Kategoria: Uncategorized @fi

Snowflake World Tour 2026 järjestettiin jälleen Tukholmassa. Tällä kertaa tapahtuma kokosi paikalle yli 2000 osallistujaa kuulemaan Snowflaken uusimmista kehitysaskelista datan ja AI:n ympärillä. Ohjelmassa oli yli 30 sessiota ja 67 puhujaa 11 eri toimialalta, puheenvuorot käsittelivät niin teknisiä ratkaisuja, asiakastarinoita kuin Snowflaken uusimpia ominaisuuksiakin. Päivän agenda oli mahdollista rakentaa omien kiinnostuksen kohteiden ympärille, ja omissa valinnoissani korostuivat erityisesti Snowflaken AI-ominaisuudet, datan hallinta ja kustannusten seuranta sekä data engineeringin kehittyminen tekoälyn myötä.

Tapahtuman perusteella kehityksen suunta on selvä: yksittäisistä AI-ominaisuuksista ollaan siirtymässä kohti agentteja ja agentic enterprise -ajattelua. AI ei pelkästään vastaa kysymyksiin vaan pystyy hyödyntämään yrityksen dataa, sovelluksia ja liiketoimintakontekstia tehtävien suorittamiseen.

Samalla yksi asia korostui lähes kaikessa: mitä enemmän vastuuta AI:lle annetaan, sitä tärkeämmiksi nousevat luotettava data, governance ja kustannusten hallinta.

Snowflake World Tour 2026 Keynote – kohti Agentic Enterprisea 

Keynotessa Snowflaken viesti rakentui vahvasti Agentic Enterprise -ajattelun ympärille. AI-agenttien hyödyntäminen ei kuitenkaan onnistu vain ottamalla käyttöön uusi AI-palvelu, vaan niiden taustalla tarvitaan luotettava data, liiketoimintakonteksti, hallinta ja integraatiot yrityksen muihin järjestelmiin.

Snowflaken agenttipohjainen ympäristö rakentuu kolmesta keskeisestä kokonaisuudesta:

• yrityksen datasta ja kontekstista,
• käytettävistä AI-malleista
• sekä ohjelmistoista ja sovelluksista.

Näitä hallinnoi agenttien hallintakerros, jonka tehtävänä on yhdistää kokonaisuus hallitusti.

Tähän liittyen esiin nostettiin esimerkiksi Snowflake CoWork, joka tuo AI-agentit osaksi työntekijän päivittäistä työskentelyä, sekä enemmän kehittäjille suunnattu Snowflake CoCo, jonka tavoitteena on nopeuttaa Snowflake pohjaisten ohjelmistojen- ja dataratkaisujen kehittämistä AI-avusteisesti.

Samalla korostettiin, että tärkeässä roolissa ovat yrityksen oma data, sen liiketoimintakonteksti sekä hallintamalli, jonka avulla agenttien toimintaa voidaan kontrolloida.

Yksittäisenä erillisenä nostona keynotessa nousi esiin Snowflaken ja eurooppalaisen pilvipalveluntarjoaja STACKITin yhteistyö. Yhteistyön tarkoituksena on tarjota eurooppalaisille yrityksille paikallinen pilvipalvelu. STACKITin datakeskukset sijaitsevat Saksassa ja Itävallassa.

Luotettava data on edelleen kaiken perusta 

AI:n vahvasta roolista huolimatta yksi päivän toistuvista teemoista oli hyvin tuttu: ilman laadukasta ja hallittua dataa ei synny myöskään luotettavia AI-ratkaisuja.

Swedbankin esityksessä käytiin läpi pankin Data & AI-transformaatiota ja Snowflaken roolia sen teknisenä perustana.

Yrityksen tavoitteena on siirtyä tilanteesta, jossa data nähdään lähinnä IT:n vastuuna, malliin, jossa data on koko liiketoiminnan yhteinen resurssi. Transformaation keskeisiä tavoitteita ovat datan laadun ja saatavuuden parantaminen, manuaalisen työn vähentäminen sekä analytiikan ja AI:n tuominen lähemmäksi liiketoiminnan päivittäistä päätöksentekoa.

