Tekoäly on noussut nopeasti yritysten strategisiin keskusteluihin. Samalla datan hyödyntämisen mahdollisuudet ovat kasvaneet merkittävästi: tekoäly nopeuttaa tiedon analysointia ja hyödyntämistä eri funktioissa ja työrooleissa, sekä tehostaa kehityssuuntien ennustamista ja prosessien automatisointia.
Tekoäly ei kuitenkaan poista yhtä perustavanlaatuista haastetta. Päinvastoin: mitä enemmän dataa hyödynnetään päätöksenteossa ja mitä enemmän tekoäly osallistuu tiedon jalostamiseen, sitä tärkeämmäksi datan laatu nousee.
“Oman pitkän kokemuksen myötä olen nähnyt kehityskaaren, kuinka yritysten datan määrä on kasvanut valtavasti. Sen myötä tarvitaan myös kriittisyyttä datan suhteen. Nyt, kun AI on tuonut analytiikkaan uusia mahdollisuuksia, sen rinnalla tarvitaan entistäkin vahvempaa asiantuntijuutta nimenomaan datan laadun varmistamiseen”, kuvailee alan kehitystä Pengonin asiakaskokemusjohtaja ja seniorikonsultti Ulla Koskela.
Pääkriteerit datan laadulle ovat:
“Datan laatua määrittää ennen kaikkea sen käyttötarkoitus”, Koskela huomauttaa.
Esimerkiksi se, miltä ajalta syntynyt data on relevanttia mihinkin käyttöön tai kuinka yksityiskohtaista tiedon tulee olla, vaihtelee tarpeen mukaan. Sama data voi olla täysin riittävää yhdessä käyttötarkoituksessa, mutta puutteellista toisessa.
Datan heikon laadun syy on usein järjestelmien moninaisuudessa sekä puuttuvissa tai eri muodoissa syötetyssä tiedossa, Koskela kertoo esimerkin:
“Aika yleinen ongelma on, etteivät yrityksen dataa sisältävät järjestelmät keskustele keskenään. Niihin voi olla syötettynä samoja tietoja, mutta eri muodossa, jolloin niitä ei pystytä yhdistämään samaksi tiedoksi. Esimerkkinä henkilön nimi, joka voi olla kirjoitettu eri järjestyksessä – etu- tai sukunimi ensimmäisenä tai pelkällä sukunimellä.”
Puutteellisen tai virheellisen datan vaikutukset voivat ulottua laajalle. Virheet voivat näkyä esimerkiksi laskutuksessa, raportoinnissa tai lakisääteisten tietojen puuttumisena. Pahimmillaan heikko data johtaa siihen, että päätöksenteko perustuu väärään tilannekuvaan.
Koskela tuo esille yleisen oikeiden ratkaisujen tekemistä haastavan tilanteen:
“Päätöksentekoa voi vääristää tilanne, jossa eri järjestelmät tuottavat samasta asiasta erilaista tietoa, jolloin yksi henkilö tekee päätelmän yhden järjestelmän datan perusteella ja toinen toisen – syntyy tilanne, jossa on liian monta totuutta.”
Laadukas johtaminen ja liiketoiminnan ohjaaminen edellyttävät luotettavaa tietoa. Hienot raportit tai visualisoinnit eivät ratkaise ongelmaa, jos niiden taustalla oleva tieto on puutteellista – virheellinen data johtaa virheellisiin näkemyksiin riippumatta siitä, kuinka moderni analytiikka- tai tekoälyratkaisu on käytössä.
