Big Data -strategia

Kysymys

←--#: . Tähän voisi tehdä täsmällisemmän kysymyksenasettelun niin, että lukija tietää mitä tuleman pitää ja käyttäjä tietää millaista sisältöä kaivataan. Esimerkiksi jotain alla olevan tapaista (en tunne hankkeen taustoja, joten saatan olla hakoteillä joissakin asioissa). --Jouni Tuomisto (keskustelu) 16. huhtikuuta 2014 kello 06.49 (EEST) (type: truth; paradigms: science: defence)

Millainen kansallinen suuraineistostrategia (big data strategy) Suomella pitäisi olla vuosille 2014-2020, jotta

• se edistäisi yhteiskunnan moniarvoista kehittymistä,
• se toisi kansalaisille lisäarvoa oman elämän ja omien tietotarpeiden hallintaan,
• se ehkäisisi tiedon pahantahtoisen käsittelyn ihmisille ja yhteiskunnalle aiheuttamia haittoja, ja
• se parantaisi Suomen kansainvälistä kilpailukykyä?

Tämä on big data- strategian kirjoituswikisivusto.

Ohjeistusta edellytys- ja sovellusalueista kirjoittamiseen: Kirjoita

1. kuvausta kyseisestä teemasta, sen nykytilasta, esimerkkejä ja perustelua siitä, miksi tämä meille olennaista
2. ideoita toimenpiteiksi, joita tämän teeman kehittämiseksi tarvitaan (strategian toimenpideosio kootaan myöhemmin näistä)

----#: . Toivon teidän täydentävän sivulla Luettelo Opasnetissa toteutettavista hankkeista olevan taulukon omalta osaltanne ja laittavan samat tiedot myös tälle sivulle. Kiitos. --Jouni Tuomisto (keskustelu) 16. huhtikuuta 2014 kello 07.09 (EEST) (type: truth; paradigms: science: comment)

Vastaus

Tähän kirjoitetaan strategiaan sisällytettävät toimenpiteet sitä mukaa kun ne jäsentyvät.

Johdanto

Big Data

Yhteisesti jaettua ja täysin yksiselittäistä määrittelyä ei termille ole. Useimmiten käytetään kolmen V:n määritelmää, jolla viitataan sekä datan määrään (volume),syntyvauhtiin (velocity) sekä erilaiseen, struktoroimattomaan dataan (variety). Eri näkökulmista, muun muassa eri palveluntarjoajien määritelmissä, painotetaan ilmiön eri puolia. Esimerkikisi Intel määrittelee big datan puhtaasti koon (mediaaniarvona 300tb dataa viikottain), Microsoft lähestyy asiaa analyysin vaadittavien monimutkaisten menetelmien kautta. Lisäksi termiä voitaisiin lähestyä myös analyysiin käytettävien työkalujen kautta . (Mm. Hadoop)

Big dataan törmää nykyään joka puolella. Termi on nykyään jatkuvasti esillä myös mediassa ja julkisuudessa. Osittain kyse on myös termin ja ilmiön ympärillä olevasta hypestä, big dataan liittyy äärimmäisen suuria odotuksia ja toisaalta myös dystooppisia pelkoja. Viime vuoden aikana saavutettiinkin Gartnerin hypekuvaajan mukaan tulevina vuosina saavutetaankin ylimitoitettujen odotusten huippu . Tästä huolimatta ilmiötä ei tule tuomita teknoutopiaksi, vaan big data todella muuttaa toimintapoja lähes joka sektorilla. Myös Gartner ja muut tutkimusyhtiöt ovat hyvin yksimielisiä big datan disrubtiivisesta vaikutuksesta.

Maailmassa syntyvän ja kerättävän datan määrä kasvaa huimaa vauhtia, samalla oleelliseksi muodostuu kertyvän tiedon hyötykäyttö. Tulevat menestysyritykset ja jopa valtiot ovat muokanneet toimintaansa eri lähteistä saatavan datan avulla. Esimerkiksi päätökset perustuvat entistä enemmän saatuun tietoon. Tämä tarkoittaa myös sitä, että tiedon yhä tehokkaammasta hyödyntämisestä tulee globaalissa kilpailussa täysin välttämätöntä.

Tiedon varastoinnista on tullut selkeästi halvempaa ja helpompaa (mm. pilvi), lisäksi prosessointitehon kasvaessa analyysimenetelmät ovat kehittyneet, nykyään voidaan analysoida valtavia tietoaineistoja sekä yhdistellä eri muodoissa olevaa dataa (tuoda järjestys epäjärjestykseen). Samalla sensoriteknologia on kehittynyt ja halventunut merkittävästi. Nämä ovat big data-ilmiön mahdollistajia.

Big Datan voi käsittää myös tietynlaisena tiedon paradigmanmuutoksena. Siirrytään yrityksissä ja hallinnossa tekemään päätöksiä suoraan ”mitattuun” tietoon perustuen. Tutkimuksessa ei välttämättä tarvitse samalla tavalla muodostaa teoriaa, kun voidaan käydä valtavia tietomassoja läpi ilman ennakko-oletuksia ja ns. ”löytää” malleja, yhteyksiä

Tässä strategiassa big dataa on lähdetty lähestymään mahdollisen neljännen V:n, arvon eli valuen kautta. Strategiassa ei ole keskitytty pelkästään massiivisten, jopa supertietokoneita analyysiin vaativiin reaaliaikaisiin tietomassoihin. Sen sijaan omaksuttu näkökulma on astetta käytännöllisempi. Strategiassa on paikoin keskitytty myös käsittelymenetelmällisesti yksinkertaisempaan dataan ja esimerkiksi erilaisten tietoaineistojen yhdistelyyn. Ajatuksena on ollut tunnistaa ja löytää Suomen kannalta oleellisia alueita, joilla kerättävä tieto, uudet tiedonkäsittelymenetelmät ja laajempi tiedon hyödyntäminen voivat tuoda arvoa.

Lähtökohtana on laaja yhteistyö; data-aineistojen sijaitessa usein erilaisten organisaatioiden ja instituutioiden huomassa korostuu myös laajan yhteistyön tarve, niin hallinnon, yritysten kuin esimerkiksi järjestöjen kesken. Tätä on korostettu myös jo aiemmin big dataan keskittyneen strategian tai ohjelman laatineissa maissa.

Big Data-strategioita maailmalla

Big data-ilmiön tarkastelemiseen on monessa maassa havahduttu kansallisella tasolla. Eri maissa alan kehitykseen sekä muun muassa säästöjen ja kilpailukyvyn kannalta big data on nähty yhtenä oleellisimmista kehityskuluista. Niinpä monissa maissa alalle laitetut panostukset ovat mittavia. Big data-kehityksen kärjessä kulkeminen nähty äärimmäisen tärkeänä. Big data-maailmassa kilpailu on todella kovaa ja investoinnit alalle suuria.

Esimerkiksi Saksassa ja Ranskassa big data nähdään tiiviisti teollisuuden kilpailukyvyn avaintekijänä. Maat ovat huomioneet laajasti big datan teollisuuspolitiikassaan. Ranskassa big data kuuluu seitsemän tärkeimmän tulevaisuuden teknologian joukkoon. Strategioissa nähdään big datan tuovan hallinnolle pidemmällä tähtäimellä merkittäviä kehitys- ja säästömahdollisuuksia. Esimerkiksi alan kärkimaassa Yhdysvalloissa on taas panostettu pelkästään hallinnossa big data-kehitykselle satoja miljoonia dollareita. Big data-alalla toimivien yritysten suhteen maalla taas on selkeä etumatka esimerkiksi Eurooppaan verrattuna.

TÄRKEIMMÄT alueet esille. Nostaa edelläkävijyyttä esille nillä aloilla, joilla sitä löydettävissä (sovellusalueosion kautta??). Toisaalta missä ollaan selkeästi perässä/helposti saatavat hyödyt, kiinni kurominen näillä aloilla (minimi). UUDET MENETELMÄT esille. --> vaatii uutta koulutusta, tutkimus, asiantuntemus. Niin suurta dataa) MÄÄRÄN/HYÖDYN erottaminen tarkemmin JULKISEN PUOLEN mahdollisuudet, mm. toimintasuunnitelmiin big data-kehitys mukaan. KV asema, pakko toimia, kriisiajatus tarkemmin. (suomi jo muutaman vuoden perässä, tämä esiin) POST-IT-era, optimointi, tehokkuus. Erilaiset vaatimukset datan käytön/hallinnan yms. suhteen. (terveys vs. IOT) AVOIN DATA esille johdantoon, Suomi etujoukoissa. TEKNOLOGiA vs Hyödyntäminen

Edellytykset:

Datatietoisuus

Nykyaikaisen analytiikan ja big datan omaksuminen osaksi jokapäiväistä työtä on keskeinen askel kohti tiedolla johtamisen yrityskulttuuria. Uuden teknologian ja prosessointikapasiteetin kustannusrakenteiden jatkuva kehitys vaatii omien kyvykkyyksien säännöllistä uudelleentarkastelua. Se mikä datan tarkastelussa vuosi sitten oli mahdotonta tai kannattamatonta, voi tänään olla varsin perusteltua ja liiketoiminnallisesti kannattavaksi todistettavaa. Samalla budjetilla voidaan ensi vuonna jälleen tarkastella laajempaa datamassaa, etsien tarkempia signaaleja, uusia toimintamahdollisuuksia ja aiemmin tunnistamattomia optimointikohteita. Tämä sykli toistuu yhä uudelleen ja organisaatioiden onkin opittava kyseenalaistamaan vanhat datan tarkastelun rajat ja kiinnittämään tarkemmin huomiota uusien lähteiden syntyyn. On tultava datatietoiseksi.

