Tässä artikkelissa tarkastellaan, miten organisaatiot voivat hyödyntää web-analytiikkaa strategisen ennakoinnin ja asiakasymmärryksen tukena hyödyntäen Rohrbeck & Kumin (2018) 3P-mallia. Tapausesimerkkinä toimii toisen asteen koulutusorganisaatio, jossa analytiikalla on tunnistettu kehittämistarpeita ja -mahdollisuuksia. Teksti on laadittu osana Laurea-ammattikorkeakoulun YAMK-opintoihin kuuluvaa Digitaalisten palvelujen tulevaisuus -kurssia.

Liiketoimintaa ei koskaan tehdä tyhjiössä. Toimintaympäristön havainnointi on vaatimuksena sille, että liiketoiminnan kehitys pohjautuu aitoon tarpeeseen. Parhaaseen lopputulokseen pääsee, kun tunnistaa, että toimintaympäristö on monipuolinen käsite. Havainnointi voi pitää sisällään esimerkiksi asiakkaiden palautteiden läpikäyntiä, lakimuutosten seurantaa tai kilpailijoiden liiketoiminnan analysointia. (Endrianto 2016.)

Ennakointi on systemaattista ja tietoista tulevaisuuteen vaikuttavien ilmiöiden havainnointia, vaihtoehtoisten kehityskulkujen tarkastelua sekä toimenpiteiden hahmottelua toivottujen tulevaisuuksien saavuttamiseksi (Sitra 2025). Ennakoinnin malleja on useita, mutta monissa toistuu samankaltainen rakenne. Erityisesti Rohrbeckin ja Kumin (2018) strategisen ennakoinnin 3P-malli (Perceive, Prospect, Probe) tarjoaa liiketoimintaympäristöön soveltuvan ja selkeärakenteisen lähestymistavan.

• Ensimmäisessä Perceive-vaiheessa, tunnistetaan toimintaympäristön muutossignaaleja, kuten teknologisia tai markkinallisia ilmiöitä – esimerkiksi web-analytiikka voidaan nähdä osana tätä vaihetta.
• Toisessa Prospect-vaiheessa, havainnot analysoidaan (sensemaking) ja niistä rakennetaan tulevaisuustietoa (futuring) ennakointimenetelmien avulla.
• Kolmannessa Probe-vaiheessa, tätä tietoa hyödynnetään esimerkiksi uusien palvelujen, liiketoimintamallien tai strategisten suunnitelmien muotoilussa.

Eri ennakointiprosesseista 3P-malli soveltuu hyvin sovellettavaksi liiketoimintaympäristöissä. Siinä painottuu toisessa vaiheessa (Prospect) luodun tulevaisuustiedon hyödyntäminen viimeisessä vaiheessa (Probe) vaikkapa uusiksi palveluiksi, liiketoimintamalleiksi tai toimintaa ohjaaviksi suunnitelmiksi, kuten strategioiksi. Prosessi on hyödynnettävissä siis laajasti erilaisten lopputuotteiden muotoilemiseksi. 3P-malli onkin tarkoituksenmukainen ennakoinnin opettamiseen korkeakouluissa – erityisesti liiketalouden alalla. Esimerkiksi Laurea-ammattikorkeakoulussa mallia opetetaan ja sovelletaan useissa ylemmän ammattikorkeakoulututkinnon koulutusohjelmissa. (Hario 2022; 2023.)

Näe metsä puilta – havainnointi epävarmuuden hallinnassa

Perceive, eli havainnointivaiheessa tarkoituksena on saada mahdollisimman monipuolisesti dataa toimintaympäristöstä. Tässä vaiheessa erityisesti aikaiset merkit mahdollisesta tulevasta muutoksesta eli heikot signaalit ovat tärkeitä. Esimerkiksi liiketoimintaympäristössä, vaiheen tarkoitus on laajentaa nykyistä ymmärrystä ympäristöstä, jotta tunnistetaan uusia kilpailuetua tuottavia suuntia tai varoitusmerkkejä mahdollisista tulevista haasteista.