AI-pohjaisia ratkaisuja käytetään nykyään laajasti tiedon analysointiin. Yksi suurin muutos koskee sitä, ketkä kaikki yrityksessä voivat hyödyntää dataa itsenäisesti, vain parilla klikkauksella. Teknologia mahdollistaa keskustelun yrityksen oman datan kanssa ja käyttäjä voi sanallisesti pyytää tekoälyä etsimään vastauksia datasta myös sellaisiin kysymyksiin, joihin yrityksen raporteilla ei ole valmiita visualisointeja tai mittareita. Näitä voisivat olla esimerkiksi:
Tämä on muuttanut datan laadun merkitystä olennaisesti. Aiemmin, kun analytiikkatyökaluihin rakennettiin käyttäjille valmiit mittarit ja raportit, raportin luotettavuus todennettiin prosessin aikana: mahdolliset puutteet tulivat esiin ja voitiin korjata. Nyt, kun yhä useampi käyttäjä hyödyntää dataa suoraan analytiikka- ja tekoälyratkaisujen kautta, on lähtödatan oikeellisuus entistä kriittisempää.
Pahimmillaan yksittäinen virhe lähtödatassa monistuu useisiin raportteihin, analyyseihin ja tekoälyn antamiin vastauksiin. Tällöin sama virheellinen tieto voi ohjata useiden ihmisten päätöksiä ennen kuin ongelma edes havaitaan.
Suurin datan laadun haaste on prosesseissa
“Mitä enemmän data perustuu manuaaliseen tietojen syöttämiseen järjestelmään, sitä suurempi on riski, että se sisältää virheitä tai puutteita. Suurin haaste on siis prosessissa”, Koskela korostaa ja jatkaa:
“Datan laadun kehittäminen vaatii selkeää määrittelyä: missä yrityksen master data sijaitsee, mitä se sisältää ja missä muodossa tiedot tulee tallentaa. Esimerkiksi, jos ERP-järjestelmä ei pakota syöttämään tietoja tietyllä tavalla, on todennäköistä, että puutteita tai muotoiluvirheitä alkaa syntyä. Tulee myös määritellä, kuka organisaatiossa vastaa tiedon oikeellisuudesta.”
Siksi datan laadun kehittäminen ei ole ensisijaisesti tekninen projekti, vaan toimintatapojen ja prosessien kehittämistä – jossa ihmisellä on tärkeä rooli kokonaisuuden ylläpitämisessä.
Johtopäätelmien tekemiseen tarvitaan liiketoiminnan kontekstia
“Tekoäly toimii puhtaasti datan perusteella”, Koskela alleviivaa. AI voi arvioida, ovatko tiedot teknisesti oikein, mutta ei välttämättä tunnista tilanteita, joissa lopputulos on liiketoiminnan näkökulmasta epälooginen. AI ei ymmärrä liiketoiminnan kontekstia samalla tavalla kuin kokenut asiantuntija, ellei sitä ole mahdollista päätellä datasta.
Datan syvällisen hyödyntämisen näkökulmasta konteksti, eli liiketoiminta- sekä toimialaymmärrys on olennaista – toki sitä voidaan tekoälyllekin opettaa. Perinteinen tapa on antaa palautetta siitä, mikä on oikein ja mikä väärin.
"Toinen vaihtoehto on hyödyntää prosessilouhintaa. Kun järjestelmien tapahtumalokit yhdistetään yhdeksi tapahtumavirraksi, nähdään miten prosessit oikeasti etenevät, ei vain se, miten ne on dokumentoitu. Tästä syntyy prosessien digitaalinen kaksonen, ja se antaa tekoälylle kontekstin, jota ei voi päätellä pelkistä tietokantatauluista", nostaa esille Pengonin teknologiajohtaja Ville Pasanen.
Kun eri järjestelmistä kerättävä data yhdistetään ja yrityksen todelliset prosessit mallinnetaan, muodostuu digitaalinen kuva liiketoiminnasta, eli koko yrityksen digitaalinen kaksonen. Sen avulla tekoäly saa laajemman käsityksen siitä, miten yrityksen prosessit todellisuudessa toimivat, jolloin myös manuaalisen kouluttamisen tarve vähenee ja tekoälyn tuottamat analyysit perustuvat aiempaa vahvempaan liiketoimintakontekstiin.
