutkimustuloksista 82 

7 Johtopäätökset ja tulosten arviointi 87 

7.1 Tutkimuksen luotettavuus 94 

7.2 Tutkimuksen rajoitukset 96 

7.3 Jatkotutkimuskohteet 96 

Lähteet 99 

Liitteet 108 

Liite 1. Teemahaastattelurunko 108 

  



5 

Kuviot 
 
Kuvio 1. Taloudellisen resilienssin viitekehys. 14 

Kuvio 2. Data-analytiikan tasot arvoehdotuksen mukaan. 24 

Kuvio 3. Big data päätöksenteossa. 29 

 
 
Taulukot 
 
Taulukko 1. Data-analytiikan käsitteistö. 22 

Taulukko 2. Aineistotriangulaatio. 47 

Taulukko 3. Tutkimukseen osallistuneiden taustatiedot 50 

Taulukko 4. Tutkimustulokset. 83 

Taulukko 5. Toimialan vaikutus tutkimustuloksiin. 86 

 
 
Lyhenteet 
 
AI  Artificial Intelligence 

API  Application programming interface 

BA  Business Analytics 

BI  Business Intelligence 

BKT  Bruttokansantuote 

DA  Data Analytics 

IOT  Internet of Things 

IT  Information Technology 

 
 
  



6 

1 Johdanto 

Yritykset ja niiden toimintaympäristöt ovat muuttuneet. Muutos on tapahtunut sekä 

ympäristön epävarmuuden lisääntyessä että teknologian näkökulmasta. Rikhardssonin 

ja muiden (2021, s. 759) mukaan ympäristön epävarmuustekijät heijastavat suoraan 

organisaation toimintakykyyn sekä päätöksentekijöiden kykyyn arvioida eri tapahtumien 

vaikutusta organisaation toimintaan. Muutosvauhti jatkaa kiihtymistään ja siihen liittyvät 

tapahtumat tulevat todennäköisesti tapahtumaan tulevaisuudessa yhä useammin. 

Viimeaikaisena tapahtumana voidaan nostaa esille esimerkiksi Covid-19 pandemia, joka 

kehittyi maailmanlaajuiseksi kriisiksi. Organisaation toimintaympäristössä tällaiset 

muutokset lisäävät väistämättä niiden haavoittuvuutta. 

 

Tapahtumilla on usein merkittäviä taloudellisia seurauksia, joita organisaatiot pyrkivät 

hillitsemään varautumalla, ennakoimalla ja sopeutumalla kriisin tuomaan muutokseen 

sekä toipumalla sen aiheuttamista vahingoista. Tässä yhteydessä voidaankin puhua 

resilienssistä, jota on alettu soveltamaan muutos- ja kriisitilanteiden myötä yhä 

enenevissä määrin myös organisaatioiden kontekstissa. Viimeisten vuosien aikana 

resilienssistä on muodostunut yritysten keskuudessa tietynlainen trendisana. Resilienssi 

on myös herättänyt suurta akateemista kiinnostusta viimeisten kahdenkymmenen 

vuoden aikana (Aburn & Hoare, 2016, s. 981). Osa tutkijoista näkee resilienssin myös 

välttämättömänä ominaisuutena organisaatioille, jotka pyrkivät hallitsemaan 

ympäristön eri riskitekijöistä johtuvia haasteita (Singh, 2022, s. 38). 

 

Organisaation resilienssin yhteydessä on lisäksi keskusteltu digitalisaation 

mahdollistamista teknologisista innovaatioista sekä etenkin niiden hyödyntämisestä 

organisaation keskeisenä kykynä vastata kriisin tuomaan tilanteeseen. Kyseisten 

teknologioiden, kuten data-analytiikan avulla organisaatiot ovat pyrkineet kehittämään 

erilaisia keinoja ennakoida häiriöitä, kehittää tarkempia ja reaaliaikaisempia 

ohjaustoimenpiteitä sekä optimoimaan päätöksentekoa resilienssin tueksi (Ivanov & 

muut, 2019, s. 841). 

 



7 

Data-analytiikka käsitetään datan, tietotekniikan, tilastollisen analyysin, kvantitatiivisten 

menetelmien ja matemaattisten tai tietokonepohjaisten mallien käyttönä, joiden avulla 

johtajat pyrkivät saamaan paremman käsityksen toiminnastaan sekä tekemään 

parempia faktoihin perustuvia päätöksiä (Appelbaum & muut, 2017, s. 32). Ennustavaa 

analytiikkaa pidetään data-analytiikan yhtenä tasona sen neljästä alaluokasta. Se pyrkii 

vastaamaan kysymykseen ”mitä tulee tapahtumaan?” (Tschakert & muut, 2016, s. 61). 

Erinäisten kriisien ja taloudellisten näkökohtien myötä kiinnostus ja ymmärrys 

ennustavan analytiikan suhteen tunnistaa malleja ja trendejä sekä ennakoida 

tapahtumia ja havaita poikkeavuuksia on vain kasvanut (Halper, 2014, s. 4).  

 

Ennustavan analytiikan tasoa voidaankin käyttää esimerkiksi juuri riskienhallinnassa 

(Dubey & muut, 2019, s. 342). Wu ja muut (2020, s. 185–186) esittävät, että etenkin 

teknologian kehittymisen myötä data-analytiikka on muokkaantunut yhä 

soveltuvammaksi organisaation riskienhallintaan. Singh (2022, s. 34) puolestaan esittää, 

että tutkijat ovat viime vuosina keskittyneet yhä enenevissä määrin kehittämään 

ymmärrystä siitä, kuinka yritykset voivat minimoida liiketoimintariskien haitalliset 

vaikutukset yrityksen suorituskykyyn. Tämän pro gradu -tutkielman tarkoituksena onkin 

selvittää, miten ennustavan analytiikan hyödyntäminen liiketoiminnassa on vaikuttanut 

tai pyrkii vaikuttamaan organisaatioiden kykyyn ennakoida ja selviytyä kriisin 

taloudellisista vaikutuksista.   

  

1.1 Tutkielman tausta, merkitys ja rajaus 

Viime vuosina akateeminen kiinnostus organisaation kykyyn reagoida kriittisiin 

tilanteisiin on selvästi saanut huomiota. Organisaatioiden on rakennettava resilienssiä 

liiketoimintaprosessien jatkuvuutta uhkaavien lukuisten tapahtumien varalle ja niitä 

vastaan (Sahebjamnia & muut, 2018, s. 63). Aikaisemmissa tutkimuksissa on tutkittu 

kriisivalmiuden ja -hallinnan suunnittelun ja ennakoinnin ongelmaa (Turoff & muut, 2013, 

s. 1647). Tämän lisäksi useat tutkijat ovat esittäneet, että vaikka liiketoiminnan jatkuvuus 

keskittyy nykyisen toiminnan säilyttämiseen, voi kriisi olla myös uuden arvon lähde ja 



8 

luoda näin uusia mahdollisuuksia (Niemimaa & muut, 2019, s. 209; Margherita & 

Heikkilä, 2021, s. 690).   

 

Digitalisaation tuomien teknologisten innovaatioiden on katsottu edistävän 

organisaatioiden kriisinhallintaa (Hai & muut, 2020, s. 2). Kitchens ja muut (2018) 

esittävät, että big data -analytiikan suhdetta ja sen vaikutuksia organisaation kykyyn 

saavuttaa resilienssi, ei ole tutkittu yksityiskohtaisesti (Singh, 2022, s. 34). Tämän lisäksi 

johdon laskentatoimen julkaisut hakevat parhaillaan tutkimuspapereita 

erikoisnumeroonsa liittyen riskien- ja kriisien hallinnasta. Data-analytiikan rooli 

tutkielman ongelmakentässä on näin ollen erittäin ajankohtainen myös tieteellisen 

tutkimusten näkökulmasta. Niin kuin Aburn ja Hoare (2016, s. 981) toteavat resilienssi 

on herättänyt suurta akateemista kiinnostusta kahden viimeisen vuosikymmenen ajan. 

Tutkimuksissa on kuitenkin yhä tyhjiöitä siitä, kuinka esimerkiksi ennakoivaa analytiikkaa 

voidaan hyödyntää resilienssin vahvistamiseksi tulevilta vastoinkäymisiltä (Linnenluecke, 

2017, s. 15). 

 

Koska data-analytiikan ja resilienssin kenttä on laaja, keskitytään tutkielmassa erityisesti 

ennustavaan analytiikan. Resilienssi rajataan puolestaan käsittelemään kriisien 

taloudellisia vaikutuksia Barberan ja muiden (2017) taloudellisen resilienssin 

viitekehyksen mukaan. Näin ollen tutkielma rajautuu käsittelemään ennustavan 

analytiikan roolia organisaation taloudellisen resilienssin vahvistamisessa, eli 

organisaatioiden kykyä ennakoida ja selviytyä kriisien taloudellisista vaikutuksista. 

Tutkielman ei ole tarkoitus kuvailla data-analytiikan tai ennustavan analytiikan 

yksityiskohtaisia teknologisia ominaisuuksia tai käyttöönottoa prosessi- tai 

järjestelmätasolla. Tutkielman tarkoituksena on ennemminkin kasvattaa ymmärrystä 

aihealueesta.  

 

1.2 Tutkielman tavoitteet 

Tämä tutkielma tarkastelee sitä, kuinka ennustavan analytiikan hyödyntäminen 

liiketoiminnassa on vaikuttanut tai pyrkii vaikuttamaan organisaatioiden kykyyn 



9 

ennakoida ja selviytyä kriisin taloudellisista vaikutuksista. Tutkielman tavoitteena on 

selvittää data-analytiikan ja eritoten ennustavan analytiikan merkitystä organisaation 

kykyyn saavuttaa liiketoiminnan taloudellinen resilienssi. Lisäksi pyritään selvittämään, 

onko data-analytiikan tasolla merkitystä taloudellisen riskiensietokyvyn kehittämiseen. 

Tutkielmassa pyritään myös selvittämään, kuinka ennustavan analytiikan nähdään 

tulevaisuudessa kehittyvän.  

 

Tutkimuksen tavoitetta lähestytään kolmen tutkimuskysymyksen avulla: 

 

1.) Miten organisaatiot hyödyntävät tällä hetkellä data-analytiikkaa? 

2.) Millainen vaikutus data-analytiikan ominaisuuksilla ja hyödyntämisellä on 

organisaation taloudelliseen resilienssiin? 

3.) Miten ennustavan analytiikan hyödyntäminen tulee tulevaisuudessa 

kehittymään? 

 

Ensimmäisen tutkimuskysymyksen avulla pyritään kartoittamaan, miten organisaatiot 

hyödyntävät data-analytiikkaa tällä hetkellä. Toisen tutkimuskysymyksen avulla pyritään 

saaman vastaus siihen, kuinka data-analytiikka ja eritoten ennustava analytiikka edistää 

organisaation kykyä selviytyä kriiseistä sekä niiden taloudellisista vaikutuksista. Tämän 

lisäksi toinen tutkimuskysymys pyrkii selvittämään vaikuttaako data-analytiikassa 

hyödynnettävä taso organisaation kykyyn selviytyä kriiseistä. Viimeisen 

tutkimuskysymyksen avulla pyritään saamaan vastaus siihen, kuinka eri organisaatioiden 

asiantuntijat näkevät ennustavan analytiikan kehittyvän tulevaisuudessa. 

 

1.3 Tutkielman rakenne 

Tutkielman rakenne koostuu johdannon lisäksi kolmesta teoreettisesta pääluvusta ja 

kolmesta empiirisen osuuden pääluvusta. Ensimmäinen teorialuku käsittelee 

organisaation resilienssiä ja syvemmin organisaation taloudellista resilienssiä, etenkin 

ennakointi- ja selviytymiskykyjen näkökulmasta. Lisäksi luku pyrkii kuvaamaan kriisin eri 

vaikutuksia organisaation resilienssiin, etenkin Covid-19 pandemian näkökulmasta. 



10 

 

Toisessa teorialuvussa keskitytään data-analytiikan käsitteisiin erityisesti ennustavan 

analytiikan näkökulmasta. Koska tutkimuksia data-analytiikan hyödyntämisestä 

resilienssin vahvistamiseksi ei juurikaan ole tehty, lähestytään aihetta digitalisaation 

kautta. Luku etenee digitalisaation todetusta kasvusta kriisien myötä, data-analytiikan 

hyödyntämiseen taloudellisten riskien- ja kriisinhallinnassa. Luku käsittelee tämän lisäksi 

datan muodostamia riskejä ja haasteita organisaatioissa. 

 

Tutkielman teoriaosuuden viimeisessä pääluvussa käsitellään data-analytiikkaa ja 

organisaation resilienssiä yhdessä. Luku käy näin läpi, miten data-analytiikka ja erityisesti 

ennustava analytiikka pyrkivät edistämään organisaation taloudellista resilienssiä. Lisäksi 

luvussa käsitellään aikaisemmissa tutkimuksissa esitettyjä ennustavan analytiikan 

mahdollisia tulevaisuuden sovelluskohteita. Tämän jälkeen tutkielma etenee sen 

empiiriseen osuuteen, jossa esitellään tutkimusmetodologia ja tutkielman toteutus. 

Tutkielma etenee metodologisista valinnoista tulosten esittämiseen. Empiiriset tulokset 

esitetään loogisesti aiheittain, jonka jälkeen esitetään yhteenveto tutkimustuloksista. 

Tutkielman lopussa käydään läpi tutkielman johtopäätökset ja keskustellaan 

tutkimuksen luotettavuudesta, rajoituksista sekä tutkimukselle mahdollisista 

jatkotutkimuskohteista. 

 

 



11 

2 Organisaation taloudellinen resilienssi  

Tässä luvussa käsitellään resilienssiä erityisesti organisaation näkökulmasta ja tarkemmin 

organisaation taloudellisen resilienssin näkökulmasta. Luvun alussa avataan resilienssin 

käsitteen moninaisuutta ja tunnettavuutta, jonka jälkeen luku etenee käsittelemään 

resilienssiä organisaatioiden kontekstissa. Luku jatkaa etenemistä organisaation 

taloudelliseen resilienssiin, sille esitetyn viitekehyksen avulla. Luvun lopussa pyritään 

kuvaamaan kriisin eri vaikutuksia organisaation resilienssiin, etenkin Covid-19 

pandemian näkökulmasta. 

 

2.1 Resilienssin käsitteen moninaisuus 

Resilienssin käsite on Suomessa rinnastettu esimerkiksi joustavuuteen ja palautumiseen. 

Käsitettä sovelletaan useilla eri tieteenaloilla, jonka takia käsitteen moninaisuus on laaja. 

Linnenluecke (2017, s. 15) sekä Barasa ja muut (2018, s. 491) toteavat, että resilienssi on 

käsitteellistetty hyvin eri tavalla eri tutkimuksissa, jonka vuoksi eri tutkimusvirrat ovat 

tuoneet omat näkemyksensä, määritelmänsä ja teoriansa siitä mitä resilienssi on. 

