Juuso Nyrhinen 

Liiketoiminta-analytiikan hyödyntäminen ESG:n eri 
osa-alueilla 

 

 

 

 

 

 

 

 
  

Vaasa 2025 

Laskentatoimen ja rahoituksen 
akateeminen yksikkö 

Laskentatoimen ja tilintarkastuksen 
pro gradu -tutkielma 

Laskentatoimen ja tilintarkastuksen 
maisteriohjelma 



2 

 

VAASAN YLIOPISTO 
Laskentatoimen ja rahoituksen akateeminen yksikkö 

Tekijä: Juuso Nyrhinen 
Tutkielman nimi: Liiketoiminta-analytiikan hyödyntäminen ESG:n eri osa-alueilla  
Tutkinto: Kauppatieteiden maisteri 
Oppiaine: Laskentatoimen ja tilintarkastuksen maisteriohjelma 
Työn ohjaaja: Mika Ylinen 
Valmistumisvuosi: 2025 Sivumäärä: 88 

TIIVISTELMÄ: 
Liiketoiminta-analytiikan ja erilaisen datan hyödyntäminen on entistä keskeisempi osa yritysten 
liiketoimintaa. Digitalisaation myötä yhteiskunnasta löytyy yhä enemmän erilaista dataa ja 
informaatiota, jota oikein hyödynnettynä on mahdollista tehostaa liiketoimintaa hyvinkin 
merkittävästi. Samaan aikaan yhteiskuntavastuullinen toiminta uudistaa toimialoja ympäri 
maailman. Jokaiselta yritykseltä vaaditaan tekoja, jotka tuovat muutakin kuin taloudellisia 
voittoja. Sidosryhmien luoma paine sekä kehittyvä lainsäädäntö vastuullisuutta kohtaan 
takaavat sen, että yritysten täytyy pystyä tehostamaan prosessejaan myös ESG:n piirissä. Tämän 
pro gradu -tutkielman tavoitteena on tunnistaa keinoja, joilla yritykset voivat hyödyntää 
liiketoiminta-analytiikkaa osana yritysvastuullista toimintaa.  
 
Tutkielman alussa tarkennetaan, mitä liiketoiminta-analytiikka ja ESG tarkalleen ottaen ovat ja 
miksi aiheet ovat niin ajankohtaiset. Tämän jälkeen päästään varsinaisen tutkimusongelman 
pariin, eli tutkimaan yksityiskohtaisemmin käytännön keinoja, kuinka varsinainen 
hyödyntäminen tapahtuu eri yritysvastuun alueilla. Tämän lisäksi tutkielma listaa myös 
analytiikan käyttöön liittyviä rajoitteita. Tekstissä selvitetään, kuinka liiketoiminta-analytiikka 
voidaan integroida osaksi vastuullisuusmittauksia. Tutkielman kohdennus ympäristöön, 
yhteiskuntavastuuseen ja hyvään hallintotapaan on eriävä lähestymiskeino perinteiseen 
tulokulmaan, jossa analytiikka on yhdistetty lähinnä taloudellisiin mittareihin. Tutkielman 
teoriaosassa lähteinä on käytetty laajasti erilaisia tieteellisiä julkaisuja, joiden lisäksi tietoa on 
haettu myös kirjoista. 
 
Tutkimusosa suoritettiin puolistrukturoiduilla haastatteluilla. Kohderyhmässä oli viisi 
haastateltavaa, joista jokaisen työtehtävissä liiketoiminta-analytiikalla sekä yritysvastuulla on 
merkittävä asema. Haastateltavien ajatukset olivat varsin hyvin linjassa teoriaosassa tehtyihin 
havaintoihin. Haastateltavat olivat yhtä mieltä siitä, että analytiikan ja tiedolla johtamisen rooli 
yrityksen vastuulliseen toimintaan liittyvissä tehtävissä tulee jatkuvasti kasvamaan 
tulevaisuudessa. Sitä hyödynnetään jo nyt esimerkiksi hiilijalanjäljen mittaamisessa, riskien 
arvioinnissa, työhyvinvoinnin mittaamisessa sekä läpinäkyvyyden lisäämisessä. Analytiikan osa-
alueista kuvaileva analytiikka on yksimielisesti suosituin, sekä kirjallisuuskatsauksessa että 
haastateltavien keskuudessa. Kuvailevassa analytiikassa tulkitaan historiallista dataa, ja on 
suosituin sen luotettavuuden takia. Toisesta ääripäästä löytyvä ohjaileva analytiikka on vähiten 
hyödynnetty analytiikan taso siihen sisältyvän käyttövaikeuden ja epävarmuuden takia. 
Ohjailevan analytiikan suosion voidaan kuitenkin olettaa kasvavan tulevina vuosina, kun 
yritysten osaaminen sekä teknologia kehittyvät. Läpi tutkielman esiintyy myös spekulaatiota 
tekoälyn hyödyntämisestä osana vastuullista päätöksentekoa ja ESG-raportointia. Tähän ei 
tutkielman laajuuden takia kyetä syventymään, mutta lyhyesti todettuna tekoälyn roolin voi 
ohjailevan analytiikan tapaan olettaa kasvavan lähivuosina. 
 
 

AVAINSANAT: Analytiikka, liiketoiminta-analytiikka, ESG, yritysvastuu 



3 

 

Sisällys 

1 Johdanto 6 

1.1 Tutkielman tavoitteet ja rajaukset 8 

1.2 Tutkielman rakenne ja tutkimuksen toteuttaminen 10 

2 Liiketoiminta-analytiikka ja sen arvo 12 

2.1 Liiketoiminta-analytiikka ja muu siihen liittyvä termistö 12 

2.2 Liiketoiminta-analytiikan eri osat 14 

2.3 Liiketoiminta-analytiikan hyödyntäminen ja hyödyllisyys yleisesti 17 

2.4 Liiketoiminta-analytiikan työkaluista tarkemmin 21 

3 ESG 24 

3.1 ESG:n osa-alueista tarkemmin 24 

3.2 ESG raportoinnin pakollisuus ja standardien sisältö 26 

4 Analytiikka ja ESG 29 

4.1 Liiketoiminta-analytiikan hyödyntäminen ympäristö osa-alueella (E) 29 

4.1.1 Analyyttiset mahdollisuudet ilmansaasteiden hallitsemisessa 30 

4.1.2 Tuotteiden valmistukseen liittyvät analyyttiset mahdollisuudet 31 

4.1.3 Pienempien yritysten mahdollisuudet hyödyntää analytiikkaa 32 

4.2 Analyyttiset mahdollisuudet sosiaalisella vastuualueella (S) 34 

4.2.1 Analytiikka työolojen ja -turvallisuuden kehittäjänä 34 

4.2.2 Analytiikka vastuullisemman arvoketjun luomisessa 36 

4.2.3 Analytiikka työsuhde-etujen optimoinnissa 37 

4.3 Analyyttiset mahdollisuudet hallinnollisella vastuualueella (G) 38 

4.3.1 Analytiikka tehokkaamman yrityshallinnon luonnissa 39 

4.3.2 Analytiikka sidosryhmävuorovaikutuksen vahvistamisessa 40 

5 Tutkimuksen aineisto ja menetelmät 41 

5.1 Lähtökohdat tutkimukseen ja tutkimusmenetelmän esittely 41 

5.2 Aineiston hankinta 42 

5.3 Haastateltavien ja yritysten esittely 44 

5.4 Tutkimusanalyysin muodostaminen 46 



4 

 

5.5 Tutkimuksen luotettavuus 47 

6 Tutkimustulokset 50 

6.1 Analytiikan hyödyntäminen tällä hetkellä 50 

6.1.1 Analyyttiset valinnat isoissa yrityksissä 51 

6.1.2 Analytiikka pienemmässä yrityksessä 54 

6.1.3 Toimitusketjuihin liittyvä raportointi 55 

6.1.4 Liiketoiminta-analytiikka ja vastuullisuus korkeakouluissa 58 

6.1.5 Kehittyneitä menetelmiä metsäteollisuudessa 60 

6.1.6 Haastateltavat vertailussa teoriaosaan 62 

6.2 Tulevaisuuden näkymät 64 

6.3 Haasteet ja rajoitteet 69 

6.4 Yhteenveto tutkimustuloksista 75 

7 Johtopäätökset 77 

7.1 Tutkimustulokset 78 

7.2 Tutkielman luotettavuus ja rajoitukset 81 

7.3 Jatkotutkimusehdotukset 82 

Lähteet 84 

Liite 1 Haastattelurunko 88 

 
 

 

 

 

 

 

 

 

 

 



5 

 

Kuviot 
 
Kuvio 1 Liiketoiminta-analytiikan osat. 16 

Kuvio 2 Analytiikka yrityksessä, mukaillen (Nastase & Stoica, 2010, s. 608). 19 

Kuvio 3 Raportointivelvollisuudet yrityksille, mukaillen (EU:n direktiivi 2022/2464) 26 

Kuvio 4 Analytiikka työturvallisuudessa, mukaillen (Ezerensin ja muut, 2022, s.6). 35 

 
 

 
Taulukot 
 
Taulukko 1 ESG yhteenveto, mukaillen (Li ja muut, 2021, s. 2). 25 

Taulukko 2 ESRS-standardit mukaillen (Sasfai ja muut, 2023, s.14–15). 27 

Taulukko 3 Haastateltavien esittely 45 

Taulukko 4 Yritysten taustat 46 

Taulukko 5 Yhteenveto tuloksista 75 

  
 
  



6 

 

1 Johdanto 

Liiketoiminta-analytiikka on datan sekä analytiikkatyökalujen hyödyntämistä, jonka 

avulla yritykset pystyvät tekemään parempia päätöksiä. Koko ajan edistyvä teknologia 

takaa sen, että tulevaisuudessa liiketoiminta-analytiikan merkitys tulee korostumaan 

entistä enemmän yritysten toiminnassa. Väitteen todistaa esimerkiksi Rikhardssonin ja 

Yigitbasioglun artikkeli (2018, s.37–41), jossa selvitettiin liiketoiminta-analytiikan ja sen 

työkalujen näkyvyyttä tutkimuskirjallisuudessa vuosina 2005–2009 sekä 2010–2015. 

Kahden eri aikaikkunan perusteella voidaan kyseisen ilmiön todeta olleen kasvussa jo 

pidemmän aikaa, ja trendin mukaisesti kasvu tulee jatkumaan. Kehittyvät kyvykkyydet 

analytiikassa, esimerkiksi monimutkaisen datan käsittelyssä, tuovat aina uusia 

käyttömahdollisuuksia yrityksille. Edellä mainitun artikkelin mukaan koneoppimisen ja 

automaation avulla koko analyyttisen osaston työstä on tullut kaiken lisäksi 

tehokkaampaa. Caon ja muiden (2024) artikkelissa tehdyt havainnot ovat yhdenmukaisia 

analytiikan tärkeydestä. Tämän lisäksi artikkelissa halutaan myös korostaa, ettei 

analytiikan potentiaali rajoitu vain tiettyihin työnimikkeisiin, vaan siitä voi olla hyötyä 

jopa kaikille sidosryhmille.  

 

ESG on niin ikään aihe, jota yritykset eivät yksinkertaisesti voi sivuuttaa. Tästä pitää 

huolen kaikki siihen kohdistuva regulaatio. ESG muodostuu englanninkielisistä sanoista 

environment (ympäristö), social (yhteiskunta) ja governance (hallinto). ESG:n 

perusideana on, etteivät yritykset keskittyisi vain taloudellisen voiton kasvattamiseen, 

vaan tekisivät hyvää myös näillä kolmella muulla osa-alueella. Vaikka termi ESG on ollut 

käytössä jo toistakymmentä vuotta, on sen merkitys ja näkyvyys kasvanut viimevuosina 

aivan uudelle tasolle. Suomessa ESG-termi saattaa ilmetä monessa tekstissä tai 

puhekielessä esimerkiksi vastuullisuutena tai yritysvastuuna, joista molemmat ilmaisut 

tulevat esiintymään tässä tutkielmassa. 

 

Vastuullisuusraportointi muuttuu yrityksille pakolliseksi tulevina vuosina, osalle se on 

sitä jo nyt. EU-alueella toimivat yritykset joutuvat CSRD-kestävyysraportoinnin piiriin, 



7 

 

johon tullaan myöhemmin syventymään tarkemmin. Sen raportoinnista tulee aluksi 

pakollinen toimenpide suurille yrityksille, jonka jälkeisinä vuosina siitä muodostuu 

pakollinen myös keskisuurille ja pienille yrityksille. Fornasarin ja Traversin (2024, s. 129–

130) mukaan tämä korostaa yritysten tarvetta integroida vastuullisuus osaksi 

yritysstrategiaansa, sekä kerätä uudenlaista vastuullisuusdataa. Yritysten, jotka 

onnistuvat tässä parhaiten, voidaan olettaa hyötyvän esimerkiksi paremman imagon 

muodossa. Tämän lisäksi, kehittyvä teknologia ja luotettavan datan saaminen voi 

tehostaa myös yritysten sisäisiä prosesseja merkittävästi.   

 

Malendorf ja muut (2023, s.547–548) korostavat tutkimuksessaan, kuinka paljon johdon 

laskentatoimen parissa työskentelevillä ihmisillä on käytettävissään dataa. Dataa on 

jatkuvasti entistä enemmän ja erilaisista asioista, eikä datamassojen kasvulle näy loppua. 

Samanaikaisesti, datan käsittely ja siihen liittyvät työkalut kehittyvät myös. Tämä tuottaa 

organisaatioille ongelmia, mutta samalla se avaa myös mahtavia mahdollisuuksia. 

Artikkelissa kannustetaan organisaatioiden lisäksi myös tieteellisen tutkimuksen tekijöitä, 

sillä aiheeseen liittyviä tutkimuksia uusista datalähteistä on suhteellisen vähän. Edellä 

mainittu havainto on ollut yksi motivaattoreista tämän pro -gradu tutkielman 

tekemisessä, jossa on haluttu syventyä mahdollisimman hyödylliseen tutkimuskenttään. 

Tutkielma pyrkii siis täyttämään edellä mainittua tutkimusaukkoa, tuomalla 

samanaikaisesti lisäperspektiiviä paitsi laskentatoimen mutta myös muiden aiheen 

parissa työskentelevien ihmisten ajatteluun ja toimintaan.  

 

Malendorf ja muut (2023, s.550–561) esittelevät muutamia uusia ja innovatiivisia 

datamuotoja, joiden mahdollisuuksista johdon laskentatoimen työntekijöiden kannattaa 

olla tietoisia. Jo yleistyneiden datalähteiden (esim. sosiaalinen media) lisäksi tekstissä 

esitellään muutamia hyvin eksoottisia ideoita, kuten sijaintitiedot ja satelliitit. Puhelimen 

sijaintitietoja hyödyntämällä yritys voi arvioida kilpailijan menestystä sen liikkeessä 

käyvien asiakkaiden määrän avulla. Jotkut yritykset hyödyntävät puolestaan satelliitteja 

arvioimaan öljyn hintaa; selvitetään miten täynnä öljytankit ovat ja siten osataan 

arvioida tulevaa tarjontaa. Artikkelissa on myös taulukko, jossa esitetään johdon 



8 

 

laskentatoimelle ideoita liittyen ESG-suorituskykyyn, kuten miten sitä voidaan mitata 

tarkemmin ja tehdä valistuneempia päätöksiä, joilla liiketoiminnan lopputuotteesta 

tulee vastuullisempaa. Tässä tutkielmassa tullaan etsimään vastauksia näihin 

kysymyksiin. 

 

 

1.1 Tutkielman tavoitteet ja rajaukset  

Tämän tutkielman tarkoituksena on selvittää, millainen merkitys liiketoiminta-

analytiikalla on yritysmaailmassa, ja mitä eri keinoja sen hyödyntämiseen ESG:n eri osa-

alueilla on. Nämä ovat siis ympäristö, yhteiskuntavastuu, sekä hallintotapa. Tämän lisäksi 

tutkielmassa on oleellista myös tutkia, mitä ongelmia sekä rajoitteita tähän 

mahdollisuuteen sisältyy. Tutkielman tutkimuskysymykset ovat seuraavat: 

 

1. Miten yritykset voivat hyödyntää liiketoiminta-analytiikkaa ESG:n eri osa-

alueilla? 

