Kannattaako hälytysjärjestelmä? Bayesilainen ROI-analyysi Siilinjärven datalla

data science

bayesilainen analyysi

riskianalyysi

avoin data

Sector Alarm kävi ovellani. Sen sijaan että olisin kuunnellut myyntipuheen, tein asiasta oman analyysin: Tilastokeskuksen rikosdata + bayesilainen malli + ROI-laskenta. Maailma on jakauma – myös murtoriski.

Author

Kristian Vepsäläinen

Published

April 28, 2026

Tausta: myyjä ovella, analyytikko kotona

Sector Alarmin edustaja kävi tänään ovellani Siilinjärvellä. Myyntipuhe oli tutun kaavamainen: “Asuntomurtoja tapahtuu, naapureille on käynyt, turvajärjestelmä maksaa itsensä takaisin.”

Myyjä ei esittänyt yhtään lukua. Minä sen sijaan tein.

Tässä postauksessa:

Selvitän, kuinka tarkkaa julkista rikostilastodataa Suomesta on saatavilla
Rakennan bayesilaisen mallin murron todennäköisyydelle omalle kotiosoitteelleni
Lasken hälytysjärjestelmän ROI:n – ei yhtenä pistearvona vaan jakaumana
Teen päätöksen datan perusteella

Maailma on jakauma. Myös murtoriski on jakauma – ei yksittäinen prosenttiluku.

Mitä julkista rikostilastodataa on saatavilla?

Tämä on ensimmäinen asia, jota myyjä ei kertonut: Suomen rikostilastot ovat julkista dataa, ja ne kattavat useita eritasoisia tarkasteluja.

Lähde	Tarkkuus	Saatavuus	Kommentti
Tilastokeskus StatFin	Kuntatasolla	Ilmainen API	Paras kattavuus, viive ~6 kk
Poliisi.fi tilastot	Kunta + poliisilaitosalueet	Avoin, kuukausittain	Nopein päivitys
Poliisibarometri	Kansallinen	Raportti	Koettu turvallisuus
PAAVO-postinumerodata	Postinumeroalue	Avoin API	Ei rikostietoja, mutta sosioekonominen profiili

Kriittinen havainto: Postinumeroaluetason rikostilastoja ei ole julkisesti saatavilla Suomessa. Tarkin julkinen taso on kunta. Tämä on merkittävä tietovaje – ja samalla myyjien käyttämä harhaanjohtamisen väline: he eivät pysty osoittamaan, että juuri postinumerosni 71800 on erityisen riskialtis.

Priori: mitä tiedämme ennen omaa analyysiä?

Kansalliset perustilastot

Code

# Tilastokeskus 2024: asuntomurtoja vakinaisiin asuntoihin ~3 200 kpl
# Vapaa-ajan asuntomurtoja 838 kpl
# Lähde: Tilastokeskus, Rikos- ja pakkokeinotilasto 2024

luvut <- tibble(
  kategoria = c("Vakinaiset asunnot", "Vapaa-ajan asunnot", "Myymälävarkaudet"),
  maara_2024 = c(3200, 838, 63000),
  muutos_pct = c(-5, +11.4, +5.1)
)

# Suomen asuntokunnat ~2024: n. 2 730 000
asuntokuntia_fi <- 2730000

# Perusriski koko Suomessa
p_fi <- luvut$maara_2024[1] / asuntokuntia_fi

cat(sprintf("Perusriski (koko Suomi): %.4f eli %.2f‰ asuntoa kohden vuodessa\n",
            p_fi, p_fi * 1000))

Perusriski (koko Suomi): 0.0012 eli 1.17‰ asuntoa kohden vuodessa

Code

cat(sprintf("Tai: 1 murto per %.0f vuotta keskimääräisessä asunnossa\n", 1/p_fi))

Tai: 1 murto per 853 vuotta keskimääräisessä asunnossa

Kansallinen perusriski on noin 1,2 murtoa tuhatta asuntoa kohden vuodessa, eli keskimääräiseen asuntoon murtaudutaan kerran noin 850 vuodessa. Kuulostaa pieneltä – mutta tämä on vain lähtökohta.

Riskikertoimet: en ole keskimääräinen

Bayesilainen analyysi alkaa priorista, jota päivitetään kohdekohtaisella tiedolla. Kertoimet perustuvat tutkimuskirjallisuuteen ja Poliisiammattikorkeakoulun tilastoihin:

