ANALYTIIKKA OSANA INNOVAATIOSTRATEGIAA Analytics supporting innovation strategy decision-making Lappeenrannan–Lahden teknillinen yliopisto LUT Tuotantotalouden kandidaatintyö 2022 Riku Mattila Tarkastaja: Tutkijaopettaja Antero Kutvonen TIIVISTELMÄ Lappeenrannan–Lahden teknillinen yliopisto LUT School of Engineering Science Tuotantotalous Tekijä: Riku Mattila Analytiikka osana innovaatiostrategiaa Tuotantotalouden kandidaatintyö 2022 37 sivua, 7 kuvaa ja 2 taulukkoa Tarkastaja: Tutkijaopettaja Antero Kutvonen Avainsanat: innovaatiostrategia, innovaatiojohtaminen, innovaatioportfolio, data-analy- tiikka, strateginen valinta, strategian muodostus, dataohjautuva innovaatio Keywords: innovation strategy, innovation management, innovation portfolio, data-analyt- ics, strategic choice, strategy formulation, data-driven innovation. Yritykset ja organisaatiot ovat keskellä digitaalisen muutoksen aikaa. Viime vuosikymme- nen teknologinen kehitys on muuttanut yritysmaailmaa, mutta miten se on vaikuttanut yri- tyksen innovaatiostrategiaan ja päätöksentekoon? Yrityksien eritasojen päätöksentekoa on tarkennettu, nopeutettu ja tehostettu data-analytiikan avulla. Yrityksien innovaatiostrategia on useimmissa tapauksissa ollut, joko uuden kehittämiseen tai vanhan parantamiseen keskit- tyvää. Dataohjautuvien organisaatioiden yleistyessä myös innovaatiojohtaminen vääjää- mättä muuttuu ja hyödyntää teknologisen muutoksen tuomaa edistystä. Yrityksen innovaa- tioiden tuoma kilpailuetu on usein se, mikä erottaa menestyvät ja epäonnistuvat yritykset tai organisaatiot. Työn tarkoituksena on selvittää, miten analytiikkaa muokkaa innovaatiostrategian ja proses- sin keskeistä päätöksentekoa. Työssä tarkastellaan erityisesti innovaatioprosessin alkupään päätöksentekoa ja luodaan tiivis kuva analytiikan roolista taktisen ja operatiivisen tason pää- töksissä. Innovaatiojohtamisen viitekehyksessä päätökset ovat monisyisiä ja kompleksisia. Data-ana- lytiikan vaikutuksella innovaatiostrategian luonne muuttuu adaptiivisemmaksi, sekä saa enemmän emergenttejä piirteitä. Eri analytiikan metodit auttavat eri tavoin päätöksissä ja varsinkin koneoppiminen ja trendientunnistus omaavat suurimman potentiaalin. Päätöksen- teosta ja strategiasta tulee ketterämpiä, sekä innovaatioprosessin tärkeimmäksi tekijäksi ja ajuriksi osoittautuvat asiakkaat ja asiakasdata. Onnistunut integrointi vaatii oikeanlaisen asennoitumisen ja dynaamisia kyvykkyyksiä organisaatiolta. Sisällysluettelo 1 JOHDANTO ................................................................................................................... 3 1.1 Opinnäytetyön tausta ............................................................................................. 3 1.2 Löydöt .................................................................................................................... 4 1.3 Opinnäytetyön tarkoitus ja tutkimuskysymykset ................................................... 4 1.4 Rajaukset ................................................................................................................ 5 1.5 Työn rakenne ......................................................................................................... 5 2 INNOVAATIOSTRATEGIA ........................................................................................ 6 2.1 Strategia ja sen muodostuminen ............................................................................ 6 2.2 Innovaatiostrategian viitekehys ja sen päätöksenteko ........................................... 8 2.3 Ylemmiltä strategian tasoilta innovaatioportfolion kehittämiseen ...................... 10 3 DATA JA ANALYTIIKKA ......................................................................................... 14 3.1 Mitä data ja analytiikka ovat? .............................................................................. 14 3.2 Data osana innovaatioprosessia ........................................................................... 16 3.3 Dataohjautuva innovaatio .................................................................................... 18 4 ANALYTIIKKA OSANA INNOVAATIOSTRATEGIAA ........................................ 22 4.1 Analytiikan hyödyntäminen taktisen tason päätöksenteossa ............................... 22 4.2 Analytiikka alkupään operatiivisessa päätöksenteossa ........................................ 24 4.3 Analytiikka innovaatioportfolion alkupään operatiivisessa päätöksenteossa ...... 27 5 JOHTOPÄÄTÖKSET .................................................................................................. 30 LÄHTEET ........................................................................................................................... 32 3 1 JOHDANTO Epävakaa maailmantilanne, inflaation kiihtyminen ja muut äkilliset muutokset vaativat yri- tyksiä tekemään yhä nopeampia strategisia ja operatiivisia päätöksiä. Miten päätöksistä voi- daan tehdä todennäköisemmin parempia, tarkempia ja kilpailukykyisempiä? Päätöksien luonne riippuu yrityksen koosta ja strategiasta. Kuitenkin asiaan kuuluva riskinotto voi jäädä vähälle, mikäli päättäjät pelkäävät oman työpaikkansa puolesta. Data ja data-analytiikka voi- vat antaa päätöksien tueksi tietoa ja varmuutta. Innovaatiostrategian muodostuksessa ja pää- töksenteossa on kuitenkin epäjatkuvuus kohta toimitusjohtajan tahdon ja innovaatiostrate- gian syntymisen välillä. Innovaatiostrategian syvintä luonnetta ei juurikaan ole tutkittu. Voi- siko tämän aukon täyttää data-analytiikalla? 1.1 Opinnäytetyön tausta Ajatus kandityönaiheesta lähti realisoitumaan kokemani työelämän karun totuuden perus- teella. Yllätyin siitä, miten vähän dataa hyödynnetään isoissakaan yrityksissä. Yrityksissä on edelleen suuri määrä hyödyntämätöntä dataa, jota voisi data-analytiikalla ottaa hyöty- käyttöön. (Blackburn, Alexander, Legan & Klabjan, 2017). Useat merkittävän kokoluokan päätökset tehtiin ”hihasta vedetyillä” luvuilla. Asiantuntijan mielipide ja konsultointi on luonnollisesti yksi tapa tehdä päätöksiä, mikä taas usein perustuu intuitioon. Data tarvitsee luonnollisesti jonkinlaista analytiikka selittämään, muuttamaan ja yhdistelemään osat hyö- dylliseksi kokonaisuudeksi (Hannah, Tidhar & Eisenhardt, 2021). Asiantuntijoiden intuitio ja suositus voivat kallistua ”riskittömämpään” päätökseen, jos objektiivista tietoa ei ole tar- jolla. Objektiivisuus ei ole ihmiselle luontaista, minkä takia tarvitaan myös muita keinoja päätöksenteon tueksi. Data on lähtökohtaisesti objektiivista, mutta sen mittarit ja analysoin- titavat voivat tahattomasti vääristää tuloksia. Tietyillä kriteereillä valitulla datalla voi perus- tella päätöstä kuin päätöstä. Innovaatioiden tulevaisuuden todennäköinen ja jatkuva kiihty- minen ja tarpeellisuus antaa näkökulman ja suunnan. Tässä työssä käsitellään innovaatiostra- tegiaa ja pyritään tunnistamaan ihanteellinen innovaatiostrategiaprosessi, jonka päätöksen- teon avuksi voisi tehokkaasti käyttää data-analytiikkaa. Toisaalta tarkoituksena on myös kar- toittaa keskeisimpiä strategisia päätöksiä. 4 1.2 Löydöt Innovaatiostrategian muodostamisesta on kirjoitettu äärimmäisen vähän, sillä se usein tulki- taan osaksi yritysstrategiaa. Aihetta ei juurikaan ole muutamaa tapaustutkimusta lukuun ot- tamatta tutkittu, mutta innovaatiojohtamiseen ja strategiseen päätöksentekoon on hyödyn- netty data-analytiikkaan jo varsin pitkään. Epäjatkuvuus johdon tahdon ja strategian muo- dostumisen välillä antaa työlle raamit. Varsinaisia tutkimuksia datan hyödyntämisestä inno- vaatiostrategiaan tai strategiaprosessiin ei löytynyt saatavilla olevista lähteistä, mutta ana- lyysin taustana käytettiin aihetta läheltä sivuavia esimerkkejä. 1.3 Opinnäytetyön tarkoitus ja tutkimuskysymykset Opinnäytetyön tarkoituksena tunnistaa mahdollisia datan käyttökohteita innovaatiostrate- gian muodostamisessa ja innovaatiojohtamisen päätöksenteossa. Innovaatiostrategia ja muut strategiat perustuvat usein historian tulkintaan ja ympäristöstä muodostuvaan analyysiin. In- novaatiostrategian syntymistä ei ole tutkimuksissa juurikaan käsitelty, vaikka sitä pidetään yhtenä tärkeimpänä tekijänä yrityksen menestyksen kannalta. Kirjallisuuskatsauksen perus- teella pyritään vastaamaan tutkimuskysymyksiin ja luomaan kokoelma päätöksenteon ja analytiikan potentiaalisista vaihtoehdoista. Kandidaatintyön tarkoituksena on vastata mahdollisimman kattavasti seuraavaan päätutki- muskysymyksiin: Miten analytiikka muokkaa innovaatiojohtamisen strategista päätöksentekoa? Toisena tarkoituksena on vastata seuraaviin apututkimuskysymyksiin: Miten analytiikka muokkaa innovaatioprosessin strategista päätöksentekoa? Mitä tarvitaan käyttöönotettavaan innovaatioportfolioon? Tarkoituksena on kartoittaa, miten data-analytiikkaa hyödynnetään tällä hetkellä yrityksien innovaatiostrategioissa tai prosessin päätöksenteossa, ja muuttuuko päätöksenteon tai strate- gian luonne olennaisesti analytiikan avulla. Innovaatioportfolio on taas mukana työssä kes- keisenä päätöksenteon osa-alueena ja apukysymyksenä. Innovaatiojohtamisen strategisella 5 päätöksenteolla viitataan ylemmän tason päätöksentekoon, kun taas prosessin strategisella päätöksenteolla arkisempiin tilanteisiin ja operatiivisen tason päätöksentekoon. 