Käsitettä on sovellettu useilla eri tieteenaloilla jo pidemmän aikaa. Esimerkiksi 1970-

luvulla useat psykologit, kuten Murphy (1974) alkoivat tutkia resilienssin ilmiötä 

psykologian näkökulmasta (Masten, 2001, s. 227). Samaan aikaan Holling (1973) alkoi 

tutkia resilienssiä ekologian tutkimusalueelta. Aikaisemmin resilienssiä on tutkittu paljon 

yksilöiden näkökulmasta, mutta muutos- ja kriisitilanteiden myötä resilienssin käsitettä 

on alettu soveltamaan myös organisaatioiden kontekstissa. Tämä tutkielma rajautuu 

koskemaan organisaatioiden taloudellista resilienssiä, jota käydään seuraavissa luvuissa 

tarkemmin läpi. 

 

2.2 Organisaation resilienssin käsite 

Monien määritelmien mukaan organisaation resilienssi nähdään kykynä ennakoida, 

menestyä, ja toipua riskeistä sekä selviytyä, reagoida ja palautua normaaliin toimintaan 

riskitekijöiden jälkeen (Ambulkar & muut, 2015, s. 112; Barasa & muut, 2018, s. 497). 



12 

Vargo ja Sevilla (2011, s. 5621) esittävät resilienssin organisaation kyvyksi ei vain 

selviytyä vaan myös menestyä sekä myötä että vastoinkäymisissä. He näkevät 

selviytymisen enemmän kriisinhallinnan näkökulmasta ja menestymisen strategisen 

suunnittelun näkökulmasta. Micelin ja muiden (2021, s. 2) sanoin elementit kuten tieto, 

avoimuus, kyky reagoida muutoksiin, riittävien resurssien saatavuus, joustavuus ja laaja 

verkosto, mahdollistavat organisaation resilienssin.  

 

Resilienssin yhteydessä on lisäksi keskusteltu sen tuomasta kilpailuedusta. Muun muassa 

Hamel ja Välikangas (2003, s. 55) esittävät resilienssin viittaavan organisaatioiden 

jatkuvaan jälleenrakennuskykyyn, joka edellyttää innovaatiota.  Teixeira ja Werther 

(2013, s. 334) mukailevat Hamelin ja Välikankaan viittausta, sillä heidän mukaansa 

resilienssi voidaan yhdistää innovointiin, jonka avulla organisaatiot pyrkivät luomaan 

jatkuvaa kilpailuetua. Gunasekaran ja muut (2011, s. 5491) ovat tutkineet resilienssiä 

pienten ja keskisuurten yritysten näkökulmasta. Heidän mukaansa resilienssi on 

sopeutumista, reagointia ja kestävyyttä. Tutkijat korostavat aikaisempia tutkimuksia 

mukaillen myös resilienssin merkitystä yrityksen kilpailuetuun. 

 

Organisaation resilienssi on saanut monia määritelmiä eri tutkimuksissa riippuen 

tutkijan kontekstista tutkia resilienssiä. Duchek (2019, s. 216) toteaakin, että vaikka 

akateeminen kiinnostus organisaation resilienssiä kohtaan on tasaisesti kasvanut viime 

vuosina, monimutkaisen rakanteen käsitteellistäminen on vielä lapsenkengissä. Tässä 

tutkielmassa organisaation resilienssi määritetään organisaation kyvyksi ennakoida 

mahdollisia uhkia, reagoida ja selviytyä tehokkaasti haitallisista tapahtumista, kyvyksi 

sopeutua muuttuviin olosuhteisiin sekä kyvyksi kehittämään innovatiivisia tapoja 

harjoittaa liiketoimintaa kriisien ja riskien vallitessa. Duchekin (2019, s. 220) tavoin 

resilienssi nähdään tässä tutkielmassa kriittisenä organisaation menestykselle, joka voi 

konfiguraatiosta riippuen olla kestävän kilpailuedun lähde ja siten selittää, miksi jotkut 

organisaatiot menestyvät paremmin kuin toiset. 

 



13 

Resilienssin yhteydessä on keskusteltu myös sen yhteydestä organisaation riskien- ja 

jatkuvuudenhallintaan. Buganován ja muiden (2021, s. 1526) sanoin riskien- ja 

jatkuvuudenhallinnan merkitys on ensisijaisesti organisaation valmiudessa kohdata 

ennalta odottamattomat tilanteet ja on siten yhteydessä organisaation resilienssiin. 

Puolestaan resilientin järjestelmän luomisessa organisaatiot voivat käyttää apunaan 

erilaisia menetelmiä, tekniikoita ja menettelytapoja. Toisin sanoen yhteys 

riskienhallinnan ja jatkuvuudenhallinnan välillä muodostuu siitä, että molemmissa 

pyritään kriisi ilmiöiden kielteisten vaikutusten minimoimiseen.  

 

Tämän takia sekä riskien- että jatkuvuudenhallinnan kokonaisvaltainen käyttöönotto 

yhdessä edistävät tehokkaasti organisaatiota reagoimaan syntyneisiin kriiseihin ja 

varmistaa näin toiminnan sujuvuuden ja kilpailukyvyn. Tehokas riskien- ja 

jatkuvuudenhallinta pyrkivät yhdessä luomaan organisaatiosta resilientin sen 

ympäristössä tapahtuville negatiivisille vaikutuksille ja muutoksille. Koska organisaation 

resilienssi nähdään hyvin laajana kokonaisuutena, keskitytään tässä tutkielmassa 

Barberan ja muiden (2017) kehittämään taloudellisen resilienssin viitekehykseen.  

 

2.3 Organisaation taloudellisen resilienssin viitekehys 

Organisaation taloudellinen arvo nähdään yleensä organisaation selviytymisen, kasvun 

tai pitkän aikavälin suorituskyvyn perusteella, joka nähdään usein seurauksena 

organisaation resilienssistä (Miceli & muut, 2021, s. 4). Taloudellista resilienssiä 

lähestytään tässä tutkielmassa mukaillen Barberan ja muiden (2017, s. 674) kehittämää 

viitekehystä (ks. kuvio 1), jossa tunnistetaan neljä taloudellisen resilienssin (financial 

resilience framework) pääulottuvuutta. Näitä ovat ympäristöolosuhteet, havaittu 

haavoittuvuus ja sisäiset kyvyt kohdata häiriöt, eli ennakointivalmiudet ja 

selviytymiskyvyt. 

 



14 

 

Kuvio 1. Taloudellisen resilienssin viitekehys (mukaillen Barbera & muut, 2017, s. 657). 

 

Kuvio 1 mukailee Barberan ja muiden (2017, s. 674–675) taloudellisen resilienssin 

viitekehystä, jonka mukaan shokeista selviytyminen edellyttää organisaatiolta 

ennakointivalmiuksia ja selviytymiskykyjä. Viitekehyksessä ympäristöolosuhteet liittyvät 

taloudellisiin, institutionaalisiin ja sosiaalisiin tekijöihin, jotka vaikuttavat kaikki 

organisaation havaittuun haavoittuvuuteen ja kykyyn selviytyä kriiseistä. 

Haavoittuvuuksilla tarkoitetaan tekijöitä, jotka heikentävät selviytymistä uusista 

häiriöistä ja shokeista. Organisaation haavoittuvuus riippuu sekä sisäisistä että ulkoisista 

tekijöistä. Ennakointivalmiuksien avulla organisaatiot voivat paremmin tunnistaa ja 

hallita havaittuja haavoittuvuuksiaan sekä tunnistaa mahdolliset taloudelliset shokit 

ennen niiden syntymistä. Selviytymiskyvyt puolestaan viittaavat organisaation 

resursseihin ja kapasiteetteihin, jotka mahdollistavat shokkien kohtaamisen ja 

haavoittuvuuksien hallinnan.  

 

Organisaatiot voivat reagoida eri shokkeihin esimerkiksi puskuroimalla, eli 

vaimentamalla shokkien vaikutuksia muun muassa lykkäämällä investointeja, 



15 

leikkaamalla menoja tai käyttämällä rahoitusreserviä (Barbera & muut, 2017, s. 675; 

Barbera & muut 2020, s. 533). Tämän lisäksi Barberan ja muiden (2017, s. 675) sanoin 

organisaatiot voivat sopeutua asteittain muutoksiin esimerkiksi lisäämällä sisäistä 

osaamista, solmimalla uusia kumppanuuksia tai verkostoitumalla ulkoisten sidosryhmien 

kanssa palveluntarjonnan tukemiseksi. Ääripäässä organisaatiolla voi olla myös tarve 

muuttaa jo olemassa olevia toimintoja, rakenteita, tavoitteita tai arvoja käyttöpääoman 

optimoimiseksi ja likviditeetin lisäämiseksi. Esimerkiksi radikaalien muutosten kautta, 

kuten tunnistamalla vaihtoehtoisia tulonlähteitä. Myös Teixeira ja Werther (2013, s. 335) 

toteavat, että taloudellisesta näkökulmasta resilienssi voidaan tunnistaa, kun yritys 

pystyy säilyttämään keskimääräistä paremman tuoton vaimennettuaan 

kilpailuympäristön shokit. Kuitenkin, jotta yritykset voisivat tehdä tämän pitkällä 

aikavälillä, on heidän jatkuvasti luotava kilpailukykyisiä innovaatioita. 

 

Duchek (2019, s. 232–233) puolestaan korostaa, että resilienssin eri vaiheita, kuten 

ennakointia, selviytymistä ja sopeutumista ei voida selvästi erottaa toisistaan. 

Resilienssin vaiheissa on joitakin päällekkäisyyksiä ja ne ovat voimakkaasti riippuvaisia 

toisistaan.  Ennakointi liittyy läheisesti selviytymiseen ja selviytyminen puolestaan 

sopeutumiseen. Vaikutus on myös päinvastoin. Duchekin sanoin onkin suositeltavaa, 

että korkean resilienssin saavuttamiseksi organisaatiot keskittyvät 

resilienssiprosessissaan näihin kaikkiin kolmeen vaiheeseen. Ennakointikykyä 

organisaatiot tarvitsevat selviytyäkseen kriisistä tulevaisuudessa, sillä ennakoinnin avulla 

organisaation on mahdollista tunnistaa tulevat riskit ja ryhtyä ennakoiviin toimiin riskejä 

vastaan. Ennakointivalmiudet ovat välttämättömiä, mutta eivät riitä sellaisenaan. 

Selviytymiskykyä organisaatiot tarvitsevat havaitun resilienssipotentiaalinsa 

toteuttamiseen. Resilienssipotentiaalilla tarkoitetaan ennakointikyvyillä havaittua 

organisaation resilienssiä, joka ei ole vielä tällä hetkellä ilmeinen tai toteutunut. Kykyjä 

tarvitaan muun muassa kriisisuunnitelmien soveltamiseen ja kriisikohtaisten ratkaisujen 

kehittämiseen. Lisäksi Duchek (2019, s. 233) sekä Barbera ja muut (2017, s. 681) toteavat 

yhdessä, ettei ole olemassa resilienssiä ilman oppimista kriittisten tapahtumien tai kriisin 

jälkeen. Oppiminen on välttämätöntä sopeutumisen kannalta, jotta voidaan mukautua 



16 

muutoksiin, muuttaa aiempaa tietoa sekä kehittää uusia valmiuksia taas uusien shokkien 

ennakointiin ja niistä selviytymiseen.  

 

Tässä tutkielmassa käytetään taloudellisen resilienssin viitekehystä (ks. kuvio 1) 

havainnollistamaan, kuinka eri kriisit lisäävät organisaatioiden haavoittuvuutta ja kuinka 

data-analytiikka eritoten ennustava analytiikka ovat osa organisaatioiden 

ennakointivalmiuksia ja selviytymiskykyjä, joiden ansiosta ne pystyvät selviytymään 

kriiseistä. Aikaisemmat tutkimukset taloudellisesta resilienssistä katsovat, että yksi sen 

tärkeimmistä ulottuvuuksista on kyky ylläpitää vakaa taloudellinen tila ulkoisia shokkeja 

vastaan (Barbera & muut, 2020, s. 533; Barbera & muut, 2021, s. 157) Lee ja Chen (2021, 

s. 1981) ovat puolestaan tutkineet resurssien ja resilienssin yhteyttä resurssipohjaisen 

näkemyksen avulla, jonka mukaan organisaation resurssien erilaiset laadut ja määrät 

voivat johtaa erilaisiin tuloksiin. Aikaisemmat tutkimukset eivät kuitenkaan ole ottaneet 

kantaa siihen, kuinka data-analytiikan avulla voidaan tehostaa organisaation 

ennakointivalmiuksia taloudellisen resilienssin tukemiseksi. Seuraavassa luvussa 

käydään läpi kriisien eri vaikutuksia organisaation resilienssiin.  

 

2.4 Kriisien vaikutus organisaation resilienssiin 

Rikhardssonin ja muiden (2021, s. 759) tutkimuksesta ilmenee, että organisaatioiden 

haavoittuvuuteen liittyy vahvasti äkilliset muutokset niiden toimintaympäristössä. 

Toisaalta kriisit saattavat myös syntyä organisaation omien toimien seurauksena. 

Tällaisilla tapahtumilla on usein merkittäviä taloudellisia seurauksia, joita organisaatiot 

pyrkivät hillitsemään varautumalla, ennakoimalla ja sopeutumalla kriisin tuomaan 

muutokseen sekä toipumalla sen aiheuttamista vahingoista. Usein organisaatiot joutuvat 

kuitenkin reagoimaan kriiseihin sen sijasta, että niihin olisi osattu ennalta varautua. 

Lisäksi ympäristön epävarmuustekijät muuttavat jatkuvasti muotoaan, joka tekee niiden 

ennakoinnista ja arvioimisesta yhä haastavampaa, ellei jopa mahdotonta.  

 

Rikhardssonin ja muiden (2021, s. 759) mukaan ympäristön epävarmuustekijät 

heijastuvat suoraan päätöksentekijöiden kykyyn arvioida riskien ja kriisien vaikutuksia 



17 

organisaatioon. Tämän takia organisaatioiden voi olla vaikea yltää yhtä resilienttiin 

tasoon, mitä jatkuvasti muutoksessa oleva ympäristö niiltä vaatisivat. Rikhardssonin ja 

muiden (2021, s. 758) sanoin ympäristön muutosvauhti jatkaa kiihtymistään ja siihen 

liittyvät tapahtumat tulevat todennäköisesti tapahtumaan tulevaisuudessa yhä 

useammin. Tämän takia voidaan olettaa, että myös johdon parempi ymmärrys siitä, 

kuinka digitalisaation mahdollistamia uusia teknologisia innovaatioita voidaan käyttää 

kriiseihin valmistautumiseen sekä niiden hallintaan on erityisen arvokasta.  