Esityksen ehkä tärkein viesti oli yksinkertainen: Luotettava AI edellyttää luotettavaa dataa. AI-ratkaisujen rakentaminen ei siis poista toimivan data-alustan, datan laadun tai governance-ratkaisujen merkitystä – päinvastoin niiden merkitys kasvaa.

Snowflaken hallinta ja kustannukset entistä tarkemmin kontrolliin 

Snowflakeen on tullut useita uusia ominaisuuksia kustannusten hallintaan ja kontrolliin. Kustannuksia voidaan seurata organisaatiotasolta aina yksittäisiin käyttäjiin ja tiimeihin asti. Budjetteja voidaan puolestaan määritellä esimerkiksi resursseille tai tageihin perustuen.

Myös AI:n kustannuksia voidaan seurata entistä tarkemmin. Tämä tulee olemaan tärkeää AI-palveluiden käytön kasvaessa, sillä esimerkiksi mallien ja agenttien käyttö muodostaa Snowflake-ympäristöön uuden kustannusulottuvuuden. Käyttäjäkohtaiset kiintiöt sekä mahdollisuus automatisoida toimenpiteitä budjettirajojen täyttyessä helpottavat kustannusten hallintaa.

Tavoitteena on antaa käyttäjille enemmän mahdollisuuksia rakentaa ratkaisuja, mutta organisaatio säilyttää samalla kontrollin kustannuksiin.

Semantic Views tuo yhteisen merkityksen datalle ja AI:lle 

AI:n yleistyessä semanttisen kerroksen merkitys kasvaa. Jos esimerkiksi liikevaihto määritellään eri tavalla Power BI:ssä, SQL-kyselyissä ja AI-agentille annetussa kontekstissa, voidaan samaan kysymykseen saada useita eri vastauksia.

Snowflaken Semantic Viewsin tavoitteena on ratkaista tätä ongelmaa määrittelemällä liiketoiminnan käsitteet, mittarit, dimensiot ja niiden väliset suhteet keskitetysti Snowflakeen. Semantic Studio helpottaa semanttisten mallien rakentamista. Aikaisemmin malleja rakennettiin pitkälti YAML-määritysten avulla, mutta jatkossa niitä voidaan muodostaa ja ylläpitää visuaalisemmin ja luonnollista kieltä hyödyntäen.

Mielenkiintoinen kehityssuunta on myös Snowflaken semanttisen kerroksen yhdistäminen muihin sitä hyödyntäviin työkaluihin. Esimerkkinä Power BI:n olemassa olevia malleja voidaan hyödyntää Semantic Viewin lähtökohtana ja samoja määrityksiä voidaan hyödyntää Power BI:ssä ja Excelissä.

Lopputulemana sama liiketoimintamääritelmä palvelee BI-raportointia, SQL-kyselyitä, sovelluksia ja AI-agentteja.

Snowflake CoWork ja Cortex Agentit vievät AI:n kysymyksistä toimintaan 

Snowflake CoWork oli yksi päivän näkyvimmistä AI-aiheista. Sen tavoite on toimia työntekijän henkilökohtaisena työkaluna, joka tuntee yrityksen datan ja kontekstin sekä pystyy käyttämään erilaisia työkaluja tehtävien suorittamiseen.

Keskeinen muutos aikaisempiin AI-ratkaisuihin verrattuna on siirtyminen kysymys–vastaus-mallista kohti toimintaa. Pelkästä datan analysoinnista ja vastausten tuottamisesta siirrytään kohti toimintaa: agentti voi hyödyntää muita agentteja, työkaluja ja yrityksen järjestelmiä tehtävien suorittamiseen.

Tätä kehitystä tukevat esimerkiksi CoWorkin automaatiot, käyttäjäkohtaiset skills-ominaisuudet sekä integraatiot muihin työkaluihin. Käytännössä tavoitteena on, että käyttäjän ei tarvitse itse tietää, mikä agentti tai tekninen komponentti tehtävän suorittamiseen tarvitaan, vaan CoWork pystyy ohjaamaan tehtävän oikealle agentille.

AI ei ole enää erillinen ominaisuus data-alustan päällä, vaan siitä ollaan tekemässä kiinteä osa päivittäistä työskentelyä.

Data Engineerin työ muuttuu AI:n mukana 

Snowflake World Tour 2026 – AI siirtyy kokeiluista osaksi data-alustaa 

Snowflake World Tour oli jälleen hyvä tilaisuus nähdä, mihin suuntaan Snowflake ja koko data-ala ovat menossa.

