Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

Analytiikka bisneksessä

835 vues

Publié le

Materiaali 26.10.2015 pidetylle Aalto-yliopiston kauppakorkeakoulun analytiikan kurssille aiheesta "Analytiikka bisneksessä". Luento käy korkealla tasolla läpi keskeisiä tai muuten vain pinnalla olevia aiheita analytiikasta ja Big Datasta. Tärkeimpiä viestejä ovat:

- Analytiikan ja analyytikon tehtävänä on ratkoa bisnesongelmia
- Big Data tuo analytiikan hyvin erityisiä ominaisuuksia, joita ei esiinny pienemmässä mittakaavassa. Näiden ominaisuuksien ymmärtäminen on kriittistä analytiikan onnistumiselle
- Analytiikan käyttöönotto on enemmän kiinni ihmisistä kuin teknologiasta
- Data ja analytiikka on nykyisin keskeinen omistuserä monille yrityksille. Siksi datalle ja analytiikalle pitää muodostaa oma strategiansa ja sitä hallita kuten mitä tahansa bisneskriittistä pääomaa.

Publié dans : Données & analyses
  • Soyez le premier à commenter

Analytiikka bisneksessä

  1. 1. ANALYTIIKKA BISNEKSESSÄ NIKO VUOKKO, SHARPER SHAPE 26.10. 2015
  2. 2. MITÄ ON ANALYTIIKKA?
  3. 3. MITÄ ON ANALYTIIKKA? Analytiikka on bisneksen silmät • ”Näytä mihin astun” • ”Auta päättämään mihin haluan mennä” • Analytiikka on digitalisaation ydin ”Software is eating the world” – tämä on vasta alkanut…
  4. 4. MISSÄ ANALYTIIKKA TOIMII? Jokaisella yrityksen osastolla: • Tehtaasta logistiikkaan • Markkinoinnista HR:ään Jokaisella yhteiskunnan alueella: • Ammattilaisurheilusta lääketutkimukseen • Mobiilipeleistä maanjäristysten paikannukseen • Vaateliikkeen hyllyistä rikostutkintaan
  5. 5. ESIMERKKI: FREEMIUM-PELIN ANALYTIIKKA ”Tarjotaan tätä ostoa tälle pelaajalle juuri tähän kellonaikaan, tähän hintaan, tässä paikassa, tässä pelitilanteessa, tällä sanamuodolla ja animaatiolla, tässä kohtaa ruutua” Ai miksi? ”No koska samassa paikassa eilen yhtä toista peliä pelannut saksankielinen, mutta kanadalaiseksi itseään väittävä 23-vuotias Pokemoneja harrastava TTY:n opiskelija kävi Espanjassa kuukausi sitten, käyttää Facebookia paljon juuri lauantaisin, on aika nopea mutta samoja kielivirheitä toistava kirjoittaja ja tarkistaa usein pelin kaveritilastoja, joissa viettää keskimäärin 2.3 sekuntia kerralla”
  6. 6. MITÄ ON BIG DATA? Suurta ja monimutkaista • Teknologiapohja ja laskentateho mahdollistaa hyvin heikkojen signaalien arvioinnin hyvin suuresta datasta • Big Data on välttämätöntä kaikkein arvokkaimmille analytiikkaratkaisuille • Osaajia ei ole tarpeeksi luomaan kaikkea analytiikkaa, johon pystyisimme • Tämä epäsuhta selittää hypen ja Big Datan nopean nousun esille
  7. 7. ANALYTIIKAN MENETELMÄT
  8. 8. DATAN LAATU Big Data on: • Suurta  harvinaisetkin ilmiöt toteutuvat usein • Monimutkaista  dataa ja sen laatua vaikeaa arvioida • Kasvavaa  ei aikaa pysähtyä Analytiikan onnistuminen riippuu suoraan datan laadusta ja kyvystä hallita sitä Bisneksen onnistuminen riippuu analytiikan onnistumisesta