2. Mitä haasteita ja rajoitteita liiketoiminta-analytiikan hyödyntämiseen liittyy? 

 

Liiketoiminta-analytiikalla tarkoitetaan mm. datan laajaa hyväksikäyttöä, tilastollisia ja 

kvantitatiivisia analyysejä, selittäviä ja ennustavia malleja, sekä toiminnan, 

päätöksenteon ja johtamisen perustamista tosiasioihin (Davenport & Harris, 2007, s.26). 

Tutkielmassa tullaan avaamaan tätä monimutkaista käsitettä tarkemmin, sekä muita 

siihen liittyviä termejä. Tutkielman päätteeksi lukijalla tulisi olla vahva ymmärrys 

kyseisestä aiheesta ja sen kytköksestä ESG:hen.  

 

Liiketoiminta-analytiikka on terminä varsin uusi, erityisesti suomen kielessä. Se on 

suomennos englanninkielisestä sanasta business analytics, joka on selvästi 

yksiselitteisempi englanninkielisenä. Tämä termi on joissakin tapauksissa saatettu 

suomentaa myös eri sanoin, kuten esim. ”yritysanalytiikka” tai pelkkä ”analytiikka”, jotka 

tulevat niin ikään esiintymään tutkielmassa jonkin verran. Sanana ”analytiikka” ei aina 

tarkoita tismalleen samaa kuin liiketoiminta-analytiikka. Liiketoiminta-analytiikkaa ei voi 



9 

 

pitää myöskään samana asiana kuin liiketoimintatietoa, vaikka käsitteet ajoittain 

menevätkin sekaisin sekä englannin että suomen kielessä. Tämä vain kuvastaa sitä, 

kuinka uudesta, mutta kuitenkin niin ajankohtaisesta aiheesta on kyse. Tutkielman 

pääluku numero kaksi avaa tarkemmin tekstin kannalta oleellisimpia käsitteitä. 

 

Tämä tutkielma tarkastelee ensisijaisesti EU-alueella toimivia yrityksiä sekä heihin 

liittyvää lainsäädäntöä, mutta esimerkkejä analytiikan hyödyntämiseen on haettu 

ympäri maailman, koska innovaatioiden lähtöperä ei sulje niiden 

hyödyntämismahdollisuutta Euroopassa. Raportoinnin pakollisuutta Euroopassa ja sen 

sisältöä käsitellään tarkemmin tutkielman luvussa 3.2.  

 

Vaikka ESG ja erilaisten analyyttisten työkalujen käyttö ovat valtavia trendejä maailmalla 

ja niistä tehdään jatkuvasti lisää tutkimuksia, on tämän pro gradu -tutkielman 

tutkimuskenttä siitä huolimatta yllättävän tyhjä. Suuri osa liiketoiminta-analytiikan 

tutkimuksista on aina painottunut ”perinteisempiin” strategisiin päätöksiin kuten 

markkinointiin, asiakaskäyttäytymiseen, varastonhallintaan jne., mutta vain harva 

tutkimus on keskittänyt aihetta suoraan ESG:n ympärille. Tässä tutkielmassa analytiikan 

hyödyntämisalue on rajattu nimenomaan ESG:n eri osa-alueisiin. Vastauksia pyritään siis 

löytämään siihen, miten yritykset voivat analytiikkaa hyödyntäen tehdä esim. 

ympäristöystävällisempiä tai sosiaalisesti vastuullisempia päätöksiä. Huomionarvoista 

toki on, ettei liiketoiminta-analytiikan perusidea silti muutu, sillä näissäkin tapauksissa 

analytiikalla pyritään tehostamaan prosesseja, tekemään optimoidumpia päätöksiä ja 

sitä kautta tuottamaan taloudellisia hyötyjä yritykselle. 

 

Tutkielman aiheesta ja siinä löydetyistä vastauksista voi olla hyötyä erityisesti CSRD:n 

piirissä oleville yrityksille, mutta myös pienemmät yritykset voivat saada käyttökelpoisia 

ideoita ympäristöystävällisempään toimintaan. Tämä tutkielma kertoo esimerkiksi, 

kuinka yritykset voivat analyyttisilla menetelmillä tunnistaa ja arvioida ESG-riskitekijöitä, 

eli ympäristöriskejä, sosiaalisia riskejä ja hallintoriskejä. Tämän lisäksi tutkielma antaa 

yrityksille ideoita mm. hiilijalanjäljen mittaamiseen, resurssien hallintaan sekä 



10 

 

läpinäkyvyyden lisäämiseen. ESG-asioiden kokonaisvaltainen huolehtiminen voi 

parhaassa tapauksessa luoda arvoa hyvinkin pitkällä aikavälillä, houkuttelemalla 

vastuullisuutta arvostavia sijoittajia, jotka pitävät läpinäkyvää ja kokonaisvaltaista 

raportointia yrityksen toiminnasta tärkeänä.  

 

Tutkielmassa esiin nouseviin menetelmiin kannattaa suhtautua kriittisesti. Vaikka 

liiketoiminta-analytiikka näyttää lupaavalta tavalta tehostaa liiketoimintaa, ei sen 

täytäntöönpano ole ikinä yksinkertaista. Sen ansiokas omaksuminen voi vaatia 

organisaatioilta tilanteen mukaan hyvinkin merkittäviä taloudellisia ja ajallisia 

panostuksia, joiden lisäksi myös henkilöstö täytyy saada sitoutumaan muutokseen. 

Tämän lisäksi jokainen organisaatio toimii yksilöllisellä tavalla, joten minkään 

menetelmän ei voi olettaa olevan täydellisesti kopioitavissa. 

 

 

1.2 Tutkielman rakenne ja tutkimuksen toteuttaminen 

Tutkielman rakenne on seuraava. Johdanto esittää tutkimuskysymykset ja esittelee 

tutkimuksen tavoitteet lyhyesti. Tämän jälkeen tekstissä tarkastellaan tärkeimpiä 

käsitteitä, kuten liiketoiminta-analytiikkaa ja siihen liittyvää termistöä. ESG:n sisältö ja 

sen raportointiin liittyvät vaatimukset käydään tarkemmin läpi, ennen kuin syvennytään 

siihen, miten nämä kaikki liittyy toisiinsa. Tässä vaiheessa on oleellista tutkia ennen 

kaikkea sitä, kuinka analytiikkaa voidaan hyödyntää tehokkaasti osana yritysvastuullista 

toimintaa ja raportointia. Samaan aikaan tekstissä säilytetään kriittisyys ja huomioidaan 

myös toinen tutkimuskysymys, jonka seurauksena rajoitteiden ja ongelmien esittäminen 

tulee olemaan jatkuvasti osa kirjallisuuskatsausta.  

 

Teoriaosion jälkeen vuorossa on empiirinen osa, joka on suoritettu puolistrukturoiduilla 

haastatteluilla. Haastatteluissa on viisi työntekijää eri suomalaisista yrityksistä, joilta 

saadaan tietoa heidän yritystensä eri analyyttisista menetelmistä osana yritysvastuuta. 

Haastatteluista saatua tietoa vertaillaan teoriaosan havaintoihin mielenkiintoisen 

kokonaisuuden muodostamiseksi. Heitä vertaillaan myös keskenään, jotta saadaan 



11 

 

parempi ymmärrys tutkimuksen yleistettävyydestä ja luotettavuudesta. 

Johtopäätöksissä tiivistetään lopulta koko tutkielma ja annetaan ideoita mahdollisiin 

jatkotutkimuksiin.  



12 

 

2 Liiketoiminta-analytiikka ja sen arvo 

Täsmennetään aluksi, mitä business analytics (BA) eli liiketoiminta-analytiikka oikeasti on. 

Hindle ja muut (2020, s.483–484) kuvaavat artikkelissaan liiketoiminta-analytiikkaa 

erilaisten tilastollisten analyysien ja teknologioiden käytännön soveltamisena, jotta 

voidaan tunnistaa ja ennakoida trendejä, sekä ennustaa liiketoimintaa. Artikkelin 

tietojen pohjalta liiketoiminta-analytiikkaa voisi havainnollistaa apuvälineenä, jonka 

avulla voidaan mm. rakentaa analyysimalleja ja luoda simulaatioita tulevaisuuden 

skenaarioihin, reaaliteettien ymmärtämiseen ja ennustamiseen. 

 

 

2.1 Liiketoiminta-analytiikka ja muu siihen liittyvä termistö 

Liiketoiminta-analytiikan termi on helppo yhdistää virheellisesti esimerkiksi termiin data 

analytics, jonka voi suomentaa data-analytiikaksi. Hindle ja muut (2020, s.483–484) 

kertovat artikkelissaan liiketoiminta-analytiikan eron pelkkään data-analytiikkaan. 

Artikkelin mukaan liiketoiminta-analytiikka on data-analytiikan osajoukko. Data-

analytiikkaa käytetään lukuisilla eri tieteenaloilla trendien tunnistamiseksi ja ongelmien 

ratkaisemiseksi, tiedon muokkaamisen ja kaiken muunlaisen hyödyntämisen avulla. 

Liiketoiminta-analytiikka on myös pitkälti tätä, mutta se rajaa datan käsittelyn pelkästään 

siihen, että sen avulla tuotetaan parhaita mahdollisia päätöksiä liiketoiminnassa.  

 

Liiketoiminta-analytiikkaa ei pidä myöskään sekoittaa termiin business intelligence (BI) 

eli liiketoimintatieto, vaikka niitä pidetään Zhaon (2021, s.1–2) mukaan varsin 

samankaltaisina asioina. Zhaon mukaan menneisyyteen keskittyvä liiketoimintatieto olisi 

osajoukko liiketoiminta-analytiikalle, jossa keskitytään menneisyyden ja nykytilanteen 

analysoinnin lisäksi paljon myös tulevaan. Liiketoimintatieto pyrkii vastaamaan siis 

kysymykseen ”miksi”, mutta liiketoiminta-analytiikka vastaa tämän lisäksi myös 

kysymyksiin ”mitä seuraavaksi” ja ”mitä pitäisi tehdä”. 

 



13 

 

Kuten voidaan olettaa, kirjallisuudessa ja puhekielessä termejä käytetään kuitenkin hyvin 

paljon ristiin ja eri kirjoittajilta löytyykin eriäviä näkemyksiä käsitteisiin liittyen. 

Kirjallisuudessa ja tieteellisissä teksteissä on jonkin verran kuitenkin käsitelty 

liiketoimintatiedon ja liiketoiminta-analytiikan eroja. Joidenkin lähteiden mukaan mitään 

tarkkoja ja täsmällisiä rajoja liiketoimintatiedon ja liiketoiminta-analytiikan välille ei 

voida määritellä. Sen lisäksi että niitä käytetään puhekielessä todella paljon ristiin, 

omaavat ne lopulta kuitenkin saman tavoitteen eli auttamisen parempien päätöksien 

tekemisessä. Zhaon (2020, s.4) mukaan niiden välille voidaan rajata ainakin yksi selvä ero, 

joka mainittiin jo edellisessä luvussa; liiketoiminta-analytiikassa painotetaan enemmän 

myös ennustuksia. Zhaon (2020) sekä muiden tutkittujen artikkelien tietojen pohjalta 

tässä tutkielmassa lähdetään siis siitä, että liiketoiminta-analytiikka on 

liiketoimintatietoa laajempi käsite sen tulevaisuusnäkökulman takia. 

 

Big datan käsite esiintyy niin ikään jatkuvasti tutkielmassa ja se on liiketoiminta-

analytiikan ymmärtämisen kannalta tärkeää. Niebel ja muut (2019, s.296–297) avaavat 

artikkelissaan big datan käsitettä ja sen yhteyttä liiketoiminta-analytiikkaan. 

Yksinkertaistetusti big datalla tarkoitetaan kaikkea saatavilla olevaa dataa ja sen 

käsittelyyn liittyviä tehtäviä. Big datasta on muodostunut merkittävä ilmiö, koska uudet 

teknologiset trendit, kuten kehittyvät ja suosiotaan kasvattavat älylaitteet sekä muu 

toiminta verkossa, tuottavat kaiken aikaa enemmän valtavia määriä käsittelemätöntä 

dataa. Big datasta puhuttaessa viitataan siis mittaviin määriin järjestelemätöntä dataa. 

Kaiken tämän suuren datamäärän käsittely ei ole kuitenkaan aivan mutkatonta, vaan 

yrityksille voi muodostua ongelmia datan käsittelyssä mm. sen määrän, laajuuden ja 

prosessoinnin nopeuden kanssa. 

 

Liiketoiminta-analytiikan yhtenä tärkeimmistä lähteistä voidaan pitää big dataa. Niebel 

ja muut (2019, s.310–311) kertovat artikkelissaan big data-analytiikan käsittävän kaikkea 

big dataan ja sen käsittelyyn kuten analysointiin ja keräämiseen liittyvää toimintaa. Tämä 

eroaa aiemmin määritellystä liiketoiminta-analytiikan käsitteestä, joka keskittyy 

tarkemmin nimenomaan muodostamaan tästä liiketoimintaa edistäviä tekoja. 



14 

 

Artikkelista on löydettävissä paljon semmoista informaatiota big datan tulevaisuuden 

merkityksestä, josta voi löytää yhtäläisyyksiä liiketoiminta-analytiikkaan sen kasvun 

näkökulmasta. Kaiken kaikkiaan, tiedon pohjalta tehtyjen parempien päätöksien tärkeys 

liiketoiminnassa ja jatkuva teknologinen kehitys luovat big datalle suuret odotukset ja 

vaatimukset tulevaisuuteen. 

 

 

2.2 Liiketoiminta-analytiikan eri osat 

Liiketoiminta-analytiikka voidaan Nielsenin (2018, s.169–170) mukaan jakaa kolmeen eri 

osaan. Ensimmäinen niistä on descriptive analytics (kuvaileva/kuvaava analytiikka), 

jonka näkökulma sijoittuu menneisyyteen. Tässä vaiheessa on kyse ihan perinteisestä 

raportoinnista, kuten esimerkiksi vastaamisesta kysymyksiin ”mitä on tapahtunut ja 

miksi?” Lähteenä hyödynnetään aiemmasta toiminnasta saatua tilastollista dataa, josta 

voidaan sitten laskea erilaisia lukuja. Tämmöisiä voivat olla esim. keskiarvo, keskihajonta 

tai korrelaatio, joita voidaan hyödyntää päätöksenteossa. Työkaluina tässä vaiheessa 

toimivat erilaiset kuvaajat, kaaviot ja taulukot. 

 

Nielsen (2018, s.169–170) kirjoittaa artikkelissaan kuvailevan analytiikan olevan 

yksinkertaisin ja helposti ymmärrettävin liiketoiminta-analytiikan muoto, jonka jälkeen 

artikkeli avaa siihen liittyvää dataa ja työkaluja. Datalla tarkoitetaan käytännössä kaikkea 

rahoitukseen ja muihin selviin lukuihin perustuviin faktoihin, kuten esimerkiksi budjettiin, 

myyntiin, katteeseen ja hintoihin liittyvää informaatiota. Näitä hyödyntäen voidaan 

muodostaa yritystä hyödyttäviä tietolähteitä. Raporttien luominen, jakelu ja visualisointi 

ovat tyypillisiä esimerkkejä tästä. Näistä monet on tehty esimerkiksi 

laskentataulukkotyökalujen avulla. 

 

Kuvailevan analytiikan työkalut ovat Nielsenin (2018, s.169–170) mukaan usein 

yhteydessä johonkin tietokoneohjelmistoon, jonka avulla pystytään parhaassa 

tapauksessa automatisoimaan vaiheita ja analyyseja. Kuvailevassa analytiikassa 

käytetään pääsääntöisesti strukturoitua dataa, vaikka viime vuosina siinä on pyritty 



15 

 

hyödyntämään myös järjestelemätöntä dataa. Joka tapauksessa, kuvailevan analytiikan 

hallitseminen antaa yrityksille enemmän resursseja tulevaan, tuhlaamatta liikaa aikaa 

menneiden tilastojen selvittelyyn. Tämän lisäksi kuvailevan analytiikan omaksuminen on 

ensimmäinen askel seuraavien välivaiheiden hallitsemiseen. 