Tulevaisuus näyttää selkeästi agenttipohjaiselta. Samalla päivän esityksistä jäi kuitenkin vahvasti mieleen, ettei AI vähennä hyvän datan, governancen tai kustannusten hallinnan merkitystä – päinvastoin.

Mitä enemmän AI:lle annetaan mahdollisuuksia käyttää yrityksen dataa ja suorittaa itsenäisesti tehtäviä, sitä tärkeämpää on tietää, mitä data tarkoittaa, kuka sitä saa käyttää ja millä kustannuksilla.

-Asko Ovaska

Partner, Senior Data Engineer

Sometimes I encounter attitudes such as ”this KPI is in the ballpark” or ”not matching exactly but in tolerance”. Would that suffice if the question was about the balance of your bank account, salary payment, or tax bill?

Oh but your inventory level or exact billing rate isn’t just that critical?

Well, if there’s a small recognizable error, how can you trust other numbers or maybe that same KPI but on different sub-selection?

Why “close enough” numbers are a problem

Remember that the law of big numbers conceals errors! Big aggregates converge to about right. That works in insurance pricing but not in discovering who’s working more productively than others or when evaluating quality of a product batch.

Perhaps the most important, jeopardized thing is trust in reports. As with trust in general, it’s easy to lose and next to impossible to regain. Do you really want to start your reporting renovation with just-almost-reliable numbers? Unfortunately, many do. Good luck leading change in your organization if the reports meant to support it have already given people reason not to trust them.

Way trickier situation is when wrong numbers are not recognized for being wrong. It’s not uncommon at all to discover later on that some calculation logic is not robust, and thus the business has been using wrong numbers for quite some time. It’s always a delicate issue to critically evaluate someone’s doings and faults, but it is something that has to be done, nevertheless. I bet many errors are ignored simply because of conformism and avoiding inconvenience.

This is not about predictions or otherwise inherently uncertain numbers but about numbers that can and should be logically and undisputably derivable. This is about erroneous logic, bad data, or both.

You can’t fix everything within a reasonable time frame and costs, but digging your head into the sand is a terrible choice.

Especially with ERP, CRM or otherwise human input data, there’s an endless stream of typing errors, missing data etc., but that is not actually bad data (even though I just used that phrase) but an important piece of reality.

Hand-in-hand with your KPI analytics endeavor, you should be getting tons of information about your data-generating processes. That is, about the ways Pekka and Tanja are filling values into those systems. Same but different goes for your IoT devices of course.

There are no shortcuts to data quality

I don’t have any magic bullets left in my clip, but I do have a few ordinary ones:

• Verify results in reports vs. database vs. source systems 
• You should practically always have row-level data as the basis in your Power BI data model so that you can verify numbers and utilize all the richness of data. If the volume is hundreds of millions of rows, there are ways for optimization, e.g. conditional aggregation. 
• Don’t hide outliers, ”duplicates” etc. lazily. Inspect their true origin and correct them at the source if possible. Document and set monitors for what you can’t fix completely. 
• There’s no shortcut to quality and deep systemic understanding. I’m a humble student of Ferrari and Russo and their book ”The Definitive Guide to DAX”. Ten years of solving problems with wits, YouTube and GPT doesn’t necessarily teach you about the whole system, or more importantly, what you don’t know. Think it this way: is it better to learn physics on your own or according to a high school curriculum? Very few of us are so passionately curious about this kind of subject that the first is a better option. The rest of us should learn the big picture from a curated comprehensive source. 

If you need analytics that are accurate, traceable and built to be trusted – rather than a collection of isolated solutions – let’s have a chat!

– Lauri Nuotio, Senior Analytics Engineer

Dataa kertyy yrityksissä enemmän kuin koskaan. Myynti, asiakkuudet, verkkosivut, markkinointi, tuotanto, talous ja erilaiset järjestelmät tuottavat jatkuvasti uutta tietoa. Raportteja rakennetaan, mittareita seurataan ja dashboardeja avataan palavereissa.

Silti monessa organisaatiossa törmätään samaan kysymykseen: mitä hyötyä tästä kaikesta datasta oikeastaan on?