1.4 Rajaukset Kandidaatintyö käsittelee kolmea erilaista aihealuetta: dataa ja analytiikkaa, strategian muo- dostumista ja innovaatiojohtamista. Näiden kolmen aihealueen yhdistäminen on haastavaa ja todennäköisesti kaikki tapaukset kattava työ olisi elämäntehtävätyyppinen projekti. Työ rajautuu erityisesti näiden ja aikateknisten syiden takia seuraavasti. Työssä en ota syvemmin kantaa analytiikan, big data-analytiikan tai dataohjautuvuuden tekniseen toteutukseen. En myöskään erottele, vaan keskityn tunnistamaan datan lähteet, työkalun ja analytiikan muo- don. Innovaatiostrategian puolella en keskity markkinointiin ollenkaan ja tuotantoonkin hy- vin rajallisesti. Strategian osalta keskitytään alempien tasojen päätöksentekoon. Työn pää- paino on innovaatioprosessien alkupuolella ja pörröisessä alkupäässä, sillä ne sisältävät kai- kista vaikuttavimmat päätökset innovaatiojohtamisen kannalta. Kuvatut innovaatioprosessit liittyvät vahvasti tuoteinnovaatioihin, sillä esimerkiksi Mathews (2011) on tarkasti määrit- tänyt uuden tuotteen kehitysprosessin eri vaiheet. 1.5 Työn rakenne Opinnäytetyön ensimmäinen luku keskittyy strategian, innovaatiostrategian ja innovaatio- prosessin teoreettisen taustan kartoittamiseen. Ensimmäinen luku antaa pohjakäsityksen strategian muodostumisesta, niin tavallisessa yritystoiminnassa, kuin myös innovaatiostra- tegiassa. Ensimmäisessä luvussa pyritään myös kartoittamaan innovaatiostrategiaprosessia aina innovaatioportfolioon asti. Toinen luku syventyy dataan ja data-analytiikan yleisen ta- son teoriaan. Toisen luvun lopulla käydään läpi erilaisia analytiikan keinoja ja integroimista osaksi innovaatioprosessia, sekä kartoitetaan dataohjautuvan innovaatioprosessin teoriaa. Kolmannessa luvussa sidotaan analytiikkaa osaksi innovaatiostrategiaa ja portfoliota keskei- sissä ja datan käyttöä osana keskeisiä eri tasojen strategisia päätöksiä. 6 2 INNOVAATIOSTRATEGIA Innovaatioiden merkittävä rooli yrityksien arvonluonnissa ja kestävän kilpailuedun luomi- sessa on kiistaton (Mathews, Scott H., 2013). Kuitenkin innovaatiostrategiasta tai sen muo- doista onkin kirjoitettu hämmästyttävän vähän, mihin osasyynä saattaa olla sen integroimi- nen osaksi muuta yrityksen keskeistä strategiaa. Tästä syystä työssä tarkastellaan soveltuvin osin tavanomasta strategiakirjallisuutta ja strategian muodostumisprosesseja, joista valitaan innovaatiojohtamisen ja -strategian kannalta relevanteimmat osuudet. Strategiaa työssä tar- kastellaan taktisesta ja operatiivisella tasolla. Innovaatiot ovat siis keskeinen osa strategiaa ja toisaalta yrityksen tulee ottaa huomioon innovaatioissa myös koheesio strategian kanssa. Kolmannessa kappaleessa tuomme innovaatiostrategian ylemmiltä tasoilta innovaatioport- folion rajapintaan. 2.1 Strategia ja sen muodostuminen Strategiasta ei ole olemassa yhtä koherenttia määritelmää, vaan lähteestä riippuen se voidaan määritellä vaihtelevin tavoin. Strategian perustarkoituksena on luoda toivottu tapahtumien- kulku, mikä tarjoaa eri tasojen päätöksien tekijöille juuri sen verran tietoa, kuin he tarvitsevat (Van den Steen, 2017). Vastaavasti Mintzberg & McHugh (1985) määrittelevät strategian eri tasoilla tapahtuvien päätöksien ja toimenpiteiden virraksi. Saman suuntainen on myös määritelmä strategiasta tapana pystyä hallitsemaan ja varmistamaan päätöksentekoa suurem- missa yrityksissä, joissa valvonta on haastavaa (Porter, 1991). Yksinkertaistettuna strategia siis antaa suunnan ja raamit eri tasojen päätöksiin, minkä avulla saavutetaan asetettu ideaali tavoite, mikä usein tähtää kasvuun, kilpailuetuun ja menestykseen. Strategia ei ole pelkäs- tään yksi tavoite, vaikka yrityksien viestinnästä voisikin niin päätellä, vaan toiminnan suunta nykyhetken ja tavoitteen välillä. Havainnollistamiseksi usein strategia jaetaan usein pienem- piin kokonaisuuksiin. Nämä kokonaisuudet voisivat olla konserni, yritys, yksikkö (taktinen) ja operationaalinen taso, kuten Johnson, Scholes ja Whittington (2007, s. 7-12) ne jakavat. Hierarkkisessa suhteessa konsernitasonstrategia antaa raamit yritys- ja yksikkötasolle ja vas- taavasti yksikkötaso ohjaa operationaalisen tason strategiaa. Strategia usein määritellään 7 riippuen kontekstista joistain seuraavista viiden P:n muodosta: suunnitelma, juoni, malli, positio, perspektiivi (Mintzberg, 1987). Strategian muodostamisesta on sellaisenaan vaikeaa kuvata konkreettista prosessia, koska se usein määritellään kirjallisuudessa kuvailevasti. Yrityksen strategian muodostumisproses- sista Mintzberg & Waters (1985) kertovat sen vaihtelevan emergentin ja suunnitellun suun- nan välillä, kuitenkaan se ei ole täydellisesti kummassakaan ääripäässä. Emergentti strategia muodostuisi puhtaasti ilman aiempia aikeita, kun taas puhdas suunniteltu strategia seuraisi täydellisesti esimerkiksi yrityksen toimitusjohtajan tahtoa (Mintzberg & Waters, 1985). Suunniteltu strategia (Deliberate strategy) ei ole paras mahdollinen käännös, mutta ajaa asi- ansa. Voidaan todeta täydellisen emergentin tai suunnitellun strategian toteutumisen reaali- maailmassa erittäin epätodennäköiseksi (Mintzberg & McHugh, 1985). Tässä työssä strate- gian muodostumisen tai muodostamisen osalta keskitytään suurelta osin Mintzbergin näke- mykseen strategioista tietoisena riskinä. Varsinkin innovaatioiden kontekstissa on relevant- tia kyseenalaistaa tavanomaisen suoraviivainen ja suunnitelmallinen strategia-ajattelu. Kuva 1. Strategian muodostuminen mukaillen (Mintzberg & McHugh, 1985) Kuvassa strategiat jaotellaan niiden toteutumisen ja esiintymisvaiheen mukaan. Mikäli aiottu strategia toteutuu sellaisenaan, on kyseessä suunniteltu strategia. Suunnitellun strategian voi viedä sellaisenaan loppuun asti, mikäli ylempi johtoporras sen haluaa itsepäisesti tehdä. Vas- taavasti aiottu strategia saattaa muuttua tai vaihtua matkalla, jolloin syntyy emergentti stra- tegia. Emergentin strategian syntymiseen voi vaikuttaa esimerkiksi uusi idea, muutos 8 maailman- tai markkinoidentilanteessa, tai jokin muu ulkoinen tai sisäinen tekijä. (Mintzberg & McHugh, 1985) 2.2 Innovaatiostrategian viitekehys ja sen päätöksenteko Innovaatiostrategia on usein yhtenä osana yrityksen strategiassa ja ohjaa omalta osaltaan yrityksen toiminnan suuntaa. Inkrementaalit ja radikaalit innovaatiot ovat yksi olennainen kilpailuedun lähde yrityksille nyt ja tulevaisuudessa (Farida & Setiawan, 2022). Inkremen- taalit innovaatiot tuovat pieniä tehostavia muutoksia tai parannuksia ja radikaalit innovaatiot ovat esimerkiksi toimialaa tai kilpailukenttää radikaalisti muuttavia (Johnson et al., 2007, s. 328-332). Kuten muissakin strategian osa-alueissa, innovaatiostrategiassa pyritään mahdol- lisimman tehokkaaseen resurssien hyödyntämiseen ja kilpailuetutekijöihin (Klingebiel & Rammer, 2014). Innovaatiostrategiaa käsitellessä voidaan keskittyä emergentteihin strategi- oihin, joiden avulla voidaan strategiaa muuttaa nopeasti tiedon karttuessa (Covin, Green & Slevin, 2006). Innovaatiostrategia noudattaa suurilta osin samaa kaavaa muun strategiatyös- kentelyn kanssa. Valmiita innovaatiojohtamiseen liittyviä strategioita on kirjallisuudessa tunnistettu vain muutamia. Esimerkkeinä innovaatiostrategioista tutkimus ja hyödyntäminen strategiat (Exploration vs Exploitation) (March, 1991) ja sinisen meren strategia (Kim, W. C. & Mauborgne, 2005). Sinisen meren strategia pyrkii radikaaleihin innovaatioihin ja sel- laisille markkinoille, joita ei vielä ole. Koko sinisen meren strategia perustuu ensimmäisen toimijan etuun ja sellaiselle markkinaosuudelle, joissa harjoittajan tietopääoma tai teknolo- ginen taso on muille mahdotonta saavuttaa. Marchin (1991) tutkimuksen ja hyödyntämisen strategiat tarjoavat keskeisiä innovaatioiden kysymyksiä. Strategian valinta perustuu siihen, pyrkiikö yritys uudistumaan vai hyödyntä- mään olemassa olevia kyvykkyyksiä. Tutkimus- ja hyödyntämisstrategiat ovat relevantteja eri kokoluokan yrityksille. Suurissa ja keskisuurissa yrityksissä tutkimusstrategia on yhtey- dessä parempaan suoriutumiseen, kuitenkin strategian valintaan riippuu myös tarjottavan hyödykkeen muoto eli palvelu tai fyysinen tuote (Kahn & Candi, 2021). Uudempaa teoreet- tista pohjaa innovaatiostrategioista edustavat Karlsson & Tavassoli (2016), joiden mukaan innovaatiostrategiat vaihtelevat neljän eri tyypin välillä. Neljä eri innovaatiotyyppiä ovat tuote-, prosessi-, markkinointi- ja organisaatioinnovaatio. Tässä työssä emme kuitenkaan keskity markkinointi-innovaatioihin. Eri innovaatiotyyppien kombinaatiolla saadaan 9 kuusitoista erilaista mahdollisuutta ja matriisi. Kuusi eniten käytettyä vaihtoehtoa kombi- naatiosta ovat yksittäiset innovaatiotyypit, tuote- ja prosessi-innovaatio yhdessä, sekä kaikki neljä yhdessä. Nämä kuusi tyyppiä edustavat 70 % kaikista tutkituista strategioista. (Karls- son & Tavassoli, 2016) Rajoitettujen resurssien takia innovaatioiden olennaisin päätöksenteko liittyy näille neljälle tunnistetulle alueelle. Oikeanlainen resurssiallokaatio nostaa innovaatioiden tehokkuutta (Klingebiel & Rammer, 2014). Kysymys voi liittyä päätöksenteon osalta siihen, onko tavoit- teena