Tämä essee perustuu kirjaan Tekoäly – bisneksen uudet työkalut. Olin kirjasta hyvin innoissani aluksi. Se on viime vuonna julkaistu ja ajattelin, että se olisi tuore ja käytännönläheinen opas siihen, mitä bisnestoiminta voisi saada tekoälystä ja uusista teknologisista innovaatioita. Kirja on myös hyvin visuaalinen ja täynnä asioita hahmottavia kuvia. Valitettavasti kirja oli pettymys. Siinä on hirveästi tietoa monesta asiasta, joten asiat jäävät todella pintapuolisiksi. Kirjaa lukiessani tuli sellainen olo, että opin kaikesta vähän (datasta, tekoälystä, koneoppimisesta, neuroverkoista) mutta en oikeasti yhtään mistään. Vaikka kirja alkaa hyvin alusta asti selittämään sitä, mitä tekoäly on, teksti on silti hyvin ammattimaista. En siis tiedä, onko kirja tarkoitettu asiaan ensikertaa asiaan tutustuvalle vai tekoälyn ja datan kanssa jo pidempään työskenteleville. Minusta tuntuu, ettei se palvele kumpaakaan. Koska tekoäly on niin suuri trendi, on varmasti hyvä, että mahdollisimman moni saa pintaraapaisun siitä. Ehkä jonkun suuremman yrityksen johto saa tästä kipinän uudistaa toimintamallejaan, mutta itselleni tämä ei ollut hääppöinen lukukokemus.

Mennäänpäs sitten itse esseen aiheeseen, eli datan visualisointiin. Itse rakastan numeroita ja tilastoja, koska niillä voidaan havainnollistaa tilanteita hyvin. Myös datan kerääminen ja esittäminen vaatii taitoa. Sitä onkin kiva päästä harjoittelemaan datapäällikkönä. Proakatemiassa on kuitenkin yli 200 ihmistä ja monet akatemian käytänteet ovat meidän päätettävissä. Voisi ajatella, että se on taakka, koska se vie aikaa opiskelulta ja työnteolta. Toisaalta se on myös suuri siunaus, että meillä on tällainen mahdollisuus. Teemme paljon kokeiluja ja pikainen muutoskyky ja tilanteisiin reagoiminen on meidän vahvuutemme. Mutta, mitä järkeä on tehdä kokeiluja, jos niiden tuloksia ei seurata. Mitä tarkoitan seuraamisella? Jos kokeiluista ei kerätä dataa ja saada sitä kautta tietoja kokeilun tuloksista, voi olla, että vain muutaman ihmisen mielipide vaikutti siihen, millaisia tuloksia kokeilusta saatiin.

Olemme johtoryhmän kanssa lähteneet tekemään muutoksia oikein reippaasti ja ronskisti. Haluamme uudistaa projektoria, josta on tullut kaavoihin kangistunut ja ehkä jopa tylsä tapahtuma. Suuret muutokset saavat tietysti aina jonkin verran vastarintaa ja kummastelua, joka on täysin ymmärrettävää. Juuri tämän takia on tärkeää, että muutosten vaikutusta seurataan ja siitä kerätään dataa. Näin asioita on helpompi perustella ja tutkia syy-seuraussuhteita, sekä myös kompeksisimpia asioita.

Ja mennäänpäs nyt siihen itse aiheeseen, eli datan visualisointiin.

Suurten tietomäärien ymmärtäminen voi olla hankalaa. Pelkkiä tilastoja tai numeroita katsomalla voi olla haastava nähdä kokonaisuuksia tai poikkeavuuksia. Samankaltaiselta vaikuttavat tiedot voivat sisältää olennaisia ja kokonaisuuteen vaikuttavia merkityksiä, joita pelkästään numeroita tai tekstiä katsomalla voi olla hankalaa tai jopa mahdotonta havaita. Datan visualisoimisella eli kuvitteellisella havainnollistamisella saadaan nopeasti kokonaiskuva tutkittavasta ilmiöstä (Kananen 2019, 86)

Proakatemiassa ei tällä hetkellä ole mitään sen suurempia tilastoja tai dataryppäitä, mutta se ei tarkoita sitä, ettenkö haluaisi niitä olevan. Meillä Revenassa yksi syksyn tavoitteista on pajojen laadun parantaminen. Ensimmäisenä keväänä pajat olivat aika paskaa, mutta niin niiden varmasti kuuluikin olla. Ei meillä ollut käsitystä siitä, millaisia pajojen, meidän yhteisten oppimistilaisuuksien tulisi olla. Meillä oli vain malli siitä, että joku opettaa asian, siitä ehkä keskustellaan, tehdään paljon muistiinpanoja ja mennään eteenpäin. Kyseessä ei niinkään ole mikään tilaisuus, jossa ihmiset opettavat toisiaan, kyseessä on enemmän tilanne, jossa yhteisen ajattelun avulla tuodaan oivalluksia tiimiläisille.