Perinteisesti organisaatiot ovat tottuneet tarkastelemaan oman liiketoimintansa tuottamaa dataa. Ja siitäkin erityisesti esivalittua osajoukkoa, liiketoiminnan ydintietoa. Tämä tieto on kerättynä erilaisissa perusjärjestelmissä (ERP, CRM, CMS) ja sekä datan tuntemus että sen analysointiin käytettyjen välineiden osaaminen on vahvaa. Big datan huomiointi tässä kontekstissa tarkoittaa datan keräämisen laajuuden tarkastelua. Jos perusjärjestelmien lokitasot, tapahtumien kirjaaminen tai tapahtumien sisällön laajuus on aiemmin rajoitettu tallennus- ja prosessointikapasiteetin kustannusten perusteella, voidaan näitä arvioida uudelleen nykyisen kustannusrakenteen ja kapasiteetin myötä. Ydinliiketoimintaa on myös syytä tarkastella säännöllisesti uudelleen tiedonkeräämisen potentiaalin näkökulmasta. Onko aiempi analytiikka tai toiminnan tarkastelu nostanut esiin asioita, joissa datan kerääminen ei ole riittävällä tasolla? Voitaisiinko tuota tunnistettua, kiinnostavaa dataa kerätä tuomalla järjestelmiin uusia ominaisuuksia tai toimintaympäristöön esimerkiksi erilaisia sensoreita? Näihin mahdollisuuksiin tarttuminen kartuttaa oman liiketoiminnan tuottamaa datavarantoa entisestään ja saattaa nostaa big datan teknologioiden omaksumisen varsin ajankohtaiseksi.

Datatietoinen organisaatio ei kuitenkaan rajoita tiedonjanoaan ainoastaan omien järjestelmien keräämään dataan, vaan katsoo ympäröivää ekosysteemiä laajemmin. Datan mahdollisuuksia on syytä arvioida kumppaniverkoston kanssa, tunnistaen synergioita, datan vaihdon mahdollisuuksia tai jopa uuden liiketoiminnan perustamisen potentiaalia datavarantojen yhdistämisen myötä.

Data rinnastetaan useissa puheissa nykyisin luonnonvaroihin, joten sille syntyy luonnollisesti myös arvo kauppatavarana. Tämän ilmiön myötä datan kerääminen ja koostaminen on synnyttänyt ja synnyttää edelleen uusia toimijoita markkinoille. Näiden datakauppiaiden toiminta puolestaan esiintyy joko yksittäisinä palveluina tai koostettuna datan markkinapaikoille. Kysyntä ja tarjonta määrittävät ennen pitkää erilaisen datan arvon, aivan kuten muillakin luonnonvaroilla. Nykyaikainen, datatietoinen organisaatio huomioi myös nämä kaupalliset datavarannot arvioidessaan liiketoimintansa datavetoista kehitystä.

Kolmas näkökulma saatavilla olevaan dataan on avoin data. Sekä EU-tason että kansallinen lainsäädäntö ohjaa erityisesti julkishallinnon dataa voimakkaasti kohti avoimuutta. Tulevaisuudessa kansallisin varoin kerättyä, varsin arvokasta dataa on paljon saatavilla ja hyödynnettävissä edelleen liiketoiminnan kehityksessä. Avoimen datan kulttuurin kehitys vetää mukanaan myös yksityisiä ja kaupallisia toimijoita, joiden intresseissä on avata dataansa julkisuus- ja goodwill-tarkoituksissa sekä vauhdittaakseen oman erityisosaamisalueensa kehitystä. Organisaatioiden onkin syytä ottaa mukaan kokonaisvaltaiseen data-strategiaansa myös avoin data ja sen erilaiset mahdollisuudet. Hyötyjä on tunnistettavissa sekä avoimen datan kuluttajana että tuottajana.

Kansallisessa big data -strategiassa avoimen datan kehitys on yksi keskeisistä teemoista. Nykyaikainen suhtautuminen datan avaamiseen, lainsäädännön kehitykseen reagointinopeus ja tiedon jakamisen kulttuurin kehitys luovat myös kansallista pääomaa ja auttavat Suomea toimimaan esimerkkimaana. Kokemukset avoimen datan päätöksistä, käytännön toteutuksista ja vaikutuksista liiketoimintakenttään ovat lähitulevaisuudessa haluttua pääomaa. Parhaiden käytäntöjen tuotteistaminen voi luoda myös hyvää tukea suomalaisen osaamisen vientiin ja vauhdittaa osaltaan talouskasvua.

TIEDOLLA JOHTAMINEN, tiedosta hyödyn saaminen. Määrittely otsikolle: "kun riittävä massa dataa, saadaan informaatiota ulos, datan säilyttäminen/analysointi arvokasta. (arvoaspekti) Muutama esimerkki säilyttämisen yms. mahdollisuuksista. Hyöty ei välttämättä näy heti, huomioon myös. (potentiaali) Use caset tähän myös. TIETOISUUS BIG DATAN MAHDOLLISUUKSISTA?. Tuodaan negatiivisemmat puolet, etiketti/ toisen suunnan mahdollisuudet.

Kokeilut/t&krahoituksen suuntaaminen

Big data-kokeiluille tulisi saada riittäviä resursseja. Erilaiset mallit, sovellukset. yms. ovat useimmiten äärimmäisen nopeasti skaalattavissa ylöspäin. Niinpä yksittäisestä toimivasta kokeilusta syntyvä palvelu/teknologia/tuote voi olla nopeastikin täysosuma. T&K-rahaa tulisi kohdentaa big dataan liittyville kokeiluille ja tutkimukselle. Lisäksi muun muassa EU:n Horisontti 2020-ohjelman mahdollisuudet tulee käyttää täysimääräisesti hyväksi.

KOKEILU: Kansalaisen oma mobiilisovellus

Tällä hetkellä mobiilialan yritykset, pienet ja suuret yhtälailla, seuraavat käyttäjän toimia monella eri tavalla. Osa seurannasta tehdään uutisoinnin mukaan ilman käyttäjän suostumusta ja osa käyttäjän suostumuksella. Käyttäjän toimien seuraaminen mobiililaitteilla on tehokas tapa kerätä rikasta tietoa käyttäjän tekemisistä. Yhteiskunta voisi ottaa käyttäjien seurannan tietoisesti käyttöön, tietenkin loppukäyttäjien luvalla ja käyttötarkoitukset perustellen. Mobiilisovellus voi kerätä tietoa aktiivisesti sensoreiden ja erilaisten mobiililaitteen tapahtumien avulla. Lisäksi sovellus voi kerätä tietoa kysymyksin ja käyttäjän itsensä syöttämänä. Sovellus voidaan myös yhdistää sosiaalisen median kanaviin.

Kerättyä tietoa voidaan hyödyntää yhteiskunnan palveluiden kehittämiseen ja suuntaamiseen tehokkaammin. Kun tiedetään kansalaisista tarpeeksi, voidaan havaita piileviä syy-seuraussuhteita ja ennakoida esimerkiksi terveyskeskusten kuormitusta.

Mobiilisovelluksen käyttäjä voisi taas saada henkilökohtaistettua tietoa omista riskeistään ja erilaisia ennusteita, joita kerätystä datasta nousee; esimerkiksi tietynlainen mobiilikäyttäytyminen voi johtaa käyttäjän stressitasojen nousuun ja heijastua terveyteen pitkällä aikavälillä.

Mobiilisovellusta voitaisiin kokeilla ensin pienimuotoisesti, jotta saadaan selville käyttäjien mielipiteet ja heidän hyväksyntänsä sovelluksesta, joka voidaan kokea herkästi myös "isoveli valvoo" -tyyppisenä sovelluksena.

Haastetta ketterien kokeilujen toteuttamiselle asettaa se, että suurten tietovarantojen haltijat ja niitä kerryttävät tahot ovat usein suuria eivätkä aina niin ketteriä organisaatioita. Toisaalta data-analytiikan alueelle on syntynyt ja syntymässä uusia pieniä yrityksiä, jotka voisivat tarjota tehokkaampia menetelmiä big datan hyödyntämiseen ja uuden liiketoiminnan synnyttämiseen. Myös T&K&I -rahoitusta suuntaamalla olisi mahdollista saattaa erilaisia big-data -toimijoita yhteisiin projekteihin ja hakemaan yhdessä ratkaisuja todellisiin asiakastarpeisiin.

KOKEILUJEN kuvausta, kaikki eivät johda uuteen liiketoimintaan. Tärkeätä kuitenkin muuttaa myös ilmapiiriä "start-up"-henkisempään suuntaan. Sama myös TKI-rahoitukseen?

T&K-rahoituksella ohjaaminen ketterämpään suuntaan, yhteistyö erilaisten yritysten kesken.

Big data-keskus, joka toisi yrityksiä yhteen?

Datan markkinat, uudet mahdollisuudet sitä kautta?

Yhteistyö kv. vetureiden kautta? Esmes suomalainen pk-yritys ja saksalainen autoteollisuuden toimija.

Ilman investointeja mahdotonta saada etumatkaa kiinni? Vaatii julkishallinnolta tutkimusvarojen kohdentamista.

Isommille kannuste antaa dataa käyttöön,jakamisesta liiketoimintamalli samalla. (bitcoin-malli)

Yritysten yhteistyö ja datan vaihto

Big datan prosessointi on erityisen haasteellista. Dataa saattaa olla niin paljon ja sitä voi syntyä niin suurella nopeudella, että sitä ei voi siirtää fyysisesti toisen organisaation käsiteltäväksi. Tällaisissa tilanteissa tiedon analysointia varten täytyy siirtää prosessoivaa koodia toisen organisaation sisälle. Tämä on ongelma, joka vaatii sekä teknistä että tietoturvallista ratkaisua. Samalla täytyy varmistua siitä, kuinka toinen osapuoli voi luottaa ulkopuoliseen ohjelmakoodiin. Yksi ratkaisu tähän voisi olla yhteiskunnan luoma luotettu dataoperaattori, joka huolehtii datan analysointikoodista ja resurssoinnista yhteistyössä osapuolten kanssa.