 

Lustig ja muut (2010) määrittelevät artikkelissaan liiketoiminta-analytiikan toiseksi osaksi 

ennustavan/ennakoivan analytiikan, joka kulkee englanninkielisellä termillä predictive 

analytics. Artikkelin mukaan kyseessä on sananmukaisesti liiketoiminta-analytiikan osa-

alue, jossa tarkoituksena on käyttää olemassa olevaa dataa hyväksi tulevaisuutta 

ennustettaessa. Lustigin mukaan ennustava analytiikka voidaan jakaa kuuteen 

kategoriaan: datanlouhintaan, kaavojen tunnistamiseen, Monte Carlo -simulaatioon, 

ennustamiseen, juurisyyanalyysiin (RCA) ja ennakoivaan mallinnukseen. Monte Carlo 

simulaatio toimii matemaattisia algoritmeja hyödyntäen (Mooney, 1997), kun taas 

juurianalyysissä tunnistetaan syitä tapahtuneille (Kusserow, 2021, s.62). Lustigin ja 

muiden (2010) artikkeli kuitenkin tiivistää, että kaikkien työkalujen päätehtävänä on 

menneisyydestä saadun datan muokkaaminen hyödylliseksi pohjaksi tulevaisuuden 

ennustamista varten. Ennustavan analytiikan voidaan katsoa olevan jatkumoa 

kuvailevalle analytiikalle, jonka datan keräämisen jälkeen ennustava analytiikka alkaa 

muokkaamaan sitä eri keinoin. 

 

Lustigin ja muiden (2010) mukaan datan hyödyntäminen tapahtuu usein kehittyneiden 

skenaariotutkimusten avulla. Algoritmeja hyödyntäen voidaan tunnistaa menneestä 

datasta jokin tietty ja toistuva kaava, jota voidaan siten hyödyntää tulevaisuuden 

päätöksenteossa. Liiketoiminta-analytiikassa käytetään mm. datan segmentointia ja 

luokittelua (esim. transaktioihin liittyen) yhtenäisiin joukkoihin, joista kaavat ja trendit 

löytyvät helpommin. Työkaluina tässä voidaan hyödyntää mm. ryhmäanalyysia, 

päätöspuita ja neuroverkkoa. Trendien tunnistamisen lisäksi olennaista ennustavassa 

analytiikassa on tunnistaa myös kytköksiä ja seuraamuksia eri tapahtumien välillä, joka 

auttaa tekemään ennustamisesta tarkempaa. Lopulta yritykset voivat saada hyvän kuvan 



16 

 

esimerkiksi siitä, ketkä ovat heidän parhaita asiakkaitaan ja miten niitä kannattaisi 

tavoitella parhaan lopputuloksen saavuttamiseksi. 

 

Nielsenin (2018, s.170–171) mukaan kolmas ja viimeinen osa liiketoiminta-analytiikkaa 

on ohjaileva analytiikka eli prescriptive analytics. Ohjaileva analytiikka on jatkumoa 

ennustavalle analytiikalle, koska ohjailevassa analytiikassa on kyse päätöksenteon 

optimoinnista parhaiden lopputulosten saavuttamiseksi. Optimoinnin pohjana 

käytetään kahta aikaisempaa liiketoiminta-analytiikan osa-aluetta. Optimointi voidaan 

jakaa karkeasti kahteen osaan; normaaliin optimointiin ja stokastiseen optimointiin. 

Normaalissa optimoinnissa kyse on vain datan käyttämisestä parhaan lopputuloksen 

saamiseksi, kun taas stokastinen optimointi haluaa tämän lisäksi huomioida datassa 

olevan epävarmuuden parempia päätöksiä tehdessä. Opitun perusteella luotu kuvio 1 

(alapuolella), tiivistää vielä kolmen eri vaiheen toteuttamisen vaikeusasteen sekä 

ajankohdan, johon jokainen vaihe eniten keskittyy. 

 

Kuvio 1 Liiketoiminta-analytiikan osat. 

 

Lustig ja muut (2010) kuvaavat artikkelissaan esimerkkitilanteita, joissa ohjailevaa 

analytiikkaa voidaan tarvita. Tämmöisiä ovat artikkelin mukaan tilanteet, joissa on 

todella paljon eri vaihtoehtoja ihmiselle valittavaksi, esimerkiksi aikatauluihin tai työn 

järjestelyyn liittyen. Näihin ohjaileva analytiikka antaa kuitenkin tietokoneella ratkaisuja 

matemaattisia algoritmeja hyödyntäen. Nykytietokoneiden parantuneen nopeuden ja 



17 

 

muistin ansiosta, yritykset voivat siis saada täsmällistä tietoa päätöksenteon 

ohjaamiseksi ja resurssien järjestelemiseksi jopa muutamissa minuuteissa. Koska 

ohjaileva analytiikka käyttää toimintojen pohjana edellä mainitun lisäksi komplekseja 

järjestelmiä hyödyntäen kaikkea koneoppimisesta algoritmeihin, lasketaan sen olevan 

osa edistynyttä analytiikkaa (advanced analytics). Watsonin (2021) artikkelin mukaan 

edistyneen analytiikan suurimpia rajoituksia puolestaan ovat esimerkiksi realististen 

liiketoimintatapausten luominen, sekä siihen vaadittavan datan tunnistaminen, 

kerääminen ja siivoaminen. 

 

Edistynyt analytiikka ei varsinaisesti ole enää liiketoiminta-analytiikan osa, vaan 

pikemminkin joukko eri analyyttisia menetelmiä. Edistyneen analytiikan olennaisimpia 

tavoitteita on ohjailevan analytiikan tavoin ennustaa tulevaa ja tämän jälkeen antaa 

yritykselle vastauksia siihen, mitä päätöksiä kannattaa tehdä (Lustig ja muut, 2010). Näin 

ollen myös aiemmin mainitun ennustavan analytiikan voidaan katsoa olevan osa 

laajempaa edistyneen analytiikan kokonaisuutta. Artikkelin mukaan edistyneen 

analytiikan sisään ajaminen voidaan jakaa kahteen vaiheeseen. Ensimmäisessä 

keskitytään luomaan matemaattinen malli, jonka pohjana toimii kaikki oleellinen data 

eri lähteistä jotain tiettyä asiaa kohtaan. Toisessa vaiheessa yritys ottaa matemaattisen 

mallin käyttöön saadakseen reaaliaikaista dataa päätöksenteon tueksi. Tämä tapahtuu 

yhdistämällä järjestelmä osaksi jotain yrityksen toimintoa, kuten esimerkiksi 

operatiiviseen työskentelyyn tai toiminnan suunnitteluun liittyen. Mallien luominen ja 

sen käyttäminen tapahtuvat tekoälyyn perustuvilla tietokoneohjelmistoilla.  

 

 

2.3 Liiketoiminta-analytiikan hyödyntäminen ja hyödyllisyys yleisesti 

Edellä mainitun kolmen kohdan lisäksi, liiketoiminta-analytiikan tärkeyttä voidaan 

lähestyä muistakin näkökulmista. Sen hyödyntäminen ja yhteistyö joissain muissa 

yrityksen toiminnoissa voivat olla yrityksen kannalta äärimmäisen hyödyllisiä. Onhan 

liiketoiminta-analytiikan yksi perustavoitteista kuitenkin se, että saatavaa tietoa osataan 

oikeasti muokata hyödylliseksi informaatioksi. Ennen menemistä tutkimuksen kannalta 



18 

 

oleellisimpaan näkökulmaan eli liiketoiminta-analytiikan hyödyntämiseen ESG:n eri osa-

alueilla, käydään läpi vielä muutama esimerkki sen hyödyntämisestä toisenlaisista 

perspektiiveistä. 

 

Nastase ja Stoica (2010) olivat ensimmäisiä, jotka alkoivat tutkia tarkemmin eri 

analyyttisten taitojen (ml. liiketoiminta-analytiikka) yhteyttä liiketoiminnalliseen 

suorituskykyyn. Tutkimuksen taustana toimii tutkijoiden havainnot siitä, että pelkän 

liiketoimintatiedon hyödyntäminen ei enää nykypäivänä riitä, kaiken laajemman datan 

ollessa saatavilla. Vaikka liiketoimintatieto on edelleenkin tärkeä antaessaan tarkkaa 

tietoa ja raportointia tapahtuneista, luo liiketoiminta-analytiikka aivan uudet 

mahdollisuudet yrityksille tulevaisuuteen keskittymisessä. 

 

Liiketoiminta-analytiikalla voidaan Nastasen ja Stoican (2010) mukaan tuoda lisäarvoa 

mihin tahansa arvoketjun vaiheeseen, oli sitten kyse logistiikasta, markkinoinnista ja 

myynnistä, palveluista tai yksittäisistä toiminnoista hyödyntäen erilaista informaatiota 

menneisyydestä ja ennusteita tulevasta. Artikkelin mukaan liiketoiminta-analytiikasta on 

vasta nyt tulossa merkityksellinen, koska monissa organisaatioissa on suorastaan pyritty 

välttämään suuria tietoteknisen puolen uudistuksia. Tähän syynä ovat olleet 

organisaatioiden kankeus ja joustamattomuus IT-osaamista kohtaan, jota liiketoiminta-

analytiikka kuitenkin vaatii. 

 

Nastase ja Stoica (2010, s.608) esittelevät artikkelissaan todella yksinkertaistetun 

viitekehyksen siitä, miten liiketoiminta-analytiikka toimii ja tuottaa käytännön hyötyä 

yritykselle (ks. kuvio 2 alapuolella). Toiminta on pelkistetty neljään perusvaiheeseen, 

jonka lopputuloksena päästään liiketoiminta-analytiikan tavoitteeseen, eli antamaan 

liiketoiminnalle hyödyllistä tukea ja informaatiota. Kehys antaa hyvän pintapuolisen 

ymmärryksen liiketoiminta-analytiikan kiertokulusta yrityksen johdolle, mutta malli ei 

kuitenkaan huomioi erilaisia haasteita, joten sen perusteella ei siis kannata pitää 

liiketoiminta-analytiikan toimintaa liian yksinkertaisena. 

 



19 

 

 

Kuvio 2 Analytiikka yrityksessä, mukaillen (Nastase & Stoica, 2010, s. 608). 

 

Ensimmäisessä vaiheessa tarkoituksena on Nastasen ja Stoican (2010) mukaan kerätä 

järjesteltyä ja järjestelemätöntä dataa oikeastaan kaikesta vähänkään yrityksen 

toimintaan sidoksissa olevista asioista. Seuraavaksi pyritään luomaan tästä datasta 

luotettavaa ja tarkkaa. Dataan pitäisi saada tämän jälkeen luotua aivan uudenlaista arvoa 

liiketoiminta-analytiikan avulla, joka tarkoittaa siis kehittyneempää tietämystä datasta 

(mitä on tapahtunut ja miksi). Viimeisessä vaiheessa ihmisten ja erityisesti johdon olisi 

tarkoitus omata syvempää ymmärrystä ja saavuttaa uusia oivalluksia liiketoiminnasta, ja 

ymmärtää näin ollen paremmin miten myös jatkossa kannattaisi toimia. Viitekehyksestä 

löytyy selvä yhteys myös aiemmin käytyihin liiketoiminta-analytiikan eri vaiheisiin, jossa 

edetään askel askeleelta menneisyydestä ja sen ymmärtämisestä kohti tulevaa. 

 

Yoo ja Roh (2021) selvittävät artikkelissaan liiketoiminta-analytiikan tuoman hyödyn 

määrän yrityksen arvoketjussa. Kirjoituksessa painotetaan alusta alkaen sitä, että 

liiketoiminta-analytiikan tärkeimpänä tehtävänä ei ole tuoda suurta määrää uusia 

teknologisia mekanismeja yrityksen sisälle. Kyse on pikemminkin siitä, miten näillä 

luodaan kokonaisvaltainen prosessi, jonka avulla yritys muuntaa kaiken saamansa tiedon 

hyödylliseksi lopputulokseksi. Artikkelissa tehtiin tutkimus 268 osallistuneella yrityksellä, 

joka kertoo liiketoiminta-analytiikan tuoneen kaksi eri lopputulemaa. Osalle yrityksistä 

se ei tuonut mitään, mutta toisille taas merkittäviä etuja. Mikäli yrityksellä ei ole 

joustavuutta ja sitkeyttä uuden teknologian sisään tuomiseen, kykyä omaksua ja soveltaa 

uutta tietoa tai tarvittavia IT-kyvykkyyksiä, on liiketoiminta-analytiikan tuoma nettohyöty 



20 

 

olematon. Ilman konkreettisia tavoitteita ja tuloksia, voi liiketoiminta-analytiikalle olla 

myös äärimmäisen vaikeaa löytää selvää paikkaa yrityksen sisällä. 

 

Yoo ja Roh (2021) kertovat, että järjestelmällisesti ja osaavasti suoritettuna, liiketoiminta-

analytiikka osoittaa myös arvonsa kyseisen tutkimuksen lopputuloksissa. 

Kustannussäästöt, laajemmat markkina-alueet, lisääntyneet myynnit, vähäisemmät 

panostukset tutkimukseen ja ajansäästö ovat etuja, joita yritys voi arvoketjuunsa saada. 

Artikkelin mukaan yrityksen tietoisuus liiketoiminta-analytiikan hyödyllisyydestä ja halu 

käyttää sitä, jota monelta kyllä löytyy, ei vielä takaa positiivisia lopputuloksia. Kyse on siis 

pikemminkin siitä, onko yrityksellä aiemmin mainitut taidot, teknologia ja joustavuus sen 

onnistuneeseen omaksumiseen.  

 

Someh ja muut (2019) puolestaan tutkivat artikkelissaan, kuinka paljon arvoa 

liiketoiminta-analytiikkaan liittyvät järjestelmät oikeasti tuovat yrityksille, lähestyen 

aihetta asiakkuudenhallinnan näkökulmasta. Asiakkuudenhallinnalla tarkoitetaan 

yrityksen sisäistä järjestelmää/tekniikkaa, joka mm. mahdollistaa yrityksille keinon 

hallita ja arvioida asiakkaidensa tarpeita ja haluja. Tämän avulla voidaan saavuttaa 

parempaa myyntiä. 

 

Kyseessä on siis todella merkittävä järjestelmä yrityksen tuloksen ja näin ollen myös 

toiminnan kannalta. Somehin ja muiden (2019) artikkelissa löydetäänkin merkittävä 

yhteys liiketoiminta-analytiikan hyödyntämisen ja asiakkuudenhallinnan välillä, mutta 

tutkimuksessa korostetaan tähän tarvittavan vahvaa synergiaa ja informaation kulkua 

toimintojen kesken. Heidän tutkimuksessaan selviää, että yritys voi parhaimmillaan 

saada tästä apua sekä liiketoiminnalliselle- että strategiselle puolelle. Tätä voisi lyhyesti 

perustella esim. paremman informaatiomäärän ja sen ymmärtämisen avulla. 

 

 



21 

 

2.4 Liiketoiminta-analytiikan työkaluista tarkemmin 

Erilaiset algoritmit, datan ja informaation louhinta, erilaiset analyysit jne. ovat 

esimerkkejä paljon käytetyistä työkaluista. Seuraavaksi avataan hiukan, mitä nämä 

käsitteet oikeasti ovat ja mihin niiden toiminta perustuu. Koska jokaista työkalua 

(erityisesti algoritmeja) on niin paljon erilaisia, keskitytään avaamaan käsitteitä vähän 

pintapuolisemmin, muutamia esimerkkejä hyödyntäen. Kokonaistutkielman 

päätavoitteiden ja laajuuden takia kaikkia termejä ei voida käydä erikseen läpi, eikä 

esiteltävien termien tietotekniseen puoleen ole myöskään mielekästä syventyä. 