  9. 9. DATAN LAATU • Dataa yhdistellään hyvin erilaisista lähteistä • Muuttujan määritelmä riippuu siitä, keneltä kysytään ja mistä luetaan • Datakehitys ripeää ja nykytilanteen hahmotus siksi hankalaa • Uutta dataa haalitaan laadun kustannuksella • Poikkeusten, virheiden ja hyppyjen havaitseminen suuresta massasta vaikeaa
  10. 10. DATAN LAATU Dokumentaation puute tai sen virheet (usein väärä yksinkertaistus) Muuttujan merkityksen muutos Uudet muuttujat, vanhojen katoaminen Väärät tai vaihtelevat yksiköt Puuttuvat arvot Teksti ja numerot sekaisin Käsittämättömät aikaleimat Tilapäiset, vaihtuvat, kopioituneet ID:t ilman vastineita Rikkinäiset ID:t Korruptoituneet kentät Valehtelu ja petos
  11. 11. OIKEAN TAVOITTEEN VALINTA Analytiikan tavoitteet eivät muodostu tyhjiössä: • Bisnestavoitteet • Virheiden kustannukset • Datan ominaisuudet • Jokaisella analytiikalla on onnistumisen mittari • Esimerkki: Millä mittarilla etsitään asiakkaiden lupaavinta promillea? • Paras mittari on bisnesarvo: raha, strateginen edistys, yhteiskunnallinen vaikutus
  12. 12. OIKEAN LAADUN VALINTA Virheiden kustannukset ovat tapauskohtaisia: • Maanjäristyksen riskiarviointi • Lääkemolekyylin lupaavuus vs. potilasturvallisuus • Asiakkaalle epämiellyttävän tuote-ehdotuksen teko • Asiakkaan jo ostaman tuotteen ehdottaminen • Kaasuturbiinin virheellinen säätö Analytiikka elää tasapainossa hyötyjen ja haittojen keskellä
  13. 13. SOVELLUKSIA: OHJAAMATON OPPIMINEN • Varhainen konerikon tai tietomurron havaitseminen • Kuluttajan yksityiskohtaisen elokuvamaun määrittely • Yhteisöjen ja nousevien aiheiden tunnistaminen sosiaalisessa verkossa • Hakukone • Zombie-epidemian mallintaminen
  14. 14. SOVELLUKSIA: LÄHDE-EROTTELU • Kielen mallinnus • Aivotutkimus • Ilmastonmuutoksen syiden tunnistaminen • Teollisuusprosessin dynamiikan hallinta • Riskitunnistus itseajavassa autossa
  15. 15. SOVELLUKSIA: OHJATTU OPPIMINEN • Roskapostin tunnistus • Betonin lujuuden säätö • Parhaan mainoksen ja sen hinnan valinta kuluttajalle Puoliohjattu oppiminen • Hahmontunnistus videokuvasta • Mielipideanalyysi webbifoorumeilta
  16. 16. EKSPONENTTILAIT • Koulu opettaa meille, että kaikki seuraa normaalijakaumaa • Todellisuudessa hyvin moni data seuraa eksponenttilakia – ”the long tail” Maailma on täynnä eksponenttilakeja: Asiakkaiden arvo ja aktiivisuus Aivotoiminta Maanjäristysten voimakkuus Varallisuuden jako Hiekanjyvien koko Ihmisten sosiaalinen käytös Jokien pituus Osakepörssien aktiivisuus ja heilahtelu Sähköinen kohina Kaupunkien koko Ihmiset eivät käyttäydy niin kuin kuvittelet
  17. 17. EKSPONENTTILAIT • ”Kenellä on, sille annetaan”  suuret verkostovaikutukset • Esimerkki: nettisivuille linkitetään suhteessa niiden suosioon • Esimerkki: tunnetut näyttelijät saavat enemmän rooleja • Äärimmäisen vino jakauma: valtava huippu, mutta lähes kaikki pohjalla • Keskiarvot ovat rikollisen huonoja mittareita • Useimmat analyyttiset menetelmät sekoavat tästä täysin • Eksponenttikäyrän eri osat käyttäytyvät hyvin eri tavoin
  18. 18. Tyypillisen freemium-pelin tuotot/aktiivisuus/tms. per pelaaja näyttävät tältä Poistetaan tästä ensin ei-maksavat käyttäjät
