Business out of data in urban environments

The role of local authorities and cities is undergoing a transformation, and it is becoming more common to regard them as service platforms. One enabler of such development is a transfer from closed to open systems, but also new modes of operation, such as the city as a platform thinking included in the Smart Tampere ecosystem, contribute to this.

It is possible to collect a lot of electronic data on the behaviour and needs of municipal residents. Using artificial intelligence (AI) or augmented reality (AR) tools, such data can be utilised in decision-making and the development of new services. With the help of refined data, the future service needs of municipal residents can be predicted, and services can be personified according to different life situations. When someone is moving, AI can automatically recommend him or her the best residential area and suitable day care centres with openings, or suggest the most sensible jobs etc. in accordance with the user’s personal interests. Cities know their residents increasingly well, and the data offers huge opportunities for different stakeholders to provide new services.

However, enterprises have been slower to seize the opportunities offered by open data than expected. The user data is dispersed between various public and private digital sources, and the creation of major data-based business would require integration of data from several sources. In other words, ground rules and bold initiatives for sharing data are also needed between operators. The creation of new data-based business activities requires examining services from the viewpoint of municipal residents instead of using the data sources as the starting point for service development. Turku with its ‘circular economy of data’ project and Forum Virium Helsinki, with user-oriented open innovation as its mode of operation, are excellent examples of trendsetters.

Use of open data from various sources in applications and services

Open data can be used in different service contexts. Most examples of such applications can be found in financial and taxation services, such as Budjettipeli budget game, with the help of which you can test different models for sharing the financing burden of welfare services between public communities and private citizens. It is based on the data resources of Statistics Finland, the National Institute for Health and Welfare and the Finnish Centre for Pensions. A lot of examples can also be found in map applications, such as the online and mobile service Aaltopoiju, which offers boaters and free-time seafarers exact observation and forecast data on different weather phenomena, such as water level and wave height. Aaltopoiju uses the open data material produced by the meteorological institutes of Finland, Estonia, Sweden and Germany.

The success factors of a business process based on open data

With a view to making business, it is important that applications based on open data have easy-to-use user and customer interfaces. The integration of data and information systems plays a key role in how utilizable the data is. Technological solutions must support the usability of the application. In addition, securing the information security of individuals is a prerequisite for creating profitable business out of open data. When collecting and using personal data of municipal residents, the delicate nature of such data must be taken into account in every stage of the data process.

Below, as an example, we have listed data initiatives related to parking and traffic, including light traffic, that are being planned, in progress or in their final stages in various cities. In the services of Helsinki Region Transport (HRT), the current issues include starting the operation of Länsimetro and the relevant changes, whereas in Tampere the construction of a tramline reforms the transport structure in the Pirkanmaa area and business activities related to that. Identifying the critical missing pieces in services from the point of view of those moving in city areas can serve as a basis when planning new data initiatives. This enables more efficient creation of new, data-based business operations.


Customer-oriented and comprehensive service solutions

In urban environments, services utilising open data must be based on the customers’ needs, and not only on the needs of individual data-based services. There is already a lot of data available from various sources, but identifying the critical missing data and its open provision may create new value-creation opportunities. Accumulation of data in the various phases of the use of services and business process may create new opportunities, when we learn to refine them to usable form. Therefore, the roles required for the analysis and utilisation of data (e.g. technical implementation and final use) and the operators in a comprehensive ecosystem must be identified to enable value-creation for the final user. It is also important to collect feedback on the use of applications to develop the services.

Antti Ruuska
Business Development Manager, VTT
Twitter: @antti_ruuska

Salla Paajanen
Research Scientist, VTT

Katri Valkokari
Research Manager, VTT

Antti Knuuti
Key Account Manager, VTT

If you want to read more about VTT’s vision regarding smart and sustainable cities, read our new white paper: Let’s turn your Smart City vision into reality. Smart City development is inherently multi-technological and cross-disciplinary, and as an application-oriented research organisation VTT is an ideal partner. We work with the public sector and private companies as well as technology providers in research and innovation activities that expedites the development of smarter cities.  We can guide you from the early phases of vision-creation and concept development to practical implementations of smart outcomes.