 

Kananen ja Puolitaival (2019, s.112–113) kirjoittavat e-kirjassaan, että on todella paljon 

erilaisia algoritmeja ja ratkaistavan ongelman perusteella pitääkin valita, mitä algoritmia 

kannattaa käyttää. Algoritmia voi pitää tarkkana ohjeena jonkun ongelman 

ratkaisemisessa, jossa yleensä hyödynnetään matemaattisia malleja ja 

tietokoneohjelmia. Yksikään algoritmi ei tekstin mukaan ole kuitenkaan kykeneväinen 

ratkaisemaan kaikkia ongelmia. Kaikkien algoritmien perinpohjainen osaaminen ja 

ymmärtäminen ei ole kuitenkaan tarpeen, mutta pääpiirteiden hahmottamisesta voi olla 

hyötyä. Niiden avulla voidaan ymmärtää mm. tilanteeseen soveltuvin algoritmi ja mihin 

kaikkiin liiketoiminnallisiin kysymyksiin niillä oikeasti voidaan hakea vastauksia. 

 

Kananen ja Puolitaival (2019 s.113–115) avaavat e-kirjassaan lukuisia erilaisia 

algoritmeja, kuten esimerkiksi luokittelu- ja ryhmittelyalgoritmeja. 

Luokittelualgoritmeilla haetaan e-kirjan mukaan vastauksia kyllä/ei-tyyppisiin 

binäärikysymyksiin, jonka lisäksi saadaan informaatiota kategorioista, joihin yksittäiset 

datapisteet kuuluvat. Luokittelussa voidaan antaa johdolle vastauksia esimerkiksi 

kysymykseen, voivatko he olettaa asiakkaan jatkavan asiakassuhdetta tai ostavan 

tuotetta jne. Luokittelun avulla voidaan jakaa asiakkaat myös erilaisiin asiakasryhmiin, 

esimerkiksi riskin perusteella. Luokittelua tehdessä yritykset saavat myös hyvän 

käsityksen yleisimmästä datasta ja voivat näin ollen muodostaa normaalijakauman. 

Tämän avulla on sitten mahdollista tunnistaa normaalijakaumasta poikkeavat havainnot, 

joista voi olla hyötyä, kun etsitään toiminnan kannalta epäsuotuisia asioita. 



22 

 

 

Kananen ja Puolitaival (2019, s.116) kertovat ryhmittelyalgoritmien etsivän suurempia 

samankaltaisuuksien joukkoja ilman ennalta määriteltyjä luokkia. Ryhmittelyalgoritmi 

löytää tekstin mukaan itsenäisesti samankaltaisuuksia eri havainnoista ja muodostaa 

niistä sitten ryhmiä. Ihmisen ei siis itse tarvitse etukäteen tietää, millaisia ryhmiä se etsii 

tai haluaa muodostaa, koska tekoäly kykenee jaottelemaan dataa ilman ohjausta. Siksi 

ryhmittelyalgoritmia käytetäänkin paljon ohjaamattomassa oppimisessa, eli toisin 

sanoen silloin, kun luokkia ei tunneta etukäteen. Liiketoiminnallisesta näkökulmasta 

ryhmittelyä voi hyödyntää siis löytämällä uusia liiketoiminnallisia mahdollisuuksia tai 

vastauksia liiketoiminnan kannalta tärkeisiin kysymyksiin. Mahdollisuuksia voi tulla 

esimerkiksi uusien asiakassegmenttien tunnistamisesta ja vastauksia voi saada esim. eri 

ryhmien ja asiakkaiden rahankäytön eroavaisuuksiin. 

 

Tiedonlouhintaa ja prosessilouhintaa hyödynnetään monessa eri liiketoiminta-

analytiikan vaiheessa kokonaiskuvan hahmottamiseksi. Stockton ja muut (2013, s.1390–

1391) avaavat artikkelissaan tiedonlouhinnan (data mining) käsitettä ja sen toiminnan 

periaatteita. Artikkelissa tiedonlouhintaa kuvataan prosessina, jossa selvitetään 

merkityksellisiä yhteyksiä eri datojen välille suuresta datamassasta. Tiedonlouhinnan 

toiminta perustuu niin ikään algoritmeille, joiden avulla on mahdollista tunnistaa nämä 

riippuvat muuttujat datamassasta. Artikkelissa esitellään muutamia yleisiä 

tiedonlouhinnan luokkia, joista valitaan aina sen hetkiseen tarkoitukseen parhaiten 

sopiva. Seuraavaksi esitellään niistä kaksi semmoista esimerkkiä, jotka nousevat esille 

tutkielman muissakin vaiheissa. 

 

Ensimmäisenä Stockton ja muut (2013, s.1390–1391) mainitsevat artikkelissaan 

regressioanalyysin, joka on hyvin yleisesti käytetty tekniikka, jolla löydetään yhteyksiä 

muuttujien välillä. Tässä tapauksessa kyse on yksittäisen riippuvan muuttujan yhteyden 

löytämisestä yhteen tai useampaan riippumattomaan muuttujaan. Liiketoiminnassa 

riippuvaa muuttujaa voi esittää esimerkiksi tuotteen hinta ja useita riippumattomia 

muuttujia taas hinnan muodostumiseen vaikuttavat eri tekijät. Regressioanalyysejäkin 



23 

 

on erityyppisiä, mutta yleisin niistä on kuitenkin matemaattiseen kaavaan perustuva 

lineaarinen regressioanalyysi. Tämänkin menetelmän pohjaksi muodostuu uusia 

algoritmeja, tällä kertaa koneoppimiseen liittyen, jolla sitten suoritetaan regressiohaku 

eniten vaikuttavien muuttujien löytämiseksi. 

 

Toinen yleinen tiedonlouhinnan väline on Stocktonin ja muiden (2013, s.1391–1392) 

mukaan neuroverkot (artificial neural networks), joita käytetään liiketoiminnassa 

erityisesti kustannusarvioiden tekemisen tukena. Neuroverkot toimivat artikkelin 

mukaan parhaiten silloin, kun on pieni määrä kustannustekijöitä ja riittävän tarkka tieto 

erilaisista kustannusprosessiin vaikuttavista tekijöistä. Artikkelin mukaan neuroverkkoja 

on tehokasta hyödyntää tämän lisäksi myös silloin, kun eri prosessiparametrien välillä on 

selvää epälineaarisuutta (vrt. regressioanalyysi).  

 

Kananen ja Puolitaival (2019) kirjoittavat e-kirjassaan, että neuroverkkojen 

perustoimintaperiaatteiden ymmärtäminen olisi liiketoiminnan kannalta tärkeää ja 

kuvaavat perusmekanismeja seuraavasti: ”Neuroverkot koostuvat peräkkäisistä 

matemaattisista funktioista, jotka kytkeytyvät toisiinsa. Neuroverkon niin sanottu äly on 

yhtä kuin painokertoimien arvo” (Kananen ja Puolitaival, 2019, s.129). Painokertoimet 

kertovat tekstin mukaan vahvuuden, jolla eri tekijät ovat sidoksissa toisiinsa. 

Neuroverkko näin ollen koostuu lukemattomista eri painokertotoimista, joita sitten 

etsitään ja tunnistetaan datasta. 

 



24 

 

3 ESG 

Kestävään kehitykseen liittyvät toimet ja raportointi ovat merkittäviä monestakin eri 

perspektiivistä. Sen lisäksi että aiheen raportoinnista tulee pakollinen yrityksille (lisää 

aiheesta kappaleessa 3.2), on heillä muitakin motivaattoreitta olla aktiivisia kyseistä 

teemaa kohtaan. Ensinnäkin yritysten sisäiset halut reagoida esim. ilmastonmuutosta ja 

epätasa-arvoa vastaan saavat heidät toimimaan.  

 

Suurena ulkoisena tekijänä ovat esim. sidosryhmien ja erityisesti sijoittajien tuoma paine. 

Sijoittajat arvostavat ja toivovat vastuullisia toimia yrityksiltä, joka näkyy heidän 

sijoituspäätöksissään. Rahoitusmaailmassa on ESG-luokituksia yrityksille, jotka 

kuvastavat yritysten tekemien vastuullisten toimien määrää. Nämä ovat monille 

sijoittajille tärkeitä asioita, joten on selvää, että yritykset haluavat näyttäytyä 

houkuttelevana kohteena myös tällä osa-alueella.  

 

 

3.1 ESG:n osa-alueista tarkemmin 

Kuten johdannosta ilmenee, ESG muodostuu sanoista environment, social ja governance. 

ESG:n perusideana on, että nykymaailmassa yrityksiltä toivotaan taloudellisen tuloksen 

lisäksi muitakin hyviä asioita, joita voidaan tarkastella nimenomaan näitä eri mittareita 

hyödyntäen. Yrityksiltä odotetaan enemmän kestävää kehitystä tukevia tekoja, sekä 

vahinkojen minimointia, mitä tulee yhteiskunnallisesti haitallisten toimien seurauksena 

(esim. päästöt). Eri ESG-tekijät voivat vaikuttaa myös sijoittajien päätöksentekoon, joka 

tuo yrityksille lisämotivaatiota panostaa niihin.  

 

Tarkastellaan aluksi, mitä environment eli ympäristö pitää sisällään. Li ja muut (2021, s.2) 

luettelevat ympäristötekijöihin esimerkiksi kasvihuonepäästöt, energiankulutuksen, 

ilmansaasteet, vaikutukset ekosysteemiä ja biodiversiteettiä kohtaan, kierrättämisen, 



25 

 

sekä ympäristöystävällisyyttä edistävät innovaatiot (ks. taulukko 1). Ympäristötekijöiden 

mittaamisen taustalla suurimpana motivaattorina on ilmastonlämpeneminen. 

 

Kuten taulukosta 1 näkyy, social eli sosiaalinen vastuu yrityksillä koskettaa ihmisiä ja 

heidän hyvinvointiaan. Li ja muut (2021, s.2) mainitsevat hyvänä 

yhteiskuntavastuullisena toimintana esimerkiksi lapsityövoiman ja pakkotyövoiman 

nollatoleranssin, työpaikan ja asiakkaiden terveydestä huolehtimisen, 

monimuotoisuuden ja tasa-arvoisen toiminnan, toimitusketjujen vastuullisen hallinnan 

sekä asiakastietosuojasta huolehtimisen. Suurina ajajina tämän aihealueen 

ajankohtaisuudessa ovat kysymykset esimerkiksi tasa-arvosta sekä hyvistä ja 

vastuullisista työoloista. 

 

Viimeinen kirjaimista eli G pohtii yrityksen hyvään hallintotapaan liittyviä kysymyksiä. Lin 

ja muiden (2021, s.2) taulukon perusteella liiketoimintaperiaatteet, läpinäkyvyys, 

vastuullisuus, hallituksen monimuotoisuus, lahjonta ja korruptio sekä 

osakkeenomistajien oikeudet ovat esimerkkejä tämän osan sisältävistä kysymyksistä. 

Hyvä hallintotapa muodostaa jokaisen yrityksen liiketoiminnalle perustan, jolla vältytään 

skandaaleilta ja saadaan pidemmällä aikaikkunalla varmasti hyviä lopputuloksia siten, 

että osakkeenomistajat ja muut sidosryhmät ovat perillä yrityksen toiminnasta.  

 

 

Taulukko 1 ESG yhteenveto, mukaillen (Li ja muut, 2021, s. 2). 



26 

 

3.2 ESG raportoinnin pakollisuus ja standardien sisältö 

Ennen kuin analysoidaan tarkemmin uutta ESG-raportointia täsmentävää direktiiviä, on 

hyvä muistuttaa, että EU-alueella ja Suomessa on muitakin raportointimuotoja, joita 

yritykset ovat jo ehtineet laatia yritysvastuuseen liittyen. Esimerkiksi muun kuin 

taloudellisen tiedon raportointi on ollut käytössä suurimmissa yrityksissä jo pidemmän 

aikaa, joten kaikille yrityksille kestävään kehitykseen liittyvä raportointi ei tule olemaan 

uutta. Uusi direktiivi, jota teksti käsittelee seuraavissa kappaleissa enemmän, tulee 

kuitenkin koskemaan huomattavasti suurempaa joukkoa yrityksiä ja olemaan tarkempi 

vaatimuksiltaan. 

 

Sasfai ja muut kertovat edellä mainitusta CSRD-direktiivistä (Corporate Sustainability 

Reporting Directive) tarkemmin artikkelissaan (2023, s.13–16), josta selviää, että EU on 

hyväksynyt tämän direktiivin vuoden 2023 alussa. Vastuullisuuteen liittyvistä 

raportointivelvollisuuksista tulee pakollista siis suuremmalle joukolle yrityksiä, ja nämä 

raportit koskevat jokaista jäsenvaltiota, sekä yrityksiä, jotka toimivat EU:n alueella. 

Suurten pörssiyritysten on toimitettava muiden taloudellisten kertomusten ohessa 

kestävyysraportti jo vuodesta 2024 (eli raportti ilmestyy käytännössä 2025) eteenpäin, 

jonka jälkeisinä vuosina velvollisuus laajenee kaikkien suurten yritysten vastuulle. 

Tilikaudesta 2026 raportointivelvollisuus tulee koskemaan myös pieniä ja keskisuuria 

yrityksiä (ks. kuvio 3 alempana). Kestävyysraportoinnit tulee tehdä ESRS-standardien 

(European Sustainability Reporting Standards) mukaisesti.  

 

Kuvio 3 Raportointivelvollisuudet yrityksille, mukaillen (EU:n direktiivi 2022/2464) 



27 

 

ESRS-standardit sisältävät Sasfain ja muiden mukaan (2023, s.13–16) yleiset 

raportointiperiaatteet, luettelon pakollisista ilmoitusvaatimuksista liittyen kestävään 

kehitykseen sekä kymmenen ESG-aihetta. Yleiset raportointiperiaatteet sekä yleiset 

ilmoitusvaatimukset (eli ESRS1 ja ESRS2) sisältävät ohjeita ja informaatiota yleisistä 

laadintaperiaatteista, kuten esimerkiksi miten vastuullisuus näkyy yrityksen prosesseissa. 

Nämä ohjeet ja vaatimukset koskevat kaikkia yrityksiä.  

 

Kymmenen raportoinnin pakollisuuteen vaikuttaa olennaisuusperiaate. Yritysten täytyy 

siis tietää itse, mitkä näistä kymmenestä pykälästä ovat heille pakollisia raportoida. 

Mikäli joku standardeista ei olennaisuusperiaatteen perusteella ole pakollinen, sen voi 

yksinkertaisesti sivuuttaa raportoinnissa. Pykälä E1 on tässä ainut poikkeus, jonka 

kohdalla täytyy erikseen selventää, miksi se on epäolennainen. Alla on suomennettu 

taulukko 2 Sasfain ja muiden artikkelista (2023, s.14–15), joka havainnollistaa ESRS-

standardien sisällön ja mitä niissä täytyy raportoida. Artikkelin mukaan ESRS-standardien 

määrä voi mahdollisesti kasvaa entisestään tulevien vuosien aikana.  

 

Taulukko 2 ESRS-standardit mukaillen (Sasfai ja muut, 2023, s.14–15). 

Ympäristö (E) Selite 

E1 Ilmastonmuutos -Tiedonanto ilmastonmuutoksen torjunnasta, ilmastonmuutokseen sopeutumisesta ja 

energiankulutuksesta. 

-Tiedonanto ilmastonmuutoksen torjunnasta liittyvät yrityksen ponnisteluihin rajoittaa 

maailmanlämpötilan nousu 1,5 asteeseen Pariisin sopimuksen mukaisesti. 

E2 Saastuminen -Tiedonanto ilman, veden, maan, elollisen luonnon ja elintarvikkeiden saastumisesta sekä 

huolenaiheena olevien aineiden ja mikromuovien käytöstä. 

E3 Vesi ja meriresurssit -Tiedonanto veden (mukaan lukien pohja- ja pintavesi) kulutuksesta, otosta ja purkautumisesta 

sekä meri-resursseista. 

E4 Biodiversiteetti ja 

ekosysteemit 

-Tiedot koskien asioita kuten biodiversiteetin vähenemisen ajureita, vaikutusta lajeihin sekä 

vaikutuksia ja riippuvuutta ekosysteemeistä. 

E5 Kiertotalous -Tiedot resurssien saannista, poistumisesta, jätteestä, resurssien optimoinnista ja siirtymän 

riskeistä kiertotalouteen. 

