Kun avoin data kohtaa yrityksen oman datan – Power BI:n ja tekoälyn mahdollisuudet asiakassegmentoinnissa

Kuka oikeastaan on yrityksesi tyypillinen asiakas? Mistä hän tulee ja miksi hän valitsee juuri tietyn sopimusvaihtoehdon? Mikä on asiakkuuden elinkaari? Entä missä asiakasryhmissä on kasvupotentiaalia? Nämä kysymykset ovat tuttuja monelle yritykselle, mutta vastausten löytäminen vaatii muutakin kuin omaa asiakasrekisteriä.

Kirjoittajat: Kari Junnola, Liisa Uosukainen & Marianne Viinikainen

DataÄly Imatran seutukunta -hankkeessa (LAB 2026) toteutettiin kevään 2026 aikana data- ja tekoälykokeilu, jossa Imatran Seudun Sähkö Oy:n anonymisoitua asiakasdataa yhdistettiin avoimiin tietoaineistoihin Power BI:llä. Kokeilussa hyödynnettiin generatiivista tekoälyä sekä koneoppimista asiakasdatan analysoinnissa. Tässä artikkelissa kerrotaan, miten kokeilu eteni ja mitä siitä opittiin.

Lähtöasetelma: paljon dataa, mutta hajanaisena

Yrityksellä oli sekä dataa että osaamista. Sillä oli hallussaan kattavat tiedot nykyisistä ja entisistä asiakkaistaan: demografiatietoja, sopimuksiin liittyviä tietoja sekä tietoa asiakkuuksien kestosta ja kehityksestä. Power BI oli jo käytössä, ja talosta löytyi siihen liittyvää osaamista. Silti joihinkin keskeisiin liiketoimintakysymyksiin oli vaikea vastata pelkän sisäisen datan pohjalta. Millaisia asiakasryhmiä yrityksellä oikeastaan on? Missä ryhmissä on kasvua ja missä vähenemistä? Miten nämä ryhmät suhteutuvat yleiseen väestönkehitykseen? Millaisia ovat potentiaaliset tulevat asiakkaat ja millaisella viestinnällä heidät tavoittaisi parhaiten? Avoimen datan mahdollisuudet oli tunnistettu, mutta niitä ei ollut vielä hyödynnetty järjestelmällisesti. Kokeilun tavoitteena oli saada tietoa asiakasryhmistä (3–6 segmenttiä), ymmärtää tyypillisen asiakkaan profiili, tunnistaa eri sopimusvaihtoehtoja valitsevien asiakkaiden ominaisuudet sekä hahmottaa asiakkuuden elinkaari ja kasvupotentiaali eri ryhmissä.

Avoimen datan rakennuspalikat – Tilastokeskuksesta säätietoon

Yksi kokeilun kiinnostavimmista näkökulmista oli avointen lähdeaineistojen laajamittainen hyödyntäminen yrityksen oman datan rinnalla. Suomessa on tarjolla huomattava määrä laadukasta avointa dataa, jota voidaan yhdistellä yrityksen omiin tietoihin uusien näkökulmien löytämiseksi. Avoin data ikään kuin liittää yrityksen sisäisen datan ympäröivään maailmaan, jolloin ymmärrys toimintaympäristöstä lisääntyy.

Kokeilussa hyödynnettiin seuraavia avoimia tietolähteitä:

Väestö- ja aluekohtaiset tilastot (Tilastokeskus: StatFin ja PAAVO-postinumeroalueittainen avoin tieto)
Ajoneuvokanta ja liikennekäytössä olevat ajoneuvot (Traficom)
Säädata (Open-Meteo)

Nämä aineistot tuotiin Power BI:hin rajapintojen kautta ja yhdistettiin yrityksen anonymisoituun asiakastietoon Power Queryn avulla, eli Microsoftin työkalulla, joka mahdollistaa tiedon muokkaamisen ja yhdistämisen eri lähteistä. Näin syntyi tietomalli, jossa yrityksen oma asiakasdata sai kontekstin: asiakas ei ole enää pelkkä numero rekisterissä, vaan hänet voidaan sijoittaa osaksi laajempaa väestöllistä, alueellista ja jopa ilmastollista kokonaisuutta.

Avoimen datan yhdistäminen yrityksen omaan dataan on noussut keskeiseksi tavaksi rakentaa kilpailukykyä. Euroopan datastrategia korostaa avointen aineistojen merkitystä pk-yritysten innovaatiokyvylle. (Euroopan komissio 2025.) Kokeilun kokemukset tukevat tätä näkemystä: jo olemassa olevat maksuttomat aineistot voivat tuottaa merkittävää lisäarvoa, kun ne liitetään oikeaan analyysikehikkoon.

Generatiivinen tekoäly ja koneoppiminen segmentoinnin tukena

Asiakkaiden ryhmittely eli segmentointi oli kokeilun keskeinen osa. Työssä käytettiin kahta toisiaan täydentävää lähestymistapaa.

Ensimmäinen oli manuaalinen ryhmittely Power BI:ssa. Segmentit rakennettiin generatiivista tekoälyn hyödyntäen liiketoimintalähtöisistä kriteereistä käsin: kulutuksen suuruudesta, sopimuskäyttäytymisestä ja asiakkaan iästä. Tämä lähestymistapa on intuitiivinen ja helppo perustella liiketoiminnallisesti, mutta se saattaa jättää piiloon datassa piilevät rakenteet.