 

Viimeaikaiset kriisit, kuten Covid-19 pandemia on luonut organisaatioille pitkäaikaisia 

haasteita ja vaikuttanut kysynnän ja pääoman saatavuuden heikentymiseen. Miceli ja 

muut (2021, s. 2) toteavat pandemian osoittaneen sen, että yritykset ja organisaatiot 

eivät kaikki olleet valmistautuneita maailmanlaajuiseen kriisitilanteeseen. Kriisi korosti 

organisaatioiden tarvetta kehittää nopeasti kykyjä sopeutua muuttuviin olosuhteisiin ja 

toteuttaa tehokkaita toimia, joilla pystyttiin vastaamaan kriisin tuomaan tilanteeseen. 

Osaltaan eri tahojen toimet pandemian hillitsemiseksi saattoivat heikentää toisten 

tahojen toimintakykyä ja kykyä omaksua tulevia shokkeja sekä sopeutua näihin (Ahrens 

& Ferry, 2020, s. 817). 

 

Koberin ja Thambarin (2021, s. 1419) mukaan useiden valtioiden toimet, joilla pyrittiin 

pandemian taltuttamiseen, kuten yleisön liikkumis- ja kokoontumisrajoitukset, 

sosiaaliset etäisyysvaatimukset sekä sulkemisrajoitukset vaikuttivat kaikki niin 

henkilökohtaisiin kuin myös organisaatioiden toimintaan. Pandemia loi suuria 

maksuvalmiusongelmia ja tulojen supistumista, joka johti työntekijöiden lomautuksiin 

tai jopa irtisanomisiin. Myös Buganová ja muut (2021, s. 1524) toteavat, että pandemia 

vaikutti liiketoiminnan kaikkiin osa-alueisiin, kuten talouteen, kysyntään, tuotantoon, 

toimitusketjuihin ja ylipäätään toiminnan sopeuttamiseen kriisin luomaan tilanteeseen 

sekä työntekijöiden terveyteen. Useat organisaatiot päätyivät näin tekemään mittavia 

sopeutumistoimenpiteitä liiketoiminnan eri osa-alueisiin selviytyäkseen ja jatkaakseen 

toimintaansa kriisin keskellä. Tästä huolimatta kriisin arvaamattomat seuraukset 



18 

vaikuttivat monien yritysten ja organisaatioiden vakauteen ympäri maailman. Monet 

joutuivat muun muassa keskeyttämään tai lopettamaan liiketoimintansa kokonaan. 

 

Buganová ja muut (2021, s. 1524) toteavat, että osaltaan pandemian luoma kriisi kehitti 

organisaatioissa tarpeen integroida riskienhallinta ja jatkuvuudenhallinta osaksi 

liiketoimintaa ja korosti ennaltaehkäisyn painotusta ja tärkeyttä. Margheritan ja 

Heikkilän (2021, s. 693) mukaan useat organisaatiot luottivat kriisinhallintakykyihin sekä 

taloudellisiin ja teknisiin resursseihin, jotka auttoivat kriisin kohtaamisessa ja siitä 

selviämisessä. Pandemian nähtiin myös osaltaan edistävän joidenkin organisaatioiden 

digitalisoitumista, jonka avulla ne pystyivät nopeasti muokkaamaan liiketoimintaansa 

minimoidakseen haitalliset vaikutukset tai jopa hyötyäkseen kriisistä (Hai & muut, 2020, 

s. 25). 



19 

3 Data-analytiikka 

Tässä luvussa käsitellään data-analytiikkaan liittyviä käsitteitä liiketoimintaympäristön 

näkökulmasta. Luku etenee digitalisaation todetusta kasvusta kriisien myötä, data-

analytiikkaan ja siinä hyödynnettäviin eri tasoihin, jonka jälkeen käsitellään big dataa ja 

-analytiikkaa. Tutkielman painopiste on ennustavassa analytiikassa, jonka takia 

ennustavaan analytiikkaan perehdytään muita analytiikan tasoja syvemmin. Luvun 

lopussa tarkastellaan datan hyödyntämiseen liittyviä riskejä ja haasteita.  

 

3.1 Digitalisaation merkitys kriisin aikana 

Organisaation kyky ennakoida, selviytyä ja vastata kriittisiin tilanteisiin on elintärkeää sen 

liiketoiminnan jatkuvuuden kannalta. Organisaation resilienssin yhteydessä on 

keskusteltu digitalisaatiosta organisaatioiden keskeisenä keinona lieventää kriisien 

aiheuttamia taloudellisia vaikutuksia sekä niiden kykynä selviytyä kriiseistä yhä 

tehokkaammin. Digitalisaatiolla tarkoitetaan organisaation muutosprosessia 

digitaalisten teknologioiden käyttöönoton kautta, jotka ovat sekoitus tieto- ja 

viestintäteknologiaa (Hai & muut, 2020, s. 5). Digitalisaation tuomia teknologisia 

innovaatioita ovat muun muassa sosiaalisen kanssakäynnin mahdollistava internet, 

matkapuhelin teknologiat, sovellusalusta kehitys, pilvipalvelut, big data, esineiden 

internet (IoT) ja tekoälyyn liittyvät teknologiat (Hai & muut, 2020, s. 4–5; Oesterreich & 

muut, 2019, s. 2).  

 

Aikaisemmista tutkimuksista käy ilmi, että organisaation resilienssi edellyttää 

innovaatioita (Hammel & Välikangas, 2003, s. 55) ja, että resilienssi voidaan yhdistää 

innovointiin (Teixeira & Werther, 2013, s. 334). Digitalisaation nähdään puolestaan 

mahdollistavan organisaation teknologiset innovaatiot (Hai & muut, 2020, s. 5) sekä 

edistävän organisaatioiden datan käyttöönottoa osana liiketoimintaprosessien 

tehostamista (Miceli & muut, 2021, s. 8). Toisaalta dataa hyödyntävät organisaatiot 

nähdään usein innovatiivisina, kuten esimerkiksi Elbashir ja muut (2011, s. 156) esittävät, 

että organisaatioiden liiketoimintatiedon hallintaa pidetään laajalti innovatiivisena 



20 

tapana hyödyntää tietovarastoissa olevaa dataa. Voidaankin siis olettaa, että oikein 

hyödynnettynä digitalisaatio ja data-analytiikka edistävät organisaation innovatiivisuutta, 

joka puolestaan parantaa sen resilienssiä. Miceli ja muut (2021, s. 8) näkevätkin 

digitalisaation erityisen kiinnostavana aiheena, kun siitä keskustellaan resilienssin 

yhteydessä. 

 

Digitaalisten teknologioiden, kuten big datan ja -analytiikan sekä kehittyneiden seuranta- 

ja jäljitysjärjestelmien avulla organisaatiot voivat ennakoida häiriöitä, kehittää tarkempia 

ja reaaliaikaisempia ohjaustoimenpiteitä sekä skenaarioita resilienssin tueksi (Ivanov & 

muut, 2019, s. 841; Miceli & muut, 2021, s. 1). Etenkin datan ja teknologioiden kautta 

digitalisaatio edistää ketteryyttä, sillä se lisää organisaation liiketoimintaprosessien 

joustavuutta ja reagointikykyä tunnistamalla muutokset varhaisessa vaiheessa (Miceli & 

muut, 2021, s. 10). Margheritan ja Heikkilän (2021, s. 693) mukaan keskeiset 

mahdollistajat kriisin välittömään reagointiin perustuvat juuri ketterien 

liiketoimintaprosessien toteuttamiseen sekä digitaalisten teknologioiden 

hyödyntämiseen. Heidän mukaansa edistyneiden tiedonkeruu- ja 

seurantaominaisuuksien avulla organisaatiot ovat kehittäneet reaaliaikaista tietoisuutta 

pandemian vaikutuksista. Onnistuneet ratkaisut ovat perustuneet etenkin data-

analytiikan menetelmien ja työkalujen käyttöön. Margherita ja Heikkilä näkevät, että 

menetelmät ja työkalut ovat tukeneet eritoten organisaatioiden informatiivista 

viestintää ja johtamista. Lisäksi ne ovat mahdollistaneet Miceli ja muiden (2021, s. 10) 

sanoin tehokkaan ja toimivan yhteyden ja koordinoinnin liiketoimintaprosessien ja -

kumppaneiden välillä. 

 

Hai ja muut (2020, s. 2) esittävät, että Covid-pandemian yhteydessä tehdyt tutkimukset 

ovat osoittaneet, kuinka digitaalisten teknologioiden käyttöönotolla on ollut 

organisaatioissa merkittävä rooli kriisitilanteissa. Digitalisaatio on etenkin auttanut 

organisaatioita reagoimaan strategisesti kriiseihin pitkällä aikavälillä, joka puolestaan on 

parantanut niiden suorituskykyä. Rikhardsson ja muut (2021, s. 768) ovat sen sijaan 

esittäneet, että organisaatioiden on keskityttävä lyhyen aikavälin lisäksi myös pitkän 



21 

aikavälin suunnitteluun, jotta ne voivat nähdä kriisit uhkien sijaan mahdollisuuksina. 

Voidaan siis olettaa, että digitalisaation mahdollistamat teknologiat, kuten data-

analytiikka edesauttavat organisaatioita reagoimaan kriiseihin onnistuneesti sekä 

myötävaikuttavat mahdollisuuksien tunnistamisessa. 

 

Toisaalta jotkut tutkijoista ovat myös todenneet, että kyseiset teknologiat voivat 

muokata organisaatioiden liiketoimintamalleja ja näin tehdä perinteisistä malleista hyvin 

nopeasti vanhentuneita (Niemimaa & muut, 2019, s. 208), joka voi puolestaan heikentää 

organisaation kykyä vastata kriittisiin tilanteisiin. Micheli ja muut (2021, s. 12) ovat 

toisaalta esittäneet, että digitalisaatio voi esimerkiksi big data-analytiikan avulla auttaa 

organisaatioita ennakoimaan muutosta. Tutkijat kuitenkin korostavat, että 

digitalisaatiolla itsessään voi olla samaan aikaan positiivisia sekä negatiivisia vaikutuksia 

organisaation resilienssiin. 

 

3.2 Data-analytiikan käsitteistö 

Data-analytiikan (data analytics) käsitteistö on hyvin laaja, sillä se sisältää työkaluja, 

jotka hyödyntävät nykyistä teknologiaa datan poimimiseen ja analysointiin (Schneider & 

muut, 2015, s. 721; Kwon & muut, 2014, s. 387). Käsite määrittää näin data-analytiikassa 

käytettävän teknologian ja tekniikat, jotka kehittyvät jatkuvasti teknologian muuttuessa 

ja tiedon vaihtelun sekä määrän kasvaessa. Data-analytiikka käsitetään datan, 

tietotekniikan, tilastollisen analyysien, kvantitatiivisten menetelmien ja matemaattisten 

tai tietokonepohjaisten mallien käyttönä, joka auttaa johtajia saamaan paremman 

käsityksen toiminnastaan ja tekemään parempia faktoihin perustuvia päätöksiä 

(Appelbaum & muut, 2017, s. 32; Nilsen, 2018, s. 169; Richins & muut, 2017, s. 32). 

 

Data-analytiikkaan liittyy läheisesti myös käsitteet liiketoimintatiedon hallinta (business 

intelligence, BI) ja liiketoiminta-analytiikka (business analytics). Lonnqvist ja Pirttimäki 

(2005, s. 32) määrittävät liiketoimintatiedon hallinnan kuvaamaan organisaation 

liiketoimintaympäristöstä muodostettua olennaista informaatiota, joka voi liittyä 

esimerkiksi asiakkaisiin, kilpailijoihin tai taloudellisiin kysymyksiin. Toisaalta käsite kattaa 



22 

myös prosessit, joilla organisaatiot hankkivat ja analysoivat tietoa sekä sisäisitä että 

ulkoisista tietolähteistä, jotka ovat merkityksellisiä liiketoiminnan ja päätöksenteon 

kannalta. BI-järjestelmät mahdollistavat liiketoiminta-analytiikan 

liiketoimintaympäristössä (Elbashir & muut, 2011, s.156).  BI-järjestelmän sanotaankin 

olevan organisaation päätöksenteon tukitekniikoiden kokoelma, jonka tarkoituksena on 

antaa päätöksentekijöille mahdollisuus tehdä parempia ja nopeampia tietoon perustuvia 

päätöksiä (Appelbaum & muut, 2017, s. 39).  

 

Liiketoiminta-analytiikka käsitetään puolestaan usein synonyyminä data-analytiikalle 

silloin, kun data-analytiikkaa hyödynnetään liiketoimintaympäristössä ja -ongelmissa 

(Duan & Xiong, 2015, s. 1). Liiketoiminta-analytiikka sisältää eri lähestymistapoja 

esimerkiksi liiketoimintaympäristön ja -tilanteiden mallintamiseen sekä eri riskien tai 

markkinatilanteen arvioimiseen ja ennustamiseen (Rao & muut, 2013, s. 1). Klatt ja muut 

(2011, s. 34–36) ovat todenneet, että liiketoiminta-analytiikka voi asianmukaisen 

hyödyntämisen kautta parantaa organisaation suorituskykyä, sillä sen avulla voidaan 

luoda kriittistä tietoa, jota voidaan käyttää hyödyksi päätöksenteossa. Tässä tutkielmassa 

data-analytiikan käsitettä käytetään kuvaamaan liiketoiminta-analytiikkaa. Taulukossa 1 

on esitetty kootusti data-analytiikan käsitteet paremman ymmärryksen tavoittamiseksi. 

 

Taulukko 1. Data-analytiikan käsitteistö. 

Käsite Määritelmä 
  
Data-analytiikka 
(Data Analytics, DA) 

Käsitetään datan, tietotekniikan, tilastollisen 
analyysin, kvantitatiivisten menetelmien ja 
matemaattisten tai tietokonepohjaisten 
mallien käyttönä, joka auttaa johtajia saamaan 
paremman käsityksen toiminnastaan sekä 
tekemään parempia faktoihin perustuvia 
päätöksiä (Appelbaum & muut, 2017, s. 32; 
Nilsen, 2018, s. 169; Richins & muut, 2017, s. 
32). 

  
Liiketoiminta-analytiikka 
(Business Analytics, BA) 

Käsitetään synonyyminä data-analytiikalle, 
kun sitä hyödynnetään 
liiketoimintaympäristössä ja -ongelmissa 
(Duan & Xiong, 2015, s. 1). 



23 

 
Sisältää eri lähestymistapoja 
liiketoimintaympäristön ja -tilanteiden 
mallintamiseen sekä eri riskien tai 
markkinatilanteen arvioimiseen ja 
ennustamiseen (Rao & muut, 2013, s. 1). 

  
Liiketoimintatiedon hallinta 
(Business Intelligence, BI) 

Kuvaa liiketoimintaympäristöstä 
muodostettua olennaista informaatiota ja 
sisältää tiedot, jotka ovat merkityksellisiä 
liiketoiminnan ja päätöksenteon kannalta 
(Lonnqvist & Pirttimäki, 2005, s. 32). 
 
BI-järjestelmät mahdollistavat liiketoiminta-
analytiikan liiketoimintaympäristössä (Elbashir 
& muut, 2011, s. 156). 