Laajemmaksi otsikoksi datamarkkinat etc.

yhdistää datan saatavuuteen ja avoimuuteen

Venture capital- tyhjiöön suuria yrityksiä + osin julkiset toimijat, Tekes? Tekes pääomasijoitus oy.

Start up-kenttä big data kehityksessä. AaltoES yms.

Avoimen datan case studyt? Osoittamaan mahdollisuuksia/hyötyä.

Yritysten mukaan houkutteleminen, motivointi yms.?

Koulutus

Big datan hyödyntämisen kannalta koulutus on avainasemassa. Tällä hetkellä muun muassa erilaisten analyysimenetelmien osaajista on pulaa. Samoin tarvitaan yritysjohtajia, jotka ymmärtävät data-analyysin mahdollisuudet päätöksenteon tukena ja yritysten kilpailukyvyn turvaajina. Tulevaisuudessa osaajilta vaaditaan yhä enemmän, jolloin koulutuspuutteet voivat muodostua merkittäväksi esteeksi big datan laajemmassa hyödyntämisessä.

Koulutuspuutteisiin tulee vastata jokaisella koulutustasolla peruskoulusta lähtien sekä myös yritysten taholla esimerkiksi täydennyskoulutuksien muodossa. Perustana olevia matemaattisia, tilastotieteellisiä sekä ohjelmointitaitoja tulisi painottaa opetussuunnitelmissa jo hyvin varhain, jotta tulevat osaamistarpeet tulisivat paremmin katettua pitkällä tähtäimellä.

Tämä ei kuitenkaan vastaa välittömiin tarpeisiin. Suomessa on käynnistymässä sekä ammattikorkeakouluissa että yliopistoissa useita big dataan ja data-analytiikkaan liittyviä koulutusohjelmia. Ammattikorkeakoulutasolla esimerkiksi Haaga-Helia tarjoaa big dataan liittyviä kursseja xxx-koulutusohjelmassaan. Yliopistotasolla esimerkiksi Aalto-yliopiston kaikkien kuuden koulun maisteriopiskeljoiden on syksystä 2014 lähtien mahdollista suorittaa sivuaineen laajuinen "Analytics and Data Science" -kokonaisuus. Tämä kokonaisuus täydentää mm. jo olemassaolevia Koneoppimisen ja tiedonlouhinnan sekä Tieto- ja palvelujohtamisen maisteriohjelmia, jotka tarjoavat valmiuksia data-analyysiin. Kaikkien suomalaisten korkeakoulujen, jotka eivät vielä ole havahtuneet big datan vaikutuksiin, tulisi huomioida kehitys ja pikaisesti saada datalähtöisyys ja data-analyysi näkymään eri alojen koulutuksessa. Näissä koulutusohjelmissa voitaisiin tehdä yritysten kanssa tiivistä yhteistyötä, jotta tulevat varsin akuutit tarpeet saadaan edes osittain katettua myös suoraan käytännön taidoilla varustetuilla valmistuneilla. Erilaisilla harjoittelu- ja tutustumismahdollisuuksilla on oma tärkeä osansa. Data-analytiikkaan koulutettaville tulisi tarjota mahdollisuuksia opiskelun aikana erilaisiin harjoitteluihin. Näitä voisi yritysten lisäksi tarjota myös julkishallinnossa, mikä osaltaan auttaisi siirtymistä datalähtöisempään toimintatapaan.

Lisäksi alueella tulisi lisätä monialaista koulutusta. Datalta täytyy osata kysyä oikeita kysymyksiä, joten erilaisten taitojen ja erilaisen osaamisen yhdistäminen on välttämätöntä. Niinpä data-analytiikkaa ja datan "ymmärtämistä" tulisi näkyä melkein alan kuin alan koulutuksessa, aina kauppatieteellisestä yhteiskunta- ja sosiaalitieteisiin. Pelkkä tekninen osaaminen ei riitä, vaan tarvitaan ymmärrystä substanssialoista sekä kykyä yhdistellä asioita ja aloja luovasti. Monella alalla käytettävissä olevan tiedon hyödyntäminen toisi huomattavaa lisäarvoa. On tärkeää kouluttaa osaajia myös yksityisyyden ja tietosuojan alueilla, sillä EU:ssa valmisteilla oleva lainsäädäntö saattaa tuoda yrityksille merkittäviä sanktioita (mahdollisesti 5% liikevaihdosta) henkilötietojen virheellisestä käytöstä. Nykyinen lainsäädäntö antaa yrityksille mahdollisuuden käyttää dataa vain siihen tarkoitukseen kun se on alunperin kerätty, mikä luonnollisesti rajoittaa datan käyttöä huomattavasti.

Koulutuksen kokonaistilanne korkeakoulutuksesta, nykytilanne vs. tuleva tarve. Reaaliaikainen tieto koulutusmääristä yms.

Keskiasteelle jo tiettyjen työkalujen perusopetusta

Miten tämän hetken osaajat (matematiikka, tietokannat) voidaan tunnistaa ja nostaa alan huippuosaajiksi. Täydennyskoulutuksia yms.

Yritys/oppilaitosyhteistyö. Erilaiset mallit, harjoittelut, opinnäytetyöt, yms.

Data scientist Kuvauksen tyypillisistä taidoista/rooleista/tehtävistä, kts. komission + e-skills UK-selvitykset yms. Miten saada innostumaan tarvittavista taidoista, kynnyksen laskeminen. Eri sektorit, palaset huomioon. Lisäksi poikkitieteellisyys, tiimit etc. Kotimaiset + kv. ammattinimikkeet, miten suhtautuvat toisiinsa, missä ryhmissä suurin tarve. Erilaiset roolit tiimeissä, ei aina absoluuttinen yksittäinen huippuosaaja.

AMK-koulutus"putki", koodareita yms. käytännön osaajia. Onko riittävästi tarjolla?

Opetushenkilöstö, tarvittava opetuksen taso + määrä ei tällä hetkellä suoraan mahdollinen(osaratkaisuna esim. verkkomateriaalit).

Jatkuvan koulutuksen/tietotaidon ylläpitäminen. (Mooc yms)

Ulkomaisten huippupuhujien/kouluttajien tuominen Suomeen (inspirointi) Systematisoitu jatkokoulutusohjelma. Huippujen saaminen myös Suomeen, ei aina toisinpäin.

"kummitoiminta", big data näkökulmasta

soveltava osaaminen yrityksissä

• käsitelty jo edellä ,
• eli käytännönläheisesti ja tarvelähtöisesti, että pysytään esim USA:n tahdissa
• näkemys kokonaistarpeesta - viittaukset ulkomaisiin selvityksiin
• suhteutetaan bkt:een

tutkimus

• soveltava tärkeintä
• yrityksillä ei aina tut toimintaa jossa riski
• teollisuusyhteistyötä ei arvosteta,

Tutkimus

Big dataan liittyy paljon yhteiskunnallisia kysymyksiä, joiden ymmärtämiseen tarvitaan monialaista tutkimusta. Digitaalisten aineistojen hyödyntäminen vaatii tuekseen viisasta sääntelyä. Tarvitaan yhteiskunnallista ja juridista ymmärrystä siitä, miten aineistoihin liittyvää lainsäädäntöä voidaan kehittää tavalla, joka vie eteenpäin toivottuja tapahtumainkulkuja. Digitaalisesta jäljittämisestä pitää käydä avointa keskustelua, ja sen hyödyistä ja haitoista on oltava tutkimuksellisesti perusteltua näyttöä.

Tutkimusnäkökulmasta huomattavaa on se, että suuria aineistoja analysoitaessa yksilökohtaista aineistoa voidaan yhdistää lukuisista eri lähteistä ja toisaalta aineistot saattavat olla varsin epäyhtenäisiä. Ne voivat koostua eri paikkoihin jääneistä digitaalisista jäljistä tai olla kirjoitettuja viestejä, terveystietoja tai arkistoituja kuvia. Tällainen aineistojen moninaisuus haastaa käsitystä tiedon ja tutkimuksen luonteesta. Suurten aineistojen analyysia voi ajatella sarjana kokeiluja, jolloin onnistuneilla kokeiluilla voi kyseenalaistaa aiempaa osaamista ja kehitellä yhteistoiminnan muotoja, käytäntöjä ja sovelluksia. Näin kompetenssi rakentaa uutta tiedontuotannon maailmaa kasvaa merkittävästi.

Tutkimusnäkökulmasta big dataa voi ajatella myös yhteistoiminnan areenana. Tätä edellyttää monialaisia tutkimusryhmiä. Tietoa louhitaan yhteistyössä muiden kanssa ja aineistolle esitetään yhä uusia kysymyksiä. Kyse on jatkumosta, jossa kuljetaan pikkuhiljaa kohti mielenkiintoisia vastauksia tai aineiston esittämisen tapoja. Vahvat toimijat, kuten Google, Amazon, tai NSA, hyödyntävät digitaalista aineistoa, jotta ne oppisivat tunnistamaan ihmisten aikeita, tarpeita ja liikkeitä. Yksittäisille ihmisille hyöty on huomattavasti rajallisempi kuin silloin, kun aineistoanalyysi aidosti tukee ihmisiä esimerkiksi heidän hyvinvointipyrkimyksissään tai arvoprojekteissaan. Tästä näkökulmasta olisi tärkeää, että aineistojen analyysimenetelmät kehittyisivät tavoilla, joilla ne myös hyödyntäisivät digitaalisia jälkiä jättäviä ihmisiä ja yhteiskuntaa laajemmassakin mielessä. Big data haastaa tutkijoita sekä käyttämään mielikuvitustaan että tekemään eettisesti kestäviä valintoja tutkimustyössään.

