Big datan piti olla uusi öljy ja suurin viisaus, mitä bisneksessä on. Tutkijat kuitenkin sanovat, että datasta ei ole juuri hyötyä, jos siltä ei osata käyttää. Kuvitukset Jarkko Hyppönen.
Kutsumme tätä big datan ongelmaksi, NASA:n tiedemiehet kirjoittivat julkaisussaan vuonna 1997.
Avaruusteknologian asiantuntijat olivat törmänneet johonkin, jota he kuvasivat kiinnostavaksi haasteeksi tietokoneohjelmille: Kun data ei enää mahdu koneen päämuistiin, tai kun se ei mahdu enää edes diskeille, ja dataa varten joudutaan hankkimaan lisää varastointitilaa.
Big datan on julistettu olevan niin seuraava öljy (Fortune-lehti 2012) kuin seuraava hiili (sanomalehti Guardian 2016).
Artikkeli oli tiettävästi ensimmäinen kerta, kun ilmiölle annettiin nimi big data. Sittemmin termi on levinnyt kulovalkean tavoin – melkein samalla voimalla kuin datan määrä maailman servereillä ja tietoverkoissa on kasvanut.
Berkleyn tutkijat arvioivat vuonna 1999 maailman datan määräksi 1,5 miljardia gigabittiä. Nyt vallitseva arvio on, että maailmassa tuotetaan joka päivä 2,5 kvintiljoonaa bittiä dataa – tuo luku saadaan, kun 2,5:n perään ladotaan kahdeksantoista nollaa.
Moderni, digitalisoitunut elämä tuottaa valtavia datamassoja, ja on itsestään selvää, että big data nähdään ongelman ja mielenkiintoisen haasteen sijaan myös valtavana mahdollisuutena.
Big datan on julistettu olevan niin seuraava öljy (Fortune-lehti 2012) kuin seuraava hiili (sanomalehti Guardian 2016).
Big data tarjoaa ihmisten toiminnan ennustamiseen, kaupankäynnin seurantaan, bisneksen arviointiin ja suunnitteluun vastauksia, joita ennen voitiin vain arvailla. Niinpä big datan ymmärryksestä ja käytöstä on tullut alalla kuin alalla oletus: tietenkin kaikki oman bisneksensä kehityksestä kiinnostuneet sitä hyödyntävät!
On kuitenkin niin, että yhdessä asiassa viisaus ei ole ajanut NASA:n 1990-luvun tiedemiesten ohi. Big datan hallinta on edelleen erittäin haasteellista, ja datamassojen viisas hyödyntäminen – todellinen ymmärtäminen – vielä haasteellisempaa.
Big data on kuin seksi yläasteella: kaikki siitä puhuvat mutta harva todella tietää miten se toimii.
Maailmalla on jo suuria bisneksen menestystarinoita, joissa asiakastieto tai käyttäjädata on valjastettu entistä viisaamman strategian ohjaajaksi. Mutta todellisuutta on myös toistuva tarina, jossa yritysten johtoryhmien huoneissa toistellaan big datan tärkeyttä, mutta juuri kukaan keskusteluun osallistujista ei oikein ymmärrä, mitä big data voisi juuri tämän yrityksen kohdalla todella tarkoittaa.
Big data on kuin seksi yläasteella: kaikki siitä puhuvat mutta harva todella tietää miten se toimii. Kaikki luulevat kaikkien muiden jo osaavan, joten kaikkien on esitettävä osaavansa, kuuluu Dan Arielyn levinnyt vertaus.
Henri Schildt on stategisen johtamisen professori Aalto-yliopistossa. Hänen erikoisalojaan ovat teollisuuden muutos ja strateginen muutosjohtaminen. Parhaillaan hän vetää kahta tutkimusohjelmaa datalla johtamisesta ja digitalisaation hallinnasta.
Schildt on seurannut big datan hyödyntämistä yrityselämässä jo yli vuosikymmenen. Hän muistelee 2000-luvun vaihdetta:
Suuret firmat, kuten IBM, alkoivat mainostaa data-analytiikkatyökaluja, mutta big datan hyödyntämisestä yrityselämässä ei ollut tutkittua tietoa.
Se, mistä yritykset yleensä vielä puhuvat, on operationaalista. Hyvin käytännönläheisiä päätöksiä. Sillä ei pitäisi olla ylimmän johdon kanssa paljon tekemistä.