teknologian uudistuminen, joka myöhemmin antaa meille kilpailukykyä vai edellyttä- vätkö markkinat jo kyseisen kaltaista edistysaskelta. Innovaatioiden onnistuminen on tärkeä osa ylemmän johtoportaan päätöksentekoa ja yritysstrategiaa (Cassiman & Veugelers, 2006). Nopeassa muutoksessa voi tilanteesta riippuen olla perusteltua lähteä suuntaamaan innovaatiostrategiaa siniselle merelle. Karlsson & Tavassoli (2016) mukaan toinen olennainen päätöksenteon kysymys on inno- vaatiostrategiaa muodostaessa innovaatioiden muoto. Onko kyseessä projekti- vai prosessi- innovaatio? Projekti-innovaatio keskittyy esimerkiksi yhden lopputuotteen kehittämiseen ja valmiiseen markkinoitavaan lopputuotteeseen. Prosessi-innovaatio taas viittaa yrityksen lii- ketoimintamallin muuttamiseen. Tällöin innovaatioon liittyvä arvonlisäys voi tulla esille muuta kautta kuin lopputuotteen arvossa. Liiketoimintamallin innovaatio voi vähentää hä- vikkiä, henkilötyötunteja tai muutoin tehostaa liiketoimintaa. Kolmas strateginen päätös voi syntyä muiden päätöksien pohjalta, mutta on varmasti vaikeimpia päätöksiä innovaatiostra- tegian saralla. Innovaatiomallin valinta eli toteutustapa on usein monisyinen ja kompleksi- nen päätös. Yleisimmät mahdolliset valinnat ovat sisäinen, suljettu ja avoin innovaatiomalli, sekä näiden eri alalajit: joint-venture tai co-opetition. Mikäli yritys ei osallistu innovaatio- yhteistyöhön, voi se menettää kilpailuetuja (Enkel, Gassmann & Chesbrough, 2009). Inno- vaatioprosessi ja strategiaprosessi voidaan nähdä toisiaan täydentävinä epälineaarisina ja emergenttejä piirteitä omaavana yhtenäisenä prosessina (Leitner, 2015). Innovaatiostrategian perspektiivi riippuu olennaisesti tärkeimmäksi koetusta kilpailuetute- kijästä. Kilpailuetutekijät määrittävät strategialle pohjan ja fokuksen. Innovaatiostrategia voi pohjautua markkinalähtöiseen (Porter, 1980), resurssipohjaiseen (Barney, 1991; Werner- felt, 1984), dynaamiseen resurssipohjaiseen (Rumelt, Schendel & Teece, 1991; Winter, 2003), asiakaslähtöiseen tai datalähtöiseen ajatteluun. 10 2.3 Ylemmiltä strategian tasoilta innovaatioportfolion kehittämiseen Yrityksen kokonaisstrategian osa innovaatiostrategia kulminoituu innovaatioportfolion hal- lintaan. Innovaatioportfolio muodostuu vain hyvin avoimesti määritellyn strategian tai stra- tegisen aikeen pohjalta (Mathews, Scott, 2010), mikä lähestulkoon omaa Mintzbergin esit- tämät piirteet emergenteistä strategioista. (Terwiesch & Ulrich, 2008) toteavat innovaatioi- den mahdollistavan strategian muutoksen ja arvioivat yrityksien ylemmän johdon olevan puolueellisia strategian muodostuksessa. Innovaatioportfoliota saatetaan käyttää kirjallisuudessa projektiportfolion synonyyminä, mutta lähemmän tarkastelun perusteellaan niiden prosessit ja aikahorisontit eroavat merkit- tävästi (Mathews, 2010). Innovaatioportfolion aikajänne on laskettava vuosissa ja se voi toi- mia esivaiheena projektiportfoliolle. Terminä yritysmaailmassa portfolio tarkoittaa eri sijoi- tuskohteiden kokonaisuutta. Innovaatioportfolio vastaavasti koostuu alkuvaiheessa olevista potentiaalisista konsepteista ja ideoista. Innovaatioiden kypsyessä parhaista konsepteista muodostuu projekteja, joiden luonnollinen jatkumo on innovaatioprojektiportfolio. (Mat- hews, 2010) 11 Kuva 2 Innovaatioprosessi mukaillen (Leitner, 2015; Mathews, 2011) Innovaatioprosessi mukailee yritysstrategiaa ja käsittää vaiheet innovaatiostrategian muo- dostamisesta ideointiin, innovaatioportfolioon, projektiportfolioon ja lopuksi projektin lan- seeraamiseen ja innovaation diffuusioon (Mathews, 2011). Tämä työ keskittyy lähinnä in- novaatioprosessin alkupään vaiheisiin. Kuvassa 2 Mathewsin (2011) mallia sovelletaan so- veltuvammaksi tutkimusalueeseen. Ideoita kaadetaan innovaatioportfoliosuppiloon, jossa ne kypsyvät konsepteiksi ennen siirtymistä projektiportfolioihin. Alussa ideoita on satoja ja ko- konaismäärä laskee portfoliohallintaprosessin aikana. Portfolionhallintaprosessi on moni- vaiheinen ja koostuu esimerkiksi analyyttisistä menetelmistä, joilla arvotetaan konsepteja. Monimutkainen interaktio kehittyvän strategian ja epälineaarisien ideoiden välillä vaikuttaa myös muihin prosessin osiin (Mathews, 2010). Innovaatioportfolio ei ole tarkka määritelmä, mutta sillä on tiettyjä rajoituksia. Kaikki ideat eivät päädy edes innovaatioportfolioon, koska Alkuperäinen strategia Visio M issio Projektiportfolio Innovaatioportfolio Jat ku va st rat eg ian ke hi ty s Ympäristön muutokset Eme rgen tit st rate giat Sisäiset muutokset 12 niiden tulee toteuttaa yritysstrategiaa. Innovaatioportfoliolle on innovaatiostrategiassa mää- ritelty raamit. Näitä raameja ovat esimerkiksi portfolion avoimuusaste, aikajänne, riskitaso, tasapaino inkrementaalisten ja radikaalien innovaatiokonseptien välillä ja resurssien määrit- tely. Toisaalta portfolioon liittyy emergenttejä piirteitä (Mathews, 2011), eivätkä raamit ole muuta kuin suuntaa antavia. Innovaatioportfolion avoimuusaste määrittelee, mitä konsep- teista työstetään ulkopuolisen toimijan kanssa ja millä tavoin. Innovaatioportfolion painotus inkrementaalisten ja radikaalien innovaatioiden välillä painot- tuu usein ensin mainittuihin, sillä ne madaltavat riskitasoa (Mathews, 2013). Painotus voi- daan nähdä jatkeena (March, 1991) jakautumista hyödyntäviin ja tutkiviin strategioihin, joi- den tulisi olla portfolion sisällä tasapainossa. Luonnollisesti tutkivia strategioita noudattaviin konsepteihin tai projekteihin usein liittyy enemmän riskejä ja epävarmuutta - toisaalta myös suurempaa potentiaalista hyötyä. Aikajänne antaa vastaavasti portfoliolle sen ajallisen ta- voitteen konseptin jalostusprosessille. Resurssien allokaatio on yksi tärkeimmistä osista in- novaatioportfolion hallinnassa, sillä se määrittelee rajallisten resurssien käytön eri ideoiden ja konseptien välillä (Klingebiel & Rammer, 2014). Kaikki portfolioiden ideat ja konseptit eivät ole samanarvoisia, joten resurssien oikeanlainen resurssienallokointi on hankalaa ja tarkkaa työtä. Innovaatiostrategia antaa suunnan prioriteettien avulla ideoiden ja konseptien arvotukselle. Resurssiallokaatio voidaan nähdä iteratiivisena prosessina ja uudelleen allo- koinnilla voidaan muuttaa portfolion painotusta samaan linjaan strategian kanssa. Innovaa- tioportfolio onnistuakseen vaatii strategista mukautumista portfolion ja ympäristön muuttu- essa, ja tasapainon disruptiivisten ja inkrementaalisten konseptien välillä. (Kock & Georg Gemünden, 2016) Käyttöönotettavaan innovaatioportfolioon tarvitaan tietoa ympäristöstä ja yrityksen sisältä. Ennen toteutusta ympäristöstä on hyvä seurata ajankohtaista markkinadataa ja megatrendejä, sekä suorittaa ympäristön analysointia tärkeimpien sidosryhmien ja kilpailijoiden osalta. Teknologiset muutokset ja saavutukset voivat muuttaa kilpailuympäristöä. Sisäisellä sekto- rilla olennaista innovaatioportfolion kannalta on käyttämätön tai vähän käyttöasteen pääoma (Klingebiel & Rammer, 2014). Tietopääomaa tai muita resursseja voidaan myös saada käyt- töön yhteistyökumppaneilta, toimittajilta tai muilta sidosryhmiltä. Yleisimmät innovaati- ostrategian epäonnistumiset johtuvat konseptin potentiaalin aliarvioimisesta tai onnistumi- sen yliarvioinnista (Vettorello, Eisenbart & Ranscombe, 2022). 13 Innovaatiostrategiakatsauksen perusteella voimme todeta katkoksen yrityksen strategian muodostumisessa ideasta suunnaksi ja prosessin rationaalisen päätöksenteon puutteen. Yri- tyksen strategian tulisi antaa suuntaa taktisen ja operatiivisen tason päätöksenteolle. Taktisen tason päätökset strategian prioriteeteista vaikuttavat ajan myötä koko yrityksen strategiaan. Resurssiallokaatio taas vaikuttaa operatiivisen tason päätöksiin ja projektin onnistumiseen (Klingebiel & Rammer, 2014). Subjektiiviset päätökset strategiaprosessin aikana voivat hei- kentää innovaatioiden potentiaalista kilpailuetua, mikäli päätökset eivät ole rohkeita ja ra- tionaalisia. Innovaatioprosessin alkupään päätöksenteolla on eniten merkitystä suoriutumi- sen kanssa (Park, Han & Childs, 2021). 14 3 DATA JA ANALYTIIKKA Digitalisaation aikakaudella, kun yhä useampi ja useampi ala ja asia on optimoitu, tarvitaan uusia kilpailuetutekijöitä. Dataa voidaan hyödyntää strategian muodostamisessa esimerkiksi yksittäisten päätöksien kohdalla. Päättäjät voivat käyttää dataa perustellakseen omia valin- toja, ehdotuksia tai päätöksiä taustalla. Tämä voisi tarkoittaa datan vain perustelevan jo aiemmin muodostunutta päätöstä. Tällöin päätöksentekijä ei harkitsisi muita mahdollisia päätöksiä, vaan oikeuttaisi omansa. Toinen mahdollinen tapa on harkita kaikkia datan osoit- tamia potentiaalisia valintoja. Osa näistä datan tuomista päätöksistä luonnollisesti voivat olla epärelevantteja, mutta toiset voivat olla taas erittäin hyödynnettäviä. Tässä kappaleessa mää- ritellään data-analytiikkaan liittyviä käsitteitä, joita hyödynnetään myöhemmin innovaati- ostrategiaprosessissa. Luvun tarkoituksena on muodostaa lukijalle riittävä yleiskuvan da- tasta ja analytiikasta. 