No miten nämä pajat ja data sitten liittyvät toisiinsa? Itse olisin todella kiinnostunut keräämään dataa erilaisista pajatilanteista. Näin alkuun lanseerasimme päätöksen, jonka mukaan tiimin on alettava seuraamaan tiimiläisten poissaoloja pajoista. Nyt kun kirjoitan asian tähän, tuntuu, että onko tämä nyt naurettavaa kyttäämistä. Useiden tiimien valmentajat kuitenkin seuraavat tiimien poissaoloja, joten olisi hyvä, että tiimillä itselläänkin on käsitys siitä, paljonko täällä on porukkaa paikalla. Esimerkiksi, kun kysyttiin että onko Revenassa ollut paljon poissaoloja pajoista, minun vastaus oli että ei ole. Tiimikaverini oli kuitenkin toista mieltä ja muistutti minua monista pajoista, joista on puuttunut porukkaa. Tässä taas huomaamme ihmisaivojen vajavaisuuden. Kun minulla on hyvä fiilis ja keskustelu pajassa sujuu, tuntuu, että jeeejee kaikki on paikalla ja meininki on hyvä. Todellisuus voi kuitenkin olla toista. Jos vaikka 4 ihmistä Revenassa ei ole paikalla ja arvottaa jonkun muun asian tiimin pajojen edelle, on se prosentteina kuitenkin 4/18 = 22 prosenttia. Minusta on ainakin huolestuttavaa jos 1/5 tiimistä on poissa, enkä minä edes huomaa sitä. Juuri tällaisiin psykologisiin lipsahduksiin data on äärimmäisen hyvä työväline.

Datan visualisoinnilla voidaan:

• Tunnistaa trendejä
• Tunnistaa ryhmittelyä
• Tunnistaa poikkeavuuksia (Kananen 2019, 86)

No jos nyt päästäisiin siihen varsinaiseen aiheeseen eli datan visualisointiin, tuskin päästään, mutta laitan siitä huolimatta tähän kuvan viime projektorin kyselyn tuloksista.

Lähdetäämpäs analysoimaan tätä tulosta. Vastanneita tähän kysymykseen oli 111. Proakatemialla opiskelee n. 200 henkilöä, joten vastausprosentti oli 111/200 eli 55,5 prosenttia. Kysymys koski sitä, kuinka hyödyllisinenä projektoria pidetään. Koska 13 henkilöä ei tiedä vielä projektorista mitään, voisi heidät ottaa kyselyn ulkopuolelle. Näin ollen vastanneita on 111-13 98. Näistä 98 henkilöstä 4 ihmistä ei pidä projektoria lainkaan tärkeänä. Tämän prosenttiosuus on 4/98= 4%. Kuulostaa aika hienolta. 96% akatemialaisista ajattelee, että projektori on tärkeä. Tähän lukuun ei kuitenkaan voi luottaa täysin. Meillä oli n. 89 henkilöä, jotka eivät edes vastanneet kyselyyn tai olleet paikalla. Näin ollen voisi brutaalisti ajatella, että 89 henkilöä ei pidä Projektoria tärkeänä ja hyödyllisenä. Näin ollen tulokset ovat seuraavat: 4+89= 93 (henkilöt, joita ei kiinnosta paskaakaan) prosenttiosuus: 93/200 (nyt laskussa koko akatemian sakki) = 46,5%. Näin ollen voidaan sanoa, että ihmisten, joita ei kiinnosta, määrä on 4-46,5%, riippuen lasku ja tulkintatavasta. Itse voisin päätellä omilla matemaattisilla aivoillani, että oikea tulos on näiden prosenttisummien keskiarvo, eli n. 27,25% akatemialaista ei kiinnosta paskaakaan. Haluan ottaa tämän esille datatiimin kokouksessa ja haluan myös, että seuraava datapäällikkö osaa ottaa huomioon nämä asiat. Hedelmällistähän datasta tulee vasta, kun sitä on kerätty useammalta vuodelta + että se on kerätty ja analysoity oikein.