Sosiaalinen (S) Selite 

S1 Oma henkilöstö -Tiedot yrityksen omasta henkilöstöstä, mukaan lukien: ammattiyhdistysvapaus, 

työskentelyolosuhteet, tasa-arvoisten mahdollisuuksien saanti ja muut työhön liittyvät oikeudet. 

S2 Arvoketjun työntekijät -Tämä standardi on sisällöltään samankaltainen kuin ESRS S1, mutta edellyttää työntekijöiden 

huomioimista yrityksen arvoketjussa (tai -ketjuissa). 



28 

 

 

 

 

 

 

 

 

 

 

 

S3 Vaikuttavat yhteisöt -Tiedot yrityksen omien toimintojen ja arvoketjun vaikutuksesta, mukaan lukien: sen tuotteet ja 

palvelut, vaikutus alkuperäiskansojen oikeuksiin, kansalaisoikeudet, yhteiskunnalliset oikeudet ja 

taloudelliset oikeudet, mukaan lukien vesi ja sanitaatio, muun muassa. 

S4 Kuluttajat ja 

loppukäyttäjät 

-Tiedot yrityksen tuotteiden ja/tai palveluiden vaikutuksista kuluttajiin ja loppukäyttäjiin, mukaan 

lukien: pääsy laadukkaaseen tietoon, yksityisyys ja lasten suojelu. 

Hallinto (G) Selite 

G1 Liiketoimintakäytännöt Tiedot korruptiota ja lahjontaa vastustavista käytännöistä, kantelijoiden suojelusta, poliittisesta 

lobbaamisesta ja suhteiden hallinnasta toimittajiin (mukaan lukien maksukäytännöt). 



29 

 

4 Analytiikka ja ESG 

Kuten tekstistä aiemmin käy ilmi (ks. kuvio 2), analytiikan käytännön hyödyntämisen 

ensimmäinen vaihe on luonnollisesti datan kerääminen. Tässä vaiheessa pyritään 

saamaan riittävästi dataa, jotta siitä pystytään muodostamaan loogisia johtopäätöksiä, 

jotka voivat auttaa liiketoiminnallisessa päätöksenteossa. Sen lisäksi että dataa pitää olla 

riittävästi, sen täytyy myös koskea relevantteja asioita ja olla luotettavaa. ESG:n kentissä 

data voi olla esimerkiksi päästöihin liittyviä tilastoja, vesikulutukseen liittyvää 

informaatiota tai toimitusketjun työoloihin liittyvää tietoa. Datan keräämiseen liittyvässä 

vaiheessa on olennaista huomioida, että sitä täytyy osata myös säilyttää luotettavasti. 

 

Toinen vaihe analytiikan hyödyntämisessä on, että datasta saadaan muokattua 

informaatiota. Esimerkiksi suuret datamassat vedenkäyttöön ja kulutukseen liittyen 

voivat olla hyvinkin monimutkaisia datamassoja, jotka pitää saada muokattua 

luotettavaksi informaatioksi. Tällä tarkoitetaan, että ne mittaavat oikeasti haluttuja 

asioita ja oikealla tavalla.  

 

Viimeiset vaiheet jo aiemmin opitun perusteella ovat, että seuraavaksi luotettavasta 

informaatiosta pitäisi pystyä analyyttisia menetelmiä hyödyntäen luomaan arvoa. 

Lopuksi johdon pitäisi pystyä saamaan uusia ideoita tai muuta liiketoiminnan kannalta 

hyödyllistä tietoa irti aiheesta. Tässäkin voidaan tuoda ESG:n näkökulmasta 

vedenkulutukseen liittyvä esimerkkiajatus. Jos esimerkiksi informaatio laitetaan datan 

visualisointityökaluja hyödyntäen miellyttävämpään muotoon, voi yrityksen johto tehdä 

sen perusteella liiketoimintaa edistäviä johtopäätöksiä. Mitkä osastot kuluttavat 

suhteellisesti enemmän vettä kuin toiset, ja miten tilannetta voitaisiin parantaa.  

 

 

4.1 Liiketoiminta-analytiikan hyödyntäminen ympäristö osa-alueella (E) 

Tarkastellaan seuraavaksi eri tutkimuksia, jotka liittyvät analytiikan 

hyödyntämismahdollisuuksiin ympäristön näkökulmasta. Mahdollisuuksia läpikäydessä 



30 

 

on hyvä muistaa, että tutkimuskenttä on todella uusi ja tästä syystä osittain myös 

spekulatiivinen. Analytiikan hyödyntäminen ympäristönäkökulmasta kattaa laajasti 

erilaisia teemoja, kuten päästöjen vähentämisen, resurssien tehokkaamman käytön ja 

elinkaariarviointien tehostamisen. 

 

 

4.1.1 Analyyttiset mahdollisuudet ilmansaasteiden hallitsemisessa 

Zhang ja muut (2022, s.1–4) yrittävät tekstissään ymmärtää big datan 

hyödyntämismahdollisuuksia ilmansaasteiden hallinnassa. Vaikka tutkimus onkin tehty 

Kiinassa, EU-alueella toimivat yritykset pystyvät silti hyötymään siinä löydetyistä ideoista. 

Artikkelissa korostetaan, että big data-analytiikan käyttämisen ensimmäisenä 

tavoitteena ESG-sektorilla on se, että kestävään kehitykseen liittyviä ratkaisuja 

pystyttäisin tekemään tiedon eikä arvailujen pohjalta. Vaikka big data-analytiikan 

hyödyntäminen onkin varsin uusi konsepti kestävän kehityksen parissa, nähdään siinä 

suurta potentiaalia ja tutkijoita ympäri maailman ovat alkaneet kehitellä siihen liittyviä 

työkaluja. Huomionarvoista on, että artikkelissa kehitetty järjestelmä on vaatinut suuria 

analyyttisia ja taloudellisia panostuksia esimerkiksi IT:hen. Tässä projektissa 

viranomaistuki on ollut huomattava, koska Kiinassa ilmanlaatu on niin merkittävä 

ongelma ja valtio haluaakin tehdä asialle jotain.  

 

Zhangin ja muiden (2022, s. 5–12) artikkelissa big datan hyödyntäminen tapahtuu 

kolmessa vaiheessa. Ensimmäisessä kerätään ilmanlaatua tutkivaa dataa eri pisteiltä, ja 

tämä vaihe onkin verrattavissa kuvailevaan analytiikkaan. Datan kerääminen tapahtuu 

pisteillä olevien saastemittareiden avulla. Lopputuloksena saadaan reaaliaikaista dataa 

ilmanlaadusta.  

 

Zhangin ja muiden (2022, s. 5–12) artikkelin tutkimuksen vaiheessa kaksi yritetään saada 

datasta jo todellisia hyötyjä irti, kun kehitetään ilmansaastuttamisen hallintaa auttava 

järjestelmä. Ideana on, että datat yhdistyvät järjestelmään, joka pystyy informaation 

pohjilta tuottamaan ennustuksia (ennustava analytiikka) ilmanlaadun suhteen. 



31 

 

Ennustuksien parantamiseksi järjestelmä hyödyntää muutakin dataa (esim. 

meteorologiasta eli säätiedoista).  

 

Viimeinen vaihe on Zhangin ja muiden (2022, s.5–12) mukaan yhdistettävissä 

ohjailevaan analytiikkaan. Hyödyntämällä saatuja tietoja ja koneoppimista, järjestelmä 

kykenee tunnistamaan ilmansaasteiden leviämisen lähteitä, sekä kehittämään 

kehitysehdotuksia sen hallintaa varten. Tutkimuksen lopussa korostetaan, että tämän 

kokoluokan projektit eivät ole toteutettavissa ilman merkittävää analyyttistä osaamista 

ja IT-järjestelmän omistamista. Artikkelissa korostetaan myös suurta tarvetta 

jatkotutkimuksille, jotta pystyttäisiin paremmin ymmärtämään, miten big data- 

analytiikkaa kannattaisi lähteä kehittämään osaksi kestävää kehitystä.  

 

 

4.1.2 Tuotteiden valmistukseen liittyvät analyyttiset mahdollisuudet 

Relichin (2023, s. 1–3) artikkelin mukaan entistä suurempi joukko tuotteiden valmistajia 

etsivät parantamismahdollisuuksia valmistusprosessin ja lopputuotteiden 

ympäristöystävällisyyteen liittyen.  Artikkelissa tutkitaan, kuinka ennustavan ja 

ohjailevan analytiikan avulla edellä mainittuja asioita pystytään kehittämään. Sen lisäksi 

että yritykset saavuttavat paremman imagon, voi tällä työllä olla myös positiivisia 

taloudellisia vaikutuksia, esimerkiksi energian säästämisen myötä. Kehityksen tärkein 

lähtökohta on tuotesuunnittelu, jossa pyritään tekemään ympäristöystävällinen 

lopputuote. Tällä pystytään vaikuttamaan myös tuotteen elinkaaren muiden vaiheiden 

ympäristöystävällisyyteen.  

 

Relichin (2023, s. 2–7) artikkelin perusteella ennustavan ja ohjailevan analytiikan avulla 

voidaan auttaa tutkimus ja tuotekehityksen asiantuntijoita esimerkiksi laadun 

parantamisessa, materiaalien ja energian käytön vähentämisessä sekä tehokkaamman 

työvoiman hyödyntämisessä. Analyyttisia menetelmiä voidaan hyödyntää 

tuotekehityksessä mm. ennustamalla ja määrittelemällä tuotteen ja valmistuksen 

kestävyyttä. Ennustamiseen voidaan käyttää parametrisia mallinnuksia, 



32 

 

regressioanalyysiä ja tekoälyyn liittyviä tekniikoita, kuten koneoppimista. Esimerkiksi 

rajoitusehdoilla optimointia (constraint satisfaction) hyödyntäen, voidaan tunnistaa 

mahdollisia muutoksia tuotteen valmistamiseen liittyen, joilla on potentiaalia parantaa 

ympäristöystävällisyyttä. Analyyttisten menetelmien avulla nämä esiin nousevat 

muutokset auttavat tuotteen parissa suunnittelevia henkilöitä kehittämään uusia 

parannusehdotuksia. 

 

Relichin (2023, s. 10–12) artikkelista selviää kuitenkin se, että mitä syvemmälle 

ohjailevan analytiikan maailman mennään ratkaisujen hakemisessa, sitä suuremmaksi 

nousee riski siitä, ettei ihmisillä riitä enää kyvyt tulkita tekoälyn avulla saatuja tuloksia. 

Myös tämän artikkelin lopussa korostetaan tutkimuskentän uutuutta ja sitä, kuinka 

jatkotutkimuksille on tarvetta lisäinformaation saamiseksi.  

 

 

4.1.3 Pienempien yritysten mahdollisuudet hyödyntää analytiikkaa 

Aiemmat esimerkit ovat koskeneet lähinnä suuria yrityksiä, koska niiden toteuttaminen 

vaatii huomattavia resursseja. Järvenpää (2022) tutkii väitöskirjassaan, millaisia 

mahdollisuuksia kiertotaloudessa toimivilla pienillä ja keskisuurilla yrityksillä on 

hyödyntää dataa päätöksenteossaan, sekä millaisia haasteita nämä yritykset voivat 

kohdata. Tekstin mukaan kiertotalouden pk-yritykset ymmärtävät toimivansa nopeasti 

muuttuvassa toimintaympäristössä, joka vaatii jatkuvaa ennakointikykyä. Syitä tälle ovat 

mm. muuttuva lainsäädäntö, kasvavat ympäristövaatimukset sekä sidosryhmien 

nousevat odotukset digitaalisia palveluita kohtaan. Näiden pienien ja keskisuurien 

yritysten tulevaisuusnäkymien kannalta onkin olennaista, että he pystyvät yhdistämään 

ympäristöystävälliset toimet kannattavan liiketoiminnan kanssa. 

 

Järvenpään (2022) tutkimuksen empiirinen aineisto osoittaa, että liiketoiminnan 

tuottama data, joka pääosin juontaa juurensa yritysten sisäisistä prosesseista, on 

kiertotalouden pk-yrityksissä käytetyin datatyyppi. Näin ollen ulkoinen data on kasvava 

arvo yrityksille, mukaan lukien tieto kilpailijoista ja materiaalivirroista. Tällä hetkellä 



33 

 

tutkittavissa pk-yrityksissä hyödynnetään lähinnä kuvailevaa analytiikkaa, ja syy tähän 

voi olla esim. yritysten konservatiivisuus teknologiaa kohtaan. Ne yritykset, jotka 

käyttävät ennustavaa analytiikkaa, ymmärtävät selvästi datan arvon strategisessa 

suunnittelussaan, mutta tutkimuksen perusteella ennustavan analytiikan 

tehokkaammassa käytössä on pääsääntöisesti vielä kehitystarvetta. 

 

Suurimpina ongelmina Järvenpään (2022) tutkimuksen pk-yrityksien datan käytössä 

olivat erilaiset tietojärjestelmät, haasteet datan käsittelyssä ja manuaalinen datan 

syöttäminen. Case-yritykset mainitsivat resurssipulan, kuten ajan ja työkalujen puutteen, 

jotta datasta olisi saatu maksimoitua liiketoimintaa edistävää informaatiota. Puutteita oli 

myös kyvykkyyksissä, kuten vaaditussa asiantuntemuksessa analytiikan hyödyntämiseksi. 

Useimmat tapausyritykset käyttävät tällä hetkellä tietojärjestelmää, joka ei riitä 

löytämään ja visualisoimaan relevanttia tietoa. Koska säädökset ja lainsäädäntö 

määrittävät, mitä yritykset voivat ja niiden on tehtävä, kiertotalouden pk-yritykset voivat 

monissa tapauksissa nähdä olevansa enemmän lainsäädännöllisesti ohjattuja kuin 

omista aloitteistaan aktiivisia datan hyödyntämisessä.  

 

Järvenpään artikkelissa (2022) tehtiin oppilaitosten ja yritysten välistä yhteistyötä, jossa 

oppilaita meni yritysten sisälle työskentelemään analytiikan parissa. Tulokset osoittavat, 

että tästä lisääntyneestä tietotaidosta ja ymmärryksestä on kuitenkin hyötyä yrityksille. 

Vaikka pk-yrityksillä ei siis olisi samanlaisia resursseja kuin suurilla yrityksillä, ei se 

tarkoita, etteivätkö he voisi hyötyä analytiikasta. Artikkelissa yhdeksi suureksi syyksi 

nostetaankin se, että yrityksissä ei yksinkertaisesti osata vain hyödyntää analytiikkaa 

oikein päätöksenteossa. Monet analyyttiset menetelmät eivät kuitenkaan ole 

mahdottoman kalliita (esim. Power BI), jotka yhdessä lisäymmärryksen kanssa voivat 

parantaa operatiivista tehokkuutta, kiertotaloutta sekä toimitusketjujen hallintaan 

liittyvää ymmärrystä hyvinkin merkittävästi.  

 

 

 



34 

 

 

4.2 Analyyttiset mahdollisuudet sosiaalisella vastuualueella (S) 

Liiketoiminta-analytiikan hyödyntäminen sosiaalisella vastuualueella kattaa puolestaan 

muun muassa työntekijöiden hyvinvointiin, yhteisöjen huomiointiin sekä tasa-arvoon 

liittyvät kentät. Käydään seuraavissa kappaleissa läpi monipuolisesti erilaisia tapauksia, 

kuinka liiketoiminta-analytiikalla voidaan tehostaa näitä toimintoja. Lyhyesti voidaan 

todeta, että sosiaalisen vastuualueen keskiössä on luonnon ja ympäristön sijasta ihmiset 

sekä heidän hyvinvointinsa. 

 

 

4.2.1 Analytiikka työolojen ja -turvallisuuden kehittäjänä 

Työtapaturmilla ja riskitilanteilla on suuri vaikutus sekä työntekijöiden viihtyvyyteen että 

työmoraaliin. Myös muut taloudelliset vaikutukset yrityksille ovat mittavia, kun 

loukkaantumisten takia menetetään työntekijöitä sairaslomille. Ezerins ja muut (2022, s. 