 
 

Useat tutkijat mainitsevat neljä data-analytiikan tasoa, joita ovat kuvaileva- (descriptive), 

diagnostinen- (diagnostic), ennustava- (predictive) ja ohjaava (prescriptive) analytiikka 

(Araz & muut, 2020, s. 1330; Dewua & Barghatht, 2019, s. 422; Tschakert & muut, 2016, 

s. 60). Osa tutkijoista puolestaan käsittää data-analytiikan sisältävän vain kolme tasoa 

jättäen luokittelusta pois diagnostisen analytiikan (Nielsen, 2018, s. 169–171; Richins & 

muut, 2017, s. 32–33; Appelbaum & muut, 2017, s. 32). Kuvailevan analytiikan ollessa 

tasoista kehittymättömin on ohjaava analytiikka tasoista kehittynein (ks. kuvio 2). 

Watsonin (2013, s. 14) mukaan kuvailevan analytiikan vaatimukset eroavat olennaisesti 

ennakoivan- ja ohjaavan analytiikan vaatimuksista, jonka takia ennakoivasta- ja 

ohjaavasta analytiikasta saatetaan käyttää nimitystä edistynyt tai kehittynyt analytiikka 

(advanced analytics). Esimerkiksi koneoppiminen ja muut tiedonlouhintamenetelmät 

sisältyvät edistyneen analytiikan piirteisiin (Halper, 2014, s. 23). 

 



24 

 

Kuvio 2. Data-analytiikan tasot arvoehdotuksen mukaan (mukaillen Delen & Ram, 2018, s. 9; 
Tschakert & muut, 2016, s. 60). 

 

Kuvaileva analytiikka on organisaatioissa yleisimmin käytetty analytiikan muoto, joka 

kuvaa tapahtumia menneen tiedon perusteella ja pyrkii vastaamaan kysymykseen ”mitä 

tapahtui” (Appelbaum & muut, 2017, s. 32; Tschakert & muut, 2016, s. 60). Appelbaum 

ja muut (2017, s. 32) esittävät, että kuvaileva analytiikka keskittyy luomaan raportteja 

kerätystä datasta, kuten kuukauden myynneistä tai liikevaihdosta. Tschakert ja muut 

(2016, s. 60) lisäävät tähän, että organisaatiot käyttävät kuvailevaa analytiikkaa 

standardiraporttien luomisessa ja taulukkolaskentaohjelman perustoiminnoissa sekä 

taloudellisissa analyyseissä. Halperin (2014, s. 6) mukaan kuvaileva- ja diagnostisen 

analytiikka keskittyy lähinnä liiketoimintatiedon hallintaan (ks. kuvio 2), joka sisältää 

datan viipaloinnin (slicing) ja kuutioinnin (dicing). 

 

Diagnostisen analytiikan katsotaan olevan syvempi katsaus kuvailevaan analytiikkaan. 

Tschakertin ja muiden (2016, s. 61) mukaan diagnostinen analytiikka pyrkii kuvailevan 

analytiikan sijaan etsimään historiatiedoista syitä siihen ”miksi tapahtui kuten tapahtui”. 



25 

Diagnostista analytiikkaa käytetään esimerkiksi varianssianalyyseissä ja interaktiivisissa 

kojelaudoissa aiempien tulosten syiden tutkimiseen.  

 

Ennustava analytiikka on seuraava askel kuvailevasta- ja diagnostisesta analytiikasta. Se 

pyrkii vastaamaan kysymykseen ”mitä tulee tapahtumaan” (Tschakert & muut, 2016, s. 

61). Appelbaumin ja muiden (2017, s. 32) sanoin ennustava analytiikka luo kuvaavien ja 

diagnostisten analyysien pohjalta loogisen päätelmän siitä, mitä tulevaisuudessa 

todennäköisesti tulee tapahtumaan. Ennustavalle analytiikalle on ominaista ennustavat- 

ja todennäköisyysmallit, tilastollinen analyysi ja pisteytysmallit sekä ennusteet. 

Ennustavaa analytiikkaa voidaan pitää toimintona, joka keskittyy tulevaisuuden 

ennustamiseen paremman suunnittelun ja päätöksenteon mahdollistamiseksi (Huikku & 

muut, 2017, s. 428). 

 

Halladayn (2013, s. 1) mukaan ennustavan analytiikan omaksuminen organisaatioissa 

parantaa niiden taloussuunnittelua, riskien ja mahdollisuuksien sekä eri muuttujien 

välisten suhteiden tunnistamista. Tutkijat esittävät, että ennustava analytiikka sisältää 

monia tilastollisia tekniikoita, joilla voidaan analysoida nykyistä, historiallista, 

taloudellista sekä jäsentämätöntä dataa. Jäsentämätön data voi olla esimerkiksi tekstejä 

tai kuvia. Näin voidaan tunnistaa mahdollisia riskejä tai mahdollisuuksia sekä eri 

tekijöiden välisiä suhteita. Tulosten avulla voidaan tehdä parempia ennusteita tulevista 

tapahtumista, joka puolestaan voi johtaa parempaan päätöksentekoon. 

 

Duan ja Xiong (2015, s. 10) esittävät ennustavan analytiikan ennustemenetelmiä, jotka 

käyttävät tilastollisia malleja ennustaakseen tulevaa käyttäytymistä. Yleisiksi 

ennustemenetelmiksi tutkijat esittävät logistisen regressiomallin ja muut erilaiset 

regressioanalyysit, päätöspuut, bayesin luokittimen, neuroverkot ja tukivektorikoneet, 

sekä lähimmän naapurin menetelmän. Halperin (2014, s. 17) tutkimuksen mukaan 

päätöspuut ja lineaarinen regressio ovat kaksi yleisimmin käytetyistä ennustavan 

analytiikan malleista. Ennustavat mallit antavat organisaatiolle mahdollisuuden löytää 

jotain uutta, mitä olemassa olevasta ei pystytä perinteisin keinoin saamaan selville. 



26 

Halper (2014, s. 5) kiteyttää, että ennustava analytiikka on tilastollinen tai 

tiedonlouhinnan ratkaisu, joka koostuu algoritmeista ja tekniikoista, jotka mahdollistavat 

sekä strukturoidun että strukturoimattoman datan tulosten määrittämisen. Lisäksi hän 

toteaa, että ennustavaa analytiikkaa on käytetty jo vuosikymmenien ajan 

strukturoidussa datassa. Laskentatehon puute on kuitenkin aiemmin haastanut tietojen 

reaaliaikaista tulkintaa. Teknologian kehittyminen ja sen omaksuminen on lisännyt 

ennustavan analytiikan mahdollisuuksia huomattavasti esimerkiksi juuri laskentatehon 

kasvun myötä.  

 

Ennustavasta analytiikasta seuraava edistyksellisempi taso on ohjaava analytiikka. Araz 

ja muut (2020, s. 1331) sekä Appelbaum ja muut (2017, s. 32) kuvailevat molemmat 

ohjelmoivaa analytiikkaa haastavimpana analyysityyppinä. Ohjaavan analytiikan avulla 

yritys tai organisaatio pyrkii saavuttamaan päätöksen siitä, miten kyseisessä tilanteessa 

tulisi toimia, tekemällä yhteenvedon kaikista aikaisemmista analyysityypeistä. Ohjaava 

analytiikka pyrkii vastaamaan kysymykseen ”mitä pitäisi tehdä”. Ohjaava analytiikka 

käyttää optimointitekniikoita ja muita matemaattisia malleja, jonka takia termistä 

saatetaan käyttää myös nimeä optimointi. Ohjelmoiva analytiikka pyrkii suosittelemaan 

yhtä tai useampaa ratkaisua ja näyttämään kunkin ratkaisun todenmukaisen tuloksen. 

Näin sen yhtenä tavoitteena on päätöksentekoon liittyvän epävarmuuden vähentäminen. 

 

Data-analytiikka saatetaan käsittää usein väärin vain kuvaavaksi- tai diagnostiseksi 

analytiikaksi. Tschakert ja muut (2016, s. 61) esittävät, että data-analytiikan todellinen 

arvo on kuitenkin sen ennustavassa ja ohjaavassa analytiikassa. Organisaatioissa 

investointien syyt kyseisiin analytiikan tasoihin liittyvät usein uusien digitaalisten 

palveluiden luomiseen, omien operatiivisten toimintojen kehittämiseen ja tätä kautta 

tuloksen kasvattamiseen. Silti esimerkiksi laskentatoimessa työntekijät hyödyntävät 

enimmäkseen kuvailevaa analytiikkaa, jonkin verran ennustavaa analytiikkaa ja vain 

hyvin vähän ohjaavaa analytiikkaa, kuten tekoälyä (Richins & muut, 2017, s. 32). Samoin 

Halper (2014, s. 6) toteaa ennustavan analytiikan olevan vielä suhteellisen uusi 

useimmille sitä käyttäville organisaatioille.  



27 

 

Klattin ja muiden (2011, s. 34) mukaan analyyttisten menetelmien käyttöä hidastaa 

sopivien lähestymistapojen löytäminen ja rajallinen tieto kyseisistä menetelmistä sekä 

niiden soveltamisesta. Tämän lisäksi yrityskulttuuri, käytettävissä oleva aika ja resurssit, 

kuten taloudelliset ponnistelut saattavat vaikuttaa analytiikan hitaaseen käyttöönottoon 

sekä siinä hyödynnettävään tasoon. Singhin (2022, s. 35) mukaan organisaatiot ovatkin 

lähinnä keskittyneet tunnistamaan tehokkaita tapoja, joilla ne pystyvät valjastamaan 

niihin kohdistuvat tietomäärät nimenomaan kehittämällä analytiikkavalmiuksiaan. Tämä 

on kuitenkin Singhin mukaan saanut useat tutkijat ehdottamaan, että teknologisten 

valmiuksien lisäksi organisaatioiden tulisi keskittyä sellaisen osaamisen kehittämiseen, 

joka pyrkisi auttamaan niitä kyseisten analytiikkavalmiuksien kehittämisessä. Singhin 

tutkimuksesta kuitenkin ilmenee, että vaikka teknologisten valmiuksien kehittäminen 

vaatii laajaa infrastruktuuria ja inhimillisen pääoman investointeja, on sillä strategisesta 

näkökulmasta mahdollisuus suuriin kompensaatioihin sekä kilpailuedun kehittämiseen. 

 

Toisaalta Halperin (2014, s. 7–9) tutkimuksesta ilmenee, että ennustavan analytiikan 

käyttö on joka tapauksessa yleistymässä. Tutkimuksesta käy myös ilmi, että ne 

organisaatiot, jotka eivät ole investoineet ennustavaan analytiikkaan keskittyvät vielä 

liiketoimintatiedon hallinnan peruskäytäntöihin. Lisäksi Halper toteaa, että 

tavanomaisesti, kun yritys alkaa kokemaan jollakin alueella menestystä nousevan 

teknologian takia, se tyypillisesi leviää myös muille toiminnan alueille. 

 

3.3 Big datasta big data -analytiikkaan 

Organisaatioiden dataekosysteemi laajenee ja kehittyy jatkuvasti, jonka takia myös big 

data ja big data -analytiikka integroituvat yhä vahvemmin organisaation kontekstiin (Al-

Htaybat & von Alberti-Alhtaybat, 2017, s. 851). Appelbaumin ja muiden (2017, s. 31) 

sanoin big data vaikuttaa jo lähes kaikkien suurten yritysten päätöksentekoon, 

strategiseen analyysiin ja ennustamisen osa-alueisiin. Big data eroaa niin sanotusta 

normaalista datasta sen ominaisuuksien vuoksi. Käsite viittaa tapauksiin, joissa 

dataesiintymät ovat niin suuria ja monimutkaisia, että niitä on vaikea käsitellä tavallisilla 



28 

datan käsittelymenetelmillä. Tiedon määrän kasvu luo jatkuvasti uusia mahdollisuuksia 

organisaatioille big datan jalostamiseksi erilaisia menetelmiä ja malleja apuna käyttäen.  

 

Wang ja muut (2017, s. 749) esittävät, että big data on saanut useita eri määritelmiä. 

Heidän mukaansa eri määritelmät perustuvat erilaisiin näkökulmiin, kuten tuote-, 

prosessi ja kognitiolähtöiseen näkökulmaan sekä sosiaalisen liikkeen näkökulmaan. 

Näiden neljän näkökulman oivalluksista Wang ja muut ovat tehneet yhteenvedon big 

datan yleisimmistä ominaisuuksista, joita he kuvailevat kolmella V:llä. Myös useat muut 

tutkijat käyttävät big datan kuvailuun kolmea V:tä, joita ovat määrä (volume), nopeus 

(velocity) ja moninaisuus (variety) (Janssen & muut, 2017, s. 339; Wang & muut, 2016, s. 

750; Appelbaum & muut, 2017, s. 31). Wangin ja muiden (2017, s. 750) sanoin määrä 

kuvaa tietojoukon kokoa, nopeus kuvaa sitä, kuinka nopeasti data saadaan aikaan ja 

kuinka nopeasti tämä data liikkuu sekä moninaisuus kuvaa puolestaan tietotyyppien ja -

lähteiden laajaa valikoimaa. Tämän lisäksi kirjallisuudessa mainitaan muut big dataa 

kuvaavat V:t kuten arvo (value), todenmukaisuus (veracity) ja virtuaalisuus (virtual) 

(Gandomi & Haider, 2015, s. 138; Wang & muut, 2016, s. 750; Appelbaum & muut, 2017, 

s.31). 

 

Datan arvo syntyy siitä, mitä datasta saadaan aikaiseksi, kuten Davenport ja muut (2010, 

s. 23) toteavat ”Et voi olla analyyttinen ilman dataa etkä voi olla todella hyvä 

analysoinnissa ilman todella hyvää dataa”. Sanotaankin usein, että datalla itsellään ei ole 

arvoa ilman datan analysointia. Gandomi ja Haider (2015, s. 140) tukevat tätä esittämällä, 

että big data on arvotonta tyhjiössä ja sen potentiaalinen arvo vapautuu silloin, kun sitä 

hyödynnetään päätöksenteossa. Myös Janssen ja muut (2017, 2. 338) toteavat, että big 

data liittyy läheisesti big data -analytiikkaan, jota tarvitaan datan arvon luomiseksi. Data 

muodostuu lukuisista eri lähteistä organisaation sisältä ja ulkopuolelta, kuten esimerkiksi 

muista organisaatioista, kaupankäynneistä, asiakastietokannoista, sosiaalisesta mediasta, 

internet palveluista, IoT-laitteista, erilaisista sensoreista ja mobiilisovelluksista. Näitä eri 

sensoreilla ja koneilla kerättyä taloudellista ja ei-taloudellista dataa voidaan analysoida 

ja käyttää keskeisten liiketoimintapäätösten ratkomiseen.  



