Lähdekoodi sivulle Big data 4: Sovellusalueet

==== Terveys ====

Terveysalalla Suomella on suuri potentiaali big datan suhteen. Suomesta löytyy maailmanlaajuisesti katsoen poikkeuksellisen laadukkaita ja kattavia tietokantoja, muun muassa geenitietoihin liittyen. Näiden vahvuuksien vastuullinen käyttäminen big data-ratkaisuissa voisi tarjota Suomelle merkittävän, globaalin kilpailukykytekijän.

Terveydenhuollon kenttä liittyy big dataan lukuisilla eri tavoilla, ja Suomessa on jo alan osaamista esimerkiksi bioinformatiikan ja molekkyylilääketieteen alalla. Toinen tärkeä linkitys tulee itsenmittausteknologioiden kehityksestä, jossa suomalaisyrityksissä on osaamista kymmenien vuosien ajalta. Terveysdatan laajemman saatavuuden ennustetaan muuttavan ihmisten käsitystä itsestään ja omasta terveydestään. Elämäntavoista ja geenitiedon avulla kertyvän big datan avulla voi ehkä tulevaisuudessa ehkäistä sairastumista. Nykyään terveystietoja voi kerätä esimerkiksi Taltioniin, josta voi tulla tulevaisuudessa tärkeä alusta henkilökohtaiselle big datalle.

Big data mahdollistaa terveydenhuoltoon uudenlaisen oppimisen, kun kerrytetty ja analysoitu data tukee lääkärien ja muun hoitohenkilökunnan työtä. IBM:n kehittämä Watson on yksi esimerkki siitä millaisia käyttöjä big datalle on kehitelty. Kun potilas kertoo oireistaan lääkärille, lääkäri voi samalla kysellä Watsonilta taustatietoja potilaan oireiden perusteella. Watson käy muutamassa sekunnussa tietokannastaan läpi hakusanojen avulla tuhansia oppikirjoja ja satoja tuhansia tieteellisiä artikkeleita.

Big datalta odotetaan terveydenhuollon laadun parantumista ja säästöjä. Data-analyysin odotetaan kehittyvän tavalla, joka auttaa yksittäisen kansalaisen terveysriskien ennustamisessa erilaisten datavirtojen avulla sekä sairauksien ehkäisyssä. On tärkeää, että suomalaiset tuntevat kansainvälisen kentän ja ovat mukana ohjaamassa ajankohtaisia kehityskulkuja. 

Terveystietojen hyötykäyttöön liittyy yksityisyyteen, sosiaalisiin ja eettisiin näkökulmiin liittyviä kysymyksiä, jotka on otettava vakavasti. Ilman niitä suotuisat kehityskulut tuskin ovat  mahdollisia. Yksi tapa on määritellä vastuullisen aineiston käytön puitteita yhteistyössä eri alojen osaajien kanssa.

Suomessa on muun muassa Sote-uudistuksen myötä oiva tilaisuus pohtia tarkemmin, kokeilla ja ottaa käyttöön big dataan perustuvia ratkaisuja. Dataan perustuvista hoitomenetelmistä ja -käytännöistä on saatu merkittäviä tuloksia. Big dataan perustuvien ratkaisuilla voidaan saavuttaa selviä taloudellisia säästöjä. Nykyisessä taloudellisessa tilanteessa, varsinkin kuntien osalta, säästöjen saavuttaminen uuden teknologian avulla palvelutasoa sinänsä laskematta on avainasemassa.

Erilaisten dataan perustuvien omahoitomenetelmien käyttöönottoa tulee samalla tukea.

==== Julkishallinto ====

Suomea viime vuosina koetelleet finanssi- ja pankkikriisit, työn ulkomaille siirtymiseen vaikuttavat globaalin kilpailutilanteen muutokset sekä nopean teknologiakehityksen myötä kiihtyvät liiketoiminnan murrokset perinteisesti työllistäneillä toimialoilla ovat kaikki aikamme globaalitalouden ilmiöitä, jotka asettavat suuria haasteita ja uudistusmisvaatimuksia Suomen jo ennestään ylivelkaantuneelle julkiselle sektorille. Em. globaalien ilmiöiden seuraukset Suomelle ilmenevät mm. vientiteollisuuden paikoittaisena kilpailukyvyn romahtamisena, rakenteellisen työttömyyden kasvamisena ja julkisen talouden kestävyysvajeen syvenemisenä. Edessä oleva suurten suomalaisten ikäluokkien eläköityminen tulee tulevaisuudessa rasittamaan julkisen talouden kustannusrakenteita entisestään.  

