AVOIMEN DATAN HYÖDYNTÄMINEN VALMISTAVAAN TEOLLISUUTEEN OSALLISTUVISSA YRITYKSISSÄ

Transkriptio

1 Pyry Collander AVOIMEN DATAN HYÖDYNTÄMINEN VALMISTAVAAN TEOLLISUUTEEN OSALLISTUVISSA YRITYKSISSÄ Diplomityö Tekniikan ja luonnontieteiden tiedekunta Tarkastajat: Apulaisprofessori Henri Pirkkalainen, Professori Samuli Pekkola Huhtikuu 2022

2 TIIVISTELMÄ Pyry Collander: Avoimen datan hyödyntäminen valmistavaan teollisuuteen osallistuvissa yrityksissä Diplomityö Tampereen yliopisto Tietojohtamisen diplomi-insinöörin tutkinto-ohjelma Huhtikuu 2022 Data ja sen hyödyntäminen lisääntyy jatkuvasti yhteiskunnassamme aihealueesta riippumatta. Julkishallinnossa on erittäin suuri määrä hyödyntämispotentiaalista dataa. Yksinkertaistettuna, kun tämä data avataan, tulee siitä avointa dataa. Avoimella datalla on EU:n selvityksen mukaan erittäin suuri taloudellinen potentiaali. Yksi Suomen hallituksen hallitusohjelman tavoitteista on edistää julkisen tiedon avoimuutta ja tavoitteen saavuttamiseksi Suomessa on käynnistetty Tiedon hyödyntämisen ja avaamisen hanke. Tämän tutkimuksen on tarkoitus edistää hankkeen tavoitteita selvittämällä Suomessa toimivien suurten valmistavaan teollisuuteen osallistuvien yritysten avoimen datan hyödyntämisen tilaa, jotta avoimen datan käyttöä voitaisiin edellä mainitussa kontekstissa lisätä ja siten edistää hankkeen tavoitteita. Tutkimuksen tuloksena tutkimuksen rajaukseen sopivissa organisaatioissa avoimen datan käyttö on vielä melko suppeaa, mutta niissä tiedostetaan hyvin, mitä sen käyttäminen vaatii. Käyttäminen vaatii riittävän korkeaa datamaturiteettia, ihmis-, IT-, informaatio- & dataresursseja, sekä liiketoimintaidean tai -ongelman, johon avointa dataa sovelletaan. Avoimen datan käyttöä estäviksi tekijöiksi tunnistettiin puutteet organisaatioiden datamaturiteetissa, ihmisresursseissa, sekä avoimen datan liiketoiminnallisten mahdollisuuksien ymmärtämisessä. Näiden lisäksi avoimen datan hyödyntämistä hidastaviksi tekijöiksi tunnistettiin luottamus avointa dataa kohtaan, sen vaihtelevat laatuominaisuudet, epäsäännöllinen julkaisu, toimimaton palautesykli, rajapintojen puute, sekä organisaatioiden sisäiset kommunikaatiohaasteet ja tiedonkulun puutteet. Avoimen datan hyödyntämiskohteiksi tunnistettiin sekä epäsuoria ulkoisia, että sisäisiä menetelmiä. Ulkoisia kohteita tunnistettiin viisi ja sisäisiä kohteita kyettiin erittelemään yhdeksän. Ulkoisia kohteita olivat innovointi, tuotekehitys, konsultointi, palvelullistaminen ja suunnittelupalvelut. Sisäisiä käyttökohteita olivat asiakasymmärrys, toimitusketju, toimialueen taloudellinen ymmärtäminen, päästöseuranta, globaali ymmärrys, sisäisten prosessien tehostaminen, mahdollisuuksien tunnistaminen, liiketoiminnan ohjaaminen ja tietoperustaiset resurssit. Tutkimuksesta kyettiin tunnistamaan keinoja avoimen datan käytön edistämiselle. Keinoja olivat organisaation oppimisprosesseihin, tiedonkulkuun ja operatiivisten toimijoiden substanssiosaamiseen panostaminen, avoimen datan vendorien hyödyntäminen sekä avoimen datan viitekehysten kehittäminen ja jalkauttaminen organisaation omassa kontekstissa. Tutkimuksen tuloksena kyettiin konkretisoimaan tutkimuksen rajaukseen sopivien organisaatioiden avoimen datan hyödyntämisen tilaa ja samalla tarjoamaan rajaukseen sopiville organisaatioille keinoja tarkastella heidän omaa avoimen datan hyödyntämistään sekä siihen vaikuttavia tekijöitä. Tutkimus kokoaa kattavasti yhteen avoimeen dataan liittyvät ominaisuudet, mahdollisuudet ja niihin vaikuttavat näkökulmat sekä teoriataustasta, että empiirisestä tutkimuksesta. Se tarjoaa sekä kattavan tietopaketin siitä, mitä avoin data on, että siitä, miten sitä voidaan hyödyntää ja mihin sen käytössä tai käyttöönotossa tulisi kiinnittää huomiota. Avainsanat: Avoin data, liiketoiminta, liiketoimintatieto, datamaturiteetti, ihmisresurssit, avoimen datan vendor, Tiedon hyödyntäminen ja avaaminen Tämän julkaisun alkuperäisyys on tarkastettu Turnitin OriginalityCheck ohjelmalla.

3 ABSTRACT Pyry Collander: Utilizing Open Data in Large Companies Participating in Manufacturing Industry Master s Thesis Tampere University Master s Degree Program in Information and Knowledge Management April 2022 Data and its utilization are ever growing within our society regardless of the topic in question. Public bodies contain large quantities of data that possesses a great amount of potential. To oversimplify when this data is opened it becomes Open data. According to an EU conducted report Open data holds a great amount of financial potential. One of the governmental goals of the Finnish government is to further the openness of public information and to reach this goal project Tiedon hyödyntäminen ja avaaminen has been initiated. This research intends to further the goals of the project by examining the use of Open data in large companies that participate in manufacturing industry in Finland to make sense of how the use of Open data could be increased in the afore mentioned context, thus advancing the efforts of the project. As a result of the study, the use of Open data in organizations which fit the limitations of this research is still quite limited, but there is a good awareness of what its use requires. Users need a high enough data maturity, human, IT, information & data resources and a business idea or a problem to which the use of Open data will be focused. The research identified organizations' data maturity, human resources, and understanding of the business potential of Open data as barriers to the use of open data. In addition to these, trust towards open data, its variable quality, irregular publication, and ineffective feedback cycle were identified as factors slowing down the utilization of Open data. Both indirect external and internal methods were identified as targets for Open Data utilization. Five external targets and nine internal targets could be identified. External targets were innovation, product development, consulting, servitization and design services. Internal applications included customer understanding, supply chain, financial understanding of the domain, emissions monitoring, global understanding, streamlining internal processes, identifying opportunities, business controlling, and knowledge-based resources. The study was able to identify ways to promote the use of Open Data. The means were to invest in the organization's learning processes, the flow of information and the substance competence of the operational actors, to utilize Open Data vendors, and to develop and implement Open Data frameworks in the organisation's own context. As a result of the research, it was possible to concretize the state of utilization of Open Data of organizations suitable for the delimitations of the research, and at the same time to provide those organizations suitable for the delimitation the means to examine their own utilization of Open Data and the factors influencing it. The research comprehensively brings together the characteristics, possibilities and perspectives related to Open Data from both theoretical and empirical research. It provides both a comprehensive information package on what Open Data is, how it can be exploited and what attention should be paid to when using or deploying it. Keywords: Open Data, Business, Business Information, Data Maturity, Human Resources, Open Data Vendor, Tiedon hyödyntäminen ja avaaminen The originality of this thesis has been checked using the Turnitin OriginalityCheck service.

4 ALKUSANAT Tämä tutkimus toteutettiin Valtiovarainministeriön Tiedon hyödyntäminen ja avaaminen -hankkeen tueksi CGI Suomi Oy:n mahdollistamana. Tutkimus on ollut pitkä projekti, joka on opettanut paljon, jopa asioista, joista ei työtä aloittaessa olisi kuvitellut oppivansa. Työ päättää samalla kuusi vuotta kestäneen yliopistotaipaleeni, johon on mahtunut uskomattoman paljon kokemuksia ja tähänastisen elämäni parhaita muistoja. Vuodet ovat vierineet nopeasti, mutta niinhän aika kuluu, kun on hauskaa. Haluan kiittää Perttua jatkuvasta kannustuksesta, Miinaa, Mikaa ja Tanjaa hyvistä näkökulmista, tuesta ja ajatuksista, työni ohjaajia Henri Pirkkalaista ja Samuli Pekkolaa loistavista ohjeista ja erittäin tärkeästä tuesta työtä tehtäessä. Erityisesti Henrin täsmäneuvot ja positiivinen asenne on auttanut työn valmiiksi saattamisessa, vaikka se onkin tuntunut välillä melkoisen ylitsepääsemättömältä. Haluan myös kiittää ystäviäni ja perhettäni jatkuvasta uskomisesta työn valmistumiseen. Kaikista eniten tahdon kuitenkin kiittää Lauraa, joka on jaksanut kuunnella ja lohduttaa aikuisen miehen kiukutellessa. Lopuksi haluan kiittää koko opiskelijayhteisöä, joka on tehnyt näistä vuosista niin mahtavat. Kiitos Jannan pojat, Tietojohtajakilta ry sekä kaakattavat sisarukseni. Teidän ansiostanne olen se, mitä olen nyt. Aurinko paistaa ja käynnissä on viimeinen Wappuni opiskelijana, ainakin toistaiseksi. Taidan mennä nauttimaan siitä. Tampereella, Pyry Collander

5 SISÄLLYSLUETTELO 1. JOHDANTO DATA LIIKETOIMINNASSA Datan merkittävyys Data resurssina Datan hyödyntämisen edellytykset Datan laatuvaatimukset Datan laatutavoitteiden asettaminen ja seuranta Data ja tietojohtaminen Datan hyödyntämisen kohteet Datan epäsuora hyödyntäminen sisäisesti Datan epäsuora hyödyntäminen ulkoisesti AVOIN DATA Avoimen datan erityispiirteet Arvonluonti avoimen datan avulla Avoimen datan hyödyntäminen liiketoiminnassa Avoimen datan liiketoiminnalliset haasteet ja niihin vastaaminen Avoin data ja valmistavaan teollisuuteen osallistuvat yritykset TUTKIMUKSEN TOTEUTUS Asiakasorganisaatio Tutkimusmenetelmä Datan kerääminen Datan analysointi TULOKSET Suhtautuminen avoimeen dataan kohdeorganisaatioissa Avoimen datan epäsuora hyödyntäminen ulkoisesti Avoimen datan epäsuora hyödyntäminen sisäisesti Tekijät ja resurssit avoimen datan hyödyntämisen taustalla Avoimen datan käyttöä estävät tekijät Avoimen datan käyttöä edistävät tekijät POHDINTA Keskeisimmät tekijät avoimen datan liiketoiminnallisessa arvonluonnissa Liiketoiminnallisen arvon luominen avoimella datalla valmistavaan teollisuuteen osallistuvissa yrityksissä YHTEENVETO Tutkimuksen teoreettinen kontribuutio Tutkimuksen käytännöllinen kontribuutio Jatkotutkimusmahdollisuudet Tutkimuksen arviointi... 99

6 LÄHTEET

7 KUVALUETTELO Kuva 1. Visualisointi tietoperustaisen ja resurssipohjaisen näkemyksen kohtaamisesta arvonluonnissa Kuva 2. Tiedolla johtaminen ja tiedon johtaminen (mukaillen Leskelä et al. 2019) Kuva 3. Tietojohtamisen prosessi ja sen mahdollistavat tekijät (mukaillen Laihonen et al. 2013) Kuva 4. Tiedonhallinnan prosessimalli (mukaillen Choo 2002) Kuva 5. Dataperustaisen arvonluonnin jakaantuminen suorasta ja epäsuorasta hyödyntämisestä ulkoiseen ja sisäiseen hyödyntämiseen Kuva 6. Tietoprosessien ja arvonluonnin kytkeytyminen (mukaillen Schiuma et al. 2012) Kuva 7. Tiedonhallinnan tasapainotettu mittaristo (mukaillen Carlucci et al. 2004) Kuva 8. Avoimen datan hyödyntämisen prosessi (mukaillen Zuiderwijk et al. 2012) Kuva 9. Avoimen datan arvoketju (mukaillen Berends et al. 2020) Kuva 10. Avoimen datan hyödyntäminen liiketoimintaprosessissa (mukaillen Zuiderwijk et al. 2015) Kuva 11. Avoimeen dataan perustuvan arvonluonnin jakaantuminen toimijoihin, rooleihin ja arvonluontiväyliin (mukaillen Carlucci et al. 2004; Baines et al. 2007; Hofman 2011; Accenture 2013; Rossi et al. 2014; Gartner 2015; Opresnik & Taisch 2015; Woerner & Wixom 2015; Berends et al. 2020) Kuva 12. Avoimen datan hyödyntämiseen vaadittavat osa-alueet Kuva 13. Organisaation hallinnon ja IT:n väliset haasteet avoimen datan potentiaalin ymmärtämisen suhteen Kuva 14. Tiedonhallinnan prosessimallin eri vaiheissa esiintyvät haasteet avoimen datan hyödyntämiseen liittyen Kuva 15. Avoimen datan tunnistetut arvonluontiväylät ja niiden lukumäärällinen esiintyminen tutkimukseen haastatelluissa organisaatioissa Kuva 16. Avoimen datan hyödyntämisvaihetta haastavat operatiiviset haasteet Kuva 17. Avoimen datan vendorien hyödyntämisen tuomat edut... 93