Ongelma ei yleensä ole datan puute. Sitä on usein enemmän kuin ehditään käsitellä. Haaste on siinä, miten datasta päästään tiedon kautta toimintaan.

Dashboard ei vielä tee päätöksiä

On helppo ajatella, että kun luvut on saatu näkyviin, ollaan jo pitkällä. Todellisuudessa raportti on vasta alku.

Jos myynti laski viime kuussa kahdeksan prosenttia, tieto on toki tärkeä. Päätöksenteon kannalta kiinnostavammat kysymykset tulevat kuitenkin vasta sen jälkeen: Miksi myynti laski? Missä asiakasryhmässä muutos tapahtui? Onko kyse yksittäisestä poikkeamasta vai pidemmästä kehityksestä? Ja ennen kaikkea, mitä meidän pitäisi tehdä seuraavaksi?

Juuri tässä kulkee raja datan seuraamisen ja datan hyödyntämisen välillä.

Hyvä analytiikka ei ainoastaan kerro, mitä tapahtui. Se auttaa ymmärtämään, miksi jotain tapahtui ja mitä siitä kannattaa päätellä.

Kaikkea ei tarvitse mitata

Kun dataa on paljon, syntyy helposti houkutus mitata kaikkea mahdollista. Lopputuloksena voi olla kymmeniä mittareita, joiden joukosta tärkeät asiat eivät enää erotu.

Enemmän ei tässä tapauksessa välttämättä tarkoita parempaa.

Hyvä lähtökohta on kääntää ajattelu toisinpäin. Sen sijaan, että kysytään mitä dataa meillä on, kannattaa kysyä:

Mitä meidän pitäisi tietää, jotta voisimme tehdä parempia päätöksiä?

Kun liiketoiminnan kysymys on selkeä, myös oikean datan löytäminen helpottuu. Samalla huomio siirtyy raporttien määrästä niiden merkitykseen.

Aloita kysymyksestä, älä datasta

Mitä haluat ymmärtää paremmin? Mikä päätös pitäisi tehdä? Mihin ongelmaan etsit vastausta?

Jos esimerkiksi tavoitteena on kasvattaa asiakkuuksien arvoa, pelkkä kokonaismyynnin seuraaminen ei välttämättä riitä. Tarvitaan tietoa siitä, ketkä ostavat, mitä he ostavat, kuinka usein he palaavat ja missä vaiheessa asiakkaita menetetään.

Arvokkain tieto ei myöskään aina löydy yhdestä järjestelmästä. Myyntidata kertoo yhden osan tarinasta, asiakasdata toisen ja markkinoinnin data kolmannen. Kun niitä tarkastellaan yhdessä, voidaan nähdä asioita, jotka jäisivät muuten piiloon.

Lopulta analyysin pitää johtaa johonkin. Jokaisen keskeisen mittarin kohdalla kannattaa kysyä:

Jos tämä luku muuttuu, mitä teemme?

Jos vastaus on ”emme oikeastaan mitään”, mittarin tarpeellisuutta voi olla syytä pohtia.

Data tarvitsee kontekstin

Numero itsessään ei vielä kerro, onko tulos hyvä vai huono.

Kymmenen prosentin kasvu voi olla erinomainen tulos, tai pettymys, jos tavoitteena oli 30 prosenttia. Asiakasmäärän kasvu voi näyttää hyvältä, mutta kuva muuttuu, jos samalla asiakkaiden keskimääräinen arvo laskee voimakkaasti.

Siksi data tarvitsee rinnalleen vertailua, tavoitteita ja liiketoiminnan ymmärrystä.

Myös ihmisillä on edelleen tärkeä rooli. Paraskaan analytiikka ei tunne kaikkia markkinan muutoksia, asiakaskeskusteluja tai organisaation arjessa tapahtuvia asioita. Data kertoo, mitä numeroissa näkyy. Ihminen auttaa ymmärtämään, miksi.

Tekoäly muuttaa datan hyödyntämistä

Tekoäly tuo datan hyödyntämiseen uusia mahdollisuuksia. Suuristakin aineistoista voidaan tunnistaa poikkeamia, löytää yhteyksiä ja nostaa esiin kiinnostavia havaintoja aiempaa nopeammin.