Tutkimusrahoitusta on ohjattava tavalla, joka suosii teknologiaosaajien ja yhteiskuntatieteilijöiden yhteistyötä big dataan liittyvissä asioissa. Eettisiä kysymyksiä ei voi ajatella teknologian käytöistä irrallisena alueena vaan ne on pidettävä mukana tutkimuksen kaikissa vaiheissa.

Infrastruktuuri

Kaiken internetissä myös tulevaisuuden verkoilta, niin kiinteiltä kuin langattomilta, vaaditaan yhä enemmän. Pienilläkin viiveillä voi olla ratkaisevan suuri merkitys erilaisten big dataan perustuvien ratkaisujen kannalta. WEF:in mukaan big datan hyödyntämisen kannalta olennaista on, että verkot toimivat hyvin yhteen niin kotimaassa kuin kv. datavirtojen kohdalla, ne ovat turvallisia, tehokkaita ja toimintavarmoja. Erilaisten osa-alueiden ( sensorit/laitteet/datakeskukset/analytiikka/kontrollointijärjestelmät)(WEF: The Global Information Technology Report) Oleellisessa osassa ovat myös erilaiset yhteentoimivuutta varmistavat toimet ja standardit. Voisiko Suomella olla erilaisten standardien kehittämisen ja kehitystyön suhteen mahdollisuuksia? (vrt. GSM yms)

Langattomien verkkojen osalta tulee allokoida riittävästi ennakkoon mobillidatakäyttöön soveltuvia taajuuksia. Verkkojen tulee kehittyä älykkäämmäksi, jotta valtaisien datamassojen siirtyminen on mahdollista.

//siirto sopivampaan paikkaan?// Suomen jokaisen organisaation päätöksenteon tulisi muuttua tietoon perustuvaksi (data driven) sen sijaan että päätökset tehtäisiin mutu-pohjaisesti. Maailmalla on tietopohjaisesta päätöksenteosta esimerkkinä mm. amerikkalainen autonvalmistaja Ford, joka selvisi autoteollisuuden kriisistä siirtymällä data-driven päätöksentekoon.

Tällainen tietoon perustuva päätöksenteko vaatii tuekseen toimivan tiedonkeruun ja analysoinnin. Sama tiedonkeruu ja -analysointi palvelee myös open data -aloitteita. Julkisen hallinnon organisaatioissa voidaan nimetä datavastaava, jonka tehtäviin kuuluu datan keruun ja analysoinnin järjestäminen. Yksityisiä yrityksiä ja muita yhteisöjä varten voidaan järjestää valtiovallan taholta maksullista tai maksutonta neuvontaa.

Oman tiedon hallinta

Kansalaisten tulee voida vaikuttaa siihen, mihin ja miten heidän tietojaan käytetään. Kerättyä tietoa tulisi halutessaan voida hyödyntää myös eteenpäin. Tiettyjä tietoja luovuttamalla voisi saada esimerkiksi parempaa ja yksillöllisempää tai halvempia palveluita. Samalla tämä saattaisi mahdollistaa uudenlaisten palveluiden kehittämisen. Useimmiten jo nyt pyydettäessä luovutettavien tietojen laajempi hyödynnettävyys olisi myös tietoja keräävien yritysten intresseissä. Niin sanottu Mydata-kehitys voisi tarjota yhden mahdollisen tavan omien tietojen hyödyntämiseen ja hallitsemiseen. Ratkaistaviin kysymyksiin kuuluu muun muassa, missä tietoa säilytetään (aggregaattipalvelut, joihin haluamiaan tietoja voi kerätä ml. QS-tiedot?) sekä missä muodossa tietoa tulisi luovuttaa. Samalla yksittäisen kansalaisen (asiakkaan) kannalta omien tietojen hallinta ja hyödyntäminen mahdollistaa mm. säästöjä, juuri itsensä kannalta sopivien palveluiden "räätälöinnin" sekä luottamuksen lisäämisen tietoja kerääviä yrityksiä kohtaan.

Osallistaminen

Demokraattista osallitumisen mahdollisuuksia sekä kansalaisten äänen kuulumista esimerkiksi päätöksentekoon voidaan lisätä big datan avulla.Teknologia ja uudet tiedon analysointimenetelmät tulisi valjastaa tukemaan myös demokratian ja kansalaislähtöisyyden kehitystä. Tietoa, mielipiteitä ja Tämä olisi esimerkillistä ja rohkeaa, kokemukset voisivat olla myös vientikelpoisia.

Case: Poliittisen ym. päätöksenteon tueksi saataisiin kansalaisten mielipidedataa eri lähteitä yhdistelemällä. +Kuumia aiheita voitaisiin nostaa nopeammin käsiteltäväksi +Ei voimakkaasti vastustettuja päätöksiä prosessista ulos, tai vähintään hyvin perustein varusteltuna +Päätöksenteko vaikuttaisi ajankohtaisemmalta, paremmin kansan kysymyksiin vastaavalta Hyödynnettävyys ja esteet: +Dataa on jo paljon, sosiaalinen media, erilaiset kyselyt -Datan luotettavuus ja eri lähteiden painottaminen olisi haastavaa ja altista muutokselle. Mikä olisi oleellista ja tärkeää?

Samalla osallistaminen voi olla toimiva menetelmä myös uusien datalähtöisten palveluiden kehittämisessä. Käyttäjien havaintoja tai heiltä saatua tietoa voi hyödyntää toiminnan parantamisessa ja osittain erilaisten mallien synnyttämisessä. Esimerkkinä tästä voisi olla vaikka reittisuosituksia yms. antava liikennesovellus, joka yhdistelisi sekä käyttäjien dataa että esimerkiksi reaaliaikaista liikennedataa saavuttaakseen mahdollisimman tarkat ennusteet sekä paremman palvelun.

Osallistamista sekä käyttäjien havaintojen keräämistä ja hyödyntämistä tulisi soveltaa myös hallinnon palautteen keräämisessä ja toiminnan suunnittelemisessa yhä enemmän.

Tekniset käytännöt ja standardit

Eri organisaatioihin kertyvä data täytyy pystyä ottamaan tehokkaasti käyttöön siellä missä sitä tarvitaan; tätä tarkoitusta varten tarvitaan yhteisiä sopimuksia tai standardeja, kuinka dataa tallennetaan, jaellaan ja prosessoidaan.

Yhteisen teknisen alustan kehittäminen avoimen lähdekoodin hengessä on tehokas tapa viedä asiaa eteenpäin. Näin vältetään useiden suljettujen kaupallisten järjestelmien pirstaloiva vaikutus eri datalähteiden tehokkaaseen hyödyntämiseen. Sopivalla lisensointipolitiikalla yritysten liiketoiminta yhteisen alustan päälle on mahdollista ja samalla rakennetaan uutta ekosysteemiä Suomeen big datan ympärille. Tällainen alusta luo potentiaalisesti uuden vientivaltin.

Sovellusalueet ja niiden potentiaali Suomessa

Terveys

• Mahdollistajat: Uusia teknologioita syntyy, Suomessa osaamista (Polar mm.) , quantified self(itsemittaus). Tartuntatautien leviämisen seuranta/valmistautuminen erilaisia aineistoja yhdistämällä, mm sosiaalinen media. Yksilöllisen hoidon järjestäminen. Suomessa huippuluokan geenitutkimusta. Kansallinen DNA-tietopankki

• Haasteet: Tietoaineistojen käyttöön saaminen, yksityisyyden suoja.

• Hyöty: Julkishallinnon säästöt, terveydenhuollon laadun parantuminen, yksittäisen kansalaisen terveysriskien ennustaminen/hälyyttäminen, sairauksien ehkäisy.

• Use case: Epid research oy:n diabetestutkimus.IBM, project Artemis. 23andme. OECD:n big data for health. DARPA, data mining for Cancer Research. Taltioni.

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 (kts. Terveydenhuolto), 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 uusia mahdollisuuksia julkishallinnolle edesauttaa kestävyysvajeen torjumisen strategista päätavoitetta, lisäten samalla kansalaisten tyytyväisyyttä julkisiin palveluihin. Big Datan avulla voidaan realisoida merkittäviä tuottavuushyötyjä useimmilla hallinnon alueilla. Datalähtöisempää julkishallintoa voidaan yleisesti tarkastella kolmessa erillisessä 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 Suomen valtiollisten prioriteettien mukaisten ja täsmällisesti kohdistettavissa olevien teknisten ratkaisumallien 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. (McKinsey Global Institute, 2011, Big data: The next frontier for innovation, competition, and productivity)

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. Suomessa yleisiä taloudellisia ja yhteiskunnallisia mittareita ylläpitää ja kehittää esim. Findikaattori (www.findikaattori.fi). Datalähtöistä päätöksentekoa tukevat Big Data-järjestelmät mahdollistavat päätöksenteon tavalla, jossa tekeillä olevien päätösten hyötyjä, kustannuksia ja pitkän tähtäimen vaikutuksia on mahdollista simuloida ennen päätösten varsinaista toimeenpanemista. Big Datalla on tärkeä merkitys entistä edistyneempien ja ennakoivempien mittareiden mahdollistamisessa, samoin kuin laadukkaiden mittarien edellyttämän datan löytämisessä organisaatioiden suurista tietomassoista.