  19. 19. … mutta tulos ei olekaan tämä normaalijakauma …
  20. 20. … vaan näyttää itse asiassa tältä Valtavat huippuarvot, mutta lähes kaikki ovat pohjalla
  21. 21. Käyrä seuraa eksponenttilakia Logaritmiakselit tuovat esille suoran viivan
  22. 22. Toinen esimerkki Käyttäjämäärä Tuotot per käyttäjä
  23. 23. TILASTOLLINEN MERKITSEVYYS Big Data on • Suurta  mikä tahansa erikoinen ilmiö löytyy kun etsii • Monimutkaista  mahdollisuus tehdä runsaasti monimutkaisia kysymyksiä Ihmiset ovat tavattoman huonoja tulkitsemaan tilastoja Sinä et ole poikkeus Big Data tarjoaa täydellisen ympäristön tämän todistamiseen
  24. 24. TILASTOLLINEN MERKITSEVYYS • Päättäjä: ”Voinko luottaa näihin numeroihin? Onko päätökseni perusteltu?” • Tilastollinen merkitsevyys on eri asia kuin tosimaailman merkitsevyys • Järjestelmien pitää toimia varman päälle riskien suhteen • Luottamus analytiikkaan rakentuu hitaasti, mutta romahtaa nopeasti
  25. 25. TILASTOLLINEN MERKITSEVYYS Merkitsevyysarvion luotettavuudelle on kriittistä: • Datalähteen ja haetun ilmiön mallinnuksen oikeellisuus • Etsityn ilmiön rajaaminen tiukasti etukäteen Esimerkki bioinformatiikasta: • Geenien toiminta ei ole normaalijakautunutta kohinaa • Testattavana on samanaikaisesti tuhansia eri geenejä ja olosuhteita • Eri tapoja etsiä poikkeuksia on tuhansia
  26. 26. KORRELAATIO JA SYY-SEURAUSSUHDE • Korrelaatio ei ole syy-seuraussuhde • Mutta analytiikassa korrelaatio usein riittää • Korrelaatio voi kätkeä mielivaltaisen totuuden • Tulipaloja syttyy enemmän kun palomiehiä on enemmän • Enemmän markkinointiin investoivilla yhtiöillä on suurempi liikevaihto
  27. 27. ANALYYTTINEN TESTAUS • Automaattinen analytiikka mullistaa tiedonkeruun ja innovoinnin • Ei vain teknologiaa vaan ideologiaa • ”Miten muotoilemme käyttöliittymän logiikan ja palikat?” • ”Kumpi algoritmi tuottaa käyttäjien mielestä parempia tuloksia?” • ”Millä hinnoittelustrategialla saamme maksimoitua lennon tuoton?” • Lähtökohtana A/B-testaus • Modernina rakenteena bandit-testaus
  28. 28. METAILUA ANALYTIIKASTA
  29. 29. MITKÄ OVAT TÄRKEITÄ METRIIKOITA? Älä valitse metriikoita vaan bisnesongelmia • Näkyvä muutos metriikoissa  näkyvä muutos bisneksessä • Bisnesongelmat muuttuvat ja vaihtuvat jatkuvasti • Internet ei kerro sinulle ongelmaasi Ongelmien ymmärtäminen ei riitä, analytiikan tulee tarjota keinot ratkaisuun
  30. 30. ESIMERKKI: KAKSI MOBIILISOVELLUSTA Uusi sovellus • Tehokkain käyttäjien hankintakanava? • Tehokkain orgaanisen kasvun keino? • Miten korjata uusien käyttäjien alkukokemus? • Mitä ominaisuuksia ei käytetä? • Tehdäänkö ”erikoistarjous” 2 vai 5 päivän jälkeen? Vakiintunut sovellus • Mikä käyttäjäsegmentti on vielä ammentamatta? • Mikä saa käyttäjät lähtemään? • Millainen sisältö on parasta monetisoinnille? • Onko käyttäjiä, jotka ovat saturoituneet nykysisällölle?
  31. 31. ANALYYTIKON TEHTÄVÄ Ei tiedon, vaan bisneksen mallintaminen • Analyytikko muuntaa bisnesongelmia dataratkaisuiksi • Maailma on täynnä ongelmia ja analytiikka täynnä ratkaisuja • Miten rakennetaan siltoja puolelta toiselle?