3.1 Mitä data ja analytiikka ovat? Data yleisesti mielletään informaation kaltaiseksi suureksi määräksi tietoa, jota ei vielä ole jalostettu informaatioksi. (Ottonicar, Valentim & Mosconi, 2019) arvioivat datan olevan fak- tapohjaista tietomassaa eli mittaustuloksia tai statistiikkaa. Datan olemassaolo ei tee yritystä autuaaksi, vaan yrityksen tulee tulkita dataa tietyssä kontekstissa potentiaalisen hyödyn saa- vuttamiseksi. Data voidaan jakaa strukturoituun ja strukturoimattomaan dataan. Strukturoitu data on rakenteen omaava ja säilötty tietokantaan, strukturoimaton data on vastaavasti kaik- kea muuta epäselkeästi rakennettua tai vaihtelevaa tietomuotoa. (Gupta & George, 2016) Big data on vastaavasti dataa monipuolisempaa, volyymiltaan suurempaa ja nopeampaa. Big datan kolme alkuperäistä V:tä: nopeus (Velocity), monipuolisuus (Variety) ja volyymi (Vo- lume) tuovat yritykselle mahdollisuuden kehittää omaa tietopääomaa ja muokata liiketoi- mintaa. Nämä kolme alkuperäistä big datan ominaisuutta ovat relevantteja kaikilla toi- mialoilla, riippumatta siitä onko sektori yksityinen tai julkinen (Cavanillas, Curry & Wahls- ter, 2016 , s.169-178). Näiden lisäksi big datan määritelmään on myöhemmin tuotu vielä neljä attribuuttia lisää: laatu (Veracity), arvo (Value), muuttuvuus (Variability) ja visuali- sointi (Visualition). Kyky hyödyntää Big dataa muodostuu aineellisista, aineettomista ja 15 henkilöresursseista (Sleep, Hulland & Gooner, 2019). Aineelliset resurssit tarkoittavat tässä tapauksessa dataa, teknologiaa sekä aikaa ja rahaa. Aineettomat resurssit vastaavasti ovat tietojohtamisen kulttuuri ja organisaation oppimiskyky. Henkilöresurssit viittaavat teknisiin ja johtamistaitoihin analytiikan kontekstissa. (Gupta & George, 2016) Kuva 3. Data ja analytiikka lähestymistavat mukaillen (Wedel & Kannan, 2016) Dataa on hyödynnetty analytiikan avulla jo pitkään päätöksenteossa. Strategian kannalta on ollut olennaista seurata historiaa ja oppia virheistä, mikä taas mahdollistaa iteratiivisen stra- tegiaprosessin. Historian tulkinta onnistuu ilman big dataa kuvailevan analytiikan avulla. Kuvaileva analytiikka yhdistelee eri datalähteitä muodostaakseen kuvan menneisyydestä. Tulokset antavat lähtökohdan monimutkaisemmille analytiikan muodoille. Kuvaileva ana- lytiikka on jo käytössä yrityksillä tulostavoitteiden tai dashboardien muodossa. Ennustava analytiikka muodostaa ennusteen kuvailevan analytiikan tiedon pohjalta. Ennustavan analy- tiikan työkaluja ovat ennustusmallit, Natural Language Processing, statistinen analyysi, teks- tinlouhinta ja neuraaliverkostot. Ohjaava analytiikka puolestaan perustuu ennustavaan Ohjaava Analyt i ikka Data Kuvaileva Ennustava M onimutkaisuus, kustannus, laskentateho Päätöksen arvo VVV eli N opeus, monipuolisuus ja volyymi Informaation arvo 16 analytiikkaan ja pyrkii löytämään optimaalisen ratkaisun monimutkaisien algoritmien, ko- neoppimisen ja tekoälyn kautta. (Ashrafi & Zareravasan, 2022; Wedel & Kannan, 2016) Nykyaikainen analytiikka ja varsinkin big dataan perustuva analytiikka ei katso vain men- neeseen vaan lähes reaaliaikainen data- ja analysointiprosessi mahdollistaa nopeamman pää- töksenteon syklin. Huomionarvoista on myös yrityksien halu ottaa käyttöön dataan perustu- via järjestelmiä. Datan integraatio osaksi yrityksen toimintaa riippuu kilpailutilanteen inten- siivisyydestä (Sleep et al., 2019). Intensiivisempi kilpailu pakottaa yrityksiä nopeampaan muutokseen, kun taas vähemmän dynaamisessa kilpailutilanteessa oleville yrityksille data ja sen hyödyntäminen ei ole prioriteettina. 3.2 Data osana innovaatioprosessia Big datalla on innovaatioprosessin kehyksessä mahdollista vaikuttaa kolmella eri alueella: Tiedottamalla, mahdollistamalla tai muuntamalla (Blackburn et al., 2017). Big datan tiedot- tamisalue antaa iteratiivisesti tietoa innovaatiostrategian muodostamisvaiheeseen, jossa ke- hitetään yrityksen arvojen, vision ja mission pohjalta suuntaviivat myöhemmälle päätöksen- teolle. Ympäristöstä saatavan datan perusteella voidaan tehdä strategiaan synteesianalyysiin kuvailevan analytiikan pohjalta. Tiedottaminen eli informointi voi big datan sovelluksilla tarkoittaa mahdollisuuksien kartoitusta, konseptien arvotusta tai inkrementaalisia parannuk- sia. Asiakkaiden tuottama big data voi toimia informatiivisena lähteenä päätöksentekijöille reaaliaikaisesta markkinatilanteesta (Capurro, Fiorentino, Garzella & Giudici, 2021). 17 Kuva 4. Analytiikan kompleksisuus eri innovaatioprosessin vaiheissa (Bresciani, Ciampi, Meli & Ferraris, 2021; Engel & Ebel, 2019; Kusiak, 2009; Leitner, 2015; Luo, 2022; Oliveira & Rozenfeld, 2010; Rizk, Ståhlbröst & Elragal, 2020; Sleep et al., 2019; Sultana, Akter & Kyriazis, 2022; Wang, Zhang & Song, 2020) Innovaatioprosessin alkuvaiheessa ennakoivan ja kuvailevan analytiikan työkaluja voidaan hyödyntää strategian suunnan määrittämisessä. Kuvaileva analytiikka antaa alkupään pää- töksentekijöille kuvan yrityksen aikaisempien innovaatioiden onnistumisesta tai ulkopuoli- sen datan avulla toimialakohtaisesti. Innovaatioiden onnistumiseen luonnollisesti vaikuttaa myös asiakkaiden ymmärtäminen ja tuntemus. Big data ja analytiikka mahdollistavat asiak- kaiden syvemmän ymmärryksen ja uusien asiakassegmenttien löytämisen (Trabucchi, Buganza & Pellizzoni, 2017; Trabucchi & Buganza, 2019). Kuitenkaan yrityksen innovaa- tiostrategia ja innovaatioprosessi ei voi perustua pelkästään asiakkaiden dataan, vaan se vaa- tii myös ihmisen päätöksentekoa. Trabucchi & Buganza (2019) ehdottavat Big datalle liipai- simen kaltaista roolia, joka laukaisee uuden innovaatioprosessin. Ennakoivan analytiikan Ennustava ideoiden arvotus Trendien tunnistus asiakasdatasta Data ohjautuva ideointivaihe Koneoppiva arvotus N euraaliverkostotProjektin tavoiteseuranta Simulaatio, generatiiviset algoritmit In no va ati op ro ses sin et en em in en eli m ah do lli su us m uu to ks ee n Analytiikan kompleksisuus / potentiaalinen vaikutus Trendien ennustus asiakasdatasta Vertailu aikaisempien ideoiden kanssa 18 avulla voidaan kartoittaa innovaatiostrategian piileviä ja näkyviä riskejä (Vettorello et al., 2022). Mahdollisuuksien kartoittaminen voi konkreettisesti tarkoittaa uusien jalostettavien ideoiden ehdotuksia portfolioon yrityksen sisäisen sekä ympäristön datan pohjalta. Innovaatioproses- sin iteratiivisuus ja jatkuvat muutokset innovaatiostrategiaan ovat keskeisessä roolissa. Big datan avulla asiakas ja teknologialähtöiset innovaatiostrategiat yhdistyvät ja dynaamisten kyvykkyyksien arvo kasvaa (Capurro et al., 2021). Uudelleenallokointi voisi tarkoittaa tässä tapauksessa osaamisen tai rahoituksen siirtämistä projektista toiseen ja portfolion tasapai- nottelua. Ensimmäisenä Big datan mahdollistamana osana on tehokkaampi ja vaikuttavampi innovaatioprosessi. Tehokkuutta voi tulla nopeamman tuote- tai prosessi-iteraatioiden kautta, kokeellisten simulaatioiden ja automaation avulla. Big datan avulla myös innovaatioportfolion hallinnoija voi myös saada tietoa tapahtumista, ennen kuin niistä kehittyy kriisejä. Tällaisella ennakkotiedolla on mahdollista hallita inno- vaatioportfolioon liittyviä riskejä ja se antaa päättäjälle aikaa reagoida mahdollisiin mullis- tuksiin. Big datan muutospuoli taas mahdollistaa pienemmille yrityksille isompien yrityk- sien hyötyjä. Yksi erityisesti pienemmän yrityksen hyödyistä on tutkimuksen välitön integ- raatio muuhun innovaatioportfolion hallintajärjestelmään. (Blackburn et al., 2017) 3.3 Dataohjautuva innovaatio Hyvä esimerkki datan integroimisesta osaksi yrityksen innovaatioprosessia on dataohjautuva innovaatioparadigma (Trabucchi & Buganza, 2019). Dataohjautuva innovaatioajatusmalli on tällä hetkellä sovellettavissa lähinnä digitaalisia tuotteita tai palveluita tarjoaville yrityk- sille. Dataohjautuva innovaatiomalli pyrkii vähentämään innovaatioprosessiin liittyvien epä- varmuustekijöiden aiheuttamaa riskiä (Luo, 2022). Dataohjautuva innovaatioparadigma on käsitteenä uusi, kuten muutkin dataohjautuvat paradigmat. Tämä paradigma voi haastaa pe- rinteisempiä käsityksiä innovaatiosta ja innovaatioprosessista (Trabucchi & Buganza, 2019). Perinteinen markkinavetoinen tai teknologiajohtoinen innovaatioajattelu saattaa dataohjau- tuvuuden avulla sulautua ja muotoutua moniksi eri varianteiksi. Keskiössä dataohjautuvassa innovaatiossa on edistyneet big data analytiikan keinot, kuten tekoäly ja koneoppiminen 19 (Sleep et al., 2019). Dataohjautuva innovaatioparadigma seuraa pitkälti ketterän innovaatio- prosessin runkoa. Vaiheet ovat mahdollisuuksien kartoitus, kehittäminen, diffuusio ja osassa lähteissä jälkidiffuusio (Luo, 2022; Rizk et al., 2020) . Kuva 5. Kahden kyttyrän innovaatioprosessi mukaillen (Luo, 2022) Mahdollisuuksien avaruus -vaiheessa dataohjautuvassa innovaatioprosessissa voidaan hyö- dyntää samankaltaisia tai edistyneempiä teknologioita ja työkaluja kuin perinteisemmässä innovaatioprosessissa. Innovaatiomahdollisuuksien löytämistä tehostetaan ohjaamattomalla koneoppimisella, avoimien lähteiden louhinnalla, sidosryhmien digitaalisen jalanjäljen ana- lysoinnilla tai ideoiden yhdistelyllä (Luo, 2022; Rizk et al., 2020). Vaikka termi mahdolli- suuksien löytäminen tai etsiminen kuulostaa samalta kuin (March, 1991) tutkimusstrategia on kyseessä kuitenkin hybridimalli hyödyntämis- ja tutkimusstrategian välillä. Tosin (Rizk M ahdollisuuksien avaruus Kehitysavaruus Enemmän ja parempia mahdollisuuksia Enemmän ja parempia projekteja M ahdollisuuksien tunnistaminen M ahdollisuuksien arviointi Konseptien luominen Konseptien arviointi Ohjaamaton koneoppiminen Ohjattu koneoppiminen Generatiiviset algoritmit Ohjattu koneoppiminen Sidosryhmien digitaalinen jalanjälki Asiakasdata tarpeista Aikaisempien innovaatio- prosessien data Asiakasdata, simulointi 20 et al., 2020) tapaustutkimukset innovaatioverkostoissa tunnistivat dataohjautuvan innovaa- tioprosessin kallistuvan enemmän tutkimusstrategian puolelle. Syynä oletettavasti oli ver- koston ulkopuolisen datan moninkertaisuus verrattuna toimijan sisäiseen dataan ja hyödyn- tämiskohteiden puutteeseen. Data ja analytiikka toimivat innovaatioiden lähteenä ja inno- vaatioprosessin laukaisijana (Engel & Ebel, 2019). Toinen osa mahdollisuuksien avaruutta on mahdollisuuksien arviointi. Mahdollisuuksien ar- viointi perustuu dataan tämän hetken ja tulevaisuuden tarpeista. Dataohjattua koneoppimista voidaan hyödyntää ja opettaa tekemään ihmistä tarkempia arvostuksia ideoille. Tässä data- ohjautuvan innovaation eli DDI:n vaiheessa tulee tarkasti määritellä reunaehdot ideoille, eikä sitä voi toteuttaa ilman ihmisen panosta vielä. (Luo, 2022) Ongelmana tässä vaiheessa on innovaatioiden arvioinnin kompleksisuus, sopivien työkalujen puute ja ihmisen päätök- sentekokyvyn tarvitseminen (Kusiak, 2009). Toisaalta teknologia on kehittynyt ja päätök- senteon tukena käytetään nykyään trendientunnistustyökaluja (Dziallas, 2020). Hannah et al. (2021) mukaan optimaalinen päätös on paras mahdollinen valinta ennakko-oletuksien perus- teella, ja data voi ennakoida milloin päätöstä tulisi muuttaa. Big dataa voidaan hyödyntää myös markkinamahdollisuusanalyysiin tunnistamaan asiakkaiden preferenssejä, ostotapoja ja vertailemaan tämänhetkisten tuotteiden ominaisuuksia (Wang et al., 2020). Kehitysavaruus ei kuulunut suoranaisesti tämän kandityön alkuperäiseen rajaukseen, mutta sen relevanssi DDI:n kannalta on kiistaton, sillä tässä vaiheessa ideoista muodostetaan tuot- teita. Toisaalta raja innovaatioiden alkupään loppumiselle on vähintäänkin häilyvä. Dataoh- jautuvan kehitysavaruuden vaiheita ovat testaus/simulointi, monitorointi ja arviointi. (Rizk et al., 2020) Luo (2022) puolestaan kertoo näihin vaiheisiin käytettävän generatiivisia algo- ritmeja, aikaisempiin innovaatioprojekteihin pohjautuvaa tietokantaa ja tietoa. Big datan te- hostamispuoli tulee tässä vaiheessa esimerkiksi mallinnuksen ja simuloinnin avulla. Innova- tiivisuuden arviointiin voidaan käyttää patenttiverkoston visuaalista mallinnusta esimerkiksi InnoGP:tä, kuten Sarica, Yan ja Luo (2020) esittävät artikkelissaan. Tapaustutkimuksien tulokset ovat erittäin lupaavia big datan hyödyntämisestä tuoteinnovaa- tioprosessin saralla. Wang et al. (2020) mukaan ideoiden kehitysvaiheen onnistumisprosentti kasvoi 25 % aina 67% asti niissä prosesseissa, joihin oli integroitu Big dataa. Sama tutkimus korostaa myös korkeamman johdon asenteen ja organisaatiokulttuurin vaikutusta dataohjau- tuvan innovaatioprosessin onnistumiseen. Dataa voidaan kerätä prosessin aikana ja ennen sitä, jolloin puhutaan synkronisesta dataohjautuvasta innovaatiosta tai ainoastaan ennen 21 projektia, jolloin kyseessä on asynkroninen prosessi (Rizk et al., 2020). Luonnollisesti jat- kuva datan kerääminen on työläämpää. Dataohjautuvassa innovaatioparadigmassa asiakas- keskeisyyden vuoksi synkroninen kerääminen kannattaa. Synkroninen eli reaaliaikainen data mahdollistaa myös alempien strategioiden uudelleen suuntausta. 22 4 ANALYTIIKKA OSANA INNOVAATIOSTRATEGIAA Dataohjautuvat ja päätöksentekoa avustavat järjestelmät ovat itsessäänkin varsin radikaaleja prosessi-innovaatiota. Kyseisen kaltaiset järjestelmät ja analytiikka muovaavat aikaisempia päätöksentekoprosesseja olennaisesti. Innovaatioprosessin alkupään vaiheissa data-analytii- kan keinoilla on eniten mahdollisuutta vaikuttaa ja muodostaa ketterämpi innovaatiopro- sessi. Oletuksena työn loppupuolella on, että yritys hyödyntää jonkinlaista idea- tai innovaa- tioportfoliota prosessissaan. Data-analytiikan integroimiseen osaksi monimutkaista päätök- sentekoa tarvitaan sopiva tietynlainen yritys, organisaatiokulttuuri ja dynaamisia kyvyk- kyyksiä. 4.1 Analytiikan hyödyntäminen taktisen tason päätöksenteossa Taktisen tason päätöksenteko ja innovaatiostrategia antavat raamit operationaaliselle pää- töksenteolle. Kyseessä on siis taso, joka näkyy päivittäisessä tekemisessä lähinnä ohjaavana suuntana. Tason strategia määrittää usein tavoitellun lopputuloksen, prioriteetit ja käytettä- vät innovaatioprosessit (Cooper & Edgett, 2010; Pisano, 2015). Strategian tulee näiden mää- ritelmien perusteella kertoa, miten potentiaalisille asiakkaille tuotetaan arvoa (Nylén & Holmström, 2015; Pisano, 2015). Innovaatiotoiminnan haluttu lopputulos on innovaatiostra- tegian yksi kulmakivistä, kuten muussakin strategisessa työssä. Tavoitteiden määrittely var- mistaa perustellumman arvokkaiden resurssien jaon. (Karlsson & Tavassoli, 2016) Tavoit- teiden tulisi näkyä myöhemmin portfolioiden kokoonpanossa ja resurssien jaossa (Kop- mann, Kock, Killen & Gemünden, 2017). Datan roolista taktisen tason strategiassa on väi- telty paljon, mutta Mazzein ja Noblen (2017) mukaan näytöt reaalimaailmasta kallistuvat datavetoiseen suuntaan. Taktisen tason päätöksiin tarvitaan edistyneempiä analyyttisiä metodeita ja laajempaa dataa, kuin operationaalisen tason päätöksiin. Toisaalta monien vaikuttavien tekijöiden summana intuitiota on vaikeaa korvata. Kuitenkin Božič & Dimovski (2019) osoittivat analytiikalla olevan positiivinen vaikutus innovaatioiden onnistumiseen. Yksi potentiaalinen työkalu, jolla voidaan tukea taktisen tason strategian muodostumista, on tiekartta eli roadmap. Tie- kartta määrittelee strategian raamit lopputuloksen ja prioriteetit. Tuoteinnovaatioiden 23 kohdalla tiekartassa on kolme sektoria markkinat, tuotteet ja teknologiat. (Oliveira & Ro- zenfeld, 2010) Big datan avulla tiekartasta voidaan tehdä laajempaan tietoon pohjautuva ja nopeasti päivittyvä malli (Son, Kim & Kim, 2020). Son et al. (2020) muodostivat esimer- kiksi skenaariopohjaisen tiekarttamallin, jossa big datan avulla pystytään ajamaan samanai- kaisesti monia eri skenaarioita. Näiden kompleksisien skenaarioiden pohjalta pystytään va- litsemaan parhaat mahdolliset suunnat strategialle. Kuva 6. Innovaatiostrategian muodostuminen mukaillen (Oliveira & Rozenfeld, 2010) Innovaatiostrategian apuna käytettyyn tiekarttaan tarvitaan markkina-analyysi, tuoteana- lyysi, teknologia-analyysi ja yrityksen tai konsernin kokonaisstrategian analysointi. Mark- kina-analyysi voi koostua trendien tunnistuksesta ja asiakkaiden tai kilpailijoiden analysoi- misesta. Asiakkaiden analysointi big datan avulla voi tuoda esille uusia tunnistamattomia asiakkaita tai asiakassegmenttejä kuvailevan analytiikan avulla sekä trendien tunnistamisella (Erevelles, Fukawa & Swayne, 2016). Kilpailijoita vastaavasti analysoidaan big dataa hyö- dyntämällä tarkasti esimerkiksi tunnuslukujen, asiakasdatan ja tiedonlouhimisen pohjalta. Kerättyä dataa voidaan visualisoida ja verrata, sekä sen pohjalta voidaan luoda ennustavia malleja kilpailijoista. Synkronista dataa käyttävästä kojelaudasta (”Dashboard”) saadaan myös reaaliaikainen markkinatilanne päättäjille. (Ranjan & Foropon, 2021) Teknologia- Yrityksen strategian analysointi M arkkina-analyysi Tuoteanalyysi Teknologia-analyysi Innovaatiostrategia Li ike to im in na na ju rit M arkkina-ajurit Realisoitunut teknologia 24 analyysiä voidaan toteuttaa esimerkiksi teknologiakartan ja trendientunnistuksen avulla (Sa- rica et al., 2020). Teknologia-analyysi tällöin pohjautuisi ulkoiseen, sisäiseen ja patentti- dataan. Analyysien pohjalta muodostetaan tiekartta, joka visualisoi yrityksen haluaman lopputulok- sen ja prioriteetit. Big data mahdollistaa nopeamman lähes reaaliaikaisen arvioinnin taktisen strategian onnistumisesta. Reaaliaikainen arviointi antaa mahdollisuuden yritykselle rea- goida tapahtuviin nopeisiin muutoksiin ja päivittää taktista strategiaansa kilpailuympäristön vaatimalla tavalla (Luo, 2022). Taktisella tasolla päätöksentekoon tarvitaan vielä ihmistä, mutta eri analyysien reaaliaikainen päivittyminen keventää olennaisesti prosessin raskautta. 