Suomen virkaa tekevä hallitus on pyrkinyt torjumaan kestävyysvajetta ja tasapainottamaan julkista taloutta mm. rakennepoliittisilla uudistustoimenpiteillä, jotka kohdistuvat moniin eri yhteiskunnan osa-alueisiin kuten esim. terveydenhuoltoon, kuntauudistukseen, työurien pidennykseen, rakenteelliseen ja nuorisotyöttömyyden torjuntaan sekä työ- ja kouluttautumismahdollisuuksien lisäämiseen. Rakenteellisten muutosten mahdollistamien kustannussäästöjen lisäksi tuottavuuden lisääminen niin kustannus- kuin palvelutehokkuutta parantamalla on keskeisiä julkisen sektorin tavoitteita.

Big Data ajattelutapana (kts. Datatietoisuus) ja teknologiana antaa omalta osaltaan uudenlaisia näkökulmia hallinnolle edistää tuottavamman yhteiskunnan ja kestävyysvajeen torjumisen strategisia päätavoiteita, lisäten samalla kansalaisten tyytyväisyyttä julkisiin palveluihin. Big Datan avulla on mahdollista realisoida tuottavuushyötyjä useimmilla hallinnon alueilla. Datalähtöisempää julkishallintoa voidaan yleisesti tarkastella esim. kolmessa seuraavassa osa-alueessa: Datalähtöisen päätöksenteon ja jatkuvan organisaatiokehityksen tuominen osaksi julkishallinnon kulttuuria, kansalaisten henkilökohtaisemmat palvelut sekä yritysten ja kansalaisten parempi osallistaminen mm. julkisten palveluiden kehitykseen (kts. Osallistaminen) Lisäksi Big Datan hyödyntämistä tulee tarkastella eri hallinnonaloille kohdistettavissa olevien yksittäisten Big Data-käyttötapausten kautta. 

Big Datan tuottavuusparannuksista julkishallintoon on haastavaa esittää tarkkoja arvioita ilman täsmällisempää analyysiä, mutta McKinsey arvioi vuoden 2011 raportissaan Euroopan julkishallintojen kykenevän Big Dataa hyödyntämällä vähentämään hallinnollisia kulujaan n. 15-20 prosenttia ja lisäämään 0,5 prosentin vuotuisen parannuksen tuottavuuteen. (McKinsey Global Institute, 2011, Big data: The next frontier for innovation, competition, and productivity)

====== Tavoitteena data- ja asiakaslähtöisempi organisaatiokulttuuri ======

Datalähtöinen organisaatiokulttuuri edellyttää, että julkishallinto pyrkii tietoisesti ja jatkuvasti omaksumaan maailmalla parhaiten toimiviksi todettuja käytäntöjä tiedolla johtamisessa, organisaatioiden kehittämisprosesseissa (esim. lean-prosessit), organisaation tavoitteisiin sidotussa suorituskykymittauksessa sekä dataan perustuvan päätöksenteossa. Datalähtöisessä julkishallinnossa organisaatiot, niin pienet kuin suuremmat yksiköt, määrittelevät omaa missiotaan ja tavoitteitaan tukevat, selkeästi ymmärrettävät ja läpinäkyvät datalähtöiset suorituskykymittarit. Kansainvälisestikin vertailukelpoisesti valitut mittarit ohjaavat organisaatioita tekemään ohjattuja päätöksiä, jotka palvelevat mahdollisimman tehokkaasti organisaation oman mission ja kansalaisten palvelutulosten toteutumista. Datalähtöistä päätöksentekoa tukevat Big Data-järjestelmät mahdollistavat päätöksenteon tavalla, jossa tekeillä olevien päätösten hyötyjä, kustannuksia ja pitkän tähtäimen vaikutuksia on mahdollista ymmärtää ja simuloida ennen päätösten varsinaista toimeenpanemista. Big Datalla on tärkeä merkitys entistä edistyneempien ja ennakoivempien mittareiden mahdollistamisessa, samoin kuin laadukkaiden mittarien edellyttämän hienojakoisten signaalien löytämisessä organisaatioiden suurista tietomassoista. Muutos datalähtöiseksi organisaatioksi on kokonaisvaltainen, joskin eri kypsyysvaiheessa olevat organisaatiot toki ottavat askeleita tavoitteisiin vaiheittain. Datan avaamisesta, laadun varmistamisesta, tiedonhallinnan roolien, prosessien ja vähimmäisarkkitehtuurikyvyyksien luomisesta edetään tietoisesti kohti omaa toimintaansa mittaavaa ja optimoivaa organisaatiota. Lopulta oleellista on valita organisaation suorituskykyä kuvaavat korkean tason suoriutuskykymittarit siten, että ne voidaan ymmärrettävästi ja läpinäkyvästi linkittää organisaation mission ja tavoitteiden toteutumiseen ja näitä edistäviin käytännön toimenpiteisiin. Mittareiden pohjana olevien oletusten, käsittelysääntöjen ja lopulta itse datan läpinäkyvyys kansalaisille toimii omalta omaltaan takeena valittavien mittareiden luotettavuudelle ja ”peukaloimattomuudelle”. Julkisten toimijoiden tärkeimmät korkean tason suorituskykymittarit kohdistuvatkin yleensä lopulta toimijoiden palvelemiin ”ulkoisiin asiakkaisiin” – eli kansalaisiin ja heidän palvelukokemukseensa, mikä tilivelvoittaa hallintoa jatkuvasti parantamaan kansalaisille tarjoamaansa palvelua. Yleisiä, koko Suomea koskevia taloudellisia ja yhteiskunnallisia korkean tason mittareita ylläpitää esim. Findikaattori (www.findikaattori.fi ).