Periaatteessahan data-analytiikan hyödyntämisessä ei ollut bisneksen ja tiedemaailman rajapinnassa pyöriville mitään uutta. Tieteessä ja tutkimuksessa dataa on järjestelty ja yritetty ymmärtää aina.
Tilastolliset menetelmät auttavat ymmärtämään maailmaa. Tämä alkoi siirtyä tutkijoilta yrityksiin. Data-analytiikan menetelmät vain siirtyivät äärimmäisen hitaasti ja valikoiden.
Schildtin mukaan vuosikymmenessä yrityksiin on juurtunut big datan operationaalinen ymmärrys. Vastaavat tekniikat ovat olleet pienemmillä datamäärillä tieteen peruskauraa jo vuosikymmeniä. Kuluttajien aiemmista ostoksista osataan ennustaa tuotteiden tulevaa menekkiä, tuotekehitystä osataan viilata käyttäjäpalautteen perusteella, toiminnasta löydetään säästöjä.
Seuraava ymmärryksen taso olisi absraktimpi, Schildtin sanoin taktinen.
Se, mistä yritykset yleensä vielä puhuvat, on operationaalista. Hyvin käytännönläheisiä päätöksiä. Sillä ei pitäisi olla ylimmän johdon kanssa paljon tekemistä. Ylimmän johdon pitäisi kyetä käyttämään data-analytiikkaa taktisiin päätöksiin.
Suuriin linjoihin, strategiaan, uusiin aluevaltauksiin.
Yksi suuri suomalainen konsulttifirma sanoi muutama vuosi sitten, että he eivät edes yritä myydä suomalaisille yrityksille taktisia big data -tekniikoita. Heidän mukaansa yrityksissä toimittiin yhä vain operationaalisella tasolla. Uskon kyllä, että tähän on tulossa muutos, Schildt sanoo.
Että ei ajateltaisi vain: Show me the money!
Että lyhyen aikavälin voittojen sijaan ymmärrettäisiin etsiä big datasta suuntia pidemmän aikavälin valinnoille.
Investointi-ilmapiiri voi tietysti olla sellainen, että harva yritys haluaa investoida monen vuoden päähän, Schildt myöntää.
Hän kuitenkin lupaa rohkeille taktiseen datalouhintaan investoiville yrityksille hyvää.
Kolmannessa sukupolvessa siirrytään numeroista tekstin murskaamiseen.
Tekisin itse sellaisen jaon, että data-analytiikassa on ensimmäisen, toisen ja kolmannen sukupolven big dataa. Ensimmäisen sukupolven jutut olivat just näitä, että tehdään analyyseja ja niiden perusteella säästetään rahaa. Toisen sukupolven big data mahdollistaa ihan uudenlaisia liiketoimintamalleja – esimerkkeinä vaikka Facebookin ja Googlen mainosmyynti. Tai Trip Advisor, joka teki bisnestä matkailijoiden vertaisevaluaatiosta. Big datan avulla pystyttiin näkemään ja rakentamaan aivan uusia bisneksen lajeja.
Entä se kolmas?
Kolmannessa sukupolvessa siirrytään numeroista tekstin murskaamiseen, Schildt sanoo.
Tekstidatan murskaaminen voisi olla esimerkiksi reaaliaikaista Twitter-datan analysointia. Mahdollisuutta tehdä käsitekarttoja itsestä ja kilpailijoista. Mistä ihmiset puhuvat, kun ne puhuvat kilpailijoidesi tuotteista? Mihin sävyyn sinun tuotteistasi puhutaan?
Teksteistä irtoava big data on numerodataakin haastavampaa. Numerot kun harvoin kantavat piilomerkityksiä.
Numerot ovat helppoja ja teksti on todella vaikeaa, sanoo Schildt. Erityisesti ironia ei algoritmeille oikein avaudu.
Totta: numerosta ei tarvitse arvailla, onko tulos hyvä vai huono. Sosiaalisessa mediassa heitetystä asiakasarviosta Good job, British Airways! taas ei pinnalta voi tietää, kehuuko asiakas lentoyhtiötä oikeasti vai onko kyseessä ironinen heitto, siis todellisuudessa kritiikki.