8 TAULUKKOLUETTELO Tiedon tasot (mukaillen Laihonen et al. 2013)... 6 Esimerkkejä datan laadullisista osa-alueista (mukaillen Urbach & Müller 2012) Tietovirtojen kehittämisen odotetut hyödyt (mukaillen Laihonen and Lönnqvist 2011) Erittely eri toimijarooleista avoimen datan arvoketjussa Avoimen datan hyödyntämistä hidastavat tekijät (mukaillen Zuiderwijk et al. 2012) Tutkimuksen haastateltavat yritysedustajat Tutkimukseen osallistuneiden organisaatioiden hyödyntämät avoimen datan epäsuorat ulkoiset arvonluontimenetelmät Tutkimukseen osallistuneiden organisaatioiden hyödyntämät avoimen datan epäsuorat sisäiset arvonluontimenetelmät Avoimen datan käyttöä hidastavat tekijät haastatteluiden perusteella Avoimen datan käyttöä hidastavat tekijät ja niitä mitigoivat toimet Tiivistetyt avoimen datan epäsuorat sisäiset hyödyntämismenetelmät... 89

9 LYHENTEET JA MERKINNÄT AI API B2B EU GDPR IoT Pk-yritykset R&D ROI RPA SLA VRIN engl. Artificial Intelligence, tekoäly engl. Application Programming Interface, ohjelmointirajapinta engl. Business-to-Business, yritysten välinen liiketoiminta Euroopan unioni engl. General Data Protection Regulation, EU:n yleinen tietosuojaasetus engl. Internet of Things, esineiden Internet Pienet ja keskisuuret yritykset engl. Research and Development, Tutkimus ja kehitys engl. Return on Investment, sijoituksen pääoman tuottoaste engl. Robotic Process Automaatio, ohjelmistorobotiikka engl. Service Level Agreement, palvelutasosopimus engl. Resource-based view, Valuable, Rare, Non-immutable, Nonsubstitutable, resurssipohjainen näkemys, jonka mukaan resurssin tulee olla arvokas, harvinainen, vaikeasti kopioitavissa ja vaikeasti korvattavissa, jotta se tuottaisi pitkäaikaista kilpailuetua

10 1 1. JOHDANTO Data on rakenteettomia tosiasioita tarkasteltavasta aiheesta (Thierauf 2001) ja sitä saadaan sisäisistä ja ulkoisista lähteistä (Lönnqvist & Pirttimäki 2006). Avoin data puolestaan on koneluettavassa muodossa veloituksetta ja julkisesti saatavilla olevaa dataa (Verhulst & Young 2016). Euroopan unionin (EU) avointa dataa koskeva direktiivi 2019/1024 (Euroopan parlamentti 2019), PSI-direktiivi, pyrkii edistämään avoimen datan hyödyntämistä ja siten tietotyötä, joka hyödyntää avointa dataa resurssinaan. EU arvioikin avoimesta datasta kertyvän liiketoiminnallisen arvon nousevan 194 miljardiin euroon vuoteen 2030 mennessä, kun vielä 2018 siitä kertynyt liiketoiminnallinen arvo on ollut 52 miljardia euroa (Euroopan unioni 2018). Avoin data ei kuitenkaan täytä resurssipohjaisen lähestymistavan kriteerejä avainresurssin ominaisuuksista (Barney 1991; Zuiderwijk et al. 2015) täysin vastaavasti, kuten organisaatioiden sisäinen data voi täyttää. Tämän tutkimuksen on tarkoitus tutkia, miten avointa dataa voidaan siitä huolimatta hyödyntää liiketoiminnallisessa kontekstissa arvonluontiin. Suomessa yksi hallitusohjelman hankkeista on Tiedon hyödyntäminen ja avaaminen, jonka tavoitteena on laatia ehdotus tiedon hyödyntämisen ja avaamisen strategisista tavoitteista julkiselle hallinnolle toimeenpantavaksi sekä valmistella ja toteuttaa tiedon hyödyntämistä ja avaamista edistäviä toimenpiteitä. Hankkeen tarkoituksena on tukea EU:n avoimen datan direktiivin 2019/1024, eli niin sanotun PSI-direktiivin, toimeenpanoa Suomessa. (Valtiovarainministeriö 2020) Datan, myöskään avoimen datan, arvo ei realisoidu, jos dataa ei hyödynnetä (Janssen et al. 2012). Ruijer et al. (2018) mukaan avoimen datan arvo perustuukin olettamukseen kysynnän ja tarjonnan kohtaamisesta. Jos kysyntä ja tarjonta eivät kuitenkaan kohtaa, jää avattu data käyttämättömäksi ja hankkeen sekä direktiivin tavoitteet saavuttamatta. Johnson et al. (2017) kyseenalaistavat valtioiden datan avaamista yritysten käyttöön, koska avoimeen dataan ja sen julkaisemiseen hyödynnetyt resurssit on kustannettu julkisin varoin. Kuitenkin, tutkimusten mukaan avointa dataa hyödyntämällä etuja voidaan havaita useilla osa-alueilla, kuten taloudellisilla, poliittisilla & sosiaalisilla sekä operatiivisilla & teknisillä osa-alueilla (Janssen et al. 2012; Beno et al. 2017). Avoimen datan merkitystä on tuotu aiemmissa tutkimuksissa esiin erityisesti innovaatioiden vauhdittajana (Vetrò et al. 2016) sekä työpaikkojen luojana (Huber et al. 2018) ja siten esimerkiksi välillisenä verotulojen kasvat-

11 2 tajana. Innovointi ei ole kuitenkaan yksinkertaista, sillä se vaatii eri ominaisuuksia monella osa-alueella, eikä sitä ole tutkittu vielä kovinkaan paljoa avoimen datan yhteydessä (Zuiderwijk et al. 2014). Esimerkiksi pelkkä datan julkaiseminen ei vielä auta, sillä datan tulisi olla myös saavutettavaa ollakseen avointa ja käytettävää. Tämä vaatii monesti resursseja avaajalta, jotta datan hyödyntäjä välttyisi turhilta kustannuksilta. Jos avoimen datan käyttö vaatii enemmän resursseja kuin mitä sen käytöstä saadaan, ei sitä nähdä kovinkaan arvokkaana ja se tuskin päätyy käytettäväksi. (Huber et al. 2018) Datan loppukäyttäjän arvonluontikohteella ei ole tunnistettu aina olevan vahvaa yhteyttä datan avaamisen alkuperäisiin motiiveihin (Zuiderwijk et al. 2019). Toisaalta sekä operatiivisella kentällä, että tutkimuksissa on tunnistettu, että viranomaisten linjauksilla avoimen datan käytön ongelmia voitaisiin vähentää (Zuiderwijk et al. 2012; Inkinen et al. 2019). Tutkimalla avoimen datan käyttökohteita ja sen käyttöönoton haasteita, voidaan dataa ehkä hyödyntää tehokkaammin ja laajemmin, jolloin avoimen datan arvo realisoituisi paremmin. Hallitusohjelman tavoitteena on luoda Suomeen maailman paras julkinen hallinto, jossa kantavana periaatteena on julkisen tiedon avoimuus (Valtioneuvosto 2019). Jotta avoin data ei olisi vain näennäisesti avointa dataa, tulee sen olla käyttökelpoista (Huber et al. 2018). Käyttökelpoinenkaan data ei kuitenkaan vielä tuo arvoa, jos kellään ei ole ymmärrystä siitä, miten datalla voitaisiin luoda arvoa. Datan avaamisen ja käytön motiiveissa ollessa eroja (Zuiderwijk et al. 2019), on tutkimuksen tavoitteena tunnistaa, miten avointa dataa hyödynnetään liiketoiminnallisessa kontekstissa, jotta sen käyttömahdollisuudet olisivat laajemmin tiedossa ja siten avoimen datan arvo realisoituisi muun muassa työpaikkojen ja verotulojen muodossa, eikä data jäisi hyödyntämättä. Päätutkimuskysymyksenä on 1. Miten avoimella datalla voidaan luoda arvoa liiketoiminnallisessa kontekstissa? Päätutkimuskysymystä tukemassa ovat apututkimuskysymykset: 1.1 Onko avoimen datan hyödyntämisen mahdollisuuksia tunnistettu liiketoiminnallisessa kontekstissa? 1.2 Mitkä vaikuttavat tekijät ovat keskeisimpiä avoimen datan hyödyntämisessä? Arvonluonnin käyttökohteiden tunnistamisessa käytetään hyväksi Carlucci et al. (2004) tasapainotettua mittaristoa sisäisten arvonluontimahdollisuuksien ja Gartnerin (2015) sekä Accenturen (2013) kuvauksia datan hyödyntämisestä ulkoisten arvonluontimahdollisuuksien tunnistamiseen. Näistä teoriataustan lähteistä, täydennettynä lähteillä kuten Berends et al. (2020), Rossi et al. (2014) ja Baines et al. (2007), on muodostettu dataperustaisen arvonluonnin viitekehys, jota hyödynnetään kohdeorganisaatioiden avoimen

12 3 datan arvonluontikeinojen tunnistamiseen. Lisäksi avoimen datan hyödyntämisen haasteiden ryhmittelyssä apuna toimii Zuiderwijk et al. (2012) muodostama listaus avoimen datan hyödyntämistä hidastavista tekijöistä. Aiempien tutkimusten perusteella yhdeksi yleisimmistä haasteista avoimen datan hyödyntämisessä on nostettu resurssien puute (Huber et al. 2018; Inkinen et al. 2019), erityisesti pienten ja keskisuurten yritysten kohdalla. Tästä syystä tutkimus on rajattu koskemaan suuria yrityksiä. Suurissa yrityksissä resurssien ei hypoteettisesti pitäisi olla yhtä rajoittava tekijä, joten niitä tutkimalla esille noussee muita haasteita. Tutkimus suoritettiin kvalitatiivisena haastattelututkimuksena käyttäen 11 puolistrukturoitua haastattelua, joissa haastateltiin 12 asiantuntijaa. Haastatteluiden runko muodostettiin tutkimalla aiempaa kirjallisuutta ja tutkimuskenttää, joista tunnistettiin aiheeseen oleellisesti vaikuttavia tekijöitä. Aiempia tutkimuksia ja aihepiirin kirjallisuutta tutkittiin hyödyntäen hakukoneita, kuten Tampereen yliopiston kirjaston Andor-palvelua sekä Google Scholaria. Tutkimuksen alulle panevana voimana toimi Tiedon hyödyntäminen ja avaaminen hanke (Valtiovarainministeriö 2020), jonka tavoitteita avoimesta tietopolitiikasta tutkimus pyrkii edistämään. Hankkeen käynnissä olo kertoo aiheen ajankohtaisuudesta, eikä olemassa olevasta kirjallisuudesta löydy vastauksia, jotka olisivat täysin riittäviä tutkimuskysymyksiin nähden ja esimerkiksi Huber et al. (2018) mainitsevat avoimen datan hyödyntämisen alueen olevan suhteellisen vähän tutkittua. EU:n PSI-direktiivin (Euroopan parlamentti 2019), hallitusohjelman tavoitteiden (Valtioneuvosto 2019) ja avoimen datan potentiaalisen arvon (Euroopan unioni 2018) myötä onkin hedelmällistä tutkia avoimen datan arvonluontia, jotta mahdolliset haasteet sen käytössä voitaisiin tunnistaa ja peitota. Tällöin avoin data pääsisi lunastamaan sille asetettuja arvo-odotuksia monitahoisesti aina kansalaisista liiketoiminnallisiin organisaatioihin, eikä sen avaamiseen käytetyt resurssit menisi hukkaan. Johdantoluvun jälkeen luvussa 2 käsitellään kirjallisuuskatsauksena aiheen teoriataustasta yleisesti arvonluontia liiketoiminnallisessa kontekstissa dataa hyödyntäen. Tämän jälkeen luku syventyy datan arvonluontimenetelmiin. Luvussa 3 käsitellään avoimen datan ympäriltä jo tunnistettuja arvonluontikohteita ja minkälaisia haasteita avoimen datan käyttöönotossa mahdollisesti on. Neljännessä luvussa on esitelty tutkimuksen empiirisen osuuden toteutus. Ensimmäisenä luvussa 4 esitellään asiakasorganisaatio, eli Valtiovarainministeriö ja hallitusohjelman hanke Tiedon hyödyntäminen ja avaaminen. Asiakasorganisaation esittelyn jälkeen luvussa esitellään tutkimusmenetelmä, eli kvalitatiivinen puolistrukturoitu haastattelututkimus. Itse tutkimusmenetelmän esittelyn jälkeen seuraa läpikäynti datan keräämisen prosessista, eli haastattelurungon muodostamisesta, haastattelutilaisuuksista ja niiden kulusta. Luvussa 5 esitellään haastatteluiden analysoinnista

13 4 saadut tulokset. Osa-alueiden esittelyt pohjautuvat tutkimusmetodologiaan ja käsittelevät sitä, miten suoritettu tutkimus heijastuu sitä vasten. Kuudennessa luvussa esitellään tutkimuksen aikaansaamat vastaukset tutkimuskysymyksiin ja vastauksia reflektoidaan teoriataustaan. Seitsemännessä luvussa tiivistetään tutkimuksen löydökset, sen kontribuutiot, tarkastellaan sen rajoituksia ja pohditaan mahdollisia jatkotutkimusmahdollisuuksia, jotka voisivat tuoda lisätietoa aiheista, joita joko ei tässä tutkimuksessa kyetty rajauksen takia huomioimaan, tai ne tunnistettiin tämän tutkimuksen ohessa mielenkiintoisiksi ja tutkimisen arvoisiksi aiheiksi. Tutkimus on siis jaettu kirjallisuuskatsauksena suoritettuun teoriataustaan (luvut 2 3), empiiriseen tutkimukseen (luvut 4 5) ja tutkimuksen pohdintaan ja yhteenvetoon (luvut 6 7).