Havaitut signaalit voivat olla miltei mitä vain, minkä koetaan jollain tavalla vaikuttavan organisaation toimintaympäristöön. Esimerkiksi sellaiset subjektiiviset havainnot kuten, huomaat työmatkoillasi useamman ja useamman täyssähköauton tai sen, että taloyhtiön kokouksissa ei ole enää niin paljon keskustelua lintujen aiheuttamista jätöksistä. Empiirisistäkin havainnoista voi tehdä monenlaisia tulkintoja. Havainnoissa on aina muistettava se tosiasia, että kyseessä on yhden henkilön tulkinnasta yksittäisistä tilanteista. Havaintoja voidaan kerätä myös hyvin systemaattisesti, kuten esimerkiksi toimenpiteiden mittaamisella.

Älä oleta, ota selvää – Markkinoinnin toimenpiteiden mittaaminen

Mittaaminen on reaktiivista, mutta se on erittäin hyvä keino validoida muista havainnoista johdettuja oletuksia. Markkinoinnissa kyse voi olla esimerkiksi kampanjoiden vaikuttavuuden mittaamisesta. Mittarit ovat selkeästi määritelty ennakkoon ja saatuja tietoja käytetään esimerkiksi seuraavan kampanjan suunnittelutyössä. Kauppatieteiden tohtorin Joel Järvisen (2017, 65) mukaan markkinoinnin mittaamisella on kaksi merkittävää tavoitetta: 1) toiminnan tärkeyden mittaaminen ja 2) tulosten hyödyntäminen toiminnan kehittämiseksi. Markkinoinnin tehokkuuden mittaamisella tarkoitetaan mittareiden asettamista suhteessa markkinoinnin tavoitteisiin ja tavoitteiden saavuttamisen seurantaa näiden mittareiden avulla.

Digitaalisten analytiikkatyökalujen kuten web-analytiikan ja sosiaalisen median monitorointityökalujen avulla voidaan kerätä dataa ihmisten käyttäytymisestä eri digitaalisen median kanavissa. Analytiikkadata voi pitää sisällään tietoa muun muassa verkkosivuvierailijoiden toiminnasta, hakukoneissa käytettävistä hakusanoista tai siitä, miten erilaisiin mainosviesteihin ja sisältöihin reagoidaan. (Järvinen 2017, 65.)

Digitaalisen median lisääntynyt käyttö on luonut organisaatioille yhä enemmän mahdollisuuksia mitata markkinointiviestinnän tehokkuutta ja tehdä kerättyyn tietoon perustuvia päätöksiä. Mittaamisen kanssa kohdataan kuitenkin usein ongelmia, koska analytiikan avulla on helppo kerätä paljon, jopa liikaa tehokkuuteen liittyvää dataa. Datan jalostaminen toimintaa ohjaavaksi informaatioksi vaatii organisaatiolta resurssien lisäksi hyvän mittariston ja toimivat prosessit, jotta saadut tulokset voidaan myöhemmin jalostaa toimenpiteiksi. Parhaimmillaan digitaalinen analytiikka voi kuitenkin tarjota hyödyntäjilleen rikasta ja helposti jalostettavaa tietoa asiakkaiden käyttäytymisestä. (Järvinen 2017, 65-66.)

Web-analytiikka osana ennakoinnin prosessia

Nykypäivänä palveluiden kehittämisen pohjana ei voida enää pitää pelkkiä kerättyjä palautteita tai asiakkaiden toiveiden ja tarpeiden kuuntelemista. Käytössä olevien tuotteiden tai palveluiden vahvuuksia ja heikkouksia on helppo hahmottaa, mutta vaikeampaa on määritellä, miten asiat voisi tehdä toisin. Tähän vaaditaankin syvällisemmän ymmärryksen rakentamista, joka voidaan saavuttaa, kun hahmotetaan asiakkaiden toimintaa arjessa. Kohderyhmä on kuitenkin usein suuri ja sen syvällinen ymmärtäminen vaatii useita eri lähestymistapoja, kuten tiedon hankintaa, haastatteluita ja tarkkailua. Yhtenä hyvänä tiedon hankinnan kanavana Maula ja Maula (2019, luku 49-50) mainitsevat oman verkkosivuston analytiikan (web-analytiikka).

