Katse ei valehtele: Tekoäly mullistaa asiakaspolkujen tutkimisen

Asiakaskokemuksen kehittäminen nojaa usein siihen, mitä asiakkaat kertovat haastatteluissa tai kyselyissä. Muisti on kuitenkin epäluotettava todistaja. LAB-ammattikorkeakoulun tuore tutkimus osoittaa, miten silmänliikekamerat yhdistettynä moderniin tekoälyyn tarjoavat objektiivista tietoa siitä, mikä asiakkaan huomion todella kiinnittää. Uusi menetelmä poistaa aiemman pullonkaulan – videomateriaalin työlään manuaalisen analyysin – ja avaa uusia mahdollisuuksia palvelumuotoiluun.

Kirjoittaja: Sami Heikkinen

Asiakaspolkujen tutkiminen on perinteisesti nojannut vahvasti laadullisiin menetelmiin, kuten haastatteluihin ja havainnointiin. Vaikka nämä ovat arvokkaita työkaluja, niissä on merkittävä heikkous: ne perustuvat ihmisen kykyyn muistaa ja raportoida toimintaansa jälkikäteen.

Tutkimuskirjallisuudessa puhutaan ”palauttamisharhasta” (recall bias). Kun asiakkaalta kysytään myymäläkäynnin jälkeen, huomasiko hän uuden opasteen, hän saattaa vastata myöntävästi miellyttääkseen kysyjää tai luodakseen johdonmukaisen tarinan, vaikka todellisuudessa hänen katseensa ei olisi kertaakaan osunut kyseiseen kylttiin.

Silmänliikekamerat (eye-tracking) ratkaisevat tämän ongelman tarjoamalla objektiivista dataa siitä, mihin asiakkaan huomio oikeasti kohdistuu sekuntitasolla. Tähän asti teknologian laajamittaista hyödyntämistä on kuitenkin jarruttanut valtava työmäärä: tuntien videomateriaalin läpikäynti ja koodaaminen käsin on ollut liian hidasta ja kallista useimmille organisaatioille.

Tekoäly väsymättömänä havainnoijana

Tutkimuksessamme (Heikkinen et al. 2026) etsimme ratkaisua manuaalisen työn pullonkaulaan hyödyntämällä näkökyvyllä varustettuja kielimalleja (Vision Language Models, VLM). Nämä tekoälymallit kykenevät tulkitsemaan kuvia ja vastaamaan niitä koskeviin kysymyksiin luonnollisella kielellä.

Asiakaspolkujen videoaineistot sisältävät usein tunnistettavia henkilöitä ja liikesalaisuuksia, joten datan lähettäminen pilvipalveluihin ei ole tietosuojan kannalta kestävä ratkaisu. Siksi tutkimuksessa hyödynnettiin paikallisesti ajettavia malleja (Ollama-alustalla), jolloin data ei poistunut omalta tietokoneelta missään vaiheessa.

Testasimme viittä erikokoista tekoälymallia. Yllättäen paras tasapaino nopeuden ja tarkkuuden välillä ei löytynyt massiivisimmasta mallista, vaan kevyemmästä Gemma3-mallista. Se pystyi tunnistamaan katseen kohteet (kuten opasteet, näytöt tai ihmiset) riittävällä tarkkuudella, mutta murto-osassa ihmistyöhön kuluvasta ajasta. Vaikka tekoäly ei ole vielä erehtymätön – malli saavutti ihmiskoodaajaan verrattuna n. 74 % tarkkuuden – se tarjoaa riittävän pohjan suurten datamassojen nopeaan analysointiin.

Data paljasti piileviä käyttäytymismalleja

Kun tekoälyn tuottama havaintodata yhdistettiin koehenkilöiden ääneen lausumiin ajatuksiin (”think-aloud”), löysimme selkeitä käyttäytymismalleja, joita pelkkä haastattelu ei olisi paljastanut.

Tutkimusaineistosta nousi esiin kolme kiinnostavaa ilmiötä:

Suunnistamisen epävarmuus (Navigational Uncertainty): Kun asiakas eksyy tai epäröi, hänen katseensa harhailee opasteissa pitkään, ja samalla puheesta kuuluu epävarmuutta (”Pitäisiköhän mennä tuonne…”). Tämä on selkeä signaali palveluntarjoajalle siitä, että tilan opastus ei toimi intuitiivisesti.
Varmistava vilkuilu (Confirmatory Scanning): Kun asiakas on jo tehnyt päätöksen suunnasta, hän saattaa silti nopeasti vilkuilla ympäristöä vahvistaakseen valintansa. Tämä ”visuaalinen varmistus” on tärkeä osa päätöksentekoprosessia, jota harva asiakas osaa sanallistaa jälkikäteen.
Sosiaalinen tarkkaavaisuus (Socially-mediated Attention): Toisen ihmisen puhe ohjaa katsetta voimakkaasti. Kun asiakas keskustelee, hänen havainnointinsa muuttuu sosiaalisesti ohjautuvaksi, mikä voi viedä huomion pois esimerkiksi mainoksista tai opasteista.

Uusi työkalu palvelumuotoilijan pakkiin

Mitä tämä tarkoittaa käytännön liiketoiminnalle? Menetelmä tarjoaa palvelumuotoilijoille ja tilasuunnittelijoille uudenlaisen ”totuuden”, joka täydentää perinteisiä asiakaskyselyitä.

Keskeisin hyöty on ristiriitojen paljastaminen. Asiakas saattaa haastattelussa väittää huomanneensa uuden mainoskampanjan, mutta katseenseurantadata voi paljastaa, ettei hän todellisuudessa vilkaissutkaan sitä kohti. Jos katse ei kohtaa viestiä, vika on todennäköisesti sijoittelussa tai visuaalisessa suunnittelussa, ei asiakkaan muistissa.

Erityisen arvokasta on tunnistaa palvelupolun kipupisteet. Jos tekoälyanalyysi havaitsee toistuvaa suunnistamisen epävarmuutta tietyssä kohdassa tilaa – esimerkiksi asiakkaan katseen sinkoillessa opasteiden välillä – kyseessä on selkeä suunnitteluvirhe, joka voidaan korjata. Näin fyysisiä palveluympäristöjä voidaan optimoida samalla tarkkuudella kuin verkkokauppoja, joissa jokaista klikkausta on seurattu jo vuosia.

Katse tulevaisuuteen

Tämä tutkimus osoittaa, että katseenseuranta ei ole enää vain raskaiden laboratorio-olosuhteiden luksusta. Kun analyysi voidaan automatisoida paikallisilla ja tietoturvallisilla tekoälymalleilla, menetelmästä tulee skaalautuva työkalu todellisten asiakaskokemusten mittaamiseen.

Tulevaisuudessa emme ehkä vain kysy asiakkaalta ”Mitä mieltä olit?”, vaan annamme hänen katseensa kertoa tarinan, jota sanat eivät tavoita.

Lähteet

Heikkinen, S., Väisänen, J., Kaikonen, H., Makkula, S. & Markkanen, P. 2026. Analysis of Customer Journey Video Data Using Eye-Tracking and Multimodal AI. Teoksessa Chira, C., Mater, O., Pop, F. & Pop-Sitar, P. (toim.). Innovative Perspectives on Computational Intelligence and Data Science. InnoComp 2025, 3–22. Communications in Computer and Information Science. Cham: Springer Nature Switzerland.