  32. 32. MITÄ TAITOJA DATA SCIENCE VAATII? • Todennäköisyysmatematiikka • Ohjelmointi ja skriptaus • Laskentatieteet • Datajärjestelmät • Kyky kiertää ongelmia ja hallita monimutkaisuutta • Intuitio (nopeasti poista väärät + valitse oikea lähestymistapa) • Kyky nähdä yksityiskohdat, mutta luoda yleiskuva • Bisnes-ymmärrys
  33. 33. OPERATIIVINEN ANALYTIIKKA • Yleensä analytiikka nähdään kivoina kuvina kalvoilla ja nettisivuilla • Analytiikan vaikutus ja hyöty 1000x, kun se automoidaan osaksi operaatioita • Operatiivinen analytiikka analysoi ja reagoi dataan jatkuvasti, ympäri kellon, ilman ihmisiä
  34. 34. OPERATIIVINEN ANALYTIIKKA: ESIMERKKEJÄ • Markkinointi ei tutki mainonnan vaikutuksia, vaan kone automaattisesti ennustaa ja painottaa budjetin uusiksi joka hetki • Tuotantoketju tasapainottuu satojen yksiköiden ja tuhansien SKU:iden välillä automaattisesti • Kone ei vain tarjoa tietoa potilaan tilasta, vaan jatkuvasti arvioi mahdollisten komplikaatioiden todennäköisyyttä ja ehdottaa lisätoimenpiteitä
  35. 35. OPERATIIVISEN ANALYTIIKAN HAASTEET • Analytiikan automaattinen käyttö on 10x vaikeampaa • Valtavat vaatimukset datan laadulle, algoritmien tarkalle ymmärtämiselle ja järjestelmien luotettavuudelle • ”Outo” data ei saa aiheuttaa ”pahoja” reaktioita • Datan saatavuus on bisneskriittistä • Analytiikan saatavuus on bisneskriittistä • Analytiikan luotettavuus on bisneskriittistä
  36. 36. MITÄ ON REAALIAIKAINEN ANALYTIIKKA? • Analyytikko: ”Mikä on käyttäjien määrä tänään? Lähteittäin? Entä nyt? Ranskassa?” • Järjestelmänvalvoja: ”Verkkoliikenteessä erikoinen piikki viime 10 sekunnin aikana, miksi?” • Mainospörssi: ”Mitä tarjoat tästä mainostilasta? Sinulla on 50 ms” • Moottorikontrolleri: ”Näiden 12 sensorin data viimeisen 10 mikrosekunnin ajalta kertoo, että minun tulee käskeä ohjaimia muuttamaan toimintaansa”
  37. 37. TARVITSEEKO ANALYTIIKAN OLLA MONIMUTKAISTA? • Keskiverto yrityksellä on valtavasti ongelmia, jotka voi ratkoa hyvin yksinkertaisella analytiikalla • Näiden ratkominen ja automointi on monien vuosien työ • Laajemman automaattisen analytiikan kehittäminen vie paljon pitempään kuin kukaan alkuun kuvittelee • Monimutkaisen analytiikan kehittäminen turhaa, jos taustalla olevia perusasioita ei kunnolla hallita
  38. 38. ANALYTIIKAN KÄYTTÖLIITTYMÄ Analytiikkaa ei oteta käyttöön, ellei se tee käyttäjiensä työstä helpompaa, laadukkaampaa ja tehokkaampaa Visualisointi on kriittistä sekä hyödylle että hyväksynnälle organisaatiossa, konseptoinnista lopputuloksiin asti Pääosa analytiikan investoinneista kuluu toimivan käyttöliittymän tarjoamiseen
  39. 39. ANALYTIIKAN KÄYTTÖLIITTYMÄ • ”Mitä tietoa näiden käyttäjien tulee nähdä?” • ”Mitä tietoa tämä päätöksenteko tarvitsee?” • ”Miten esittää tieto selkeästi, mutta kaiken oleellisen näyttäen?” • ”Miten esittää tieto niin, että siitä ei voi tehdä virheellisiä tulkintoja?”