 '''Ranskan datalähtöinen hallintoreformi'''
 Esimerkkinä julkishallinnon mission asiakaslähtöistämisestä voidaan pitää Ranskan massiivista finanssikriisin jälkeistä hallintoreformia, jonka  
 säästötavoite vuoden 2009-2013 aikana oli 15 miljardia euroa ja leikkaustarve yli 150 000 julkisen sektorin tehtävää. Kustannusäästöjen lisäksi 
 tavoitteena oli palvelun laadun radikaali parantaminen. Reformia valmistellessa kansalaisilta ja yrityksiltä pyydettiin yksinkertaista pisteytysarviota  
 koskien yhteensä 50 erilaista kansalaisten ja julkishallinnon välistä ”elämänaikaista tapahtumaa” sekä vastaavasti 30 erilaista yritysten ja 
 julkishallinnon välistä ”yritysten elinkaarenaikaista tapahtumaa”. Esimerkkeinä kansalaisia koskevista tapahtumista olivat esim. ”avioliiton solmiminen”
 ja yrityksiä koskevista interaktioista esim. ”uuden yrityksen perustaminen”. Reformin alussa kansalaiset ja yritykset arvioivat kunkin julkishallintoon
 suuntautuvan interaktionsa koettua monimutkaisuutta arvoilla ”yksinkertainen”, ”OK”, ”monimutkainen ”, ”erittäin monimutkainen”. Varustettuna näillä
 alustavilla kansalais- ja yritysnäkökulmilla julkisen asioinnin havaitusta monimutkaisuudesta, tuli kyseisiä asiointiprosesseja hallinnoivien yksiköiden
 uudeksi ja ainoaksi asiakaslähtöiseksi missioksi uudistaa koko toimintansa siten, että kansalaisten ja yritysten monimutkaiseksi kokemat ”elämän
 tapahtumat” saadaan mahdollisimman nopeasti muutettua mahdollisimman yksinkertaiseksi. Reformin valmistuttua kyselyn tulokset osoittivat julkisen 
 asioinnin havaitun monimutkaisuuden pudonneen (eli koetun palvelun laadun lisääntyneen) 20 prosenttia kansalaisten tapauksessa ja 25 prosenttia yritysten
 tapauksessa. http://www.mckinsey.com/insights/public_sector/transforming_government_in_france

====== Suorituskykykyä vertailemalla parhaita käytäntöjä ======

Julkishallinnon yksiköiden oman päätöksenteon tehostamisen lisäksi datalähtöisellä mittaamisella on erittäin tärkeä merkitys julkisten yksiköiden keskinäisessä suorituskykyvertailussa (benchmarking), joka tarjoaa julkisen toimijan ulospäin läpinäkyvän suorituskykyinformaation lisäksi yksikölle itselleen vahvan sisäisen insentiivin ja lähtökohdan kehittää omaa suorituskykyään edelleen. Suorituskykyvertailun keskeisenä oivalluksena on se, että näennäisesti erilliset julkiset toimijat voivat olla missioltaan, perusprosseiltaan tai esim. rakenteeltaan hyvinkin samankaltaisia. Nämä keskinäiseen vertailuun soveltuvat yksiköt voivat olla esim. eri henkilökunnan tai tahon toimesta johdettuja  sisaryksiköitä samassa julkisessa emo-organisaatiossa tai hallinnonalassa mutta aivan yhtä hyvin verrokkiorganisaatiot voivat olla kokonaan erillisiä julkisia toimijoita tai yksityisiä yrityksiä Suomesta tai muualta maailmasta. Kun julkiset toimijat ja yritykset eri puolilla Suomea ja maailmaa mittaavat omaa suorituskykyään lisääntyvässä määrin keskenään vertailukelpoisella standardimittaristolla, voivat tietyllä osa-alueella muihin nähden alisuorittavat julkishallinnon yksiköt oppia, omaksua tai parhaassa tapauksessa suoraan kopioida parhaita suorituskyvyn tehostamiskäytäntöjä niiltä verrokkiyksiköiltä, jotka ovat kyseisellä osa-alueella kansainvälistä huippua.