14 5 2. DATA LIIKETOIMINNASSA Tässä luvussa käsitellään kattavasti datan merkittävyyttä organisaatioille, datan ominaisuuksia resurssina sekä dataperustaista arvonluontia. Datan ominaisuuksia käsitellessä tarkastellaan myös organisaatiolta vaadittavia edellytyksiä datan tehokkaalle hyödyntämiselle. Dataperustaisen arvonluonnin yhteydessä tarkastellaan datan käyttökohteita organisaatioiden liiketoimintaympäristössä, jotta aiheita voidaan tutkimuksessa verrata avoimen datan ominaispiirteisiin. 2.1 Datan merkittävyys Datan on sanottu olevan kuin uusi öljy. Dataa, kuten öljyäkin, tulee jalostaa, jotta siinä piilevä potentiaalinen arvo saadaan valjastettua. Dataa hyödyntämällä voi olla mahdollista saavuttaa vastaavan suuruusluokan yhteiskunnallisia vaikutuksia kuin öljyllä on aiemmin jo saavutettu. Data koskettaa nykyään yhä useampaa organisaatiota, riippumatta niiden koosta tai toimialasta. (van t Spijker 2014) Data on tiedon tasoista matalimmalla, eli rakenteettomia tosiasioita tarkasteltavasta aiheesta (Thierauf 2001) ja sitä voidaan kerätä sisäisistä ja ulkoisista lähteistä (Lönnqvist & Pirttimäki 2006), kuten asiakaspalautteista ja organisaation sisäisistä prosesseista (Laihonen & Lönnqvist 2011). Datalla ei sellaisenaan ole juurikaan arvoa päätöksenteossa (Thierauf 2001), mutta dataa voidaan jalostaa siirtämällä sitä tiedon tasoilla ylöspäin, jolloin kohonneen merkityksellisyyden myötä siitä tulee arvokkaampaa organisaation toiminnalle (Thierauf 2001; Choo 2002). Tiedon jalostumisen tasot on kuvattu taulukossa 1. Tiedon tasolta toiselle siirtyminen, eli tiedon jalostaminen, vaatii tiedon yhdistelyä ja sen merkityksen tunnistamista. Käytännössä informaation jalostuminen tietämykseksi tapahtuu asiantuntijoiden työstön ja tulkinnan avulla. (Thierauf 2001) Organisaatioon ja sen toimintaympäristöön liittyvää informaatiota voidaan kutsua liiketoimintatiedoksi (Lönnqvist & Pirttimäki 2006). Jo 15 vuotta sitten Lönnqvist & Pirttimäki (2006) ovat todenneet liiketoimintatiedon hyödyntämisen olevan elinehto silloisessa, alati muuttuvassa liiketoimintaympäristössä. Nykypäivänä toteamus pitänee paikkansa varmasti entistä enemmän.

15 6 Tiedon tasot (mukaillen Laihonen et al. 2013) Tiedon taso Määritelmä Esimerkki Tietämys Inhimillistä tietoa, joka usein kertyy kokemuksen kautta Ymmärrys siitä, miten hinta vertautuu muihin vastaaviin tuotteisiin tai tuotteen aiempiin hintoihin Informaatio Rakenteellista, analysoitavissa olevaa dataa Hinta, joka on sidottu johonkin tuotteeseen Data Rakenteettomia tosiasioita Hintatietoja, kuten lukuja, ilman kontekstia Esimerkkinä tiedon jalostumisesta (kuva 1) voidaan pitää hintatietoja. Tiedon ollessa ensimmäisellä tasolla, eli dataa, sisältää se tietoja hinnoista lukuina, mutta ei välttämättä mitään viitettä siitä, mihin asiaan luvut liittyvät. Tiedon jalostuessa informaatioksi, voidaan hintatieto liittää johonkin tuotteeseen, kuten osakkeeseen tai vaikkapa maitotölkkiin. Tietämyksenä voidaan pitää tilannetta, jossa ymmärretään, miten tuotteen hinta vertautuu muihin saman tuoteryhmän tuotteisiin tai saman tuotteen aiempaan hintaan. Jalostunutta tietoa voidaan tällöin hyödyntää ostopäätöstä tehdessä. Dataa ja informaatiota säilytetään tietokannoissa ja varastoissa, kun taas tietämystä säilytetään yksittäisissä ihmisissä (Laihonen et al. 2013). Käytännössä kaikki päätökset, niin organisaatioiden (Choo 2002) kuin yksilöidenkin, perustuvat johonkin dataan, informaatioon tai tietämykseen, vaikkei sitä välttämättä aktiivisesti tiedosteta (Appannaiah et al. 2009). Thierauf (2001) kuvaus tiedon jalostumisesta tasolta toiselle sitä ymmärtämällä ja yhdistelemällä muistuttaa voimakkaasti Levittin & Marchin (1988) määritelmää oppimisesta. Yhtäläisyys on hyvin luonnollista, sillä tietämyksen kasvu voidaan mieltää oppimisena. Levitt & March (1988) määrittelevät oppimisen olevan omien toimintatapojen, oman ympäristön tapahtumien ja omien tavoitteiden välisten suhteiden tarkastelua. Chance (2014) puolestaan määrittelee oppimisen olevan muutos käytöksessä ympäristössä tapahtuneen muutoksen aiheuttamana. Argote (2011) lisää oppimisen määritelmään tarkastelemalla hankitun tiedon varastoinnin. Koska käytännössä kaikki organisaatioiden päätökset muuttaa, tai olla muuttamatta, niiden toimintaa pohjautuvat dataan, informaatioon tai tietämykseen (Choo 2002), on datan jalostuminen sen merkityksen tunnistamisen ja yhdistelyn kautta äärimmäisen tärkeää, jotta organisaatio kykenee toimimaan sen toimintaympäristön tapahtumien ja trendien suhteen oikein. Toisin sanoen, organisaatiossa tapahtuu oppimista, kun se jalostaa sen toimintaympäristöstä keräämäänsä ja va-

16 7 rastoimaansa dataa tiedon tasoilla ylöspäin ja muuttaa toimintaansa tarpeen tullen jalostuksen kautta saadun ymmärryksen avulla. Toiminta, johon oppimisen myötä tehdään muutoksia, voi olla yksilöllisellä tai organisatorisella tasolla (Kearns 2014), vaikka oppiminen tapahtuukin todellisuudessa yksilöiden oppimiskokemuksien kautta (Simon 1991). Organisaatioon tullut uusi tieto ja osaaminen voi tulla yksilön oppimiskokemuksen lisäksi myös organisaatioon liittyvän henkilön mukana (Simon 1991). Jacksonin & Carruthersin (2019) mukaan muutokset organisaatioissa ovat välttämättömiä, jotta ne voivat säilyä kilpailukykyisinä. Liiketoimintatietoon pohjautuvan tarkastelun seurauksena aiheutuvan muutoksen, eli toisin sanoen organisaation oppimisprosessin, voidaan siis sanoa olevan välttämätöntä, jos organisaatiot haluavat menestyä liiketoiminnassaan tai edes säilyä kilpailukykyisinä. Merkitysten tunnistamiseksi toimintaympäristöstään organisaation on asetettava tavoitteita, joihin sen ympäristöstä kerättyä dataa voi suhteuttaa ja verrata (Levitt & March 1988; Thierauf 2001). Tavoitteiden asettamista ohjaavana tekijänä organisaation tulee käyttää sen strategiaa, joka puolestaan tulee laatia organisaation visioon pohjautuen (Dumas et al. 2013; Jääskeläinen et al. 2020). Organisaatiossa on oltava tarpeeksi asiantuntemusta, jotta sen keräämää dataa voidaan jalostaa tiedoksi ja ymmärrykseksi (Thierauf 2001). Tällöin organisaation toiminta sopeutuu ja mukautuu toimintaympäristöönsä ja sen toiminta voi jatkua mahdollisimman tehokkaana organisaation sisäisen tietämyksen kasvaessa. Sisäisellä tietämyksellä viitataan taulukossa 1 kuvattuun tietämykseen, substanssiosaamiseen (MCS Oy 2020), joka on organisaation itsensä hallussa, eikä julkisesti vapaasti käytettävissä. Kun kerättävä data on organisaation oppimisen ja kehittymisen perustana, on sen oltava mahdollisimman laadukasta, jotta oikeiden johtopäätöksien tekeminen on mahdollista (Thierauf 2001) ja organisaatio voi muuttaa toimintaansa tarpeen tullen oikealla tavalla. Kehittämällä oppimistaan paremmaksi, organisaatiosta voi tulla älykäs organisaatio, jolla on potentiaalia saavuttaa poikkeuksellisen huomattavaa menestystä (Choo 2002), sillä mitä oppivampi organisaatio on, sitä nopeammin se pystyy omaksumaan uutta tietoa ja siten sopeutumaan nopeisiinkin muutoksiin sen liiketoimintaympäristössä (Laihonen et al. 2013). Oppiva organisaatio ei myöskään ole riippuvainen yksittäisistä asiantuntijoista heidän siirtyessä esimerkiksi toisen organisaation palvelukseen, koska yksi oppivan organisaation piirteistä on tiedon ja datan jakaminen. Organisaation oppimisprosessiin kuuluu siis asiantuntijoiden välisen tietämyksen jakaminen asiantuntijalta toiselle. (Laihonen et al. 2013) Kun yhä useampi asiantuntija omaa tietämystä tarpeellisesta aihepiiristä, ei organisaatio ole yhtä riippuvainen yhdestä asiantuntijasta kuin ilman oppimisprosessin tiedonjakoa.

17 8 Datan koskettaessa yhä useampia organisaatioita riippumatta niiden toimialasta tai koosta (van t Spijker 2014), tulee organisaation toimintaympäristön dataan kiinnittää merkittävää huomiota, vaikka data sellaisenaan ei vielä juurikaan tuota arvoa organisaatioiden päätöksentekoon (Thierauf 2001). Datan arvo syntyy sen käytön kautta (Janssen et al. 2012) ja asiantuntijoiden osaamista hyödyntämällä (Thierauf 2001) organisaatio voi saavuttaa oppivan, tai jopa älykkään organisaation tilan, jolloin sillä on potentiaalia menestyä paremmin kuin muut toimijat sen toimialalla (Choo 2002). Datan, ja erityisesti liiketoimintatiedon hyödyntäminen on avainasemassa liiketoiminnallisia oivalluksia ja muutoksia tehtäessä (Lönnqvist & Pirttimäki 2006; Jackson & Carruthers 2019). Yksittäisistä ja yksinään merkityksettömistä datapisteistä saadaan siis yhdistelemällä ja asiantuntijatyötä soveltamalla jalostettua merkittäviäkin liiketoiminnallisia etuja muuttamalla organisaation toimintaa sen toimintaympäristön mukaan. 2.2 Data resurssina Kuten edellisessä kappaleessa mainittiin, käytännössä kaikki organisaatioiden päätökset perustuvat johonkin dataan, informaatioon tai tietämykseen (Choo 2002). Kun Lönnqvist & Pirttimäki (2006) luonnehtivat liiketoimintatiedon hyödyntämistä organisaatioiden elinehtona, voidaan niiden ympäristöistä kerätyn datankin sanoa olevan elintärkeää organisaatioille. Liiketoimintatietoon liittyvien investointien arvioitu ROI-% on erään tutkimuksen mukaan 310 % (Lönnqvist & Pirttimäki 2006), mikä kertoo tarpeellisuuden lisäksi datan hyödyntämisen taloudellisesta kannattavuudesta. Kappaleen 2.1 hintatietoesimerkin tapauksessa datan arvo realisoituu, kun siitä jalostunutta tietoa hyödynnetään ostopäätöstä tehdessä. Jos taas hintatietoa ei verrattaisi kilpailijoihin tai aiempiin hintoihin, voisivat esimerkiksi mahdolliset kustannussäästöt jäädä tekemättä. Aiemmasta toiminnasta kertyneestä informaatiosta oppimista voidaan kutsua organisaation muistin hyödyntämiseksi. Organisaation muistin hyödyntämisen keskiössä ovat tiedon varastointi ja varastoidun tiedon hyödyntäminen. (Foroughi et al. 2020) Varastoimatonta dataa tai tietoa on käytännössä mahdoton hyödyntää tehokkaasti, eikä siitä silloin voida oppia, eikä organisaationa myöskään kehittyä. Varastoidun ja edelleen hyödynnetyn datan voi siis sanoa olevan organisaation oppimisen ja siten uudistumisen sekä edelleen menestymisen resurssi. Tämä asettaa vaatimuksia sekä datan ja tiedon laadulle (Thierauf 2001), että niiden varastoinnille (Pedersen et al. 2010). Datan ja tiedon varastointi on kuitenkin rajattu tämän tutkimuksen tarkastelualueen ulkopuolelle. Resurssipohjaisen näkemyksen mukaan tarkasteltavan resurssin tulee vastata VRIN-viitekehyksen ominaisuuksiin. Resurssin tulee viitekehyksen mukaan olla arvokasta (valuable), harvinaista (rareness), vaikeasti kopioitavissa (non-imitability) sekä vaikeasti

