Tutkielman tavoitteena oli tarkastella innovaatioiden leviämismallien ennustetarkkuuteen vaikuttavia tekijöitä. Tutkielmassa ennustettiin logistisella mallilla matkapuhelinliittymien leviämistä kolmessa Euroopan maassa: Suomessa, Ranskassa ja Kreikassa. Teoriaosa keskittyi innovaatioiden leviämisen ennustamiseen leviämismallien avulla. Erityisesti painotettiin mallien ennustuskykyä ja niiden käytettävyyttä eri tilanteissa. Empiirisessä osassa keskityttiin ennustamiseen logistisella leviämismallilla, joka kalibroitiin eri tavoin koostetuilla aikasarjoilla. Näin tehtyjä ennusteita tarkasteltiin tiedon kokoamistasojen vaikutusten selvittämiseksi. Tutkimusasetelma oli empiirinen, mikä sisälsi logistisen leviämismallin ennustetarkkuuden tutkimista otosdatan kokoamistasoa muunnellen. Leviämismalliin syötettävä data voidaan kerätä kuukausittain ja operaattorikohtaisesti vaikuttamatta ennustetarkkuuteen. Dataan on sisällytettävä leviämiskäyrän käännöskohta, eli pitkän aikavälin huippukysyntäpiste.

The main objective of this thesis was to study the factors that affect the forecasting accuracy of innovation diffusion models. Diffusion of mobile phone subscriptions was forecasted with logistic model in three European countries: Finland, France, and Greece. Focus in the theoretical part was on the forecasting the diffusion of innovations with diffusion models. The particular emphasis was on the forecasting capability of diffusion models and their usability in various situations. In the empirical part the focus was on forecasting with the logistic diffusion model, which had been calibrated with diverse data sets. The forecasts were then scrutinised of the differences between the levels with which the data were collected. The research frame was empirical, which entailed the exploration of forecasting accuracy of the logistic diffusion model through alternating the aggregation level of sample data. The level of data that is input to the diffusion model may be collected on monthly basis and from brand level – the accuracy of the model remaining unaffected. The data that is used for model calibration should entail the turning point of the diffusion curve (i.e. the long-term peak sales point).