  40. 40. YLEISET ONGELMAT ANALYTIIKAN KÄYTÖSSÄ • Vähäinen huomio datan laatuun ja sen kompensointiin • Metriikoiden huono ymmärrys ja valinta • Metriikoiden virheellinen tulkinta • Väärä yksinkertaistus (esim. keskiarvojen käyttö) • Merkitsevyyden unohtaminen • Virhelähteiden puutteellinen tunnistaminen • Puutteelliset alkuperäiset tavoitteet • Keskeinen data puuttuu (joskus hyvin vaikeaa korjata) • Löydöt jäävät infotasolle, niitä ei automoida osaksi operaatioita • Liian monimutkaisen tekeminen
  41. 41. DATA
  42. 42. KONEDATA JA IHMISTEN LUOMA DATA Ihmisten luomaa dataa: • 6K twiittiä / s • 40K tapahtumaa / s mobiilipelistä (~200 Gt / pv) • 50K Google-hakua / s Konedataa: • 5M tarjousta / s USA:n optiomarkkinoilla • 120 Mt / s diagnostiikkaa kaasuturbiinista • 1 Pt / s törmäyshetkellä CERNin LHC-kiihdyttimestä
  43. 43. KONEDATA JA IHMISTEN LUOMA DATA • Ihmisten luoma data tulee kasvamaan, mutta pääosin yksityiskohtaisuudeltaan • Lähes kaikki ihmisten luoma data on ”pientä” • Konedataa on valtavasti ja vain tallennuskapasiteetti rajoittaa sen kasvua • Konedatan kerääminen mullistuu asioiden internetin myötä entisestään
  44. 44. DATA VERSUS ALGORITMI • ”Yksinkertaiset mallit ja enemmän dataa voittavat vähempään dataan perustuvat monimutkaisemmat mallit” – Peter Norvig Perusteita: • Lisää muuttujia laskee vinoumaa, lisää datapisteitä laskee varianssia • Yksinkertaiset metodit helpompia hallita, erityisesti operaatioissa • Laskenta-ajalla on merkitystä suuressa skaalassa Viime aikoina sääntöön on ilmestynyt poikkeus
  45. 45. ”DEEP LEARNING” – SYVÄT NEUROVERKOT • Pohjimmiltaan vain hyvin monikerroksinen tavanomainen neuroverkko • Pitkä sarja pieniä läpimurtoja nostaneet menetelmän valtavan tehokkaaksi • Poikkeus, missä ”valtavasti dataa ja monimutkainen malli” voittaa Erityisominaisuuksia: • Toimii erityisesti jatkuvarakenteiselle datalle (aikasarjat, kuvat, ääni) • Automoi pois osan tarpeesta ymmärtää datan ominaisuuksia • Vaatii valtavat määrät sekä dataa että laskentaa • Hyvä alusta ohjatun ja ohjaamattoman oppimisen yhdistämiseen
  46. 46. ESIMERKKI: GOOGLENET • 27 kerrosta, 5M parametria, näitä verkkoja 7 rinnan • Oppiminen vaatii viikon (nopeaa) GPU-aikaa • Kuvantunnistus ihmisen tasolla Husky vs. Malamuutti
  47. 47. DATAJÄRJESTELMÄT
  48. 48. DATAJÄRJESTELMÄT MURROKSESSA • Vanhat järjestelmät soveltuvat transaktioihin, ei analytiikkaan • Erilainen data ja erilainen tarkoitus tarvitsevat hyvin erilaisen järjestelmän Datan pitää olla • heti saatavilla ympäri maailmaa • käytettävissä laajasti ja samanaikaisesti • vapaasti yhdisteltävissä
  49. 49. UUDET DATAJÄRJESTELMÄT – HADOOP • Hadoop toi halvan, luotettavan datan tallennuksen ja kyvyn edes teoreettisesti käsitellä valtavaa dataa • Ei ole yhtä Hadoopia – vain yleinen heterogeenisen laskennan alusta ja kokoelma järjestelmiä ja sovelluksia Hadoop on oikea vastaus vain hyvin harvoille
  50. 50. ESIMERKKI – FACEBOOKIN ANALYTIIKKA-HADOOP 300 Pt 600 Tt / päivä
  51. 51. UUDET DATAJÄRJESTELMÄT - PILVI Vanhat tavat säilöä ja käyttää dataa sopivat huonosti uusiin tarpeisiin Pilvi ratkaisee monia ongelmia • Luotettavuus ja säilyvyys • Skaalautuvuus, hajautus, samanaikaisuus • Sama yksinkertainen saatavuus kaikkialta Pilvi on ainoa oikea ratkaisu lähes kaikille
  52. 52. UUDET DATAJÄRJESTELMÄT – DATA ON JATKUVAA • Ennen data nähtiin staattisena tilana, jota päivitettiin • Nyt data nähdään jatkuvana virtana yksittäisiä muutoksia • Mikään data ei ikinä katoa, se vain kertyy Data pitää analysoidaan sitä mukaa kuin se tulee Datan ”parasta ennen”-päiväys aikaistuu: • ”Miksi katsoa kuukauden vanhaa dataa, kun sitä tulee tänään 10 gigaa lisää?” • ”Eilisen data pitää hyödyntää nyt ennen kuin se on turhaa”
  53. 53. ASIOIDEN INTERNET • Ymmärrämme elinympäristöämme lopulta aika vähän • Asioiden internet muuttaa tämän niin ihmisille kuin koneille • Suunnaton määrä hyvin monimutkaista dataa • Mahdollisuudet ovat valtavat, mutta vielä epäselvät • Teknologia on olemassa, mutta ei vielä kypsää • Kuka analysoi ja tuo käyttöön kaiken tämän datan?