18 9 korvattavissa (non-substitutable). Tällöin resurssi edistää organisaation pitkäaikaista kilpailuetua ja lunastaa arvolupauksensa. (Barney 1991) Datan ollessa merkittävässä roolissa organisaation toiminnassa, tulee senkin täyttää viitekehyksen kriteerit. Esimerkiksi data kriittisestä asiakassegmentistä voi tarjota kilpailuetua muihin toimijoihin nähden, jos kilpailijoilla ei ole samaa dataa. Schmidt & Keil (2013) mukaan resurssipohjaisen näkemyksen pohjalla on organisaation kyky tunnistaa arvo resurssissa ja päästä käsiksi kyseiseen resurssiin. Organisaation tiedon voidaan siis myös sanoa olevan organisaation ihmisissä, eikä pelkästään tietokannoissa ja -järjestelmissä, jolloin puhutaan tietoperustaisesta näkemyksestä (Laihonen et al. 2013). Näkemys viittaa Schmidt & Keil (2013) esittämään ajatukseen organisaation asiantuntijoiden kyvykkyydestä tunnistaa, hankkia ja hyödyntää resurssien potentiaalista arvoa. Tällöin organisaation johdon tehtävänä on organisoida kyseistä osaamista, kuten muitakin resursseja, mahdollisimman optimaalisesti arvontuoton näkökulmasta (Wang & Strong 1996; Holcomb et al. 2009), ottaen huomioon organisaation vision, mission sekä tavoitteet (Appannaiah et al. 2009). Esimerkki ihmisissä olevasta tiedosta on analyyttisten työkalujen tulosten tulkinta ja hyödyntäminen (Ghasemaghaei 2018). Carlucci et al. (2004) mukaan tietoperustainen näkemys on resurssipohjaisen näkemyksen alalaji, sillä myös ihmisissä olevan osaamisen tulee täyttää VRIN-viitekehyksen kriteerit mahdollisimman hyvin, jotta siitä saataisiin mahdollisimman paljon pitkäaikaista kilpailuetua. Ihmisissä olevan tietoperustaisen näkemyksen mukaisten resurssien tulee siis täyttää myös resurssipohjaisen näkemyksen kriteerit, jotta kyseiset ihmiset kykenisivät tunnistamaan ja hyödyntämään resurssipohjaisen näkemyksen mukaisia ominaisuuksia edelleen muissa resursseissa. Tietoperustaisen ja resurssipohjaisen näkemyksen kohtaamista on visualisoitu kuvassa 1.

19 10 Kuva 1. Visualisointi tietoperustaisen ja resurssipohjaisen näkemyksen kohtaamisesta arvonluonnissa Resurssipohjainen näkemys asettaa käytettävälle datalle vaatimuksia, jotta sillä olisi resurssina todellista pitkäaikaista kilpailuetua tuovaa arvoa. Tietoperustainen näkemys puolestaan tulee esiin dataa hyödyntäessä, kun datan kanssa työskentelevät henkilöt käyttävät osaamistaan sekä tietoa aihepiiristä ja analyysityökaluista, jotta he voivat etsiä ja löytää dataa, tulkita sitä sekä tehdä perusteltuja päätöksiä sen perusteella (Barney 1991; Carlucci et al. 2004). Kyseistä ilmiötä on visualisoitu kuvassa 1. Jotta organisaatiossa oleva tietoperustaisen näkemyksen mukainen tieto pääsisi oikeuksiinsa, tulee tarkasteltavan ja työstettävän datan täyttää sille asetetut vaatimukset (Ghasemaghaei 2018). Jos jokin merkityksellinen ulkoisesta tai sisäisestä datalähteestä saatu data, jonka pohjalta päätöksenteko tapahtuu, ei ole laadultaan vaatimusten mukaista tai jää hyödyntämättä, ei analysointia seuraavat päätös ja toiminta ole todennäköisesti optimaalisia, sillä tällöin oppimisprosessi ei ole täydellinen, kun ympäristön tapahtumia ei oteta tarpeeksi laajasti huomioon päätöksenteossa. Substanssiosaaminen on olennainen vaatimus erityisesti tiedon jalostuessa ymmärrykseksi (Thierauf 2001) ja siten tiedon arvon realisoimisessa. Koska datan arvo realisoituu vasta käytettäessä (Janssen et al. 2012), voidaan organisaation henkilöstöllä sanoa olevan oleellinen rooli datan arvon realisoitumisessa, eikä tietoperustaisen tai resurssipohjaisen näkemyksen roolia voi väheksyä toisen rinnalla. Esimerkkinä näkemyksistä voidaan käyttää puuseppää ja hänen käyttämäänsä materiaalia. Jos puuseppä on täysi aloittelija työssään ja hänellä on resurssinaan markkinoiden hienointa materiaalia, voi materiaalia joutua herkästi hukatuksi, kun puuseppä ei osaa hyödyntää sen täyttä potentiaalia. Vastaavasti, jos harjaantuneella puusepällä on resurssinaan lahoa puuta, on työn tulos tuskin optimaalista. Toisaalta erittäin harjaantunut puuseppä voi tunnistaa

20 11 oman osaamisensa sekä heikkolaatuisessakin resurssissa piilevät ominaisuudet ja hyödyntää sen potentiaalia esimerkiksi koriste-esineissä ja luoda sitä kautta lähtökohtaisesti arvottomammastakin resurssista arvoa. Ilman työstettävää resurssia jäisi kunkin puusepän osaaminen kuitenkin hyödyntämättä. Shin & Lee (2019) toteavat tietoperustaisten resurssien olevan organisaatiolle tutkimusten perusteella merkittävämpiä kuin perinteisemmät aineelliset resurssit, jotka vastaavat resurssipohjaisen näkemyksen kriteereihin. Aiemmat tutkimukset siis tukevat Schmidt & Keil (2013) näkemystä siitä, että resurssipohjaisen näkemyksen pohjalla olisi organisaation kyky tunnistaa arvo resurssissa ja päästä käsiksi kyseiseen resurssiin. Kun organisaatiossa oleva tieto on tarpeeksi jalostunutta ja hallittua, voidaan arvoa tunnistaa uusiltakin alueilta (Carlucci et al. 2004), kuten puuseppäesimerkissä. Tietoperustaisten resurssien myötä myös resurssipohjaisen näkemyksen mukaisten resurssien arvon on mahdollista realisoitua. 2.3 Datan hyödyntämisen edellytykset Datan menestyksekäs hyödyntäminen asettaa vaatimuksia sekä datalle, että sitä hyödyntävälle organisaatiolle (Myllärniemi et al. 2019). Datan tulee vastata resurssipohjaisen näkemyksen asettamiin vaatimuksiin, mutta myös sen käyttökohteen perusteella asetettuihin laatuvaatimuksiin (Wang & Strong 1996; Laihonen et al. 2013), sillä resurssin arvo voidaan liittää hyvin tiiviisti sen laatuun (Zeithaml 1988), vaikka datan kohdalla arvo realisoituukin vasta kun dataa hyödynnetään päätöksenteossa (Janssen et al. 2012). Dataa hyödyntävän organisaation puolestaan tulee määrittää hyödynnettävät datat, asettaa niille laatuvaatimukset ja valvoa asetettujen laatuvaatimusten täyttymistä sekä datan vastaamista tietotarpeisiin kulloisessakin liiketoimintaprosessissa (Di Ciccio et al. 2015; BI-Survey 2021). Seuraavissa luvuissa tarkastellaan datan laatuvaatimuksia sekä datan tehokkaaseen hyödyntämiseen vaikuttavia osa-alueita organisaation näkökulmasta Datan laatuvaatimukset Datalla on resurssipohjaisen näkemyksen ominaisuuksien toteutumisen lisäksi erityisiä laatuvaatimuksia, jotta se olisi käyttökelpoista ja siten hyödynnettävää. Kaikkien päätösten pohjautuessa johonkin dataan tai informaatioon (Choo 2002), on niiden laadulla erittäin suuri merkitys päätöksenteon ja organisaation menestymisen kannalta. Siitä huolimatta erityisesti päätöksenteon resurssina hyödynnettävä data ja informaatio ovat usein heikkoja laadultaan (Wang & Strong 1996).

21 12 Ollakseen laadukasta, tulee datan täyttää sille asetetut laatuvaatimukset, jotka on esitelty taulukossa 2. Laatuvaatimukset vaihtelevat eri lähteiden välillä, ovat osittain päällekkäisiä sekä limittäisiä ja niitä voidaan ryhmitellä erilaisiin kokonaisuuksiin (Esim. Wang & Strong 1996; Urbach & Müller 2012; Soares 2014). Kunkin vaatimuksen oleellisuus riippuu kuitenkin merkittävästi datan käyttökohteesta ja dataa hyödyntävän prosessin kriittisyydestä muun liiketoiminnan kannalta (Wang & Strong 1996; Laihonen et al. 2013). Esimerkkejä datan laadullisista osa-alueista (mukaillen Urbach & Müller 2012) Datan laadun osa-alue Kuvaus Tarkkuus Kuinka lähellä tarkasteltava arvo on sen todellista arvoa (St. Olaf College 2021) Riittävyys Saatavuus Tietoa on tarjolla tarpeeksi riittävästi, jotta sen perusteella voidaan tehdä päätöksiä (Laihonen et al. 2013) Tieto on helposti saatavilla oikeiden henkilöiden ja järjestelmien toimesta, milloin ja missä tahansa (Khazanchi & Martin 2009) Kokonaisuus Käytettävästä tiedosta ei puutu arvoja (Fan & Geerts 2009) Ytimekkyys Käytettävä data tai tieto ei sisällä ylimääräisiä, kyseiselle toiminnolle tarpeettomia tietoja (Marlow et al. 2014) Johdonmukaisuus Sama tieto ei poikkea toisistaan eri lähteiden välillä (Issa et al. 2019) Formaatti Kaikelle käytetylle datalle on asetettu sääntöjä, jotka määräävät miten tieto esitetään, säilytetään ja mitä tyyppiä se on (Loshin 2001). Näin esimerkiksi päivämääräformaatit eivät aiheuta sekaannuksia (Laihonen et al. 2013) Täsmällisyys Tiedon mittauksellinen tarkkuus, esimerkiksi desimaalien lukumäärä (St. Olaf College 2021) Relevanttius Käytettävä tieto koskettaa tarkasteltavaa aihetta ja sitä voidaan hyödyntää päätöksenteossa (McKinney et al. 2002) Luotettavuus Laajuus Tiedon lähteeseen ja todenmukaisuuteen voidaan luottaa (McKinney et al. 2002) Dataa on tarjolla laajasti aiheeseen liittyen (McKinney et al. 2002)

22 13 Oikea-aikaisuus Tarjolla oleva data on riittävän tuoretta, jotta organisaatio osaa toimia oikea-aikaisesti (Rainer & Watson 1995) Ymmärrettävyys Ainutkertaisuus Käytettävyys Tarjolla oleva tieto on helposti luettavassa muodossa sekä sen merkitys on helppo ymmärtää (McKinney et al. 2002) Samasta tiedosta ei ole saatavilla useaa eri versiota. Esimerkiksi jokainen tuote tietokannassa on eriteltävissä, eikä esiinny siinä kahdesti (Loshin 2001) Hyödynnettävä tieto ei ole hajallaan, se on koneluettavassa muodossa ja sen käyttö ei esimerkiksi aiheuta riskejä (Zuiderwijk et al. 2012) Esimerkiksi datan formaatti on kytköksissä ymmärrettävyyteen sekä käytettävyyteen ja datan tarkkuus sekä johdonmukaisuus puolestaan datan luotettavuuteen. Hyvin yksinkertaisena esimerkkinä datan formaatin merkityksestä voidaan tarkastella ilmaisuja 2, kaksi ja 2, jotka tarkoittavat luettaessa samaa ihmiselle, mutta datan ollessa koneluettavassa muodossa, merkkijonoja ( 2, kaksi ) ja lukuja (2) läpikäyvä vertailu voi hidastaa järjestelmää ja siten organisaation prosesseja sekä heikentää sen suoriutumista. Ongelma korostuu suurten datamassojen ja monimutkaisempien prosessointien myötä (Saggi & Jain 2018). Laatuvaatimusten yksityiskohdat, kuten formaatti, määräytyvät datan käyttäjien tarpeiden mukaan (Wang and Strong 1996). Kun data täyttää sille asetetut odotukset, voidaan organisaatiossa olemassa olevaa tietopääomaa hyödyntää datan jalostamiseen (Ghasemaghaei 2018), jolloin siitä jalostuu organisaation omassa kontekstissa arvokasta (Laihonen et al. 2013) Datan laatutavoitteiden asettaminen ja seuranta Datan laatutavoitteiden asettaminen ja tavoitteiden toteutumisen seuranta on vaativaa, sillä datan laatu on riippuvainen koko liiketoimintaprosessin eri vaiheista sekä siihen osallistuvista sidosryhmistä (Storey et al. 2012), joita voi erityisesti tietointensiivisissä arvoketjuissa olla useita esimerkiksi alihankinnan matalan kynnyksen myötä (Karmarkar & Apte 2007). Seurannan haastavuutta vähentääkseen Di Ciccio et al. (2015) esittävät koko tarkasteltavan prosessin laajuista mallintamista siinä käytettävästä relevantista datasta. Monialaisissa tietointensiivisissä organisaatioissa kyseinen tehtävä voi olla haastava samoista syistä kuin datan laadun seuranta alun perinkin (Karmarkar & Apte 2007; Storey et al. 2012), mutta hyvin suoritettuna erittäin hyödyllinen, vähentäen datan laadun toteutumisen seurattavuuden haasteellisuutta (Di Ciccio et al. 2015).