 '''Verokarhulle tehoa datalähtöisellä benchmarkkauksella'''
 Esimerkkinä suorituskykyvertailusta on tutkimus, jossa yhteensä 13 maan verohallintoa verrattiin toisiinsa erilaisilla verohallinnollisilla osa-alueilla
 (esim. verotietoja koskevat rutiinitoimenpiteet, ei-ilmoitettuihin tietoihin liittyvät auditoinnit, tehostettu proaktiivinen veronkeruu,  monikanavainen 
 asiakaspalvelu). Tiivistäen, tutkimus osoitti että yksikään verohallinnoista ei ollut paras kaikilla osa-alueilla eli kaikilla oli opittavaa toisiltaan
 suorituskyvyn parantamisessa. Lisäksi tutkimus osoitti, että 13 verohallintoa yhdessä voisivat kerätä 86 miljardia euroa lisää suorina veroina ja säästää
 6 miljardia kuluissa, mikäli kaikki verohallinnot toteuttaisivat veronkeruun yhtä hyvin kuin paras kolmasosa. (Thomas Dohrmann and Gary Pinshaw, ”The road
 to improved compliance: A McKinsey benchmarking study of tax administrations 2008-2009)  
 http://www.mckinsey.com/client_service/public_sector/expertise/public_finance

Edellä esitetyt datalähtöisemmän organisaatio- ja päätöksentekokulttuurin luominen sekä suorituskyvyn jatkuva parantaminen ovat tärkeitä askeleita kohti huomispäivän tuottavampaa ja sitä kautta kestävämpää julkishallintoa. Datalähtöisen kulttuurin voivat saada toimimaan ainoastaan julkishallinnossa työskentelevät ja työnsä merkityksellisyydestä motivoituneet ihmiset, jotka sekä ymmärtävät oman työnsä perimmäisen palvelutarkoituksen ja jotka ovat valmiita datalähtöisyyden edellyttämään asennemuutokseen. Ihmisten kouluttaminen, motivoiminen ja vastuuttaminen tähän uuteen organisaatiokulttuuriin on suuri haaste ja muutos, jota on lähestyttävä kokonaisvaltaisesti pelkkien inkrementaalisten organisaatiomuutosten sijaan. Datalähtöisen muutoksen käynnistäjiksi ja suunnannäyttäjiksi tarvitaankin kokeneita ja vastuutettuja tiedolla johtamisen pioneereja, joilla on vahvan datalähtöisen näkemyksen lisäksi kyky motivoida ihmisiä ja organisaatioita pitkäjänteisesti.

====== Kansalaisille yksilöllisempää julkista palvelua ======

Eräs julkishallinnon kestotavoitteista on tarjota kustannus- ja palvelutehokkaampia palveluita kansalaisilleen eli säästää nykyisten palveluiden kustannuksissa ja/tai parantaa palveluiden vaikuttavuutta kustannusrakenne säilyttäen. Keskeinen keino parantaa palvelun vaikuttavuutta ja kansalaistyytyväisyyttä on segmentoida kansalaiset Big Datan tarjoamin menetelmin ja siten tarjota heille henkilökohtaisempaa palvelua. Datalähtöisemmät palvelut vievät myös kansalaisten kokeman loppukäyttäjäkokemuksen seuraavalle tasolle. Sen perusteella millainen kansalainen on, missä kansalainen on, mitä kommunikointivälinettä hän käyttää ja mitä hän on parhaillaan tekemässä, voi älykäs palvelu ehdottaa kansalaiselle ”päätöksiä” siitä, mitä hänen mahdollisesti tai luultavasti kannattaisi tehdä seuraavaksi. Kansalaisen tehtäväksi jää sitten tyypillisesti ja minimissään annettujen datalähtöisten ehdotusten hyväksyminen, tarvittaessa myös käyttäjälle päätöksen yhteydessä annettujen tarkempien perustelujen tai toimintasuositusten pohjalta. Henkilökohtaisemmat ja päätöksentekoa helpottavat käytettävät palvelut parantavat automaattisesti kansalaisten tyytyväisyyttä ja luottamusta julkishallintoon.