  54. 54. ANALYTIIKKA BISNEKSESSÄ
  55. 55. MITÄ BIG DATA TARKOITTAA BISNEKSELLE? Asioiden arvoa ei mitata vain rahassa, vaan myös datassa • Maksavat asiakkaat ovat aina pieni vähemmistö • Ei-maksavat asiakkaat tuottavat elintärkeää dataa Esimerkki: Google tekee $15B voittoa, vaikka tarjoaa kaikille ”ilmaisen” sähköpostin, Officen, pilvitallennuksen, videokirjaston, hakukoneen, jne.
  56. 56. ANALYTIIKAN KÄYTÖN ASKELEET 1. Hallitsematonta – kaoottista, rikkinäistä dataa, ad-hoc käyttö 2. Reaktiivista – Paikallisia käyttötarpeita, tieto ei siirry 3. Hallittua – Strategian mukaista, suunniteltua 4. Osaamisen ydin – Datan käyttö on kaiken toiminnan ytimessä 5. Strategista – Datalle on oma strategia, sen arvoa ja investointeja suunnitellaan ylimmillä tasoilla
  57. 57. ANALYTIIKKA JA YRITYSKULTTUURI Suurin haaste analytiikan käytössä ei ole teknologia vaan ihmiset • Miten saada organisaatio luottamaan dataan eikä statukseen, konsensukseen, kokemukseen, intuitioon tai ennakkoluuloihin? • Miten saada organisaatio vaatimaan dataa ja kyseenalaistamaan vanhat totuudet? • Muutoksen täytyy lähteä huipulta, muutosten taas pohjalta • Yhteistyö analytiikan osaajien ja osaamattomien välillä auttaa tukemaan muutosta • Hyödyt vaativat suuren esipanoksen  kärkihankkeet tärkeitä
  58. 58. ANALYTIIKKA JA YRITYSORGANISAATIO • Miten rakentaa organisaatio ja sen prosessit hyödyntämään dataa joka vaiheessa? • Dataa ja korkean tason analytiikkaosaamista on kriittistä hallita ja kehittää keskitetysti • Vaihtoehto 1: Voimakas keskitetty osaaminen yhteistyössä bisnesyksiköiden kanssa • Vaihtoehto 2: Keskitetty yksikkö tarjoaa teknologiaa ja erikoisosaamista bisnesyksiköihin hajautetuille analyytikoille, joilla bisnestuntemus
  59. 59. DATASTRATEGIA Data on pääomaa • Mikä on datan capex, arvon alenema ja kuoletus? • Miten investoidaan datapääomaan? • Miten data muunnetaan tuloiksi? • Voiko dataa ostaa ja myydä? • Miten datapääoma kirjataan? • Keskeinen teknologia tarvitsee strategian, mikä on datastrategia?
  60. 60. ANALYTIIKKA JA YRITYSSTRATEGIA ”Mitä peliä pelaamme?” • Oikea analytiikka tuo merkittäviä kilpailuetuja • Monet rakentavat strategiansa sen datan varaan, johon heillä on yksinoikeus ”Miten pidämme kirjaa pistetilanteesta?” • Analytiikalla arvioidaan yritysstrategian menestystä • Analytiikka ei vain kerro pistetilannetta vaan keinot sen parantamiseen
  61. 61. YHTEENVETO
  62. 62. KIITOS! Ota yhteyttä: niko.vuokko@gmail.com, linkedin.com/in/nikovuokko

×