Sosiaalisen median liiketoiminnallisen hyödyntämisen ja käytön vaikutusten mittaaminen...

OLLI PIRTTILÄ

SOSIAALISEN MEDIAN LIIKETOIMINNALLISEN

HYÖDYNTÄMISEN JA KÄYTÖN VAIKUTUSTEN MITTAAMINEN

TIETOKONEPOHJAISELLA MALLINNUKSELLA

Kandidaatintyö

26.8.2014

i

TIIVISTELMÄ

TAMPEREEN TEKNILLINEN YLIOPISTO

Tietojohtamisen koulutusohjelma

PIRTTILÄ, OLLI: Sosiaalisen median liiketoiminnallisen hyödyntämisen ja käytön

vaikutusten mallintaminen

Kandidaatintyö, 31 sivua, 2 liitettä (13 sivua)

Elokuu 2014

Pääaine: Tietojohtaminen

Tarkastaja: Tohtorikoulutettava Aki Alanne

Avainsanat: sosiaalinen media, web 2.0, mallintaminen, agenttipohjainen mallintami-

nen, systeemidynaaminen mallintaminen

Tämä työ pyrki selvittämään miten mallinnusta ja simulointia on hyödynnetty sosiaali-

sen median liiketoiminnallisen hyödyntämisen ja käytön vaikutuksien mittaamisessa.

Tutkimusaihe on valittu vastaamaan Tampereen teknillisen yliopiston Tiedonhallinnan

ja logistiikan laitoksen SPEED (Systemic Paths of Ecosystem Evolution Dynamics) -

tutkimushankkeen tarpeita.

Työn tutkimuskysymykset olivat: 1. Millaisilla erilaisilla tavoilla agenttipohjaista mal-

linnusta ja systeemidynaamista mallinnusta on käytetty sosiaalisen median liiketoimin-

nallisen hyödyntämisen ja käytön vaikutusten mittaamiseen? 2. Minkälaisiin sosiaalisen

median liiketoiminnallisen hyödyntämisen ja käytön vaikutusten mittaamisen haastei-

siin agenttipohjainen mallinnus ja systeemidynaaminen mallinnus tarjoavat ratkaisuja?

Työ tehtiin teoreettisena tutkimuksena laatimalla systemaattinen kirjallisuuskatsaus.

Työssä tehtiin tietokantahaut seitsemästä eri tietokannasta ja tulosten luokittelussa so-

vellettiin yksityiskohtaista karsintaprosessia, jolla julkaisuista tunnistettiin neljällä rele-

vanssia ja tieteellistä arvoa määrittelevällä hyväksyntä- ja karsintakriteereillä tutkimus-

ongelman kannalta keskeinen materiaali. Tällaiseksi materiaaliksi tunnistettiin yhteensä

10 julkaisua, jotka vastaavat tämän työn tutkimuskysymyksiin.

Tutkimuksen tuloksena tunnistettiin viisi erilaista sovellustapaa, jossa agenttipohjaista

mallinnusta tai systeemidynaamista mallinnusta on käytetty sosiaalisen median liike-

toiminnallisen hyödyntämisen tai käytön vaikutusten mittaamisessa. Löydetyistä sovel-

luskohteista vain harvassa näkökulma oli täysin liiketoiminnallisessa kontekstissa, mut-

ta kaikki tunnistetut sovelluskohteet ovat kuitenkin suoraan sovellettavissa liiketoimin-

nalliseen kontekstiin. Tunnistetuissa julkaisuissa pohdittiin agenttipohjaisen mallinnuk-

sen hyötyjä melko yleisellä tasolla, eikä varsinaisesti tutkittu tai listattu sellaisia ongel-

mia tai haasteita liiketoiminnallisten ilmiöiden mallintamisessa, joihin mallinnustavat

voisivat tarjota ratkaisuja. Tulosten perusteella tunnistettiin tutkimusalueessa puutteita

sosiaalisen median liiketoiminnallisen hyödyntämisen ja vaikutusten mallinnuksen osal-

ta nimenomaan liiketoiminnallisessa kontekstissa. Lisäksi tunnistetuissa sovellustavois-

sa systeemidynaaminen mallinnus oli aliedustettuna.

ii

ALKUSANAT

Tämän tutkimuksen aihe sai alkunsa SPEED (Systemic Paths of Ecosystem Evolution

Dynamics) –tutkimushankkeen tavoitteista ja tarpeista. Mallintaminen on myös aihe jo-

ka on kiinnostanut tutkimuksen tekijää henkilökohtaisesti jo aiemmin. Tutkimuksen te-

kemisen aikana tekijän tietämys mallintamiseen liittyvästä tieteellisestä tutkimuksesta

on lisääntynyt, ja kiinnostus aihepiiriä kohtaan kasvanut entisestään.

Poiketen tavanomaisesta kandidaatintyöstä, tämä tutkimus tehtiin systemaattisena kirjal-

lisuuskatsauksena. Systemaattinen tutkimusmenetelmä on vaatinut perinteiseen kirjalli-

suustutkielmaan verrattuna erityistä huolellisuutta ja tekijältä syvempää perehtymistä

tutkimusmenetelmän periaatteisiin, sekä sen vaiheiden dokumentointiin. Prosessi on

kuitenkin ollut työn tekijälle erittäin antoisa, ja opettanut erittäin paljon akateemisen

tutkimuksen tekemisestä.

Työn tekemisessä on rakentavista kehitysehdotuksista ollut suuri hyöty. Erityisesti teki-

jä haluaa kiittää professori Hannu Kärkkäistä ja projektipäällikkö Jari Jussilaa arvok-

kaista ohjeista ja neuvoista tieteellisen tutkimuksen kirjoittamisessa. Työn ohjaaja Aki

Alanne on myös ollut suureksi avuksi selkeillä ja kannustavilla neuvoilla ja ohjeistuksil-

laan.

Lisäksi työn tekijä haluaa kiittää hyödyllisistä huomioista valmiin työn lukenutta Milla

Väänästä. Anneli ja Timo Pirttilää tekijä kiittää kannustuksesta työn tekemisen eri vai-

heissa.

Tampereella 4.8.2014

Olli Pirttilä

iii

SISÄLLYS

TERMINOLOGIA JA LYHENTEET ................................................. v

1. JOHDANTO .............................................................................. 1

1.1. Tutkimuksen tausta ja tavoitteet ........................................................... 2

1.2. Tutkimusongelma ja tutkimuksen rajaus ............................................... 2

1.3. Tutkimusmenetelmä ja tutkimuksen suorittaminen ............................... 4

1.4. Tutkimusaineisto ja sen valinta ............................................................. 6

2. SOSIAALISEN MEDIAN LIIKETOIMINNALLISET

VAIKUTUKSET ............................................................................... 9

2.1. Sosiaalinen media ................................................................................ 9

2.2. Liiketoiminnallinen hyödyntäminen ja käytön vaikutukset ................... 11

3. TIETOKONEPOHJAISEN MALLINTAMISEN

HYÖDYNTÄMINEN ....................................................................... 13

3.1. Agenttipohjainen mallinnus ................................................................. 13

3.2. Systeemidynaaminen mallinnus ......................................................... 14

3.3. Mallinnustapojen yhteishyödyt ............................................................ 15

4. SOSIAALISEN MEDIAN LIIKETOIMINNALLISEN

HYÖDYNTÄMISEN JA KÄYTÖN VAIKUTUSTEN

MALLINTAMINEN ........................................................................ 16

4.1. Tunnistetut sovelluskohteet mallintamiselle ........................................ 18

4.1.1. Sosiaalisen median käyttämisen motivointikeinojen

mallintaminen 18

iv

4.1.2. Tiedon leviämisen mallintaminen sosiaalisen median

sovelluksissa 20

4.1.3. Sosiaalisessa mediassa leviävän kuulopuheen vaikutuksien

mallintaminen kuluttajakäyttäytymisessä 20

4.1.4. Suuren yleisön ja sidosryhmien mielipiteiden muodostuminen

sosiaalisessa mediassa 21

4.1.5. Sosiaalisten verkkoyhteisöjen ja yhteistoiminnan tutkiminen 22

4.2. Haasteet ja ongelmat joihin mallinnus tarjoaa ratkaisuja

sovelluskohteissaan ................................................................................... 23

5. PÄÄTELMÄT .......................................................................... 25

5.1. Johtopäätökset ................................................................................... 25

5.2. Tutkimuksen merkittävyys ja laadun arviointi ...................................... 26

5.3. Suositukset tutkimushankkeelle ja tiedeyhteisölle .............................. 27

LÄHTEET ...................................................................................... 29

LIITTEET (2 KPL)

v

TERMINOLOGIA JA LYHENTEET

Termi / lyhenne:

Web 2.0

Käyttäjän luoma sisältö

Sosiaalinen media

Agenttipohjainen mallinnus

Määritelmä / selitys

Web 2.0 on vuonna 2004 Tim O’Reillyn ke-

hittämä termi, jolla kuvataan sekä sovellus-

kehittäjien, että loppukäyttäjien uudenlaista

tapaa käyttää WWW-teknologiaa (O’Reilly,

2009).

Laaja määrä Web 2.0 sovelluksessa julkisesti

saatavilla olevaa tietoa, jonka sovelluksien

loppukäyttäjät ovat sinne luoneet (Kaplan ja

Haenlein, 2010, s. 61). Englanniksi ”User

Generated Content”.

Internet-pohjaiset sovellukset, jotka hyödyn-

tävät Web 2.0 teknologiaa ja toimintaperiaat-

teita, sekä mahdollistavat käyttäjien luoman

sisällön luomisen ja jakamisen (Kaplan ja

Haenlein, 2010, s. 61).

Tietokonepohjainen mallinnustapa jossa mal-

linnetaan monimutkaisia systeemejä, jotka

koostuvat toistensa kanssa vuorovaikuttavis-

ta autonomisesti toimivista ”agenteista”. Yk-

sittäiset agentit seuraavat mallinnuksessa

niille asetettuja sääntöjä ja toimintamalleja.

(Macal ja North, 2010).

vi

Systeemidynaaminen mallinnus

APM

SDM

UGC

Tietokonepohjainen mallinnustapa, joka pe-

rustuu systeemeihin perustuvaan ajatteluta-

paan, jossa pyritään ymmärtämään ja mallin-

tamaan monimutkaisia epälineaarisia ongel-

mia systeemiajattelun avulla. Mallit perustu-

vat ongelmien ja ilmiöiden kausaaliseen

luonteeseen ja eri tekijöiden kokonais-

valtaiseen yhteisvaikutukseen systeeminä.

(IGI Global Dictionary, 2014; Sterman,

2002; System Dynamics Society, 2014)

Agenttipohjainen mallinnus.

Systeemidynaaminen mallinnus.

User Generated Content (katso “käyttäjän

luoma sisältö”).

1

1. JOHDANTO

Tämän kandidaatintyön aiheena on sosiaalisen median liiketoiminnallisen hyödyntämi-

sen ja käytön vaikutuksien mittaaminen tietokonepohjaisella mallintamisella. Työssä on

pyritty myös selvittämään, missä määrin agenttipohjaisella (lyhennetään APM) ja sys-

teemidynaamisella mallintamisella (lyhennetään SDM) on saatu vastauksia sosiaalisen

median liiketoiminnalliseen hyödyntämiseen ja tämän hyödyn mittaamiseen. Työ on

tehty systemaattisena kirjallisuuskatsauksena ja kirjallisuuden analyysina ja se on kar-

toittava kvalitatiivinen tutkimus. Työn tavoitteena on ollut laatia kattava katsaus aihetta

käsittelevään kirjallisuuteen ja analysoida olemassa olevan kirjallisuuden relevanssia ja

tieteellistä arvoa tähän soveltuvilla kriteereillä.

Tutkimusaihe on valittu vastaamaan Tampereen teknillisen yliopiston Tiedonhallinnan

ja logistiikan laitoksen SPEED (Systemic Paths of Ecosystem Evolution Dynamics) -

tutkimushankkeen tarpeita. Tekemällä valitusta aiheesta systemaattinen kirjallisuuskat-

saus on pyritty selvittämään sosiaalisen median vaikutusten mallintamisesta tehdyn tie-

teellisen tutkimuksen nykytila. Tämän perusteella tutkimushankkeessa voidaan suunnata

jatkotutkimusta sellaiselle alueelle, joka täydentää olemassa olevaa, vaativat tieteelliset

kriteerit täyttävää tutkimusta.

Tässä johdantoluvussa esitellään tutkimuksen aihe, tutkimukselle asetetut tavoitteet ja

tutkimusongelma sekä tutkimuksen rajaus ja käytetty tutkimusmenetelmä. Ensimmäi-

sessä aliluvussa määritellään tutkimuksen tausta ja tavoitteet. Toisessa aliluvussa esite-

tään tutkimukselle asetettu tutkimusongelma, sekä tutkimuskysymykset, joilla tähän

tutkimusongelmaan pyritään löytämään ratkaisu. Kolmannessa aliluvussa esitellään tut-

kimuksen tekemiseen käytetty prosessi ja tutkimusmenetelmät.

Työn toinen ja kolmas pääluku käsittävät tutkimuksen teoriaosan, joka alustaa aihepiirin

ymmärrystä syventymällä sosiaalisen median liiketoiminnallisiin vaikutuksiin, niiden

mittaamisen ja todentamisen haasteisiin sekä tietokonepohjaisen mallintamisen hyödyn-

tämiseen. Systemaattisen kirjallisuuskatsauksen yhteenveto on esitetty luvussa neljä,

jossa pohditaan laaditun kirjallisuuskatsauksen perusteella viittä erilaista mallintamisen

sovelluskohdetta. Luvussa viisi on puolestaan esitetty tämän työn johtopäätökset, joissa

tutkimustulosten ohella arvioidaan tutkimuksen laatua merkittävyyttä. Luvussa viisi on

esitetty myös suosituksia tutkimushankkeen jatkotyölle.

2

1.1. Tutkimuksen tausta ja tavoitteet

SPEED –tutkimushankkeessa pyritään lisäämään ymmärrystä erilaisista liiketoiminta- ja

innovaatioekosysteemeistä. Yhtenä hankkeen osa-alueena on kehittää malleja ekosys-

teemien tutkimiseen, hyödyntäen mallinnus- ja simulaatiomenetelmiä. Lisäksi tavoittee-

na on kehittää mittareita siihen, miten uudenlaisten toimintatapojen, kuten sosiaalisen

median liiketoiminnallisen käytön, vaikutuksia ja hyötyjä voidaan mitata.

Sosiaalisen median vaikutuksista on olemassa jonkin verran tieteellistä tutkimusta var-

sinkin verkkomarkkinoinnin aihepiiristä. Markkinoinnin aihepiirissä sosiaalisen median

käyttöönoton suurimpina esteinä nähdään usein sen vaikutusten ja investoinnin tuotto-

prosentin määrittäminen. Esimerkiksi Fisherin (2009) mukaan potentiaalisten hyötyjen

ja investoinnin tuotto-odotuksien mittareiden puute hidastaa tai estää sosiaalisen median

käyttöönottoa osaksi yrityksen markkinointistrategiaa. Myös muissa käyttötarkoituksis-

sa kuin verkkomarkkinoinnissa mitattavien hyötyjen osoittaminen olisi hyödyllistä.

Lakkalan (2011) mukaan sosiaalisen median käyttöönottoa teollisuusyrityksissä rajoit-

taa liiketoimintahyötyjen arvioimisen ja osoittamisen vaikeus. Lakkalan selvityksen

mukaan toimivat keinot ja mallit sosiaalisen median hyötyjen mittaamisen ja osoittami-

seen olisivat arvokkaita. Myös Aral et al. (2013) esittävät sosiaalisen median tutkimuk-

selle viitekehyksen, jossa sosiaalisen median hyötyjen ja vaikutusten mittaaminen yksi-

lö, alusta ja yritystasolla on nostettu yhdeksi tärkeäksi tavoitteeksi uudelle tutkimuksel-

le.

Tämä työ pyrkiikin selvittämään miten mallinnusta ja simulointia on hyödynnetty sosi-

aalisen median käytön vaikutuksien mittaamisessa ja mitä mahdollisuuksia mallintami-

nen voisi tarjota liiketoiminnalliseen hyödyntämiseen. Suorittamalla systemaattisen kir-

jallisuuskatsauksen sosiaalisen median sovellusten ja ilmiöiden mallintamisessa liike-

toiminnallisessa kontekstissa, pyritään antamaan yleiskuva siitä, miten mallinnuksen ja

simuloinnin menetelmin on pyritty vastaamaan sosiaalisen median vaikutusten ja hyöty-

jen mittaamisen haasteisiin. Tutkimuksen perusteella voidaan esittää jatkotutkimustar-

peita, joiden avulla pystytään paremmin tarjoamaan ratkaisuja sosiaalisen median vaiku-

tuksien mittaamiseen ja osoittamiseen.

1.2. Tutkimusongelma ja tutkimuksen rajaus

Työn päätutkimusongelmana on: ”Tarjoaako agenttipohjainen tai systeemidynaaminen

mallinnus keinoja sosiaalisen median liiketoiminnallisen hyödyntämisen ja käytön vai-

kutusten mittaamisen?” Tutkimusongelmaan pyritään löytämään vastaus seuraavien tut-

kimuskysymyksien kautta:

3

1. Millaisilla erilaisilla tavoilla agenttipohjaista mallinnusta ja systeemidynaamista

mallinnusta on käytetty sosiaalisen median liiketoiminnallisen hyödyntämisen ja

käytön vaikutusten mittaamiseen?