Joka tapauksessa tekstianalyysissa on valtavat mahdollisuudet, erityisesti kun ajatellaan, miten paljon jatkuvasti syntyy uutta, ilmaista tekstitietomassaa. Kukaan ihminen ei kykene sitä sinällään hyödyntämään, mutta data-analytiikan työkaluilla sieltä pystytään löytämään paljon.
Big datan kertymisen kiihtyvä tahti ja datamuotojen monipuolistuminen – numeroiden ja tekstin lisäksi maailma täyttyy kiihtyvällä tahdilla esimerkiksi yksityishenkilöiden älypuhelimilla otetusta videokuvasta – johtavat tietysti entistä käsittämättömämpiin lukuihin.
Vaikkapa näin:
Kuten jo todettua, tällä hetkellä arvioidaan, että dataa kertyy maailmassa 2,5 kvintiljoonaa bittiä päivässä. Ennuste on, että vuoteen 2020 mennessä dataa on syntynyt 400 miljardia gigabittiä.
Suurin muutos ei ole ollut siinä, mitä kaikkea datalla pystyy tekemään, vaan siinä, miten datanlouhinnan hinta on romahtanut.
Datan määrän kasvun kanssa samaan aikaan yleistyvät datan hallinnan työkalut. Jo nyt paljon sellaista, mikä vielä kymmenen vuotta sitten oli hyvin edistyksellistä datanlouhintaa, voi kuka tahansa tehdä helposti ja ilmaiseksi.
Suurin muutos ei ole ollut siinä, mitä kaikkea datalla pystyy tekemään, vaan siinä, miten datanlouhinnan hinta on romahtanut, arvioi professori Schidt.
Eräs lentoyhtiö juuri kertoi, kuinka he olivat ostamassa joltain alan yritykseltä datavarastointipalvelua kolmella miljoonalla eurolla, mutta muutaman vuoden kuluttua päätyivät ostamaan saman palvelun pilvipalvelusta 200 000 eurolla. Todella sofistikoituneita datanlouhintajuttuja pystyy jo tekemään täysin ilmaisella softalla.
Dataa siis voi louhia lähes kuka vain, kysymys onkin siitä, kuka ymmärtää kysyä datalta oikeita asioita ja tekee siitä parhaita tai käyttökelpoisimpia tulkintoja. Alan suuret toimijat ovat jo kääntäneet katseensa yksinkertaisesta numeroiden murskaamisesta edistyneempään tekstianalyysiin.
IBM on yksi niistä, jotka ovat panostaneet tekstidataan. Senkin hinta tietenkin tulee laskemaan, ja sielläkin tulee olemaan paljon avoimia palveluita, Scildt ennustaa.
Ihan perusjutut, jotka eivät vaadi suurta ymmärrystä, tulevat täysin automatisoitumaan. Jutut, joissa on valtavat määrät dataa, jonka ymmärtämiseen ihminen ei vain kykene.
Kun professori kannustaa yrityksiä etsimään datasta viisautta lyhytnäköistä taloudellista optimointia laajempiin strategisiin kysymyksiin, hän myös kannustaa hyödyntämään tämän datanlouhinnassa tapahtuvan kehityksen. Halpaa tai jopa ilmaista numerodatan pyörittelyä kannattaa hyödyntää siellä, missä siitä on arkista hyötyä (analytiikalla pystyy helposti korjaamaan huonoja päätöksiä, joita ihmiset tekevät). Big data -investoinnit kannattaa käyttää sofistikoituneempaan analyysiin.
Tulee tapahtumaan polarisaatio. Ihan perusjutut, jotka eivät vaadi suurta ymmärrystä, tulevat täysin automatisoitumaan. Jutut, joissa on valtavat määrät dataa, jonka ymmärtämiseen ihminen ei vain kykene. Koneet tulevat tekemään sen entistä tehokkaammin ja entistä halvemmalla. Mutta samaan aikaan, kun tämä datan automatisaatio leviää, leviää toisaalla myös todellisen ymmärryksen ja asiantuntemuksen tarve.
