Koneoppiminen data-analytiikassa: vaikutukset informaatioprosessointiin ja strategiseen päätöksentekoon

Abstract

Digitaalisen transformaation aikakaudella organisaatiot kohtaavat kasvavia haasteita suuren ja monimuotoisen datan hallinnassa sekä hyödyntämisessä strategisessa päätöksenteossa. Tämä kandidaatintutkielma tarkastelee koneoppimisen (ML) merkitystä organisaation tiedon prosessoinnin näkökulmasta ja erityisesti sen vaikutuksia strategisen päätöksenteon tukena. Tutkimus toteutettiin kirjallisuuskatsauksena, ja siinä hyödynnettiin teoreettisena viitekehyksenä Organizational Information Processing Theorya (OIPT), joka auttaa selittämään, miten organisaatiot voivat vastata ympäristön epävarmuuteen kasvattamalla tiedon prosessointikapasiteettiaan.

Tutkimuksessa selvitettiin, miten erilaiset koneoppimismenetelmät – ohjattu, ohjaamaton ja vahvistusoppiminen – vaikuttavat data-analytiikan kyvykkyyksiin ja päätöksenteon laatuun. Tulosten perusteella koneoppiminen parantaa organisaation kykyä jalostaa suuria tietomassoja hyödylliseksi tiedoksi, tunnistaa ennakoivia trendejä sekä tehdä päätöksiä nopeammin ja tarkemmin. OIPT:n näkökulmasta koneoppiminen vahvistaa yhteensopivuutta ympäristön vaatimusten ja organisaation sisäisten kyvykkyyksien välillä. Tutkimus tunnisti myös useita koneoppimispohjaiseen analytiikkaan liittyviä haasteita, kuten datan laadun, mallien läpinäkyvyyden ja osaamisresurssien puutteen.

Johtopäätöksenä koneoppiminen näyttäytyy paitsi teknologisena ratkaisuna myös strategisena välineenä, joka voi parantaa organisaation päätöksenteon tehokkuutta ja kilpailukykyä, mikäli sen käyttöönottoon suhtaudutaan kokonaisvaltaisesti ja organisaation erityispiirteet huomioiden.