Toinen analyyttisesti kiinnostavin lähestymistapa oli ohjaamaton koneoppiminen K-means -klusteroinnin avulla, joka toteutettiin Power BI:hin integroidulla Python-skriptillä. K-means on yleisesti käytetty klusterointialgoritmi, joka ryhmittelee datapisteet samankaltaisiin joukkoihin ilman etukäteen annettuja luokkia (Jain 2010). Algoritmi analysoi asiakkaiden ominaisuuksia automaattisesti ja muodostaa ryhmät, joita ihmissilmä ei välttämättä olisi osannut etsiä.

Klustereiden tulkinnassa hyödynnettiin Power BI:n tekoälypohjaista Key Influencers -visualisointia, joka auttaa ymmärtämään, mitkä tekijät erottavat eri asiakasryhmiä toisistaan. Tämä on esimerkki siitä, miten kaikille avoimesti tarjolla oleva datan analyysi- ja visualisointityökalu Power BI Desktop tarjoaa pääsyn monimutkaisiin analyyseihin ilman syvällistä tilastollista osaamista.

Tulokset: 24 välilehteä, uusia näkökulmia ja konkreettisia hyötyjä

Kokeilun lopputuloksena syntyi Power BI -raporttikokoelma, joka koostuu 24 välilehdestä. Yhdeksässä näistä on yhdistetty yrityksen omaa ja avointa dataa, ja raporteissa voidaan porautua yksityiskohtaisiin tietoihin eri näkökulmista.

Kuva 1. Esimerkki asiakasanalytiikan raportista (Kuva: luotu ChatGPT:n avulla, ei sisällä kokeilun tietoja)

Datamalli mahdollistaa eri tekijöiden suhteiden tarkastelun: demografiset tiedot, asumistyyppi, kunta, sähkönkulutuskäyttäytyminen ja monet muut muuttujat ovat nyt saman tietomallin sisällä. Tätä voidaan hyödyntää markkinoinnin kohdentamisessa, potentiaalisten uusien asiakasalueiden tunnistamisessa ja palvelukehityksen tueksi.

Hankeasiantuntijat nostivat esiin havaintoja tutkimuskysymyksiin liittyen. Vaikka yksityiskohtaiset löydökset ovat yrityskohtaisia, yleisempi viesti on selvä: systemaattinen datan yhdistäminen ja analysointi tuottavat sellaista ymmärrystä asiakaskunnasta, jota ei synny pelkällä kokemuksella tai yksittäisten raporttien selaamisella. Tämän vahvistivat myös yrityksen edustajat: ”Erityisen hyvää oli avoimen datan yhdistäminen yrityksen omaan dataan ja näkymät sen tuomiin mahdollisuuksiin”.

Kokeilun toteutusaika oli noin neljä kuukautta (tammikuu–toukokuu 2026), ja se sisälsi aloituspalaverin, tarkemman määrittelypalaverin, kaksi työpalaveria sekä päätöspalaverin. Seuraava vaihe on raporttikokoelman käyttöönotto ja jatkohyödyntäminen yrityksen arjessa.

Tämä kokeilu osoittaa, että avoin data, analytiikka ja tekoäly eivät ole vain suuryritysten etuoikeus. Oikeilla työkaluilla ja asiantuntijatuella myös pk-yritys voi saavuttaa merkittävää lisäymmärrystä omasta asiakaskunnastaan – ja sen pohjalta tehdä parempia päätöksiä.

Lähteet

Euroopan komissio. 2025. Euroopan datastrategia. Viitattu 22.5.2026. Saatavissa https://digital-strategy.ec.europa.eu/fi/policies/strategy-data

Jain, A. K. 2010. Data clustering: 50 years beyond K-means. Pattern Recognition Letters. Vol. 31 (8), 651–666.

LAB. 2026. DataÄly Imatran seutukunta. Viitattu 22.5.2026. Saatavissa https://lab.fi/fi/projekti/dataaly-imatran-seutukunta

Open-Meteo. 2026. Free Weather API. Viitattu 22.5.2026. Saatavissa https://open-meteo.com/

Tilastokeskus. 2026. StatFin – Tilastokeskuksen maksuttomat tilastotietokannat. Viitattu 22.5.2026. Saatavissa https://pxdata.stat.fi/PXWeb/pxweb/fi/StatFin/

Tilastokeskus. 2026. PAAVO – postinumeroalueittainen avoin tieto. Viitattu 22.5.2026. Saatavissa https://pxdata.stat.fi/PxWeb/pxweb/fi/Postinumeroalueittainen_avoin_tieto/

Traficom. 2026. Liikenne- ja viestintävirasto Traficomin julkaisema avoin data. Viitattu 22.5.2026. Saatavissa https://tieto.traficom.fi/fi/avoin-data

Kirjoittajat

Kari Junnola on Imatran Seudun Sähkö Oy:n järjestelmäasiantuntija.

Liisa Uosukainen työskentelee tietojenkäsittelyn lehtorina LAB-ammattikorkeakoulussa ja toimii automaatioasiantuntijana DataÄly Imatran seutukunta -hankkeessa.

Marianne Viinikainen työskentelee taloushallinnon lehtorina LAB-ammattikorkeakoulussa ja toimii prosessiasiantuntijana DataÄly Imatran seutukunta -hankkeessa.

Artikkelikuva: https://pixabay.com/photos/lightbulb-workplace-laptop-idea-3449671/ (Pixabay license)