2. Minkälaisiin sosiaalisen median liiketoiminnallisen hyödyntämisen ja käytön

vaikutusten mittaamisen haasteisiin agenttipohjainen mallinnus ja systeemidy-

naaminen mallinnus tarjoavat ratkaisuja?

Ensimmäiseen tutkimuskysymykseen pyritään vastaamaan systemaattisessa kirjallisuus-

katsauksessa tunnistettujen julkaisuiden avulla. Löydetystä tutkimusaineistosta kerätään

niissä esiintyvät erilaiset tavat hyödyntää mallinnusta vaikutusten mittaamisessa. Toi-

seen tutkimuskysymykseen pyritään vastaamaan analysoimalla samaisessa materiaalissa

esitettyjä haasteita ja ongelmakohtia, sekä ratkaisuja joita aineiston mukaan mallinnus

niihin tarjoaa. Ensimmäiseen tutkimuskysymykseen pyritään vastaamaan erityisesti lu-

vussa 4.1 tunnistetuilla mallinnustavoilla, ja toiseen tutkimuskysymykseen erityisesti

luvussa 4.2 esitetyllä synteesillä löydetyistä mallinnuksen hyödyistä ja sen tarjoamista

ratkaisuista mittaamisen ongelmiin.

Tutkimuksen tarkastelu on rajattu sosiaalisen median liiketoimintaan liittyvän hyödyn-

tämisen ja sen käytön taloudellisten ja aineettomien vaikutuksien mallintamiseen. Vai-

kutuksilla voidaan tarkoittaa niin negatiivisia, kuin positiivisiakin vaikutuksia. Sosiaali-

sen median käyttöönoton riskien mallintamista voidaan pitää vaikutuksien mallintami-

sena, mutta sitä ei kuitenkaan oteta mukaan tarkasteluun, sillä aihepiirinä se on jo itses-

sään kandidaattitutkielman laajuinen. Sosiaalisen median ja sosiaalisten systeemien il-

miöitä on tutkittu myös muissa kuin liiketoiminnallisissa konteksteissa, mutta tutkimuk-

sen laajuuden ja SPEED -tutkimushankkeen painotuksien takia tarkastelu rajataan tiu-

kasti liiketoiminnalliseen kontekstiin. Vaikka osa tunnistetuista lähteistä ei suoraan kä-

sittelisikään mallinnusta liiketoiminnallisessa kontekstissa, otettiin mukaan kuitenkin

myös sellaiset mallinnustavat, jotka ovat suoraan sovellettavissa liiketoiminnalliseen

kontekstiin. Lisäksi mahdollisista mallinnus- ja simulointitavoista tarkastelu on rajattu

agenttipohjaiseen mallintamiseen ja systeemidynaamiseen mallintamiseen, osittain työn

laajuuden rajoituksien takia, mutta myös mallinnustapojen ominaisuuksien takia.

Nämä kaksi mallinnustapaa on valittu tarkasteluun niiden melko vakiintuneen käytön

sekä erityisen sosiaalisen median ilmiöiden tarkasteluun soveltuvan luonteen takia.

Agenttipohjaisella mallinnuksella pystytään hyvin helposti mallintamaan sosiaalisia sys-

teemejä, joiden ilmiöt muotoutuvat usein hyvin monimutkaisten yksilöllisten käyttäy-

tymismallien summana (Bonabeau, 2002). Systeemidynaaminen mallinnus tarjoaa taas

systeemitason näkökulman sosiaalisen systeemin käyttäytymiseen ja muodostuviin

suuntauksiin. Agenttipohjainen mallinnus ja systeemidynaaminen mallintaminen myös

tukevat toisiaan, koska agenttipohjainen mallinnus tarjoaa tavan yksityiskohtaiseen yk-

silöiden tarkasteluun, kun taas systeemidynaaminen mallinnus tarjoaa tavan tutkia sys-

teemiä kokonaisuutena. (Wang ja Moon, 2013)

4

1.3. Tutkimusmenetelmä ja tutkimuksen suorittaminen

Tutkimusmenetelmäksi tähän tutkimukseen on valittu systemaattinen kirjallisuuskatsa-

us. Systemaattisella kirjallisuuskatsauksella voidaan läpinäkyvällä ja tieteellisesti tois-

tettavalla tavalla kartoittaa tietystä aihepiiristä aiemmin tehty tutkimus (Tranfield et al.,

2003). Salmisen (2011, s. 9) mukaan systemaattinen kirjallisuuskatsaus on tehokas me-

netelmä erilaisten hypoteesien testaamiseen, tutkimustuloksien esittämiseen tiiviissä

muodossa sekä tuloksien johdonmukaisuuden arviointiin. Systemaattinen kirjallisuus-

katsaus voi myös paljastaa aikaisemmassa tutkimuksessa olevat puutteet ja näin ollen

tuoda esiin uusia tutkimustarpeita. (Salminen, 2011, s. 9) Systemaattisella tiedonhaulla

voidaan myös vähentää tutkijan aiheuttamaa harhaa aineiston valinnassa ja sisällyttämi-

sessä (Salminen, 2011; Tranfield et al., 2003).

Tutkimuksen eteneminen noudattaa mukaillen Salmisen (2011, s. 10–11) esittelemää

Finkin mallia, joka käsittää tutkimuksen suorittamisen tutkimuskysymyksien asettami-

sesta aina tulosten analysointiin. Tutkijan mukaelma tästä prosessista on esitetty kuvas-

sa 1.1.

Kuva 1.1. Systemaattisen kirjallisuuskatsauksen vaiheittainen eteneminen Salmisen

(2011, s. 10–11) mallia mukaillen.

Ensimmäisessä vaiheessa muotoillaan tutkimusongelma, sekä asetetaan tutkimuskysy-

mykset. Tämän tutkimuksen tutkimusongelma ja tutkimuskysymykset on esitetty luvus-

sa 1.2. Toisessa vaiheessa valitaan tietokannat ja kirjallisuus, joista tietoa haetaan. Kol-

mannessa vaiheessa määritetään sopivat hakutermit syventymällä aihepiirin kirjallisuu-

teen alustavasti. Neljännessä vaiheessa määritellään hyväksyntä- ja karsintakriteerit kir-

jallisuuskatsaukseen mukaan otettavalle kirjallisuudelle. Salmisen mukaan (2011, s. 10)

5

kriteerit voivat olla joko laadullisia tai käytännön kriteerejä, joilla hakutuloksista raja-

taan pois epäolennainen tai tieteelliseltä laadultaan heikko kirjallisuus. Käytännön kri-

teerinä voi toimia esimerkiksi julkaisun kieli, tai jokin ajanjakso, jolta tietoa haetaan.

Laadullinen kriteeri voi olla esimerkiksi julkaisujen tyyppi, kuten esimerkiksi tieteelli-

nen aikakausjulkaisu, jotka otetaan mukaan tutkimukseen. (Salminen, 2011, s. 10) Vii-

dennessä vaiheessa suoritetaan systemaattinen kirjallisuuskatsaus. Kuudennessa vai-

heessa muodostetaan synteesi kirjallisuuskatsauksen tuloksista, raportoidaan tämänhet-

kinen tutkimuksen tila aihepiiristä ja tunnistetaan mahdolliset uudet tutkimustarpeet.

Lisäksi kuudennessa vaiheessa tarkastellaan kriittisesti tutkimuksen tarkkuutta ja luotet-

tavuutta.

Viidennen vaiheen systemaattisen kirjallisuuskatsauksen aineiston karsintaan käytetty

toimintamalli perustuu Tranfieldin et al. (2003, s. 214–216) esittelemään suositukseen,

jossa tietokantahakujen tuloksena saatu kirjallisuus käydään läpi tarkkojen karsintakri-

teerien avulla, jotta voidaan varmistua kirjallisuuskatsauksen perustana käytettyjen tut-

kimusten laadusta. Näitä periaatteita noudattaen mukaillaan Manikasin ja Hansenin

(2013) laatiman systemaattisen kirjallisuuskatsauksen prosessia, jossa tiedonhaun tulok-

sena saatua kirjallisuutta karsitaan hyväksyntä-/karsintakriteerien avulla. Tutkimukseen

mukaan otettavien lähteiden valintaan liittyy useita vaiheita, jossa löydettyjä julkaisuja

tarkastellaan yhä yksityiskohtaisemmin. Karsinnan jokainen vaihe dokumentoidaan sys-

temaattisesti. Karsinnan vaiheet ovat:

1. Tutkimusaineiston kerääminen tekemällä tietokantahaut käyttäen esikartoituk-

sen perusteella määritettyjä hakusanoja.

2. Hyväksyntä- / karsintakriteerien soveltaminen löydettyyn kirjallisuuteen otsi-

koiden, tiivistelmien ja avainsanojen osalta, jonka perusteella karsitaan hakutu-

lokset jotka eivät täytä hyväksyntäkriteerejä, tai sisältävät yhden tai useamman-

karsintakriteerin.

3. Toisen vaiheen perusteella löydetyn kirjallisuuden lukeminen koko tekstin osal-

ta ja lopullisen karsinnan tekeminen hyväksyntä- /karsintakriteereitä soveltaen.

4. Vaiheen 3 tuloksena löydettyjen julkaisujen lähdeluetteloiden ja eteenpäin viit-

tausten systemaattinen läpikäynti mahdollisen merkityksellisen lisämateriaalin

löytämiseksi.

Vaiheessa 2 sovelletut hyväksyntä- /karsintakriteerit ovat:

1. Julkaisun tulee käsitellä sosiaalisen median hyödyntämisen tai käytön vaikutus-

ten mallinnusta yleisesti tai jonkin sosiaalisen median yksittäisen sovelluksen

mallintamista joko agenttipohjaisella mallinnuksella, systeemidynaamisella mal-

linnuksella tai näiden yhdistelmällä.

6

2. Julkaisun tulee käsitellä sellaisten sosiaalisten median ilmiöiden mallintamista,

jotka liittyvät keskeisesti liiketoimintaan, tai ovat sellaisenaan sovellettavissa

myös liiketoiminnalliseen kontekstiin.

3. Mikäli julkaisussa käsitellään aihepiiriä, jolle löytyy sekä tosielämän vastine, et-

tä verkkototeutus, karsitaan julkaisut jotka käsittelevät tosielämän vastineita, sil-

lä sosiaalisten systeemien tutkimustulokset jotka pätevät tosielämän ilmiöissä,

eivät välttämättä päde verkkovastineissa. Esimerkiksi verkkopohjainen sosiaali-

nen verkosto (engl. online social network) ja tosielämän sosiaalinen verkosto

(engl. social network).

4. Julkaisun tulee olla tieteellisesti vertaisarvioitu julkaisu.

1.4. Tutkimusaineisto ja sen valinta

Tämän tutkimuksen tutkimusaineisto kerättiin seuraavista tietokannoista:

Elsevier Science Direct

Scopus

EBSCOhost (Academic Search Elite & Business Source Complete)

ABI Inform (Business Suite) – ProQuest

ACM Digital Library

IEEE Xplore Digital Library

Emerald Insight

Tietokannat valittiin kattamaan mahdollisimman laaja-alainen otos eri tieteenalojen jul-

kaisuja. Elsevier Science Direct, Scopus, EBSCOhost sekä ABI Inform ovat monitietei-

siä tietokantoja, joilla katettiin aihepiirille keskeisimpien tieteenalojen julkaisut. ACM

digital library ja IEEE Xplore Digital Library ovat tietotekniikkaan ja tietojenkäsittely-

tieteisiin keskittyviä tietokantoja, joilla saadaan katettua myös aihepiirin hyvin tietotek-

ninen luonne. Emerald Insight on taas enimmäkseen liiketoimintaan ja tietojohtamiseen

keskittyvä tietokanta, jolla pyritään kattamaan aihepiirin liiketoiminnallista puolta. Tie-

tokannoissa löytyvissä julkaisuissa on osittaista päällekkäisyyttä, mutta vain vähän, jol-

loin saadaan katettua mahdollisimman monta eri lähdettä.

Tiedonhaussa käytetty hakulauseke on muodostettu niin, että saadut hakutulokset koos-

tuvat sosiaalisen median aihepiirin joukon, sekä mallintamisen aihepiirin joukon leikka-

uksesta (kuva 1.2). Sosiaalisen median aihepiiristä haetaan käyttämällä hakusanoina so-

siaalisen median synonyymejä, sekä yleisimpien sosiaalisen median sovellusten nimi-

tyksiä mahdollisimman laajan otannan takaamiseksi. Mallintamisen aihepiiristä haetaan

agenttipohjaisen mallintamisen ja systeemidynaamisen mallintamisen joukon synonyy-

meilla. Lisäksi mukaan on otettu hybridimallin ja hybridisimulaation käsitteet, joilla

tarkoitetaan mallinnuksia, joissa on hyödynnetty kahta eri mallinnustapaa. Hakusanoja

7

haetaan tietokannoista otsikon, tiivistelmän ja avainsanojen osalta.

Kuva 1.2. Hakutuloksien joukko aihepiirien leikkauksena.

Hakulauseke on muodostettu hakemalla hakutuloksia, jotka sisältävät ainakin yhden so-

siaalisen median hakusanan ja yhden mallintamisen hakusanan. Yksittäisen ha-

kuosuman otsikosta, tiivistelmästä tai hakusanoista löytyy siis ainakin yksi joukon A

käsite sekä yksi joukon B käsite. Sosiaalisen median osalta käytetään seuraavia ha-

kusanoja: social media, web 2.0, enterprise 2.0, online community, online social net-

work, virtual world, crowdsourcing, social platform, social office tool, blog, microblog,

online collaboration. Mallintamisen aihepiirin hakusanat ovat: agent-based modelling,

agent based modelling, agent-based simulation, agent based simulation, system dynam-

ic, system dynamics, system dynamic modelling, system dynamics modelling, system dy-

namic simulation, hybrid model, hybrid simulation model.

Käyttämällä laajasti eri sosiaalisen median ja mallinnuksen termejä niiden eri kirjoi-

tusasuissaan varmistutaan kaiken olennaisen kirjallisuuden löytämisestä. Toisaalta käyt-

tämällä tarkkaa hakulausetta ja hakemalla hakusanoja sanajonohakuina varmistutaan,

että löydetyt tulokset ovat mahdollisimman tarkoituksenmukaisia.

Haku rajataan käsittämään tieteelliset aikakausjulkaisut, sekä konferenssijulkaisut. Tar-

kastelusta pois rajataan esimerkiksi kirjat ja uutisjulkaisut, jotka eivät ole tieteellisesti

vertaisarvioituja julkaisuja. Tarkastelusta on myös rajattu pois julkaisut, joita ei ole

maksuttomasti saatavilla yliopiston lisensseillä. Näitä tehdyissä hauissa ei kuitenkaan

löytynyt. Konferenssijulkaisuiden mukaan ottaminen on perusteltua, sillä simulaation ja

mallinnuksen tieteenalan laadukkain ja monimuotoisin tutkimus vaikuttaa esikartoituk-

sen perusteella olevan julkaistu merkittävissä määrin tieteellisten aikakausjulkaisuiden

sijaan nimenomaan konferensseissa. Lisäksi konferenssijulkaisuista löytyy uusin ja

ajankohtaisin tieto niiden verrattain lyhyiden julkaisuprosessien takia.

8

Haku rajataan käsittämään vuoden 2000 jälkeen julkaistut artikkelit ja konferenssijul-

kaisut, sillä sosiaaliseen mediaan liittyvä keskeinen tutkimus voidaan katsoa syntyneen

aikaisintaan 2000-luvun alkupuolella, koska ennen vuotta 2005 sosiaalisen median ja

web 2.0:n käsitteet eivät olleet vielä vakiintuneet, ja sosiaalisen median käyttö ja ole-

massa olevat sovellukset olivat vähäisiä (Lietsala ja Sirkkunen, 2008).

Tietokannoista löydettiin 81 hakutulosta käytetyillä hakulauseilla. Päällekkäisten tulos-

ten poistamisen jälkeen yksilöllisiä hakuosumia löydettiin 61 kappaletta. Nämä hakutu-

lokset, ja ensimmäisen karsinnan perusteet on esitetty kokonaisuudessaan liitteenä (liite

1). Ensimmäisen vaiheen karsinnassa karsittiin otsikon, tiivistelmän ja avainsanojen

osalta karsintakriteerien perusteella julkaisujen määrä 30 julkaisuun. Nämä 30 jäljelle

jäänyttä julkaisua tutkittiin koko tekstin osalta läpi, jolloin aineisto karsittiin 9 julkai-

suun annettujen karsintakriteerien perusteella. Toisessa vaiheessa karsitut julkaisut ja

niiden karsintaperusteet on esitetty kokonaisuudessaan liitteenä (liite 2).

Näiden julkaisuiden lähdeluettelot tutkittiin mahdollisen lisämateriaalin löytämiseksi.