Code

riskitekijat <- tibble(
  tekija = c(
    "Aluetyyppi (maaseutumainen pikkukaupunki vs. Helsinki)",
    "Talotyyppi (paritalo vs. kerrostalo)",
    "Asuinalue (rauhallinen omakotialue)",
    "Etätyö: ainakin joku kotona useimpina arkipäivinä",
    "Kaksi etätyöläistä taloudessa",
    "Ei kalliita ajoneuvoja pihassa näkyvillä",
    "Vauva taloudessa (satunnainen pimeys/valot)"
  ),
  kerroin = c(0.55, 0.70, 0.80, 0.60, 0.85, 0.90, 1.05),
  lahde = c(
    "Poliisi.fi aluedata, Itä-Suomi vs. pääkaupunkiseutu",
    "Poliisiammattikorkeakoulu 2016: kerrostalo 36% murroista",
    "Verisure/tutkimuskirjallisuus: 'awareness space'",
    "Kriminologinen tutkimus: tyhjillään olo = riski",
    "Kaksi etätyöläistä = harvoin täysin tyhjä",
    "Arvioperusteinen",
    "Ennustamaton asumistila = pieni lisä"
  )
)

riskitekijat |>
  mutate(kerroin_fmt = sprintf("× %.2f", kerroin)) |>
  select(tekija, kerroin_fmt, lahde) |>
  knitr::kable(
    col.names = c("Riskitekijä", "Kerroin", "Lähde/perustelu"),
    caption = "Kohdekohtaiset riskikertoimet suhteessa kansalliseen keskiarvoon"
  )

Kohdekohtaiset riskikertoimet suhteessa kansalliseen keskiarvoon
Riskitekijä	Kerroin	Lähde/perustelu
Aluetyyppi (maaseutumainen pikkukaupunki vs. Helsinki)	× 0.55	Poliisi.fi aluedata, Itä-Suomi vs. pääkaupunkiseutu
Talotyyppi (paritalo vs. kerrostalo)	× 0.70	Poliisiammattikorkeakoulu 2016: kerrostalo 36% murroista
Asuinalue (rauhallinen omakotialue)	× 0.80	Verisure/tutkimuskirjallisuus: ‘awareness space’
Etätyö: ainakin joku kotona useimpina arkipäivinä	× 0.60	Kriminologinen tutkimus: tyhjillään olo = riski
Kaksi etätyöläistä taloudessa	× 0.85	Kaksi etätyöläistä = harvoin täysin tyhjä
Ei kalliita ajoneuvoja pihassa näkyvillä	× 0.90	Arvioperusteinen
Vauva taloudessa (satunnainen pimeys/valot)	× 1.05	Ennustamaton asumistila = pieni lisä

Code

# Kokonaiskertoimien tulo
kertoimet <- riskitekijat$kerroin
k_tulo <- prod(kertoimet)

p_kohde_base <- p_fi * k_tulo

cat(sprintf("Kansallinen perusriski: %.5f\n", p_fi))

Kansallinen perusriski: 0.00117

Code

cat(sprintf("Riskikertoimien tulo: %.3f\n", k_tulo))

Riskikertoimien tulo: 0.148

Code

cat(sprintf("Kohdekohtainen estimaatti: %.5f\n", p_kohde_base))

Kohdekohtainen estimaatti: 0.00017

Code

cat(sprintf("= %.3f‰ per vuosi\n", p_kohde_base * 1000))

= 0.174‰ per vuosi

Code

cat(sprintf("= 1 murto per %.0f vuotta\n", 1/p_kohde_base))

= 1 murto per 5747 vuotta

Bayesilainen malli: murtoriski jakaumana

Yksittäinen pisteluku on huono päätöksenteon pohja. Oikea kysymys on: mikä on riski epävarmuuden kanssa?

Käytän Beta-Binomial -mallia, jossa:

Priori: Beta(α, β) – perustuu Tilastokeskuksen kuntadataan ja riskikertoimiin
Likelihood: Binomial – binäärinen tapahtuma (murto / ei murtoa)
Posteriori: Beta(α + havaitut murrot, β + havaitut ei-murrot)

Code

# Beta-priori parametrit Siilinjärven kontekstissa
# Siilinjärvi: n. 21 000 asukasta, ~9 000 asuntokuntaa
# Itä-Suomen poliisilaitosalueen suhteellinen riski n. 0.55 × kansallinen
# Käyttäen "pseudo-count" -lähestymistapaa

# Kuntatasolla: oletetaan n. 5-10 murtoa/vuosi Siilinjärvellä
# (9000 asuntokuntaa × 1.2‰ × 0.55 ≈ 6 murtoa/vuosi)
n_total_kunta <- 9000       # asuntokuntia Siilinjärvellä
expected_murrot <- n_total_kunta * p_fi * 0.55  # ~6 murtoa/vuosi
expected_ei_murrot <- n_total_kunta - expected_murrot

# Beta-priori: α = odottetut murrot, β = odotetut ei-murrot
# Skaalataan niin että priori vastaa ~5 vuoden dataa
vuosia_priori <- 5
alpha_prior <- expected_murrot * vuosia_priori * k_tulo / (1 - k_tulo + k_tulo)
beta_prior  <- n_total_kunta * vuosia_priori - alpha_prior