23 14 Parantaessa datan laatuvaatimuksien täyttymistä, vaaditaan holistista lähestymistapaa, joka huomioi kolme osa-aluetta. Osa-alueita ovat organisaatio, prosessit ja teknologia. Organisaatiossa tulisi määritellä jokaiselle dataryhmälle, kuten tuotteille tai asiakkaille, omat vastuuhenkilönsä sekä roolit, kuten omistaja tai hyödyntäjä. Organisaatiolla tulisi olla tarkasti määritellyt prosessit, joilla varmistutaan kerättävän ja käytettävän datan laatuvaatimusten täyttymisestä. (BI-Survey 2021) Erityisesti datan omistajuudella on merkittävä rooli datan laatuvaatimusten asettamisessa, seuraamisessa ja täyttymisessä (Treder 2020). Organisaation hyödyntämän teknologian tulisi tukea organisaation henkilöstön työtehtäviä ja edelleen organisaation strategisia tavoitteita (Palvalin et al. 2013; BI-Survey 2021). Organisaatioissa tulisi tunnistaa käytettyjen työkalujen ja prosesseihin osallistuvien ihmisten merkitys suhteessa organisaation tavoitteisiin, jotta organisaatiossa olevaa tietoa voitaisiin hyödyntää tehokkaasti (Laihonen et al. 2013). Merkitysten tunnistaminen helpottaa esimerkiksi dataryhmien roolien määrittämistä sekä kriittisten prosessien tunnistamista ja kehittämistä. Kun edellä mainitut osa-alueet toteutuvat, ovat liiketoimintaprosessit tarkoituksenmukaisia, tietojärjestelmät tukevat liiketoimintaprosesseja ja kullekin prosessille sekä sen datalle on määritetty tietyt roolit, joista esimerkiksi vastuuhenkilö valvoo määriteltyjen prosessien avulla laatuvaatimusten täyttymistä. Roolien avulla määritellään myös esimerkiksi se, kenelle mitäkin dataa jaellaan, mikä vaikuttaa suoraan taulukon 2 Saatavuuskriteeriin. Di Ciccio et al. (2015) esittämä prosessin mallinnus saattaa johtaa liiketoimintaprosessien uudistamiseen, jotta liiketoimintaprosessit ja työntekijöiden työtehtävät vastaisivat paremmin organisaation tavoitteisiin ja jotta kerättävä ja hyödynnettävä data täyttäisi sille asetetut vaatimukset (Dumas et al. 2013). Liiketoiminnan prosessien mallinnusta ja uudelleentarkastelua voidaan siten pitää esimerkkinä organisaation oppimisprosessista, jossa verrataan nykytilaa tavoitetilaan ja tehdään sen perusteella tarvittaessa muutoksia omaan toimintaan Data ja tietojohtaminen Datan laatutavoitteiden asettamiseen ja seurantaan liittyy oleellisesti datan johtaminen. Datan, tai tiedon johtaminen asettaa periaatteet sille, miten data tulisi koota, luokitella ja siirtää, jotta se tukee kaavailtua mukaista toimintaa ja millaisia kirjauskäytäntöjen tulee olla, jotta ne tukevat tiedon hyödyntämistä. Hyvin hoidettu tiedon johtaminen mahdollistaa tiedon hyödyntämisen, jota puolestaan voidaan kutsua tiedolla johtamiseksi. Sen tavoitteena on hyödyntää tietoa strategisesti, taktisesti ja operatiivisesti esittämällä tiedot visuaalisesti ja yksiselitteisesti oikealle sidosryhmälle. (Leskelä et al. 2019) Tiedon johtaminen yhdessä tiedolla johtamisen kanssa muodostavat tietojohtamisen kokonaisuuden (Laihonen et al. 2013). Kuvassa 2 on esitelty, miten Leskelä et al. (2019) ovat

24 15 eritelleet tiedolla johtamisen ja tiedon johtamisen toisistaan. Tiedon johtamisessa nähdään yhteneväisyyksiä Di Ciccio et al. (2015) suositukselle prosessien ja niiden käyttämien datojen mallinnuksesta. Tiedon johtaminen siis helpottaa datan laadun seurantaa ja siten myös datan hyödyntämistä resurssina, mahdollistaen sen arvon realisoitumisen. Kuva 2. Tiedolla johtaminen ja tiedon johtaminen (mukaillen Leskelä et al. 2019) Laihonen et al. (2013) ovat puolestaan määritelleet tiedon johtamisen viittaavan organisaation oppimiseen ja uusiutumiseen, uuden tiedon luontiin sekä tietovarantojen ja -virtojen hallintaan ja tiedolla johtamisen toimintatapoihin, joilla organisaation tietoa jalostetaan ja hyödynnetään organisaation toiminnan johtamisessa. Vaikka datan laatuvaatimusten täyttymisen seuranta onkin haastavaa (Storey et al. 2012), on Laihosen et al. (2013) sekä Leskelän et al. (2019) kuvausten toteutuminen organisaatiossa oleellista, jotta datan arvolla olisi edes mahdollisuus realisoitua. Laihonen et al. (2013) ovat kuvanneet Tietojohtamisen prosessin, kuva 3, kokonaisuutena, joka koostuu tiedon luomisesta, keräämisestä, organisoinnista, jalostamisesta ja ylläpidosta. Prosessi koostuu luonnollisesti samoista osista kuin tiedolla johtaminen ja tiedon johtaminen kokonaisuudet. Sen mahdollistavina tekijöinä ovat henkilöstön organisointi, johdon päätöksenteko, tieto- ja viestintäteknologia sekä organisaatiokulttuuri. Prosessin osasten ja mahdollistavien tekijöiden toimiessa optimaalisesti, organisaatio kerää ja varastoi olennaista dataa, joka päätyy hyödynnettäväksi oikeaan paikkaan oikeaan aikaan organisaatiossa. (Laihonen et al. 2013)

25 16 Kuva 3. Tietojohtamisen prosessi ja sen mahdollistavat tekijät (mukaillen Laihonen et al. 2013) Koska data muuttuu arvokkaaksi vasta, kun sitä käytetään (Janssen et al. 2012) ja jalostamalla datasta saadaan tietoa sekä ymmärrystä (Thierauf 2001), on Tietojohtamisen prosessi tärkeässä roolissa datan potentiaalista arvoa valjastaessa. Tietojohtamisen voidaan nähdä tavoittelevan organisaation laajuista holistista tilaa, jossa organisaatio hyödyntää sen eri tiedon tasoilla olevia tietopääomia optimaalisesti arvonluontiin sekä resurssipohjaisesta, että tietoperustaisesta näkökulmasta. Tietopääomien optimaalista hyödyntämistä voidaankin tietojohtamisen lähestymistapojen avulla tarkastella aineettoman pääoman, liiketoimintatiedon hallinnan, organisaation oppimisen sekä tietämyksen hallinnan näkökulmista (Laihonen et al. 2013). Näkökulmat voidaan tiivistää edelleen tiedon ja tiedolla johtamisen alle. Vaikka datan analysoinnin merkitys kasvaa datan ja tiedon monimutkaistuessa sekä määrän lisääntyessä (Pedersen et al. 2010; Laihonen et al. 2013), ei kaikki data ja tieto kuitenkaan ole hyödyllistä tai tarpeellista organisaatioille, vaan tarkastellun datan ja tiedon tulee olla relevanttia organisaation omassa kontekstissa (Thierauf 2001). Jotta oleellinen data ja tieto voidaan tunnistaa, vaaditaan organisaatiolta osaamista sen omasta toimintaympäristöstä ja toimialasta (Di Ciccio et al. 2015). Liiketoiminnallisessa kontekstissa yksi hyvä keino selkiyttää relevantin datan ja tiedon segmenttiä datamassoista on organisaation liikeidean selkiyttäminen. Liikeidean selkiyttämisen apuna toimii organisaation visio (Dumas et al. 2013). Kun organisaation toiminnan tavoite on selkeä, voidaan tarkastella, mitä tavoitteen saavuttaminen vaatii. Tarkastelua kutsutaan tietotarpeiden määrittämiseksi (Laihonen et al. 2013). Tietotarpeiden määrittäminen vaatii yritykseltä laajaa sekä syvällistä toimialaosaamista, jotta sen olisi mahdollista tunnistaa relevantit tiedot ja tietolähteet aiheeseen liittyen (Di Ciccio et al.

26 ), mikä on linjassa Scmidtin & Keilin (2013) kuvauksen kanssa tietoperustaisen osaamisen asemasta resurssien arvon tunnistamisessa ja realisoinnissa. Tietotarpeiden määrittämisen voidaankin siis sanoa olevan oleellinen osa organisaation oppimisen prosessia, johon kuuluu aiemmin mainitut omien toimintatapojen, oman ympäristön tapahtumien ja omien tavoitteiden välisten suhteiden tarkastelu (Levitt & March 1988). Organisaation vision, eli tavoitteen määrittäminen on myös hyvä lähtökohta Di Ciccio et al. (2015) kuvailemaan liiketoimintaprosessien mallinnukseen (Dumas et al. 2013), koska se antaa perimmäisen pohjan organisaation toiminnan tarkoitukselle ja siihen vaikuttavien tekijöiden tarkasteluun. Tietotarpeiden tunnistaminen monitahoisesta liiketoimintaympäristöstä ei ole kuitenkaan helppoa, koska tarpeita määrittäessä pitäisi pyrkiä tunnistamaan myös se, mitä ei vielä tiedetä (Laihonen et al. 2013). Tarkastelemalla kriittisesti yrityksen osaamista ja vertaamalla sitä esimerkiksi kilpailijoihin, voidaan tunnistaa mahdollisia puutteellisia osaamisalueita, mutta toisaalta myös omia vahvuuksia (Carlucci et al. 2004), kuten aiemmassa puuseppäesimerkissä. Kerättyjen ja varastoitujen tietojen merkitysten tunnistaminen puolestaan vaatii organisaation muistin hyödyntämistä (Foroughi et al. 2020), mikä sekin on osa oppimisen prosessia (Levitt & March 1988; Argote 2011). Tietotarpeiden tunnistaminen organisaation liikeidean ja vision pohjalta toimii siis organisaation oppimisen alkusysäyksenä, tehden siitä ja sen onnistumisesta erittäin kriittisen organisaation kilpailukyvyn kannalta. Choo (2002) on esitellyt prosessiluontoisen viitekehyksen, jossa liikutaan vallitsevan tilanteen tunnistamisen aiheuttamasta reaktiosta tiedon luomiseen datasta ja siitä edelleen päätöksentekoon luomalla tiedosta ymmärrystä. Viitekehystä voidaan kutsua Tiedonhallinnan prosessimalliksi (Laihonen et al. 2013). Malli keskittyy puhtaammin datan hyödyntämisen kiertokulkuun organisaation järjestelmissä ja päätöksenteossa, kun taas Tietojohtamisen prosessimalli (Laihonen et al. 2013) kuvassa 3 huomioi laajemmin datan hyödyntämiseen vaikuttavia tekijöitä. Choon (2002) viitekehys lähtee liikkeelle tietotarpeiden määrittelystä. Jääskeläinen et al. (2020) ovat laajentaneet Choon (2002) mallia esittämällä tietotarpeiden määrittelyn pohjautuvan organisaation visioon, strategiaan ja hallintoon, jotka ohjaavat organisaation liiketoimintaideaa ja siten siihen vaikuttavia tekijöitä ja mahdollisia tietolähteitä. Laajennuksen syynä on tietojohtamisen strategisen merkittävyyden korostaminen (Jääskeläinen et al. 2020).