Lähdeluettelojen perusteella löydettiin yksi julkaisu lisää. Lisäksi Scopuksen ja Web of

Sciencen avulla tutkittiin näihin julkaisuihin viittaavat muut tieteellisesti vertaisarvioi-

dut julkaisut. Tässä etsinnässä ei löydetty lisää aiheelle oleellisia julkaisuja. Lisäksi tut-

kittiin System Dynamics Review:n ja Journal of Artificial Societies and Social Simula-

tionin vuoden 2000 jälkeen julkaistut numerot mahdollisen lisämateriaalin löytämiseksi.

Tässä haussa ei kuitenkaan löytynyt oleellista lisämateriaalia. Lopullinen kirjallisuus-

katsauksen tuloksena saatu tutkimusaineisto on esitelty luvussa 4.

9

2. SOSIAALISEN MEDIAN

LIIKETOIMINNALLISET VAIKUTUKSET

Tutkimusongelman ymmärtämisen kannalta on olennaista ymmärtää mitä tarkoitetaan

sosiaalisen median käsitteellä, sekä mitä tarkoitetaan sosiaalisen median liiketoiminnal-

lisella hyödyntämisellä ja sen käytön vaikutuksilla. Tässä luvussa määritellään sosiaali-

sen median käsite sekä se, mitä tarkoitetaan liiketoiminnallisen käytön vaikutuksilla.

Lisäksi annetaan esimerkkejä sosiaalisen median sovelluksista, sen hyödyntämisestä ja

käytön vaikutuksista.

2.1. Sosiaalinen media

Jotta voidaan määritellä tarkasti sosiaalisen median käsite, täytyy myös määritellä termit

”web 2.0” ja ”käyttäjän luoma sisältö”. Web 2.0 on vuonna 2004 Tim O’Reillyn kehit-

tämä termi, jolla kuvataan sekä sovelluskehittäjien, että loppukäyttäjien uudenlaista ta-

paa käyttää WWW-teknologiaa (O’Reilly, 2009). Uudenlaisessa toimintatavassa

WWW:n sisältö ja sovellukset eivät ole enää vain yksilöiden tekemiä, vaan niitä jatku-

vasti muokataan yhteisöllisesti ja osallistavasti, niin käyttäjien kuin sovelluskehittäjien

toimesta (Kaplan ja Haenlein, 2010, s. 60–61). Termi ”web 2.0” pitää sisällään avoimia,

vuorovaikutuksellisia ja yhteisöllisiä verkkosovelluksia, jotka tukevat edellä mainittua

WWW:n yhteisöllistä luonnetta. Web 2.0 -sovellukset tukevat epämuodollisten käyttä-

jäyhteisöjen muodostumista, ja luovat puitteet ideoiden ja tiedon jakamiselle mahdollis-

tamalla epämuodollisen sisällön tehokkaan luomisen, leviämisen, jakamisen ja muok-

kaamisen (Constantinides ja Fountain, 2008, s. 232–233).

Käyttäjän luoma sisältö (engl. UGC, User Generated Content) tarkoittaa laajaa määrää

Web 2.0 sovelluksessa julkisesti saatavilla olevaa tietoa, jonka sovelluksien loppukäyt-

täjät ovat sinne luoneet (Kaplan ja Haenlein, 2010, s. 61). Yhdistämällä UGC ja Web

2.0 käsitteet, voidaan antaa laaja määritelmä käsitteelle ”sosiaalinen media”. Sosiaali-

sella medialla tarkoitetaan internet-pohjaisia sovelluksia, jotka hyödyntävät web 2.0

teknologiaa ja toimintaperiaatteita, sekä mahdollistavat käyttäjien luoman sisällön

(UGC) luomisen ja jakamisen (Kaplan ja Haenlein, 2010, s. 61).

Arkikielessä sosiaalinen media yhdistetään yleensä vain sosiaalisiin verkostoitumis- ja

mikrobloggauspalveluihin, mutta termi käsittää kuitenkin tosiasiassa laajemman joukon

sovelluksia. Myös termejä ”sosiaalinen media” ja ”web 2.0” käytetään synonyymisesti,

vaikka ne tarkoittavat eri asioita. Sosiaalinen media on hyvin laaja käsite, jonka voidaan

10

katsoa sulkevan sisäänsä joukon sovelluksia, jossa käyttäjien osallistuminen ja vuoro-

vaikutus ovat keskeisiä piirteitä.

Lietsala ja Sirkkunen (2008, s. 17–18) esittävätkin, että sosiaalista mediaa käytetään

kattoterminä, jonka alle luokitellaan monenlaisia käytäntöjä liittyen verkkosisältöihin ja

ihmisiin jotka käyttävät sitä. Heidän mukaansa vakiintuneita sosiaalisen median käytän-

töjä tai sovelluksia, ovat muun muassa bloggaaminen, sosiaaliset verkostoitumispalvelut

ja wikit (Lietsala ja Sirkkunen, 2008, s. 18). Kaplan ja Haenlain (2010, s. 62–64) jaotte-

levat samankaltaisesti sosiaalisen median sovellukset kuuteen luokkaan niiden vaatiman

sosiaalisen läsnäolon ja kyseisen median informaatiorikkauden mukaan. Luokat ovat:

blogit, sosiaaliset verkostoitumispalvelut, virtuaaliset sosiaaliset maailmat, yhteistoi-

minnalliset projektit, sisältöyhteisöt ja virtuaalipelimaailmat. Tähän jaotteluun Jussila et

al. (2014) lisäävät vielä välittäjät, joilla tarkoitetaan yhteisöjä, jotka välittävät esimer-

kiksi joukkoistettua suunnittelutyötä, tai tuoteideointia.

Taulukossa 2.1. on yhdistetty Kaplanin ja Haenlainin, Lietsalan ja Sirkkusen sekä Jussi-

la et al. luokittelut, sekä annettu näille esimerkkisovelluksia. Taulukossa esitetty luokit-

telu ei kata kaikkia laajasti ymmärretyn sosiaalisen median aihepiirin alakategorioita,

mutta antaa arkikielen sosiaalisen median käsitettä paremman kuvan aihepiirin sisällös-

tä. Yksi SPEED –tutkimushankkeen välillinen tavoite on myös luoda sosiaaliselle medi-

alla laajempi ja eksaktimpi luokittelu, joka kuvaa koko sosiaalisen median aihepiirin

syvyyden kattavasti. Luokittelu on kuitenkin rajattu tämän työn käsittelyn ulkopuolelle

aiheen laajuuden vuoksi.

Taulukko 2.1. Sosiaalisten medioiden luokittelu ja esimerkkisovelluksia. Mukaillen

(Kaplan ja Haenlein, 2010; Lietsala ja Sirkkunen, 2008; Jussila et al. 2014)

Sosiaalisen median sovellusluokka: Esimerkkisovelluksia:

Blogit Blogger, Wordpress, Tumblr, Medium

Mikroblogit Twitter, Yammer, Identi.ca

Sosiaaliset verkostoitumispalvelut Facebook, LinkedIn, Google+

Yhteistoiminnalliset projektit Wikipedia, Citizendium, Wikibooks, StarWreck

Välittäjät InnoCentive, Topcoder

Sisältöyhteisöt YouTube, Vimeo, Flickr

Virtuaaliset sosiaaliset maailmat Second Life, Active Worlds, NuVera Online, Hab-

bo Hotel

Virtuaalipelimaailmat World of Warcraft

11

Tässä tutkimuksessa käytetään sosiaalisen median määrittelemiseksi mahdollisimman

laajaa käsitettä, jotta kirjallisuudesta löydettäisiin kaikki sovellukset, jossa mallintamista

on käytetty sosiaalisen median ja Web 2.0 teknologiaan tukeutuvan sosiaalisen sovel-

luksen käytön vaikutusten mallintamisessa. Tämä näkyy luvussa 1.4 esitetyissä sosiaali-

sen median aihepiirin hakusanoissa, joihin on sisällytetty sosiaalisen median synonyy-

mien lisäksi niitä lähinnä ovat termit, joita ei perinteisesti yhdistetä sosiaalisen median

suppeasti ymmärrettyyn käsitteeseen.

2.2. Liiketoiminnallinen hyödyntäminen ja käytön vaiku-tukset

Tutkimuksessa keskitytään sosiaalinen median hyödyntämiseen ja käytön vaikutuksiin

ja hyötyihin liiketoiminnallisessa kontekstissa. Mangiuc (2009) jakaa sosiaalisen medi-

an ja web 2.0 teknologioiden käytön hyödyt ”koviin hyötyihin” ja ”pehmeisiin hyötyi-

hin”. Jaottelu pohjautuu Crawfordin ja Pollackin (2004) projektihallinnan viitekehyk-

seen, jossa kovalla vaikutuksella tarkoitetaan pääasiassa aineellista vaikutusta, jonka

mittaaminen perustuu kvantitatiiviseen tietoon, ja sen rahallinen arvo tai tuotto on hel-

posti mitattavissa. Pehmeällä vaikutuksella taas tarkoitetaan pääasiassa aineetonta vai-

kutusta, jonka mittaaminen perustuu kvalitatiiviseen tietoon. (Crawford ja Pollack,

2004; Mangiuc, 2009) Liiketoiminnallisilla vaikutuksilla tarkoitetaan tässä tutkimuk-

sessa edellä mainittuja pehmeitä ja kovia vaikutuksia. Vaikutukset käsitetään kattamaan

niin positiiviset, kuin negatiivisetkin vaikutukset.

Taulukkoon 2.2 on koottu koviin ja pehmeisiin vaikutuksiin jaoteltuna käytännön esi-

merkkejä erilaisista sosiaalisen median liiketoiminnallisista vaikutuksista. Jotkin kovat

vaikutukset voidaan myös ajatella jossain määrin pehmeiksi vaikutuksiksi, sillä talou-

dellisesti helposti mitattavan suureen yhteys sen aiheuttaneeseen syyhyn voi usein olla

hankalaa osoittaa. Esimerkiksi parantuneen asiakastyytyväisyyden kautta kohonnut

myynti voi olla hankalaa osoittaa johtuvan esimerkiksi uuden asiakasyhteisön käyttöön-

otosta.

Taulukko 2.2. Esimerkkejä sosiaalisen median liiketoiminnallisen käytön vaikutuksista.

Vaikutuksen tyyp-

pi:

Kova, aineellinen ja taloudellisesti

helposti mitattava vaikutus

Pehmeä, aineeton ja taloudellisesti

hankalasti mitattava vaikutus

Esimerkkejä:

(Mangiuc, 2009;

Holtzblatt & Tier-

ney, 2011; Hoffman

& Fodor, 2010;

Fisher, 2009; Aral et

al., 2013)

Myynnin lisääntyminen parantu-

neen asiakaskanssakäymisen myö-

tä.

Myynnin lisääntyminen asiakas-

tyytyväisyyden parantumisen kaut-

ta, esimerkiksi osallistamalla asi-

akkaita uusien tuotteiden suunnit-

teluun.

Työntekijöiden työtyytyväisyy-

den parantuminen.

Parantunut kommunikointi ja

tiedonjako työntekijöiden kes-

ken.

Korkeasti koulutettujen työnteki-

jöiden helpompi rekrytoiminen.

Yhteistoimintaan liittyvän osal-

12

Teknologiakustannusten vähenty-

minen.

Markkinointi- ja mainoskampan-

joiden tehostuminen.

Huomattavat kustannussäästöt

asiakaspalveluresursseissa.

Innovointi ja tuotekehitysprosessin

nopeuttaminen.

Uusien tuotteiden tehokkaampi

suunnitteluprosessi parantuneen

asiakaspalautteen ja asiakastarpei-

den huomioimisen kautta läpi

suunnitteluprosessin.

listumisdatan tarkka ja luotettava

kerääminen (esimerkiksi inno-

vointiprosessi).

Innovointi ja tuotekehitysproses-

sin monipuolistaminen.

Yrityksen brändin tunnettavuu-

den parantuminen.

Suusanallisen tuotetiedon leviä-

misen tehostuminen.

Yrityksen sisäisen asiantunte-

muksen parantunut löytäminen ja

hyödyntäminen.

Yritysjohdon päätöksenteon laa-

dun parantuminen parantuneen

sosiaalisen median käytön ja

analytiikan kautta.

Erityisesti pehmeiden vaikutusten mittaaminen ja osoittaminen on kovia vaikutuksia

haastavampaa (Crawford ja Pollack, 2004; Mangiuc, 2009). Pehmeät vaikutukset ovat

usein luonteeltaan sellaisia, että niistä on saatavilla vähän tietoa, jotka pystytään suoraan

kääntämään taloudelliseksi mittariksi. Näitä vaikutuksia voidaankin usein paremmin

mitata ei-taloudellisilla mittareilla, mutta ne usein realisoituvat myös taloudelliseksi tuo-

toksi pidemmällä aikajänteellä epäsuorasti, esimerkiksi parantuneen myynnin tai kus-

tannussäästöjen kautta (Gilfoil, 2012). Sosiaalisen median käytöllä voi olla myös vaiku-

tuksia joiden suoraa taloudellista hyötyä ei välttämättä ole tarvetta edes mitata, kuten

esimerkiksi yhteishengen paraneminen tai työpaikan sosiaalisten siteiden monipuolis-

tuminen.

Myös esimerkiksi pienen mittakaavan sosiaalisen median työkalujen käyttöönoton koh-

dalla, joiden taloudellinen hyöty on marginaalinen, ei välttämättä saatua hyötyä ole tar-

vetta mitata taloudellisilla mittareilla. Esimerkiksi jonkin liiketoimintaosaston sisäisen

wikin tai blogin käyttöönotolla on pieni taloudellinen vaikutus, mutta niiden käyttöön-

oton vaikutuksen mittaaminen esimerkiksi käytön tehokkuuden ja tuottavuuden osalta

on silti merkityksellistä. (Mangiuc, 2009) Osana isompaa kokonaisuutta pienilläkin pa-

rannuksilla esimerkiksi tiedonkulkuun voi olla välillinen vaikutus esimerkiksi asiakas-

tyytyväisyyteen, joka osaltaan voi suoraan vaikuttaa yrityksen tuloksellisuuteen ja kan-

nattavuuteen. Näiden vaikutusten olemassaolon todentamiseen, sekä niiden mekanismi-

en tutkimiseen seuraavassa luvussa esitetyt tietokonepohjaiset mallintamisen keinot tar-

joavat mahdollisesti ratkaisuja.

13

3. TIETOKONEPOHJAISEN MALLINTAMISEN

HYÖDYNTÄMINEN

Tässä luvussa määritellään tietokonepohjaisista mallinnustavoista systeemidynaaminen

ja agenttipohjainen mallintaminen, joiden hyödyntämistä tarkastellaan tutkimuksessa.

Luku tarjoaa perustan systeemidynaamisen ja agenttipohjaisen mallintamisen periaattei-

den ymmärtämiselle.

3.1. Agenttipohjainen mallinnus

Agenttipohjaisella mallintamisella tarkoitetaan tietokonepohjaista mallinnustapa, jos-

sa mallinnetaan monimutkaisia systeemejä, jotka koostuvat toistensa kanssa vuorovai-

kuttavista autonomisesti toimivista ”agenteista”. Agentit käyttäytyvät ja vuorovaikutta-

vat muiden agenttien kanssa systeemissä tiettyjen käyttäytymismallien mukaan, joita

voidaan mallintaa antamalla yksittäisille agenteille yksinkertaisia sääntöjä, joita ne nou-

dattavat. Mallintamalla agenttien käyttäytymistä yksilöllisesti pystytään simuloimaan

laajojen systeemien monimuotoisuutta ja yksittäisten agenttien vaikutusta systeemin

toimintaan kokonaisuutena. (Macal ja North, 2010; Janssen, 2005) Yksinkertaisimmil-

laan agenttipohjainen malli koostuu siis agenteista ja niiden välisistä suhteista. Moni-

mutkaisempiin malleihin voidaan myös sisällyttää verkostoja oppimisalgoritmeja, joi-

den avulla agenttien oppimista sekä käyttäytymisen ennalta arvaamatonta kehitystä saa-

daan todenmukaisesti mallinnettua. (Bonabeau, 2002)

Agenttipohjainen mallinnus on suhteellisen uusi analyyttinen työkalu varsinkin sosiaa-

listen tieteiden parissa. Perinteiset analyyttiset menetelmät, kuten tilastolliset mallit,

keskittyvät usein vain yksilön käyttäytymisen ja päätöksenteon tarkasteluun irrallisena

ympäristöstä jossa yksilöt toimivat. Agenttipohjainen mallinnus tuo tarkasteluun uuden

tason, jossa tarkastellaan koko ympäristön populaatiota systeeminä. (Held et al., 2014)

Mallintamalla ympäristön jokaista agenttia erikseen, saadaan realistisempi kuva yksit-

täisten agenttien käyttäytymisen monimuotoisuuden vaikutuksista systeemin käyttäyty-

miseen kokonaisuutena. (Macal ja North, 2010) Agenttipohjainen mallintaminen sovel-

tuukin siis hyvin sosiaalisten systeemien mallintamiseen, koska sosiaalisten systeemien

ilmiöt muotoutuvat usein hyvin monimutkaisten yksilöllisten käyttäytymismallien

summana. (Bonabeau, 2002)

Macal ja North (2010) ovat kartoittaneet kirjallisuudesta muutamia agenttipohjaisen

mallinnuksen perinteisempiä sovelluksia, jotka parhaiten kertovat siitä, että agenttipoh-

14

jaista mallintamista tarvitaan muiden mallinnustapojen rinnalle, koska sillä pystytään

eksplisiittisesti mallintamaan yksilöllisen käyttäytymisen ja vuorovaikutuksen aiheut-

tama monimutkaisuus oikean elämän tilanteissa. Taulukossa 3.1 on koostettu artikkeliin

kartoitettuja esimerkkejä perinteisemmistä sovelluskohteista.

