Tekoäly on siirtynyt markkinoinnissa sisällöntuotannosta analytiikkaan ja mainonnan ohjaukseen, ja muutos palkitsee niitä, joiden data on kunnossa. Syksyn muistilistassamme käytiin läpi Googlen ja MarTech-kentän tärkeimmät uudistukset. Tässä jatko-osassa kokoamme ne yhdeksi kokonaisuudeksi: miten mittauksen perusta, raakadata, attribuutio ja tekoäly kytkeytyvät toisiinsa ja mitä se tarkoittaa mainonnan hallinnoinnille.

Katso aiheesta myös video Analytiikkaa tekoälyn avulla. Siinä käydään läpi Google Tag Managerin päivitys, ETL-työkalut ja data warehouse, Supermetrics Studio, Claude-dashboard ja tekoälyn vaikutus markkinoinnin työhön. 👇

1. Google Tag Manager on nyt myös Google tag

Google Tag Managerin ja Google tagin yhdistäminen on Simo Ahavan mukaan GTM:n suurin muutos yli kymmeneen vuoteen. Kun GTM-kontti päivitetään uuteen, optimoituun tagging-kokemukseen, kontista tulee itsessään Google tag. GA4, Google Ads ja Floodlight lisätään kontin kohteiksi (destinations), ja ne käyttävät yhteisiä asetuksia.

Mitä muutos tarkoittaa käytännössä:

• Nopeampi sivu: Kohteet eivät enää lataa omaa gtag.js-tiedostoaan. Kaikki asetukset kulkevat yhdessä GTM-tiedostossa.
• Uudet Destination-tagit: Google Analytics-, Google Ads- ja Google Floodlight -tagit korvaavat vanhan Google tag -tyypin. Vanha Google tag ja Conversion Linker ovat nyt legacy-tageja.
• Asetukset yhdessä paikassa: Uusi Settings-välilehti kokoaa Google tag -asetukset. Ne ovat GTM-resursseja, joten niillä on versiohistoria ja ne testataan Preview-tilassa ennen julkaisua.
• Consent-ohjaus helpottuu: Uusi “Manage data transmission settings” -asetus voi pidättää Googlen tagien osumat, kunnes suostumus annetaan, ja lähettää ne sen jälkeen. Ahavan mukaan tämä helpottaa Basic Consent Mode -toteutuksia, mutta toimii vain Googlen omilla tageilla.

Näin päivität: GTM:n Overview-sivulla on banneri “Optimize your Tag Manager container”. Ohjattu toiminto lisää muutokset työtilaan, mutta ei julkaise niitä. Testaa Preview-tilassa ennen julkaisua, ja palauta tarvittaessa aiempi versio. Jos konttisi Google tageilla on erilaisia asetuksia, käsittele päivitystä kunnon migraationa: lisää kohteet vaiheittain ja testaa jokainen. Tarkista myös käyttöoikeudet, sillä Google tagin käyttäjät saavat oletuksena lukuoikeuden koko konttiin.

Muistutus: 2.10.2026 alkaen GTM:n gtm.js-pätkät alustuvat kontin latautuessa eivätkä enää odota sivun gtag('config')-komentoja. Jos sivustollasi on yhä tämä yhdistelmä, tarkista toteutus nyt.

Lue lisää: Googlen ohje GTM-kontin optimointiin, Simo Ahavan perusteellinen läpikäynti ja Julius Fedoroviciuksen käytännön opas migraatioon ja testaukseen (Analytics Mania).

2. Datan perusta: oma data omaan varastoon

Tekoäly on vain niin hyvä kuin sen käyttämä data. Siksi olemme kannustaneet kaikkia GA4:n käyttäjiä ottamaan käyttöön GA4:n BigQuery-viennin. GA4:n käyttöliittymä näyttää koosteita, mutta BigQueryyn tallentuu jokainen tapahtuma raakadatana. Historia kertyy vain siitä hetkestä alkaen, kun vienti on päällä, joten aloittaminen kannattaa tehdä heti.