29 

 

Käsite big data liitetään usein strukturoimattomaan dataan, mutta strukturoidun datan 

käyttäminen on myös olennaista muistaa (Nielsen, 2018, s. 168). Gandomin ja Haiderin 

(2015, s. 138) sekä Al-Htaybat ja von Alberti-Alhtaybat (2017, s. 855) mukaan 

strukturoitu data edustaa vain 5–10 prosenttia kaikesta olemassa olevasta datasta. He 

kuitenkin korostavat, että teknologian jatkuva kehitys antaa organisaatioille 

mahdollisuuden käyttää yhä enenevissä määrin erityyppistä strukturoitua, 

puolistrukturoitua ja strukturoimatonta dataa.  

 

 

Kuvio 3. Big data päätöksenteossa (mukaillen Wang & muut, 2016, s. 751). 

 

Wang ja muut (2016, s. 750–751) esittävät, että big datan päätarkoitus on tukea 

päätöksentekoa. Tämä näkökohta johtaa tutkijoiden mukaan viisaisiin päätöksiin, jotka 

perustuvat raakadataan. Näkökohta on tiivistetty kuviossa 2, jossa päätöksiä johdetaan 

datasta saatavalla informaatiolla, josta saadaan tietoa ja tiedosta puolestaan viisautta ja 

tietämystä osaamisen kautta. Kuvion 2 kärjessä tapahtuu tiedolla johtaminen ja 

päätöksenteko. 

 

3.4 Datan hyödyntämisen riskit ja haasteet 

Kun olemassa olevan datan määrä ja siihen liittyvät hyödyntämisen kohteet lisääntyvät, 

kasvavat luonnollisesti myös dataan liittyvät riskit. Organisaatioiden tulee pystyä 

vastamaan datavarastoihin ja sen hyödyntämiseen kohdistuvista riskeistä. DalleMule ja 

Davenport (2017, s. 113) tuovat artikkelissaan esille, että jopa yli 70 prosentilla 



30 

työntekijöistä on pääsy tietoihin, joita heidän ei pitäisi saada. Heidän mukaansa yritysten 

tietomurrot ovat yleisiä, eikä yritysten tietotekniikka vastaa yleensä sille asetettuja 

vaatimuksia. Tutkijat korostavatkin organisaatioiden datastrategian merkitystä. Varsinkin 

liiketoimintatekijöiden kasvaessa digitalisaation ja teknologian myötä, joka puolestaan 

lisää entisestään organisaatioiden haavoittuvuutta, etenkin kasvavan datan 

näkökulmasta.  

 

Usein oletetaan, että big data ja big data -analytiikka johtavat suoraan parempaan 

laatuun päätöksenteossa. Tämä on liian yksinkertaistettu oletus, sillä ihmisen voi olla 

vaikea tulkita tuntematonta ympäristöä tiedon kasvaessa ja monimutkaistuessa (Janssen 

& muut, 2017, s.339). Tiedon ja analytiikan ymmärtämisessä voi myös tapahtua virheitä, 

jotka saattavat olla kohtalokkaita liiketoiminnalle. Dataa voidaan erehtyä lukemaan 

väärin ja näin saatetaan päätyä käyttämään väärää tietoa liiketoimintapäätöksissä. Myös 

vaikeasti luettavien ja ymmärrettävien visualisointien käyttäminen voi johtaa tällaiseen 

tilanteeseen. Janssen ja muut (2017, s.339) ovatkin esittäneet, että käyttäjien kyky 

ymmärtää dataa johtaa parempaan päätöksentekoon. Käyttäjien tulee pystyä 

tulkitsemaan analytiikan tuloksia, eikä niitä saa manipuloida liian hienoilla grafiikoilla. 

Aven ja Nateghi (2021, s. 1752) puolestaan korostavat riittävän otosjoukon merkitystä. 

Nimittäin big data-analyyseissä väärän kokoinen otosjoukko voi johtaa vääriin päätelmiin. 

On muistettava, että päätöksenteon laatu ei riipu vain big datasta ja analytiikasta, vaan 

koko kyvystä hallita dataketjua. 

 

Kuten aikaisemmin todettiin big dataa kuvataan usein kolmen V:n avulla. Samaan aikaan 

kun nämä kolme V:tä luovat organisaatiolle mahdollisuuksia, tuovat ne mukanaan myös 

paljon uusia riskejä ja uhkia. Al-Htaybat ja von Alberti-Alhtaybat (2017, s. 851) 

esittävätkin sanonnan ”data on uusi öljy”. Sanonta viittaa big dataan organisaation 

jalostamattomana ja raakana resurssina, jota on käsiteltävä eri tavoin ennen kuin sitä 

voidaan hyödyntää. He mainitsevat myös, että esimerkiksi juuri datan moninaisuus 

tarjoaa sen käyttötarkoituksen useaan eri syötteeseen, mutta samaan aikaan 

organisaatiot voivat kompastua siihen, etteivät he osaa hallita tällaista moninaisuutta 



31 

luotettavasti, mikä taas kuvastaa tietojen todenmukaisuutta. Tämän lisäksi tutkijat 

toteavat, että V:t tekevät aineistosta vaikean käsiteltävän perinteisillä keinoilla (Janssen 

& muut, 2017, s. 339; Al-Htaybat & von Alberti-Alhtaybat, 2017, s. 855). 

 

Schneider ja muut (2015, s. 733) esittävät muiden tavoin, että data-analytiikkaan liittyy 

useita haasteita ja riskejä. He nostavat esille organisaation haasteet, jotka muodostuvat 

eri tietolähteisiin tallennetun datan muuntamisesta jäsenneltyyn ja siten hyvin 

tulkittavissa olevaan tietoon, jolloin irralliset tiedot on suodatettava pois. Data voi 

sisältää rikkonaista, huonolaatuista, epätarkkaa tai jo vanhentunutta tietoa. Haasteena 

on nimenomaan tunnistaa, mitkä näistä tiedoista on suodatettava pois. Myös se miten 

strukturoituja, strukturoimattomia tai puolistrukturoituja tietoja voidaan hallita, 

käsitellä ja muuttaa päätöksentekotarkoituksiin, on haasteellista. Riskienhallinnassa 

haasteena on erityisesti eri lähteistä tulevien tietovirtojen luotettavuuden ja 

uskottavuuden vaihtelu sekä suurten datavirtojen muuttaminen riskien luonnehdintaa 

varten (Aven & Nateghi, 2021, s. 1755). Warrenin ja muiden (2015, s. 404) sanoin 

ensimmäisenä onkin tunnistettava tiedot ja arvioida näiden soveltuvuus kulloiseenkin 

tehtävään ja analyysiin. Mikäli tätä prosessia ei suoriteta huolellisesti, laatu ja luottamus 

taloudellisiin tuloksiin todennäköisesti heikentyvät. 

 

Davenport ja muut (2010, s. 14) kuvailevat, kuinka esimerkiksi vuosien 2007–2009 

finanssikriisissä useat analyyttiset lähestymistavat menivät pieleen. Heidän mukaansa 

monet yritykset jatkoivat lainojen myöntämistä, vaikka tietojen todenmukainen analyysi 

osoitti toisin. Todellisuudessa lukuisten lainojen takaisinmaksua laiminlyötiin. Davenport 

ja muut huomauttavat myös, että joukko virheellisiä oletuksia pahensi ongelmaa 

entisestään. Analyysit sisälsivät liikaa menneiden vuosien dataa, joka sai mallit 

näyttämään vähemmän riskisiltä. Tämän lisäksi mallit perustuivat vääriin oletuksiin 

asuntojen hintojen kehityksestä ja luottomarkkinoiden likviditeetistä. Mallien taustalla 

olevien oletusten tulisi olla selkeitä ja läpinäkyviä. Lisäksi malleja tulisi seurata 

järjestelmällisesti osana liiketoimintaa. Davenportin ja muiden sanoin kykyihin mallintaa 

ja hallita riskejä poikkeuksellisissa olosuhteissa tulisi suhtautua skeptisesti.  



32 

4 Data-analytiikan merkitys taloudelliseen resilienssiin 

Tässä luvussa käsitellään data-analytiikan merkitystä organisaation taloudelliseen 

resilienssiin. Luku etenee data-analytiikan hyödyntämisestä riskien- ja kriisinhallinnassa, 

käsittelemään ennustavan analytiikan merkitystä kyseisessä kontekstissa. Lisäksi luku 

käsittelee joitakin ennustavan analytiikan tulevaisuuden sovelluskohteita, jotka nousivat 

esille aikaisemmista tutkimuksista. Luvun lopussa on yhteenveto tutkielman 

teoriaosuuden havainnoista ja olettamuksista.  

 

4.1 Data-analytiikka riskien- ja kriisinhallinnassa 

Useat tutkijat ovat tutkineet data-analytiikan merkitystä riskienhallinnassa. Suurin osa 

tutkimuksista on keskittynyt toimitusketjujen riskienhallintaan ja optimointiin (Singh & 

Singh, 2019, s. 2318; Chen & muut, 2022, s. 84; Yamin, 2021, s. 1). Remkon (2020, s. 341) 

mukaan etenkin Covid-19 pandemia on lisännyt tutkimusvirtaa siitä, kuinka 

toimitusketjujen resilienssiä on jatkossa mahdollista vahvistaa tulevilta kriiseiltä. Araz ja 

muut (2020, s. 1320) ovat tutkineet data-analytiikan yhteydessä toimitusketjujen lisäksi 

operatiivisten riskien hallintaa ja esittävätkin sen olevan yksi tärkeimmistä organisaation 

osa-alueista. Lin ja muut (2022, s. 1) puolestaan toteavat, että operatiivisten riskien 

lisäksi organisaatioiden haasteena on taloudellisten paineiden lisääntyminen ja 

kokonaiskustannusten nousu. Weeserikin ja Spruitin (2018, s. 1–2) mukaan operatiiviset 

riskit ovat suurella mittakaavalla perimmäinen syy viime vuosikymmenien moniin 

taloudellisiin epäonnistumisiin. Tutkijoiden mukaan riskien moninaisuuden ja kasvavan 

määrän myötä eri tietojärjestelmät ja -tekniikat, kuten esimerkiksi data- ja big data-

analytiikka voivat yhä enenevissä määrin tukea operatiivisten riskien hallintaprosessia 

sekä parantaa sitä.  

 

Myös Halperin (2014, s. 5) mukaan taloudelliset näkökohdat, kuten taantuma ovat 

vaikuttaneet huomattavasti organisaatioiden toimintaan. Yhä useammat organisaatiot 

mieltävät datan ja sen analyyttiset työkalut sekä menetelmät yhtenä kilpailukykyisenä 

voimavarana.  Aciton ja Khatrin (2014, s. 567) esittävät, että analytiikan soveltaminen 



33 

liiketoiminnan ongelmiin on varhaisessa kehitys- ja leviämisvaiheessa. Mahdollisuudet 

hyödyntää organisaation tietovaroja tulojen lisäämiseen, kustannusten vähentämiseen 

ja riskienhallintaan kasvavat jatkuvasti. Loydin ja Kannanin (2017, s. 308–309) mukaan 

riskienhallinnassa voidaan hyödyntää teknologisia innovaatioita, kuten big dataa ja sen 

data-analyyttisiä alustoja. Koska riksienhallinta vaatii reaaliaikaista analyysikykyä, 

integroimalla data-analytiikka riskienhallintaprosessiin mahdollistetaan ja tehostetaan 

organisaation reaaliaikaista kykyä hallita riskejä. Näin voidaan myös tehostaa ennakoivia 

ja tilastollisia analyysejä sekä luoda optimaalinen tapa hallita organisaation 

riskienhallintaprosessia. 

 

Singh (2022, s. 37) esittää, että analytiikan mahdollistama olennainen ja reaaliaikainen 

tieto luo arvoa riskienhallintaan.  Kerätyt tiedot auttavat riskien analysoinnissa ja 

mallintamisessa, niiden seurannassa ja johtamisessa sekä kasvattaa organisaation 

riskitietoisuutta ja -viestintää. Tällainen tieto auttaa myös organisaatioita oppimaan ja 

välttämään samojen virheiden toistamista uudestaan. Kuten aikaisemmin (ks. luku 2.3) 

todettiin, oppiminen kriisin yhteydessä on välttämätöntä sopeutumisen kannalta, sillä 

sen avulla pystytään kehittämään taas uusia valmiuksia kriisin ennakointiin ja siitä 

selviytymiseen (Duchek, 2019, s. 233; Barbera & muut, 2017, s. 681). 

 

Myös Hussain ja Papastathopoulos (2022, s. 9) esittävät, että oleelliset ja reaaliaikaiset 

tiedot taloudellisesta ja toiminnallisesta vuorovaikutuksesta auttavat organisaatiota 

havainnoimaan epävarmuuksiaan ja reagoimaan niihin viipymättä markkinadynamiikan 

muuttuessa.  Näin organisaatiossa voidaan tehdä nopeita ja ennakoivia päätöksiä ja 

suojautua tai jopa välttyä mahdollisilta epävarmuustekijöiltä. Päätökset voivat liittyä 

esimerkiksi toimintasuunnitelmien muutoksiin, kuten toimintojen vähentämiseen tai 

ajoittaiseen palveluun asiakkaille. Muutokset voivat puolestaan johtaa pienempiin 

kustannuksiin ja siten parantaa voittoa. Päätökset voivat liittyä myös taloudellisten 

shokkien vaimentamiseen sekä taloudellisten strategisten tavoitteiden saavuttamiseen. 

Vastaavasti nopea päätöksenteko ja organisaation kyky sopeutua markkinaympäristön 

muutoksiin viittaa sen taloudelliseen sopeutumiskykyyn. Jatkuvan, oleellisen ja 



34 

reaaliaikaisen tiedon avulla organisaatio voi havainnollistaa trendejä ja ryhtyä 

ennakoiviin toimiin sopeutuakseen tulevaisuudessa mahdollisesti ilmeneviin muutoksiin.  

 

Samoin Delenin ja Demirkanin (2013, s. 361) mukaan analytiikka auttaa datasta 

havaittavien trendien ja suhteiden analysoinnissa ja raportoinnissa, tulevaisuuden 

kuvien ennustamisessa sekä liiketoimintaprosessien optimoinnissa organisaation 

suorituskyvyn parantamiseksi. Klatt ja muut (2011, s. 36) esittävätkin, että analytiikka 

pyrkii ymmärtämään, tutkimaan ja hyödyntämään liiketoiminnan dynamiikkaa ja 

mahdollisuuksia, jolloin siitä tulee osa suorituskyvyn hallintajärjestelmää, jolla 

organisaatiot pyrkivät tunnistamaan ja toteuttamaan sille optimaalisia strategioita. 

Aikaisempaan (ks. luku 2.3) viitaten taloudellisesta näkökulmasta resilienssi voidaankin 

tunnistaa, kun yritys kykenee säilyttämään keskimääräistä paremman tuoton 

vaimennettuaan kilpailuympäristön shokit (Teixeira & Werher, 2013, s. 335).  