1–3) kirjoittavat artikkelissaan, että suuret datamäärät ja analytiikka ovat osoittaneet 

lupaavia tuloksia turvallisuusongelmien ennustamisessa ja ehkäisevien toimenpiteiden 

tunnistamisessa, jotka on suunnattu tiettyihin riskimuuttujiin. Turvallisuusalalla ollaan 

kuitenkin jäljessä suurten tietomäärien hyödyntämisessä erilaisten esteiden vuoksi, 

kuten tietovarastojen valmiuden puute (esim. hajanaiset tietokannat ja puuttuvat tiedot) 

sekä henkilöstön osaamispula. 

 

Ezerins ja muut (2022, s. 5–9) kehittivät artikkelissaan data-analytiikka viitekehyksen (ks. 

kuvio 4 alempana), joka havainnollistaa tarkemmin, miten turvallisuus analytiikan 

hyödyntäminen oikeasti tapahtuu. Tämän tutkielman laajuuden takia siihen ei voida 

syventyä perinpohjaisesti, mutta käydään viitekehys tällä kertaa kuitenkin lyhyesti läpi, 

jotta saadaan havainnollistettua muun kuin taloudellisen datan tuottamisprosesseja. 

Ensimmäinen vaihe on datan kerääminen, jota saadaan esim. kuvista, tilanneraporteista 

ja tarkistustoimenpiteistä. Mahdollisena heikkoutena tässä vaiheessa on se, että monien 

organisaatioiden turvallisuusmittausarkistot ovat kuitenkin luotu muihin tarkoituksiin 



35 

 

kuin analytiikan suorittamiseen, mikä voi vaikuttaa tiedon laatuun ja 

analytiikkaprosessiin. Myös laadun luotettavuus voi aiheuttaa ongelmallisuutta, koska 

monet mittarit perustuvat työntekijöiden raportointiin, mikä on helposti epätarkkaa 

yksilöiden välillä. 

 

 

Kuvio 4 Analytiikka työturvallisuudessa, mukaillen (Ezerins ja muut, 2022, s.6). 

 

Ezerinsin ja muiden (2022, s. 5–9) mukaan vaihe kaksi on pohja datan analysoinnille. 

Siinä datasta muodostuu tietokanta, johon kerääntyy dataa oikeassa muodossa. Tällä 

tarkoitetaan, että ensimmäisestä vaiheesta tulevasta datasta saadaan yhdisteltyä eri 

muuttujia järkeväksi informaatioksi (esim. VLOOKUP), siten että nämä tapahtuvat 

mahdollisimman automaattisesti. Tämän vaiheen toteuttamiseen yritys tarvitsee IT-

osaamista, jotta raakadatasta saadaan muodostettua järkeviä mittareita, jonka lisäksi 

informaatiota tulisi tallentaa järkevässä muodossa. Oleellista tämän vaiheen 

toimimisessa on, että organisaation sisällä on jatkuva raportointi läheltä piti -tilanteista 

sekä pienistäkin tapaturmista.  

 

Viimeinen vaihe Ezerinsin ja muiden (2022, s.5–9) mallissa on analyyttisten menetelmien 

kehittäminen. Tässä yritykset voivat tarpeidensa mukaan käyttää oikeastaan mitä vaan 

analytiikan osa-aluetta, esim. kuvailevaa analytiikkaa havainnollistamaan menneitä 

tapaturmia. Vastaavasti ennustavan tai ohjailevan analytiikan avulla tietokannoista 

voidaan muodostaa ennustuksia tulevasta ja ymmärtää, mitä ja miten joitain asioita 

kannattaisi tehdä toisin.  

 

Tämänkin Ezerinsin ja muiden (2022, s. 9–10) viitekehyksen rajoitteisiin liittyy aiemmin 

mainittujen ongelmien lisäksi jälleen kerran taloudelliset panostukset ja ajankäyttö, joita 

se valitettavasti vaatii. Kirjoittajat kuitenkin sanovat, että muutkin kuin suuret yritykset 



36 

 

voivat hyödyntää heidän ideaansa, joskin pienentämällä sen laajuutta. Artikkelissa 

korostetaan myös sitä, että työsuojelu ja -terveydessä on vasta alettu tutkimaan 

edistyneitä analytiikkatekniikoita ja menetelmiä, kuten koneoppimista, joten tälläkin 

alalla informaatioon sisältyy vielä epävarmuutta. Tämä ehdotettu kehys antaa kuitenkin 

johtajille ja turvallisuusalan ammattilaisille yleiskuvan turvallisuusanalytiikasta ja niistä 

osa-alueista, jotka edistävät tätä kyvykkyyttä. Kehys mahdollistaa organisaatioiden 

vahvuuksien ja heikkouksien tunnistamisen nykyisissä datanhallintajärjestelmissään, 

auttaen näin organisaatioita kohdentamaan resurssejaan alueille, joita parantamalla on 

suurin vaikutus. 

  

 

4.2.2 Analytiikka vastuullisemman arvoketjun luomisessa 

Mageto (2021, s. 1–2) selvittää artikkelissaan, kuinka big data-analytiikkaa pystytään 

hyödyntämään toimitusketjun vastuullisuuden kehittämisessä. Ensimmäisenä 

merkittävänä mahdollisuutena artikkelista nousee esiin läpinäkyvyyden kasvu. Big data-

analytiikan avulla voidaan seurata ja tallentaa tietoja koko toimitusketjusta, kuten 

tuotantoprosesseista, kuljetuksista ja varastoinnista. Näin kaikki toimitusketjun 

osapuolet voivat nähdä ja arvioida toistensa suorituskykyä reaaliaikaisesti, edistäen 

avoimuutta ja vastuullisuutta. Tämä kehittynyt toimitusketjun läpinäkyvyys ja 

osapuolten avoimuus auttavat epäeettisen toiminnan karsimisessa sekä johtoa 

vastuullisempien päätösten tekemisessä. 

 

Mageto (2021, s. 14–20) kirjoittaa, että big data analytiikalla saatu lisäinformaation 

määrä auttaa raportoinnissa ja viestinnässä. Yritys pystyy esimerkiksi antamaan 

täsmällisempää informaatiota toimitusketjunsa ympäristöllisistä ja sosiaalisista 

vaikutuksista sen sidosryhmille. Lisäinformaation kasvaessa on oleellista, että sitä 

säilytetään oikein ja varmistetaan tietosuojan olevan vaaditulla tasolla. Artikkelin 

mukaan big data-analytiikkaa voidaan hyödyntää myös lisäinformaation saamiseksi 

toimitusketjujen datan suojauksesta ja varmistaa, että toimitusketjuun osallistuvat 

noudattavat tietosuoja säädöksiä. 



37 

 

 

Riskienhallinta ei rajoitu pelkästään epäeettiseen toimintaan tai tietosuojaan, koska 

Mageton (2021, s. 14–20) mukaan informaatiolla voidaan tunnistaa myös muita asioita. 

Näitä ovat esim. työntekijöiden huonot työolosuhteet tai tuotantokatkokset. Tämä voi 

tapahtua esimerkiksi siten, että analyyttisillä menetelmillä voidaan analysoida 

historiallisia tietoja ja tunnistaa malleja, jotka ennakoivat riskejä, kuten toimitushäiriöitä 

tai raaka-ainepulia. Tämä mahdollistaa nopean reagoinnin ja pahimpien ongelmien 

välttämisen.  

 

Vaikka analytiikan käytön vaikutukset toimitusketjuun tuntuvat Mageton (2021, s. 18–

20) tekstin mukaan olevan pääsääntöisesti positiiviset, sisältyy siihen tiettyjä rajoitteita. 

Kuten useassa toisessakin esimerkissä, haasteina mainitaan ymmärtämättömyys, 

sopivan datan tunnistamisen vaikeus ja rajoitetut tekniset valmiudet organisaatioiden 

sisällä. Myös johdon tuki on välttämätön, jotta pystytään hyödyntämään big data- 

analytiikan parasta potentiaalia läpi toimitusketjun. Johdon lisäksi koko toimitusketjun 

täytyy tehdä tiivistä yhteistyötä ja sitoutua analytiikan käyttöön, jotta dataan voidaan 

oikeasti luottaa ja se pysyy reaaliaikaisena. Datan tietoturvaa ei voi myöskään korostaa 

riittävästi, koska heikko järjestelmäturva voi johtaa epäeettiseen datan käyttöön ja 

lisääntyneeseen epävarmuuteen sidosryhmien kesken.  

 

 

4.2.3 Analytiikka työsuhde-etujen optimoinnissa 

Työsuhde-etuuksien tarjoamisesta on muodostunut jo hyvin yleinen käytäntö 

yritysmaailmassa, kun valtaosa työnantajista tarjoaa työterveyspalveluita, lounasetuja 

yms. Ranta ja Ylinen (2023) tutkivat artikkelissaan, miten työsuhde-etuudet vaikuttavat 

työntekijöihin. Huomionarvoista on, että tämä tutkimus suoritettiin Yhdysvalloissa, joten 

esim. työterveydenhuollon arvostuksen voidaan olettaa olevan korkeammalla tasolla 

kuin Suomessa. Keskitytään nyt kuitenkin enemmän siihen, miten yrityksillä on 

tämänkaltaisillakin osa-alueilla mahdollisuuksia tehdä optimoidumpia päätöksiä. 



38 

 

Ranta ja Ylinen (2023, s.3–6) suorittivat tutkimuksensa siten, että he keräsivät 

työntekijöiden antamia arvosanoja työnantajastaan sekä työolosuhteistaan Kununu -

nimiseltä nettisivulta. Tutkimus kohdistettiin S&P 1500 yrityksiin tehtyihin arvosteluihin 

(vähintään 20-arvostelua vuodessa per yritys). Tämän jälkeen yrityksiin yhdistettiin 

niiden taloudelliset luvut. Itse tutkimus suoritettiin tekoälyä ja koneoppimista 

hyödyntäen. Tutkimuksessa käytettiin SHAP-menetelmää, jolla pystyttiin parhaiten 

tulkitsemaan, miten erilaiset työsuhde-edut vaikuttavat yrityksen suorituskykyyn. SHAP 

käyttää peliteoreettisia Shapley-arvoja arvioimaan ominaisuuksien paikallista tärkeyttä 

ja on yksi johdonmukaisimmista menetelmistä selittämään muuttujien paikallista 

tärkeyttä koneoppimismallissa. Tutkimuksessa käytettiin myös mm. gradienttitehostusta, 

mutta tämän pro gradu -tutkielman laajuuden takia kaikkiin tietoteknisiin aspekteihin ei 

ole mielekästä syventyä.  

 

Tämän tutkimuksen avulla voidaan kuitenkin todeta, että johdon laskentatoimen 

kannattaa hyödyntää päätöksenteossa eriäviä datalähteitä, sekä työkaluja kuten 

koneoppimista. Jopa työsuhde-etuuksien valitsemisessa voidaan pyrkiä optimoidumpiin 

päätöksiin ja sitä kautta parantamaan henkilöstön viihtyvyyttä. Rannan ja Ylisen (2023, 

s.11) artikkelista selviääkin, että hyvällä työntekijöiden kohtelulla vaikuttaisi olevan 

positiivinen yhteys myös heidän tehokkuuteensa. 

 

 

4.3 Analyyttiset mahdollisuudet hallinnollisella vastuualueella (G) 

Analytiikan hyödyntäminen hallinnollisen vastuualueen näkökulmasta keskittyy 

esimerkiksi läpinäkyvyyteen ja eettisen johtamisen vahvistamiseen. Yrityshallinnon 

merkitys on suuri erityisesti silloin, kun organisaatiot kohtaavat erilaisia ongelmia tai 

kriisejä, jolloin todella mitataan niiden kykyä suojella osakkaiden sijoituksia sekä 

vastaamaan kaikkiin eri ESG-vaatimuksiin. Yrityshallinnon tehokkuutta voi heikentää 

monet eri tekijät, joihin lukeutuu mm. heikot riskienhallintataidot sekä yritysjohdon 

ymmärryksen puute eri prosesseista. 



39 

 

4.3.1 Analytiikka tehokkaamman yrityshallinnon luonnissa 

Ierschova ja muut (2022, s. 73–74) tutkivat artikkelissaan, miten heidän liiketoiminta-

analytiikka alustansa avulla voidaan tehostaa yrityshallintoa. Tämän selvittämiseksi 

verrattiin teoreettista ajattelua empiirisiin testausmenetelmiin. Tutkimus toteutettiin 

tutkimalla kyselyitä, asiantuntijapalautteita ja taksonomiaa. Heidän kehittämä 

liiketoiminta-analytiikkajärjestelmä toimii apuvälineenä tehokkaan yrityshallinnon 

luomisessa, ja sen tietokantana toimii esim. sisäiset raportit, ulkoisten ja sisäisten 

ympäristötekijöiden väliset muuttujat, sekä data sisäisestä tarkastusjärjestelmästä. 

 

Ierschovan ja muiden (2022, s. 76–83) kehittämän järjestelmän avulla pystytään 

arvioimaan paremmin eri sidosryhmien toiveita ja intressejä siitä saadun lisädatan 

perusteella. Liiketoiminta-analytiikan avulla saatua lisäinformaatiota pystytään tässä 

tapauksessa hyödyntämään myös ennustusten tekemisessä, jos halutaan selvittää, 

miten organisaation sisällä tullaan suhtautumaan erilaisiin muutoksiin. Lyhyesti 

sanottuna, artikkelin liiketoiminta-analytiikka alusta auttaa siis johtoa ymmärtämään 

paremmin muutosvastarinnan voimakkuutta organisaation sisällä eri muutoksiin, ja näin 

ollen paremmin myös hahmottamaan, kuinka muutosvastarintaa voidaan vähentää 

kehittämällä yrityskulttuuria.  

 

Vaikka tekstissä ei suoranaisesti mainittu heikkouksia ja rajoitteita analytiikan 

hyödyntämisessä, voidaan mahdollisiin ongelmakohtiin listata esimerkiksi vastarinnan 

määrittämisen monimutkaisuus. Henkilöstön vastarinnalle voi olla vaikea luoda 

yksiselitteisiä mittareita, joka heikentää liiketoiminta-analyyttisten menetelmien 

tarkkuutta. Myös psykologisia syitä muutosvastarintaan voi samantapaisesti olla vaikea 

määritellä. Artikkelin tarkemmat kuvaukset siitä, millaisia käytetyt analyyttiset työkalut 

ovat, eivät myöskään olleet tarkkoja. Tässä kappaleessa mainitut seikat vain korostavat 

sitä tosiasiaa, kuinka uudella tutkimuskentällä ollaan, sekä miten paljon 

spekulatiivisuutta ja tilaa uusille tutkimuksille siihen sisältyy.  

 

 



40 

 

4.3.2 Analytiikka sidosryhmävuorovaikutuksen vahvistamisessa 

Shafiqin ja muiden (2020, s. 1–3) mukaan, analyyttisten kyvykkyyksien mahdollisuutta 

kehittää yritysten operatiivista tehokkuutta on tutkittu paljon, mutta heidän 

artikkelissaan suoritettava tutkimus sidosryhmien tehokkaammasta osallistamisesta on 

aiheena uusi. Tutkimus selvittää, kuinka toimitusketjujen parantunut ja aktiivisempi 

analytiikan käyttö parantaa paitsi läpinäkyvyyttä mutta myös työntekijöiden eettistä 

käyttäytymistä. Näiden lisäksi artikkelista selviää, luoko kehittyvä teknologia paremmat 

mahdollisuudet tehokkaampaan viestintään eri sidosryhmien välillä.  

 

Shafiqin ja muiden (2020, s. 5–10) tutkimus suoritettiin tutkimalla dataa 254 eri 

yhdysvaltalaisesta valmistusyrityksestä. Tutkimuksen tuloksista voidaan päätellä, että 

vahvemman toimitusketjuanalytiikan omaavilla yrityksillä on positiivinen vaikutus 

työntekijöiden eettiseen käyttäytymiseen. Syinä tähän voi olla sidosryhmien ja 

asiakkaiden luoma sosiaalisen vastuun paine, jota halutaan noudattaa tarkemmin 

toimitusketjun läpinäkyvyyden takia. Myös vaikutusmahdollisuudet kasvavat eri 

sidosryhmien kesken, koska artikkelin perusteella esim. lisääntyvä asiakaspaine tiettyjä 

asioita kuten sosiaalista vastuuta kohtaan johtaa myös kyseisten aiheiden 

vahvistumiseen toimitusketjuissa. 