Oleellista on myös valita organisaation lopullista suorituskykyä kuvaavat korkean tason suoriutumismittarit siten, että ne voidaan suoraan linkittää organisaation mission ja tavoitteiden toteutumiseen ja näitä edistäviin käytännön toimenpiteisiin. Julkisten toimijoiden tärkeimmät korkean tason suorituskykymittarit kohdistuvatkin yleensä lopulta toimijoiden palvelemiin ”ulkoisiin asiakkaisiin” – eli kansalaisiin ja heidän palvelukokemukseensa. Näiden korkean tason mittareiden läpinäkyvyys myös kansalaisille tilivelvoittaa samalla julkishallintoa parantamaan jatkuvasti kansalaisille tarjoamaansa palvelua.

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 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 kansalais- ja yritysnäkökulmilla julkisen asioinnin havaitusta monimutkaisuudesta, tuli kyseisiä asiointiprosesseja hallinnoivien yksiköiden asiakaslähtöiseksi missioksi muuttaa sisäinen toimintansa siten, että kansalaisten ja yritysten kokemat ”elämän tapahtumat” saadaan hallinnollisesti 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. (McKinsey Interview 2013, Francois-Daniel Migeon, Transforming Goverment in France)

Suorituskykyvertailulla 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 erillset 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 mittaavat omaa suorituskykyään lisääntyvässä määrin keskenään vertailukelpoisella standardeihin pohjautuvalla mittaristolla, voivat tietyllä osa-alueella omien mittariensa perusteella alisuorittavat julkishallinnon yksiköt oppia, omaksua tai parhaassa tapauksessa suoraan kopioida parhaita suorituskyvyn tehostamiskäytäntöjä niiltä verrokkiyksiköiltä, jotka ovat kyseisellä osa-alueella omien mittariensa perusteella kansainvälistä huippua.

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)

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. Lisäksi muutoksen käynnistäjiksi ja suunnannäyttäjiksi tarvitaan kokeneita ja päämäärätietoisia ja riittävästi vastuutettuja tiedolla johtamisen pioneereja, joilla on vahvan datalähtöisen näkemyksen lisäksi kyky motivoida ihmisiä ja organisaatioita pitkäjänteisesti.

Kansalaisille yksilöllisistä ja datalähtöistä palvelua

Eräs julkishallinnon kestotavoitteista on tarjota kustannus- ja palvelutehokkaampia palveluita kansalaisilleen eli säästää nykyisten palveluiden kustannuksissa ja/tai parantaa palveluiden vaikuttavuutta nykyisellä kustannuksella. Keskeinen keino parantaa palvelun vaikuttavuutta ja kansalaistyytyväisyyttä on segmentoida kansalaiset Big Datan tarjoamin menetelmin ja siten tarjota heille henkilökohtaisempaa palvelua. Big Datan aika kaudella palvelut ovat ennen kaikkea datalähtöisiä ja sellaisina vievät kansalaisten kokeman loppukäyttäjäkokemuksen seuraavalle tasolle. Sen perusteella millainen kansalainen on, missä kansalainen on ja mitä (ja millä välineellä) 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, mahdollisesti käyttäjälle päätöksen yhteydessä annettujen tarkempien perustelujen tai toimintasuositusten pohjalta. Henkilökohtaisemmat ja päätöksentekoa helpottavat käytettävät palvelut parantavat automaattisesti kansalaisten tyytyväisyyttä ja luottamusta julkishallintoon.

Esimerkkinä 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)

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.

Potentiaalisia Big Data-käyttötapauksia suomalaisessa julkishallinnossa

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, joiden vaikuttavuutta säästöjen ja tuottavuudenparannuksen kannalta tulisi tutkia lisää tapauskohtaisesti:

Työvoima ja kouluttautuminen (TEM, OKM)

• 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
• Työllisyyteen liittyvien koulutus- ja osaamistrendien parempi seuranta ja työvoimapoliittisten strategioiden paremmaksi ennakoimiseksi
• Education to Employment (E2E) parhaiden käytäntöjen soveltaminen
• Vaikuttavuus: Mallina Saksan BA-esimerkki

Harmaan talouden ja kansainvälisen veronkierron torjunta (Verohallinto)

• 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 (Ympäristöministeriö, Sisäministeriö)

• Yhteiskunnalliseen kestävyyteen liittyvät Big Data-mittarit ja niiden kansalaisystävällinen seuranta
• Ympäristön kestävyyteen liittyvät Big Data-mittarit ja niiden kansalaisystävällinen seuranta

Älykkäämpi liikenne (LVM)

• Kts. Liikenne
• Crowdsourcing-periaatteella toimiva viranomaistahoihin yhdistetty reaaliaikinen kaupunkivalvontapalvelu, johon kansalaiset voivat raportoida sijiantikuvin havaitsemiaan tapahtumia (esim. onnettomuudet) tai turvallisuusriskejä kaupunki-infrassa (esim. puutteellisesti suojatut työmaat)

Koulutuksen kehittäminen ja koulutustarjonnan lisääminen (OKM)

• Kts. Koulutus

Kyberstrategia (PM)

• Hallinnon tietoverkkojen Big Data-analyysi turvallisuusuhkien mahdollisimman tehokkaaksi määrittelemiseksi

Julkiset hankinnat

• Julkishallinnon toimittajien data-lähtöisempi suorituskyky- ja kustannustehokkuusvertailu hankintapolitiikan ketteröittämiseksi ja paremmaksi kohdistamiseksi osana hankintalain uudistamista

Älykäs matkustuspolitiikan valvonta

• Data-analyyttinen palvelu rajoittamaan tarpeetonta julkisen henkilökunnan matkustelua perustelemalla datalähtöisesti optimaalisen matkustajamäärän, matkustusmuodon ja -tarpeen

Kansalaisille avoimempi ja ymmärrettävämpi kuva valtiontalouden tilasta (VM)

• ”Kansantalouden data-analyyttinen simulaattori” palvelemaan sekä yksityisiä että julkisia tahoja (VM)
• Valtion rahoituspäätösten ihmisystävällisemmät visualisoinnit avoimen datan pohjalta, esim. oman äänestyspäätöksen helpottamiseksi
• Taloudelliseen kestävyyteen liittyvät Big Data-mittarit ja niiden kansalaisystävällinen seuranta ((talous)politiikalle kansalaisystävällisempi brändi)

Julkinen palvelualusta

• Platform ajattelu
• Kts. Osallistaminen

”Infomediary”

Erilaisille tietotulvaa helpottaville työkaluille ja mm. etsintämentelmille on vielä kysyntää esimerkiksi tutkimuksen parissa. Suomessa tehdään alaan liittyvää tutkimusta. Tietotyö sinällään lisääntyy jatkuvasti.

Hyötyjä ja potentiaalia, jota ala voisi oikeilla panostuksilla tarjota, ovat muun muassa:

• tietotulvan parempi hallinta
• löydetään relevantimpaa tietoa vuorovaikutteisen (oppivan) ja visuaalisen järjestelmän avulla
• Käyttäjälle näytetään perusteet miksi juuri tietyt tiedot näytetään, ja annetaan myös mahdollisuus vaikuttaa näihin perusteisiin; näin käyttäjä voi aidosti ohjata tiedon hakemista ja jalostamista
• tietotyön laatu ja tehokkuus paranevat
• menetelmässä yhdistetään ihmisen luovuus ja ja tietokoneen kyky käsitellä massiivisia ja monimuotoisia tietoaineistoja kontrollin säilyessä ihmisellä.
• tiedonhaun tehostuessa tietotyöntekijöiden aikaa vapautuu päättelyyn, luovaan ajatteluun ja yhteistyöhön.
• testeissä uudenlaisetn tiedonhakujärjestelmän prototyyppi on todettu Googlen scholar.google.comia tehokkaammaksi - tällä hetkellä tiedonhakujärjestelmän prototyyppiin on indeksoitu vain tieteellisiä artikkeleita (valikoiduista tietokannoista, yli 60 milj.); tavoitteena on kuitenkin laajentaa konseptia muunkinlaisen tiedon hakuun

Suomessa on erittäin korkealaatuista ja monitieteellistä tutkimusta alueella (HIIT:istä 7 tutkimusryhmää ja Työterveyslaitoksen Aivot työssä -tutkimusryhmä, www.reknow.fi / Tietotyön vallankumous). Panostuksia alalle olisi saatavissa: Tietotyön vallankumous on TEKESin toinen strateginen tutkimusavaus syksyllä 2013.

Tutkimus

• Mahdollistajat: Uudet tutkimusmenetelmien kehitys. Esim. tekstuaalisten dokumenttien käsittelymenetelmät, mobiilidatan ja sosiaalisen median sekä trendidatan tuomat uudet tutkimusmahdollisuudet.
• Haasteet: Monitieteisyys, tietoaineistojen saatavuus. Eri alojen osaajista koostuvat tutkimustiimit?
• Hyöty: Uudet löydöt historian tutkimuksessa uusilla analyysitavoilla.

Liikenne

• Mahdollistajat: Liikenteen ohjaus , reaaliaikaisen datan lisääntyminen. Reittien ennustaminen. Logistiikan optimointi tavarakuljetuksissa.
• Haasteet: esim. julkiset aikatauluaineistot pirstaloituneina eri puolilla, yhteen saattaminen.
• Hyöty: Turvallisuuden parantaminen, ruuhkien vähentäminen, päästöjen vähentäminen. Matkustamisen helpottuminen. Toimitusaikojen lyhentyminen.
• Use case: Tukholman kaupunki + KHT institute of technology + IBM. US Xpress

Big datan avulla voidaan tavoitella ja saavuttaa monia hyötyjä liikenteen alalla.