 

Arazin ja muiden (2020, s. 1321) mukaan dataa voidaan hyödyntää useisiin 

analytiikkatarkoituksiin riskienhallinnassa. Sitä hyödyntämällä organisaatiot pystyvät 

reagoimaan ja hallitsemaan kriisien taloudellisia vaikutuksia yhä paremmin. Choi ja 

Lambert (2017, s. 1439) tukevat tätä väitettä sillä heidän mukaansa datalla on 

ehdottoman tärkeä rooli esimerkiksi taloudellisten riskien hallinnassa ja 

katastrofitapahtumien tutkimisessa, järjestelmäriskien estimoinnissa sekä 

reaaliaikaisessa seurannassa, jolla pyritään toimintariskien minimoimiseen. Analytiikan 

avulla organisaatiot pyrkivät luomaan ja edistämään uskottavampaa riskiarviointia, jonka 

avulla on mahdollista pienentää tai jopa eliminoida tietovirta, joka jatkuvasti osoittaa 

heikompaa painoarvoa ja tiedon vahvuutta (Aven & Nateghi, 2021, s. 1755).  

 

Aciton ja Khatrin (2014, s. 568–569) mukaan analytiikalla on potentiaalia esimerkiksi 

liikevaihdon ja -voiton sekä lainojen maksukyvyttömyyden ennustamisessa, petosten 

havaitsemisessa sekä rahanpesun tunnistamisessa. Schneider ja muut (2015, s. 722) 

puolestaan esittävät, että data-analytiikkaa voidaan hyödyntää organisaation 

kulutustottumuksien ymmärtämiseen ja saada siten johtopäätöksiä tehokkaista 



35 

kustannusten vähentämisstrategioista. Data-analytiikan avulla organisaation on myös 

mahdollista ennustaa tulevaa myyntikysyntää tai hyödyntää sitä erilaisissa 

varmistustehtävissä, kuten jatkuvassa seurannassa tai auditoinnissa. Myös Acito ja Khatri 

(2014, s. 568) esittävät, että analytiikan niin sanottu rikas alue on kustannusten 

vähentämisessä. Acito ja Khatri perustelevat näkemystään sillä, että kustannusten 

vähentäminen edellyttää usein kompromisseja toimintojen välillä. Organisaation 

hankintatoiminnot vaativat tavanomaisesti ennenaikaista maksua tavarantoimittajille 

alennusten hyödyntämiseksi. Samaan aikaan organisaatio pyrkii säilyttämään 

käteisvarojaan mahdollisimman pitkään. Tutkijat ehdottavatkin, että ohjaavan 

analytiikan hyödyntäminen mahdollistaisi löytämään tilanteeseen optimaalisen 

tasapainon. 

 

Brands ja Holtzblatt (2015, s. 2) toteavatkin, että data-analytiikka ja heidän sanoin 

liiketoiminta-analytiikka luo käsityksen useista kustannustekijöistä ja liiketoiminnan 

taloudellisesta dynamiikasta reaaliajassa, silloin kun data on kriittisintä. Samoin Moll ja 

Yigitbasioglu (2019, s. 15) esittävät, että data-analytiikka tai liiketoiminta-analytiikka, big 

data ja tekoäly edistävät kaikki uudentyyppisiä automatisoituja laskentatoimen 

palveluita, jotka parantavat reaaliaikaisuutta, joka puolestaan parantaa suorituskykyä ja 

varmuutta. Singh (2022, s. 35) toteaa muiden tavoin, että eritoten big data-analytiikan 

hyödyntäminen parantaa organisaation kykyä hallita ja kehittää liiketoiminnan 

riskiensietokykyä ja resilienssiä. Olettaen kuitenkin, että organisaatiolla on toimiva 

riskienhallintainfrastruktuuri, joka luo sillan omaksumaan laajat tietovirrat, kehittämään 

älykkäitä toimintoja ja mahdollistaa ennakoivan reagoimisen liiketoimintariskeihin. 

 

Aikaisemmin (ks. luku 2.4) esitettiin, että Micelin ja muiden (2021, s. 2) mukaan 

organisaatioiden tulisi kehittää kykyjä sopeutuakseen muuttuviin olosuhteisiin ja 

toteuttaakseen tehokkaita toimia, joiden avulla ne pystyvät vastaamaan kriisin tuomaan 

tilanteeseen. Singh (2022, s. 37) on puolestaan esittänyt, että organisaatioiden tiedon 

hallinta voidaan nähdä tällaisena kykynä, sillä oikein käytettynä se antaa johtajille pääsyn 

hyödylliseen tietoon, jonka avulla he voivat toteuttaa tarkkaan harkittuja päätöksiä. 



36 

Tällaiset päätökset pyrkivät puolestaan vaimentamaan kriisin negatiivisia vaikutuksia 

yrityksen suorituskykyyn. Myös Linnenluecke (2017, s.12) mainitsee, että organisaation 

kyky hallita ympäristön eri riskitekijöistä johtuvia haasteita voi kehittyä, mikäli 

organisaatio keskittyy laajempaan tietojenkäsittelyyn. Näin voidaan olettaa, että 

organisaatiot, jotka hyödyntävät analytiikkaa liiketoimintatiedon hallinnan, kuten 

kuvailevan- ja diagnostisen analytiikan tasolla pystyvät vahvistamaan resilienssiään. 

Olettaen kuitenkin, että mitä edistyksellisemmin data-analytiikkaa hyödynnetään, niin 

sitä suuremmat ovat siitä saatavat hyödyt. Kuten jo kertaalleen tässä tutkielmassa on 

tuotu esille, data-analytiikan todellinen arvo on sen ennustavassa ja ohjaavassa 

analytiikassa (Tschakert & muut, 2016, s. 61). 

 

Singh (2022, s. 44–45) on kuitenkin havainnut big data-analytiikan ja riskiensietokyvyn 

yhteydessä, että mikäli organisaation riskienhallintainfrastruktuuri on hyvin kehittynyt, 

on sekä korkealla että alhaisella big data-analytiikan käyttöönotolla merkittävä vaikutus 

organisaation riskiensietokyvyn kehittämiseen. Lisäksi Singh kuvailee, että big data-

analytiikan alhaisella käyttöönotolla olisi jopa vaikuttavampi merkitys organisaation 

riskienhallintakyvyn kehittämiseen, kuin korkealla tasolla. Tämä lisää näkemystä siitä, 

että vaikka investoinnit data-analytiikan kehittyneimmille tasoille on tehokasta, voidaan 

myös alhaisilla investoinneilla huomattavasti parantaa organisaation riskienhallintaa ja 

saavuttaa tavoiteltu lopputulos.  

 

Datan ja analytiikan hyödyntäminen organisaation voimavarana voi näin ollen olla 

ratkaisevan tärkeää. Organisaation selviytymiseen ja kasvuun vaikuttavat myös sen kyky 

hallita ja käyttää tietoa eri lähteistä strategisten ja operatiivisten tavoitteiden 

saavuttamiseksi. Sincorá ja muut (2018, s. 385) esittävät, että nimenomaan 

organisaation analyyttiset kyvyt ovat tärkeitä organisaation resilienssille. Analyyttiset 

kyvyt viittaavat yksilön ja päätöksentekijän luontaisiin taitoihin eli kykyyn ymmärtää 

liiketoiminnan tarpeita sekä kykyyn tulkita suurista datalähteistä johdettuja analyyseja 

ja antaa näille merkitys päätöksentekoa varten, tulevista vaikeuksista ja 

mahdollisuuksista (Delen & Demirkan, 2013, s. 360–361). Tietojen tulkintaa tukevat 



37 

puolestaan useat analyyttiset menetelmät ja työkalut, jotka tukevat perinteisiä ad-hoc-

analyysejä, tilastollisia päätelmiä, ennustavaa analytiikkaa, simulointia ja optimointia, 

mitkä puolestaan tukevat kuvailevaa, diagnostista, ennustavaa ja ohjaavaa analytiikkaa 

(Acito & Khatri, 2014, s. 567).  

 

4.2 Ennustavan analytiikan merkitys 

Lawless (2014, s. 45–46) esittää, että ennustavaa analytiikkaa on sovellettu 

riskienhallinnassa ensimmäisen kerran jo vuonna 1941. Tällöin luottoluokitusta 

kehitettiin ja sovellettiin rahoitusalalla riskienhallintatyökaluna. Nyt kuitenkin erinäisten 

kriisien ja taloudellisten näkökohtien myötä organisaatiot ovat alkaneet ymmärtämään 

ja kiinnostumaan yhä enenevissä määrin ennakoivan analytiikan potentiaalista (Halper, 

2014, s. 5).   

 

Halperin (2014, s, 4) mukaan nykypäivänä yhä useampi organisaatio pyrkii olemaan 

ennakoiva. Organisaatiot tavoittelevat informaatiota ja näkemyksiä datasta, jonka avulla 

niiden on mahdollista tunnistaa malleja ja trendejä, ennakoida tapahtumia ja havaita 

poikkeavuuksia sekä tehdä ennusteita käyttämällä mitä jos -skenaarioita. 

Organisaatioiden on näin mahdollista ymmärtää muutoksia esimerkiksi sen asiakkaiden 

käyttäytymisessä, jonka avulla ne pystyvät johtamaan toimintaa haluamaansa suuntaan. 

Acito ja Khatri (2014, s. 568–569) mukailevat tätä näkemystä, sillä heidän mukaansa 

etenkin ennustavan analytiikan malleja hyödynnetään esimerkiksi oikeiden suositusten 

räätälöimiseen asianmukaisille segmenteille, kuten ymmärtääkseen paremmin 

käyttäytymisen trendejä ja tulevia tarpeita. 

 

Samoin Micelin ja muiden (2021, s. 1) mukaan ennustava analytiikka tunnistaa malleja, 

jotka ilmaisevat mahdollisista tulevista tapahtumista. Tämän lisäksi ennustava 

analytiikka tunnistaa toimenpiteet ongelman ratkaisemiseksi ja tuloksen parantamiseksi. 

Hämäläisen ja Vatajan (2020) mukaan organisaatiot hallitsevat yllättäviä tilanteita ja 

haasteita juuri niin kauan, kun niillä on näihin tilanteisiin vähintäänkin yhtä paljon 

kelvollisia toimintavaihtoehtoja. Voidaankin siis olettaa, että ennustava analytiikka 



38 

edesauttaa organisaatioita tunnistamaan eri vaihtoehtoja esimerkiksi mitä jos -

skenaarioiden avulla, jonka johdosta organisaatio voivat tehokkaasti pyrkiä hallitsemaan 

vaihtoehtoisia tulevaisuuksia ja siten pyrkiä parantamaan ennakointikykyjään 

resilienssin tueksi.   

 

Wu ja muut (2020, s. 185–186) esittävätkin, että teknologian kehittymisen myötä data-

analytiikka ja big data ovat muokkaantuneet yhä soveltuvimmiksi organisaation 

riskienhallintaan. Wu ja muut ovat tutkineet tilastollisten analyysimenetelmien, kuten 

determinististen ja stokastisten mallien avulla herkkyys- ja skenaarioanalyysien 

merkitystä resurssien allokoinnissa. Deterministinen malli keskittyy vain yhteen 

skenaarioon, kun taas stokastinen malli ennustaa joukon eri skenaarioita, jotka voivat 

tapahtua sattumanvaraisesti ja eri todennäköisyyksillä. Kun yrityksellä on esimerkiksi 

rajallinen pääoman budjetti, ajankäyttö tai raaka-aineet, on tärkeää ymmärtää, kuinka 

kyseiset resurssit pyritään kohdentamaan optimaalisesti. Tehokas resurssien 

kohdentaminen on erityisen tärkeää kriittisissä tilanteissa, kuten rajallisten tai niukkojen 

resurssien tai talouskriisin aikana. Tämä on johtanut myös kyseisten toimintojen 

automatisointiin, kuten Endenich (2014, s. 135) havaitsi tutkimuksessaan, kriisit lisäsivät 

budjetointiprosessien automatisointia.  

 

Nielsen (2018, s. 180) mukailee muita esittämällä, että ennustava analytiikka tukee 

uusien uhkien arviointia. Hänen mukaansa ennusteiden tulisi kyetä seuraamaan 

liiketoiminnan odotettua suorituskykyä, joka ohjaa päätöksentekoa oikeaan suuntaan. 

Näin pystytään havaitsemaan poikkeavuudet suorituskyvyssä suhteessa tavoitteeseen ja 

maksimoida uusi mahdollisuus. Huikku ja muut (2017, s. 428) havaitsevatkin, että 

olennainen osa ennustavaa analytiikkaa liittyy muun muassa vuosibudjetointiin ja 

rullaavaan ennustamiseen sekä tuotannon suunnitteluun. Etenkin epävarmassa 

liiketoimintaympäristössä edellä mainittujen tarkat ennusteet voidaan katsoa olevan 

kriittisiä epävarmuuden hallitsemiseksi. Nielsen (2018, s. 180) kuitenkin muistuttaa, että 

budjetointiprosessien täydentäminen ennustavalla analytiikalla vaatii syvällistä 

ymmärrystä kehittyneestä tilastotekniikasta. Data-analytiikan ja big datan avulla on 



39 

kuitenkin mahdollista parantaa ja kehittää budjetointikäytäntöjä hyödyntämällä 

esimerkiksi ERP-järjestelmien ulkopuolista tietoa, kuten ilmasto-, satelliitti-, väestö-, työ- 

tai makrotalouden tietoja (Nielsen, 2018, s. 172). Mahlendorfin ja muiden (2023, s. 12–

13) tutkimuksessa viitataankin siihen, että yritykset voivat parantaa ennustekykyään ja 

sitä kautta taloudellista suunnitteluaan ja budjetointiaan, jos ne pyrkivät hyödyntämään 

joukkolähteistä peräisin olevaa kolmansien osapuolien jäsentämätöntä dataa, kuten 

sosiaalisen median tietoja. Tutkijat tuovat myös esille, että kyseistä menetelmää voidaan 

soveltaa myös riskienhallinnassa, jolloin esimerkiksi uutisdataa voidaan hyödyntää 

toimittaja yrityksiin liittyvien riskien tunnistamiseen avainsanojen avulla. Näin voidaan 

kiinnittää huomiota tapahtumiin, jotka vaativat lisätarkastelua.  

 

Halperin (2014, s. 4–7) mukaan oikein hyödynnettynä ennustava analytiikka voi muuttaa 

useita toimintoja, kuten esimerkiksi riskien- ja toiminnanhallintaa. Halper esittää, että 

riskejä on monenlaisia, kuten esimerkiksi rahoituksellisia, taloudellisia tai liikevaihtoon 

liittyviä. Riskit eroavat usein toisistaan myös niiden koon ja seurausten vakavuuden tai 

tapahtuman todennäköisyyden perusteella. Hänen tutkimuksestaan ilmenee, että 

ennustavan analytiikan avulla organisaatiot voivat esimerkiksi vähentää riskianalyysin ja 

portfolioanalyysin negatiivisten tulosten todennäköisyyttä. Halladay (2013, s. 3) esittää, 

että ennakoivan analytiikan hyödyt riskienhallinnassa kohdistuvat etenkin tulevien 

saatavien kehityksen ennustamiseen, riskien parempaan ennakointiin sekä niiden 

näkemiseen selkeämpinä, riskiluokituksen parantamiseen, toimialan riskiparametrin 

standardointiin ja riskien sekä mahdollisuuksien tunnistamiseen. Araz ja muut (2020, s. 