# Varmistetaan järkevät luvut
alpha_prior <- max(alpha_prior, 0.5)
beta_prior  <- max(beta_prior, 100)

# Posteriori: ei ole havaittu murtoja omassa talossa (uusi havainto)
# → posteriori = priori (ei uutta dataa kohdekiinteistöstä)
alpha_post <- alpha_prior
beta_post  <- beta_prior

p_seq <- seq(0, 0.02, length.out = 2000)

df_bayes <- tibble(
  p = p_seq,
  priori = dbeta(p, alpha_prior, beta_prior),
  posteriori = dbeta(p, alpha_post, beta_post)
) |>
  pivot_longer(-p, names_to = "jakauma", values_to = "tiheys") |>
  mutate(jakauma = factor(jakauma,
    levels = c("priori", "posteriori"),
    labels = c("Priori (ennen havaintoja)", "Posteriori (tämänhetkinen uskomus)")
  ))

p_mean  <- alpha_post / (alpha_post + beta_post)
p_lower <- qbeta(0.025, alpha_post, beta_post)
p_upper <- qbeta(0.975, alpha_post, beta_post)

ggplot(df_bayes, aes(x = p * 1000, y = tiheys, color = jakauma, fill = jakauma)) +
  geom_line(linewidth = 1.2) +
  geom_ribbon(aes(ymin = 0, ymax = tiheys), alpha = 0.15) +
  geom_vline(xintercept = p_mean * 1000, linetype = "dashed", color = "#E63946", linewidth = 0.9) +
  annotate("text",
    x = p_mean * 1000 + 0.03,
    y = max(dbeta(p_seq, alpha_post, beta_post)) * 0.9,
    label = sprintf("Mediaani: %.3f‰\n95%% CI: [%.3f‰, %.3f‰]",
                    p_mean * 1000, p_lower * 1000, p_upper * 1000),
    hjust = 0, size = 3.5, color = "#E63946"
  ) +
  scale_color_manual(values = c("#457B9D", "#E63946")) +
  scale_fill_manual(values  = c("#457B9D", "#E63946")) +
  scale_x_continuous(labels = function(x) paste0(x, "‰")) +
  labs(
    title    = "Bayesilainen posteriorijakauma: murron vuosittainen todennäköisyys",
    subtitle = "Paritalo, Siilinjärvi 71800 | Kaksi etätyöläistä | Beta-Binomial -malli",
    x        = "Vuosittainen murtoriski (‰ asuntoa kohden)",
    y        = "Todennäköisyystiheys",
    color    = NULL, fill = NULL,
    caption  = "Data: Tilastokeskus 2024, Poliisiammattikorkeakoulu | Malli: Beta-Binomial | Kristian Vepsäläinen"
  ) +
  theme_kv() +
  theme(legend.position = "top")

Keskeinen tulos: Kohteeni vuosittainen murtoriski on todennäköisimmin noin 0.096‰, mutta 95 %:n luottamusväli ulottuu 0.028‰:stä 0.205‰:iin. Tämä epävarmuus on olennainen osa päätöksentekoa.

Montako vuotta odottaa seuraavaan murtoon?

Murtoriski noudattaa geometrista jakaumaa: joka vuosi on itsenäinen “kolikonheitto”. Odotusarvo on 1/p.

Code

# Geometrinen jakauma odotusajalle
n_sim <- 50000
set.seed(42)

# Simuloi odotusaika posteriorista
p_draws <- rbeta(n_sim, alpha_post, beta_post)
odotusaika_draws <- 1 / p_draws  # vuotta

df_odotus <- tibble(vuotta = odotusaika_draws) |>
  filter(vuotta < 5000)  # rajaa äärihäntiä visualisoinnissa

q50 <- median(df_odotus$vuotta)
q10 <- quantile(df_odotus$vuotta, 0.10)
q90 <- quantile(df_odotus$vuotta, 0.90)

ggplot(df_odotus, aes(x = vuotta)) +
  geom_histogram(bins = 80, fill = "#457B9D", color = "white", alpha = 0.8) +
  geom_vline(xintercept = q50, color = "#E63946", linewidth = 1.1, linetype = "dashed") +
  geom_vline(xintercept = q10, color = "#F4A261", linewidth = 0.8, linetype = "dotted") +
  geom_vline(xintercept = q90, color = "#F4A261", linewidth = 0.8, linetype = "dotted") +
  annotate("text", x = q50 + 80, y = Inf, vjust = 2,
           label = sprintf("Mediaani: %.0f v.", q50),
           color = "#E63946", size = 3.5, fontface = "bold") +
  annotate("text", x = q10 - 50, y = Inf, vjust = 3.5, hjust = 1,
           label = sprintf("P10: %.0f v.", q10),
           color = "#F4A261", size = 3.2) +
  annotate("text", x = q90 + 80, y = Inf, vjust = 3.5,
           label = sprintf("P90: %.0f v.", q90),
           color = "#F4A261", size = 3.2) +
  scale_x_continuous(limits = c(0, 5000)) +
  labs(
    title    = "Kuinka monen vuoden päästä murtoon todennäköisimmin?",
    subtitle = "Posteriorijakauman simulaatio (n = 50 000) | Geometrinen odotusaika",
    x        = "Vuotta seuraavaan murtoon",
    y        = "Simulointeja",
    caption  = "Kristian Vepsäläinen | kristianvepsalainen.com"
  ) +
  theme_kv()

Mediaaniodotus on 4502 vuotta – mutta jakaumassa on raskas häntä. 10 %:n todennäköisyydellä murto tapahtuu alle 3688 vuodessa.

