Yritykset hyödyntävät tekoälyä yhä useammin esimerkiksi ennustamisessa, automaatiossa, päätöksenteon tukena ja erilaisissa liiketoimintaprosesseissa. Samalla yksi asia korostuu entisestään: tekoäly on juuri niin luotettava kuin data, jonka varaan sen toiminta rakennetaan.
Tekoäly ei korjaa sen käyttämän datan laatuongelmia. Päinvastoin, kun samaa dataa hyödynnetään yhä laajemmin tekoälyratkaisujen ja automatisoitujen prosessien pohjana, myös virheellisen tai puutteellisen datan vaikutukset voivat ulottua aiempaa laajemmalle.
Ajatellaan esimerkiksi yritystä, joka käyttää tekoälyä myynnin tai kysynnän ennustamiseen. Jos ennusteiden pohjana olevassa asiakas-, tilaus- tai historiadatassa on puutteita tai virheitä, myös tekoälyn tuottamat ennusteet voivat olla epäluotettavia. Kun niiden perusteella tehdään päätöksiä esimerkiksi hankinnoista, resursoinnista tai myynnin toimenpiteistä, datan laatuongelma voi vaikuttaa suoraan liiketoimintaan.
Tekoäly ei siis tee huonosta datasta parempaa – se voi tehdä sen vaikutuksista suurempia.
Mitä laadukas data oikeastaan tarkoittaa?
Datan laatu ei tarkoita sitä, että kaiken organisaation datan pitäisi olla täydellistä. Olennaista on, että data on riittävän laadukasta siihen tarkoitukseen, jossa sitä käytetään.
Sama data voi siis olla riittävän hyvää yhteen käyttötarkoitukseen mutta täysin riittämätöntä toiseen. Kuukausittaisen raportoinnin tarpeisiin sopiva data ei välttämättä esimerkiksi ole riittävän ajantasaista reaaliaikaista päätöksentekoa tai automatisoitua AI-ratkaisua varten.
Datan laatua voidaan tarkastella esimerkiksi seuraavien kysymysten kautta:
- Oikeellisuus: Vastaako data todellisuutta?
- Täydellisyys: Puuttuuko olennaisia tietoja?
- Ajantasaisuus: Onko tieto riittävän tuoretta käyttötarkoitukseen?
- Yhdenmukaisuus: Tarkoittavatko samat käsitteet samaa eri järjestelmissä?
- Saatavuus: Saadaanko tarvittava data käyttöön oikeassa muodossa ja oikeaan aikaan?
AI:n näkökulmasta nämä kysymykset muuttuvat entistä olennaisemmiksi. Tekoälyratkaisun tekninen suorituskyky ei auta, jos sen käyttämään tietoon ei voida luottaa.
Huonon datan hinta näkyy liiketoiminnassa
Datan laatuongelma ei ole vain tekninen ongelma. Sen seuraukset näkyvät lopulta liiketoiminnassa.
Virheellinen, puutteellinen tai vaikeasti hyödynnettävä data voi tarkoittaa esimerkiksi ylimääräistä manuaalista työtä, epäluotettavaa raportointia, heikompia ennusteita, virheellisiä päätöksiä tai automaatioita, jotka eivät toimi odotetulla tavalla.
AI:n yleistyessä vaikutus voi kasvaa entisestään. Kun dataa ei enää käytetä vain raportin muodostamiseen vaan sen pohjalta tehdään ennusteita, tuotetaan sisältöä, suositellaan toimenpiteitä tai automatisoidaan prosesseja, yhden dataongelman vaikutus voi kertautua useaan käyttötarkoitukseen.
Siksi datan laadun kustannus ei muodostu vain virheiden korjaamiseen käytetystä ajasta. Hintaa syntyy myös siitä, mitä huonon datan perusteella tehdään väärin sekä siitä, mitä datan avulla jää kokonaan saavuttamatta.
Datan laatu ei synny itsestään
Laadukas data vaatii teknologian lisäksi yhteisiä toimintatapoja ja selkeitä vastuita. Organisaatiossa täytyy tietää, mitä eri tiedot tarkoittavat, mistä ne tulevat, kuka niistä vastaa ja millä tavalla niiden laatua seurataan.
Tässä datan hallinta eli Data Governance nousee keskeiseen rooliin. Kun datalle on määritelty omistajuudet, yhteiset käsitteet ja laatukriteerit, myös ongelmat voidaan tunnistaa ja korjata järjestelmällisemmin.
Datan laatua ei myöskään kannata ajatella kertaluontoisena siivousprojektina. Data, järjestelmät ja liiketoiminnan tarpeet muuttuvat jatkuvasti, joten myös datan laadun seuraamisen ja kehittämisen täytyy olla jatkuvaa.
AI-valmius alkaa datasta
Tekoälyn käyttöönotossa huomio kiinnittyy helposti malleihin, työkaluihin ja uusiin käyttötapauksiin. Niiden alla oleva dataperusta ratkaisee kuitenkin pitkälti sen, kuinka luotettavasti ja laajasti tekoälyä voidaan hyödyntää.
Ennen uuden AI-ratkaisun rakentamista kannattaakin kysyä ainakin:
- Onko tarvitsemamme data saatavilla?
- Onko se riittävän laadukasta ja ajantasaista?
- Ymmärrämmekö, mistä se tulee ja kuka siitä vastaa?
- Ja ennen kaikkea,voimmeko luottaa siihen?
Kun datan laatu ja hallinta ovat kunnossa, organisaatiolla on huomattavasti paremmat edellytykset rakentaa tekoälyratkaisuja, jotka eivät jää irrallisiksi kokeiluiksi vaan tuottavat aidosti arvoa liiketoiminnalle.
Onko datanne valmis tekoälyn hyödyntämiseen?
Autamme organisaatioita rakentamaan luotettavan dataperustan, jonka päälle analytiikkaa, automaatiota ja tekoälyratkaisuja voidaan kehittää turvallisesti ja skaalautuvasti.