Löytyykö uusi sampo – big datasta liiketoimintaa?

Asiakas- ja liiketoiminnan kehitysjohtaja Mika Toikka muistutti pari viikkoa sitten blogissamme, kuinka big data tarjoaa lukuisia vastauksia, mutta myös kysymykset pitää muistaa miettiä tarkoin. Tutkimuspäällikkö Katri Valkokari jatkaa aiheesta esitellen big datan erilaisia liiketoimintahyötyjä.

Data on uusi öljy, ja datatalouden mahdollisuudet ovat rajattomat. Mahdollisuuksiin tarttuminen edellyttää kuitenkin yrityksen liiketoiminnan kannalta oleellisen erilaisista lähteistä saatavan datan tunnistamisen (esim. IoT data, asiakas/CRM- data, palvelujen logidataa, julkisista lähteistä saatava).  Lisäksi tarvitaan ymmärrystä datan validiteetista ja analysoinnin mahdollisuuksista sekä yrityksen sisäisten, että asiakkaan kehitystarpeiden näkökulmasta.

Vielä enemmän uusien mahdollisuuksien löytämisessä on tarpeen oikeiden kysymysten kysyminen, se miksi ja millaista dataa tai tietoa tarvitaan, mitä datalla tavoitellaan ja mistä se on mahdollista hankkia. Rohkeasti olisi pohdittava myös sitä mitä emme vielä tiedä ja siten tunnistaa mitä dataa meiltä vielä puuttuu ja millaisia uusia datan lähteitä olisi mahdollista hyödyntää.

Uusien liiketoimintamahdollisuuksien löytäminen edellyttää useiden ja erilaisten data lähteiden yhdistelemistä enemmän kuin lisää samankaltaista dataa tai jo olemassa olevan datan syvempää analysointia. Kuvassa 1 big datan hyödyntämisen prosessi tiivistää päävaiheet miksi dataa tarvitaan (nykytilan ymmärtäminen ja tulevaisuuden trendien ennakointi), miten ja mihin käytetään (valinnat ja päätöksenteko).

Big data business

Kun strategisena tavoitteena datan hyödyntämiseen on uusien liiketoimintamahdollisuuksien tunnistaminen, kuvassa 1 esitettyjen kysymysten ja vastausten näkökulmia ovat mm:

  • Asiakasymmärryksen lisääminen sekä leadin löytäminen,
  • Potentiaalisten asiakkaiden ja markkinoiden tunnistaminen,
  • Toimialan trendien ennakointi ja kilpailijatiedon kerääminen sekä asiakkaiden tulevaisuuden tarpeiden ennakoiminen,
  • Erilaisten data lähteiden tuoma hyöty uusien innovaatioiden tai liiketoimintamahdollisuuksien tunnistamiseen
  • Sisäisten datan hyödyntämisen prosessien kehittäminen

Katri Valkokari VTT

Katri Valkokari
Twitter: @valkatti

Has a new money spinner been found – can big data be turned into business?

A few weeks ago, Mika Toikka, Vice President, Sales and Business Development, reminded us in our blog how big data provides a multitude of answers, but you also need to remember to consider your questions carefully. Research Manager Katri Valkokari continues on the same subject, presenting different business benefits big data could offer.

Data is the new oil, and the possibilities of data economy are limitless. However, to seize the opportunities you must be able to identify the data that is essential for your business operations from among the data available via various sources (e.g. IoT data, customer/CRM data, service log data, data from public sources).  In addition, you need understanding of the validity of data and the possibilities of analysing it from the perspective of both the company’s internal and the customer’s development needs.

Even more important for finding new opportunities is asking the right questions, asking why and what kind of data or information you need, what you are aiming at with the data and where can you acquire the data you need. You should also boldly consider what you do not yet know, and thus identify which data you are still missing and what kind of new data sources could be used.

To find new business opportunities you rather need to combine several different data sources than more of similar data or deeper analysis of the existing one. In other words, you should consider wide data in addition to big data. In Figure 1, the process of use of data summarises the main phases that explain why data is needed (understanding the current state and forecasting the future trends), and how and for what it is used (choices and decision-making).