Mitä murto maksaa? – Myös tämä on jakauma

Myyjä puhuu yleensä yhdestä euromäärästä. Todellisuudessa murron kustannusrakenne on monikasvoinen.

Code

set.seed(123)
n <- 100000

# Anastettu omaisuus: lognormaali
# Tyypillinen tapaus ~1 500–4 000 €, mutta pitkä häntä (joskus yli 10 000 €)
anastettu <- rlnorm(n, meanlog = log(2500), sdlog = 0.8)

# Rakenteelliset vahingot (rikottu ovi/ikkuna): normaali
rakenne <- rnorm(n, mean = 800, sd = 300) |> pmax(200)

# Psyykkinen haitta (menetetty turvallisuudentunne, aika jne.): 
# vaikeasti mitattavissa, käytän konservatiivista arviota
psyykkinen <- rlnorm(n, meanlog = log(1000), sdlog = 0.6)

# Kotivakuutuksen omavastuu (ei palaudu)
omavastuu <- 200  # tyypillinen

# Nettokustannus omistajalle (vakuutus korvaa anastetun ja rakennuksen)
# Mutta psyykkinen haitta ja omavastuu jäävät
netto_kustannus <- anastettu + rakenne + psyykkinen - (anastettu + rakenne - omavastuu) |>
  pmax(omavastuu)  # jos alle omavastuun, kaikki jää omaksi

# Yksinkertaistettu: kaikki kulut yhteensä omistajalle
kokonais <- omavastuu + psyykkinen  # vakuutus korvaa loput

df_kust <- tibble(
  anastettu   = anastettu,
  rakenne     = rakenne,
  psyykkinen  = psyykkinen,
  kokonais_omistaja = kokonais
)

q_kust <- quantile(kokonais, c(0.1, 0.25, 0.5, 0.75, 0.9, 0.95))

p_anastettu <- ggplot(tibble(x = anastettu[anastettu < 15000]), aes(x = x)) +
  geom_histogram(bins = 60, fill = "#E63946", alpha = 0.8, color = "white") +
  scale_x_continuous() +
  labs(title = "Anastetun omaisuuden arvo", x = "", y = "Simulaatioita",
       subtitle = sprintf("Mediaani: %.0f €", median(anastettu))) +
  theme_kv()

p_psyyk <- ggplot(tibble(x = psyykkinen[psyykkinen < 5000]), aes(x = x)) +
  geom_histogram(bins = 60, fill = "#F4A261", alpha = 0.8, color = "white") +
  scale_x_continuous() +
  labs(title = "Psyykkinen haitta & aika", x = "€", y = "",
       subtitle = sprintf("Mediaani: %.0f €", median(psyykkinen))) +
  theme_kv()

p_anastettu + p_psyyk +
  plot_annotation(
    title   = "Murron kustannusrakenne on jakauma – ei yksittäinen luku",
    caption = "Simuloitu lognormaali. Lähde: FINE, Rikosuhripäivystys, kirjallinen aineisto | Kristian Vepsäläinen"
  )

Keskeinen havainto: Anastetun omaisuuden mediaani on noin 2502 €, mutta 90. persentiili ylittää 6970 €. Kotivakuutus kattaa suuren osan tästä – mutta psyykkinen haitta jää korvaamatta.

ROI-analyysi: kannattaako Sector Alarm?

Kustannukset

Code

# Sector Alarm -hinnat (lähde: sectoralarm.fi, huhtikuu 2026)
asennus        <- 49      # kampanjahinta (norm. 399 €)
kuukausimaksu  <- 49.90   # €/kk
vuosimaksu     <- kuukausimaksu * 12

# Sopimus tyypillisesti 3–5 vuotta, lasketaan 5 v.
sopimus_vuosia <- 5
kokonaiskulu   <- asennus + vuosimaksu * sopimus_vuosia

# Kotitalousvähennys asennuksesta (35% × (49 - 150 omavastuu)) → ei sovellu, alle omavastuun
# Suuremmassa asennuksessa hyöty olisi merkittävä

cat("=== SECTOR ALARM KUSTANNUKSET (5 VUOTTA) ===\n")

=== SECTOR ALARM KUSTANNUKSET (5 VUOTTA) ===

Code

cat(sprintf("Asennusmaksu (kampanja: %7.0f €\n", asennus))

Asennusmaksu (kampanja:      49 €

Code

cat(sprintf("Kuukausimaksu: %7.2f €/kk\n", kuukausimaksu))

Kuukausimaksu:   49.90 €/kk

Code

cat(sprintf("Vuosimaksu: %7.2f €/v\n", vuosimaksu))

Vuosimaksu:  598.80 €/v

Code

cat(sprintf("Yhteensä 5 vuodessa: %7.0f €\n", kokonaiskulu))

Yhteensä 5 vuodessa:    3043 €

Code

cat(sprintf("Kuukausitasolla: %7.2f €/kk (sis. asennuksen)\n",
            kokonaiskulu / (sopimus_vuosia * 12)))

Kuukausitasolla:   50.72 €/kk (sis. asennuksen)

Hyödyt – hälytysjärjestelmän murto-vähennys

Tutkimusnäyttö hälytysjärjestelmien murtojen ehkäisevyydestä on hajanainen. Verisure väittää “lähes 100 %”, mikä on selvästi yrityksen oma markkinointiväite. Akateemisessa kirjallisuudessa (belgialainen ja hollantilainen kriminologiatutkimus) reduktio on konservatiivisesti 40–70 %.