 '''Saksassa työvoimahallinto löytää big datalla töitä'''
 Esimerkkinä suuren mittakaavan kansalaisten analyyttisestä segmentoinnista ja julkishallinnon personoidusta asiakaspalvelusta on Saksan valtiollinen 
 työllisyysvirasto Bundesagentur fur Arbeit (BA), jonka päätehtävänä on integroida työnhakijat mahdollisimman nopeasti takaisin työvoimaan ja omalta 
 osaltaan tehostaa yritysten rekrytointiprosesseja. Segmentoimalla tarkasti tarjolla olevat työtehtävät ja työntekijät sekä räätälöimällä yksilöllisesti 
 mm. työnhaun edistämiseen tarkoitetut neuvontapalvelut, BA on saanut aikaan merkittäviä tuloksia. Vuodesta 2006 vuoteen 2011 BA:n asiakkaan keskimääräinen
 työttämänäoloaika putosi 162 päivästä 136 päivään, työttömien määrä putosi 4,5 miljoonasta 2,9 miljoonaan ja BA:n kautta työllistyneiden määrä (per 
 vuosi) kasvoi 240 000 ihmisestä 510 000 ihmiseen. Myös BA:n asiakastyytyväisyys niin työntekijöiden kuin työnantajien puolella parantui huomattavasti
 kyseisenä aikana. (McKinsey Interview 2013, Frank Jurgen Weise, Behind the German jobs miracle.
 http://www.mckinsey.com/features/government_designed_for_new_times/table_of_contents )  

Laadukkaiden palveluiden tulee lisäksi kaikin tavoin säästää kansalaisten aikaa, esim. kaikki kansalaisille näkyvät hakemus- ja tiedonsyöttöprosessit tulisi automatisoida byrokratian ja käsittelyvirheiden vähentämiseksi. Kansalaisille on oltava mahdollisuus itse päivittää esim. kaikkia julkiseen asiointiinsa liittyviä, valmiiksi esitäytettyjä henkilö- ja hakemustietojaan. Riippumatta mikä taho julkiset digitaaliset palvelut varsinaisesti teknisesti rakentaa, tulee kaikkien palveluiden tukea helposti saatavissa olevaa reaaliaikaista palautetta niiden käytöstä, niin kansalaisten antaman eksplisiittisen yhteisöllisen palautteen kautta kuin palvelun varsinaiseen käyttöön perustuvaan analytiikan muodossa. Käytöstä kerättyä palautetta voidaan jälkeen päin analysoida niin palvelun käytettävyyden kuin varsinaisen julkisen asioinnin kehittämisen kannalta.

 '''Julkishallinnon mahdollisia Big Data-käyttötapauksia''' 
 
 Julkishallinnolla on suuria määriä dataa, tyypillisesti rakenteisessa teksti- ja numeromuodossa. Julkishallinnon tuottavuutta voidaan  parantaa  
 yksittäisillä ja kustannussäästöjä teknisillä Big Data-ratkaisuilla, jotka on kohdistettavissa julkishallinnon eri hallinnonalojen ja yksiköiden 
 täsmällisiin tietojenkäsittelyllisiin ongelmiin. Hyödynnettäessä Big Dataa julkishallinnossa, on teknisiä IT-ratkaisuja huomattavasti tärkeämpää saada 
 aikaan datalähtöisyyden edellyttämä asennemuutos julkishallinnon ihmisissä ja työskentelytavoissa ja sitä kautta luoda jatkuvaan mittaamiseen ja hallinnon
 parantamiseen liittyvä datalähtöinen organisaatiokulttuuri. Alla on lueteltu mahdollisia sovelluskohteita Big Data –ratkaisuille:
 
 '''Työvoima ja kouluttautuminen'''
 