Use of big data


When the strategic goal for use of data is to identify new business opportunities, the viewpoints for questions and answers presented in Figure 1 include the following:

  • Increasing customer understanding and finding leads
  • Identifying potential customers and markets
  • Forecasting trends within the sector and collecting competitor information, as well as forecasting the future customer needs
  • The benefits provided by use of various data sources for the identification of new innovations or business opportunities
  • Development of the processes for use of internal data

Katri Valkokari VTT

Katri Valkokari
Research Manager
Twitter: @valkatti

Big data: too many answers not enough questions

Big data

While I applaud the innovative work going into generating big data, the reality is that some companies are drowning in it. You can analyse data to the point of madness but still not know what to do with it. And without a strategy and purpose for making sense of it all, it’s just more and more data for data’s sake.

A recurring theme has crept into my customer discussions. The overarching message being: no more data generating technologies or data analytics until someone could help us figure out why we’re doing this and what we should be looking for. In other words: no more answers please until we can get some questions.

Business and behaviour before big data

I recently spoke at an Internet of Things (IoT) seminar in Helsinki. It was a very techie space, crowded with people and products showcasing data-enabling technologies such as sensors and connectivity solutions. To my mind, the focus was a lot on the technology and maybe too little on the business and behaviour side.

What if we were to first look at the context in which companies operate and what they’re trying to achieve today, tomorrow and beyond. Then consider the role of data and predictive analytics and only from there, think about which enabling technologies would be the right ones.

With purpose, you’re better positioned

A co-speaker at the same IoT event, CIO Soili Mäkinen from Cargotec reaffirmed this thinking in her remarks, stressing that: “Only when you’ve understood your strategic purpose clearly should you start to identify the key questions you want to put to your data.”

Exceptions to every rule

Of course sometimes you get lucky. IRobot’s Roomba vacuum cleaner has recently revealed a surprise secondary talent. Besides sucking dirt, the Roomba can map people’s homes.

This discovery was a clear case of first finding the answer and then looking around for the question. With the data collection technology already in place, Roomba have been unintentionally building a body of anonymous human behavioural data, which IRobot looks set to turn into a whole new business channel selling data to service providers like Google.

Data access not the issue, make it relevant

Too often, we get so excited about the technologies that we forget to ask the important questions of what, how and why. And this is where our customers clearly want help.

So maybe it’s time for us to get our heads out of the Cloud and apply time and resource to first figuring out what’s relevant. Because let’s face it, when it comes to big data, whatever you’re going to want, you’ll be able to get, if not today then tomorrow. You have all the answers. The only thing missing is the question. What is your question?

Mika Toikka VTT

Mika Toikka, Vice President, Sales and Business Development
Twitter: @mjstoikka

Big data -analytiikalla on paljon annettavaa hankinnan ammattilaisille

Suuren volyymin (volume), vaihtelevuuden (variety) ja vauhdin (velocity) big data vaatii kehittyneen analytiikan hyödyntämistä. VTT:n tutkija Salla Paajanen tutki aihetta vasta valmistuneessa pro gradussaan Opportunities of big data analytics in supply market intelligence to reinforce supply management ( Nostamme tässä blogissa työn tuloksista viisi viestiä jokaiselle hankinnan ammattilaiselle. Lopuksi avaamme big data -analytiikan tulevaisuudennäkymiä.

Viesti 1: Hankintojen johtaminen tietoon perustuvan päätöksenteon avulla luo yritykselle kilpailuetua.

Toimittajamarkkinatietämys (supply market intelligence), eli kyky luoda syvää ymmärrystä toimittajamarkkinoiden tärkeimmistä ominaisuuksista, on hankintatoimelle tärkeää erityisesti innovaatiotoiminnan kehittämisessä, hankintastrategian muodostamisessa ja toimitusriskien hallinnassa. Toimittajamarkkinoiden tuntemus on keskeinen kilpailutekijä, jonka mahdollisuuksia monikaan yritys ei vielä osaa tunnistaa ja hyödyntää. Myöskään hankintojen johtamisessa tietoa ei hyödynnetä riittävästi.