Code

set.seed(2024)
n_sim <- 100000

# Parametrit (posteriori)
alpha_p <- alpha_post
beta_p  <- beta_post

# --- SKENAARIO: ilman hälytysjärjestelmää ---
p_vuosi_noalarm <- rbeta(n_sim, alpha_p, beta_p)

# 5 vuoden murtotodennäköisyys (vähintään 1 murto)
p5_noalarm <- 1 - (1 - p_vuosi_noalarm)^5

# Murron kokonaiskustannus (simuloitu)
murto_kust <- rlnorm(n_sim, meanlog = log(3500), sdlog = 0.9) + 200
# (anastettu + rakenne; vakuutus korvaa, mutta omavastuu 200 €)
# Lisätään psyykkinen haitta
psyk <- rlnorm(n_sim, meanlog = log(1000), sdlog = 0.6)
murto_kust_total <- murto_kust + psyk

# Odotettu kustannus 5 v ilman hälytysjärjestelmää
ekust_noalarm <- p5_noalarm * murto_kust_total

# --- SKENAARIO: Sector Alarm ---
# Reduktio: Beta(8, 5) → mediaani ~60%, mutta epävarmuus
reduktio <- rbeta(n_sim, shape1 = 8, shape2 = 5)  # mediaani ~60%

p_vuosi_alarm <- p_vuosi_noalarm * (1 - reduktio)
p5_alarm <- 1 - (1 - p_vuosi_alarm)^5

ekust_alarm <- p5_alarm * murto_kust_total + kokonaiskulu

# --- ROI = säästö - kustannus ---
roi_abs <- ekust_noalarm - ekust_alarm  # positiivinen = kannattaa

df_roi <- tibble(
  roi = roi_abs,
  p5_noalarm = p5_noalarm,
  reduktio = reduktio
)

p_pos <- mean(roi_abs > 0) * 100

# Visualisointi
p1 <- ggplot(df_roi |> filter(abs(roi) < 2000), aes(x = roi)) +
  geom_histogram(bins = 80,
    aes(fill = after_stat(x > 0)),
    color = "white", alpha = 0.85) +
  scale_fill_manual(values = c("#E63946", "#2A9D8F"),
    labels = c("Hälytysjärjestelmä tappiollinen", "Hälytysjärjestelmä kannattava"),
    guide  = guide_legend(title = NULL)) +
  geom_vline(xintercept = 0, linewidth = 1.1, linetype = "dashed") +
  geom_vline(xintercept = median(roi_abs), color = "#E76F51", linewidth = 1.0) +
  annotate("text", x = median(roi_abs) + 30, y = Inf, vjust = 2,
           label = sprintf("Mediaani: %.0f €", median(roi_abs)),
           color = "#E76F51", size = 3.5, fontface = "bold") +
  labs(
    title = sprintf("ROI-jakauma: %.1f %% simulaatioista hälytysjärjestelmä on tappiollinen",
                    100 - p_pos),
    subtitle = "5 vuoden aikahorisontti | n = 100 000 simulaatiota | Rajattu ±2 000 €",
    x = "ROI (€) – positiivinen = hälytysjärjestelmä kannattaa taloudellisesti",
    y = "Simulaatioita"
  ) +
  theme_kv() +
  theme(legend.position = "top")

# Kumulatiivinen todennäköisyys murrolle 5 vuodessa
p2 <- ggplot(tibble(p = p5_noalarm * 100), aes(x = p)) +
  geom_histogram(bins = 60, fill = "#457B9D", color = "white", alpha = 0.8) +
  geom_vline(xintercept = median(p5_noalarm) * 100,
             color = "#E63946", linewidth = 1.1, linetype = "dashed") +
  annotate("text",
    x = median(p5_noalarm) * 100 + 0.05,
    y = Inf, vjust = 2,
    label = sprintf("Mediaani: %.2f%%", median(p5_noalarm) * 100),
    color = "#E63946", size = 3.5, fontface = "bold") +
  labs(
    title = "Murron kumulatiivinen todennäköisyys 5 vuodessa",
    subtitle = "Ilman hälytysjärjestelmää | Posterioriepävarmuus mukana",
    x = "Todennäköisyys saada murto 5 v. aikana (%)",
    y = "Simulaatioita"
  ) +
  theme_kv()

p1 / p2 +
  plot_annotation(
    caption = "Data: Tilastokeskus 2024 | Malli: Beta-Binomial + Monte Carlo | Kristian Vepsäläinen"
  )