• Liikenneturvallisuus
• Liikenteen ja liikkumisen tehostuminen
• Ekologisempi liikenne
• Joukkoliikenteen ja kevyen liikenteen tehostamiseen liittyville ekologisille ratkaisuille on erityistä tarvetta.
• Liikenteen ongelmat ovat globaaleja ja siinä on mahdollista kehittää vientituotteita, esim. liikennekuvan parantaminen, liikenteen analysointi, lyhyen aikavälin liikenne-ennusteiden parantaminen, liikennesuunnittelu ja siihen liittyvät analyysit

Big data on hyödynnettävyys liikennealalla on varsin suuri, Suomella olisi mahdollisuus profiloitua liikenteen kokeiluympäristönä. Tätä jo osin LVM:n liikennepuolella tehdäänkin. Suomessa on myös tehty tutkimusta uudenlaisista liikennejärjestelmistä, esimerkiksi Yhdistelmäliikenne, Ytrips Oy ja Shosta Sulosen tutkimukset Aalto-yliopistossa.

- Suomen liikenne on pienimuotoista esim. Kiinaan verrattuna

+ Samalla tosin Suomea on helpompi hyödyntää laboratoriotyyppisenä ympäristönä

+ Suomessa ollaan edelläkävijöiden joukossa (ei ainoita) avoimen liikennedatan käytössä

+ Nykyisiä ratkaisuita voidaan parantaa nimenomaan "big data" -tyyppisin ratkaisuin

Suomella on paljon alaan liittyviä mahdollisuuksia ja potentiialia Suomessa ollaan viime aikoina oltu aktiivisia ja alalla on tutkimusryhmiä, joilla on sekä kansallisia että kansainvälisiä yhteyksiä. Toimintapotentiaali on näin ollen hyvä. Liikennealalla liikkuu raha, joten mahdollisuus kansainvälisenkin tason toimintaan on olemassa, jos toimeen tartutaan ennakkoluulottomasti.

Case: Tieliikennepalveluiden markkinapaikka, liikenne palveluna. Aikataulut, yhteydet, tilausautot, taksit, vuokraus yms. Kaikki liikennepalvelut saataisiin yhdestä paikasta. Osittain tähän suuntaan ollaan menossa. Tämä voisi olla virtuaalisesti yksi paikka. Taustalla raksuttaisi varmasti on useampia lähteitä ja palveluja.

Olisi hyödynnettävissä, kunhan yhteistä tahtoa olisi riittävästi Saavutettaisiin kustannussäästöjä ja julkisen liikenteen tehokkaampaa käyttöä Esteenä muun muassa toimijoiden välinen kilpailutilanne.

Voisi kuvitella, että jos jossain niin Suomessa tällainen olisi saavutettavissa Hyödyt esim. 15% enemmän julkisten liikennepalvelujen käytöllä olisi merkittävä etu koko maalle.

Huolto ja muut ennakoivat etäpalvelut (TI)

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.

• Mahdollistajat: etähuolto, huollon automatisointi, laitteiden itseanalyysi, vikojen ennustaminen (Konecranes) Optimointi yhteistä koko alalle.
• Haasteet: Laajamittaista hyödyntämistä tai esimerkkejä siitä ei vielä olemassa.
• Hyöty: sopii hyvin erilaisille aloille, säästöt, halpatyökorjauksen sijaan korkeamman vaatimustason työtä, Kustannushyödyt, mahdolliset alaan liittyvät (vienti) innovaatiot.
• Use case: Ennakoiva huolto, Kone, GE. Outokumpu.

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 saadaan merkittäviä säästöjä ja kompetenssi siirretään halpatyösuunnasta korkeamman kompetenssin vaatimuksiin.

Eri toimialoilla samoja tai samantapaisia tarpeita. Vaatii osaamista ja kombinaatiota erilaisista asioista: Kompetenssi, Anturit, Etäyhteys, Big Data käsittely.

Suomessa on alaa silmällä pitäen hyvä koulutustaso ja kompetenssi, myös toimintaa ja intressi on jo osittain olemassa. Etäinen sijainti markkinoilta ja päämyyntialueilta luonnollista Suomesta. Sopivia teollisuusaloja, joihin big data-lähtöinen palveluliiketoiminta sovellettaviss muun muassa metalli, koneteollisuus sekä tietoliikenne.

Cleantech

Digitalisaatio esim. Cleantech-osaamiseemme liitettynä mahdollistaa uusia innovointi- ja vientimahdollisuuksia mm. jättimäisille ja kasvaville Aasian markkinoille. 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 (ja toki rahoituksen) haasteet käännettävä vahvuuksiksi uusilla vientikelpoisilla innovaatioilla ja palveluilla - Em. cleantechin innovoinnista ja vahvuuksista huolimatta Suomella ei välttämättä juurikaan ole alueelta omia kotimaisia käyttöreferenssejä. Ratkaisuja täytyisi kokeilla rohkeasti ensin myös kotimaassa. Osittain haasteena ovat myös teollisen internetin standardien (ja osin teknologioiden) kypsymättömyys, vaikka tulevaisuuden potentiaalia on paljon.

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.

Avaa tähän eri aiheita liittyen Big Dataan ja seuraaviin aiheisiin:

• Consumer Experience Management
• Real-time Bidding
• native advertising
• mobile & video advertising
• location-based advertising
• micro-targeting
• real-time personalization

Läpileikkaavia teemoja

Mydata

My Data viittaa toimintakulttuuriin, jossa organisaatio palauttaa keräämäänsä yksilökohtaista tietoa ihmiselle itselleen. Sen jälkeen ihminen voi hyödyntää sitä suoraan tai jakaa sen edelleen haluamallaan tavalla. Edelleen jaettu tieto voi olla analysoimatonta raakadataa tai se voidaan jalostaa esimerkiksi visualisoimalla muotoon, jossa muut voivat sitä hyödyntää.

My Data -näkökulmat ovat tärkeitä big dataan liittyvissä keskusteluissa, koska niiden avulla voi purkaa big dataan ja yksityisyyteen liittyviä uhkia. My Data -aloitteiden päämääränä on ollut henkilöitä koskevan tiedon ympärille syntyvien sovellusten, palveluiden ja toimintarakenteiden kehitys tavalla, jossa ihmisillä on keskeinen päätösvalta tiedon keräämisen, jalostamisen ja hyödyntämisen suhteen. My Data -aloittesiin liittyvä keskustelu yksityisyydestä korostaa ihmisten valtaa päättää siitä, kuka heidän tietojaan saa käyttää ja uusiokäyttää sen sijaan, että ihmiset antavat kerralla suostumuksen aineistojen käyttöön. Digitaalisuuteen liittyy nimenomaan mahdollisuus monistaa ja käyttää tietoa yhä uudelleen, jolloin ihminen ei suostumustaan antaessaan voi tietää tai hallita tulevaisuuden käyttötarkoituksia.

Onnistunut My Data -työskentely edellyttää, että yhteisistä henkilökohtaisiin aineistoihin liittyvistä periaatteista pystytään sopimaan. Tarvitaan viisasta sääntelyä, jonka avulla aineistojen jakaminen on mahdollista. Tarvitaan koneluettavia rajapintoja aineistojen jakamisen tueksi, standardeja ja palveluita tiedon hallittuun siirtämiseen, varastointiin, käsittelyyn ja analysointiin. Nämä pyrkimykset tukevat myös big datan hyötykäyttöä tulevaisuudessa.

Quantified self

Quantified Self –liikkeen juuret ovat Kaliforniassa ja erityisesti Wired-lehden ympärillä. Liikkeen keskeisenä ajatuksena on yksilöllisen mittaustiedon hyötykäyttö terveyden ja hyvinvoinnin edistämisessä. Viime vuosien aikana liike on levinnyt eri puolille maailmaa, ja saanut uusia muotoja. Kyse ei ole enää yksinomaan superterveydestä haaveilevien teknointoilijoiden liike vaan mittaamista istutetaan yhä uusille elämänalueille. Big data ja QS –näkökulmilla on paljon yhteistä, koska QS on yksi mahdollinen big datan tuottaja. Digitaalisten itsenmittausaineistojen arkistointiin tarvitaan uusia ratkaisuja. Tiedon hallinta on turvattu, kun yksilö omistaa tietonsa ja antaa sille käyttöoikeuden halutessaan. Kun itsenmittaajat haluavat jakaa aineistoja myös muille, tiedon käyttö on turvattava tavalla, joka hyödyttää sekä tiedon jakajaa että hyödyntäjää. Itsenmittauksen ympärillä on paljon uusia aloitteita, joita motivoi myös terveydenhuollon toimialamuutos. Suomessa itsemittausteknologioita kehittäneitä, kansainvälisillä markkinoilla toimivia yrityksiä on useita, muun muassa Firstbeat, Suunto ja Polar. Lisäksi alalla on lukuisia lupaavia start up -yrityksiä. Mittalaitteiden avulla ihmiset saavat uudenlaista tietoa itsestään. Itsehoito on aiempaa helpompaa, kun ihmiset voivat mitata kotona verenpainettaan tai seurata unen laatuaan. Tämä voi muuttaa vähitellen terveydenhuollon painopistettä ja lääkärien työtä. Lääkärit voivat keskittyä tiukemmin nimenomaan erikoistuneeseen sairauksien hoitoon, kun sairauksien ennaltaehkäisyyn on uudenlaisia vaihtoehtoja. Toisaalta QS haastaa myös käsityksiä terveydenhallinnasta ylittämällä olemassa olevan terveystoimialan. Itsenmittaajat ovat osoittaneet, että esimerkiksi ajankäyttödata voi olla terveysdataa. Esimerkiksi riippuvuuksia voi tarkastella ajankäytön avulla. Kiinnostavaa on myös terveydentila suhteessa ympäristöntilaan. Voiko ilmanlaatusta ennakoida tulevaisuudessa keuhkoahtaumapotilaan kohtauksen? QS-näkökulma on alkanut levitä myös muille toimialoille, esimerkiksi oman talouden hallintaan tai koulutukseen. Mittatietoa voi käyttää esimerkiksi omaehtoisen oppimisen seurantaan tai tekemään näkyväksi opettajien pärjäämistä eri luokkien kanssa.