Yrityksen tarpeiden tunnistaminen on tärkeää analysoituun tietoon perustuvassa päätöksenteossa. Näkökulmana voivat olla yrityksen, myynnin, hankinnan tai tuotekehityksen tarpeet. Toimittajien hyödyntämien teknologioiden kartoittaminen yhteistyössä muiden liiketoimintayksiköiden, kuten T&K:n, kanssa auttaa kehittämään parempaa tuotekehitystä ja liiketoimintaa. Uusia innovatiivisia toimittajia voidaan tunnistaa olemassa olevien toimittajien tai uusien ekosysteemien kautta. Kun näkemys toimittajamarkkinoista muuttuu, voi olla tarpeellista uudistaa liiketoimintaa ja strategiaa. Toimittajamarkkinatietämys siis edistää strategisten kumppanuuksien muodostamista toimittajien kanssa ja uusien ekosysteemien kehittymistä.

Viesti 2: Big data -analytiikan avulla voi luoda systemaattista toimittajamarkkinatietämystä.

Yritykset voivat luoda kilpailuetua big data -analytiikan kautta hyödyntämällä analyyttisia kyvykkyyksiä yrityksen tarpeisiin nähden ja linkittämällä analytiikkasovellukset yrityksen mittareihin ja strategiaan. On huomattava, että big data -analytiikan avulla saavutetaan hyödyt vasta, kun analyysin perusteella tehdään tietoon perustuvia päätöksiä tai toimenpiteitä, kuten (yhteistyö)mahdollisuuksien tunnistaminen ja toteuttaminen tai parhaiden toimittajien valinta. Big data -analytiikka myös vähentää odottamattomien tapahtumien määrää (esim. toimittajan konkurssi tai markkinahintojen vaihtelu) sekä vasteaikaa proaktiivisen toimintasuunnitelman avulla. Toimittajamarkkinoiden riskien arviointi ja niiden mahdollisuuksien tunnistaminen ovat haastavia tehtäviä, mutta onnistuessaan ne tarjoavat uusia liiketoimintamahdollisuuksia.

Viesti 3: Big data voidaan luokitella sen muodon (strukturoitu, puolistrukturoitu, strukturoimaton) ja omistajuuden tai pääsyn perusteella (yksityisomisteinen, julkinen, ostettu).

Tärkeimpiä datan ja informaation (kuvassa ennakkotietojen – pre-knowledge) teemoja ulkoisilta toimittajamarkkinoilta ovat tulevaisuuden markkinatrendien tarkastelu ja ennustaminen, innovaatiot ja teknologiat, toimittajien laatu ja toimituskyky, nykyisten toimittajien kyvyt, uudet toimittajat ja ratkaisut, maailmanlaajuiset hintatasot sekä tuotteiden/palveluiden saatavuus.

Taulukosta 1 löytyy esimerkkejä big data -analytiikan sovelluksista toimittajamarkkinatietämyksen luomiseen olemassa olevan kirjallisuuden ja aikaisempien tutkimusten perusteella. Taulukosta 2 taas löytyy data- ja informaatioesimerkkejä yllä olevan kuvan jaottelun eri osa-alueisiin (intranet, ekstranet, toimittajamarkkinatiedot, sosiaalinen massadata), pro gradussa kerätyn empiirisen aineiston perusteella.

Viesti 4: On tehokkaampaa luoda arvoa big data -analytiikan avulla yhteistyössä palveluntarjoajan kanssa kuin tehdä se yrityksen sisällä.

Kun yritys hyödyntää ulkoista big data -analytiikan palveluntarjoajaa, sen ei tarvitse investoida perusanalytiikkaan, mutta kattavammat tietolähteet ja analyyttinen osaaminen ovat sen käytettävissä. Monet yritykset pyrkivät saavuttamaan suuret hyödyt big data -analytiikan avulla liian nopeasti ja liian pienillä resursseilla. Tämä johtaa kriittisen pisteen saavuttamiseen nopeasti, usein 3–6 kuukauden kuluttua, sekä kertaluonteisiin ja irrallisiin kokeiluihin.

Ulkoinen palveluntarjoaja mahdollistaa systemaattisen toimittajamarkkinatietämyksen luomisen integroimalla sisäistä ja ulkoista dataa eri lähteistä ja tietokannoista pilvipalveluun. Palveluntarjoaja hyödyntää kehittynyttä analytiikkaa ja interaktiivisia hallintatyökaluja ja luo niiden avulla päätöksentekijälle yhden helppokäyttöisen käyttöliittymän.