Code

cat("=== ROI-YHTEENVETO ===\n\n")

=== ROI-YHTEENVETO ===

Code

cat(sprintf("5 v. murtotodennäköisyys (mediaani):   %.3f%%\n",
            median(p5_noalarm) * 100))

5 v. murtotodennäköisyys (mediaani):   0.044%

Code

cat(sprintf("5 v. murtotodennäköisyys (P90):        %.3f%%\n",
            quantile(p5_noalarm, 0.9) * 100))

5 v. murtotodennäköisyys (P90):        0.079%

Code

cat(sprintf("\nHälytysjärjestelmän kustannus 5 v.:   %.0f €\n", kokonaiskulu))


Hälytysjärjestelmän kustannus 5 v.:   3043 €

Code

cat(sprintf("Mediaanireduktio (murtoriski):         %.0f%%\n",
            median(reduktio) * 100))

Mediaanireduktio (murtoriski):         62%

Code

cat(sprintf("\nROI mediaani:                          %.0f €\n", median(roi_abs)))


ROI mediaani:                          -3042 €

Code

cat(sprintf("ROI P10 (pessimistinen):               %.0f €\n",
            quantile(roi_abs, 0.10)))

ROI P10 (pessimistinen):               -3043 €

Code

cat(sprintf("ROI P90 (optimistinen):                %.0f €\n",
            quantile(roi_abs, 0.90)))

ROI P90 (optimistinen):                -3039 €

Code

cat(sprintf("\nTodennäköisyys että hälytysjärj. kannattaa taloudellisesti: %.1f%%\n",
            p_pos))


Todennäköisyys että hälytysjärj. kannattaa taloudellisesti: 0.0%

Päätöskriteerit: pelkkä ROI ei riitä

Puhdas odotusarvolaskenta kertoo, että taloudellisesti hälytysjärjestelmä on enemmän vakuutus kuin investointi: mediaani-ROI on negatiivinen. Tämä on oikea tulos. Mutta päätöstä ei pidä tehdä pelkän odotusarvon perusteella.

Miksi hälytysjärjestelmä voi silti kannattaa?

Code

paatokset <- tibble(
  kriteeri = c(
    "Odotusarvo (taloudellinen ROI)",
    "Riskin häntä (P90-skenaario)",
    "Psyykkinen arvo (turvallisuudentunne)",
    "Palo- ja vesivahinkohälytys (sivuhyöty)",
    "Lakisääteinen palovaroitin (jo olemassa)",
    "Halvat vesivahdit (jo olemassa, ei kuukausimaksua)",
    "Palolaitos 3,4 km:n päässä (~5 min vasteaika)",
    "Vakuutusmaksun alennus (mahdollinen)"
  ),
  arvio = c(
    "Negatiivinen mediaani – ei puolla",
    "Murron kustannus voi olla 5 000–15 000 € → häntäriski todellinen",
    "Vaikeasti mitattavissa, mutta reaalinen arvo",
    "Sector Alarmin palovaroitin on REDUNDANTTI – Suomen laki vaatii palovaroittimen jokaiseen asuntoon. Tämä 'lisäarvo' on nolla.",
    "Pakollinen lakisääteinen vaatimus – ei lisäarvoa hälytysjärjestelmästä",
    "Erilliset vesivahdit (esim. Fibaro, ~50 € kertamaksu) ilman sopimusta – korvaa tämän toiminnon murto-osalla hinnasta",
    "Lähellä oleva palolaitos heikentää Sector Alarmin paloturvallisuushyötyä entisestään",
    "Osa vakuutusyhtiöistä antaa 5–15% alennuksen – tarkistettava erikseen"
  ),
  suositus = c("✗", "△", "✓", "✗✗", "✗", "✗", "✗", "△")
)

paatokset |>
  knitr::kable(
    col.names = c("Päätöskriteeri", "Arvio", "Puoltaa?"),
    caption   = "Kokonaisharkinta hälytysjärjestelmäpäätöksessä – päivitetty versio"
  )

Kokonaisharkinta hälytysjärjestelmäpäätöksessä – päivitetty versio
Päätöskriteeri	Arvio	Puoltaa?
Odotusarvo (taloudellinen ROI)	Negatiivinen mediaani – ei puolla	✗
Riskin häntä (P90-skenaario)	Murron kustannus voi olla 5 000–15 000 € → häntäriski todellinen	△
Psyykkinen arvo (turvallisuudentunne)	Vaikeasti mitattavissa, mutta reaalinen arvo	✓
Palo- ja vesivahinkohälytys (sivuhyöty)	Sector Alarmin palovaroitin on REDUNDANTTI – Suomen laki vaatii palovaroittimen jokaiseen asuntoon. Tämä ‘lisäarvo’ on nolla.	✗✗
Lakisääteinen palovaroitin (jo olemassa)	Pakollinen lakisääteinen vaatimus – ei lisäarvoa hälytysjärjestelmästä	✗
Halvat vesivahdit (jo olemassa, ei kuukausimaksua)	Erilliset vesivahdit (esim. Fibaro, ~50 € kertamaksu) ilman sopimusta – korvaa tämän toiminnon murto-osalla hinnasta	✗
Palolaitos 3,4 km:n päässä (~5 min vasteaika)	Lähellä oleva palolaitos heikentää Sector Alarmin paloturvallisuushyötyä entisestään	✗
Vakuutusmaksun alennus (mahdollinen)	Osa vakuutusyhtiöistä antaa 5–15% alennuksen – tarkistettava erikseen	△