Taulukko 3.1. Esimerkkejä agenttipohjaisen mallintamisen perinteisistä sovelluskoh-

teista (koostettu Macalin ja Northin (2010) laatimasta katsauksesta)

Tieteenala Agenttipohjaisen mallintamisen sovelluskohde

Biologia Molekyylien itsenäisen muodostumisen ja vuoro-

vaikutuksen tutkiminen sekä solujen käyttäytymi-

sen, kasvun ja vuorovaikutuksien tutkiminen.

Materiaalitiede Nanomateriaalien autonominen muodostuminen.

Lääketiede Immuniteetin kehittymisen tutkiminen sekä epi-

demioiden leviämisen tutkiminen populaatiossa.

Ympäristötiede Eläinkunnan populaatiokehityksen tutkiminen.

Sosiologia Ihmisten kollektiivisen käyttäytymisen tutkiminen

joukoissa ja yhteisöissä.

Liiketoiminta Olemassa olevien markkinoiden tutkiminen ja tu-

levaisuuden markkinoiden ennustaminen sekä

esimerkiksi investointipäätöksiin vaikuttavien teki-

jöiden tutkiminen.

Arkeologia Muinaisten sivilisaatioiden populaatioiden mallin-

taminen.

3.2. Systeemidynaaminen mallinnus

Systeemidynaamisella mallinnuksella tarkoitetaan tietokonepohjaista mallinnustapaa,

joka perustuu systeemeihin perustuvaan ajattelutapaan, jossa pyritään ymmärtämään ja

mallintamaan monimutkaisia epälineaarisia ongelmia systeemiajattelun avulla. Systee-

midynaamiset mallit perustuvat ongelmien ja ilmiöiden kausaaliseen luonteeseen ja eri

tekijöiden kokonaisvaltaiseen yhteisvaikutukseen systeeminä. Mallinnusta voidaan teh-

dä laadullisella tai määrällisellä tasolla. Laadullisella tasolla analysoidaan muun muassa

vaikutus-taulukoita ja kausaalisia silmukoita. Määrällisellä tasolla tutkitaan taas muun

muassa varasto-virtaus taulukoita. (IGI Global Dictionary, 2014; Sterman, 2002; System

Dynamics Society, 2014)

Rouwette ja Ghaffarzadegan (2013) esittelevät artikkelissaan esimerkkejä onnistuneista

systeemidynaamisen mallintamisen sovelluskohteista, jotka ovat koostettu taulukkoon

3.2. Nämä esimerkit kuvaavat hyvin systeemidynaamisen mallintamisen perinteisimpiä

sovelluskohteita.

15

Taulukko 3.2. Esimerkkejä systeemidynaamisen mallintamisen perinteisistä sovellus-

kohteista (koostettu Rouwette ja Ghaffarzadegan (2013) laatimasta katsauksesta)

Tieteenala Systeemidynaamisen mallintamisen sovellus-

kohde

Yhteiskuntatieteet Uudisrakennusprojektien ajoituksen ja vaikutusten

tutkiminen.

Liiketoiminta Tulevaisuuden telematiikkamarkkinoiden mallin-

taminen autoteollisuudessa.

Liiketoiminta & lääketiede Uusien lääkkeiden markkinoiden tutkiminen ja

potilasvirtojen ennustaminen.

Lääketiede Polion hävittämiseen suuntaavien toimintastrategi-

oiden perustelu mallintamalla niiden vaikutus po-

pulaatiossa.

Tuotantotalous Mallinnuksen kohteena tehtaiden tiheän huoltovä-

lin ja koulutukseen panostamisen vaikutukset teh-

taiden tuottavuuteen ja huoltokustannusten vähe-

nemiseen pitkällä tähtäimellä.

Yhteiskuntatieteet Erilaisten energiapolitiikkojen vaikutusten mallin-

taminen ja eri politiikkojen vertailu mallinnusten

perusteella.

3.3. Mallinnustapojen yhteishyödyt

Agenttipohjainen mallinnustapa on omaksuttu käyttöön sosiaalisten tieteiden alalla,

koska se soveltuu yksilöiden tutkimiseen dynaamisissa ja mukautuvissa systeemeissä.

(Bonabeau, 2002) Koska liiketoiminnallisessa mallinnuksessa esiintyvät agentit voivat

olla mitä tahansa asiakkaan, valmistajan ja toimittajan väliltä, on malleja helppo ym-

märtää. (Wang ja Moon, 2013) Agenttipohjainen mallinnus tarjoaa siis helpon tavan

ymmärtää systeemin toiminta siinä toimivien yksilöiden näkökulmasta. Systeemidy-

naaminen mallinnus toisaalta tarjoaa johdonmukaisen ja systemaattisen tavan tarkastella

käsillä olevaa ongelmaa systeemitasolta erilaisten virtauksien ja syy-seuraus –suhteista

rakentuvien takaisinkytkentäketjujen kautta (Wang ja Moon, 2013).

Näin ollen agenttipohjainen mallinnus ja systeemidynaaminen mallinnus vaihtoehtois-

ten ratkaisutapojen sijaan enemmänkin täydentävät toisiaan. Agenttipohjaisen mallin-

nuksen avulla systeemitason tarkasteluun voidaan saada yksityiskohtaisempaa tietoa ja

tarkastella yksilöllisen käyttäytymisen aiheuttamaa vaikutusta, kun taas systeemidy-

naamisella tarkastelulla voidaan tarkastella systeemin syy-seuraus ketjuja ja systeemiä

isompana kokonaisuutena (Wang ja Moon, 2013).

16

4. SOSIAALISEN MEDIAN

LIIKETOIMINNALLISEN HYÖDYNTÄMISEN JA

KÄYTÖN VAIKUTUSTEN MALLINTAMINEN

Systemaattisen kirjallisuuskatsauksen tuloksena tunnistettiin yhteensä 10 julkaisua, jot-

ka täyttävät luvussa 1.3 esitetyt hyväksyntä- ja karsintakriteerit, ja vastaavat luvussa 1.2

esitettyihin tutkimuskysymyksiin. Löydetyssä aineistossa huomionarvoista on, että ai-

neiston määrä on melko vähäinen ja se keskittyy enimmäkseen agenttipohjaiseen mal-

linnukseen. Löydetyt julkaisut eivät myöskään pääosin käsittele sosiaalisen median il-

miöiden mallintamista liiketoiminnallisessa kontekstissa, mutta ne ovat suoraan sovel-

lettavissa myös liiketoiminnan kontekstiin.

Taulukossa 4.1 esitetään systemaattisessa kirjallisuuskatsauksessa löydetyt julkaisut jao-

teltuna julkaisuvuoden ja niissä esitettyjen mallinnuksen sovelluskohteiden perusteella.

Lisäksi taulukkoon on kirjattu julkaisun tyyppi, jossa A tarkoittaa tieteellisessä aikakau-

sijulkaisussa julkaistua artikkelia ja K konferenssijulkaisua. Mallinnustavan sarakkeessa

APM viittaa agenttipohjaiseen mallintamiseen ja SDM systeemidynaamiseen mallinta-

miseen.

Taulukko 4.1. Systemaattisessa kirjallisuuskatsauksessa löydetyt julkaisut ja niissä esi-

tetyt sovelluskohteet.

Lähde Vuosi

Julkai-

su-

tyyppi

Mallinnustapa Mallinnuksen sovelluskohde

Toriumi, F. ., Yamamoto,

H. ., & Okada, I. . (2013).

Effects of controllable

facilitators on social me-

dia: Simulation analysis

using Generalized

Metanorms Games.

2013 K APM

Sosiaalisen median käytön ja osallistu-

misen tehostaminen. Mallinnuksen avul-

la pyrittiin löytämään toimivat motivaa-

tiokeinot ja käytönnöt joilla saadaan

käyttäjiä osallistumaan sisällöntuotan-

toon sosiaalisessa mediassa.

Ishikawa, T. (2012). The

Mechanism of Information

Resonance in Social Me-

dia.

2012 K APM

Tiedon resonointi sosiaalisessa mediassa.

Tietyn suositun aiheen nopean leviämi-

sen mekanismeja Twitterissä tutkittiin

mallinnuksella

17

Okada, I. (2012). Rela-

tionship between Online

Word-of-Mouth Commu-

nication and Consumer

Behavior.

2012 K APM

Tuotetiedon ja ostokokemuksien leviä-

minen sosiaalisessa mediassa ja sen vai-

kutus ostokäyttäytymiseen..

Sobkowicz, P., Kaschesky,

M., & Bouchard, G.

(2012). Opinion mining in

social media: Modeling,

simulating, and forecasting

political opinions in the

web.

2012 K APM Suuren yleisön ja sidosryhmien mielipi-

teiden ja konsensuksen muodostuminen.

Sobkowicz, P. .,

Kaschesky, M. ., & Bou-

chard, G. . (2012). Opin-

ion formation in the social

web: Agent-based simula-

tions of opinion conver-

gence and divergence.

2012 A APM

Mielipiteiden hajaantuminen ja yhtenäis-

tyminen sosiaalisessa mediassa. Tutki-

muksessa mallinnettiin suuren yleisön

mielipiteen muodostumista ja muun

muassa enemmistömielipiteiden ja vä-

hemmistömielipiteiden verkostojen

muodostumista.

Toriumi, F., Yamamoto,

H., & Okada, I. (2012).

Why Do People Use So-

cial Media? Agent-Based

Simulation and Population

Dynamics Analysis of the

Evolution of Cooperation

in Social Media.

2012 K APM

Sosiaalisen median käytön motiivien

tutkiminen ja osallistumisen tehostami-

nen. Mallinnuksen avulla pyrittiin löy-

tämään toimivat motivaatiokeinot ja

käytännöt, joilla saadaan käyttäjiä osal-

listumaan sisällöntuotantoon.

Kaschesky, M.,

Sobkowicz, P., & Bou-

chard, G. (2011). Opinion

Mining in Social Media:

Modeling, Simulating, and

Visualizing Political Opin-

ion Formation in the Web.

2011 K APM

Mielipiteiden hajaantuminen ja yhtenäis-

tyminen sosiaalisessa mediassa. Tutki-

muksessa mallinnettiin suuren yleisön

mielipiteen muodostumista ja muun

muassa enemmistömielipiteiden ja vä-

hemmistömielipiteiden verkostojen

muodostumista.

Okada, I. ., & Yamamoto,

H. . (2011). Effects of

information diffusion in

online word-of-mouth

communication among

consumers.

2011 A APM

Tuotetiedon ja ostokokemuksien leviä-

minen sosiaalisessa mediassa ja sen vai-

kutus ostokäyttäytymiseen.

Toriumi, F., & Ishii, K.

(2010). Simulation of

encouragement methods

for sns based on user be-

havior model.

2010 K APM

Sosiaalisten verkostopalveluiden käytön

ja osallistumisen tehostaminen. Mallin-

nuksen avulla pyrittiin löytämään toimi-

vat motivaatiokeinot ja käytännöt, joilla

saadaan epäaktiivisia verkkopohjaisia

sosiaalisia verkostoja aktivoitua.

18

Otto, P., & Simon, M.

(2008). Dynamic perspec-

tives on social characteris-

tics and sustainability in

online community net-

works.

2008 A SDM

Organisaation verkkoyhteisöjen toimin-

nan tutkiminen. Tutkimuksessa pyrittiin

ymmärtämään erilaisia organisaation

keinoja parantaa verkkoyhteisön tehok-

kuutta

4.1. Tunnistetut sovelluskohteet mallintamiselle

Systemaattisen kirjallisuuskatsauksen tuloksena löydetyistä artikkeleista tunnistettiin 5

erilaista mallintamisen sovelluskohdetta. Nämä sovelluskohteet on esitetty alla omina

alilukuinaan. Näissä luvuissa käydään läpi löydetyissä julkaisuissa esitetyt sovellustavat

ja vertaillaan niitä keskenään. Tarkastelussa ei niinkään syvennytä julkaisuissa esitettyi-

hin mallintamisella saatuihin tuloksiin, vaan enemmänkin avataan niissä esitettyjä tapo-

ja hyödyntää mallinnusta sekä mallinnuksen käytön hyötyjä verrattuna perinteisiin ana-

lyyttisiin työkaluihin.

4.1.1. Sosiaalisen median käyttämisen motivointikeinojen mallintaminen

Toriumi ja Ishii (2010) käsittelevät julkaisussaan sosiaalisten verkostopalveluiden käy-

tön ja sisällöntuoton motivointikeinojen mallintamista. Julkaisussa käsitellään sosiaali-

sia verkostopalveluita, joiden käyttäjämäärä on rajoitettu. Tällä tarkoitetaan siis sosiaa-

lisia verkostopalveluita, joihin pääsyä on rajattu esimerkiksi vain jonkin ryhmän, tai yri-

tyksen henkilökunnan käyttöön. Toriumin ja Ishiin (2010) mukaan käyttäjämäärältään

rajoitetuissa sosiaalisissa verkostopalveluissa on potentiaalia liiketoiminnallisessa hyö-

dyntämisessä, mutta niiden vähäisen käyttöasteen vuoksi keinot niiden käytön moti-

voinnille ovat tärkeitä.

Toriumin ja Ishiin (2010) mallinnuksen avulla pyrittiinkin selvittämään, minkälaiset

motivointikeinot toimivat parhaiten erityyppisten verkostopalvelun käyttäjien aktivoi-

misessa. Aktivoimisella tarkoitetaan tässä julkaisussa sitä, että käyttäjät saadaan jaka-

maan vapaaehtoisesti tietoa verkostopalveluissa, joiden käyttöaste on alhainen. Agentti-

pohjaisen mallinnuksen avulla tunnistettiin viidelle erityyppiselle sosiaaliselle verkosto-

palvelulle tehokkaimmat motivointikeinot käyttäjien aktivoimiseen.

Toriumi et al. (2012) syventävät julkaisussaan Toriumin ja Ishiin (2010) motivointikei-

nojen tarkastelua koskemaan sosiaalista mediaa yleisesti, sekä kohdentavat tarkastelun

siihen, minkälaiset motivaatiokeinot sosiaalisen median käyttäjiä tosiasiassa motivoivat

osallistumaan yhteistoimintaan kyseisessä mediassa. Toriumin et al. (2012) tutkimuk-

sessa pyrittiin luomaan agenttipohjainen mallinnus, joka selventäisi sitä, miten saadaan

luotua sosiaalisen median ympäristö, jossa käyttäjien yhteistoiminta on niin aktiivista,

19

että lähes kaikki käyttäjät osallistuvat tiedonjakoon ja sisällöntuotantoon kyseisessä me-

diassa.

Toriumi et al. (2012) eivät käsittele julkaisussaan aihetta varsinaisesti liiketoiminnalli-

sessa kontekstissa samalla tavalla kuin Toriumi ja Ishii (2010), mutta julkaisussa esite-

tyt, kenties hieman yksinkertaisemmat, motivointikeinot ovat sovellettavissa myös liike-

toiminnalliseen kontekstiin yrityksen sisäisten sosiaalisten medioiden käyttöön. Esi-

merkkinä motivointikeinoista Toriumi et al. (2012) esittävät Facebook –palvelun tykkä-

ys –napin, kun taas Toriumin ja Ishiin (2010) tarkastelussa motivointikeinot ovat hie-

man syvemmällä tasolla, kuten esimerkiksi yhteyksien luomiseen rohkaiseminen. To-

riumi et al. (2012) analysoivat agenttipohjaisella mallinnuksella käyttäjien halukkuutta

osallistua sosiaalisessa mediassa suhteessa koettuun palkkioon tai rangaistukseen osal-

listumattomuudesta. Mallinnuksen tuloksena todettiin, että pienien metapalkintojen

olemassaolo sosiaalisessa mediassa aktivoi käyttäjiä jakamaan vapaaehtoisesti tietoa

kyseisessä mediassa, ja osallistumaan median toimintaan.

Toriumi et al. (2013) tarkastelevat julkaisussaan agenttipohjaisen mallinnuksen avulla

hallittujen avustajien vaikutusta sosiaalisen median käyttöön. Tavoitteena julkaisussa on

yllämainittujen julkaisuiden tapaan tunnistaa keinoja, joilla saadaan käyttäjiä motivoitua

jakamaan vapaaehtoisesti tietoa sosiaalisessa mediassa. Mallintamiseen julkaisussa

käytetään samaa mallinnusta kuin Toriumi et al. (2012) käyttävät, mutta tarkastelun

pääpaino on palkitsemiskeinojen sijaan sosiaaliseen mediaan asetetuissa fasilitaattoreis-

sa, eli avustajissa, jotka määrättyjen sääntöjen mukaan joko tuottavat palveluun sisältöä,

tai kommentoivat muiden tuottamaa sisältöä, tai sekä tuottavat itse sisältöä ja kommen-

toivat muiden sisältöjä.