Viesti 5: Ennen ja jälkeen analyysia tapahtuvat prosessit ovat haastavampia kuin itse analyysi.

Tietojen yhdisteleminen ja organisointi tulee tehdä ennen analyysia, mikä on työlästä, koska strukturoimatonta tietoa löytyy eri muodoissa (esim. teksti, numero tai kuva) ja eri lähteistä (esim. yritysten tietokannat, sosiaalinen media tai kirjallisuus). Analysoitu tieto tulee jakaa yrityksen sisällä ja omaksua, jolloin analyysin ymmärtämisen ja liiketoimintayksiköiden välisen yhteistyön merkitys korostuvat. Eri tahot voivat olla vastuussa näistä prosesseista, mutta tärkein vaihe arvonluomisessa big data -analytiikan avulla on ymmärtää toimittajamarkkinoiden tärkeimmät elementit ja analysoitu tieto.

Ratkaiseva tekijä arvonluonnissa on siis pienentää analyytikkojen ja päätöksentekijöiden välistä kuilua. Palveluntarjoajien tulee räätälöidä palveluja asiakkaan tarpeiden mukaan, mutta hankinnan ammattilaisten valveutuneisuus, kiinnostus ja osallisuus big data -analytiikan hyödyntämiseen on yhtä tärkeää. Onnistunut analyysi edellyttää oikeiden kysymysten kysymistä.

Big data -analytiikan tulevaisuudennäkymät

Tekoälypohjaisen koneoppimisen ja automaation merkitys lisääntyy entisestään big datan analysoimisessa. Teknologian kehitys, kuten kognitiivinen tietojenkäsittely, robotiikka, mobiiliteknologia ja esineiden internet (Internet of Things), luo mahdollisuuksia, jotka vaativat vielä lisätutkimusta parhaan hyödyn saavuttamiseksi. Hankintojen ja koko toimitusketjun digitalisaatio muuttaa prosesseja ja luo uusia toimintatapoja.

Salla Paajanen VTT

Salla Paajanen, tutkija

Anna Aminoff VTT

Anna Aminoff, erikoistutkija
Twitter: @AminoffAnna

The unexploited opportunities of big data analytics in supply market intelligence

The opportunities of big data analytics (BDA) were studied in a recently published master’s thesis ‘Opportunities of big data analytics in supply market intelligence to reinforce supply management’ ( by Salla Paajanen, a Research Scientist at VTT. The big data characteristics of high volume, variety and velocity (3Vs) require utilizing advanced analytics. In this blog, we will present five messages that every supply management professional should recognise. Finally, we will unwrap some of the future trends of BDA according to big data professionals.

Message 1: Insight-based decision-making in supply management creates competitive advantage for a company.

Supply market intelligence (SMI) that can be defined as the ability to develop deep insights into key supplier market characteristics is important in supply management especially in driving innovation, sourcing strategy formation and supply risk management. SMI is a key element in creating competitive advantage, but its opportunities are still not identified and exploited in many companies, and insight-based decision-making is insufficiently utilized in supply management. Recognising the company’s needs is important in data-driven decision-making. The needs can derive from the point of view of sales, supply management or product development. Supplier technology road mapping in collaboration with other business units, like R&D, enables enhanced product and business development. When the perception of the supply markets changes, a need may be derived to reform existing business and strategy. Thus, SMI contributes to forming strategic partnerships with suppliers and developing new ecosystems.

Message 2: BDA has great potential in creating systematic SMI.

Companies can create competitive advantage by analysing big data according to their needs by applying analytical capabilities. It is notable that value via BDA is realised only when the analysis is used for data driven decisions or actions, such as identifying and implementing (collaboration) opportunities or selecting the best suppliers. Furthermore, BDA reduces unexpected events (e.g., supplier’s bankruptcy or market price fluctuation), as well as response time through proactive action planning. Supply markets’ risk assessment and opportunity identification are challenging, but once successful, can offer new business development opportunities.