Redundantin hyödyn rahallinen arvo

Code

# Palovaroitin: jo pakollinen Suomessa (Pelastuslaki 379/2011, 17§)
# → Sector Alarmin palovaroitin tuo nolla lisäarvoa

# Vesivahtilähetin: markkinahinta
vesivahti_kertamaksu <- 50  # esim. Fibaro Flood Sensor, ilman sopimusta

# Sector Alarmin "vesivahti-hyöty" verrattuna vaihtoehtoon
sector_alarm_5v     <- 49.90 * 12 * 5 + 49  # 3 043 €
vaihtoehto_5v       <- vesivahti_kertamaksu  # 50 € kertamaksu, ei kuukausimaksua

ylilasku <- sector_alarm_5v - vaihtoehto_5v

cat("=== REDUNDANSSIEN KUSTANNUSLASKENTA ===\n\n")

=== REDUNDANSSIEN KUSTANNUSLASKENTA ===

Code

cat("Jos ainut motivaatio on palo- ja vesivahinkohälytys:\n\n")

Jos ainut motivaatio on palo- ja vesivahinkohälytys:

Code

cat(sprintf("Sector Alarm 5 vuodessa:          %6.0f €\n", sector_alarm_5v))

Sector Alarm 5 vuodessa:            3043 €

Code

cat(sprintf("Lakisääteinen palovaroitin:            0 € (jo pakollinen)\n"))

Lakisääteinen palovaroitin:            0 € (jo pakollinen)

Code

cat(sprintf("Erillinen vesivahti (kertamaksu): %6.0f €\n", vesivahti_kertamaksu))

Erillinen vesivahti (kertamaksu):     50 €

Code

cat(sprintf("Ylilasku palo/vesi-skenaariosssa: %6.0f €\n", ylilasku))

Ylilasku palo/vesi-skenaariosssa:   2993 €

Code

cat(sprintf("\nSiis: hälytysjärjestelmä maksaa %.0f× enemmän kuin vaihtoehto,\n",
            sector_alarm_5v / vesivahti_kertamaksu))


Siis: hälytysjärjestelmä maksaa 61× enemmän kuin vaihtoehto,

Code

cat("jos murtosuojaus ei tuo merkittävää lisäarvoa.\n")

jos murtosuojaus ei tuo merkittävää lisäarvoa.

Mikä muuttaisi päätöksen?

Tein herkkyysanalyysin: missä tilanteissa hälytysjärjestelmä olisi mediaani-ROI:ltaan positiivinen?

Code

# Vaadittu reduktio että ROI > 0 odotusarvomielessä
# ROI > 0 kun p5 * kust * reduktio > kokonaiskulu
# reduktio > kokonaiskulu / (p5 * kust)

p5_med <- median(p5_noalarm)
kust_med <- median(murto_kust_total)
vaadittu_reduktio <- kokonaiskulu / (p5_med * kust_med)

# Vaadittu murtoriski jotta ROI > 0 (olettaen reduktio 60%)
reduktio_60 <- 0.60
vaadittu_p5 <- kokonaiskulu / (kust_med * reduktio_60)
vaadittu_p_vuosi <- 1 - (1 - vaadittu_p5)^(1/5)

cat("=== HERKKYYSANALYYSI ===\n\n")

=== HERKKYYSANALYYSI ===

Code

cat("Jotta hälytysjärjestelmä on odotusarvomielessä kannattava:\n\n")

Jotta hälytysjärjestelmä on odotusarvomielessä kannattava:

Code

cat(sprintf("→ Tarvitaan vähintään %.0f%% murtoriskin reduktio\n",
            vaadittu_reduktio * 100))

→ Tarvitaan vähintään 138182% murtoriskin reduktio

Code

cat(sprintf("  (nykyinen mediaaniarvio: %.0f%%)\n",
            median(reduktio) * 100))

  (nykyinen mediaaniarvio: 62%)

Code

cat(sprintf("\nTAI: Vuosittaisen murtoriskin pitäisi olla ≥ %.3f‰\n",
            vaadittu_p_vuosi * 1000))


TAI: Vuosittaisen murtoriskin pitäisi olla ≥ NaN‰

Code

cat(sprintf("  (nykyinen estimaatti: %.3f‰)\n", p_mean * 1000))

  (nykyinen estimaatti: 0.096‰)

Code

cat(sprintf("\nTAI: Murron kustannuksen pitäisi olla ≥ %.0f €\n",
            kokonaiskulu / (p5_med * 0.60)))


TAI: Murron kustannuksen pitäisi olla ≥ 11469875 €

Code

cat(sprintf("  (nykyinen mediaaniarvio: %.0f €)\n", kust_med))

  (nykyinen mediaaniarvio: 4980 €)

Lopullinen päätös ja oppiminen

Mitä data sanoo?