 *Koulutustarjonta-, työtarjonta- ja työvoimatarjontatietovarantojen yhdistäminen ja analyyttinen segmentointi työttömän työvoiman mahdollisimman nopeaksi
 ja tarkaksi kohdistamiseksi tarjolla oleviin ja työttömille hakijoille yksilöllisesti soveltuviin työ- ja jatkokouluttautumistilaisuuksiin. Tällä voidaan
 omalta osaltaan tukea hallituksen tavoitteita nuorisotyöttömyyden torjumisessa, työurien pidentämisessä, ammatillisen koulutuksen tarjoamisessa, 
 välityömarkkinoissa sekä työtarjousten lisäämisessä (ja niiden tiukennetusta vastaanottovelvollisuudesta).
 Sosiaalietuuksien ja –tukien väärinkäytön data-analyyttinen ennakoiminen ja tukihakemusten/päätösten käsittelyn nopeuttaminen
 *Tarjotun työn ja sen vastaanottamisen tarpeen perusteleminen data-analyyttisesti tarjotusta työstä kieltäytymisen vähentämiseksi
 *Education to Employment (E2E) parhaiden käytäntöjen soveltaminen yhdessä yritysten kanssa, mm. kasvan teknologiatyöttömyyden suunnan ennakoimiseksi
 *Yleisesti työllisyyteen liittyvien koulutus- ja osaamistarpeiden tilannekuvaseuranta ja työvoimapoliittisten strategioiden paremmaksi ennakoimiseksi
 
 '''Harmaan talouden ja kansainvälisen veronkierron torjunta'''
 
 *Tehostettu petosten ja virheiden havainnointi Big Data-ratkaisuilla osaksi harmaan talouden torjuntaohjelmaa
 *Kovaan dataan perustuvien veroanalyysien täydentäminen esim. sosiaalisen median pehmeämmällä datalla
 
 '''Hallituksen kestävän kehityksen mittarit'''
 
 *Yhteiskunnalliseen kestävyyteen liittyvät Big Data-mittarit ja niiden kansalaisystävällinen seuranta
 *Ympäristön kestävyyteen liittyvät Big Data-mittarit ja niiden kansalaisystävällinen seuranta
 
 '''Kansalaisille avoimempi ja ymmärrettävämpi kuva valtiontalouden tilasta''' 
 
 *Kansantalouden data-analyyttinen "simulaattori” palvelemaan yksityisten, julkisten tahojen ja yksittäisten kansalaisten tekemiä tutkimuksia koskien
  valtiontalouden tilaa  
 *Valtion rahoitusvirtojen ihmisystävällisemmät visualisoinnit avoimen datan pohjalta, esim. oman äänestyspäätöksen helpottamiseksi
 *Muut taloudelliseen kestävyyteen liittyvät Big Data-mittarit ja niiden kansalaisystävällinen ja -motivoiva seuranta

==== Älykkäät verkot ====
TULOSSA

==== Tutkimus ====

Big data-kehitys tarjoaa tutkimukselle huomattavia mahdollisuuksia. Esimerkiksi uusien, dataan perustuvien tutkimusmenetelmien kehitys tuo lähes alan kuin alan tutkijoille huomattavasti parempia mahdollisuuksia tutkia erilaisia asioita ja toisaalta löytää ongelmiin myös vastauksia. Muun muassa erilaisen mobiilidatan, trendidatan sekä sosiaalisesta mediasta saatavan datan määrän kasvu tuo tutkijoiden ulottuville aivan uudenlaisia aineistoja.

Menetelmäkehityksen lisäksi tärkeää on muistaa niiden hyödyntämisessä muun muassa monitieteisyys. Esimerkiksi erilaisiin yhteiskunnallisiin ongelmiin voidaan hakea vastauksia uusien menetelmien avulla. Tämä vaatii eri tieteenalat ylittävää työskentelyä, muun muassa matemaatikkojen, ohjelmoijien ja yhteiskuntatieteilijöiden kesken. Erilaiset laitos- ja tieteenalarajat eivät saa estää uusien menetelmien sekä mahdollisuuksien täysimääräistä käyttöä. Yliopistojen tulisi olla valmiita muun muassa erilaisten monialaisten tutkimustiimien tukemiseen.

==== Liikenne ====

Liikenteen alalla datan räjähdysmäinen lisääntyminen  ja big data-ratkaisut tarjoavat selkeitä mahdollisuuksia. Erilaisilla ratkaisuilla tavoitellaan muun muassa liikenneturvallisuuden parantumista ja liikenteen tehostumista sekä liikenteen ekologisuutta. Ratkaisut voivat liittyä muun muassa liikenteen ohjausjärjestelmiin, logistiikan optimointiin sekä erilaisiin reittipalveluihin.