Message 3: Big data can be categorised based on its form (structured; semi-structured; unstructured), and ownership or access to it (proprietary; public; purchased).

Some of the most important data and information (referred to as ‘pre-knowledge’ in the above figure) that is needed from the external supply markets are examining and forecasting future market trends, innovations and technologies, suppliers’ quality and delivery performance, existing suppliers’ abilities, but also new suppliers and solutions, global price levels as well as product/service availability.

Examples of BDA applications in creating SMI according to existing literature and previous studies can be found via the following link. This link on the other hand presents examples of data and information for different pre-knowledge categories as per the above figure based on the conducted research.

Message 4: Value creation with BDA is more efficient in collaboration with a solution provider than when implemented entirely in-house.

When utilising the capabilities of an external BDA solution provider, the company does not have to invest in basic analytics, but has access to more comprehensive data sources and analytical skills. Many companies attempt to achieve large gains from BDA too fast and with too little resources. This results in encountering a tipping point quickly, often from 3–6 months, as well as nonrecurring and disconnected experiments.

An external solution provider enables the creation of systematic SMI by integrating internal and external data from different sources and databases into a cloud warehouse management system. By utilising advanced analytics and interactive management tools, the solution provider can create an easy to use single point of truth user interface for the decision-maker.

Message 5: Pre- and post-analysis processes are more challenging than the actual analytics implementation.

Data aggregation and organisation are prerequisites for the analysis, which is labor-intensive due to large amounts of unstructured data in different formats (e.g., textual, numeric or graphic) and in different sources (e.g., corporate internal databases, social media or literature). Analysed information needs to be shared and absorbed internally in the company, which emphasises understanding the analysis and collaboration between the business units. Different parties can be responsible for these processes, but the most important step in creating value via BDA is understanding the key elements of the supply market and the analysed data. Closing the gap between analysts and decision-makers who are actually utilising the analysed data is a determining factor for realising the value from BDA. Solution providers need to tailor their services according to customer needs, but enlightenment, interest and involvement of supply management professionals in utilising BDA is equally important. Hence, asking the right questions is one of the requirements for a successful analysis.

Future trends of BDA

In the future, artificial intelligence (AI) -based machine learning and automation will continue to increase importance in analysing big data. Technological developments, such as cognitive computing, robotics, mobile technologies and Internet of Things (IoT) create future opportunities that still require further research in order to achieve the best benefits. Digitalisation of supply management and the entire supply chain changes processes and creates new methods of working.

Salla Paajanen VTT

Salla Paajanen, Research Scientist

Anna Aminoff VTT

Anna Aminoff, Senior Scientist
Twitter: @AminoffAnna

Miksi toimittajamarkkinatietämys on yrityksille elintärkeää?

VTT, Aalto-yliopisto ja Suomen Osto- ja Logistiikkayhdistys LOGY ry järjestivät 31.1.2017 seminaarin, jossa oli aiheena toimittajamarkkinatietämys ja big data -analytiikka. Tilaisuuteen osallistui yli 50 hankinnan ammattilaista suomalaisista eturivin yrityksistä. Microsoftin edustaja kertoi big datan muuttamisesta älykkääksi toiminnaksi, jolla tehostetaan yrityksen toimintoja. Hankintatoimen analytiikkaratkaisuja tarjoavan Sievon edustaja esitteli näkökulmia dynaamisesta suorituskyvyn mittaamisesta, joka mahdollistaa yrityksen tehokkuuden parantamisen maailmanlaajuisesti. Tilaisuuden lopuksi VTT veti työpajan big data -analytiikan hyödyntämisestä.


Kuva: Hanna van der Steen

Toimittajamarkkinatietämys eli Supply Market Intelligence (SMI) on kykyä luoda syvä ymmärrys keskeisistä toimittajamarkkinoiden ominaisuuksista, kuten uusista teknologioista, hinta- ja kustannustrendeistä, yritysfuusioista ja -kaupoista, kapasiteettivaatimuksista, laadusta ja toimituskyvystä sekä muista keskeisistä toimittajien ominaisuuksista, jotka luovat pohjan strategiselle hankinnalle. SMI on osa markkinatuntemusta (Market Intelligence – MI), joka luo pohjan koko toimitusketjun hallintaan. SMI taas liittyy tarkemmin hankintatoimen prosesseihin, kuten hankintastrategian määrittämiseen ja tuotekategorioiden johtamiseen.