4.2 Analytiikka alkupään operatiivisessa päätöksenteossa Innovaatioprosessin alkupään päätöksenteko on suuressa roolissa innovaatioiden onnistumi- sen kannalta. Suurimmat yksittäiset strategiset tekijät ovat innovaatioprosessin ketteryys, ta- sapaino radikaalien ja inkrementaalisten innovaatioiden välillä, sekä operationaalisen strate- gian adaptiivisuus. (Kock & Georg Gemünden, 2016) Dataohjautuva innovaatioprosessi (Trabucchi & Buganza, 2019) tai datan tehokas hyödyntäminen perinteisemmässä innovaa- tioprosessissa omaavat juuri näitä piirteitä. Innovaatiostrategian adaptiivisuus käytännössä tarkoittaa, ettei operatiivinen innovaatiostrategia voisi noudattaa täysin ennalta suunniteltua konserni tai taktisen tason strategiaa, vaan sen tulisi omata emergenttejä piirteitä (Kock & Georg Gemünden, 2016; Leitner, 2015). Operationaalisen innovaatiostrategian päätöksenteon ja muodostuksen vaikuttavat tekijät liittyvät innovaation avoimuuteen, kilpailutilanteeseen, käytettäviin resursseihin ja niiden allokointiin, ideoiden potentiaaliin ja asiakkaidentarpeisiin (Eling, Griffin & Langerak, 2014; Kim, J. & Wilemon, 2002; Thanasopon, Papadopoulos & Vidgen, 2016). Työssä hyö- dynnetään emergentin strategianmuodostuksen piirteitä. Datan hyödyntäminen suunnitel- lussa tai tiukat raamit omaavassa strategiassa eivät hyödyntäisi Big datan ja dataohjautuvan paradigman täyttä potentiaalia (Blackburn et al., 2017; Luo, 2022; Trabucchi & Buganza, 2019). Kuvassa 2. alkuperäinen innovaatiostrategia aloittaa innovaatioprosessin, mutta da- taohjautuvassa innovaatioprosessissa liipaisimena toimii datan löytämät ideat (Engel & Ebel, 2019; Trabucchi & Buganza, 2019). Dataohjautuva innovaatioprosessi tarvitsee 25 tuekseen emergenttiä strategiaa, jonka suuntaa ohjaavat taktisen tason innovaatiostrategia, yritysstrategia sekä missio ja visio. Kuva 7. Innovaatioprosessi mukaillen (Kopmann, Kock, Killen & Gemünden, 2017; Oli- veira & Rozenfeld, 2010; Pashley et al., 2020; Phadnis, 2022) Lähes emergentin strategia-ajattelun kannalta ei ole relevanttia keskittyä formaaliin strate- giaprosessin, vaan yksittäisiin olennaisiin innovaatiostrategisiin päätöksiin ja kysymyksiin. Kirjallisuuden perusteella olen tunnistanut keskeisiä innovaatioprosessiin ja operationaali- sen tason strategiaan liittyviä yksittäisiä päätöksiä, jotka ovat olennaisia onnistumisen kan- nalta. Kuvaa kompleksisempaa mallia ei tämän työn rajatun aikajänteen puitteissa ole järke- vää lähteä toteuttamaan. Kuvassa 6 on innovaatioprosessi, joka olisi (Kock & Georg Ge- münden, 2016; Kopmann et al., 2017; Mathews, 2011; Mathews, 2013; Mintzberg & Waters, 1985; Mintzberg & McHugh, 1985; Pashley et al., 2020) näkemyksien perusteella potenti- aalinen datavetoiselle innovaatioprosessille. Datan kannalta on tärkeää innovaatioprosessin M issio Visio Ideointivaihe Emergentti strategiaValintavaihe Kehitysvaihe M ahdollisuuksien tunnistaminen Tulevaisuuden tarpeet Koseptien luominen ja evaluointi Evaluointi metodit, kriteerit ja soveltuvuus Portfolion tasapainotus ja synergia Priorisointi ja innovaatiostrategiat Päätöksenteko , resurssien allokaatio,, kehitys ja siirtyminen projektiportfolioon 26 adaptiivinen strategia, ketteryys ja niin sanottu kaksikätisyys. Kaksikätisyys tarkoittaen ta- sapainoa hyödyntämis- ja tutkimusstrategian välillä (Kock & Georg Gemünden, 2016). Pro- sessi jokseenkin noudattaa sumean alkuvaiheen ja uuden tuotteen kehittämisideologiaa, mutta jättää enemmän tilaa datan vaikutukselle. Edellisen tyyppisistä prosesseista voidaan käyttää termiä kiihdytetty innovaatioprosessi, jossa prosessin formaalista osuutta on pienen- netty (Zhan et al., 2017). Taulukko 1. Innovaatiostrategiset päätökset prosessin alkupäässä ja hyödynnettävä data Ideoiden löytäminen ja tunnistaminen asiakasdatan pohjalta ovat tällä hetkellä tutkituin osa- alue. Yritykset voivat hyödyntää uusien ideoiden generoimisessa asiakasdataan pohjautuvaa trendientunnistusta ja koneoppimista asiakastarpeen ja kilpailuympäristön kartoittamiseen (Engel & Ebel, 2019; Rizk et al., 2020). Datan louhinta tai tekstin louhinta ovat esimerkkejä tavoista tehostaa yrityksen ideoiden luomista. Käytännössä yrityksen siirtyessä dataohjautu- vampaan suuntaan myös yrityksen innovaatioideologian ja -strategian tulee muuttua (Luo, Innovaatiostrategian osa-alueet Hyödynnettävä datanlähde Analytiikan keinot Ideoiden löytäminen ja tunnistaminen (Wang et al., 2020) Asiakasdata, patenttidata markkina-analyysi Ennustava analytiikka, koneoppiminen Avoimuusaste (Kim & Wilemon, 2002; Thanasopon et al., 2016) Patenttidata, kilpailija- analyysi, toimittajat Ennustusmallit Käytettävissä olevat resurssit (Eling et al., 2014) Inventaariot, toimittajat, yhteistyökumppanit Kuvailevan analytiikan keinot ja kartoitus Kilpailuympäristö (Eling et al., 2014) Kilpailija-analyysi, Asiakasdata, Taktisen tason analyysit Ennustus mallit ja statistinen analyysi 27 2022). Datan rooli ei ole enää vain tukea päätöksentekoa vaan se toimii laukaisimena luo- valle prosessille. Tällöin innovaatiostrategia on olennaisesti markkina- ja asiakaskeskei- sempi verrattuna aikaisempaan teknologia- tai resurssikeskeisyyteen. Innovaatioiden avoimuusaste on yksi mielenkiintoisimpia strategisia kysymyksiä innovaati- oiden saralla. Dataohjautuva innovaatio ja datan tehokas hyödyntäminen ohjaavat yrityksiä avoimempaan yritys- ja organisaatioyhteistyöhön (Trabucchi & Buganza, 2019) Tietopää- oman hallinta ja turvaaminen ovat relevantteja yhteistyötä määrittäessä, mikä on taas oma tieteenalansa. Yritysyhteistyön vaikutusta uutta ideaa tai portfolion suuntaa miettiessä yritys hyödyntää tietolähteenä esimerkiksi patentti- ja rekisterihallituksen tietokantaa. PRH:n tie- tokannasta voi löytyä patentteja tai teknologista osaamista uuden idean toteuttamiseen, kuten Sarica et al. (2020) tutkimuksessaan todistivat. Toinen tärkeä strateginen kysymys liittyy yrityksen resursseihin. Kuten aiemmin on sanottu, yritys voi resurssikartoituksen ja analy- tiikan avulla tehdä kartoituksen idean toteutukseen tarvittavista resursseista. Resurssikartoi- tus voi vaikuttaa myös yrityksen halukkuuteen toteuttaa avoin innovaatio tai tehdä yritysyh- teistyötä (Capurro et al., 2021). Kilpailuympäristön analysointi koostuisi tässäkin kohtaa saman tyyppisistä osa-alueista kuin taktisen tason markkina-analyysi. Data voi siis tehdä suuren muutoksen yrityksen in- novaatiostrategiaan ohjaamalla sitä avoimempaan, asiakaskeskeisempään, strategisesti adaptiivisempaan, ketterämpään ja tehokkaampaan suuntaan. Data tarjoaa vaihtoehtoja ja tukea päätöksenteoksen tueksi esimerkiksi ideointivaiheeseen sekä innovaatioiden arvos- tukseen asiakasdatan perusteella. Analytiikan avulla voidaan todennäköisesti laajentaa in- novaatiotoiminnan keskittymisalaa. Luonnollisesti on strategisia päätöksiä, joihin datasta on vaikeaa tai mahdotonta johtaa vastauksia edes edistyneen tekoälyn avulla (Haefner, Wincent, Parida & Gassmann, 2021). Esimerkiksi organisaation halukkuutta muutokseen, yhteishenkeä ja muita komplekseja sosiaalisia konsepteja on erittäin haastavaa mallintaa data-analytiikan avulla. 4.3 Analytiikka innovaatioportfolion alkupään operatiivisessa päätöksenteossa Innovaatioportfolion keskeisin operatiivinen päätöksenteko liittyy ideoiden jalostamiseen ja resurssien allokoimiseen (Mathews, 2011). Taktisen tason strategia, visio ja missio sekä yri- tyksen strategia antavat innovaatioportfolion päätöksenteolle suunnan, prioriteetit ja 28 kokonaisbudjetin. Resurssien allokointia voidaan helpottaa jakamalla ja jaottelemalla eri ideoita niiden strategisen suuntautumisen, riskillisyyden tai vaativuuden mukaan. Strategi- siin koreihin jakamalla resurssien allokointi voidaan linjata korkeampien tasojen strategioi- den mukaan (Cooper & Edgett, 2010). Seuraavassa taulukossa esitellään keskeisiä päätöksiä innovaatioportfolion muodostamisessa ja aikaisempia päätöksentekotapoja ennen resurssien allokointia. Taulukko 2. Keskeinen päätöksenteko ennen resurssiallokaatiota Keskeinen päätös Käytetty päätöksentekotapa Ideoiden valinta (Mathews, 2010) ”FFDT” eli Nopea ja taloudellinen päätöspuu Kategoriointi ja jakaminen pienempiin kokonaisuuksiin (Cooper & Edgett, 2010) Jako strategisiin koreihin Potentiaalin ja kustannusten arviointi (Mathews, 2010) ROM eli karkeat estimaatit Ideoiden valintaan käytetty päätöksentekotapa päätöspuu on yksi potentiaalinen tapa suodat- taa ideoita. FFDT on siis yksinkertainen korkeintaan muutaman kysymyksen puu, jossa vaih- toehdot joko toteutuvat tai eivät. Kysymykset eivät kuitenkaan saa olla liian tiukkoja, sillä muuten turhan paljon ideoita karsiutuu valinta vaiheessa, minkä on todettu laskevan inno- vaatioportfolioiden onnistumismahdollisuuksia. (Mathews, 2010) Kyseinen työkalu on par- haimmillaan, kun on vain rajallinen määrä vaihtoehtoja, vähän käytössä olevaa informaatiota ja tarvitaan nopeita päätöksiä. Data-analytiikka mahdollistaa tehokkaampaa päätöspuun käyttöä ohjatun koneoppimisen avulla (Luo, 2022). Päätöspuita on mahdollista datan ja te- koälyn avulla käydä nopealla aikasyklillä läpi satoja, jolloin puhutaan päätöspuiden metsästä (Kakatkar, Bilgram & Füller, 2020). Päätöspuiden metsä tuottaa todennäköisemmin oikeita vastauksia kuin yksittäiset päätöspuut. Tämä tekoälyn luoma metsä vaatii toimintansa poh- jalle dataa. Jakaminen pienempiin strategisiin koreihin tapahtuu ideoiden luokittelun pohjalta. Apuna voidaan hyödyntää taktisen tason strategian toteutettuja analyysejä ja niiden muodostamaa 29 informaatiota. Ideoita voidaan luokitella useampiin eri kategorioihin esimerkiksi niiden in- novatiivisuuden mukaan. Koneoppiminen voi tuottaa annetun kategorian, datan ja tiedon avulla konkreettisen arvostuslistan ideoista. Arvotuslistan kriteerit ja tavoitteet voivat olla esimerkiksi taloudellisia, kuten ennustettu pääomantuottoaste (Marshall, Mueck & Shock- ley, 2015). Kriteerit voivat olla mutta eivät rajoitu idean strategiseen suuntautumiseen, port- folion tasapainoon, asiakassegmentteihin, markkinaosuuteen, riskitasoon