Tutkimuksen tulokset hyödyttävät liiketoiminnan kontekstissa sosiaalisesta mediasta

vastuussa olevia henkilöitä, sillä ne antavat viitteitä siitä, millaiset kannustinkeinot ovat

tehokkaita esimerkiksi yrityksen sisäisen sosiaalisen median tiedonjakamisen aktivoin-

tiin. Toriumi ja Ishi (2010) totesivat tehokkaiden motivointikeinojen riippuvan verkos-

topalvelun tyypistä, ja tunnistivat mallinnuksen avulla tehokkaimmat tiedon jakamisen

motivointikeinot viidelle erityyppiselle sosiaaliselle verkostopalvelulle. Toriumi et al.

(2012) puolestaan päätyivät mallinnuksensa avulla johtopäätökseen, että käyttäjän saa-

mat palkkiot yhteistoiminnasta, sekä muiden käyttäjien antamat palkkiot osallistumises-

ta auttavat parantamaan yhteistoimintaa verkostopalvelussa. Toriumin et al. (2013) mal-

linnuksen tuloksena päädyttiin siihen, että avustaja, joka sekä itse aktiivisesti tuottaa

sisältöä palveluun, että kommentoi muiden tuottamaa sisältöä, on tehokkain tapa akti-

voida muita jakamaan tietoa vapaaehtoisesti palvelussa. Hieman yllättävästi myös pää-

dyttiin siihen tulokseen, että avustajat jotka vain kommentoivat muiden sisältöä tuotta-

matta itse sisältöä vähensivät tuotetun sisällön kokonaismäärää.

20

4.1.2. Tiedon leviämisen mallintaminen sosiaalisen median sovelluksis-

sa

Ishikawa (2012) käsittelee julkaisussaan niin sanottua informaation resonointia sosiaali-

sessa mediassa agenttipohjaisen mallintamisen keinoin. Informaation resonoinnilla tar-

koitetaan ilmiötä, jossa johonkin tiettyyn aihepiiriin liittyvien sisältöjen määrä kasvaa

hetkellisesti. Esimerkkitapauksena tutkimuksessa käytetään mikrobloggauspalvelu

Twitterissä leviäviä suosittuja aihepiirejä. Ishikawa esittää julkaisussaan mallin meka-

nismeille jotka vaikuttavat tiedon leviämiseen sosiaalisen median verkostoissa ja vah-

vistaa mallin toiminnan agenttipohjaisella mallinnuksella. Julkaisu ei ole varsinaisesti

laadittu liiketoiminnallisessa kontekstissa, mutta tiedon leviämisen mekanismien ym-

märtäminen on hyödyllistä esimerkiksi sosiaalisen median markkinoinnin kannalta, jo-

ten mallinnuskohde on sovellettavissa liiketoiminnalliseen kontekstiin.

Ishikawan (2012) mukaan tiedon leviämiselle on olemassa lukuisia matemaattisia mal-

leja, mutta mallit eivät ole soveltuvia selittämään sosiaalisessa mediassa esiintyvää sa-

tunnaista tiedon resonointia. Julkaisussa esitetty agenttipohjainen mallinnus perustuu

mukautuvaan verkostomalliin, joka selittää verkoston dynaamisen luonteen, jossa ver-

koston rakenne sekä verkoston agenttien, eli esimerkiksi Twitterin käyttäjien, toiminta

vaikuttaa koko verkoston toimintaan. Iskikawan mallinnuksen tulokset osoittavat ole-

massa olevan tutkimuksen oletukset liittyen informaation resonointiin oikeiksi ja valot-

tavat sosiaalisen median tiedon leviämisen mekanismeja tavoilla, joihin matemaattiset

mallit eivät ole pystyneet.

4.1.3. Sosiaalisessa mediassa leviävän kuulopuheen vaikutuksien mal-

lintaminen kuluttajakäyttäytymisessä

Okada ja Yamamoto (2011) tutkivat julkaisussaan verkossa leviävän kuulopuheen (engl.

online word of mouth) vaikutuksia kuluttajien ostokäyttäytymiseen agenttipohjaisella

mallinnuksella. Käyttäjien luoma sisältö verkossa on lisääntynyt huomattavasti sosiaali-

sen median palveluiden, kuten blogien sekä kysymys- ja vertaisarviointipalvelujen myö-

tä. Tällaisissa palveluissa leviävän kuulopuheen ymmärtäminen on tärkeää niin verkko-

yhteisöjen tutkimuksen, kuin verkkomarkkinoinnin ammatinharjoittajien kannalta.

Myös Okada (2012) käsittelee julkaisussaan samaa agenttipohjaista mallinnusta ja aihe-

piiriä, syventäen Okadan ja Yamamoton (2011) tuloksia ja pohdintaa. Tavoitteena on

verkossa leviävän kuulopuheen ymmärryksen kautta luoda ennusteita tulevasta kysyn-

nästä ja luoda perusta markkinointistrategioille eri sosiaalisen median sovelluksiin.

(Okada ja Yamamoto, 2011) Tutkimuksissa pyritään selittämään kuluttajan toimintaa

yksilöllisestä näkökulmasta, jossa kuluttaja valitsee tiedonvaihtokumppaninsa tiettyjen

käyttäytymistieteisiin perustuvien toimintaperiaatteiden mukaisesti.

21

Okadan ja Yamamoton (2011) sekä Okadan (2012) mallinnuksien perusteella tehokkain

tiedonvaihtokumppanin valintaperuste riippuu siitä, minkälaista kulutushyödykettä kuu-

lopuhe koskee. Mallinnukset myös osoittivat, että mitä enemmän verkossa leviävään

kuulopuheeseen osallistuu kuluttajia erilaisista kuluttajatyypeistä, sitä parempi positiivi-

nen vaikutus kuluttajien ostokäyttäytymiseen ja tiedon leviämiseen. He myös toteavat

kuluttajien kommunikointikumppanien valinnan ymmärtämisen olevan tärkeää, jotta

voidaan kehittää liiketoiminnalle hyödyllisiä tuloksia verkkopohjaisen kuulopuheen

käyttämisestä. Esimerkkinä käytetään verkkopohjaisen kuulopuheen hyödyntämistä in-

novaatioiden levittämisessä.

4.1.4. Suuren yleisön ja sidosryhmien mielipiteiden muodostuminen so-

siaalisessa mediassa

Kaschesky et al. (2011) ja Sobkowicz et al. (2012b) käsittelevät julkaisuissaan kehittä-

määnsä viitekehystä kollektiivisten mielipiteiden muodostumisen tutkimiseen sosiaali-

sessa mediassa. Viitekehyksen ensimmäisessä vaiheessa sosiaalisen mediasta tunniste-

taan automaattisesti mielipiteitä, tunteita ja aiheita. Toisessa vaiheessa aiheiden ja mie-

lipiteiden muodostumista mallinnetaan ja simuloidaan agenttipohjaisella mallinnuksella.

Kolmannessa vaiheessa aihe- ja mielipideverkostoista laaditaan visualisointeja. Tätä

viitekehystä voidaan hyödyntää käytännössä, kun ennustetaan mielipiteiden tai suosittu-

jen puheenaiheiden muodostumista esimerkiksi poliittisen päätöksenteon, tai verkko-

markkinointistrategian suunnittelussa.

Sobkowicz et al. (2012a) käsittelevät julkaisussaan syvemmin vain agenttipohjaista mal-

linnusta, jonka avulla voidaan mallintaa mielipiteiden hajautumista ja yhdentymistä so-

siaalisessa mediassa. Julkaisussa tarkastellaan mielipiteiden muodostumista sosiaalises-

sa mediassa hieman laajemmassa näkökulmassa. Kaschesky et al. (2011) ja Sobkowicz

et al. (2012b) käsittelevät mielipiteiden muodostumista erityisesti poliittisten mielipitei-

den muodostumisen näkökulmasta, mutta mielipiteen muodostumisen mekanismit ja

mallit ovat sovellettavissa suoraan myös liiketoiminnalliseen kontekstiin. Käytetyn

agenttipohjaisen mallinnuksen sisältö on kummassakin julkaisussa sama.

Kaschesky et al. (2011) ja Sobkowicz et al. (2012b) antavat tutkimuksen tuloksena käy-

tännön sovellusesimerkkejä mielipiteiden tutkimisesta esittämänsä viitekehyksen avulla,

sekä listaavat käytännön seurauksia löydöksistään ja ehdotuksia mallinnuksensa käyt-

töön esimerkiksi poliittisen päätöksenteon vaikutuksien tutkimisessa. Sobkowicz et al.

(2012a) toteavat mallinnuksensa tuloksena erilaisia mielipiteen muodostuksen dyna-

miikkaan liittyviä löydöksiä. Esimerkiksi sosiaalisessa verkostossa, jossa agentit eivät

ole herkkiä ulkopuolisille vaikutteille, alkuperäisten mielipiteiden muuttaminen on vä-

häistä, kun taas verkostossa jossa agentit ovat herkkiä ulkoisille vaikutteille, vähemmis-

tömielipiteitä omaavat agentti muuttavat mielipiteensä enemmistön mielipiteeksi, mutta

22

vastakkaisen mielipiteen omaavat agentit irtautuvat enemmistöyhteisöstä omaksi yhtei-

sökseen.

4.1.5. Sosiaalisten verkkoyhteisöjen ja yhteistoiminnan tutkiminen

Otto ja Simon (2008) tutkivat artikkelissaan sosiaalisten verkkoyhteisöjen toimintaa ja

verkkopohjaisen yhteistyön tukemista yhteisössä systeemidynaamisella mallinnuksella.

Tutkimuksen tavoitteena on syventää sosiaalisten yhteisöjen tutkimusta testaamalla sys-

teemidynaamisella mallinnuksella miten erilaiset vaikuttamiskeinot auttavat yrityksiä

rakentamaan toimivan verkkoyhteisön, jossa tiedonvaihto ja yhteistoiminta ovat tehok-

kaita. Vaikutuskeinoilla tutkimuksessa tarkoitetaan erityisesti rakenteellisia vaikutus-

keinoja, eli menettelytapoja, joita yritys voi ottaa käyttöön rakentaakseen tai ylläpitääk-

seen verkkoyhteisöjä. Esimerkkinä rakenteellisesta vaikuttamiskeinoista on säännöt ja

menettelytavat joita verkkoyhteisössä tietoa ja resursseja jakavan käyttäjän tulee nou-

dattaa (Otto ja Simon, 2008)

Tutkimuksessaan Otto ja Simon (2008) määrittelevät ensin käsitteellisen mallin sosiaa-

liselle verkostolle, jossa käyttäjät ovat ominaisuuksiensa perusteella jaettu erilaisiin

ryhmiin. Tämän käsitteellisen mallin he kuvaavat systeemidynaamisena mallina, jonka

avulla tutkitaan, mitkä vaikutuskeinot toimivat verkkoyhteisön toiminnan tukemisessa.

Tutkittavaksi verkkoyhteisöksi tutkimuksessa valittiin yhteistoiminnallisesti toimitettu

verkkosanakirja Wikipedia, ja erityisesti sinne sisältöä tuottavat ja ylläpitävät käyttäjät,

jotka muodostavat palvelun ytimen. (Otto ja Simon, 2008) Tutkimuskohteena Wikipe-

dia ei suoraan ole liiketoiminnallisen kontekstin verkkoyhteisö, mutta sen toimintamallit

ja tiedon jakamisen käytännöt ovat sovellettavissa myös esimerkiksi yrityksien sisäisiin

wikeihin.

Systeemidynaamisen mallinnuksen pohjalta tehdään johtopäätös, että verkkoyhteisöt

jotka keskittyvät liikaa ryhmän sitoutuneisuuteen, eivät välttämättä pysty toimimaan

kestävästi. Toisaalta myös tuloksena saatiin, että verkkoyhteisöt tarvitsevat rakenteellis-

ta kontrollia toimiakseen tehokkaasti. Mallinnuksen mukaan kontrollin puute vähensi

yhteisön houkuttelevuutta, uskottavuutta ja näin ollen yhteisöön tuotetun sisällön mää-

rää. (Otto ja Simon, 2008)

Edellä esitelty artikkeli on ainoa systemaattisessa kirjallisuuskatsauksessa löydetty ar-

tikkeli, jossa mallinnustapana on käytetty systeemidynaamista mallinnusta. Tulos on

hieman yllättävä, sillä systeemidynaamista mallinnusta on hyödynnetty jo pitkään liike-

toiminnallisten ilmiöiden mallintamisessa. Otton ja Simonin (2008) mukaan systeemi-

dynaaminen mallinnus kuitenkin soveltuu hyvin verkkoyhteisöjen tutkimiseen. Toisaal-

ta he myös toteavat, että organisaatiollisen toiminnan ja kulttuurin analyysin välineenä

yksinkertaistettu malli ei pysty koskaan täysin kuvaamaan koko systeemin kompleksi-

suutta.

23

4.2. Haasteet ja ongelmat joihin mallinnus tarjoaa ratkai-suja sovelluskohteissaan

Systemaattisen kirjallisuuskatsauksen tuloksina tunnistetuissa julkaisuissa ei varsinai-

sesti yhdessäkään paneuduttu suoraan sosiaalisen median hyödyntämisen ja sen käytön

vaikutusten liiketoiminnallisen mittaamisen ongelmiin ja haasteisiin. Julkaisuissa kui-

tenkin esiteltiin niissä käytettyjä mallinnustapoja, ja tuotiin jonkin verran esiin hyötyjä

joita ne tarjoavat esimerkiksi verrattuna perinteisimpiin matemaattisiin malleihin. Tässä

luvussa esitetään julkaisuissa esille tuotuja mallinnustapojen hyötyjä ja ratkaisuja, joita

ne tarjoavat sosiaalisen median hyödyntämisen ja käytön vaikutusten mittaamisen haas-

teisiin.

Toriumin ja Ishiin (2010), Toriumin et al. (2012) ja Toriumin et al. (2013) artikkelit ei-

vät suoraan ota kantaa siihen, miksi nimenomaan agenttipohjainen mallinnus on erityi-

sen soveltuva keino tutkittavan aiheen mittaamiseen. Julkaisuissa esitettyjen mallinnuk-

sien luonne on kuitenkin sellainen, että agenttipohjainen mallinnustapa sopii ominai-

suuksiltaan näiden ongelmien mallintamiseen hyvin. Myöskään Ishikawa (2012) ei ota

suoraan kantaa agenttipohjaisen mallinnustavan tarjoamiin hyötyihin, mutta toteaa ar-

tikkelissaan tutkimusongelman luonteen vaativan mukautuvaa mallia, joka huomioi laa-

jojen verkostojen yksilöiden toiminnasta aiheutuvia muutoksia. Tähän tarkoitukseen

agenttipohjainen mallinnus on sopiva mallinnustapa. (Ishikawa, 2012)

Okada ja Yamamoto (2011) tuovat esiin julkaisussaan, että verkkopohjaisen kuulopu-

heen vaikutus myynnin määrään on markkinoinnin parissa työskentelevien keskuudessa

todettu tärkeäksi asiaksi. Kuitenkin mallit ja empiiriset tutkimukset, joilla tätä vaikutus-

ta pyritään todentamaan tarkastelevat verkkopohjaista kuulopuhetta makrotasolla, ilman

perustaa mikrotason näkökulmaan, kuten kuluttajien yksilökohtaisen käyttäytymiseen.

Näin ollen yksittäisen kuluttajan yksilöllinen käyttäytyminen jää käytetyistä malleista ja

tutkimuksista kokonaan pois. (Okada ja Yamamoto, 2011) Myös Okada (2012) tuo esiin

käyttökelpoisen mallin puutteen verkkopohjaisen sosiaalisessa mediassa leviävän kuu-

lopuheen tutkimisessa.

Okadan ja Yamamoton (2011) mielestä agenttipohjaisella mallinnuksella toteutettu tut-

kimus verkossa leviävästä kuulopuheesta on perinteisiin tutkimuksiin verrattuna erilai-

nen siinä mielessä, että mallinnus ei perustu koottuun tilastolliseen informaation jonkin

sosiaalisen median käyttäjäryhmästä, vaan jokaisen sosiaalisen median käyttäjän yksi-

löllinen kuluttajakäyttäytyminen tulee mallinnettua. Analyyttisissä tilastolliseen infor-

maation perustuvissa malleissa ei siis usein huomioida kuluttajien heterogeenisyyttä,

vaan mallinnetaan kuluttajien joukkoa yleistämällä kaikki kuluttajat tilastollisen infor-

maation perusteella.

24

Okadan ja Yamamoton (2011) sekä Okadan (2012) julkaisujen mukaan agenttipohjai-

nen mallinnus siis tarjoaa ratkaisun mikrotason tarkastelulle, koska se huomio yksittäis-

ten kuluttajien yksilöllisen käyttäytymisen ja heterogeeniset toimintamallit tiedonjaossa

ja verkostokäyttäytymisessä.