Suomella on mahdollisuus profiloitua liikenteen kokeiluympäristönä (LVM: älyliikenne ja liikenteen sähköiset palvelut http://www.lvm.fi/web/hanke/liikenteen-sahkoiset-palvelut, http://www.lvm.fi/alyliikenne ). Tätä puoltaa muun muassa Suomen suhteellisen pienimuotoinen liikenne, jolloin pienempiä kokeiluja voidaan hyvin tehdä. Suomessa tehdään myös alan tutkimusta ja ylipäänsä ollaan maailmassa kärkijoukossa esimerkiksi avoimen liikennedatan käytön suhteen. Suomessa on myös tehty tutkimusta uudenlaisista liikennejärjestelmistä.

Parhaimmillaan erilaiset liikenteeseen liittyvät big data-innovaatiot(esim. liikenneanalyysi ja -ennusteet) voivat olla merkittäviä vientituotteita.Erilaista tutkimus- ja innovaatiotukea sekä muuta rahoitusta on liikenteen alalla saatavissa suhteellisen runsaasti. Näin ollen mahdollisuus merkittävään toimintaan on olemassa.

==== Teollinen internet ====

Huolto ja ennakoivat etäpalvelut ovat yksi osa-alue laajemmassa kokonaisuudessa, josta usein
käytetään termiä Teollinen Internet (TI).  Tällä tarkoitetaan sulautettujen ja älykkäiden laitteiden ja järjestelmien, niistä jatkuvasti kertyvän datan ja siihen pohjautuvan data-analytiikan sekä ihmisten työn tehokasta yhdistämistä liiketoimintaprosesseissa. Tämä mahdollistaa sen, että tuotanto- ja muut resurssit, tieto, esineet ja ihmiset muodostavat reaaliaikaisesti verkottuneen kokonaisuuden. 

Sovellusalueita ovat mm. valmistavan teollisuuden prosessit ja niiden optimointi, ennakoiva huolto, energian käytön hallinta, käyttöomaisuuden hallinta ja ennakoiva huolto. Vähintään yhtä suuret hyödyntämismahdollisuudet ovat myös varsinaisen teollisuuden ulkopuolisessa elinkeinolämässä, kuten esim. terveydenhuollossa, kaupan ja logistiikan alueella, rakentamisessa ja kiinteistöjen hoidossa sekä kunnnallisten ja muiden julkisten palvelujen tuottamisessa (energia, vesi, jätevesi...). Yhteistä kaikille sovellusalueille on se, että tavalla tai toisella on olemassa automatisoitu linkki fyysisen maailman ja digitaalisen maailman välillä. Usein tuo linkki syntyy joukosta antureita tai tägejä, joilla voidaan saada tietoa esineiden tai ihmisten tilasta, olinpaikasta ja muista tekijöistä. Kun tätä tietoa yhdistetään ja analysoidaan yhdessä kertyneen historiatiedon sekä muiden tietovarantojen kanssa, voidaan tehostaa merkittävästi nykyisiä toimintatapoja ja -prosesseja sekä luoda myös aivan uusia palveluja ja liiketoimintaa. Alan uusissa palveluissa on myös huomattava vientipotentiaali. Toisaalta esimerkiksi etähuoltoratkaisujen avulla voidaan pitää ja saada lisää korkean jalostusarvon työpaikkoja Suomeen.

 GE:n valmistamista lentokoneturbiineista kerätään päivässä huimia datamääriä. Yksi turbiinin sensori kerää päivässä noin 500 gigaa dataa. Yhdessä 
 turbiinissa taas on 20 sensoria ja GE:llä on noin 12 000 turbiinia.
 http://sites.tcs.com/big-data-study/ge-big-data-case-study/
 http://www.lopezresearch.com/2013/06/04/the-new-industrial-revolution-according-to-ge-and-ptc/ 

Suomella olisi mahdollisuuksia muun muassa palveluliiketoiminnan synnyttämisessä teollisen internetin avustuksella ja -ympärille. Palvelu ja huolto yhdistettynä etähuoltoon, automatisointiin, ennakoivaan huoltoon.  Merkittävä osa ongelmanratkaisuista ja korjauksista voidaan automatisoida. Tämä toiminta sopii eri teollisuusalueille: Metalliteollisuus, konepajat (esim. Konecranes), tietoliikenne.  Kaikki vähänkin arvokkaammat laitteet tai toiminnallisuudet pystyvät itse analysointiin ja ne voidaan testata/analysoida/korjata etäältä.  Usein vikaantuminen voidaan jo ennakoida.  Tällä toiminnan optimoinnilla saadaan merkittäviä säästöjä ja kompetenssi siirretään halpatyösuunnasta korkeamman kompetenssin vaatimuksiin.