Syvällisempi big datan hyödyntäminen – data driven decision making, jota kuitenkin ohjaa näkemyksellinen ihminen – voi johtaa todella uusien innovaatioiden syntymiseen. Schildt antaa esimerkiksi kirjakauppa Amazonin. Verkkokauppa keksi ryhtyä hyödyntämään asiakkaiden ostosdatan lisäksi heidän hakudataansa. Käyttäjäthän kertoivat tarpeistaan valtavasti, vaikka eivät edes ostaneet mitään!
Sellaiseen pitäisi osata siirtyä. Siihen pitäisi kouluttaa ihmisiä. Kun yritystoiminnan prosesseista syntyy dataa, yritykset tarvitsevat innovatiivisia johtajia ja muita ammattilaisia jotka pystyvät analysoimaan kertyvää dataa, löytämään sieltä keinoja parantaa liiketoimintaa, jopa löytämään uusia tavoitteita.
Big data is over hyped.
Professori Jussi Kepon lausunto hätkähdyttää – varsinkin, kun ottaa huomioon, että hän antaa sen luennoidessaan Helsingissä Aalto Executive Summitissa otsikolla Leading with business analytics.
Suomalaistaustainen Keppo työskentelee Singaporen kansallisessa yliopistoissa alanaan muun muassa riskien hallinta ja bisnesanalytiikka. Hän on sitä mieltä, että datamassoista puhutaan liikaa – ainakin niiden koosta.
Tärkeintä on, että sinulla on hyvää dataa. Ennemmin tarvitaan hyvää dataa kuin big dataa. Jos yrityksellä on oikea tieto oikeassa käytössä, tehdään oikeita päätöksiä. Vaikeampi kysymys onkin, mistä hyvää, oikeaa dataa saa?
Tässä Keppo on itse asiassa Schildtin kanssa samoilla linjoilla:
Big dataa on nykyisin niin helppo saada. Mutta pystytkö käyttämään sitä, se on ihan toinen asia.
Keppo näkee analytiikan käytön suurimpana pullonkaulana yrityksissä sukupolvieron. Johtoryhmien huoneita hallitsevat yhä suuret ikäluokat, eikä päätöksenteossa uskalleta kuunnella niitä, joilla on datanlouhinnasta todellista ymmärrystä.
Jotta data-analytiikasta saadaan kaikki irti nykypäivän kovenevassa kilpailussa, pitää päätöksiä antaa tehdä organisaation kaikilla tasoilla.
Meidän ikäpolvi ja meitä vanhemmat, se tämän hetken ylin johtotaso. Me ajatellaan, että me osataan nämä hommat. Ajatellaan, että valta pysyy sillä, että päätökset pidetään omissa käsissä. Mutta nykymaailmassa pitää olla dynaaminen. Ei voi olla niin, että joku executive board tekee kaikki päätökset. Eiväthän ne edes tiedä, mitä kaikkea analytiikkaa siellä alempana on.
Ei organisaation välttämättä tarvitse olla matala, mutta jotta data-analytiikasta saadaan kaikki irti nykypäivän kovenevassa kilpailussa, pitää päätöksiä antaa tehdä organisaation kaikilla tasoilla.
Hiilikaivoksella kannattaa kuunnella maan alla työskentelevien asiantuntemusta, öljyä pumpattaessa porauslautan todellisuutta ymmärtäviä. Sama pätee data-analytiikassa: päätöksenteko pitäisi uskaltaa jättää niille, jotka datan parhaiten tuntevat. Tai edes: päätöksenteossa pitäisi kuulla niitä, jotka kerättyä dataa ymmärtävät.
Big data vaatii siis johtajilta uudenlaista ajattelutapaa. Sitä ymmärtääksemme kannattaa vielä palata professori Schildtin luo – hän on tutkinut asiaa paljon. Kesällä Schildt herätti huomiota artikkelillaan, joka käsitteli yrityksissä yhä vallitsevaa salailun kulttuuria.
Vaikka salailulle on hyviä syitä, kuten tietovuotoriskit ja yksityisyyden suoja, ovat syyt usein itsekkäitä. Tieto on valtaa, ja valta helpottaa elämää. Italialainen renessanssiajan filosofi ja valtiomies Niccolo Machiavelli neuvoi aikanaan salaamaan päätösten syyt, jotta johtajan viisautta ei kyseenalaistettaisi. Mitä enemmän tietoa jaetaan, sitä paremmin johtajien tulee perustella ja oikeuttaa päätöksensä, Schildt kirjoitti Talouselämä-lehden artikkelissaan.