ja todennäköiseen aikajänteeseen. (Cooper & Edgett, 2010) Ideoiden potentiaalin ja kustannusten kartoittaminen ei itsessään ole päätöksentekoa, mutta toimii tukifunktiona resurssiallokaatio päätöksille. Potentiaalia ja kustannuksia voidaan kar- toittaa innovaatioportfolion alkupäässä ROM (”Rough order of magnitude”) estimaatin eli karkean suurusluokan estimoinnin avulla. Karkea-arviointi data-analytiikan avustamana voisi tarkoittaa aikaisempien innovaatioiden elämänkaareen pohjautuvaa koneoppimista. Koneoppimisen avulla voidaan tunnistaa saman kaltaiset projektit, mikä antanee osviittaa kulurakenteesta. ROM estimaattiin on käytetty analytiikkaa jo ainakin 2000-luvun alusta asti, mutta kehitys laskentatehossa ja datan saatavuudessa mahdollistavat edistyneempien algoritmien ja teknologioiden käytön. (Mathews, 2010) Resurssien allokaatio edellisten tekijöiden pohjalta helpottuu. Konseptien luokittelu eri ko- reihin riippuen näkökulmasta antaa pohjaa ideoiden arvotukselle. Analytiikan avulla voidaan saada numeroita resurssijaon pohjalle. Strategiselle korille tulisi taktisen tason päätöksente- ossa määrittää budjetti, joka jaetaan arvotuksen pohjalta korin eri ideoille (Cooper & Edgett, 2010). Käytännössä tällöin intuition rooli vähenee ja datan rooli kasvaa. Toisaalta proses- sissa tällöin pitää olla mukana myös data-analytiikkaan erikoistuneita henkilöitä, jotka tul- kitsevat kerättyä dataa oikeassa kontekstissa. Markkinoiden, megatrendien tai asiakastarpei- den muuttuessa innovaatioportfolion prioriteetit voivat muuttua, mikä heijastaa tarpeen muuttaa resurssiallokaatiota. Data voi toimia indikaattorina resurssiallokoinnissa pidem- mällä aikavälillä ja antaa ehdotuksia tehokkaammasta uudelleen allokoinnista eri korien vä- lillä. Analytiikan sovelluksilla voidaan suorittaa jatkuvaa ideoiden ja konseptien tavoitteiden seuraamista. 30 5 JOHTOPÄÄTÖKSET Innovaatiostrategiassa voidaan hyödyntää analytiikan keinoja vaihtelevasti eri strategian osa-alueilla. Suurimmat potentiaaliset hyödyt ovat ideoiden muodostumisalueella ja proses- sien automaatiossa. Innovaatioportfoliovaiheessa analytiikan ja datan roolina on tuottaa re- levanttia informaatiota resurssiallokaatioita varten. Miten analytiikka muokkaa innovaatiojohtamisen strategista päätöksentekoa? Innovaatiojohtamisen keskeisin strateginen päätöksenteko ohjautuu innovaatioprosessin al- kuvaiheen ideointiin, ideoiden arviointiin, resurssien tehokkaaseen allokointiin ja yhdiste- lyyn uusiksi dynaamisiksi resursseiksi. Perinteiset innovaatiostrategiat, kuten Sinisen meren -strategia, eivät kerro oikeastaan mitään relevanttia yritykselle. Liikejohdon näkökulmasta innovaatiostrategiaa ohjaavat visio, missio sekä resurssien määrä ja laatu. Data ja analytiikka muuttavat innovaatioiden päätöksentekoa ketterämpään ja adaptiivisempaan suuntaan. Stra- tegia muodostuu siis yksilöllisesti eri innovaatioiden kohdalla ja resursseja allokoidaan ket- terästi reaaliaikaisen markkinatilanteen, asiakasdatan ja projektien muodostaman datan poh- jalta. Taktisella tasolla suurin potentiaali on ulkoisen ja sisäisen analyysin tarkentamisessa ja niiden lähes synkronisella päivittymisellä. Reaaliaikaisen tilanteen automaattinen päivit- tyminen antaa tietoa kaikille strategian tasoille. Synkroninen tiedonsaanti mahdollistaa stra- tegian ja tavoitteiden tarkastelun halutulla hetkellä. Miten analytiikka muokkaa innovaatioprosessin strategista päätöksentekoa? Innovaatioprosessin Dataohjautuva innovaatioparadigma vie datan roolin vielä pidemmälle ja käytännössä yrityksen innovaatiostrategia on dataan pohjautuva. Dataohjautuva innovaa- tioparadigma tehostaa integroimisen onnistuessa merkittävästi yrityksen kyvykkyyksiä luoda uutta ja mahdollisuutta monitoroida markkinoita tai portfoliota. Innovaatiostrategia siis muuttuu datan ja ideoiden pohjalta. Toimitusjohtajan tahdolla ei siis ole niin paljoa re- levanssia dataohjautuvassa ympäristössä, vaan innovaatiostrategia on koneoppimisen ja oh- jaavan analytiikan jatke. Dataohjautuvuuden esimerkit keskittyvät vielä lähinnä verkkopal- veluihin, sillä datan kerääminen on yksinkertaisempaa digitaalisessa toimintaympäristössä. Toisaalta data-analytiikka nähdään edistyneissä tapauksissa tärkeimpänä yksittäisenä kilpai- luetutekijänä. 31 Mitä tarvitaan käyttöönotettavaan innovaatioportfolioon? Käyttöönotettavaan innovaatioportfolioon keskeisin asia on dynaamisten ja arvokkaiden re- surssien allokaatio. Resurssiallokaatiota voidaan helpottaa jakamalla ideoita pienempiin ka- tegorioihin kustannusten, strategisen suuntautumisen, potentiaalisten asiakkaiden tai tren- dien pohjalta. Analytiikan rooli on tuottaa sisäisistä ja ulkoisista datanlähteistä informaatiota optimoitua resurssiallokaatiota varten. Koneoppimista ja synkronista dataa hyödyntävä ide- oiden arvotus muuttaa innovaatioportfoliota lähemmäksi ketterän kehityksen ideologiaa. Nopeasti ympäristöön reagoiva resurssiallokointi innovaatioportfolion sisällä voi myös las- kea pidemmällä aikavälillä ylemmän johdon tarvetta olla mukana päätöksenteossa ja vähen- tää koordinointikeinojen tarvetta. Strategiakirjallisuus ja -tutkimus on verrattain vähän muuttunut viimeisen kahdenkymmenen vuoden aikana. Dataohjautuvat paradigmat pakottavat tutkimuksen fokuksen dynaamisem- paan ja teknologisempaan suuntaan. Nykyaikaisen analytiikan ja vakiintuneen strategian suhde on erityinen, sillä strategia mielletään usein samalla tavoin kuin 20 vuotta sitten. Ana- lytiikka ja tekoäly voivat kuitenkin nykyään ohjata strategiaa tiettyä majakkaa kohti, eikä tällöin yrityksen ylemmän johdon tarvitse haravoida kaikkia mahdollisia strategisia meriä. Potentiaalisten vaihtoehtojen rajautuminen analytiikan keinoilla säästää päätöksentekijöiden aikaa ja voidaan keskittyä olennaisiin kysymyksiin. Analytiikka siis olisi intuition komple- mentti päätöksenteossa. Kannattaa myös muistaa, että kaikki tilastoitu ja havainnoitu pää- töksenteko parantaa analyysien tarkkuutta. Konkreettista ja kokonaista strategiaprosessia en pystynyt mallintamaan tämän kirjallisuus- katsauksen laajuudessa, mutta katsauksessa kävi ilmi piirteitä dataohjautuvuuden ja analy- tiikan konkreettisesta hyödystä esimerkiksi: ideoinnissa, strategisen suunnan ohjaamisessa ja resurssiallokaatiossa. Jatkotutkimukset aiheesta sijoittuisivat tapaustutkimuksien ja kehi- tysyhteistyön saralle. Datan hyödyntämisestä innovaatioprosesseissa on tutkittu suhteellisen vähän ja jatkotutkimus tulisi suuntautua monialaisemmalle sektorille. Aiheen tämänhetkinen tutkimus painottuu vahvasti lääketeollisuuteen ja digitaalisille alustoille. Perinteisen teolli- suuden näkökulmaa olisi kiinnostavaa tutkia. 32 LÄHTEET Ashrafi, A. and Zareravasan, A. 2022. An ambidextrous approach on the business analytics- competitive advantage relationship: Exploring the moderating role of business analytics strategy. Technological Forecasting & Social Change. Vol. 179, pp. 121665. Barney, J. 1991. Firm Resources and Sustained Competitive Advantage. Journal of Man- agement. Vol. 17, no. 1, pp. 99-120. Blackburn, M., Alexander, J., Legan, J. D. and Klabjan, D. 2017. Big Data and the Future of R&D Management: The rise of big data and big data analytics will have significant im- plications for R&D and innovation management in the next decade. Research Technology Management. Vol. 60, no. 5, pp. 43-51. Božič, K. and Dimovski, V. 2019. Business intelligence and analytics use, innovation ambi- dexterity, and firm performance: A dynamic capabilities perspective. The Journal of Strate- gic Information Systems. Vol. 28, no. 4, pp. 101578. Bresciani, S., Ciampi, F., Meli, F. and Ferraris, A. 2021. Using big data for co-innovation processes: Mapping the field of data-driven innovation, proposing theoretical developments and providing a research agenda. International Journal of Information Management. Vol. 60, pp. 102347. Capurro, R., Fiorentino, R., Garzella, S. and Giudici, A. 2021. Big data analytics in innova- tion processes: which forms of dynamic capabilities should be developed and how to em- brace digitization? European Journal of Innovation Management. Vol. 25, no. 6, pp. 273- 294. Cassiman, B. and Veugelers, R. 2006. In Search of Complementarity in Innovation Strategy: Internal R&D and External Knowledge Acquisition. Management Science. Vol. 52, no. 1, pp. 68-82. Cavanillas, J. M., Curry, E. and Wahlster, W. (toim.) 2016. New Horizons for a Data-Driven Economy A Roadmap for Usage and Exploitation of Big Data in Europe. Cham, Springer International Publishing 33 Cooper, R. G. and Edgett, S. J. 2010. Developing a Product Innovation and Technology Strategy for Your Business. Research Technology Management. Vol. 53, no. 3, pp. 33-40. Covin, J. G., Green, K. M. and Slevin, D. P. 2006. Strategic Process Effects on the Entre- preneurial Orientation-Sales Growth Rate Relationship. Entrepreneurship Theory and Prac- tice. Vol. 30, no. 1, pp. 57-81. Dziallas, M. 2020. How to evaluate innovative ideas and concepts at the front-end? Journal of Business Research /. Vol. 110, pp. 502-518. Eling, K., Griffin, A. and Langerak, F. 2014. Using Intuition in Fuzzy Front-End Decision- Making: A Conceptual Framework. Journal