Puhtaan taloudellisen ROI:n perusteella: hälytysjärjestelmä ei ole odotusarvomielessä kannattava minun tilanteessani. Murto on harvinainen tapahtuma (0.04% todennäköisyys 5 vuodessa), ja vakuutus kattaa suurimman osan aineellisesta vahingosta.

Alkuperäisessä analyysissäni nostin palo- ja vesivahinkohälyttimen erilliseksi perusteluksi. Se oli virhe – kolme tekijää tekee siitä tyhjän argumentin:

Lakisääteinen palovaroitin (Pelastuslaki 379/2011, 17§): jokaisen asunnon omistaja on jo velvoitettu hankkimaan palovaroitin. Sector Alarmin palovaroitin on tähän nähden täysin redundantti.
Vesivahdit kertamaksulla: erillinen vesivahti (esim. Fibaro Flood Sensor) maksaa ~50 € ilman mitään kuukausisopimusta ja tekee saman työn.
Palolaitos 3,4 km:n päässä: vasteaika on arviolta 5 minuuttia – yhtä nopea kuin vartijakäynti.

Nämä kolme tekijää yhdessä poistavat hälytysjärjestelmän tärkeimmän vaihtoehtoisen perustelun. Jäljelle jää ainoastaan murtosuojaus ja psyykkinen turvallisuudentunne.

Myyjän argumenttien virheet

Myyjän väite	Totuus datan perusteella
“Alueellanne on paljon murtoja”	Postinumeroaluedataa ei ole julkisesti saatavilla – väite on todistamaton
“Hälytysjärjestelmä maksaa itsensä takaisin”	Mediaani-ROI negatiivinen; häntäriski todellinen, mutta pieni
“Paloturvallisuus paranee merkittävästi”	Ei – lakisääteinen palovaroitin on jo pakollinen joka asunnossa
“Vesivahinkohälytys on lisäarvo”	Ei – erillinen laite maksaa 50 € kertamaksuna, ilman sopimusta
“Naapureille on käynyt”	Anekdootti ≠ tilasto; survivorship bias ja muistiharha mahdollisia
“49 € / kk on pieni summa”	Oikein – mutta se on 3 000 € viidessä vuodessa

Mitä tekisin?

En ota Sector Alarmin järjestelmää tällä perustelupaketilla. Hankin sen sijaan:

Erillinen vesivahti: ~50 € (kertamaksu, ei sopimusta)
Lakisääteinen palovaroitin on jo olemassa

Murto on julkisuudessa pahasti yliedustettu riski. Sen todennäköisyys on pieni, vakuutus kattaa suurimman osan aineellisesta vahingosta, ja myyjän “sivuargumentit” paloturvallisuudesta ja vesivahingosta osoittautuvat datan valossa kyseenalaisiksi.

Yhteenveto: maailma on jakauma

Sector Alarmin myyjä esitti murtoriski yhtenä lukuna ja palo/vesihyödyn “ilmaisena bonuksena”. Todellisuudessa:

Murtoriski on posteriorijakauma – se riippuu alueesta, talotyypistä, asumistottumuksista ja epävarmuudesta
ROI on jakauma – ei yhtenä pistearvona vaan epävarman tulevaisuuden funktiona
Myyjän “lisäarvot” ovat osin redundantteja – lakisääteinen palovaroitin on jo pakollinen, vesivahti maksaa 50 € ilman sopimusta
Päätös on monikriteerinen – taloudellinen odotusarvo on yksi tekijä, mutta häntäriskit ja psyykkiset hyödyt ovat yhtä relevantteja

Tässä tapauksessa data osoittaa selvästi: hälytysjärjestelmä ei ole taloudellisesti perusteltu. Jos psyykkinen turvallisuudentunne on sinulle arvokas 50 €/kk, osta se tietoisesti – mutta älä osta sitä puutteellisilla perusteluilla.

Olen data scientist ja konsultti, erikoistunut bayeslaisiin menetelmiin, riskimallinnukseen ja avoimen datan analyysiin. Jos organisaatiosi tekee merkittäviä päätöksiä ilman kunnollista epävarmuuden mallinnusta, ota yhteyttä.

Kaikki koodi ja data tässä postauksessa ovat avointa lähdekoodia – käy katsomassa GitHubissa.

Lähteet:

Tilastokeskus (2024): Rikos- ja pakkokeinotilasto 2024
Sector Alarm (2026): sectoralarm.fi/omakotitalon-halytysjarjestelma
Fennia (2024): Asuntomurtojen määrä komeasti laskussa
Paasonen & Aaltonen (2017): Millaiset asunnot joutuvat todennäköisimmin murtojen kohteeksi?
FINE – Vakuutus- ja rahoitusneuvonta: Perustietoa kotivakuutuksesta