Yksi tunnetuimmista web-analytiikan työkaluista on Google Analytics. Sen avulla voidaan seurata verkkosivuston kävijäliikennettä ja kuvata visuaalisessa muodossa asiakkaan kulkema polku (customer journey). Polkua voidaan hyödyntää esimerkiksi työpajoissa yhtenä tiedon lähteenä, joka voi auttaa ohjaamaan ajattelua haluttuun suuntaan. Tätä ei kannata pitää päätöksenteon pohjana, vaan pyrkiä vielä syvempään ymmärrykseen esimerkiksi kyselyjen, haastatteluiden ja tarkkailun avulla. Valmiin analytiikan hyödyntäminen sellaisenaan ajaa helposti liian suppeaan näkemykseen, jos vastauksia saadaan vain ennalta määrättyihin kysymyksiin. (Maula & Maula 2019, 50-52.)

Webanalytiikan hyödyntämisen tapausesimerkkinä koulutusorganisaatio

Artikkelin aiheen konkretisoimiseksi haastattelimme suurikokoista toisen asteen koulutusorganisaatiota, joka haluaa pysyä anonyyminä. Haastattelimme kyseisen organisaation viestintäasiantuntijaa, joka vastaa verkkosivujen ylläpidosta. Asiakkaista valta osa on tulevia oppilaitoksen jäseniä eli opiskelijoita. Tässä organisaatiossa web-analytiikka on ensisijaisesti osa markkinoinnin ja viestinnän palveluita. Web-analytiikkaa hyödynnetään pääasiassa reaktiivisesti, eikä organisaation viestinnässä ja markkinoinnissa sovelleta ennakoinnin menetelmiä. Suurimpia haasteita ovat resurssien ja asiantuntemuksen puute. (Khabbal 2025.)

Organisaation käytössä on useita analytiikkajärjestelmiä, joiden data on osittain päällekkäistä. Verkkosivuston kävijäseurannassa on käytössä maksuton Google Analytics -työkalu. Tärkeimmät kerättävät tiedot ovat verkkosivujen kävijäliikenne sekä hakulomakkeiden, ladattavien tiedostojen, käytettyjen alustojen ja mainonnan data. Web-analytiikan osalta maturiteetti on organisaatiossa tunnistettu olevan matala. Organisaatiossa vasta tutustutaan web-analytiikkaan ja sen mahdollisiin käyttötapoihin. Verkkosivuston kävijäseurannan työkalu on käyttöönotettu ja konfiguroitu keräämään dataa monipuolisesti, mutta ilman tarkempaa analysointia siitä mikä data voisi olla oleellista ja tärkeää. Suunnitelmaa tai toimintamallia datan hyödyntämiseksi ei myöskään ole. (Khabbal 2025.)

Asiakaspolulla alkuun

Asiakaspolkujen seuranta olisi organisaatioille matalan kynnyksen tapa hyödyntää web-analytiikkadataa. Asiakaspolun voi rakentaa helposti useissa organisaatiossa jo käytössä olevaan maksuttomaan Google Analytics -työkaluun. Asiakaspolun seurannan avulla organisaatio voisi saada tarkempaa tietoa esimerkiksi siitä, mistä ja miten asiakkaat päätyvät lataamaan tiedostoja tai missä vaiheessa hakulomakkeiden täyttö jää kesken. Tämä tieto saataisiin myöhemmin osaksi laajempaa ennakoinnin hyödyntämistä esimerkiksi siihen, miten asiakaskokemusta sivustolla voitaisiin parantaa.

Kaaviossa yksi (1) havainnollistetaan mahdollinen käyttäjäpolku, jossa seurataan, miten potentiaaliset opiskelijat etenevät organisaation verkkosivulla hakemuksen lähettämiseen asti. Tämän esimerkin avulla haastateltu organisaatio voi tarkastella, kuinka moni kävijöistä löytää koulutustarjontasivun, siirtyy täyttämään hakemuksen ja lopulta lähettää sen.

Polku tarjoaa myös hyödyllistä tietoa mahdollisten ongelmakohtien tunnistamiseksi. Esimerkiksi, mikäli hakemusten määrä yllättäen laskee, voidaan polkua tutkimalla nähdä, missä vaiheessa käyttäjät putoavat pois. Jos taas etusivulta ei enää jatketakaan tarjottavien koulutusten sivulle, saattaa syynä olla mainonnan puutteellinen kohdentaminen tai toimimaton linkki. Jos hakemussivulle päädytään, mutta hakemuksia ei lähetetä, voi ongelma olla itse lomakkeessa.