27 18 Kuva 4. Tiedonhallinnan prosessimalli (mukaillen Choo 2002) Tietotarpeiden määrittelyssä tarkastellaan ensin, voidaanko olemassa ja organisaation hallussa olevan tiedon pohjalta tehdä johtopäätöksiä. Jos päätöstä ei voida tehdä, aloitetaan datankeruu jalostusta varten, jotta voidaan muodostaa tietoon perustuva päätös. (Choo 2002) Kuten kuvasta 4 on nähtävissä, tietotarpeiden määrittäminen on mallin prosessiluonteen seurauksena iteratiivista ja siten suhteellista ajanhetkeen ja kulloinkin vallitsevaan kontekstiin, kuten markkinoiden tilaan tai organisaation ajankohtaisiin tavoitteisiin. Choon (2002) prosessimallin kiertokulusta voidaan tunnistaa yhteneväisyyksiä kuvassa 3 nähtävään Laihonen et al. (2013) esittelemään Tietojohtamisen prosessiin esimerkiksi tiedon keräämisen, jakamisen, hyödyntämisen ja päätöksenteon osalta, mikä viittaa siihen, että Choon (2002) prosessimalli vaatii toimiakseen tarkoituksenmukaisesti sekä tiedon, että tiedolla johtamista. Jotta datasta ja tiedosta voidaan tehdä johtopäätöksiä, pitää sitä kerätä, varastoida ja jalostaa (Thierauf 2001), eli tietoa pitää johtaa. Relevantin datan ja tiedon tunnistaminen ja myöhemmin päätösten tekeminen, eli tiedolla johtaminen, vaatii puolestaan toimialaosaamista (Thierauf 2001; Laihonen et al. 2013; Di Ciccio et al. 2015). Yhtäältä voidaan siis nähdä, että tiedon johtamisen tulisi tukea tiedolla johtamista ja siten organisaation päätöksentekoa, mutta toisaalta kokonaisuuksien tulisi tukea toisiaan, jotta tiedonhallinnan prosessiluonteen iteratiivinen luonne pääsisi mahdollisimman hyvin etuuksiinsa. Tietotarpeiden määrittämisen tärkeys nousee vääjäämättä esiin, kun tarkastellaan tiedon johtamisen osakokonaisuutta. Jotta voidaan määrittää mitä dataa kerätään tai osaamista hankitaan, missä muodossa ja keille sitä jaetaan tai miten se kohdistetaan, tulee tietotarpeet olla tarpeellisilta osin tiedossa koko organisaation laajuisesti (Thierauf 2001). Virheellisesti tehty tietotarpeiden määrittäminen voi helposti johtaa väärän, väärämuotoisen, virheellisen tai tarpeettoman, eli heikkolaatuisen datan hankintaan ja siten virheelliseen analyysiin ja resurssien hukkaamiseen (Laihonen et al. 2013; Ghasemaghaei 2018). Hyvin hoidetulla tiedon johtamisella on siis resursseja säästävä vaikutus, mutta se vaatii onnistuakseen riittävän tarkat liiketoimintaprosessikohtaiset tietotarpeiden määritykset, mikä puolestaan vaatii toimialaosaamista (Di Ciccio et al. 2015).

28 19 Jotta organisaation olisi mahdollista luoda liiketoiminnallista arvoa datastaan, tulee sen toteuttaa sekä tiedolla, että tiedon johtamista (Laihonen et al. 2013; Leskelä et al. 2019). Näiden osa-alueiden toteutumiseksi organisaatiolta vaaditaan toimialaosaamista, jotta se voisi tunnistaa, määrittää ja täyttää tietotarpeensa (Di Ciccio et al. 2015). Kun organisaation tietotarpeet on määritelty, tulee sen tarkastella omaa tiedon johtamistaan, eli miten data ja tieto kerätään, säilytetään ja luokitellaan (Leskelä et al. 2019). Kun relevantti data on kerätty tarkoituksenmukaisessa muodossa, tulee organisaation johtaa sen hallussa olevaa tietoa, jotta sen resurssipohjaisen näkemyksen mukaisia resursseja voidaan hyödyntää tietoperustaisten resurssien avulla mahdollisimman hyvin (Laihonen et al. 2013). Kun dataa kerätään, säilötään laatuomianaisuudet huomioon ottaen, jaetaan tarkoituksenmukaisesti ja jalostetaan hyödyntäen organisaatiossa olevaa tietopääomaa & analyyttisia työkaluja, hyödynnetään organisaation resursseja resurssipohjaisen näkemyksen mukaisesti hyvin (Laihonen et al. 2013; Zuiderwijk et al. 2015; Ghasemaghaei 2018). Tarkoitukseensa sopiva, laadukas data kelpaa jalostettavaksi, jolloin tietopääomaa hyödyntäen datasta voidaan jalostaa organisaatiolle arvokasta (Laihonen et al. 2013; Ghasemaghaei 2018). Tietoperustaisen näkemyksen hyvin täyttävillä resursseilla huonommistakin resurssipohjaisen näkemyksen mukaisista resursseista on mahdollista löytää arvoa (Carlucci et al. 2004), mutta ilman tietoperustaisen näkemyksen mukaista tietopääomaa sekä toimialaosaamista, on haastava jalostaa laadukkaistakaan resursseista arvoa. 2.4 Datan hyödyntämisen kohteet Dataa saadaan ulkoisista ja sisäisistä lähteistä (Lönnqvist & Pirttimäki 2006) ja sitä voidaan hyödyntää arvonluontiin sekä sisäisesti (Schiuma et al. 2012), että ulkoisesti (Laihonen & Lönnqvist 2011; Gartner 2015). Dataan, ja erityisesti tietoon perustuvan päätöksenteon tarkoituksena on edistää organisaation suorituskykyä (Laihonen et al. 2013), eli organisaation itselleen tai muille sidosryhmille tuottamaa arvoa, mikä yleensä johtaa epäsuorasti taloudellisten tulosten parantumiseen (Carlucci et al. 2004). Tällöin Choon (2002) tiedonhallinnan prosessimalliin peilaten arvo syntyy vaiheissa Tiedon hyödyntäminen ja Tietoon perustuva päätöksenteko. Datalla voidaan luoda liiketoiminnallista arvoa organisaation suorituskyvyn tehostamisen lisäksi kaupallistamalla sitä joko suoraan tai epäsuoraan (Accenture 2013; Gartner 2015). Dataa suoraan kaupallistaessa esiin nousevat VRIN-viitekehyksestä erityisesti datan arvokkuus sekä vaikea kopioitavuus (Grant 1996), sillä data saattaa olla arvokkaampaa jollekin toiselle organisaatiolle organisaatioiden välisten erojen, kuten toimialan tai ydinosaamisen vuoksi, jolloin data on arvokkaampaa eri organisaation kontekstissa

29 20 (Thierauf 2001). Dataa suoraan kaupallistaessa sen arvo syntyy Choon (2002) prosessimalliin peilaten vaiheissa Tiedon kerääminen sekä Tiedon organisointi ja varastointi, sillä ilman näitä vaiheita ei organisaatiolla olisi dataa, jota kaupallistaa. Kun dataa kaupallistetaan suoraan, hyödyntää jokin muu organisaatio sitä päätöksentekonsa tukena, jolloin data voidaan nähdä heille arvokkaana ja siitä on perusteltua maksaa. Dataan perustuvaa arvonluontia on visualisoitu kuvassa 5. Kuva 5. Dataperustaisen arvonluonnin jakaantuminen suorasta ja epäsuorasta hyödyntämisestä ulkoiseen ja sisäiseen hyödyntämiseen Suoraan kaupallistettuna dataa voidaan esimerkiksi yksinkertaisimmillaan myydä sellaisenaan. Epäsuoraan kaupallistettua dataa voidaan hyödyntää esimerkiksi tietopalvelujen ja tuotteiden, kuten konsultoinnin tarjoamiseksi tai innovaatioiden kehittämiseen. (Accenture 2013; Gartner 2015) Suoraan ja epäsuorasti kaupallistettavan datan ja tiedon tulee vastata riittävän hyvin VRIN-viitekehyksen ominaisuuksiin, jotta mahdolliset asiakasorganisaatiot näkisivät sen investoinnin arvoisena. Datan suoraa kaupallistamista ei käsitellä tässä tutkimuksessa kovinkaan syvällisesti ydinaihe avoimen datan erityispiirteiden vuoksi. Avoimen datan erityispiirteitä käsitellään lisää luvussa 3 ja sen alaluvuissa Datan epäsuora hyödyntäminen sisäisesti Kun dataa hyödynnetään epäsuorasti, voidaan sitä hyödyntää ulkoisesti liiketoiminnallisten tulosten saavuttamiseksi erilaisilla palveluilla tai tuotteilla, kuten tarjoamalla konsultaatiota tai innovoimalla uusia tuotteita (Gartner 2015). Sisäisesti dataa voidaan puolestaan hyödyntää organisaation itsensä parempaan suoriutumiseen arvonluonnillisesta näkökulmasta (Accenture 2013). Perinteisesti arvo voidaan mieltää uhrausten ja hyötyjen, kuten kustannusten ja liikevaihdon, erotuksena (Walter et al. 2001). Tilanne kuitenkin monimutkaistuu esimerkiksi julkishallinnollisia organisaatioita tarkastellessa, kun organisaation tuottamaa arvoa ei mitatakaan suoraan sen tuottamana liikevoittona (Laihonen et al. 2013). Esimerkiksi kunnallisen terveydenhuollon tehtävänä on tuottaa sen asiakaskunnalle riittävät sosiaali- ja

30 21 terveyspalvelut (Sosiaali- ja terveysministeriö 2021), eikä sen tavoitteena ole mahdollisimman suuren liikevoiton tuottaminen. Esimerkiksi sosiaali- ja terveyspalveluja tuottavat organisaatiot pystyvät dataa hyödyntämällä tarjoamaan palvelujaan tehokkaammin tinkimättä palvelun laadusta (TietoEVRY 2018) tai tarjoamalla ennakoivaa hoitoa, jolloin kustannukset ovat alhaisemmat tai hoidon tarve vähäisempi kuin puhjennutta sairautta hoitaessa (Yrjölä 2019). Toisaalta strategisten tavoitteiden tehokas saavuttaminen johtaa lähes poikkeuksetta myös taloudellisiin tuloksiin (Carlucci et al. 2004), mikä joko vapauttaa resursseja muihin organisaation toimintoihin, tai parantaa toiminnan kannattavuutta. Arvoa luova dataan ja tietoon perustuva päätöksenteko voi olla joko manuaalista (Esim. operatiiviset, taktiset ja strategiset päätökset), automatisoitua (Esim. laskujen automatisoitu generoituminen, RPA) tai näiden yhdistelmä (Em. automaattisesti generoidun laskun manuaalinen hyväksyminen) (Rovira et al. 2007; Chen et al. 2016). Datan ja tiedon hyödyntämisen luonnollisena seurauksena organisaatioihin muodostuu tietoprosesseja, joiden toimivuus on oleellisessa asemassa organisaation kyvykkyyksien kannalta (Schiuma et al. 2012). Kuvassa 6 on visualisoitu tietoprosessien, organisaation kyvykkyyksien ja suoriutumisen sekä arvonluonnin suhdetta. Kuvasta nähdään, että prosessien lopputulemana prosessien sidosryhmät kokevat prosessien tuotokset arvokkaaksi omasta näkökulmastaan. Koetun arvon suuruuteen tai mitattavuuteen kuvaus ei ota kantaa. Esimerkiksi terveydenhuollon asiakas voi kokea pientä arvoa ennakoivasta hoidosta, vaikka hän hoidon avulla säästyisikin suurilta hoitotoimenpiteiltä tulevaisuudessa, jotka olisivat voineet aiheuttaa yhteiskunnalle suuriakin kustannuksia ja asiakkaalle suuria vaivoja (Yrjölä 2019). Samalla yhteiskunta voi saada esimerkiksi pidempään työelämässä olevan työntekijän, mikä voidaan myös nähdä sidosryhmän kokemana arvona. Kuva 6. Tietoprosessien ja arvonluonnin kytkeytyminen (mukaillen Schiuma et al. 2012) Datan vaihtelevien lähteiden ja käyttökohteiden seurauksena organisaatioihin syntyy tietovirtoja ihmisten, järjestelmien ja organisaatioiden välille (Laihonen & Lönnqvist 2011).