Raakadatan rinnalle voidaan tuoda mainosalustojen kulu- ja kampanjadata sekä tarvittaessa CRM- ja myyntidata. Siirtoon käytetään ETL-työkaluja, kuten Supermetricsiä tai Coupler.io:ta, ja tallennuspaikkana toimii marketing data warehouse / BigQuery. Videolla näytetään, miten tällainen modulaarinen kokonaisuus rakentuu.

Sama logiikka näkyy Googlen omassa suunnassa: Data Manager, laajennetut konversiot ja Google tag gateway vahvistavat ensimmäisen osapuolen dataa, jonka varassa mainosalustojen tekoäly optimoi. Kävimme nämä läpi syksyn muistilistassa.

3. Attribuutiomallit: älä tyydy viimeisen klikkauksen tai mustan laatikon malliin

Attribuutio on se kohta, jossa raakadatan arvo näkyy selvimmin. GA4:n käyttöliittymässä vaihtoehdoiksi ovat jääneet datavetoinen malli (DDA, data driven attribution) ja viimeinen klikkaus. Lineaarinen, aikaan perustuva ja sijaintiin perustuva malli poistuivat jo vuonna 2023. Datavetoinen malli on lisäksi musta laatikko: et näe, miksi kanava sai osuutensa.

Kun käytössä on BigQuery-raakadata, asiakaspolut voi rakentaa itse ja vertailla useita malleja rinnakkain:

• Sääntöpohjaiset mallit: ensimmäinen ja viimeinen kosketus, lineaarinen, aikaan perustuva ja sijaintiin perustuva. Näillä näet nopeasti, miten paljon tulos riippuu mallin valinnasta.
• Markovin malli: Malli käsittelee asiakaspolkuja tilasiirtyminä ja laskee jokaiselle kanavalle poistovaikutuksen (removal effect) eli sen, kuinka paljon konversioita menetetään, jos kanava poistetaan poluilta. Näin kanavan arvo perustuu sen todelliseen rooliin poluilla, ei sen sijaintiin.
• Omat mallit: Malliin voi tuoda oman liiketoiminnan sääntöjä, kuten CRM:n myyntidatan, katetiedot tai offline-konversiot.

Mikä muuttui tekoälyn myötä? Vielä muutama vuosi sitten Markov-mallin rakentaminen vaati data-analyytikon viikkoja SQL- ja Python-työtä. Nyt tekoäly kirjoittaa SQL-kyselyt polkujen muodostamiseen, rakentaa mallin, selittää tulokset ja päivittää analyysin säännöllisesti. BigQueryn kustannus on pienillä ja keskisuurilla sivustoilla tyypillisesti vain muutamia euroja kuukaudessa. Asiantuntijaa tarvitaan edelleen tarkistamaan, että data ja malli ovat oikein, mutta kehitystyö on muuttunut nopeaksi ja kustannustehokkaaksi.

Attribuutiomallit kertovat, miten kanavat jakavat kunnian konversioista. Inkrementaalisuutta eli mainonnan todellista lisävaikutusta ne eivät todista. Siihen tarvitaan koeasetelmia, kuten geokokeita ja MTA- tai MMM-mallinnusta, joista olemme kertoneet aiemmin. Paras kokonaiskuva syntyy, kun näitä käytetään rinnakkain.

4. Analytiikka-agentit: staattisesta dashboardista keskustelevaan analytiikkaan ja suoriin toimenpide-ehdotuksiin

Raportoinnin painopiste siirtyy kysymyksestä “mitä tapahtui” kysymykseen “mitä seuraavaksi kannattaa tehdä“? Olemme siirtäneet usean asiakkaan raportoinnin pois staattisista dashboardeista. Tekoäly analysoi eri lähteistä tulevaa dataa ja antaa konkreettisia muutosehdotuksia. Videolla näytetään esimerkkinä Claude-dashboard ja muita automatisointeja.

Coupler.io:n vuonna 2025 tekemässä kyselyssä 149 markkinoinnin ammattilaiselle kysyttiin, mihin markkinoinnin haasteisiin tekoäly jo vastaa:

Analytiikka-agentit valvovat myös itse datan laatua. Jos konversio laukeaa kahdesti tai suostumustila ei välity oikein, mainosalustojen algoritmit optimoivat väärien signaalien pohjalta. Ilman luotettavaa seurantakerrosta tekoäly ei korjaa huonoa dataa, vaan teollistaa organisaation virheet.