Miksi toimittajamarkkinatietämys (SMI) on tärkeää?

Koska yritykset käyttävät liiketoiminnassaan ulkoisia resursseja yhä enemmän, toimittajamarkkinatietämyksestä on tullut yksi yritysten ydinkyvykkyyksistä. Toimittajamarkkinatietämys on strategisen hankintatoimen perusta. Lisäksi sillä on suuri merkitys koko yrityksen johtamiselle, sillä asiakastarpeiden tyydyttäminen edellyttää yhä useammin sisäisten ja ulkoisten resurssien yhdistämistä optimaalisesti. Systemaattisen SMI:n luominen on keskeinen edellytys oikeiden toimittajien valitsemiseksi, hyvien sopimusten tekemiseksi ja parhaiden yhteistyömallien kehittämiseksi.

Toimittajamarkkinoiden arviointi mahdollistaa potentiaalisten kustannustehokkaiden markkinoiden, uusien teknologioiden ja innovaatioiden tunnistamisen ennen kilpailijoita. Lisäksi SMI:n luominen on olennaista toimittajamarkkinoiden riskienhallinnassa, kuten markkinahintojen vaihtelujen ennustamisessa ja neuvoteltujen kustannusten noudattamisessa.

Big data -analytiikan mahdollisuuksia

Informaatioteknologiaa ja big data -analytiikkaa voidaan hyödyntää resurssien optimoimisessa hankintatoimen johtamisen tueksi, ja niiden käyttäminen luo kilpailuetua yritykselle. Big data -analytiikan hyödyntäminen parantaa yrityksen suorituskykyä, riskienhallintaa sekä kykyä luoda syvää ymmärrystä toimittajamarkkinoista.

Big data -analytiikka luo arvoa

  1. toimintojen läpinäkyvyyden ja avoimuuden kautta
  2. tarpeiden ja vaihtelun havaitsemisella
  3. toimintojen muokkauksella segmentoinnin perusteella
  4. päätöksenteon tukemisella automatisoitujen algoritmien avulla
  5. uusien liiketoimintamallien, tuotteiden ja palvelujen innovoimisella.

Supplier Market Intelligence (SMI) ja big data -seminaarin työpajan tuloksia

Seminaarin työpajaosuuteen osallistui noin 40 hankintatoimen eri alojen ammattilaista. Saimme kerättyä mielenkiintoisia näkemyksiä ja kommentteja mm. siitä, mitä toimittajamarkkinoista pitäisi tietää ja miten muutoksiin voidaan varautua tietämyksen ja big datan avulla hankintojen johtamisen tueksi.

Alla olevassa kuvassa on yhteenvetona työpajan tuloksia siitä, mitä toimittajamarkkinoista pitäisi tietää, jaoteltuna big datan eri osa-alueisiin. Big data voidaan jakaa jäsentelyn perusteella strukturoituun ja strukturoimattomaan tietoon sekä omistajuuden perusteella yksityisomisteiseen ja avoimeen tietoon.


Yksityisomisteisen sisäisen tiedon systemaattisuus ja jäsentely toimivat lähtökohtana avoimen ulkoisen tiedon keräämiselle. Hinnan muodostuminen ja kustannusvertailu nousivat ryhmissä yhdeksi tärkeimmistä osa-alueiksi toimittajamarkkinoilta tarvittavaksi tiedoksi. Myös teknologioiden kehitys ja innovointimahdollisuudet toimittajien kanssa nähtiin tärkeiksi tiedoiksi, joita tarvitaan hankintojen johtamisen tukena.

Big data -analytiikan mahdollisuuksia toimittajamarkkinatuntemuksessa tutkitaan osana Tekesin, VTT:n ja suomalaisten yritysten rahoittamaa Supplier Innovation Management (SIM) -projektia, jossa VTT:n tutkimuskumppanina on Aalto-yliopisto.


Anna Aminoff, erikoistutkija
Twitter: @AminoffAnna


Salla Paajanen, tutkimusharjoittelija