Myös analytiikan käyttötapa voi muuttua. Sen sijaan, että käyttäjä etsii vastausta useasta raportista, hän voi kysyä esimerkiksi: Miksi tämän tuoteryhmän myynti heikkeni viime kuussa? Mitkä asiakkaat ovat suurimmassa poistumariskissä? Missä näyttäisi olevan seuraava kasvumahdollisuus?

Teknologia voi tehdä vastausten löytämisestä nopeampaa. Se ei kuitenkaan poista tarvetta esittää oikeita kysymyksiä.

Jos tavoite on epäselvä, tekoälykin voi lähinnä tuottaa lisää havaintoja jo valmiiksi suuren tietomäärän päälle.

Vähemmän raportointia, enemmän toimintaa

Datan todellinen arvo syntyy vasta silloin, kun se muuttaa tekemistä.

Se voi tarkoittaa hinnoittelun muuttamista, myynnin kohdentamista oikeisiin asiakkaisiin, markkinointibudjetin siirtämistä paremmin toimivaan kanavaan tai ongelman havaitsemista ennen kuin siitä tulee kallis.

Silloin data ei ole enää vain raportointia varten kerättyä materiaalia, vaan osa päivittäistä päätöksentekoa.

Ehkä tärkein kysymys ei siis olekaan, kuinka paljon dataa organisaatiolla on. Parempi kysymys kuuluu:

Minkä päätöksen teemme tänään paremmin kuin eilen, koska meillä on tämä tieto?

Jos siihen löytyy vastaus, datasta syntyy hyötyä. Jos ei, lisää dataa tuskin tarvitaan. Tarvitaan parempia kysymyksiä.

Saatteko datastanne kaiken hyödyn irti?

Fennia on kehittänyt datan hyödyntämistä siirtymällä hajanaisista tietojärjestelmistä kohti yhtenäistä dataratkaisua, joka tukee analytiikkaa, automaatiota ja parempaa liiketoimintapäätöksentekoa.

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.

Etlia toimii syyskuun Snowflake User Group Helsinki -tapahtuman isäntänä ja sponsorina.

Tervetuloa mukaan viettämään iltaa Snowflaken, data-alustojen ja analytiikan parissa Etlian toimistolle Keilaniemeen. Illan ohjelmassa kuullaan Fennian asiakasesitys PII-tiedon tunnistamisesta ja hyödyntämisestä Snowflakessa sekä Snowflaken katsaus Summit 2026 -tapahtuman tärkeimpiin julkistuksiin. Lisäksi luvassa on verkostoitumista Suomen Snowflake-yhteisön kanssa.

📅 Tiistai 8.9.2026

🕔 Klo 17.00–20.00

📍 Etlia Oy
Finago Tower
Keilaniementie 1
02150 Espoo

🍕 Tarjolla pientä purtavaa ja virvokkeita.

🎟️ Osallistuminen on maksutonta, mutta vaatii ennakkoilmoittautumisen.

👉 Ilmoittaudu tapahtumaan

Ohjelma

17.00
Saapuminen, tarjoilut ja verkostoituminen

17.30
Snowflake User Group Helsingin avaus
Mika Heino & Asko Ovaska (Etlia)

17.40
Jani Thind (Fennia)
PII-tiedon tunnistaminen, tagaus ja hyödyntäminen Snowflakessa
Esitys suomeksi + Q&A

18.30
Tauko

18.40
Elli Pennanen (Snowflake)
Snowflake Summit 2026 – tärkeimmät julkaisut ja niiden käytännön vaikutukset

19.30
Verkostoituminen

20.00
Tilaisuus päättyy

Odotamme innolla, että saamme toivottaa Snowflake-yhteisön tervetulleeksi Etlialle!

Datatuotteen omistajuus on noussut yhä tärkeämpään rooliin, kun organisaatiot haluavat hyödyntää dataa päätöksenteon ja liiketoiminnan tukena. Tässä kirjoituksessa käydään läpi, mitä datatuotteen tuoteomistajuus käytännössä tarkoittaa, ja mitä taitoja ja näkökulmia se vaatii.

Keräsin muutamia ajatuksia tärkeimmistä näkökulmista. Kirjoitus pohjautuu esitykseen, jonka pidin 12.3.2025 Tulevaisuuden tuoteomistaja -tapahtumassa datatuotteen tuoteomistajuudesta.