Nyt hänellä on vaaditulle muutokselle yksi sana:
Läpinäkyvyys.
Datavyöryn mukana tulee vaatimus läpinäkyvyyteen, myös yrityksen sisällä. Johtaja ei enää pääse hallitsemansa datan taakse piiloon. Vanha sanonta tieto on valtaa – se on vanha sanonta.
Tämä vaatii monessa yrityksessä aikamoista kulttuurinmuutosta, ja moni johtaja saattaa kokea muutoksen uhkana. Perinteisesti esimerkiksi data-analytiikkatyökalut olivat yrityksessä vain pienen piirin käytössä. Oli ajatus, että vain ylimmällä johdolla oli tarve ja taito analysoida ja käyttää dataa. Nykyisin työkalut ja data pitää jakaa kaikille. Kaikkien, yrityksen kaikilla tasoilla, pitää pystyä käyttämään dataa.
Kulttuurinmuutos tarkoittaa läpinäkyvyyden lisäksi luottamusta. Ajatus on itse asiassa looginen: kun entistä harvempi asia on todellisuudessa salainen, on luottamuksellisen tiedon vääriin käsiin päätyminen pienempi uhka. Todellisempi uhka on, että kilpailijayritys osaa käsitellä omaa dataansa – tai kaikkien käytössä olevaa dataa – viisaammin kuin sinä.
Tähän kilpailuun kannattaa valjastaa yrityksen kaikki osaaminen, kaikilla tasoilla.
Tietysti analytiikkaan sisältyy suuria eettisiä kysymyksiä, professori Schildt myöntää.
Kun mennään tekniikka edellä ja lähdetään vain tekemään kaikkea, mikä on mahdollista, tulee eteen ongelmia.
Esimerkiksi asiakas- tai potilastiedon kanssa pitää olla korkea eettiset standardit siitä, miten tietoa käsitellään. On myös ymmärrettävä, että numerot eivät ole todellisuutta, ne vain kuvaavat sitä.
Näissäkin vaikeissa eettisissä kysymyksissä henkilöstöä on kuitenkin lähestyttävä luottamuksella. Luotettava siihen, että taitavat työntekijäsi osaavat toimia datan kanssa oikein.
Jossain Jenkkien start up -kulttuurissa tietysti tehdään ensin ja kysytään vasta sitten. On siinäkin ongelmansa. Kun mennään tekniikka edellä ja lähdetään vain tekemään kaikkea, mikä on mahdollista, tulee eteen ongelmia.
Schildt käyttää tästä puhuessaan tarkoituksella termiä kyvykkyys. Kyse on tulevaisuuden kilpailuedusta. Eettisten näkökulmien ymmärrystä tulee löytyä, jotta data saadaan valjastettua älykkäimmällä ja tehokkaimmalla tavalla päätöksenteon ja arkisen bisneksen käyttöön.
Vaihtoehtoista menestysreseptiä ei enää ole.
Professori Schildt kertoo kahdesta kilpailevasta päivittäistavarakeketjusta, jotka käytännössä jakoivat kotimaansa markkinat. Toinen otti ensin päätöksenteossaan ja bisneksensä kehittämisessä käyttöön oman big datansa: kanta-asiakaskorttien kautta asiakkaiden joka ostoksesta kertyvät tiedot. Toinen hidasteli, koska pelkäsi, miten asiakkaat reagoisivat asiakastiedon käyttöön.
Nopeampi ketju oli ottanut oppia alan amerikkalaisista, joista esimerkiksi Wall Martin ja Targetin transformaatioita pidetään big datan menestystarinoina. Wall Mart tarjosi ensimmäisenä asiakasdatansa tuotteiden valmistajien käyttöön. Näin tieto siitä, miten tuotteet liikkuivat kaupoista, pääsi viisastuttamaan muun muassa tuotekehitysprosesseja.
Kun Schildt puhuu kahdesta kilpailevasta ruokakauppaketjusta, on ilmiselvää, mihin tarina on päätymässä. Aluksi hidastellutkin ketju on jo voittanut pelkonsa.
Nyt dataa louhitaan kuumeisesti kilpaa.
Tämä juttu on yksi long form -jutuista Aalto Leaders' Insight -lehden 5. numerossa.