5. Mainonnan optimointi ja automatisointi: mahdollisuus mainostajalle, haaste mediatoimistolle

Kun data, attribuutio ja analyysi ovat kunnossa, seuraava askel on itse mainonnan ohjaus. Tekoäly pystyy jo nyt seuraamaan kampanjoita jatkuvasti, tunnistamaan heikosti suoriutuvat mainosryhmät, ehdottamaan budjettisiirtoja kanavien välillä ja testaamaan uusia mainosvariaatioita.

Mainostajalle tämä tarkoittaa:

• nopeampia päätöksiä, kun budjettia ei tarvitse siirtää vasta kuukausiraportin jälkeen
• optimointia oman liiketoiminnan mittareilla, kuten katteella tai liidien laadulla, eikä pelkällä alustan raportoimalla ROASilla
• enemmän tehoa samalla mediabudjetilla, kun manuaalinen rutiinityö vähenee

Mediatoimistoille muutos on haaste. Ansaintamalli, joka perustuu kampanjoiden manuaaliseen ylläpitoon ja kuukausiraportointiin, käy nopeasti vanhaksi. Mainostajat alkavat kysyä, miksi rutiinityöstä maksetaan, kun tekoäly hoitaa sen jatkuvasti ja läpinäkyvämmin. Toimistot, jotka eivät uudista toimintatapojaan, jäävät jalkoihin. Arvo siirtyy strategiaan, datan laatuun, luovaan työhön ja tekoälyn ohjaamiseen.

Automaatio ei poista ihmisen roolia. Joku määrittelee tavoitteet, valvoo datan laatua ja päättää, mitä tekoälyn ehdotuksista toteutetaan.

6. Mertanen Analytics: mittauksesta mainonnan hallinnointiin

Mertanen Analytics laajentaa palvelujaan: jatkossa tarjoamme yhä enemmän digitaalisen mainonnan hallinnointia ja optimointia tekoälyn avulla. Kokonaisuus rakentuu samoista palasista kuin tämä kirjoitus:

1. Luotettava seuranta: GTM, server-side-mittaus, Consent Mode ja ensimmäisen osapuolen data kuntoon
2. Oma data: GA4:n raakadata ja mainosalustojen data BigQueryyn
3. Attribuutio: Markov-malli ja muut mallit kertomaan, mitkä kanavat todella tuottavat
4. Tekoälyanalyysi: jatkuva analyysi ja konkreettiset toimenpide-ehdotukset
5. Mainonnan optimointi: tekoälyavusteinen kampanjoiden hallinnointi, jossa asiantuntija tekee päätökset

Haluatko tietää, miten tämä toimisi teidän datallanne? Ota yhteyttä, niin käydään mittausasetukset ja mahdollisuudet läpi.

Tule kuulemaan lisää: Tekoälyn aikakausi 4.11.2026

IAB Finlandin seminaari Tekoälyn aikakausi pureutuu siihen, mitä tekoäly tarkoittaa markkinoinnin ammattilaisen työssä. Petri Mertanen on mukana paneelissa Havaintoja tekoälyn käytöstä käytännössä yhdessä IAB Finlandin Data & Martech -työryhmän jäsenten kanssa.

• Milloin: keskiviikkona 4.11.2026 klo 13.00–16.30, striimi klo 13.30–15.45
• Missä: Finnkino Tennispalatsi, Helsinki, tai verkossa
• Hinta: striimi maksuton kaikille, paikan päällä IAB:n jäsenille maksuton, muille 59 € + alv

Lähteet ja lisälukemista

• Analytiikkaa tekoälyn avulla – Mertanen Analytics, YouTube
• Syksyn 2026 markkinoinnin analytiikan ja verkkokaupan muistilista – Mertanen Analytics
• Optimize your Google Tag Manager container – Google Tag Manager Help
• Optimized Tagging Experience For Google Tag Manager – Simo Ahava
• Major Google Tag Manager Update: Optimized Tagging Experience – Julius Fedorovicius, Analytics Mania
• AI-Driven Marketing Strategy – Coupler.io
• Tekoälyn aikakausi – IAB Finland