31 22 Tietovirrat koostuvat kuvassa 6 esitellyistä tietoprosesseista. Tietoprosessien ja samalla tietovirtojen tehokkuuden takaamiseksi organisaation tulee huolehtia esimerkiksi tiedon organisoinnista, koodauksista sekä tiedon hyödyntämisestä (Schiuma et al. 2012). Jos datan tai tiedon keräämiseen ja prosessointiin käytetään resursseja, mutta itse päätöksenteko tietoa hyödyntäen jää tekemättä, on organisaation tietovirroissa ja -prosesseissa selvästi parannettavaa. Tietoprosessien tehokkuuden kehittämisessä auttavat tiedon johtamisen kokonaisuuteen liittyvät aspektit ja niiden kehittäminen, kuten tietotarpeiden kriittinen tarkastelu, liiketoimintakriittisten prosessien ja niiden käyttämien tietojen mallintaminen (Di Ciccio et al. 2015) tai organisaation oppimisprosesseihin panostaminen (Schiuma et al. 2012). Laihonen & Lönnqvist (2011) ovat koonneet esimerkkejä eri lähteistä alkunsa saavista tietovirroista ja niiden avulla eri tavoin saavutettavista konkreettisista liiketoiminnallisista hyödyistä, jotka voidaan saavuttaa kuvan 6 kaltaisilla tietoprosesseilla. Esimerkit on esitelty taulukossa 3. Vaikka dataa hyödynnetäänkin sisäisesti, on sillä lähes poikkeuksetta ulkoiseen tehokkuuteen ja siten liiketoiminnalliseen suoriutumiseen liittyviä positiivisia vaikutuksia (Laihonen & Lönnqvist 2011), sillä strategisten tavoitteiden saavuttaminen edistää myös liiketoiminnallisia tuloksia (Carlucci et al. 2004). Tietovirtojen kehittämisen odotetut hyödyt (mukaillen Laihonen and Lönnqvist 2011) Sisäinen tehokkuus Ulkoinen tehokkuus Kapasiteettitehokkuus Ulkopuolelta tulevat tietovirrat (Esim. koulutukset, asiakaspalautteet) Oppiminen ja tiedon luonti -> Edistyneet tuotantomenetelmät Palveluntarjoaja oppii vastaamaan paremmin asiakkaiden tarpeisiin ja odotuksiin -> Kehittynyt palveluportfolio Ennustettava kysyntä -> Kysynnän ja tarjonnan parempi kohtaaminen Sisäiset tietovirrat Tehokkaampi tiedonsiirto organisaation sisällä Asiakas saa enemmän vastinetta rahoilleen Tehokkaampi palveluprosessi (Esim. olemassa olevien tietoresurssien hyödyntäminen -> Olemassa olevien resurssien tehokkaampi hyödyntäminen -> Palvelun parantunut laatu ja asiakastyytyväisyys -> Palveltujen asiakkaiden määrän kohoaminen Sisältä ulos kulkevat tietovirrat Selkeästi määritellyt tuotteet Asiakkaat ovat tietoisempia olemassa olevista tuotteista Arvonluontiprosessin kohonnut ymmärrys (Esim. palvelutarjonnan määrittely, palvelujen toimitus -> Hyvin hahmoteltu palvelutuotanto -> Asiakasodotusten ja tuotteiden parempi kohtaaminen -> Lisääntynyt kysyntä

32 23 Carlucci et al. (2004) ovat muodostaneet tasapainotetun mittariston, kuva 7, organisaation osaamisen hallinnalle, joka eri osa-alueiden kautta johtaa liiketoiminnallisiin tuloksiin. Mittaristo siis ketjuttaa eri lähteiden tietovirtoja, joiden avulla organisaatio voi saavuttaa liiketoiminnallisia tuloksia sekä sisäisten että ulkoisten hyötyjen kautta, kuten taulukossa 3 ja kuvassa 5 on esitetty. Kuva 7. Tiedonhallinnan tasapainotettu mittaristo (mukaillen Carlucci et al. 2004) Mittariston hyödyntämisen on tarkoitus toimia tietoperustaisen näkemyksen mukaisesti organisaation ohjenuorana liiketoiminnallisen suorituskyvyn parantamiseksi. Mittaristo pohjautuu osaamisenhallinnalla tuettuihin liiketoiminnan prosesseihin, jotka täyttävät asiakkaan odotukset aiempaa paremmin, minkä tuloksena seuraa positiivinen liiketoiminnallinen suoriutuminen. Ketju voidaan ajatella myös toiseen suuntaan: Miten organisaatio luo arvoa sidosryhmilleen (liiketoiminnalliset tulokset), mikä on organisaation arvolupaus sen asiakkaille ja miten hyvin se täytetään (asiakastyytyväisyys), mitkä ovat ne prosessit, joissa tulee menestyä, jotta arvolupaus voidaan täyttää (liiketoiminnan prosessit) sekä miten organisaatio voi kehittää arvonluontiaan panostamalla edellä mainittuihin liiketoiminnan prosesseihin (osaamisenhallinta). (Carlucci et al. 2004) Koko ketjun mallinnus ei ole aina helppoa (Di Ciccio et al. 2015) ja saatu mallinnustulos saattaa johtaa muutoksiin organisaatiossa (Dumas et al. 2013), mutta toisaalta muutokset ovat välttämättömiä organisaatioiden kilpailukyvyn kannalta (Jackson & Carruthers 2019).

33 24 McNair-Connolly et al. (2013) mukaan kaikki resurssit, aika ja tehtävät, jotka ovat pois arvon lisäämisestä liiketoiminnallisesta näkökulmasta, kerryttävät jätettä, joka on suoraan pois organisaation luomasta arvosta. Tällöin tehostamalla liiketoimintaprosessien toimintoja, voidaan jätteen tuottamista minimoida ja vastaavasti arvontuottoa edistää kuvan 7 mukaisesti. Keinoja tehostamiseen ovat esimerkiksi toisteisten tai muuten hitaiden tehtävien automatisointi erilaisten tietojärjestelmien avulla (Rovira et al. 2007; Palvalin et al. 2013) tai analysoimalla toimitusketjua toimitusaikojen, kustannusten, ympäristövaikutusten tai tuotannon pullonkaulojen optimoimiseksi analytiikan avulla (Chen et al. 2016; Oncioiu et al. 2019). Tällöin asiakkaalle annettu arvolupaus saavutetaan tehokkaammin tai se jopa ylitetään ja organisaatio suoriutuu liiketoiminnassaan todennäköisesti aiempaa paremmin. Jätettä minimoidakseen, tulee organisaation tarkastella resurssejaan myös resurssipohjaisen näkemyksen kautta. Sekä aineettomien resurssien, eli tietopääoman, että työstettävien resurssien tulee olla mahdollisimman laadukkaita, jotta niiden hyödyntämiseen ei kulu turhaan resursseja. Varsinkin pitkissä prosesseissa, joissa työvaiheet nojaavat edellisten vaiheiden tuloksiin, on molempien näkemysten mukaisten resurssien laadulla suuri merkitys. (Storey et al. 2012) Tietopääoman ollessa hyvällä tasolla, käsitellään resurssia myös tulevat prosessit mielessä, ei pelkästään omaa tehtävää silmällä pitäen. Tällöin mahdollisia haasteita mitigoidaan jo mahdollisimman aikaisessa vaiheessa, eivätkä ne pääse yhtä voimakkaasti vaikuttamaan Carclucci et al. (2004) tiedonhallinnan mittariston (kuva 4) kuvaamalla tavalla organisaation liiketoiminnalliseen suoriutumiseen. Datan laadulla ja siten tiedon sekä tiedolla johtamisella on siis suuri merkitys siinä, miten organisaatiossa kertyvän jätteen määrää sekä arvonluontia pystytään optimoimaan missä tahansa prosessissa, mikä tekee niistä tärkeitä osa-alueita kaikille organisaatioille toimialasta riippumatta Datan epäsuora hyödyntäminen ulkoisesti Gartnerin (2015) mukaan dataa voidaan hyödyntää epäsuorasti liiketoiminnallisten tavoitteiden saavuttamiseen myös ulkoisesti, eikä pelkästään oman toiminnan kehittämisen kautta. Tällöin datan avulla voidaan luoda uusia dataan tai tietoon perustuvia tuotteita tai palveluja. Toisin sanoen, dataa ja tietoa hyödynnetään jonkin uuden arvoa luovan asian muodostamiseen. (Gartner 2015) Datan epäsuora ulkoinen hyödyntäminen ei ole toimialasidonnaista, vaan sitä esiintyy monipuolisesti eri aloilla niin palvelujen, kuin tuotteidenkin kohdalla (Esim. Gartner 2015; Targeted News Service 2016; Lim et al. 2018).

34 25 Tietoperustaiset tuotteet voidaan jakaa tuotekehitykseen sekä innovointiin, ja palvelut konsultointiin, palvelullistamiseen sekä suunnittelupalveluihin (Gartner 2015; Opresnik & Taisch 2015; Woerner & Wixom 2015). Esimerkiksi konsultaatiota myydessä organisaatio tarjoaa tietoresurssejaan asiakkaan käyttöön korvausta vastaan, jolloin käytännössä myydään asiantuntijaorganisaatiossa olevaa tietämystä, joka taas on korkeasti jalostunutta dataa. Tällöin konsultointia tarjoava organisaatio voi esimerkiksi luoda asiakasorganisaation jo olemassa olevasta datasta päätöksenteon tueksi uutta tietoa, jota asiakasorganisaatio ei ole aiemmin kyennyt luomaan heikompien tietoresurssiensa vuoksi. Suunnittelupalveluissa puolestaan asiantuntijaorganisaatio hyödyntää korkeaa osaamistaan esimerkiksi asiakasorganisaation liiketoimintakriittisten prosessien kriittiseen tarkasteluun ja tehostamiseen (Woerner & Wixom 2015). Esimerkin tapauksessa asiantuntijaorganisaatio on voinut tehdä vastaavia kehitysprojekteja aiemmin muille toimijoille ja kykenee hyödyntämään omaa kertynyttä dataansa projektien läpivienneistä ja siten kaupallistamaan dataansa epäsuorasti tukemalla asiakasorganisaation päätöksentekoa. Suunnittelupalvelut ovat luonteeltaan hyvin lähellä konsultointipalveluita. Palvelullistamisessa kyse on tarjoaman laajentamisesta pelkistä tuotteista myös tuotteisiin liittyviin palveluihin, kuten tuotteen käytön kouluttamiseen tai huoltosopimusten tekoon (Lay 2014). Palvelullistamisessa avainasemassa on asiakasodotusten ymmärtäminen (Baines et al. 2007). Nykypäivänä organisaatiot kohtaavat tarvetta erottautua kilpailijoistaan, eikä siihen riitä enää pelkkä tuote itsessään, vaan sitä pitää tukea ydinosaamista tukevilla palveluilla (Lay 2014), sillä palvelujen tarjoaminen saattaa johtaa asiakkaan kokeman arvon lisääntymiseen (Baines et al. 2007). Tällöin palvelua tarjoavan organisaation liiketoiminta kasvaa (Lay 2014) ja organisaatiot pyrkivätkin muodostamaan mahdollisimman dynaamisia palveluportfolioita vastatakseen yhä vaihtelevampiin asiakastarpeisiin (Opresnik & Taisch 2015). Palvelullistettuja tuotteita voivat olla esimerkiksi digitaalisten kaksosten, tuoteanalytiikan tai jopa kokonaisten tuotantolaitosten osien tarjoaminen palveluna asiakasorganisaation toiminnan tehostamiseksi (Jayaraman et al. 2017; Kang et al. 2018; Qi et al. 2018). Erityisesti teollisuudessa palvelullistamiseen liittyy vahvasti esineiden internetin (IoT), pilvipalveluiden sekä Big Datan hyödyntäminen (Momeni et al. 2021). Näiden teknologioiden hyödyntäminen tuo palveluntarjoajaa ja asiakasta lähemmäs toisiaan, mikä parantaa käytettävän tuotteen hyödynnettävyyttä ja siten kasvattaa asiakkaan kokemaa arvoa (Rymaszewska et al. 2017; Qi et al. 2018). Vaikka edellä käsiteltiinkin pääasiassa B2Bnäkökulmaa, voidaan myös yksittäisille kuluttajille suunnattuja tuotteita palvelullistaa ja siten perustella niiden mahdollisesti korkeampaa hintaa suuremman arvolupauksen avulla (Lim et al. 2018). Esimerkiksi älykello voi avustaa kuluttajaa tekemään viisaampia

35 26 päätöksiä liikuntavalintojensa suhteen, ottaen huomioon tämän tavoitteet sekä nykyisen fyysisen kunnon. Tietoperustaisten palveluiden yhdistävinä tekijöinä voidaan nähdä korkealle jalostunut tietämys kyseessä olevasta aihepiiristä, tarkasti määritellyt tietoprosessit sekä hyvin toimivat organisaation oppimisprosessit. Oppimisprosessiin kuuluu organisaation muistin hyödyntäminen (Foroughi et al. 2020) ja kuten edellä esitettiin, epäsuora datan hyödyntäminen vaatii organisaation aiemmin kerryttämän datan ja osaamisen hyödyntämistä. Monet asiantuntijaorganisaatiot tarjoavat nykypäivänä kaikkia kolmea edellä esiteltyä keinoa kaupallistaa dataa epäsuorasti, mutta leimautuvat yleisesti konsultointiyrityksiksi. Konsultointi voi sisältää esimerkiksi suunnittelupalveluja ja suunnitellun aiheen tai jonkin palvelun implementointia, ollen siten laajempi käsite kuin pelkät suunnittelupalvelut. Se poikkeaa esimerkiksi palvelullistamisesta siten, että palvelullistaminen keskittyy nimenomaisesti oman tuotteen tai palvelun kehittämiseen, kun taas konsultointi voi olla jonkun muun toimittajan tuotteen tai palvelun jatkokehitystä tai optimointia. Datan epäsuoraa kaupallistamista tietoperustaisten palvelujen avulla voidaankin pitää melko perinteisenä liiketoimintana. Tietoperustaisten palvelujen lisäksi dataa voidaan hyödyntää epäsuorasti ulkoisesti uusien tuotteiden innovoinnissa ja tuotekehityksessä. Tuotteista kertyy erityisesti palvelullistumisen myötä suuria määriä dataa (Momeni et al. 2021). Esimerkiksi digitaalisista kaksosista kertyvää dataa voidaan käyttää tuotantolaitoksen tai koneen tehokkaan hyödyntämisen lisäksi tuotekehityksen tukena. Vaikka tuotteista kertyy paljon dataa, voidaan tuotteisiin myös lisätä dataa tai tietoa, kuten palvelullistamisessa. Tällöin tavoitteena on erottua muista tuottajista tarjoamalla asiakkaalle lisäarvoa. (Woerner & Wixom 2015) Esimerkkien tapauksissa itse dataa ei kaupallisteta suoraan, vaan sen avulla kehitettyä tai tuettua tuotetta, jolloin datan kaupallistaminen on epäsuoraa. Kuten palvelullistamisessa, myös tietoperustaisessa tuotekehityksessä ja innovoinnissa korostuvat asiakasodotusten tehokas tunnistaminen, organisaation muistin hyödyntäminen sekä jalostunut tietämys aihepiiristä.