Kascheskyn et al. sekä Sobkowiczin et al. (2011; 2012a) mukaan mielipiteiden muo-

dostumisen mallintaminen perustuu perinteisesti sosiologiaan pohjautuviin malleihin,

jotka keskittyvät koko laajempaa systeemiä koskeviin globaaleihin ominaisuuksiin. Jot-

ta malleista olisi kuitenkin käytännön hyötyä päätöksenteon sovelluksissa, vaaditaan

malleilta yksinkertaistettua tarkastelua tarkempaa toimintaa. Heidän mukaansa agentti-

pohjainen mallinnus tarjoaa tällaisen tavan, koska se mahdollistaa yksityiskohtaisem-

pien yksilöiden kuvauksien sisällyttämisen malliin, jolloin makrotason tarkastelun lisäk-

si malliin saadaan mikrotason tarkastelu. Näin ollen malli ottaa perinteisten yksinker-

taistettujen sosiologisten mallien sijaan huomioon useita monisyisiä yksilöllisiä vaiku-

tuksia yhden monoliittisen joukon ominaisuuksien sijaan. (Kaschesky et al., 2011; Sob-

kowicz et al., 2012a)

Sobkowiczin et al. (2012a) mukaan myös monet perinteiset mielipiteiden muodostumis-

ta selittävät mallit ovat irtautuneet todellisen elämän ilmiöistä, eivätkä huomioi todelli-

sessa elämässä esiintyviä yksilöllisen käyttäytymisen toimintatapoja tai tapahtumia.

Myös teoreettisten mallien validointi kaipaa tuekseen todelliseen elämään pohjautuvia

havaintoja (Sobkowicz et al., 2012b). Agenttipohjaisen mallinnuksen avulla voidaan

malleihin sisällyttää yksityiskohtaisia todellisen elämän ilmiöitä, sekä testata teoreettis-

ten mallien toimivuutta todellista elämää simuloivilla mallinnuksilla.

Otto ja Simon (2008) eivät artikkelissaan suoraan paneudu hyötyihin, joita systeemidy-

naaminen mallinnus tarjoaa sosiaalisen verkkoyhteisön hyödyntämisen ja käytön vaiku-

tusten mallintamiseen ja mittaamiseen. Artikkelissa kuitenkin nostetaan esiin, että sys-

teemidynaaminen mallinnus pystyy kuvaamaan korkealla tasolla koko systeemille olen-

naisten ominaisuuksien ja syy-seuraus suhteiden toimintaa. Erona agenttipohjaiseen

mallinnukseen on se, että sosiaalisen verkkoyhteisön yksittäisten toimijoiden käyttäy-

tymistä ei mallissa huomioida, vaan tutkitaan verkoston toimintaa kokonaisena systee-

minä.

25

5. PÄÄTELMÄT

Tässä luvussa muodostetaan yhteenveto tutkimuksen tuloksista ja tutkimuksen suorit-

tamisesta. Lisäksi arvioidaan tutkimuksen laatua ja merkittävyyttä, sekä annetaan suosi-

tukset SPEED –tutkimushankkeelle ja tiedeyhteisölle tutkimuksen tuloksien perusteella.

5.1. Johtopäätökset

Tutkimuksen tuloksena tunnistettiin viisi erilaista sovellustapaa, jossa agenttipohjaista

mallinnusta tai systeemidynaamista mallinnusta on käytetty sosiaalisen median liike-

toiminnallisen hyödyntämisen tai käytön vaikutusten mallintamisessa. Löydetyistä so-

velluskohteista vain harvassa näkökulma oli täysin liiketoiminnallisessa kontekstissa,

mutta kaikki tunnistetut sovelluskohteet ovat kuitenkin suoraan sovellettavissa liiketoi-

minnalliseen kontekstiin. Lisäksi tunnistetuista sovellustavoista vain yksi käytti systee-

midynaamista mallinnusta, kaikki muut hyödynsivät agenttipohjaista mallinnusta.

Systemaattisessa kirjallisuuskatsauksessa tunnistetuissa julkaisuissa pohdittiin agentti-

pohjaisen mallinnuksen hyötyjä melko yleisellä tasolla, eikä varsinaisesti tutkittu tai lis-

tattu sellaisia ongelmia tai haasteita jonkin liiketoiminnallisen ilmiön mallintamisessa,

joihin mallinnustavat tarjoavat ratkaisua. Julkaisuista löydetyt mallinnustapojen hyödyt

vastasivat niitä ominaisuuksia ja hyötyjä, joita kirjallisuudessa yleisesti liitetään kyseis-

ten mallinnustapojen käyttöön verrattuna esimerkiksi perinteisempiin matemaattisiin

malleihin.

Tämän tutkimuksen tietokantahaut toteutettiin systemaattisesti ja kattavasti mahdolli-

simman monesta tietokannasta, mahdollisimman laajalla hakulausekkeella. Haun tulok-

sena saatiinkin 60 julkaisua, jotka kuitenkin karsintaprosessin seurauksena karsiutuivat

vain 10 julkaisuun. Tutkimuksen tietokantahauissa löydetyn materiaalin melko vähäinen

määrä on huomionarvoinen asia tämän tutkimuksen tuloksia ja merkittävyyttä tarkastel-

lessa. Lisäksi löydetyissä julkaisuissa esiintyy kirjoittajina usein samoja henkilöitä, joi-

den eri julkaisut käsittelevät saman sovelluskohteen mallinnusta hieman erilaisista nä-

kökulmista.

Huomionarvoista on myös se, että löydetyistä 10 julkaisusta vain yksi julkaisu käsittelee

mallinnuksen sovellusta, jossa on käytetty systeemidynaamista mallinnusta. Katsauksen

perusteella vaikuttaa siis siltä, että agenttipohjainen mallinnus on yleisempi mallinnus-

tapa tarkasteltujen mallinnustapojen välillä sosiaalisen median aihepiirin mallinnukses-

sa. Löydettyjen tutkimuksien pääpaino on enemmän yleisten sosiaalisten median ilmiöi-

26

den mallintamisessa, jotka toki ovat suoraan sovellettavissa liiketoiminnan kontekstiin,

mutta varsinaisesti suoraan liiketoiminnan tarpeisiin ja ongelmiin sijoittuvaan konteks-

tiin tehtyä tutkimusta ei tässä kartoituksessa, muutamaa poikkeusta lukuun ottamatta,

onnistuttu löytämään.

Liiketoiminnallisen kontekstin puutteesta johtuen löydettyjen julkaisujen pääpaino ei

ole niinkään liiketoiminnallisten vaikutusten ja hyötyjen mallintamisessa, vaan enem-

mänkin sosiaalisen median sovelluksiin ja niiden käyttöön liittyvien ilmiöiden mallin-

tamisessa. Sosiaalisen median liiketoiminnallisen hyödyntämisen näkökulmasta nimen-

omaan liiketoimintavaikutuksien ja hyötyjen osoittaminen konkreettisen mallinnuksen

keinoin olisi kuitenkin erittäin hyödyllistä. Tutkimustulos onkin hieman yllättävä, sillä

esimerkiksi perinteisten mallinnuskohteiden ja erilaisten valmistavan teollisuuden liike-

toiminnallisten vaikutusten ja hyötyjen osalta sekä agenttipohjaista mallinnusta, että

systeemidynaamista mallinnusta on hyödynnetty kattavasti.

Löydetyt julkaisut ovat myös melko tuoreita: vuodelle 2013 sijoittuu yksi julkaisu, viisi

julkaisua vuodelle 2012, kaksi julkaisua vuodelle 2011, yksi julkaisu vuodelle 2010 ja

yksi julkaisu vuodelle 2008. Tämä kertoo tutkimusalueen uutuudesta ja osaltaan myös

selittää, miksi kyseiseltä alueelta löytyy tutkimustietoa melko vähän.

5.2. Tutkimuksen merkittävyys ja laadun arviointi

Systemaattisessa kirjallisuuskatsauksessa löydettyjen julkaisujen vähäinen määrä yllätti

aluksi myös työn tekijän. Tämän seurauksena hakulausekkeet tarkastettiin ja haut suori-

tettiin uudelleen, samoin tuloksin. Ottaen huomioon tutkimuksen systemaattisen ja pe-

rinpohjaisen toteutustavan, voidaan melko suurella varmuudella siis sanoa, että tutki-

musongelman aihepiiristä ei ole runsaasti merkittävää tutkimusaineistoa. Tämä on tut-

kimustuloksena merkittävä, sillä tutkimuskentästä on siis löydetty alue, jonka tutkimuk-

selle on selkeä tarve, mutta olemassa oleva tutkimus on vielä vähäistä, eikä keskity tar-

peeksi liiketoiminnalliseen kontekstiin. Tutkimustuloksella on myös uutuusarvoa, sillä

aiemmassa alan tutkimuksessa ei kyseistä tutkimusaukkoa ole systemaattisesti tunnistet-

tu.

Tutkimuksessa löydetyistä julkaisuista kolme kappaletta on julkaistu tieteellisessä aika-

kausilehdessä ja loput julkaisuista ovat konferenssijulkaisuja. Konferenssijulkaisuiden

laadun arviointi on usein hankalampaa, kuin pitkän historian omaavien tieteellisten ai-

kakausijulkaisuiden. Kuitenkin tämän tutkimuksen pääongelma ei ole niinkään tutkia

löydettyjen mallinnuksien sovelluskohteiden tuloksien oikeellisuutta, vaan lähinnä kar-

toittaa, millaisilla tavoilla mallinnusta on yleensäkään sovellettu tutkimusongelman ai-

hepiirissä.

27

Toisaalta löydettyjen julkaisuiden laatuun täytyy kiinnittää huomiota arvioitaessa niissä

esitettyjä hyötyjä ja ratkaisuja, joita ne tarjoavat sosiaalisen median liiketoiminnallisten

vaikutusten mittaamisen haasteisiin. Löydettyjen tieteellisten aikakausjulkaisuiden osal-

ta Otton ja Simonin (2008) artikkeli on julkaistu aikakauslehdessä, jonka Thompson

Reuters Journal Impact factor on 1,44. Vastaavasti Sobkowicz et al. (2012a) artikkeli on

julkaistu lehdessä jonka Impact factor on 1.91. Näin ollen nämä julkaisut edustavat kor-

kean tason tieteellistä tutkimusta. Okadan ja Yamamoton artikkeli on julkaistu lehdessä,

jolle ei ole annettu Thompson Reutersin Journal Impact Factoria. Konferenssijulkaisuja

ei myöskään listata kyseisessä listauksessa, joten niiden laadusta ei tällä mittarilla pysty-

tä sanomaan mitään. Nämäkin julkaisut ovat kuitenkin julkaistu konferensseissa, jotka

ovat IEEE:n tai jonkin muun tunnetun ja arvostetun organisaation järjestämiä, mikä si-

nänsä kertoo lähteiden luotettavuudesta.

5.3. Suositukset tutkimushankkeelle ja tiedeyhteisölle

Tutkimusalan kirjallisuudessa painotetaan konkreettisten mittarien tärkeyttä, jotta sosi-

aalisen median sovelluksien hyödyntämiselle saataisiin perusteluja hyötyjen osoittami-

selle. Myös teollisuudessa sosiaalisen median käyttöönottoa hidastaa selkeiden hyötyjen

osoittamisen vaikeus. Tutkimuksen tuloksien perusteella kuitenkaan tällaisien mittarei-

den luomiseen agenttipohjaista tai systeemidynaamista mallinnusta ei ole vielä hyödyn-

netty kattavasti.

Sosiaalisen median sekä mallinnuksen aihepiirien tutkimus on itsessään kattavaa, mutta

sosiaalisen median liiketoiminnallisen hyödyntämisen ja käytön vaikutuksien mallinta-

misessa on tämän tutkimuksen perusteella aukko. Varsinkin systeemidynaamisen mal-

linnuksen osalta sosiaalisen median mallintamisesta olemassa olevan tutkimuksen mää-

rä on hyvin vähäinen. Tämä selittyy osittain mallinnustavan ominaisuuksilla. Systeemi-

dynaaminen mallinnustapa on kuitenkin agenttipohjaista mallinnusta vakiintuneempi ja

tunnetumpi, jolloin sillä laadittujen mallien validointi on helpompaa ja luottamus malli-

en oikeellisuudelle korkeammalla tasolla.

Tutkimuksen tuloksena voidaan tutkimushankkeelle ja tiedeyhteisölle esittää seuraavia

suosituksia:

1. Sosiaalisen median liiketoiminnallisen hyödyntämisen ja käytön vaikutuksista tarvi-

taan liiketoiminnan kontekstissa suoritettuja tutkimuksia, jotka hyödyntävät agenttipoh-

jaista tai systeemidynaamista mallinnusta.

2. Tutkimuksissa tulisi pyrkiä laatimaan mittareita, joilla voidaan osoittaa liiketoimin-

nallisia vaikutuksia tai hyötyjä.

28

3. Tutkimuksissa tulisi myös pyrkiä selvittämään, mitä ratkaisuja agenttipohjainen ja

systeemidynaaminen mallinnus tarjoaa liiketoiminnallisten vaikutusten mittaamisen

haasteisiin ja ongelmiin.

4. Systeemidynaamisen mallintamisen tarjoamia mahdollisuuksia sosiaalisen median

ilmiöiden tutkimiseen tulisi kartoittaa.

SPEED –tutkimushankkeen puitteissa aihepiiristä tullaan tekemään tämän tutkimuksen

tuloksien perusteella täydentävää tutkimusta. Tämän kandidaatintutkimuksen tärkein

kontribuutio onkin ollut löytää edellä kuvattu aukko tutkimuskentässä, jota jatkotutki-

muksella voidaan pyrkiä täyttämään.

29

LÄHTEET

Aral, S., Dellarocas, C., & Godes, D. (2013). Introduction to the special issue-social

media and business transformation: A framework for research. Information Sys-

tems Research, 24(1), s. 3–13.

Bonabeau, E. (2002). Agent-based modeling: Methods and techniques for simulating

human systems. Proceedings of the National Academy of Sciences of the United

States of America, 99(Suppl 3), s. 7280–7287.

Constantinides, E., & Fountain, S. J. (2008). Web 2.0: Conceptual foundations and

marketing issues. Journal of Direct, Data and Digital Marketing Practice, 9(3),

s. 231–244.

Crawford, L., & Pollack, J. (2004). Hard and soft projects: a framework for analysis.

International Journal of Project Management, 22(8), s. 645–653.

Fisher, T. (2009). ROI in social media: A look at the arguments. Journal of Database

Marketing & Customer Strategy Management, 16(3), s. 189–195.

Gilfoil, D. M. (2012). Return on Investment For Social Media: A Proposed Framework

For Understanding, Implementing, And Measuring The Return. Journal of Busi-

ness & Economics Research (JBER), 10(11), s. 637–650.

Held, F. P., Wilkinson, I. F., Marks, R. E., & Young, L. (2014). Agent-based Model-

ling, a new kind of research. Australasian Marketing Journal (AMJ), 22(1), s. 4

– 14.

Hoffman, D. L., & Fodor, M. (2010). Can you measure the ROI of your social media

marketing? Sloan Management Review, 52(1).

Holtzblatt, L., & Tierney, M. L. (2011). Measuring the effectiveness of social media on

an innovation process. In CHI’11 Extended Abstracts on Human Factors in

Computing Systems. ACM. s. 697–712

IGI Global Dictionary. (2014). System dynamics modelling. Saatavilla: http://www.igi-

global.com/dictionary/system-dynamics-modelling/29052

Ishikawa, T. (2012). The Mechanism of Information Resonance in Social Media. In

Web Intelligence and Intelligent Agent Technology (WI-IAT), 2012

IEEE/WIC/ACM International Conferences on (Vol. 1) s. 509–513.

Janssen, M. A. (2005). Agent-based modelling. Modelling in Ecological Economics, s.

155–172.

Jussila, J. J., Kärkkäinen, H., & Aramo-Immonen, H. (2014). Social media utilization in

business-to-business relationships of technology industry firms. Computers in

Human Behavior, 30, s. 606–613.

Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and

opportunities of Social Media. Business Horizons, 53(1), s. 59–68.

Kaschesky, M., Sobkowicz, P., & Bouchard, G. (2011). Opinion Mining in Social Me-

dia: Modeling, Simulating, and Visualizing Political Opinion Formation in the

Web. In Proceedings of the 12th Annual International Digital Government Re-

search Conference: Digital Government Innovation in Challenging Times. New

York, NY, USA: ACM. s. 317–326

30

Lakkala, H. (2011). Sosiaalinen media teollisuudessa. Esiselvitysraportti. Teknologia

Teollisuus. Intosome Oy. 57 s.

Lietsala, K., & Sirkkunen, E. (2008). Social media. Introduction to the tools and pro-

cesses of participatory economy. 197 s.

Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation.

Journal of Simulation, 4(3), s. 151–162.

Mangiuc, D. M. (2009). Measuring Web 2.0 Efficiency. Annales Universitatis Apulensis

Series Oeconomica, 1(11), s. 74–87.

Manikas, K., & Hansen, K. M. (2013). Software ecosystems–a systematic literature re-

view. Journal of Systems and Software, 86(5), s. 1294–1306.

O’Reilly, T. (2009). What is web 2.0. O’Reilly Media, Inc. 12 s.

Okada, I. (2012). Relationship between Online Word-of-Mouth Communication and

Consumer Behavior. In System Science (HICSS), 2012 45th Hawaii Internation-

al Conference on. s. 1807–1813.