Eri toimialoilla samoja tai samantapaisia tarpeita. Teollisen internetin kehityksen hyödyntäminen vaatii osaamista ja kombinaatiota erilaisista asioista. Näihin lukeutuvat muun muassa kompetenssi, anturien kehitys, etäyhteyksien parantuminen sekä Big Data analytiikka.  Haasteena teollisen internetin kehityksessä Suomessa on muun muassa se, että kovin laajamittaista hyödyntämistä

Suomessa on alaa silmällä pitäen hyvä koulutustaso ja kompetenssi, jokseenkin osaajapula voi ainakin big data-osaajien kohdalla uhata tulevaisuudesa. Myö toimintaa ja intressi on jo osittain olemassa. Etäinen sijainti päämarkkinoilta ja päämyyntialueilta on Suomelle luonnollisista. Tämä tarjoaa tietyssä mielessä otollisen . Sopivia teollisuusaloja, joihin big data-lähtöinen palveluliiketoiminta on sovellettavissa, ovat muun muassa metalli-, kone- sekä tietoliikenneteollisuus. Kaikilla näillä on perinteisesti ollut Suomessa tärkeä rooli viennin kannalta. Toisaalta nämä alat ovat osittain olleet kriisissä ja vaativat uudistumista. Big dataan perustuvat ratkaisut ovat avainasemassa kansainvälisessä kilpailussa mukana pysymiselle.

==== Cleantech ====

Big data liitettynä cleantech-osaamiseemme mahdollistaa uusia innovointi- ja vientimahdollisuuksia mm. jättimäisille ja kasvaville Aasian markkinoille. Suuri osa Cleantech- ratkaisuista perustuu kerääntyvän digitaalisen tiedon parempaan hyödyntämiseen ja toiminnan optimointiin tämän pohjalta. Erilaisilla big data-ratkaisuilla onkin Cleantech-kehityksen kannalta oleellinen rooli.

Cleantechin yleinen merkitys on vahvassa kasvussa resurssiniukassa maailmassa, ei välttämättä aina omana ympäristötekniikan alanaan vaan kaikkeen muuhun liiketoimintaan sulautettuna.

Myös Cleantech-kehitystä silmälläpitäen tarvitaan uusi platform-ajattelua hyödyntävä yhteistyön malli, jolla pienet yritykset voisivat suoraviivaisemmin toimia toimia isojen teollisuusyritysten innovaatiopartnereina ja sitä kauttaa tuottaa runsaasti ja tehokkaasti yksinkertaisia konsepteja/palveluita suuryritysten teknologian (alustat, laitteet) tai datan ympärille 

Nopean kansainvälistymisen haasteet käännettävä vahvuuksiksi uusilla vientikelpoisilla innovaatioilla ja palveluilla. Cleantechin innovoinnista ja vahvuuksista huolimatta Suomella ei välttämättä juurikaan ole alueelta omia, kansainvälisesti tunnistettuja kotimaisia käyttöreferenssejä. Ratkaisuja täytyisi siis kokeilla rohkeasti ensin myös kotimaassa. Osittain haasteena ovat myös teollisen internetin standardien ja osin teknologioiden kypsymättömyys, vaikka tulevaisuuden potentiaalia on paljon. Cleantech kulkee siis käsi kädessä teollisen internetin kehityksen kanssa.

 Cleantech on yksi työ- ja elinkeinoministeriön nimeämistä kasvun kärjistä.Valtioneuvoston periaatepäätös kasvun uusien kärkien cleantechin ja biotalouden 
 vauhdittamisesta. https://www.tem.fi/files/39772/VNP_kasvun_karjet_cleantech_ja_biotalous_08052014.pdf

=== Markkinointi ja mainonta ===
Gartnerin mukaan 50% Big Dataan käytettävistä investoinneista menee markkinointiin. Markkinointi on muuttumassa teknologiavetoiseksi. Gartnerin mukaan Chief Marketing Officerit käyttävät vuonna 2017 enemmän rahaa IT:hen kuin Chief Information Officerit. 

Big Datan tyypillisimmät käyttötapaukset markkinoinnin ja mainonnan alueella liittyvät kuluttajakokemuksen parantamiseen, sisällön personointiin ja viestinnän kohdentamiseen. 

 '''Big Datalla on suuri rooli muun muassa seuraavissa markkinoinnin ja mainonnan aloissa''':
 * Consumer Experience Management
 * Real-time Bidding
 * native advertising
 * mobile & video advertising
 * location-based advertising
 * micro-targeting
 * real-time personalization


'''Paluu pääsivulle'''
[[Big_Data_-strategia]]