 

Vaikka tämä pro gradu -tutkielma lähtökohtaisesti pohtii maantieteellisesti EU-alueen 

yritysten analyyttisia mahdollisuuksia, ei tutkimuksen tekeminen Yhdysvalloissa poista 

eurooppalaisten yritysten mahdollisuutta hyödyntää siitä saatua informaatiota. Sen 

sijaan, kun mietitään muita ongelmia analytiikan hyödyntämiseen liittyen edellä 

mainittuun tutkimukseen, Shafiq ja muut (2020, s. 10) mainitsevat sen, että pienemmät 

yritykset eivät pysty hyödyntämään tämänkään tutkimuksen dataa, koska se kohdistui 

ainoastaan suuriin yrityksiin. Tämän lisäksi tutkimustulosten hyödyntäminen esim. 

palvelualojen yrityksissä voi aiheuttaa rajoitteita.  

 



41 

 

5 Tutkimuksen aineisto ja menetelmät 

Tämä luku esittelee tutkielmassa käytetyt tutkimus- ja aineistonkeruumenetelmät. 

Lisäksi luvussa käydään läpi haastateltavien ja heidän organisaatioidensa taustatiedot, 

joka on olennaista heidän vastauksien ymmärtämiseksi. Lopuksi pohditaan vielä 

tutkimuksen luotettavuuteen vaikuttavia tekijöitä. Arvioimalla kriittisesti tutkimuksessa 

valittuja lähestymistapoja ja niiden vaikutuksia, luku viisi tulee antamaan lukijalle 

kokonaisvaltaisen käsityksen tutkimuksen metodologiasta. 

 

 

5.1 Lähtökohdat tutkimukseen ja tutkimusmenetelmän esittely 

Koska yritämme ymmärtää ilmiötä, josta on vaikea kerätä yksiselitteistä tilastollista dataa, 

suoritetaan tämä tutkimus laadullisella tutkimusmenetelmällä. Tämä on paras 

vaihtoehto, koska voimme tutkia analytiikan käyttöön liittyviä kokemuksia sekä 

mielipiteitä ilman, että rajaamme työntekijöiden vastausvaihtoehtoja mitenkään. 

Laadullinen tutkimus antaa siis huomattavasti paremmat lähtökohdat analytiikan ja 

ESG:n väliseen syvällisempään analysointiin, kuin määrällinen tutkimus. 

 

Jackson ja muut (2007, s. 21–23) kuvailevat artikkelissaan, että laadullisen tutkimuksen 

lähtökohtana yritetään ymmärtää ihmisten kokemuksia ja ajatuksia, eikä niinkään 

numeroita tai tilastoja. Tämän lisäksi laadulliselle tutkimukselle on ominaista se, että 

data kerätään pienemmästä otoksesta, johon panostetaan enemmän. Kyseinen keino 

sopii tähän tutkielmaan, koska haastatteluista halutaan saada perusteellista tietoa, jolla 

pystytään etsimään vastauksia vaikeisiin tutkimuskysymyksiin. 

 

Vilkan (2005/2021, luku 5., Tutki ja kehitä) e-kirjan perusteella laadulliselle tutkimukselle 

on ominaista se, että tutkimuksen tulokset ovat tutkijan itse muodostamia havaintoja ja 

tulkintoja tutkittavista kohteista. Tutkittavien kokemukset, jotka tämän tutkielman 

tapauksessa tarkoittaa haastatteluissa käytyjä keskusteluja, tuskin tulevat täydellisesti 

ymmärretyksi tutkijan puolelta. Jotta tulkintaongelmista muodostuvien erojen riski 



42 

 

voitaisiin minimoida, suositellaan e-kirjassa tarkentavien miksi -kysymysten käyttöä. 

Niitä tullaankin hyödyntämään haastatteluissa syvemmän ymmärryksen saamiseksi.  

 

Toinen keskeinen huomio, joka nousee esille Vilkan (2005/2021, luku 5., Tutki ja kehitä) 

e-kirjassa liittyen laadullisiin tutkimuksiin, on kontekstin huomioimiseen liittyvät 

yksityiskohdat. Sosiaaliset ja kulttuuriset seikat voivat tässä tapauksessa esiintyä 

ajatusmalleina siitä, miten hyödyllinen analytiikka on kunkin yrityksen sisällä. Tämä 

tarkoittaa, että yrityksissä, joissa johto näkee ESG:n ja analytiikan positiivisena asiana ja 

panostaa niihin, haastateltavien vastaukset saattavat olla positiivisempia kuin heidän 

todelliset tuntemuksensa. Haastatteluissa halutaan kuitenkin saada selville myös 

haastateltavien omia rehellisiä näkemyksiä, eikä pelkästään yrityksen johdon. E-kirja 

korostaa myös intention huomioonottamista, jolla tarkoitetaan mahdollisuutta sille, että 

haastateltavat yrittäisivät jotenkin kaunistella, peitellä tai muunnella totuutta. 

Kohderyhmän kanssa suoritettujen viestien ja keskustelujen perusteella riski tähän on 

tutkimuksessa äärimmäisen pieni.   

 

 

5.2 Aineiston hankinta 

Laadullisen tutkimuksen toteuttamiseen on monia eri tapoja, kuten esimerkiksi 

sisällönanalyysi tai osallistuva havainnointi. Yleisin on kuitenkin haastattelu, joka on 

valittu tässäkin tutkielmassa. Vilkka (2005/2021, luku 5., Tutki ja kehitä) kirjoittaa, että 

erilaisiin haastattelumuotoihin lukeutuu lomakehaastattelu, avoin haastattelu sekä 

teemahaastattelu. Tämän pro gradu -tutkielman laadullinen tutkimus tullaan 

suorittamaan teemahaastattelulla, koska se tukee parhaiten tutkimuksen tavoitteita. 

Teemahaastattelun alustava kysymyspohja löytyy tutkielman lopusta (ks. liite 1), vaikka 

haastatteluissa onkin tilanteen mukaan muokattu kysymysten kulkua keskustelun 

sujuvuuden takia, sekä kyselty ylimääräisiä kysymyksiä. 

 

Teemahaastattelu tunnetaan Vilkan (2005/2021, luku 5., Tutki ja kehitä) mukaan myös 

puolistrukturoituna haastatteluna, joka sopii tähän tutkielmaan parhaiten sen 



43 

 

joustavuuden takia. Teemahaastattelua lähdetään rakentamaan tiettyjen aihealueiden 

pohjalta, joita täytyy käsitellä tutkimuskysymysten ratkaisemiseksi. Tässä tekstissä aiheet 

ovat tietenkin liiketoiminta-analytiikka, ESG, sekä näiden välinen yhteys. Vilkan mukaan 

järjestyksellä ei ole niinkään väliä, vaan tärkeintä on, että kaikki aiheet käsitellään 

riittävän kattavasti. Näissä haastatteluissa on kuitenkin käytetty selkeyden vuoksi edellä 

mainittua järjestystä, joka on sama kuin tutkielman teoriaosassa. Lomakehaastattelu ei 

toimi tämän tekstin tutkimusosiossa, koska se rajaa liikaa vastaajien mielipiteiden ja 

käsitysten kuvaamista tässä todella uudessa aiheessa, johon saadaan varmasti hyvin 

erilaisia vastauksia. Avoin haastattelu olisi päinvastaisesti aiheuttanut turhan laajan 

vastaamismahdollisuuden, jonka lisäksi se olisi ollut myös haastateltavan näkökulmasta 

vaikea tapa, koska heidän olisi pitänyt pystyä viemään keskustelua eteenpäin haastavan 

aiheen parissa. 

 

Vilkka (2005/2021, luku 5., Tutki ja kehitä) kirjoittaa, että teemahaastattelun kuuluu olla 

emansipatorinen, joka tarkoittaa sitä, että myös haastateltavan pitäisi saada 

lisäymmärrystä asiasta. Jotta tämä tapahtuisi tässä tutkimuksessa, kerrotaan 

haastateltaville esimerkkejä ja havaintoja tässä tutkielmassa tehdyistä löydöksistä, jotka 

ehkä auttavat myös haastateltavia ymmärtämään aihetta paremmin. Emansipatorisuus 

haastatteluissa on tärkeää, koska se lisää myös haastateltavan motivaatiota heidän 

tuntiessaan kasvavaa tietämystä aihetta kohtaan. Teemahaastattelun muotona voi olla 

ryhmä- tai yksilöhaastattelu, joista jälkimmäinen tullaan suorittamaan tässä 

tutkimuksessa.  

 

Tämän tutkimuksen puolistrukturoidussa haastattelussa on vältetty kysymyksiä, joihin 

voi antaa kyllä/ei -tyylisen vastauksen. Vilkan (2005/2021, luku 5., Tutki ja kehitä) 

mukaan näitä ei suositella, koska ne eivät kasvata kummankaan osapuolen tietämystä 

aihetta kohtaan, tai vie keskustelua eteenpäin. Vilkka kannustaa myös tarkentavien 

kysymysten käyttöä ja esimerkkien pyytämistä tutkimuksen kannalta keskeisiin 

kysymyksiin, joita tullaan niin ikään hyödyntämään tässä tutkimuksessa.  

 



44 

 

Vilkka korostaa (2005/2021, luku 5., Tutki ja kehitä), että haastatteluiden sisällön laajuus 

ja luotettavuus korvaa aineistojen suuren määrän. Jotta aineisto olisi mahdollisimman 

luotettava, käydään haastateltavien kanssa tarvittaessa yhdessä läpi keskeiset termit 

väärinymmärrysten välttämiseksi. Myös haastateltavien yrityksiin on perehdytty 

etukäteen, jotta haastateltavien taustat tunnetaan paremmin. Vilkan mukaan 

taustatietojen kuten toimintaympäristön ja kulttuurin tuntemus on tärkeää laadullista 

tutkimusta tehtäessä, jotta pystytään tulkitsemaan haastateltavien kokemuksia 

mahdollisimman tarkasti. Erilaiset tulkintavirheet laskevat tutkimusten uskottavuutta 

merkittävästi, alentuneen luotettavuuden seurauksena. 

 

 

5.3 Haastateltavien ja yritysten esittely 

Haastateltavat on valittu siten, että kaikki työskentelevät joko IT-, analytiikka- tai ESG-

tehtävissä. Haastateltavia ei ole pystytty rajaamaan pelkkään ESG-analytiikkaan, koska 

tämän nimiset työtehtävät ovat vielä niin harvinaisia. Tämän tutkimuksen selvityksessä 

kuitenkin riittää, että haastateltava työskentelee jonkun edellä mainitun tehtävän 

parissa, jotta pystymme selvittämään mahdollisia kytköksiä toiseen tutkimuksen 

teemaan. Mittariin ”työkokemus alalta” on laskettu kaikki työtehtävät, jotka liittyvät 

edellä mainittuihin asioihin.  Jokaisella haastateltavalla on myös työnimikkeensä kautta 

riittävä omakohtainen kokemus ymmärtämään tässä tutkimuksessa selvitettäviä aiheita.  

 

Alla olevassa taulukossa 3 on koottu tiivistelmä haastatteluista, josta selviää haastattelun 

kesto, haastateltavan koulutustausta, työkokemus alalta, sekä työnimike. Voidaan todeta, 

että haastateltavien työnimikkeet vaihtelevat paljon, jonka voisi olettaa takaavan hyvät 

lähtökohdat monipuolisten vastausten saamiseksi. Tämä tukee tutkielman yleistä 

tavoitetta, koska tarkoituksena ei ole rajata tarkastelua yhteen tiettyyn ammattiryhmään. 

Sen sijaan tarkoituksena on saavuttaa mahdollisimman hyvä käsitys yleisistä ajatuksista, 

tilanteesta sekä osaamisesta tutkimuksen kohteena olevaan ESG:n ja analytiikan 

yhteistyökykyyn liittyen. 

 



45 

 

 

 

 

Työkokemuksen puolesta haastateltavat ovat selvästi jaettavissa kahteen eri ryhmään; 

kokeneisiin ja nuoriin. Koulutustaustaltaan kaikki haastateltavat ovat joko diplomi-

insinöörejä tai kauppatieteilijöitä. Haastattelujen pituudet vaihtelivat 42 minuutista 55 

minuuttiin, ja haastattelut toteutettiin touko- ja kesäkuussa vuonna 2024. Jokainen 

haastatteluista suoritettiin Microsoft Teams -videopuheluna, joka mahdollisti 

haastatteluiden nauhoittamisen ja puhtaaksi kirjoittamisen. Tämä parantaa tutkimuksen 

luotettavuutta, koska se mahdollistaa haastateltavien vastauksiin palaamisen 

sanatarkasti. Jokainen haastateltava työskentelee Suomessa. 

 

Alla oleva taulukko 4 auttaa lukijaa havainnollistamaan, millaisista organisaatioista 

haastateltavat tulevat. Toimialoja on monipuolisesti, jotta tutkielma saa parhaan 

mahdollisen lähtökohdan laaja-alaisiin vastauksiin. Haastateltavien joukossa on kaksi 

konsultointiyritystä, joista molemmat tarjoavat apua mm. vastuullisuuteen ja 

teknologiaan liittyvissä kysymyksissä. Mielenkiintoisen eron näihin tuo kuitenkin 

yritysten kokoerot, sillä toinen yrityksistä lukeutuu Suomen suurimpiin toimijoihin. 

Samaan aikaan toisen haastateltavan konsultointiyritys on liikevaihdoltaan ja 

Taulukko 3 Haastateltavien esittely 

Haastateltava Kokemus 

alalla 

Työnimike Koulutustausta Haastattelun 

pituus 

Nuori 1 4 vuotta Liikkeenjohdon 

konsultti 

Tuotantotalouden 

diplomi-insinööri 

47 min 

Nuori 2 3,5 vuotta Operatiivinen johtaja Kauppatieteiden 

kandidaatti 

50 min 

Nuori 3 3,5 vuotta Hankintapäällikkö Kauppatieteiden 

maisteri 

42 min 

Kokenut 1 >15 vuotta Tietohallintopäällikkö Kauppatieteiden 

tohtori 

44 min 

Kokenut 2 >15 vuotta Vastuullisuusjohtaja Energiatekniikan 

diplomi-insinööri 

55 min  



46 

 

henkilöstömäärältään huomattavasti pienempi, mutta siten myös paljon ketterämpi. 

Tutkimusosiossa kannattaakin kiinnittää huomiota, tuoko Nuori 2 vastauksillaan eriäviä 

havaintoja ja ajatuksia esiin verrattuna muihin haastateltaviin, heidän kaikkien 

työskennellessä suuryrityksissä. Myös Kokenut 1 eroaa organisaationsa kanssa 

merkittävästi muista, koska se kuuluu valtionsektoriin. Tämän ei kuitenkaan 

lähtökohtaisesti pitäisi vaikuttaa ratkaisevasti vastauksiin, koska myös kyseisellä 

organisaatiolla on halu kehittyä teknologisesti sekä toimia vastuullisesti, kuten muillakin 

yrityksillä. 

 

 

 

 

 

5.4 Tutkimusanalyysin muodostaminen 

Aineiston läpikäynti aloitettiin sillä, että jokainen haastattelu litteroitiin ylös, siten että 

niistä poistettiin kielellisesti turhat sanojen toistot ja muut sujuvuushäiriöt. Näitä ilmeni 

haastattelijan sekä haastateltavan etsiessä ja miettiessä oikeita sanoja. Litteroinnin 

jälkeen haastattelut kuunneltiin vielä uudelleen läpi, jotta keskusteluista saatiin entistä 

vahvempi kokonaiskuva. Samalla huomiota kiinnitettiin esimerkiksi tiettyihin vastaajien 

antamiin yksityiskohtiin, joista voisi olla hyötyä tutkimusaineiston analysoinnissa.  