Tekoäly auttaa valvomaan datan laatua
Oman datan laadun arviointi kannattaa aloittaa tunnistamalla liiketoiminnan kannalta kriittisimmät tiedot. Samalla on hyvä selvittää, missä järjestelmissä niitä ylläpidetään, ovatko tiedot yhtenäisessä muodossa ja puuttuuko kokonaisuudesta olennaista tietoa. Tekoälyn rooli prosessissa voi olla kaksivaiheinen: se ei ainoastaan hyödynnä dataa analyysien tuottamiseen tai ennusteisiin, vaan tekoälyä voidaan käyttää myös datan laadun tarkasteluun ja seurantaan.
"Kielimalli soveltuu semanttiseen tarkasteluun: se pystyy arvioimaan, ovatko tiedot keskenään järkeviä, vaikka ne olisivat teknisesti oikein. Esimerkiksi vastaako vapaa tekstikuvaus tuoteryhmää, viittaavatko kaksi asiakastietuetta samaan yritykseen, onko osoite uskottava. Lisäksi esimerkiksi Databricksissa on valmiita työkaluja datan laadun tarkasteluun koneoppimisen keinoin – se tunnistaa toisteisuudet ja trendit, mutta yhtälailla poikkeamat”, Pasanen kertoo.
Tekoälyn etuna on myös mahdollisuus tarkastella dataa ilman valmiita määrittelyä siitä, mikä on virhe: “Datan laatua määrittävien sääntöjen luominen on monesti haastavaa, ja jotta sääntö oikeasti toimii, määrittelyiden tulee olla todella yksityiskohtaisia. Koneoppimisen keinoin voidaan tunnistaa epätavallisia muutoksia myös sääntöjen ulkopuolelta: säännöt löytävät ne virheet jotka on osattu ennakoida, koneoppiminen myös ennakoimattomat.”
Ihmisen ja syväosaamisen rooli korostuu
Mihin asti tekoälyä ja agentteja sitten kannattaa hyödyntää laadun tarkastelussa? Pasanen korostaa ihmisen roolin tärkeyttä:
"AI-agentti voi havaita poikkeamia ja nostaa ne automaattisesti esille raportille tai lähettää hälytyksen vastuuhenkilölle. En kuitenkaan suosittele, että korjaukset tehtäisiin täysin automaattisesti. Silloin data muuttuu huomaamatta, eikä kukaan enää tiedä mitä on korjattu ja miksi. Ihmisen pitää olla hyväksymässä muutokset."
Tekoälyn yleistyminen kasvattaa myös asiantuntijoiden roolia, Pasanen painottaa: “Tänä päivänä tekoäly auttaa kuka tahansa rakentamaan raportteja ja datan käsittelyä nopeasti. Se on hyvä asia, mutta samalla syntyy paljon sellaista, mitä kukaan ei ole ehtinyt tarkistaa. Siksi osaavien asiantuntijoiden tarve ei vähene vaan kasvaa.”
Data-arkkitehtuurin hallinnointiin tarvitaan ihmistä vastaamaan siitä, miten data liikkuu, tallennetaan, hallitaan, suojataan ja hyödynnetään organisaatiossa. Toimiva data-arkkitehtuuri varmistaa, että yrityksen eri järjestelmien data yhdistyy yhtenäiseksi, laadukkaaksi ja turvallisesti hallituksi kokonaisuudeksi. Siksi tekoälyä ei voi olla ihmisen korvaaja, vaan työkalu, joka tukee päätöksentekoa. Lopullinen vastuu tiedon tulkinnasta ja liiketoiminnallisista johtopäätöksistä säilyy ihmisellä.
Laadukas data on luotettavan tekoälyn perusta
Tekoälyn hyödyntäminen yritysten arjessa ja analytiikassa korostaa datan luotettavuuden arvoa. Samalla tekoäly tarjoaa uusia mahdollisuuksia datan laadun jatkuvaan valvontaan ja kehittämiseen.
Parhaimmillaan nämä muodostavat itseään vahvistavan kokonaisuuden: tekoäly auttaa ylläpitämään datan laatua ja kun datan perusta on kunnossa, AI pystyy tuottamaan analytiikassa aidosti liiketoimintaa hyödyttävää arvoa.