Tiedon etsintä

Tietomäärien valtava lisääntyminen luo päivittäisiin työtehtäviin lisähaasteita myös kaikille tietotyöntekijöille. Esimerkiksi tiedonetsintä on alue, jota paremmin tukemalla voidaan saavuttaa merkittäviä kustannussäästöjä. Tutkimusten mukaan loppukäyttäjät etsivät tietoa varsin yksinkertaisilla hakusanoilla ja menetelmillä, eivätkä he useinkaan tarkastele tuloksista kuin 10-20 ylintä listan tulosta (Markey 2007, Twenty-five years of end-user searching, Part 1: Research findings, JASIST, 58(8, 1123-1130). Lisäksi yleisin hakukone Google perustaa hakutuloksensa algoritmiin, joka painottaa suosittuja/linkitettyjä sivuja, joka saattaa joissain tapauksissa vain voimistaa näiden suositummuutta ja vahvistaa vanhoja käsityksiä. Yksinkertaisissa hauissa tämä toimii, mutta tilanteisiin, joissa etsijä haluaa hankkia ymmärrystä uudesta alueesta (eksploratiivisella haulla), Suomessa/HIIT-instituutissa on kehitetty uudenlainen visuaalinen etsintäliittymä SciNet, jossa käyttäjä voi interaktiivisesti ohjata hakutuloksia niihin suuntaan jotka kiinnostavat häntä eniten. Tehtyjen tutkimusten mukaan käyttäjien suorituskyky tiedonhauissa on jopa kaksinkertaistunut tällä uudella käyttöliittymällä. HIITin tutkijaprofessori Kasken mukaan hakukoneen taustalla olevat algoritmit ja perusohjelmistot on tarkoitus julkaista avoimena lähdekoodina vapaasti esimerkiksi startupien hyödynnettäväksi. Kehitetty koneoppimiseen perustuva menetelmä soveltuu tiedekirjallisuuden etsinnän lisäksi mille tahansa alueelle, esimerkiksi sosiaalisen median aineistoille. (Mutanen, A. 2014. Hyvän & pahan tiedon puu. Suomalainen SciNet näyttää senkin, minkä Google salaa, Tiede, Maaliskuu, 50-55)

Ympäristö/lokaatiotieto (sensorit, sensoritieto)

Asioiden ja esineiden Internet (Internet of Things, Industrial Internet) on tekemässä läpimurtoaan parin seuraavan vuoden kuluessa. Jokainen verkkoon kytketty laite tai sensori tuottaa jatkuvasti mittaustietoa edelleen jalostettavaksi. Tällä tavalla syntyvän tiedon määrä on valtava ja hyödyntämismahdollisuudet lähes rajattomat. Yksi keskeinen ongelma tämän tiedon käyttöönotossa liittyy tiedon julkaisemiseen ja omistamiseen; kuinka sensoritiedon omistajat voivat julkaista tietoa niin, etteivät paljasta liikaa itsestään. Esimerkiksi talon huoneiden lämpötilatiedot ja energiankulutus yhdistettynä muihin tietokantoihin, kuten säätilaan, voisi antaa arvokasta tietoa energiayhtiöille ja kuluttajille. Toisaalta sama tieto voi mahdollistaa asunnon käyttöön liittyviä tietoja, jotka taas eivät ole julkisia ja saattavat loukata yksityisyyttä.

Esineiden internet on yksi näkökulma Teolliseen Internetiin, yksi sen keskeinen mahdollistava tekijä. Tämä kappale kannattaa yhdistää TI-osion yhdeksi osaksi.

Toimenpiteet

Yhteistyö eri alojen välillä

Yleisesti jaetaan näkemys tarpeesta hakea datan avulla synergioita eri aloilta. Löydettävä siten toimia, joilla erityisesti yritysten horisontaalista ja vertikaalista verkottumista voidaan edesauttaa siten, että (big ja avointa) dataa jaettaisiin sopivalla alustalla/rajapinnoilla yhteiseen käyttöön ja yhdisteltäväksi uudella tavalla.

Yrityksillä (erityisesti suurilla) on hyödyntämätöntä dataa, mutta ei osaamista/resursseja/ideaa käyttää tätä. Vaatii toimien suuntaaminen: 1. kannustetaan/tuetaan yrityksiä avaamaan rajapintoja dataansa 2. yhteiset kehitysalustat datan jakamiseksi, joista jalostuu uusia lisäarvopalveluja

Haasteena, etteivät yritykset halua jakaa dataansa (”varallisuus”-ajattelu)? Onko parempi ettei siitä saada mitään arvoa kun ei käytetä ja kilpailijat menevät ohi? Asenne jakamistalouteen? Hyödyn/tulonjakomallien puute?

Big datan potentiaalista kertoo jo se, että perusteilla on big data labseja ja tutkimuskeskuksia ympäri Eurooppaa. Suomen on mentävä mukaan kehitykseen, jotta uskottavuutta, yhteistyötä, kokeiluja, tutkimusta, yritysten sovellusosaaminen ja kehitys vauhdittuisi. Osaavien ihmisten välisten yhteyksien rakentaminen katsotaan nyt olennaiseksi ja hyvien käytäntöjen jakaminen eri toimijoiden välillä. Verkostotoiminnan tavoitteet oltava kuitenkin selkeitä: toiminnan on tuettava yritysten ja ihmisten suorituskykyä tuloksia seurattavissa olevalla tavalla.

Selvitetään tarvetta Big data-hubille/labille, erityisesti isojen ja pk-yritysten yhteisille datahankkeille ja datan vaihdolle o esimerkkinä yritysten tuotantodatan ja alan osaajien saattaminen yhteen. (smart data innovation lab, Saksan malli, Erityisalueina labissa industry 4.0, energy, smart cities ja personlised medicine. o esimerkkinä Singapore: social analytics-konsortio kehittää tämän alan työkaluja yhdessä + yritysten yhteistyökonsortio o esimerkkinä GE tarjoaa fasiliteetit pk-yrityksille

Start-uppien bd resurssikeskus. (välineitä ja pääsy aineistoihin etc.) esim. AaltoES kumppanina

Luodaan kansallinen data-analytiikan keskusten verkosto (tutkimuslaitos/yliopistoyhteistyö), josta myös teknologiasiirtoa yrityksiin (menetelmät, työkalut, osaaminen)

Osallistutaan ja jaetaan kansallisesti näkemyksiä EU:n Big/NESSI data foorumin toimiin (saadaan ääni kuulumaan ja verkostoidutaan) o EU Big data PPP ekosysteemin ajatus: olemassa olevaan infrastruktuuriin perustuva ekosysteemi, jossa luodaan myös yhteistyön malleja, fasilitoidaan datan siirtoa (data exchange) ja tarkastellaan samalla miten liiketoiminta/(asiakas) johtaminen muuttuu, kokeiluja big data aineistoilla, jonka avulla kehitetään osaamista, tutkimuksen hyödyntäminen ja työkalujen siirto (research transfer community)

Kehitetään joukkoistamiseen perustuvia malleja, joista parhaillaan syntyy uudentyyppisiä laajoja ekosysteemejä. Verkottuneet käyttäjät (connected users) ovat nyt big data kehityksen keskiössä, sillä se tarkoittaa useilla sektoreilla tiedon hyödyntämisen nopeutumista. Esim. liikenteessä käyttäjiltä kerättyä tietoa yhdistetään liikenteen hallintaan.

Koulutus

Osaamisen kehittäminen on olennaisin big dataa edistävä ja samalla kehitystä rajoittava tekijä. Tarvitaan sekä teknistä että toimialaspesifistä osaamisen kehittämistä. Osaamisessa tärkeää erilaisten datamuotojen käsittely ja jalostaminen (“blended human and algoritmic data processing). Datatieteilijältä odotettavat taidot (kuvailua edellytyksissä?) ovat poikkitieteellisiä, joten tiimien (osaajapoolit) rakentaminen voisi olla yhtenä ratkaisuna osaajapulaan?

Tutkintoperusteisen ja käytännönläheisen opiskelun kehittäminen ovat molemmat tarpeen. Osaamisen kehittäminen (EU näkemys): 1. tutkintojen kehittäminen (Curriculum, Bolognan prosessi, Grand Coalition of skills), 2. täydennyskoulutus, 3. kokeilut ja kurssit (training centers). Tavoitteena on luoda Euroopassa yliopistojen verkosto datataitojen osalta.

Vaikutetaan siihen, että peruskoulun opetussuunnitelmiin sisältyy ohjelmointiin liittyvää opetusta vuonna 2016. + open source teknologian levittäminen peruskouluun.

Opettajankoulutuksen kehittäminen (big data opetustaidot)

Ohjelmointiopintojen houkuttelevaksi tekeminen ja promoaminen

Koordinoidaan/paketoidaan/yhdistetään kansallisesti big data koulutusohjelmia (jo käynnistyneet, suunnitteilla olevat). Alan yritykset, professorit ja asiantuntijat muodostavat näkemyksen tarvittavista vähimmäistaidoista eri rooleissa (roolien kuvaus edellytyksissä?), jotka tulevat mukaan tutkintoihin (ammattikorkea, yliopisto, täydennyskoulutus)

Osallistutaan EU-laajuisen bd yliopistoverkoston luomiseen

Soveltava koulutus yrityksissä

Soveltavan koulutuksen malleja kehitettävä big data asiantuntijaksi kasvamiseksi: yrityksissä erilaiset harjoittelujaksot, kokeilut, projektit, täydennyskurssit yms.