1331) mukailevat aikaisempia todeten ennustavan analytiikan potentiaalin 

riskienhallinnassa. He korostavat ennustavan analytiikan hyödyntämistä operatiivisten 

riskien vähentämisessä. Arazin ja muiden mukaan viime vuosina on myös keskusteltu 

siitä, kuinka yritykset voisivat ennakoida agenttien ja toimitusketjukumppanien 

riskiasenteita ennustavan analytiikan avulla. 

 

Lisäksi Ranta ja muut (2022) ovat tutkineet koneoppimismenetelmien hyödyntämisen 

sekä uusien tietolähteiden mahdollisuuksia johdon laskentatoimen tutkimuksessa. 



40 

Koneoppimismenetelmien katsotaan kuuluvan nimenomaan ennustavan analytiikan 

piirteisiin (Halper, 2014, s. 23). Ranta ja muut (2022, s. 3) ovatkin esittäneet, että 

esimerkiksi ennustavissa ja ohjaavissa analyyseissä voidaan hyödyntää yritysten sisäisiä 

tekstidokumentteja sekä tuloihin, kustannuksiin ja suorituskyvyn mittauksiin liittyviä 

transaktiotietoja. Tutkijoiden mukaan tämän avulla voidaan pyrkiä ilmentämään ja 

löytämään assosiaatioita.  

 

4.3 Yhteenveto 

Yhteenvetona aikaisemmista tutkielmista, voidaan sanoa, että data-analytiikkaa 

hyödynnetään enimmäkseen sen kuvailevalla tasolla, jonkin verran ennustavalla tasolla 

ja vain hyvin vähän sen ohjaavalla analytiikan tasolla (Richins & muut, 2017, s. 32). 

Tutkimuksista kuitenkin ilmeni, että vaikka ennustava analytiikka tunnetaan suhteellisen 

uutena suurimmalle osalle sen käyttäjistä, on sen käyttö organisaatioissa joka 

tapauksessa yleistymässä (Halper, 2014, s. 6). Tämän lisäksi on huomioitavaa, että 

organisaatiot, jotka eivät ole investoineet ennustavaan analytiikkaan keskittyvät vielä 

sen peruskäytäntöjen kehittämiseen (Halper, 2014, s. 7–8).  

 

Aikaisemmista tutkimuksista ilmenee, että teknologian kehittyminen on lisännyt data-

analytiikan ja big datan mahdollisuuksia riskienhallinnassa (Wu & muut, 2020, s. 185–

186). Kyseisten teknologioiden avulla organisaatiot pystyvät toteuttamaan useita 

erilaisia toimia resilienssin tueksi (Ivanov & muut, 2019, s. 841; Miceli & muut, 2021, s. 

1). Kuten jo aikaisemmin esitettiin, tässä tutkielmassa käytetään Barberan ja muiden 

(2017) taloudellisen resilienssin viitekehystä (ks. kuvio 1). Viitekehyksen avulla pyritään 

havainnollistamaan, kuinka eri kriisit lisäävät organisaatioiden haavoittuvuutta ja kuinka 

data-analytiikka ja eritoten ennustava analytiikka ovat osa organisaatioiden 

ennakointivalmiuksia ja selviytymiskykyjä, joiden avulla ne pystyvät edesauttamaan 

kriiseistä selviytymistä. 

 

Edeltävien tutkielmien (Wu & muut, 2020, s. 185–166; Delen & Demirkan, 2013, s. 361; 

Halper, 2014, s. 4; Ivanov & muut, 2019, s. 841; Miceli & muut, 2021, s. 1) mukaan data-



41 

analytiikka pyrkii sen ennustavalla ja ohjaavalla tasolla luomaan vaihtoehtoisia 

mahdollisia skenaarioita tulevaisuuden tapahtumista. Ennustavan analytiikan ei 

kuitenkaan sanota suoranaisesti kertovan mitä tulevaisuudessa tapahtuu, vaan se pyrkii 

luomaan eri skenaarioita eri todennäköisyyksillä sellaisista tapahtumista, mitkä 

todennäköisesti voisivat tulevaisuudessa käydä toteen. Toisaalta ohjaava analytiikka 

pyrkii vastaamaan kysymykseen ”miten tässä tilanteessa tulisi toimia” ja pyrkii näin 

ehdottamaan optimaalista ratkaisua päätöksenteon tueksi. Näin voidaan olettaa, että 

erityisesti analytiikan kehittyneimmillä tasoilla, se pyrkii vahvistamaan organisaation 

ennakointikykyjä, joka puolestaan vahvistaa organisaation resilienssiä. 

 

Tutkielmat viittaavat myös siihen suuntaan, että data-analytiikan avulla organisaatiot 

pyrkivät havaitsemaan tulevaisuuden epävarmuuksia, eli niiden haavoittuvuuksiaan. 

Etenkin sen reaaliaikaisten ja oleellisten tietojen, havaittiin edistävän organisaatioiden 

epävarmuuksien havainnointi (Hussain & Papastathopoulos, 2022, s. 9). Huomioiden 

kuitenkin, että ympäristön epävarmuustekijät muuttavat jatkuvasti muotoaan, joka 

tekee niiden havainnoinnista, ennakoinnista ja arvioimisesta haastavaa, ellei jopa 

mahdotonta (Rikhardsson & muut, 2021, s. 759).  Lähtökohtana voidaan näin ajatella, 

että data-analytiikka pyrkii auttamaan organisaatiota arvioimaan sen vaihtoehtoiset 

mahdolliset haavoittuvuudet, mutta ei pysty täysin määrittämään mitä 

epävarmuustekijöitä organisaatio tulee tulevaisuudessa kohtaamaan.  

 

Aikaisemmista tutkimuksista käy myös ilmi, että data-analytiikka auttaa organisaation 

kulurakenteen hallinnassa ja kustannusten kohdistamisessa, jotka todettiin kriittiseksi 

käyttöpääoman ollessa rajallinen tai ylipäätään kriisien aikana (Wu & muut, 2020, s. 185–

186). Toisaalta Barbera ja muut (2017, s. 675) ovat esittäneet, että organisaation 

taloudellisen resilienssin viitekehyksen mukaan sen selviytymiskykyihin liittyvät resurssit 

ja kapasiteetit, jotka mahdollistavat shokkien kohtaamisen. He ovat myös esittäneet, että 

selviytymiskykyihin liittyvät läheisesti shokkien vaimentaminen, joka voi tapahtua 

puskuroimalla, investointeja lykkäämällä, kustannuksia leikkaamalla tai käyttämällä 



42 

rahoitusreserviä. Näin ollen voidaan olettaa, että data-analytiikan merkitys näkyy 

organisaation ennakointikykyjen lisäksi myös sen selviytymiskyvyissä. 

 

Kuten tässä tutkielmassa aikaisemmin todettiin, resilienssin eri vaiheita, kuten 

ennakointia, selviytymistä ja sopeutumista ei voida selvästi erottaa toisistaan (Duchek, 

2019, s. 232–233) Barbera ja muut (2017, s. 675) mainitsevat taloudellisen resilienssin 

viitekehyksen yhteydessä, että sopeutumiskyky nähdään merkittävänä organisaation 

jatkaessa normaalia toimintaa kriisin hetkellä sekä sen jälkeen. Viitekehyksen mukaan 

sopeutumiskykyyn vaikuttaa organisaation sisäisen osaamisen lisääminen. Aikaisempien 

tutkimuksien mukaan sen sijaan, että organisaatiot pyrkivät kehittämään teknologisia 

valmiuksiaan analytiikkaa varten, niiden tulisikin keskittyä nimenomaan enemmän 

sisäisen osaamisen kehittämiseen, joka hyödyttäisi niitä omien analytiikkavalmiuksien 

kehittämisessä (Singh, 2022, s. 35). Näin ollen voidaan olettaa, että organisaation kyky 

kehittää teknologisia valmiuksiaan ei yksinään riitä sen sopeutumiskykyjen kannalta, 

vaan sen on myös jatkuvasti kehitettävä inhimillisen pääoman kykyjään sisäisen 

osaamisen kehittämiseksi. Etenkin organisaation analyyttiset kyvyt havaittiin kriittiseksi 

resilienssin kannalta (Sincorá & muuut, 2018, s. 385; Delen & Demirkan, 2013, s. 360–

361) Kuten jo kertaalleen tässä tutkielmassa on esitetty, datan arvo syntyy siitä, mitä 

datasta saadaan aikaiseksi (Davenport & muut, 2010, s. 23). Kuitenkaan pelkkä data tai 

data-analytiikka ei auta organisaatiota, mikäli sillä ei ole kykyä ymmärtää datasta saatuja 

tuloksia, jonka avulla se pystyy edistämään nopeaa päätöksentekoa (Janssen & muut, 

2017, s. 339), joka puolestaan vahvistaa sen sopeutumiskykyä (Hussain & 

Papastathopoulos, 2022, s. 9).  

 

Sopeutumiskykyihin liittyy läheisesti myös kyky solmia uusia kumppanuuksia sekä kyky 

verkostoitua ulkoisten sidosryhmien kanssa palvelun tarjonnan tukemiseksi (Barbera & 

muut, 2017, s. 675). Aikaisemmista tutkimuksista ilmeneekin, että eritoten teknologiset 

innovaatiot, kuten data-analytiikka ja sen menetelmät ja työkalut ovat tukeneet 

organisaation informatiivista viestintää ja johtamista sekä mahdollistanut tehokkaan ja 

toimivan yhteyden liiketoimintaprosessien ja -kumppaneiden välillä (Margherita & 



43 

Heikkilä, 2021, s 693; Miceli & muut, 2021, s. 10). Tämän lisäksi data-analytiikka luo 

mahdollisuuden tarkastella riskitekijöitä sekä etu- että jälkikäteen tapahtuneesta, joka 

edistää organisaatioita oppimaan jo tapahtuneesta ja välttämään samojen virheiden 

toistamista uudestaan (Singh, 2022, s. 37). Barberan ja muiden (2017, s. 681) 

viitekehyksen mukaan oppiminen onkin välttämätöntä selviytymiskykyjen kannalta, sillä 

se luo mahdollisuuden taas uusien valmiuksien kehittämiseen.  

 

Lisäksi aikaisemmat tutkimukset viittaavat siihen, että mitä edistyksellisemmin 

organisaatiot hyödyntävät data-analytiikkaa, niin sitä suuremmat ovat siitä saatavat 

hyödyt (Tschakert & muut, 2016, s. 61). Tämän lisäksi tutkimuksista oli kuitenkin 

havaittavissa, että jo alhaisilla investoinneilla, analytiikan hyödyt voivat olla merkittäviä, 

mikäli organisaation riskienhallintainfrastruktuuri on kunnossa (Singh, 2022, s. 44–45). 

Tämän perusteella voidaan olettaa, että data-analytiikassa hyödynnettävä taso ei 

vahvista organisaation resilienssiä, mikäli sen riskienhallintainfrastruktuuri on jo 

valmiiksi hyvin heikko. Toisaalta voidaan myös olettaa, että mikäli 

riskienhallintainfrastruktuuri on kunnossa, voidaan sitä tehostaa jo analytiikan alhaisten 

tasojen myötä. Olettaen kuitenkin, että merkittävimmät hyödyt muodostuvat sen 

edistyksellisimmillä tasoilla, kuten ennustavan ja ohjaavan analytiikan myötä.  

 

Viimeisenä voidaan tarkastella sitä, kuinka data-analytiikka pyrkii edesauttamaan 

organisaation kykyä havaita kriisit uhkien sijaan mahdollisuuksina. Aikaisemmista 

tutkimuksista on havaittavissa, että organisaatioiden on keskityttävä lyhyen aikavälin 

lisäksi sen pitkän aikavälin suunnitteluun, jotta kriisit voidaan nähdä myös 

mahdollisuuksina (Rikhardsson & muut, 2021, s. 768). Tutkimuksista käy myös ilmi, että 

digitalisaation teknologisten innovaatioiden, kuten esimerkiksi data-analytiikan myötä 

organisaatioiden on mahdollista reagoida kriiseihin strategisesti pitkällä aikavälillä (Hai 

& muut, 2020, s. 2). Näin ollen voidaan olettaa, että data-analytiikka pyrkii auttamaan 

organisaatioita kriisin onnistuneeseen reagointiin sekä näkemään ne myös 

mahdollisuuksina. Analytiikan sanotaankin tavoittelevan liiketoiminnan dynamiikan ja 

mahdollisuuksien ymmärtämistä, tutkimista ja hyödyntämistä (Klatt & muut, 2011, s. 36). 



44 

Etenkin ennustava analytiikka on mielletty työkaluna ja menetelmänä, joka edistää 

organisaatiota tunnistamaan sen riskejä ja mahdollisuuksia (Halladay, 2013, s. 3). 

Menetelmät tarvitsevat kuitenkin tuekseen analyyttisiä kykyjä, jotka tulkitsevat 

datalähteistä johdettuja analyyseja ja antavat näille merkityksen päätöksentekoa varten, 

tulevista uhkista ja mahdollisuuksista (Sincorá & muuut, 2018, s. 385). 

 

Lisäksi aikaisempien tutkimusten mukaan voidaan olettaa, että ennustava analytiikka 

tulee tulevaisuudessa kehittymään muun muassa operatiivisten toimintojen (Tschakert 

& muut, 2016, s. 61) sekä laajemman arvoketjun ennustamisessa, kuten agenttien ja 

toimitusketjukumppanien riskiasenteiden ennustamisessa (Araz & muut, 2020, s. 1331).  

Lisäksi on esitetty, että innovatiivisten datalähteiden avulla yritykset voivat parantaa 

ennustekykyään ja sitä kautta taloudellista suunnitteluaan ja budjetointiaan 

(Mahlendorfin & muiden, 2023, s. 12–13). Tulevaisuudessa menetelmien kehittyessä 

voidaan myös katsoa, että koneoppiminen luo ennustaville ja ohjaaville analyyseille 

uusia mahdollisuuksia esimerkiksi yritysten sisäisten tekstidokumenttien sekä tuloihin, 

kustannuksiin ja suorituskyvyn mittauksiin liittyvien transaktiotietojen hyödyntämiseen 

(Ranta & muut, 2022, s. 3). 



45 

5 Tutkimuksen metodologia ja aineisto 

Tässä luvussa esitellään tarkemmin tutkielman metodologian ja menetelmien 

valintaperusteista sekä kerrotaan tutkielmanteko prosessista. Tämän lisäksi luku 

esittelee tutkielmassa käytetyn aineiston ja sen analysoinnissa käytetyt 

analyysimenetelmät.  