Okada, I. ., & Yamamoto, H. . (2011). Effects of information diffusion in online word-

of-mouth communication among consumers. Journal of Advanced Computa-

tional Intelligence and Intelligent Informatics, 15(2), s. 197–203.

Otto, P., & Simon, M. (Fall2008). Dynamic perspectives on social characteristics and

sustainability in online community networks. System Dynamics Review (Wiley),

24(3), s. 321–347.

Otto, P., & Simon, M. (2008). Dynamic perspectives on social characteristics and sus-

tainability in online community networks. System Dynamics Review (Wiley),

24(3), s. 321–347.

Rouwette, E. A. J. A., & Ghaffarzadegan, N. (2013). The system dynamics case reposi-

tory project. System Dynamics Review, 29(1), s. 56–60.

Salminen, A. (2011). Mikä kirjallisuuskatsaus? - Johdatus kirjallisuuskatsauksen tyyp-

peihin ja hallintotieteellisiin sovelluksiin. Vaasan Yliopiston Julkaisuja. 44 s.

Sobkowicz, P. ., Kaschesky, M. ., & Bouchard, G. . (2012a). Opinion formation in the

social web: Agent-based simulations of opinion convergence and divergence.

Lecture Notes in Computer Science (including Subseries Lecture Notes in Artifi-

cial Intelligence and Lecture Notes in Bioinformatics), s. 288–303.

Sobkowicz, P., Kaschesky, M., & Bouchard, G. (2012b). Opinion mining in social me-

dia: Modeling, simulating, and forecasting political opinions in the web. Gov-

ernment Information Quarterly, 29(4), s. 470–479.

Sterman, J. D. (2002). System dynamics: systems thinking and modeling for a complex

world. In Proceedings of the ESD Internal Symposium. 29 s.

System Dynamics Society. (2014). The field of System Dynamics. Saatavilla:

http://www.systemdynamics.org/what_is_system_dynamics.html

Toriumi, F. ., Yamamoto, H. ., & Okada, I. . (2013). Effects of controllable facilitators

on social media: Simulation analysis using Generalized Metanorms Games. In

Proceedings - 2013 IEEE/WIC/ACM International Joint Conference on Web In-

telligence and Intelligent Agent Technology - Workshops, WI-IATW 2013 (Vol.

3), s. 114–117.

Toriumi, F., & Ishii, K. (2010). Simulation of encouragement methods for sns based on

user behavior model. In Proceedings of 3rd World Congress on Social Simula-

tion.

Toriumi, F., Yamamoto, H., & Okada, I. (2012). Why Do People Use Social Media?

Agent-Based Simulation and Population Dynamics Analysis of the Evolution of

Cooperation in Social Media. In Web Intelligence and Intelligent Agent Tech-

31

nology (WI-IAT), 2012 IEEE/WIC/ACM International Conferences on (Vol. 2),

s. 43–50.

Tranfield, D., Denyer, D., & Smart, P. (2003). Towards a methodology for developing

evidence-informed management knowledge by means of systematic review.

British Journal of Management, 14(3), s. 207–222.

Wang, B., & Moon, Y. B. (2013). Hybrid modeling and simulation for innovation de-

ployment strategies. Industrial Management & Data Systems, 113(1), s. 136–

154.

LIITE 1 (1/8)

TIETOKANTAHAUN TULOKSET JA

ENSIMMÄISEN KARSINNAN PERUSTEET

Tietokantahauissa löydetyt alustavat 61 lähdettä, sekä ensimmäisen karsinnan perusteet.

Raksilla merkityt on sisällytetty kirjallisuuskatsauksen tuloksiin, ”EI” –merkityt eivät.

(katso luku 1.3):

LÄHDE MUKA

NA KARSINTAPERUSTE

Abbas, S. M. A. (2013). Homophily, popularity and random-

ness: Modelling growth of online social network. In 12th In-

ternational Conference on Autonomous Agents and Multiagent

Systems 2013, AAMAS 2013 (Vol. 1, pp. 135–142). Retrieved

from http://www.scopus.com/inward/record.url?eid=2-s2.0-

84899046699&partnerID=40&md5=55518be889b978a404c30

a11081cfb58

X

Ackland, R., & Shorish, J. (2009). Network Formation in the

Political Blogosphere: An Application of Agent Based Simula-

tion and e-Research Tools. Computational Economics, 34(4),

383–398. doi:10.1007/s10614-009-9173-7

X

Aditomo, A. . b, Thompson, K. ., & Reimann, P. . (2012). Ex-

amining system dynamics models together: Using variation

theory to identify learning opportunities in online collabora-

tion. In 10th International Conference of the Learning Scienc-

es: The Future of Learning, ICLS 2012 - Proceedings (Vol. 2,

pp. 441–445). Retrieved from

http://www.scopus.com/inward/record.url?eid=2-s2.0-

84878744897&partnerID=40&md5=b102ee7af228f36d4dba4c

9f9c3fb508

X

Aghdaie, M. H., Zolfani, S. H., & Zavadskas, E. K. (2013).

Decision Making in Machine Tool Selection: An Integrated

Approach with SWARA and COPRAS-G Methods. Sprendimo

Priėmimas Pasirenkant Mechanines Stakles: Jungtinis SWARA

Ir COPRAS-G Metodas., 24(1), 5–17.

EI

Ei käsittele sosiaalisen median käytön

vaikutusten mallinnusta APM:llä tai

SDM:llä (karsintakriteeri 1).

LIITE 1 (2/8)

Albiero, F. ., Fitzek, F. H. P. ., & Katz, M. . (2007). Coopera-

tive power saving strategies in wireless networks: An agent-

based model. In Proceedings of 4th IEEE Internatilonal Sym-

posium on Wireless Communication Systems 2007, ISWCS (pp.

287–291). Retrieved from


84890857078&partnerID=40&md5=a21ca399356e65a61452e

b01525fe2e3

EI




Berland, M. ., & Rand, W. . (2009). Participatory simulation as

a tool for agent-based simulation. In ICAART 2009 - Proceed-

ings of the 1st International Conference on Agents and Artifi-

cial Intelligence (pp. 553–557). Retrieved from


70349441106&partnerID=40&md5=4095bf88d990c09b01649

98ba070b520

EI




Besiou, M., Hunter, M. L., & Van Wassenhove, L. N. (2013).

A Web of Watchdogs: Stakeholder Media Networks and

Agenda-Setting in Response to Corporate Initiatives. Journal

of Business Ethics, 118(4), 709–729.

EI



SDM:llä (karsintakriteeri 1). Verkos-

tot tosielämän vastineena (karsintakri-

teeri 3)

Blanco-Moreno, D., Fuentes-Fernández, R., & Pavón, J.

(2011). Simulation of online social networks with Krowdix. In

Proceedings of the 2011 International Conference on Compu-

tational Aspects of Social Networks, CASoN’11 (pp. 13–18).

Retrieved from


84055190778&partnerID=40&md5=50febf0c0bae712ae1cdbaf

81e6b0394

X

Boero, R. ., Ferro, E. ., Osella, M. ., Charalabidis, Y. ., &

Loukis, E. . (2012). Policy intelligence in the era of social

computing: Towards a cross-policy decision support system.

Lecture Notes in Computer Science (including Subseries Lec-

ture Notes in Artificial Intelligence and Lecture Notes in Bioin-

formatics), 7117 LNCS, 217–228.

X

Bošanský, B. ., & Brom, C. . (2008). Agent-based simulation

of business processes in a virtual world. Lecture Notes in

Computer Science (including Subseries Lecture Notes in Artifi-

cial Intelligence and Lecture Notes in Bioinformatics), 5271

LNAI, 86–94.

X

Boustead, P., & Safaei, F. (2004). Comparison of Delivery

Architectures for Immersive Audio in Crowded Networked

Games. In Proceedings of the 14th International Workshop on

Network and Operating Systems Support for Digital Audio and

Video (pp. 22–27). New York, NY, USA: ACM.

doi:10.1145/1005847.1005854

EI




LIITE 1 (3/8)

Bryant, P. ., Akinleye, A. . c, & Durrant, A. . (2013). Educating

the early career arts professional using a hybrid model of work

based learning. Higher Education, Skills and Work-Based

Learning, 3(1), 17–29.

EI




Charalabidis, Y. ., Gionis, G. ., Ferro, E. ., & Loukis, E. .

(2010). Towards a systematic exploitation of web 2.0 and sim-

ulation modeling tools in public policy process. Lecture Notes

in Computer Science (including Subseries Lecture Notes in

Artificial Intelligence and Lecture Notes in Bioinformatics),

6229 LNCS, 1–12.

X

Chaturvedi, A., Mehta, S., Dolk, D., & Ayer, R. (2005). Agent-

based simulation for computational experimentation: Develop-

ing an artificial labor market. European Journal of Operational

Research, 166(3), 694 – 716.

doi:http://dx.doi.org/10.1016/j.ejor.2004.03.040

X

Chaturvedi, A. R. ., Dolk, D. R. ., & Drnevich, P. L. . (2011).

Design principles for virtual worlds. MIS Quarterly: Manage-

ment Information Systems, 35(3), 673–684.

X

Crooks, A., Hudson-Smith, A., & Dearden, J. (2009). Agent

street: An environment for exploring agent-based models in

Second Life. JASSS, 12(4). Retrieved from


70350629798&partnerID=40&md5=00e3ad3e1e36ce461c879e

d914ec51be

EI

Ei käsittele sosiaalisen median mallin-

nusta liiketoiminnallisessa kontekstis-

sa (karsintakriteeri 2).

Crooks, A. T., & Wise, S. (2013). {GIS} and agent-based

models for humanitarian assistance. Computers, Environment

and Urban Systems, 41(0), 100 – 111.

doi:http://dx.doi.org/10.1016/j.compenvurbsys.2013.05.003

EI




Davis, C., Nikolic, I., & Dijkema, G. P. J. (2010). Infrastruc-

ture modelling 2.0. International Journal of Critical Infra-

structures, 6(2), 168–186.

X

Djezzar, N. ., Djedi, N. ., Cussat-Blanc, S. ., Luga, H. ., &

Duthen, Y. . (2011). Bio-inspired artificial creatures for popu-

lating virtual worlds. In International Conference on Multime-

dia Computing and Systems -Proceedings. Retrieved from


79961241450&partnerID=40&md5=dee5cfd37de2242919ab0e

fd2c432c1c

EI




Djezzar, N., Djedi, N., Cussat-Blanc, S., Luga, H., & Duthen,

Y. (2011). L-systems and artificial chemistry to develop digital

organisms. In Artificial Life (ALIFE), 2011 IEEE Symposium

on (pp. 225–232). doi:10.1109/ALIFE.2011.5954665

EI




LIITE 1 (4/8)

Gonzalès, R., Cardille, J. A., & Parrott, L. (2013). Agent-based

land-use models and farming games on the social web—Fertile

ground for a collaborative future? Ecological Informatics,

15(0), 14 – 21.

doi:http://dx.doi.org/10.1016/j.ecoinf.2013.02.002

X

Grimaldo, F. ., & Paolucci, M. . (2013). A simulation of disa-

greement for control of rational cheating in peer review. Ad-

vances in Complex Systems, 16(7). Retrieved from


84879650706&partnerID=40&md5=3251d0ca6664bc78aee6cd

4f4e06c608

EI




Haugen, H. ., Ask, B. ., & Bjørke, S. Å. . (2010). ICT-

supported education; learning styles for individual knowledge

building. Communications in Computer and Information Sci-

ence, 111 CCIS(PART 1), 215–224.

EI




Hirahara, Y. ., Toriumi, F. ., & Sugawara, T. . (2013). Evolu-

tion of cooperation in meta-rewards games on networks of WS

and BA models. In Proceedings - 2013 IEEE/WIC/ACM Inter-

national Joint Conference on Web Intelligence and Intelligent

Agent Technology - Workshops, WI-IATW 2013 (Vol. 3, pp.

126–130). Retrieved from


84893238795&partnerID=40&md5=1283182ef89f46726f1981

4b57cc38e6

EI




Hoang, L., Lee, S.-W., Hong, G., Lee, J.-Y., & Rim, H.-C.

(2008). A hybrid method for opinion finding task: KUNLP at

TREC 2008 blog track. In NIST Special Publication. Retrieved

from http://www.scopus.com/inward/record.url?eid=2-s2.0-

84873466987&partnerID=40&md5=9299203e091c744ce7043

86809462a0d

EI




Ishikawa, T. (2010). The Effect of Transitive Linking on In-

formation Diffusion in Dynamic Acquaintance Networks. In

Web Intelligence and Intelligent Agent Technology (WI-IAT),

2010 IEEE/WIC/ACM International Conference on (Vol. 3, pp.

61–66). doi:10.1109/WI-IAT.2010.99

X

Ishikawa, T. (2012). The Mechanism of Information Reso-

nance in Social Media. In Web Intelligence and Intelligent

Agent Technology (WI-IAT), 2012 IEEE/WIC/ACM Interna-

tional Conferences on (Vol. 1, pp. 509–513). doi:10.1109/WI-

IAT.2012.136

X

Ji, F., Liu, Z., Qiu, X., & Huang, X. (2012). Part-of-speech

tagging for micro blog via 2D sequence labeling. Journal of

Computational Information Systems, 8(3), 1149–1156.

EI




LIITE 1 (5/8)

Kaschesky, M., Sobkowicz, P., & Bouchard, G. (2011). Opin-

ion Mining in Social Media: Modeling, Simulating, and Visu-

alizing Political Opinion Formation in the Web. In Proceed-

ings of the 12th Annual International Digital Government Re-

search Conference: Digital Government Innovation in Chal-

lenging Times (pp. 317–326). New York, NY, USA: ACM.

doi:10.1145/2037556.2037607

X

Kim, Y., Glassman, M., Bartholomew, M., & Hur, E. H.

(2013). Creating an educational context for Open Source Intel-

ligence: The development of Internet self-efficacy through a

blogcentric course. Computers & Education, 69(0), 332 – 342.

doi:http://dx.doi.org/10.1016/j.compedu.2013.07.034

EI




Liu, J., Zhang, S., & Yang, J. (2004). Characterizing Web Us-

age Regularities with Information Foraging Agents. IEEE

Trans. on Knowl. and Data Eng., 16(5), 566–584.

doi:10.1109/TKDE.2004.1277818

X

Mäkelä, R., Myllylä, M., & Torp, H. (2008). Collaborative

knowledge construction in online vocational teacher education.

In CEUR Workshop Proceedings (Vol. 398, pp. 186–192).

Retrieved from


84885409646&partnerID=40&md5=b28b6609e7cd3544abea3

5972cfdbf84

EI




Makinde, O. W. (2013). Social Network Message Credibility:

An Agent-Based Modelling Approach. In Emerging Intelligent

Data and Web Technologies (EIDWT), 2013 Fourth Interna-

tional Conference on (pp. 597–602).

doi:10.1109/EIDWT.2013.107

X

Mansourian, A., & Abdolmajidi, E. (2011). Investigating the

system dynamics technique for the modeling and simulation of

the development of spatial data infrastructures. International

Journal of Geographical Information Science, 25(12), 2001–

2023.

EI




Medina, J. I. G.-V. (2011). Agent-based modelling: A new way

of exploring social phenomena [La simulación basada en

agentes: Una nueva forma de explorar los fenómenos sociales].

Revista Espanola de Investigaciones Sociologicas, (136), 91–

110.

EI




Meier, M., & Reinwald, D. (2010). A system dynamics ap-

proach to value-based complaint management including repur-

chase behavior and word of mouth. In 18th European Confer-

ence on Information Systems, ECIS 2010. Retrieved from


84870640582&partnerID=40&md5=3ea7f138589ad75e30e341

6037f674bd

X

LIITE 1 (6/8)

Mureddu, F. ., Osimo, D. ., Misuraca, G. ., & Armenia, S. .

(2012). A new roadmap for next-generation policy-making. In

ACM International Conference Proceeding Series (pp. 62–66).

Retrieved from


84877265407&partnerID=40&md5=cf98a2a7e445c07f64dea0

3e9798e834

EI




Musial, K. ., Budka, M. ., & Juszczyszyn, K. . (2013). Creation

and growth of online social network: How do social networks

evolve? World Wide Web, 16(4), 421–447.

X

Novani, S., & Kijima, K. (2013). Efficiency and Effectiveness

of C2C Interactions and Mutual Learning for Value Co-

Creation: Agent-Based Simulation Approach. International

Journal of Business and Management, 8(9), 50–62.

X

Nygren, E. (2011). Simulation of User Participation and Inter-

action in Online Discussion Groups. In Privacy, security, risk

and trust (passat), 2011 ieee third international conference on

and 2011 ieee third international conference on social compu-

ting (socialcom) (pp. 1390–1397).

doi:10.1109/PASSAT/SocialCom.2011.83

X

Okada, I. (2012). Relationship between Online Word-of-Mouth

Communication and Consumer Behavior. In System Science

(HICSS), 2012 45th Hawaii International Conference on (pp.

1807–1813). doi:10.1109/HICSS.2012.500

X

Okada, I. ., & Yamamoto, H. . (2011). Effects of information

diffusion in online word-of-mouth communication among con-

sumers. Journal of Advanced Computational Intelligence and

Intelligent Informatics, 15(2), 197–203.