Ohjelmointi/tietojenkäsittely/bisnesprosessien opiskelijat yrityksiin bd harjoitteluun, projekteihin, opinnäytetyöt (vrt. Aallossa diplomityöparit)

Tarvekartoitus: kuinka paljon ja millaista osaamista yritykset tarvitsevat (big data yritysklusteri/foorumi)

Kokeilut ja rahoitus

Kansallista tukea ja verkostoa EU-tukiohjelmien hyödyntämiseen vahvistetaan erityisesti big data painotuksella (Horizon verkosto, Tekes, kehittäjäorganisaatiot) Erityisesti hallitut kokeilut joihin liittyy esim. mobiilipaikantaminen

Disruptio datan vaikutuksesta tulevat voimakkaasti myös liiketoimintamalleihin: kokeilevat kehityshankkeet hyödyn ja tulonjaonmallien kehittämiseksi (vrt. myös yritysten yhteistyön aktivointitoimet)

Pääomaehtoisen rahoituksen saatavuuden edistäminen (miten yksityiset pääomasijoittajat mukaan? + Tekes pääomasijoitus Oy -> konsortiot)

Mydata

MyData selvityksen malleja testataan valituilla alueilla kehityksen vauhdittamiseksi ja uusien tietomallien yleistymiseksi eri alojen yritysten avulla. Pitkällä aikavälillä luodaan alustaa MyDatalle, johon yksilö voi omaa tietoaan kerätä ja haluamallaan tavalla jakaa sekä hyödyntää.

Yhteistyö Iso-Britannian MiData-labn kanssa Midata-kehityksen vahvistamiseksi

Datan saatavuus

Avoimet rajapinnat ovat myös big datan hyödyntämisen mahdollistajia, joten open API kehitystyötä yrityksissä vahvistettava sekä luotava tapoja yhdistää julkista avointa dataa ja yritysten dataa (kannusteet yrityksille avata? mitä tarjoaa?)

Henkilötietojen osalta tarvitaan kansallinen anonymisoinnin järjestelmä

Datan hyödyntämiseen ratkaisuja etsiviä ja kehittäviä henkilöitä myös hallintoon, esimerkiksi kumppanikoodarimallin mukaisesti, College-to-govt harjoitteluohjelmat tms.

Yhteentoimivuuden kehittäminen esim. datan jakamisen standardit esimerkiksi kaupungit

Datan käyttöä tukevat (”curation”) toimet?

Kansallisen dataportaalin hyödyntäminen big data kanavana? (Avoimen tiedon ohjelma. VM) Miten sopii big datan kuvaukseen?

Velvoitetaan (VM) virastoja tunnistamaan selvät alueet, joilla voisi saada big datalla hyötyjä. Tuetaan virastojen pilottiprojekteja (Avoimen tiedon ohjelma/Kehykset).

Sääntely

Sääntelyn kehittämisen perusperiaatteena tässä on se, ettei ole markkinoille tulon esteitä, kannusteita datan saatavuuteen ja jakamiseen sekä yleisesti huomioidaan bd spesifien edellytykset säädösvalmistelussa. Onko bd edellytyksissä (framework conditions) erityispiirteitä/tarpeita?

Tehdään selvitys big datan käyttöön vaikuttavista laeista

Varmistetaan, että EU:n tietosuoja-asetus mahdollistaa big data kehityksen yksityisyydensuojaa vaarantamatta

Big data ”etiketti”

Datatietoisuus

Big datan hyödyntäminen kaikilla sektoreilla nyt olennaista, joten miten lisätään tietoisuutta ja ensimmäisiä askeleita kohti datan tunnistamista, kokeilua ja kehitystä. Big data teknologiakehitys evoluutiota, mutta bisnesprosessien kehitys käy läpi nyt revoluutiota, joten toimet erityisesti ymmärtämään liiketoiminnan muutosta.

”Datalähettiläät”: big data- tietoutta ja osaamista yritysten ja hallinnon käyttöön. (mm kansainväliset vierailijaluennot ja osaajavaihto)

Luodaan alan yrityksiä, tutkijoita ja asiantuntijoita kokoava avoin Big data-klusteri sekä toimintaa tämän ympärille (Tekes, Teknologiateollisuus, Tekniikan Akateemiset, yritykset tms. taho).

Suomen jokaisen organisaation päätöksenteon tulisi muuttua tietoon perustuvaksi (data driven) sen sijaan että päätökset tehtäisiin mutu-pohjaisesti. Maailmalla on tietopohjaisesta päätöksenteosta esimerkkinä mm. amerikkalainen autonvalmistaja Ford, joka selvisi autoteollisuuden kriisistä siirtymällä data-driven päätöksentekoon.

Tällainen tietoon perustuva päätöksenteko vaatii tuekseen toimivan tiedonkeruun ja analysoinnin. Sama tiedonkeruu ja -analysointi palvelee myös open data -aloitteita.

"Julkisen hallinnon organisaatioissa voidaan nimetä datavastaava, jonka tehtäviin kuuluu datan keruun ja analysoinnin järjestäminen. Yksityisiä yrityksiä ja muita yhteisöjä varten voidaan järjestää valtiovallan taholta maksullista tai maksutonta neuvontaa."

Teknologiat ja standardit

Kehitystarpeita: datan varastoinnin tekniset standardit, datan välittämisen/integroinnin (data exchange) tavat. Teknologiakohtaisia ekosysteemejä on syntymässä. Datan harmonisoinnin tarpeet, jotta luodaan yhteen toimivuutta

Huom. datastandardeja (esim INSPIRE) on jo olemassa, joten näiden hyödyntäminen. Miten soveltuvat big dataan?

Tunnistetaan keskeiset standardointiprosessit joissa tulee olla mukana sekä organisoidutaan toimimaan näissä

Standardien luominen erityisesti datan varastointiin (storage) ja siirtoon (exchange) kehittää datan käsittelyn tekniikoita, työskentelymetodeja ja tehokkaita algoritmeja.

Tietosuoja ja yksityisyys on myös teknologinen kehityskysymys (privacy technologies) Panostetaan tieto/yksityisyydensuojan ratkaisujen teknologiakehitykseen (Tekes?)

Infrastruktuuri

Varmistetaan, että perusedellytykset kunnossa (viestintä- ja tiedonsiirtoyhteydet, pilvikapasiteetti yms. mitä big data infrassa tarpeen niin yksittäisen toimijan kuin yhteishankkeiden/toiminnan kannalta)

Infrakehityksen koordinaatio tarpeen, jotta tehokuutta ja yhteentoimivuutta?

Jaettujen infrojen kehittäminen(shared computing infrastructure) Yhteisiä datan hallintasysteemejä (ylläpito ja laadunvarmistus) Arvioinnin kehittämien erilaisista analyysimenetelmistä Datapalvelujen ekosysteemin luonti (open cloud Massachusettsin tapaan ja datapalvelujen ”biotope” esim. jakelupiste, kauppapaikka ja julkaisukirjastot sekä datasovellusten edistäjä (incubator) eli ovat perustaneet ODIn UKn tapaan)

Sidosryhmien toiminta verkostona (network stakeholders) – Keskeisten kansallisten toimijoiden tunnistaminen ja organisointimallin luominen infran kehittämiseen?

Kokeilulaboratorio, jossa voidaan testata teknologioita ilman omaa mittavaa panostusta

TOIMEENPANO Strategian toimeenpano: Luodaan roadmap toimien vastuista, etenemisjärjestyksestä ja aikatauluista. Vahvistetaan strategian toimeenpano valtioneuvoston periaatepäätöksellä tai hallitusohjelmassa. Ryhdytään toimiin!

Vaikutukset

Taustaksi arvioita big datan potentiaalista -> Suomen osuus tästä (esim Suomen bkt suhteessa maailman bkt:sta). Strategian toimien vaikuttavuuden arviointia.

Vaihtoehtoisia/täydentäviä tarkastelukulmia vaikuttavuuteen:

1. Esitetään arvioinnin pohjalta, miten ja kuinka merkittävästi edellä mainittujen toimien toteuttaminen vaikuttaisi yhteiskuntaan tai talouteen. Linkitetään ”grand challengeihin” mm. kestävyysvaje (esimerkkien kautta esim. julkinen hallinto)?

2. Määritä tarvittavat investoinnit strategian toteutukseen? = ”ROI”

3. Arvoketju ja luonti A) Datan arvoketju: 1. data hankinta (acquisition) 2. analyysi 3. tuki ja joukkoistaminen (curation) 4. varastointi 5. käyttö B) Arvonluonti: kysy miten datasta saadaan arvoa (data extraction)?

4. Kansantalouden tasolla tarvitaan myös hyviä esimerkkejä demonstroimaan bd vaikutuksia kasvuun ja työllisyyteen = datan relevanttiuden arviointi: 1. datan määrällinen kysyntä (edustaa myös poikkisektorien mahdollisuuksia, kuten geodata) 2. kyseisen sektorin menestymisen merkitys (taloudelle)

5. Arvio Suomen big data PPP ekosysteemin edellytyksistä, potentiaalista? (ensin ymmärrettävä ketä tässä toimii?)

6. Potentiaali versus vaihtoehto ettei asiaa edistetä Ks. Jani kaaviot skenaarioista!

Katso myös

• Avoin data
• Avoin hallinto
• Yhdistelmäliikenne
• Ytrips Oy