 

Aineiston purkamisen ensisijaisena menetelmänä tämä tutkielma tulee hyödyntämään 

teemoittelua. Teemoittelun tarkoituksena on koota haastatteluista tiettyjä teemoja 

Taulukko 4 Yritysten taustat 

Haastateltava Organisaation toimiala Liikevaihto Kokoluokka 

Nuori 1  Konsultointi >50 milj. eur suuri 

Nuori 2 Konsultointi < 1 milj. eur mikro 

Nuori 3 Teknologiateollisuus >50 milj. eur suuri 

Kokenut 1 Korkea-asteen koulutus >50 milj. eur suuri 

Kokenut 2 Metsäteollisuus >50 milj. eur suuri 



47 

 

yhteen, joita voidaan verrata eri vastaajien kesken. Tämä auttaa purkamaan aineistoa 

sekä löytämään yhteneväisyyksiä ja eroavaisuuksia eri haastateltavien väliltä. Tähän 

tutkielmaan teemoittelu on paras vaihtoehto, koska sillä pystytään käymään 

mahdollisimman selkeästi tutkimuskysymykset läpi, jonka lisäksi pystytään luomaan 

mielenkiintoisia aihealueita vastaajien omiin kokemuksiin ja spekulaatioihin liittyen. 

(Hirsjärvi ja Hurme, 2022, luku 7.5.3, Tutkimushaastattelu) 

 

Koska haastattelut suoritettiin puolistrukturoidulla teemahaastattelulla, on monesta 

teemasta löydettävissä suora yhteys haastattelurunkoon. Tarvittaessa on luotu uusia 

teemoja, mikäli useasta haastattelusta on noussut jokin tärkeä ajatus, joka ei ole löytynyt 

haastattelurungosta. Jotta haastateltavien ääni saadaan kuulumaan tutkielmassa niin 

hyvin kuin mahdollista, on tutkielmassa hyödynnetty haastatteluista saatuja suoria 

sitaatteja. Teemat tulevat muodostumaan tutkielmassa seuraavanlaisesti.  

 

Ensin tutkitaan yritysten lähtökohtia analytiikan hyödyntämiseen ESG:n eri osa-alueilla 

sekä yritysten tämänhetkistä tilannetta aiheen suhteen. Tämän jälkeen siirretään 

katseita eteenpäin, ja käsitellään enemmän tulevaisuuden mahdollisuuksia. Tässä 

vaiheessa arvioidaan muun muassa työntekijöille sekä yrityksille avautuvia 

mahdollisuuksia esim. teknologian kehitykseen ja CSRD-raportointiin liittyen. Nämä 

teemat auttavat vastaamaan tutkielman ensimmäiseen tutkimuskysymykseen. 

Kolmantena teemana pohditaan erilaisia rajoitteita; mitä tällä hetkellä on ja mitä kenties 

tulevaisuudessa tulee esiintymään. Tässä vaiheessa käsitellään muun muassa asenteisiin, 

osaamiseen sekä resursseihin liittyviä ongelmia. Kolmas teema-alue tulee siis 

vastaamaan tutkielman toiseen tutkimuskysymykseen.  

 

 

5.5 Tutkimuksen luotettavuus 

Tracy (2010) kirjoittaa artikkelissaan, että jokaisella laadullisella tutkimuksella on tarve 

olla luotettava. Yksinkertaisesti sanottuna, tutkimuksen luotettavuudella tarkoitetaan 

tutkimustulosten uskottavuutta, todenmukaisuutta ja järkevyyttä. Vaikka luotettavuus ei 



48 

 

vielä itsessään tee laadullisesta tutkimuksesta millään tavalla korkealaatuista, on se yksi 

onnistuneen laadullisen tutkimuksen peruspilareista. Tässä laadullisessa tutkimuksessa 

on erityisen tärkeää kiinnittää huomiota tutkimuksen luotettavuuteen ja varmuuteen, 

koska se perustuu ihmisten kokemuksiin ja sanoihin, eikä raakaan numeeriseen dataan. 

 

Copen (2014) artikkelin mukaan, laadullista tutkimusta on välillä pidetty 

hieman ”epämääräisenä” tieteen muotona, josta puuttuu tietynlainen tarkkuus 

verrattuna kvantitatiiviseen tutkimukseen. Näin asia ei kuitenkaan ole, sillä laadullisen 

tutkimuksen avulla pystytään perehtymään tarkemmin ihmisten kokemuksiin ja sitä 

kautta tiettyihin aiheisiin, mikäli tutkimus suoritetaan huolellisesti. Jotta tästä pro gradu 

-tutkielmasta on saatu mahdollisimman luotettava ja siten tieteellisesti käytännöllinen, 

on sen tekemisen aikana huomioitu tulevissa kappaleissa listattuja asioita.  

 

Jokainen osapuoli tässä tutkimuksessa on ollut tavoitteidensa puolesta neutraali. Koska 

haastattelut ovat suoritettu anonyymisti, ei haastateltavilla ole syytä valehdella tai 

kaunistella asioita oman organisaationsa eduksi. Haastateltavien kohdeorganisaatioihin 

perehdyttiin ennen haastatteluja, ja haastateltavien vastaukset olivat linjassa tietoihin, 

jotka löytyivät esim. organisaatioiden kotisivuilta. Haastateltavilla ei myöskään ollut syitä 

ohjata vastauksia jotain tiettyä näkökulmaa kohti. Alustava haastattelurunko on 

rakennettu siten, että se antaa vastauksia tutkimuskysymyksiin, mutta jättää vielä 

runsaasti tilaa haastateltavien omille ajatuksille. Alustava haastattelurunko on 

nähtävissä tutkielman liitteissä. 

 

Jokainen suoritetuista haastatteluista nauhoitettiin ja äänenlaatu säilyi hyvänä. Tämän 

jälkeen ne litteroitiin. Keskusteluissa puhuttiin suomen kielellä, jonka lisäksi keskustelun 

osapuolet ymmärsivät hyvin keskusteluissa käytetyt termit. Tästä syystä riski sille, että 

haastateltavien sanoja olisi ymmärretty ja referoitu väärin, on äärimmäisen pieni. 

Mahdollisuus palata haastatteluihin on sallinut sen, että jokainen tutkielmassa esitetty 

vastaus on tarkistettu vielä kertaalleen, jottei tapahtuisi väärentyneisiin muistikuviin 

perustuvaa kirjoittamista. 



49 

 

Tutkimusta voi pitää validina. Tämä tarkoittaa sitä, että haastatteluosiossa tutkitaan 

tutkielman kannalta oleellisia asioita. Haastattelut muodostettiin siten, että niiden 

pohjalta tutkimus saa hyvän vertailukohteen sen teoriaosuudelle. Toistettavuuteen 

liittyen tutkimustuloksia ei voi pitää täydellisenä, joka on kuitenkin täysin luonnollista. 

Mikäli tutkimus toistettaisiin eri kohderyhmällä, olisi täysin samanlaisia vastauksia 

mahdoton saada. Jos mietitään toistettavuuteen liittyvää kokonaiskuvaa laajemmin, voi 

sitä pitää kuitenkin varsin hyvänä. Esimerkiksi jokaisen haastateltavan asenteet ja 

odotukset tulevasta olivat isossa kuvassa yllättävänkin samanlaisia, joten vastausten 

voidaan olettaa yhtenevän monen muunkin aiheen parissa työskentelevän ihmisen 

mielipiteisiin.  

 



50 

 

6 Tutkimustulokset 

Kyseisessä osiossa käydään läpi viiden haastateltavan vastauksia ja ajatuksia 

liiketoiminta-analytiikan hyödyntämisestä ESG:n eri osa-alueilla. Eri aiheita tullaan 

käymään läpi yleisellä tasolla, jotta haastateltavia voidaan verrata keskenään ja löytää 

mahdollisia poikkeamia heidän vastauksissaan. Mutta kuten teoriaosassa, käydään 

tässäkin vaiheessa läpi myös erilaisia esimerkkejä, joita haastateltavat antavat 

analyyttisiin mahdollisuuksiin liittyen. Tuloksiin lähdetään syventymään aluksi 

tämänhetkisestä tilanteesta, jonka jälkeen spekuloidaan tulevaa. Jotta tutkimusosiossa 

säilyy kriittisyys, tarkastellaan lopuksi vielä erilaisia rajoitteita ja ongelmia, joita 

tutkittavaan kohteeseen haastateltavien mukaan liittyy. Luvun kuusi on tarkoitus antaa 

yleiskuva lukijalle, millainen tilanne suomalaisissa yrityksissä on tällä hetkellä 

tutkittavaan aiheeseen liittyen. Tätä ei voi kuitenkaan pitää täydellisenä, koska 

tutkimusjoukko ei ole viittä suurempi.  

 

 

6.1 Analytiikan hyödyntäminen tällä hetkellä 

Haastateltavien kohdeorganisaatiot ovat toimialansa ja kokonsa puolesta erilaisia, joten 

myös analytiikan hyödyntämisen määrä vaihtelee niiden välillä. Voidaan aloittaa 

kuitenkin toteamalla, että haastateltavat ovat yksimielisiä analytiikan kehittämisen 

tärkeydestä. Vaikka kyseessä olisi ollut pienempi organisaatio, on jokainen haastateltava 

myötämielinen teknologista kehitystä kohtaan. Kysymykseen miten ”hyvin” 

haastateltavien organisaatiot käyttävät tällä hetkellä analytiikkaa on suoranaisesti 

mahdoton saada vastaus, eikä semmoista suoraa kysymystä edes esitetty haastateltaville.  

 

Nuori 1 sivuaa tätä haastattelunsa alussa korostamalla, että on vaikeaa tietää, mitkä 

analyyttiset menetelmät ovat ”hyviä” ja mitkä eivät. Nuori 1 nostaa esimerkiksi Excelin, 

jota välillä pidetään vanhanaikaisena työkaluna. Joissain organisaatioissa se voikin olla 

vanhanaikainen ja esimerkki heikosta analyyttisesta osaamisesta, kun taas toisissa se voi 

olla organisaation tarpeisiin nähden ylivoimaisesti paras valinta.  



51 

 

6.1.1 Analyyttiset valinnat isoissa yrityksissä 

Nuori 1 on työskennellyt kahdessa suuressa yrityksessä uransa aikana, ja hän jakoi 

mielenkiintoisen katsauksen näiden yritysten eroihin. Ennen siirtymistä konsultointiin, 

hän on työskennellyt pankkisektorilla. Vaikka molemmat yritykset ovat todella 

moderneja ja kannustavat analytiikan käyttöön, Nuori 1 kertoo huomanneensa 

merkittävän eron järjestelmien syvyyteen liittyen. Hänen mukaansa pankkisektorin 

yrityksessä analyyttiset menetelmät olivat ”äärimmäisen sofistikoituneet”. Hän epäilee, 

että tässä tapauksessa saatettiin sortua ehkä jo liian korkean tason hienosäätöön. Hänen 

mielestään tämän hetken yrityksessä suuressa käytössä oleva Excel on ollut toimiva 

ratkaisu. Hänen mukaansa data on onnistuttu pitämään riittävän yksinkertaisena, jotta 

siitä pystytään helposti tekemään päätelmiä. Tämän lisäksi data on helposti kaikkien 

ulottuvilla.  

 

Nuori 1 esittää ilmiön ”datasaturaatio”, jossa yritykset pyrkivät olemaan liiankin 

hienostuneita datan käytön suhteen. Tällä ei tarkoiteta pelkästään järjestelmiä, vaan 

yksinkertaisesti sitä, ettei uuden tiedon kerääminen jossain vaiheessa tuota enää 

riittävästi hyötyjä suhteessa paljonko se kuluttaa resursseja. Silti, kysymykseen oliko 

toisen organisaation datan hyödyntäminen isossa kuvassa parempaa kuin toisen, ei 

Nuori 1 osaa ottaa mitään kantaa. Se tulee hänen mukaansa selviämään joskus 

tulevaisuudessa, jos edes silloinkaan. Tämä on viittaus tässä pääluvussa esiintyvään 

aikaisempaan keskusteluun siitä, mitkä ovat hyviä analyyttisiä menetelmiä. On varsin 

mahdotonta mitata yksiselitteisesti analyyttisten menetelmien lopullista arvoa. 

 

Erilaisissa analyyttisissa tehtävissä toiminut Nuori 1 nostaa omien kokemuksiensa 

pohjalta esiin Excelin lisäksi muut Microsoftin palvelut, joiden hän kokee olevan johtavia 

analyyttisia työkaluja Suomessa. Paljon Microsoft Power BI:n kanssa työskennellyt Nuori 

1 kertoo, että koska Microsoft -palvelut ovat ylipäätänsä niin suosittuja Suomessa, kuten 

toki myös monessa muussa maassa, on yrityksille varsin loogista jatkaa näiden 

palveluiden käyttämistä myös enemmän soveltavien analyyttisten menetelmien kanssa. 

Hänen mukaansa Microsoft Power BI on parhaimmillaan äärimmäisen laadukas 



52 

 

analyyttinen työkalu muutenkin, eikä pelkästään siksi että se kuuluu Microsoftin 

perheeseen. ”Siitä on tullut erittäin helppokäyttöinen ja sitä on helppo kustomoida ja 

siihen saa monesta eri datalähteistä dataa. Se on myös käyttäjälle intuitiivinen”, listaa 

Nuori 1 Power BI:n hyötyjä.  

 

Vaikka Microsoft Power BI tarjoaa myös ominaisuuksia ennustavan analytiikan käyttöön, 

kertoo Nuori 1 olevansa yllättynyt siitä, kuinka vähän hän itse on kohdannut yrityksissään 

ennustavaa analytiikkaa. Datan luotettavuus voi heikentyä erityisen helposti silloin, kun 

siitä yritetään luoda monimutkaisempia ennustemalleja. Tästä syystä Nuori 1 uskookin, 

että monissa yrityksissä näitä toimintoja tuottaa sitten tarvittaessa datatieteilijät. Nämä 

saattavat olla firman sisäisiä tai sitten ulkoisia palveluita.  

 

Mitä itse olen törmännyt, niin suhteellisen vähän yritykset käyttävät ennustavaa 
analytiikkaa verrattuna kuvailevaan. Ja sekin mitä yrityksissä käytetään, on aika 
yksinkertaista. Ja siihen on ehkä syynä se, että siitä halutaan todella läpinäkyvää 
siitä datasta. Jos ruvetaan rakentamaan montaa KPI:tä toistensa päälle, niin et 
sinä enää tiedä mitä taustalla tapahtuu, etkä voi enää luottaakaan siihen 
dataan enää samalla tavalla. (Nuori 1) 

 

Nuori 1 kertoo tutkineensa analytiikkaa aikoinaan omassa päättötyössään. Hän kertoo, 

että tutkimustaan tehdessä kävi nopeasti selville se, että datan tarkkuus on ylivoimaisesti 

tärkein elementti, jota yritykset arvostavat raporteissaan. Tämäkin on yksi syy siihen, 

miksi kuvaileva analytiikka on selvästi suositumpaa monessa yrityksessä; siihen voidaan 

luottaa helpommin. Tämä ei kuitenkaan Nuori 1:n mukaan tarkoittaisi sitä, etteikö 

yritykset voisi luottaa ennustavaan tai jopa ohjailevaan analytiikkaan.  

 

Nuori 1 korostaa datamaturiteetin tasoa tiedon laadussa. Datamaturiteetin käsitteellä 

tarkoitetaan organisaation kyvykkyyksiä ja kypsyyttä hyödyntää analytiikkaa 

toiminnoissaan tehokkaasti (Kadarsah ja muut, 2023). ”Sinulla pitäisi olla ensin ne 

perusasiat kunnossa ja sanotaan näin lähtökohtaisesti, että kuvaileva analytiikka ennen 

ennustavaa. Että heti kun on saatu tietokannat analytiikkaan, on ehkä turha lähteä 

rakentamaan jotain AI mallia”, Nuori 1 sanoo.  



53 

 

Samalla hän muistuttaa, että nämä ovat monesti varsin yksilöllisiä asioita yritysten sisällä. 

Mikäli yrityksen liiketoiminta on hyvin ennusteriippuvaista, eivät he tietenkään nojaa 

pelkästään kuvailevaan analytiikkaan. Nuori 1 ei myöskään poissulje mahdollisuutta, 

etteivätkö yritykset voisi tietyissä tilanteissa kehittää useampia eri