Mikä on datatuote?

Datatuote on rakenteellinen kokonaisuus, joka tarjoaa organisaatiolle arvoa esimerkiksi raportoinnin, analytiikan tai operatiivisen toiminnan tukena. Se voi olla dataan pohjautuva palvelu, tietovarasto tai esimerkiksi API, joka mahdollistaa datan hyödyntämisen eri käyttäjäryhmille. 

Jos ja paremminkin kun datasta halutaan arvoa liiketoiminnan ja päätöksenteon tueksi, keskeinen kysymys kuuluu: kuka käyttää dataa ja miten?

Datatuotteen suunnittelussa ja kehittämisessä on tärkeää ymmärtää, millaisia käyttäjäryhmiä on olemassa ja millaista osaamista heillä on. Tällaisia ryhmiä voivat olla esimerkiksi: 

• Itseohjautuvat analyytikot, kehittäjät ja datatieteilijät, jotka käsittelevät raakadataa ja tekevät siitä johtopäätöksiä. 

• Tietojohtajat ja liiketoimintapäättäjät, jotka tarvitsevat visualisoitua ja aggregoitua dataa päätöksentekoon. 

• Loppukäyttäjät, jotka hyödyntävät dataa mutta tarvitsevat tukea sen tulkinnassa ja käytössä. 

Jotta datatuotteen arvo maksimoituu, on tärkeää tarjota oikeanlaisia palveluita eri käyttäjäryhmille – oli kyse sitten API-rajapinnoista, raportoinnista tai räätälöidystä dataneuvonnasta.

Datatuotteen tuoteomistajan rooli

Tuoteomistajuus on tuttu konsepti ohjelmistokehityksestä, mutta datatuotteiden kohdalla rooli saa erityisiä painotuksia. Dataosaaminen on ehdoton etu tuoteomistajalle, sillä ilman sitä on vaikea arvioida, millaiset ratkaisut ovat toisaalta teknisesti kestäviä, mutta toisaalta palvelevat mielekkäästi liiketoimintaa. 

Menestyvä datatuotteen tuoteomistaja: 

• Ymmärtää datalähteet ja ekosysteemit – mistä data tulee, miten sitä käsitellään ja missä sitä hyödynnetään. 

• Hallitsee sidosryhmätyön, sillä datatuotteen ympärillä toimii laaja joukko käyttäjiä ja asiantuntijoita ja riippuvuuksia eri järjestelmiin ja liiketoimintoihin on yleensä paljon. 

• Osaa priorisoida kehitystä liiketoiminnan tarpeiden mukaan, jotta datasta saadaan maksimaalinen hyöty. 

Sidosryhmien yhteistyö ratkaisee

Datatuotteen kehitys ei tapahdu tyhjiössä. Se vaatii tiivistä yhteistyötä niin liiketoiminnan, IT-tiimien kuin loppukäyttäjienkin välillä. Tuoteomistajan tehtävä on tasapainottaa eri odotuksia ja varmistaa, että datatuote palvelee aidosti käyttäjiään. 

Eri toimialoilla datatuotteilla voi olla monenlaisia rooleja – ne voivat esimerkiksi tukea sääntelyvaatimuksia, mahdollistaa asiakasymmärryksen syventämistä tai tehostaa päätöksentekoa. Datatuotteen arvo syntyy siitä, kuinka hyvin se pystyy tarjoamaan tietoa eri käyttäjäryhmille sopivassa muodossa ja auttamaan heitä hyödyntämään sitä omassa työssään.

Miten eteenpäin?

Etlialla autamme asiakkaitamme rakentamaan toimivia, skaalautuvia ja käyttäjälähtöisiä datatuotteita eri ohjelmistoilla. Näissä hankkeissa olemme nähneet, kuinka oikealla omistajuudella ja selkeällä kehitysstrategialla data voidaan valjastaa voimavaraksi, joka tukee sekä operatiivista toimintaa kaikilla tasoilla että strategista päätöksentekoa ylimmässä johdossa. 

Jos haluat keskustella lisää siitä, miten organisaatiosi voisi hyödyntää dataa paremmin, ole rohkeasti yhteydessä!

– Eevi Lappalainen, Senior Data Consultant