of Product Innovation Management. Vol. 31, no. 5, pp. 956-972. Engel C. T. and Ebel P, 2019 Data-Driven Service Innovation: A Systematic Literature Re- view and Development of a Research Agenda. Twenty-Seventh European Conference on Information Systems (ECIS2019) Enkel, E., Gassmann, O. and Chesbrough, H. 2009. Open R&D and open innovation: ex- ploring the phenomenon. R & D Management. Vol. 39, no. 4, pp. 311-316. Erevelles, S., Fukawa, N. and Swayne, L. 2016. Big Data consumer analytics and the trans- formation of marketing. Journal of Business Research /. Vol. 69, no. 2, pp. 897-904. Farida, I. and Setiawan, D. 2022. Business Strategies and Competitive Advantage: The Role of Performance and Innovation. Journal of Open Innovation. Vol. 8, no. 3, pp. 163. Gupta, M. and George, J. F. 2016. Toward the development of a big data analytics capability. Information & Management. Vol. 53, no. 8, pp. 1049-1064. Haefner, N., Wincent, J., Parida, V. and Gassmann, O. 2021. Artificial intelligence and in- novation management: A review, framework, and research agenda. Technological Forecast- ing & Social Change. Vol. 162, pp. 120392. Hannah, D. P., Tidhar, R. and Eisenhardt, K. M. 2021. Analytic models in strategy, organi- zations, and management research: A guide for consumers. Strategic Management Journal. Vol. 42, no. 2, pp. 329-360. Johnson, G., Scholes, K. and Whittington, R., 2007. Exploring Corporate Strategy. Harlow, Prentice Hall 34 Kahn, K. B. and Candi, M. 2021. Investigating the relationship between innovation strategy and performance. Journal of Business Research. Vol. 132, pp. 56-66. Kakatkar, C., Bilgram, V. and Füller, J. 2020. Innovation analytics: Leveraging artificial intelligence in the innovation process. Business Horizons. Vol. 63, no. 2, pp. 171-181. Karlsson, C. and Tavassoli, S. 2016. Innovation strategies of firms: What strategies and why? The Journal of Technology Transfer. Vol. 41, no. 6, pp. 1483-1506. Kim, J. and Wilemon, D. 2002. Strategic issues in managing innovation’s fuzzy front‐end. European Journal of Innovation Management. Vol. 5, no. 1, pp. 27-39. Kim, W. C. and Mauborgne, R. 2005. Blue Ocean Strategy: From Theory to Practice. Cali- fornia Management Review. Vol. 47, no. 3, pp. 105-121. Klingebiel, R. and Rammer, C. 2014. Resource allocation strategy for innovation portfolio management. Strategic Management Journal; Strat.Mgmt.J. Vol. 35, no. 2, pp. 246-268. Kock, A. and Georg Gemünden, H. 2016. Antecedents to Decision-Making Quality and Agility in Innovation Portfolio Management. The Journal of Product Innovation Manage- ment; J Prod Innov Manag. Vol. 33, no. 6, pp. 670-686. Kopmann, J., Kock, A., Killen, C. P. and Gemünden, H. G. 2017. The role of project port- folio management in fostering both deliberate and emergent strategy. International Journal of Project Management. Vol. 35, no. 4, pp. 557-570. Kusiak, A. 2009. Innovation: A data-driven approach. International Journal of Production Economics. Vol. 122, no. 1, pp. 440-448. Leitner, K. 2015. Pathways for the co-evolution of new product development and strategy formation processes: Empirical evidence from major Austrian innovations. European Jour- nal of Innovation Management. Vol. 18, no. 2, pp. 172-194. Luo, J. 2022. Data-Driven Innovation: What is it? IEEE Transactions on Engineering Man- agement.pp. 1-7. March, J. G. 1991. Exploration and Exploitation in Organizational Learning. Organization Science (Providence, R.I.). Vol. 2, no. 1, pp. 71-87. 35 Marshall, A., Mueck, S. and Shockley, R. 2015. How leading organizations use big data and analytics to innovate. Strategy & Leadership. Vol. 43, no. 5, pp. 32-39. Mathews, S. 2011. Innovation Portfolio Architecture-Part 2: Attribute Selection and Valua- tion. Research Technology Management. Vol. 54, no. 5, pp. 37-46. Mathews, S. 2010. Innovation Portfolio Architecture. Research Technology Management. Vol. 53, no. 6, pp. 30-40. Mathews, S. H. 2013. Innovation Portfolio Management. Research Technology Manage- ment. Vol. 56, no. 5, pp. 9-10. Mazzei, M. J. and Noble, D. 2017. Big data dreams: A framework for corporate strategy. Business Horizons. Vol. 60, no. 3, pp. 405-414. Mintzberg, H. 1987. The Strategy Concept I: Five Ps For Strategy. California Management Review. Vol. 30, no. 1, pp. 11-24. Mintzberg, H. and McHugh, A. 1985. Strategy Formation in an Adhocracy. Administrative Science Quarterly. Vol. 30, no. 2, pp. 160-197. Mintzberg, H. and Waters, J. A. 1985. Of strategies, deliberate and emergent. Strategic Man- agement Journal; Strat.Mgmt.J. Vol. 6, no. 3, pp. 257-272. Nylén, D. and Holmström, J. 2015. Digital innovation strategy: A framework for diagnosing and improving digital product and service innovation. Business Horizons. Vol. 58, no. 1, pp. 57-67. Oliveira, M. G. and Rozenfeld, H. 2010. Integrating technology roadmapping and portfolio management at the front-end of new product development. Technological Forecasting & Social Change. Vol. 77, no. 8, pp. 1339-1354. Ottonicar, S. L. C., Valentim, M. L. P. and Mosconi, E. 2019. A competitive intelligence model based on information literacy: organizational competitiveness in the context of the 4th Industrial Revolution. Journal of Intelligence Studies in Business. Vol. 8, no. 3, Park, D., Han, J. and Childs, P. R. N. 2021. 266 Fuzzy front-end studies: current state and future directions for new product development. Research in Engineering Design. Vol. 32, no. 3, pp. 377-409. 36 Pashley, D., Tryfonas, T., Crossley, A., Setchell, C. and Karatzas, S. 2020. Innovation Port- folio Management for Small-medium Enterprises. Journal of Systems Science and Systems Engineering. Vol. 29, no. 5, pp. 507-524. Pisano, G. P. 2015. YOU NEED AN INNOVATION STRATEGY. Harvard Business Re- view. Vol. 93, no. 6, pp. 44. Porter, M. E. 1991. Towards a dynamic theory of strategy. Strategic Management Journal; Strat.Mgmt.J. Vol. 12, pp. 95-117. Porter, M. E. 1980. Industry Structure and Competitive Strategy: Keys to Profitability. Fi- nancial Analysts Journal. Vol. 36, no. 4, pp. 30-41. Ranjan, J. and Foropon, C. 2021. Big Data Analytics in Building the Competitive Intelli- gence of Organizations. International Journal of Information Management. Vol. 56, pp. 102231. Rizk, A., Ståhlbröst, A. and Elragal, A. 2020. Data-driven innovation processes within fed- erated networks. European Journal of Innovation Management. Vol. 25, no. 6, pp. 498-526. Rumelt, R. P., Schendel, D. and Teece, D. J. 1991. Strategic management and economics. Strategic Management Journal; Strat.Mgmt.J. Vol. 12, pp. 5-29. Sarica, S., Yan, B. and Luo, J. 2020. Data-Driven Intelligence on Innovation and Competi- tion: Patent Overlay Network Visualization and Analytics. Information Systems Manage- ment. Vol. 37, no. 3, pp. 198-212. Sleep, S., Hulland, J. and Gooner, R. A. 2019. THE DATA HIERARCHY: factors influenc- ing the adoption and implementation of data-driven decision making. AMS Review. Vol. 9, no. 3-4, pp. 230-248. Son, C., Kim, J. and Kim, Y. 2020. Developing scenario-based technology roadmap in the big data era: an utilisation of fuzzy cognitive map and text mining techniques. Technology Analysis \& Strategic Management. Vol. 32, no. 3, pp. 272-291. Sultana, S., Akter, S. and Kyriazis, E. 2022. How data-driven innovation capability is shap- ing the future of market agility and competitive performance? Technological Forecasting & Social Change. Vol. 174, pp. 121260. 37 Terwiesch, C. and Ulrich, K. 2008. Managing The Opportunity Portfolio. Research Tech- nology Management. Vol. 51, no. 5, pp. 27-38. Thanasopon, B., Papadopoulos, T. and Vidgen, R. 2016. The role of openness in the fuzzy front-end of service innovation. Technovation. Vol. 47, pp. 32-46. Trabucchi, D. and Buganza, T. 2019. Data-driven innovation: switching the perspective on Big Data. European Journal of Innovation Management. Vol. 22, no. 1, pp. 23-40. Trabucchi, D., Buganza, T. and Pellizzoni, E. 2017. Give Away Your Digital Services: Lev- eraging Big Data to Capture Value. Research Technology Management. Vol. 60, no. 2, pp. 43. Van den Steen, E. 2017. A Formal Theory of Strategy. Management Science. Vol. 63, no. 8, pp. 2616-2636. Vettorello, M., Eisenbart, B. and Ranscombe, C. 2022. The Innovation System Roadmap: A novel approach to instil futures‐oriented reasoning in strategic decision making. Creativity and Innovation Management. Vol. 31, no. 1, pp. 5-18. Wang, Y., Zhang, H. and Song, M. 2020. Does Big Data-Embedded New Product Develop- ment Influence Project Success? Research Technology Management. Vol. 63, no. 4, pp. 35- 42. Wedel, M. and Kannan, P. K. 2016. Marketing Analytics for Data-Rich Environments. Jour- nal of Marketing. Vol. 80, no. 6, pp. 97-121. Wernerfelt, B. 1984. A resource-based view of the firm. Strategic Management Journal; Strat.Mgmt.J. Vol. 5, no. 2, pp. 171-180. Winter, S. G. 2003. Understanding dynamic capabilities. Strategic Management Journal; Strat.Mgmt.J. Vol. 24, no. 10, pp. 991-995. Zhan, Y., Tan, K. H., Ji, G., Chung, L. and Tseng, M. 2017. A big data framework for facil- itating product innovation processes. Business Process Management Journal. Vol. 23, no. 3, pp. 518-536.