Saadakseen kattavamman kuvan kävijöiden toiminnasta, voisi organisaatio seurata myös koulutussivuilla käytettyä aikaa, kiinnostavimpia tarjolla olevia koulutuksia, vierailijoiden maantieteellistä sijaintia ja sitä, mitkä markkinointikanavat tuovat konvertoituvia vierailijoita sivustolle. Näiden tietojen pohjalta voitaisiin saada laadukasta tietoa sivuston kehittämistä ja asiakastyytyväisyyden parantamista ajatellen.

Johtopäätökset

Koulutusorganisaatiolle esitetty suositus, asiakaspolkujen seuraaminen, toimii matalan kynnyksen keinona ymmärtää paremmin digitaalista asiakaskokemusta ja tuottaa havaintoja, joita voidaan käyttää osana laajempaa ennakoinnin prosessia. Web-analytiikka tarjoaa helposti saatavia mahdollisuuksia asiakasymmärryksen syventämiseen ja ennakoivaan kehittämiseen.

Käytännön tasolla ennakointi voi tukea tiedolla johtavia organisaatioita tai niiden osastoja tarjoamalla tavan havainnoida ympäristöä systemaattisesti. Jatkuvalla ennakoinnilla voidaan saavuttaa merkittävää kilpailuetua ylläpitämällä ajankohtaista ja jaettua ymmärrystä mahdollisista toimintaympäristön muutoksista. Se nostaa hyvin konkreettisesti organisaation resilienssiä eli kykyä kohdata muutoksia. Ennakoinnin soveltaminen varmistaa tunnistettujen muutosilmiöiden käsittelyn. Ennakoinnin tarkoituksena on pienentää todennäköisyyttä sille, että muutosilmiöt tulevat yllätyksenä.

Analytiikka voi muuntua pelkästä mittaamisesta strategiseksi havainnoinnin työkaluksi, kun sitä käytetään tarkoituksenmukaisesti ja tavoitteellisesti. Se voi tarkoittaa esimerkiksi analytiikan tuotosten hyödyntämisen integroimista organisaation kehitystyöhön tai laatujärjestelmiin. Ennakoinnin hyödyntäminen osana organisaation toimintaa vaatii ennakointiosaamisen kehittämistä sekä aikaa uuden toimintamallin jalkauttamiseen.

Lähteet

• Arikan, A. 2023. Customer experience analytics: How customers can better guide your web and app design decisions. New York, NY: Routledge.
• Basu, R., Lim, W. M., Kumar, A. & Kumar, S. 2023. Marketing analytics: The bridge between customer psychology and marketing decision‐making. Psychology & Marketing, 40 (12), 2588-2611.
• Endrianto, W. 2016. Maximizing Strategy with an Effective Balanced Scorecard. The Winners: Economics. 17.19.
• Hario, P. 2023. ”Suoraan altaan syvään päätyyn” – Tapausesimerkki ennakoinnin opettamisesta kehittämispohjaisesti (LbD). Laurea Journal. Viitattu 15.5.2025.  
• Hario, P. 2022. Tulevaisuusmuotoilulla työelämärelevanssia tutkintoihin. Laurea Journal. Viitattu 15.5.2025. https://journal.laurea.fi/tulevaisuusmuotoilulla-tyoelamarelevanssia-tutkintoihin/#06cf6f4a.  
• Järvinen, J. 2017. Mitattava viestintä. E-kirja. Helsinki: Procomma Academic.
• Khabbal, J. 2025. Viestintäasiantuntija haastattelu 25.3.2025. Anonyymi koulutusorganisaatio. Ei julkinen.
• Maula, H., & Maula, J. 2019. Design ja johtaminen. E-kirja. Helsinki: Alma Talent.
• Rohrbeck, R., & Kum, M. E. 2018. Corporate foresight and its impact on firm performance: A longitudinal analysis. Technological Forecasting and Social Change. 129, 105-116. Viitattu: 5.4.2025.
• Smith, A. 2020. Consumer behaviour and analytics. Abingdon, Oxon: Routledge.
• Sivula, A., Aho, M., & Laukkanen, M. 2023. Datasta liiketoimintaan: 10 Tehokasta Työkalua. E-kirja. Helsinki: Alma Talent.
• Sitra 2025. Tulevaisuussanasto. Viitattu: 9.5.2025.
• Wu, L., Lou, B. & Hitt, L. 2019. Data Analytics Supports Decentralized Innovation. Management Science, 65 (10), 4863-4877.