 

5.1 Tutkimusmetodologia 

Tutkimusmetodologiana tullaan käyttämään kvalitatiivista, eli laadullista tutkimusta, 

koska organisaatiotasolla on haastavaa saada dataa yritysten data-analytiikan 

hyödyntämisestä, jonka takia kvantitatiivisen, eli määrällisen lähestymistavan 

vastausprosentti jäisi liian pieneksi. Kvalitatiivinen lähestymistapa on myös erittäin 

perusteltu, kun aihe on ajankohtainen ja aikaisempaa tutkimusta aiheesta ei ole kertynyt 

mitattavaa määrää. Kuten Koskinen ja muut (2005, s. 14) toteavat, kvalitatiivisten 

menetelmien avulla on mahdollista tutkia ilmiöitä, jotka ovat keskeisessä asemassa 

pyrittäessä ymmärtämään nykyaikaisen ja ajankohtaisen yritysorganisaation moninaista 

toimintaa. 

 

Tutkielman ei ole tarkoitus kuvata ilmiön yksityiskohtaisia teknologisia ominaisuuksia tai 

käyttöönottoa prosessi- tai järjestelmätasolla. Tutkielma ei myöskään pyri ilmiön 

yleistettävyyteen, vaan sen tarkoituksena on ennemminkin kasvattaa ymmärrystä 

tutkimuksen kohteena olevaa ilmiötä kohtaan. Myös tämän perustella voidaan todeta, 

että kvalitatiivinen lähestymistapa tutkielmaan on perusteltu. Niin kuin Koskinen ja muut 

(2005, s. 16) esittävät, että laadullisen tutkielman tarkoituksena on usein nimenomaan 

lisätä ymmärrystä yritysten toiminnasta, eikä kontrolloida tai selittää niiden toimintaa.  

 

5.2 Aineiston keruu 

Aineiston keruu tullaan toteuttamaan haastattelututkimuksilla. Tutkielma toteutetaan 

teemahaastatteluna, jonka tukena käytetään puolistrukturoidun haastattelun valmiiksi 



46 

laadittuja kysymyksiä. Haastatteluissa esille tulevat alueet, järjestys ja niiden laajuus 

saattavat vaihdella, jonka takia puolistrukturoidun haastattelun valmiiksi laadittujen 

kysymysten ansiosta varmistetaan halutun tiedon saatavuus ja keskustelun sujuvuus. 

Tutkimuskysymykset johtavat haastattelukysymyksiä, niin, että haastattelukysymykset 

johdetaan tutkimuskysymyksistä. Tutkimuskysymyksiä ei itsessään kysytä 

haastateltavilta, vaan haastattelukysymysten avulla itse tutkimuskysymyksiin saadaan 

vastaus. Haastattelemalla tutkielman kohdetta pyritään mahdollistamaan, että aineiston 

kerääminen on joustavaa, kysymykset ovat toistettavissa sekä tarvittaessa ilmaisut, 

sanamuodot ja väärinkäsitykset voidaan oikaista ja selventää (Sarajärvi & Tuomi, 2018, 

s. 62). Haastattelukysymykset (ks. Liite 1) lähetettiin haastateltaville etukäteen, jotta 

haastateltavat pystyivät perehtymään haastattelukysymyksiin ennen itse haastattelua. 

Koska haastattelussa on tärkeää saada paljon tietoa tutkimuksen kohteena olevasta 

aiheesta, on Sarajärven ja Tuomen (2018, s. 64) mukaan perusteltua lähettää 

haastattelukysymykset tiedonantajille, eli haastateltaville hyvissä ajoin etukäteen ennen 

haastattelua. Näin pyritään parantamaan haastattelun onnistumista ja edistämään 

haastateltavien halukkuutta osallistua tutkimukseen. 

 

Haastattelukysymykset ja haastattelulomakkeen teemat on laadittu teoriaosuudessa 

käsiteltyjen aikaisempien tutkimuksien perusteella. Teemojen ja kysymysten 

suunnittelussa on hyödynnetty Barberan ja muiden (2017) taloudellisen resilienssin 

viitekehystä sekä muita aikaisempia tutkimuksia mukaillen data-analytiikan tasoja 

arvoehdotuksen mukaan (Delen & Ram, 2018; Tschakert & muut, 2016). Kysymysten 

laadinnassa on hyödynnetty Singhn (2022) sekä Koberin ja Thambaran (2021) 

aikaisempia tutkimuksia. Koska tutkielman aihepiiri on ajankohtainen ja aiheesta 

tiedetään vielä suhteellisen vähän, on kysymysten suunnittelussa käytetty lisäksi laajasti 

muita aikaisempia tutkimuksia tämän tutkielman teoriaosuuteen pohjaten. Tällä 

pyritään varmistumaan siitä, että tutkielmassa kysytään tutkielman aiheen kannalta 

oleellisia ja oikeita asioita.  

 



47 

Haastatteluja pidetään tutkielman primääriaineistona, sillä ne sisältävät välitöntä tietoa 

tutkimuskohteesta. Tutkielman sekundääriaineistona pidetään kaikkea muuta aineistoa, 

joka on jonkun toisen valmiiksi keräämää tietoa kohteesta ja, jota hyödynnetään 

tutkielmassa kohteen analysoimiseen primääriaineiston ohella. Kuten Hirsijärvi ja muut 

(2009, s. 186) toteavat, että joidenkin tutkimusongelmien ratkaisemiseksi voidaan saada 

vastaus jo valmiiksi laadittujen aineistojen pohjalta. Kun taas toisiin tutkimusongelmiin 

on kerättävä itse aineistoa vastauksen saamiseksi. Tässä pro gradu -tutkielmassa 

tutkimustulokset perustuvat haastatteluihin eli tutkielman primääriaineistoon. 

Sekundääriaineistona käytettiin organisaatioiden verkkosivuja sekä aiheeseen liittyviä 

artikkeleita. Sekundääriaineistoa käytettiin asiantuntevien haastateltavien löytämiseen 

sekä haastatteluihin valmistautumiseen. Aineistotriangulaatio on kuvattu taulukossa 2. 

 

Taulukko 2. Aineistotriangulaatio. 

Toimiala Primääriaineisto Sekundääriaineisto 
Vakuutustoiminta Haastattelu yrityksen ylemmän toimihenkilön 

kanssa, joka toimii Controller -toiminnossa. 
 

Yrityksen 
nettisivut ja 

artikkelit. 
 

Päivittäistavarakauppa Haastattelu yrityksen ylemmän toimihenkilön 
kanssa, joka toimii lähellä tutkimusaihetta. 

 

Yrityksen 
nettisivut. 

Konsultointi Haastattelu yrityksen ylemmän toimihenkilön 
kanssa, joka toimii riskienhallinnan, 

taloushallinnon ja data-analytiikan parissa 
lähellä tutkimusaihetta. 

 

Yrityksen 
nettisivut ja 

artikkelit. 

Energiateollisuus Haastattelu yrityksen ylemmän toimihenkilön 
kanssa, joka toimii Controller-toiminnossa. 

 

Yrityksen 
nettisivut. 

Metsäteollisuus Haastattelu yrityksen ylemmän toimihenkilön 
kanssa, joka toimii lähellä tutkimusaihetta. 

Yrityksen 
nettisivut ja 

artikkelit. 
 

Tutkimus toteutetaan Suomeen suuriin organisaatioihin, joiden voidaan odottaa 

hyödyntävän analytiikan edistyneitä tasoja, kuten ennustavaa analytiikkaa. Aineistosta 

ei tehdä päätelmiä yleistettävyyden kannalta vaan tuloksia käytetään kokonaiskuvan 

luomiseen, ennalta rajattujen yritysten data-analytiikan hyödyntämisen merkityksestä 



48 

sen resilienssiin. Suorittamalla haastattelut anonyymisti pyritään parantamaan 

haastattelun vastaamishalukkuutta. Kuten Sarajärvi ja Tuomi (2018, s. 21) kuvailevat 

empiirisessä tutkimuksessa on etiikan näkökulmasta suotuisaa huolehtia tutkimukseen 

osallistuvien henkilöiden tunnisteellisuudesta ja anonymisoinnista. Tämän lisäksi 

haastateltavilta pyydettiin lupa haastattelun nauhoittamiseen. Nauhoitusten pohjalta 

haastattelut litteroitiin kirjalliseen muotoon analysoimista varten. Haastattelujen 

nauhoittaminen ja litteroiminen parantaa tutkimuksen luotettavuutta, sillä tutkijan on 

itse mahdollista palata haastatteluun ja sen vastauksiin jälkikäteen. Litteroinnin jälkeen 

haastattelujen nauhoitukset poistettiin.  

 

Haastattelut keskittyivät data-analytiikkaan eri tasoihin ja erityisesti ennustavaan 

analytiikkaan sekä sen merkitykseen organisaation taloudelliseen resilienssiin. Koska 

Linnenluecke (2017, s. 14) toteaa, että resilienssi ja sen ulottuvuudet ovat usein 

havaittavissa ajan myötä ja näkyvät erityisesti poikkeuksellisissa olosuhteissa, kuten 

erinäisten kriisien vallitessa ja niiden jälkeen. Voi tapahtumien rekonstruktioon näin 

vaikuttaa se, että haastateltavat vastaavat kysymyksiin kokemuksensa mukaan 

jälkikäteen tapahtuneesta kriisistä. Haastattelukysymykset on kuitenkin pyritty 

muotoilemaan niin, että ne kytkeytyvät aikaisempaan teoriapohjaan ja keskittyvät sekä 

menneisiin että nykyisiin ja tuleviin tapahtumiin.  

 

5.3 Haastateltavien taustatiedot 

Kvalitatiivisessa tutkimuksessa tutkimuksen kohdejoukko valitaan 

tarkoituksenmukaisesti. Näin voidaan parantaa haastattelujen vastausten luotettavuutta 

ja luoda mahdollisuus, että kyseisten alueiden asiantuntijat tuovat tutkimukseen 

mielenkiintoisen näkökulman myös ennalta odottamattomien seikkojen osalta. 

Sarajärven ja Tuomen (2018, s. 64) mukaan haastattelututkimuksien etuna on 

nimenomaan se, että haastattelun kohteeksi voidaan valita henkilöitä, joilla on 

kokemusta tai asiantuntemus tutkittavaa ilmiötä kohtaan. Voidaan katsoa, että tämän 

tutkielman kannalta on erityisen arvokasta asiantuntevan kohderyhmän valitseminen. 

Tällä pyritään varmistamaan ja tunnistamaan henkilöt, joilla on olennaista tietoa 



49 

talousasioista ja joiden voidaan olettaa ymmärtävän data-analytiikan käsitteistö 

liiketoiminta kontekstissa. Näin pyritään myös vähentämään mahdollisuutta siitä, että 

aineisto jäisi niukaksi tai tutkielman lopputulos ei kertoisi niinkään tutkittavasta ilmiöstä.   

 

Kvalitatiivisessa tutkimuksessa ei ole tarkoitus tutkittavan kohteen yleistettävyys, joten 

tutkimuksen vastaamattomuutta ei niinkään pidetä ongelmana (Sarajärvi & Tuomi, 2018, 

s. 64). Hirsijärven ja muiden (2009, s. 182) mukaan aineistoa voidaan pitää riittävänä, 

kun voidaan huomata haastatteluiden alkavan toistamaan toisiaan, jota voidaan kutsua 

saturaatioksi. Hirsijärvi ja muut ovat kuitenkin tuoneet myös esille, että saturaatio 

ajatteluun liittyy ongelma. Ongelma pohjautuu siihen, ettei voida tietää sitä, milloin 

kvalitatiivisen tutkielman aineisto ei enää tuottaisi uutta merkittävää tietoa ja 

näkökulmia. Tutkija ei pysty täysin määrittelemään sitä, milloin tutkittava kohde ei tuota 

enää uutta informaatiota. Tässä pro gradu -tutkielmassa aineistoa voidaan kuitenkin 

pitää riittävänä, kun useamman haastattelun jälkeen pystytään toteamaan niiden 

saturaatio.  

 

Tutkielman aineisto kerättiin haastattelemalla viittä asiantuntijaa eri organisaatioista. 

Haastateltavat edustivat eri organisaatioita sekä eri toimialoja, jotta eri tapausten 

vertaileminen olisi mahdollista. Koskisen ja muiden (2005, s. 45) mukaan nimenomaan 

useamman tapauksen valitseminen haastattelun kohteeksi luo tutkimukselle enemmän 

vapauksia, joka sallii myös muun muassa tapausten keskenään vertailemisen. 

Useamman tapauksen valitseminen tutkielman kohteeksi mahdollistaa myös aineistojen 

tai jo tehtyjen tulkintojen täydentämisen. Vaikka kvalitatiivisessa tutkimuksessa 

tutkimuksen kohteen yleistettävyys ei ole pääroolissa, antaa useampi tapaus 

mahdollisuuden teoreettiseen yleistämiseen. Haastateltavien valinnassa hyödynnettiin 

organisaatioiden verkkosivuja ja artikkeleita läheltä tutkimuksen aihetta. Organisaatiot 

edustavat näin eri toimialoja, joiden uskotaan toimivan jo nyt eri data-analytiikan tasoilla. 

Näin tutkielmaan pyrittiin löytämään ja valitsemaan organisaatioita, joissa tutkittava 

ilmiö on ollut jo jonkin aikaa olemassa.  

 



50 

Tutkimukseen valikoituneet organisaatiot edustavat näin vakuutuksen, 

päivittäistavarakaupan, konsultoinnin sekä energia- ja metsäteollisuuden toimialoja. 

Kaikki valikoituneet organisaatiot ovat suuria organisaatioita. Haastateltaviin oltiin 

yhteydessä eri tavoilla. Osaan haastateltavista otettiin yhteyttä LinkedIn-sivuston kautta 

ja osan kanssa sovittiin haastattelusta puhelimitse tai sähköpostitse. Haastateltavien 

taustatiedot on kuvattu seuraavassa taulukossa (ks. Taulukko 3). 

 

Taulukko 3. Tutkimukseen osallistuneiden taustatiedot 

Haasta-

teltava 

Toimiala Työtehtävä Kokemus 

alalta 

(vuosia) 

Ajankohta Haastattelun 

kesto (min) 

 

H1 

 

Vakuutus- 

toiminta 

 

Ylempi toimihenkilö 

controller-toiminto 

 

 

15 

 

16.2.2023 

 

35 

H2 Päivittäistavara- 

kauppa 

 

Ylempi toimihenkilö 

 

12,5 17.2.2023 69 

H3 Konsultointi Ylempi toimihenkilö 

riskienhallinta 

 

13 28.2.2023 61 

H4 Energia- 

teollisuus 

Ylempi toimihenkilö 

controller-toiminto 

 

20 1.3.2023 54 

H5 Metsä- 

teollisuus 

Ylempi toimihenkilö 15 10.3.2023 45 

 

Haastattelut toteutettiin yksilöhaastatteluina, jotka suoritettiin helmi- ja maaliskuun 

2023 välisenä aikana. Kaikki haastattelut toteutettiin 23 päivän sisällä toisistaan. 

Haastattelut kestivät 35–69 minuuttia ja sisälsivät pu