X

Otto, P., & Simon, M. (2008). Dynamic perspectives on social

characteristics and sustainability in online community net-

works. System Dynamics Review (Wiley), 24(3), 321–347.

X

Quera, V., Beltran, F. S., & Dolado, R. (2010). Flocking be-

haviour: Agent-based simulation and hierarchical leadership.

JASSS, 13(2). Retrieved from


77950344429&partnerID=40&md5=58f7c070818d7cfd20d14c

865be79661

EI




Rhodes, P. A., & Anderson, T. O. (2012). Evolving a neural

olfactorimotor system in virtual and real olfactory environ-

ments. Frontiers in Neuroengineering, (SEPTEMBER), 1–34.

EI




LIITE 1 (7/8)

Salamon, T. (2009). A three-layer approach to testing of multi-

agent systems. In Information Systems Development: Towards

a Service Provision Society (pp. 393–401). Retrieved from


80052115083&partnerID=40&md5=3c3a65f3a27c4fc7c03db3

6a115352a0

EI




Samet, R. H. (2011). Exploring the future with complexity

science: The emerging models. Futures, 43(8), 831 – 839.

doi:http://dx.doi.org/10.1016/j.futures.2011.05.025

EI




Sanfilippo, A. (2010). Workshop on current issues in predic-

tive approaches to intelligence and security analytics: Fostering

the creation of decision advantage through model integration

and evaluation. In ISI 2010 - 2010 IEEE International Confer-

ence on Intelligence and Security Informatics: Public Safety

and Security (pp. 177–178). Retrieved from


77954806788&partnerID=40&md5=7e3570bf4de454cd76773

c34806c399a

EI



SDM:llä (karsintakriteeri 1). Ei tie-

teellinen julkaisu (pääkirjoitus) (kar-

sintakriteeri 4)

Sasaki, A., Ishiyama, K., & Deguchi, H. (2006). SABER –

Simulator for Agent Based Educational Architecture –. In Cre-

ating, Connecting and Collaborating through Computing,

2006. C5 ’06. The Fourth International Conference on (pp.

246–253). doi:10.1109/C5.2006.31

EI




Shang, Y., Zhang, P., & Cao, Y. (2013). A new interest-

sensitive and network-sensitive method for user recommenda-

tion. In Proceedings - 2013 IEEE 8th International Conference

on Networking, Architecture and Storage, NAS 2013 (pp. 242–

246). Retrieved from


84893283519&partnerID=40&md5=3180d10bf1bc18dccba5d

6054d9b22ea

EI




Shinoda, Y. ., Ryoke, M. ., Terano, T. ., & Nakamori, Y. .

(2006). Design of a software agent for business gaming simula-

tion. Journal of Systems Science and Systems Engineering,

15(1), 83–94.

X

Sobkowicz, P. ., Kaschesky, M. ., & Bouchard, G. . (2012).

Opinion formation in the social web: Agent-based simulations

of opinion convergence and divergence. Lecture Notes in

Computer Science (including Subseries Lecture Notes in Artifi-

cial Intelligence and Lecture Notes in Bioinformatics), 7103

LNAI, 288–303.

X

Sobkowicz, P., Kaschesky, M., & Bouchard, G. (2012). Opin-

ion mining in social media: Modeling, simulating, and fore-

casting political opinions in the web. Government Information

Quarterly, 29(4), 470 – 479.

doi:http://dx.doi.org/10.1016/j.giq.2012.06.005

X

LIITE 1 (8/8)

Sperb, R. M., & Cabral, R. B. (2004). Fuzzy Agent-based

Model: A hybrid tool for exploring spatial perception and be-

havior. In Fuzzy Information, 2004. Processing NAFIPS ’04.

IEEE Annual Meeting of the (Vol. 1, pp. 120–125 Vol.1).

doi:10.1109/NAFIPS.2004.1336262

EI


nusta APM:llä tai SDM:llä (karsinta-

kriteeri 1).

Toriumi, F. ., Yamamoto, H. ., & Okada, I. . (2013). Effects of

controllable facilitators on social media: Simulation analysis

using Generalized Metanorms Games. In Proceedings - 2013

IEEE/WIC/ACM International Joint Conference on Web Intel-

ligence and Intelligent Agent Technology - Workshops, WI-

IATW 2013 (Vol. 3, pp. 114–117). Retrieved from


84893250634&partnerID=40&md5=e1ca9ad2a112b07a538ec7

b79fd8d737

X

Toriumi, F., Yamamoto, H., & Okada, I. (2012). Why Do Peo-

ple Use Social Media? Agent-Based Simulation and Population

Dynamics Analysis of the Evolution of Cooperation in Social

Media. In Proceedings of the The 2012 IEEE/WIC/ACM Inter-

national Joint Conferences on Web Intelligence and Intelligent

Agent Technology - Volume 02 (pp. 43–50). Washington, DC,

USA: IEEE Computer Society. doi:10.1109/WI-IAT.2012.191

X

Trexler, J. (2008). Social Entrepreneurship as an Algorithm: Is

Social Enterprise Sustainable? Emergence: Complexity & Or-

ganization, 10(3), 65–85.

EI




Voyer, R., Nygaard, V., Fitzgerald, W., & Copperman, H.

(2010). A Hybrid Model for Annotating Named Entity Train-

ing Corpora. In Proceedings of the Fourth Linguistic Annota-

tion Workshop (pp. 243–246). Stroudsburg, PA, USA: Asso-

ciation for Computational Linguistics. Retrieved from

http://dl.acm.org/citation.cfm?id=1868720.1868759

EI




Wu, J., & Hu, B. (2008). An agent-based simulation study of

the dynamics of mobile viral advertising. In Simulation Confe-

rence, 2008. WSC 2008. Winter (pp. 2953–2953).

doi:10.1109/WSC.2008.4736443

X

Yagodin, D. (2012). Blog Medvedev: Aiming for Public Con-

sent. Europe-Asia Studies, 64(8), 1415–1434. EI




Yunpeng Xiao, Bai Wang, Bin Wu, Zhixian Yan, Shousheng

Jia, & Yanbing Liu. (2012). A Hybrid Human Dynamics Mod-

el on Analyzing Hotspots in Social Networks. Discrete Dy-

namics in Nature & Society, 1–13.

X

LIITE 2 (1/5)

TOISEN KARSINNAN TULOKSET

Toisen vaiheen karsinnan karsintaperusteet. Raksilla merkityt on sisällytetty kirjalli-

suuskatsauksen tuloksiin, ”EI” –merkityt eivät. (Katso luku 1.3)

LÄHDE MUKA

NA KARSINTAPERUSTE / kommentteja

Abbas, S. M. A. (2013). Homophily, popularity and

randomness: Modelling growth of online social net-

work. In 12th International Conference on Autono-

mous Agents and Multiagent Systems 2013, AAMAS

2013 (Vol. 1, pp. 135–142). Retrieved from


84899046699&partnerID=40&md5=55518be889b978a

404c30a11081cfb58

EI

Ei liiketoiminnan sovellus, eikä suoraan

sovellettavissa liiketoiminnan kontekstiin.

(Karsintakriteeri 2)

Ackland, R., & Shorish, J. (2009). Network Formation

in the Political Blogosphere: An Application of Agent

Based Simulation and e-Research Tools. Computa-

tional Economics, 34(4), 383–398.

doi:10.1007/s10614-009-9173-7

EI




Aditomo, A. . b, Thompson, K. ., & Reimann, P. .

(2012). Examining system dynamics models together:

Using variation theory to identify learning opportuni-

ties in online collaboration. In 10th International Con-

ference of the Learning Sciences: The Future of Learn-

ing, ICLS 2012 - Proceedings (Vol. 2, pp. 441–445).

Retrieved from


84878744897&partnerID=40&md5=b102ee7af228f36

d4dba4c9f9c3fb508

EI




Blanco-Moreno, D., Fuentes-Fernández, R., & Pavón,

J. (2011). Simulation of online social networks with

Krowdix. In Proceedings of the 2011 International

Conference on Computational Aspects of Social Net-

works, CASoN’11 (pp. 13–18). Retrieved from


84055190778&partnerID=40&md5=50febf0c0bae712a

e1cdbaf81e6b0394

EI




LIITE 2 (2/5)

Boero, R. ., Ferro, E. ., Osella, M. ., Charalabidis, Y. .,

& Loukis, E. . (2012). Policy intelligence in the era of

social computing: Towards a cross-policy decision

support system. Lecture Notes in Computer Science

(including Subseries Lecture Notes in Artificial Intelli-

gence and Lecture Notes in Bioinformatics), 7117

LNCS, 217–228.

EI

Ei käsittele sosiaalisen median käytön vai-

kutusten mallinnusta APM:llä tai SDM:llä

(karsintakriteeri 1).

Bošanský, B. ., & Brom, C. . (2008). Agent-based sim-

ulation of business processes in a virtual world. Lec-

ture Notes in Computer Science (including Subseries

Lecture Notes in Artificial Intelligence and Lecture

Notes in Bioinformatics), 5271 LNAI, 86–94.

EI




Charalabidis, Y. ., Gionis, G. ., Ferro, E. ., & Loukis,

E. . (2010). Towards a systematic exploitation of web

2.0 and simulation modeling tools in public policy

process. Lecture Notes in Computer Science (including

Subseries Lecture Notes in Artificial Intelligence and

Lecture Notes in Bioinformatics), 6229 LNCS, 1–12.

EI




Chaturvedi, A., Mehta, S., Dolk, D., & Ayer, R.

(2005). Agent-based simulation for computational

experimentation: Developing an artificial labor market.

European Journal of Operational Research, 166(3),

694 – 716.

doi:http://dx.doi.org/10.1016/j.ejor.2004.03.040

EI




Chaturvedi, A. R. ., Dolk, D. R. ., & Drnevich, P. L. .

(2011). Design principles for virtual worlds. MIS

Quarterly: Management Information Systems, 35(3),

673–684.

EI




Davis, C., Nikolic, I., & Dijkema, G. P. J. (2010). In-

frastructure modelling 2.0. International Journal of

Critical Infrastructures, 6(2), 168–186.

EI




Gonzalès, R., Cardille, J. A., & Parrott, L. (2013).

Agent-based land-use models and farming games on

the social web—Fertile ground for a collaborative fu-

ture? Ecological Informatics, 15(0), 14 – 21.

doi:http://dx.doi.org/10.1016/j.ecoinf.2013.02.002

EI




Ishikawa, T. (2010). The Effect of Transitive Linking

on Information Diffusion in Dynamic Acquaintance

Networks. In Web Intelligence and Intelligent Agent

Technology (WI-IAT), 2010 IEEE/WIC/ACM Interna-

tional Conference on (Vol. 3, pp. 61–66).

doi:10.1109/WI-IAT.2010.99

EI




LIITE 2 (3/5)

Ishikawa, T. (2012). The Mechanism of Information

Resonance in Social Media. In Web Intelligence and

Intelligent Agent Technology (WI-IAT), 2012

IEEE/WIC/ACM International Conferences on (Vol. 1,

pp. 509–513). doi:10.1109/WI-IAT.2012.136

X

Kaschesky, M., Sobkowicz, P., & Bouchard, G.

(2011). Opinion Mining in Social Media: Modeling,

Simulating, and Visualizing Political Opinion For-

mation in the Web. In Proceedings of the 12th Annual

International Digital Government Research Confer-

ence: Digital Government Innovation in Challenging

Times (pp. 317–326). New York, NY, USA: ACM.

doi:10.1145/2037556.2037607

X

Liu, J., Zhang, S., & Yang, J. (2004). Characterizing

Web Usage Regularities with Information Foraging

Agents. IEEE Transactions on Knowledge and Data

Engineering, 16(5), 566–584.

doi:10.1109/TKDE.2004.1277818

EI

Ei käsittele sosiaalisen median käytön liike-

toiminnallisten vaikutusten mallinnusta

APM:llä tai SDM:llä (karsintakriteeri 1).

Makinde, O. W. (2013). Social Network Message

Credibility: An Agent-Based Modelling Approach. In

Emerging Intelligent Data and Web Technologies

(EIDWT), 2013 Fourth International Conference on

(pp. 597–602). doi:10.1109/EIDWT.2013.107

EI

Ei käsittele sosiaalisen median käytön liike-

toiminnallisten vaikutusten mallinnusta

APM:llä tai SDM:llä (karsintakriteeri 1).

Meier, M., & Reinwald, D. (2010). A system dynamics

approach to value-based complaint management in-

cluding repurchase behavior and word of mouth. In

18th European Conference on Information Systems,

ECIS 2010. Retrieved from


84870640582&partnerID=40&md5=3ea7f138589ad75

e30e3416037f674bd

EI



(karsintakriteeri 1). Liittyy Word-of-

Mouthiin yleisesti, ei sosiaalisessa medias-

sa leviävään word-of-mouthiin.

Musial, K. ., Budka, M. ., & Juszczyszyn, K. . (2013).

Creation and growth of online social network: How do

social networks evolve? WORLD WIDE WEB-

INTERNET AND WEB INFORMATION SYSTEMS,

16(4), 421–447.

EI




Novani, S., & Kijima, K. (2013). Efficiency and Effec-

tiveness of C2C Interactions and Mutual Learning for

Value Co-Creation: Agent-Based Simulation Ap-

proach. International Journal of Business and Mana-

gement, 8(9), 50–62.

EI

Käsittelee asiakkaiden vuorovälistä vaiku-

tusta tosielämässä, ei sosiaalisessa mediassa


LIITE 2 (4/5)

Nygren, E. (2011). Simulation of User Participation

and Interaction in Online Discussion Groups. In Priva-

cy, security, risk and trust (passat), 2011 ieee third

international conference on and 2011 ieee third inter-

national conference on social computing (socialcom)

(pp. 1390–1397).

doi:10.1109/PASSAT/SocialCom.2011.83

EI



(karsintakriteeri 1). Käytössä perinteiset

matemaattiset mallit.

Okada, I. (2012). Relationship between Online Word-

of-Mouth Communication and Consumer Behavior. In

System Science (HICSS), 2012 45th Hawaii Interna-

tional Conference on (pp. 1807–1813).

doi:10.1109/HICSS.2012.500

X

Okada, I. ., & Yamamoto, H. . (2011). Effects of in-

formation diffusion in online word-of-mouth commu-

nication among consumers. Journal of Advanced Com-

putational Intelligence and Intelligent Informatics,

15(2), 197–203.

X

Otto, P., & Simon, M. (2008). Dynamic perspectives

on social characteristics and sustainability in online

community networks. System Dynamics Review (Wi-

ley), 24(3), 321–347.

X

Shinoda, Y. ., Ryoke, M. ., Terano, T. ., & Nakamori,

Y. . (2006). Design of a software agent for business

gaming simulation. Journal of Systems Science and

Systems Engineering, 15(1), 83–94.

EI




Sobkowicz, P. ., Kaschesky, M. ., & Bouchard, G. .

(2012). Opinion formation in the social web: Agent-

based simulations of opinion convergence and diver-

gence. Lecture Notes in Computer Science (including

Subseries Lecture Notes in Artificial Intelligence and

Lecture Notes in Bioinformatics), 7103 LNAI, 288–

303.

X

Sobkowicz, P., Kaschesky, M., & Bouchard, G.

(2012). Opinion mining in social media: Modeling,

simulating, and forecasting political opinions in the

web. Government Information Quarterly, 29(4), 470 –

479. doi:http://dx.doi.org/10.1016/j.giq.2012.06.005

X

LIITE 2 (5/5)

Toriumi, F. ., Yamamoto, H. ., & Okada, I. . (2013).

Effects of controllable facilitators on social media:

Simulation analysis using Generalized Metanorms

Games. In Proceedings - 2013 IEEE/WIC/ACM Inter-

national Joint Conference on Web Intelligence and

Intelligent Agent Technology - Workshops, WI-IATW

2013 (Vol. 3, pp. 114–117). Retrieved from


84893250634&partnerID=40&md5=e1ca9ad2a112b07

a538ec7b79fd8d737

X

Toriumi, F., Yamamoto, H., & Okada, I. (2012). Why

Do People Use Social Media? Agent-Based Simulation

and Population Dynamics Analysis of the Evolution of

Cooperation in Social Media. In Proceedings of the

The 2012 IEEE/WIC/ACM International Joint Confer-

ences on Web Intelligence and Intelligent Agent Tech-

nology - Volume 02 (pp. 43–50). Washington, DC,

USA: IEEE Computer Society. doi:10.1109/WI-

IAT.2012.191

X

Wu, J., & Hu, B. (2008). An agent-based simulation

study of the dynamics of mobile viral advertising. In

Simulation Conference, 2008. WSC 2008. Winter (pp.

2953–2953). doi:10.1109/WSC.2008.4736443

EI




Yunpeng Xiao, Bai Wang, Bin Wu, Zhixian Yan,

Shousheng Jia, & Yanbing Liu. (2012). A Hybrid Hu-

man Dynamics Model on Analyzing Hotspots in Social

Networks. Discrete Dynamics in Nature & Society, 1–

13.

EI




Sosiaalisen median liiketoiminnallisen hyödyntämisen ja käytön vaikutusten mittaaminen...

Documents

Transcript of Sosiaalisen median liiketoiminnallisen hyödyntämisen ja käytön vaikutusten mittaaminen...