36 27 3. AVOIN DATA Avoin data on kuin mikä muukin tahansa koneluettavassa muodossa oleva data, eli rakenteettomia tosiasioita tarkasteltavasta aiheesta (Thierauf 2001), mutta sen erottaa esimerkiksi organisaatioiden sisäisestä suljetusta datasta sen vapaa käytettävyys kenen tahansa toimesta mihin tahansa tarkoitukseen, kunhan sen alkuperäinen lähde mainitaan (Avoindata.fi 2021). Suurin osa avoimesta datasta on seurausta julkisen hallinnon toiminnasta. Julkishallinto vaatii toimiakseen suuria määriä dataa eri alueilta ja kun tuo kerätty data avataan, on sitä mahdollista käyttää muihinkin tarkoituksiin alkuperäisen tarkoituksensa lisäksi. Tällöin datan arvo monikertaistuu datan uudelleenkäytön kautta. (Avoindata.fi 2021) Avoimen datan juuret ovat avoimen lähdekoodin julkaisuissa, mutta ilmiön yleistyminen alkoi Suomessa voimakkaammin 2009 EU:n PSI-direktiivin (Euroopan parlamentti 2019) julkaisun jälkeen. Vuodesta 2011 aihe on ollut osana hallitusohjelmaa. (Avoindata.fi 2021) Erityisesti julkishallinnon datan avaamisen tavoitteina ovat olleet julkishallinnon läpinäkyvyyden lisääminen, markkinatalouden vauhdittaminen esimerkiksi uusien innovaatioiden avulla, sekä hallinnon sisäisen tehokkuuden lisääminen (Berends et al. 2020). Aiempien tutkimusten mukaan hyötyjä onkin havaittu taloudellisilla, poliittisilla & sosiaalisilla sekä operatiivisilla & teknisillä osa-alueilla (Janssen et al. 2012; Beno et al. 2017). Avoimesta datasta vauhdittuneet innovaatiot voidaan nähdä työpaikkojen luojana (Huber et al. 2018) ja siten välillisinä verotulojen kasvattajina. Avoimeen dataan perustuvaa innovointia on kuitenkin tutkittu vielä suhteellisen vähän (Zuiderwijk et al. 2014). Suomessa yhtenä hallitusohjelman tavoitteista on muodostaa maailman paras julkinen hallinto (Valtioneuvosto 2019). Tavoitetta tukee PSI-direktiiviä edistävä hanke Tiedon hyödyntäminen ja avaaminen. Hankkeen tavoitteena on laatia ehdotus tiedon hyödyntämisen ja avaamisen strategisista tavoitteista julkiselle hallinnolle toimeenpantavaksi sekä valmistella ja toteuttaa tiedon hyödyntämistä ja avaamista edistäviä toimenpiteitä. (Valtiovarainministeriö 2020) Toisin sanoen, hankkeen tavoitteena on edistää tiedon avoimuutta, saatavuutta, käyttöä ja käytettävyyttä Suomessa ja siten maksimoida avoimen datan realisoitunut arvo. Arvon syntyminen voidaan nähdä edellä esiteltyjen tavoitteiden paremman täyttymisen myötä.

37 28 Tämän luvun alaluvuissa käsitellään avoimen datan erityispiirteitä, arvonluontia avoimen datan avulla erityisesti liiketoiminnassa, miten avoimen datan erityispiirteiden aiheuttamia haasteita voidaan mitigoida sekä minkälainen suhde avoimella datalla ja valmistavaan teollisuuteen liittyvillä yrityksillä Suomessa on. 3.1 Avoimen datan erityispiirteet Avoin data on dataa, joka on kenen tahansa yksilön tai organisaation käytettävissä ilman erillistä korvausta mihin tahansa tarkoitukseen, kunhan sen alkuperän mainitsee (Avoindata.fi 2021). Avoin data on useimmiten lisensoitu joko Creative Commons CC , tai Creative Commons Nimeä 4.0 -lisenssillä (Honkanen 2019b). Lisensseistä CC0 1.0 mahdollistaa kuitenkin esimerkiksi lisensoidun datan hyödyntämisen ilman mainintaa datan alkuperästä tai sen julkaisusta, sekä datan uudelleenlisensoinnin (Creative Commons 2021). CC0 1.0 mahdollistaessa avoimen datan hyödyntämisen ilman mainintaa sen alkuperäisestä lähteestä, on avointa dataa teoriassa mahdollista myydä kolmansille osapuolille, koska dataa myyvä organisaatio voisi tällöin toimia asiakasorganisaation lähteenä kyseiselle datalle. Open Knowledge Foundationin (2021) mukaan avoimen datan tulisi kuitenkin aina olla maksuttomasti saatavilla, jotta se todella vastaisi määritelmää avoimesta, eikä olisi pelkästään näennäisesti avointa. Valtaosa avoimeen dataan perustuvista ratkaisuista luokin sidosryhmilleen arvoa epäsuorasti (Honkanen 2019a). Toisin kuin julkisella sektorilla, tutkimusten mukaan yksityisellä sektorilla toimivilla organisaatioilla ei ole juurikaan motivaatiota avata omaa dataansa, pikemminkin päinvastoin. Poikkeuksiakin löytyy, mutta kyseisten organisaatioiden motivaatiot ovat olleet pääasiassa huomion hakemista joko kuluttaja-, tai työnantajamarkkinoilla. (Herala et al. 2018) Vaikka yksityisetkin organisaatiot voivat hyötyä datansa avaamisesta (Enders et al. 2021), vähentää niiden motivaatiota avata omaa dataansa esimerkiksi haluttomuus tarjota mahdollista kilpailuetua muille toimijoille (Herala et al. 2018) sekä pelko mahdollisista ongelmista lainsäädännön kanssa (Janssen et al. 2012). Lainsäädännön asettamia pelotteita ovat esimerkiksi yksityisyyttä rikkovan datan tahaton julkaiseminen tai käyttäminen (Janssen et al. 2012; Herala et al. 2018). Koska avointa dataa voi käyttää lisenssiehdot huomioon ottaen mihin tahansa tarkoitukseen, on sitä mahdollista käyttää myös kaupallisesti. Avoimen datan perusajatukseen kuitenkin kuuluu sen saatavuus ja saavutettavuus jokaisen yksilön tai organisaation näkökulmasta, mistä syystä avoin data ei vastaa resurssipohjaisen näkemyksen mukaisesti

38 29 avainresurssin ominaisuuksiin (Barney 1991; Zuiderwijk et al. 2015). Kun yksityisen sektorin organisaatioiden ydinosaaminen keskittyy muuhun kuin avoimen datan hyödyntämiseen, kokevat ne ajatuksen avoimen datan hyödyntämisestä avainresurssina mahdottomana (Herala et al. 2018). Avoimen datan määritelmään kuuluvan saatavuuden takia avointa dataa on myös erittäin haastavaa kaupallistaa suoraan. Tästä syystä tämä tutkimus keskittyy pääasiassa käsittelemään epäsuoria arvonluontikeinoja avoimen datan avulla. 3.2 Arvonluonti avoimen datan avulla Motiivit avoimen datan avaamiselle ovat julkishallinnon näkökulmasta julkishallinnon läpinäkyvyyden lisääminen, markkinatalouden vauhdittaminen esimerkiksi uusien innovaatioiden avulla sekä hallinnon sisäisen tehokkuuden lisääminen (Berends et al. 2020). Aiempien tutkimusten perusteella näillä alueilla on jo onnistuttu tunnistamaan arvoa lisäävää toimintaa (Esim. Zuiderwijk et al. 2012; Beno et al. 2017; Huber et al. 2018). Tutkimukset ovat keskittyneet erityisesti Pk-yritysten liiketoiminnan kehittymiseen avoimen datan avulla, missä erityisesti innovaatioiden roolia on nostettu esiin (Esim. Zuiderwijk et al. 2015; Huber et al. 2018; Ruijer & Meijer 2020), vaikka innovointia ei olekaan avoimen datan yhteydessä tutkittu juurikaan (Zuiderwijk et al. 2014). Tässä tutkimuksessa kuitenkin käsitellään suuria valmistavaan teollisuuteen osallistuvia organisaatioita Suomessa, sillä aiemmista tutkimuksista ei ole löytynyt edes osittain vastaavaa otosta (Esim. Zuiderwijk et al. 2015; Huber et al. 2018; Berends et al. 2020; Ruijer & Meijer 2020). Suurin osa avoimesta datasta syntyy julkishallinnon toiminnan seurauksena (Avoindata.fi 2021) ja sen onkin loogista avata dataansa, sillä julkishallinnon voidaan nähdä hyötyvän datan avaamisesta huomattavasti. Datan avaamisen tavoitteiden täyttyessä kansalaiset, yksityiset organisaatiot tai julkishallinto itse voivat kokea arvoa, mutta kahden ensimmäisen kohdalla myös julkishallinto kokee epäsuorasti arvoa esimerkiksi kansalaisten kohonneen luottamuksen tai markkinatalouden kohentumisen myötä (Berends et al. 2020). Kansalaisten ja julkishallinnon itsensä lisäksi avoimesta datasta mahdollisesti hyötyviä toimijoita ovat esimerkiksi konsultoijat, datan avaamisessa avustavat toimijat sekä tietoperustaisia tuotteita ja palveluja tarjoavat toimijat (Rossi et al. 2014). Avoimen datan hyödyntämisen ketju ei ole täysin vastaava kuin organisaation sisäisen datan, sillä se sisältää useita eri vaiheita. Zuiderwijk et al. (2012) ovat kuvanneet ylätasolla avoimen datan hyödyntämisen viisivaiheisena syklinä. Sykli on esitetty kuvassa 8.

39 30 Sykli jakaantuu kahden toimijasektorin, hyödyntäjän ja julkaisijan, välille ja se alkaa julkaisijasektorin datan luomisesta. Avattava data voidaan tuottaa itse, kerätä tai esimerkiksi ostaa. Tämän jälkeen data avataan ja toimintavuoro syklissä siirtyy datan hyödyntäjälle, jonka tulee seuraavaksi löytää avattu data. (Zuiderwijk et al. 2012) Dataa etsitään mieluiten kansallisista avoimen datan portaaleista tai suoraan dataa julkaisevalta taholta, mikä voi viitata siihen, että data halutaan mahdollisimman läheltä sen alkuperää (Berends et al. 2020). Toisaalta suositut lähteet etsiä dataa saattavat kertoa korkeammasta luottamuksesta tiettyjä lähteitä kohtaan. Kun hyödyntäjätaho on löytänyt datan, tulee dataa hyödyntää, jotta sen arvo realisoituisi (Zuiderwijk et al. 2012). Kuva 8. Avoimen datan hyödyntämisen prosessi (mukaillen Zuiderwijk et al. 2012) Jos resurssin, tässä tapauksessa avoimen datan, löytämiseen, saavuttamiseen tai hyödyntämiseen kuluu kohtuuttomasti resursseja tai se tunnistetaan syklin neljännessä vaiheessa hyödyttömäksi, on organisaatio hukannut resurssejaan, eikä sen arvontuotto ole optimaalista (McNair-Connolly et al. 2013). Tällöin organisaation avoimen datan hyödyntäminen voi jäädä entistäkin vähäisemmäksi tulevaisuudessa, kun odotukset avointa dataa kohtaan laskevat. Kriittisimpinä esteinä avoimen datan hyödyntämisessä onkin tunnistettu datan laatu ja sen systemaattisuus & jatkuva julkaisu (Berends et al. 2020). Jos data ei siis ole laadukasta, sen hyödyntämiseen kuluu huomattavasti resursseja, tai jos sen julkaisu on epäsäännöllistä, voi avointa dataa hyödyntävä prosessi olla ajoittain hyödytön, kun hyödynnettävää dataa ei olekaan saatavilla. Datan hyödyntäjällä tulisikin olla mahdollisuus vaikuttaa datan hyödynnettävyyteen, sillä syklin viidentenä vaiheena on toimijoiden yhteinen vaihe: kommunikointi datan hyödyntämisestä ja hyödynnettävyydestä (Zuiderwijk et al. 2012). Avoimen datan hyödyntämisen prosessin tulisi siis olla vuorovaikutteinen datan avaajan ja hyödyntäjien välillä, mikä vähentäisi esimerkiksi datan hyödyntämiseen kuluvia resursseja.

40 31 Vaikka Zuiderwijk et al. (2012) kuvaus onkin hyvin suoraviivainen, on tilanne tarkemmin tarkasteltuna toinen. Datan avaajan tulee monesti käyttää huomattavasti vaivaa, jotta avattava data olisi määritelmän mukaisesti avointa dataa, sillä avoimen datan tulee olla saatavuuden lisäksi myös hyödynnettävää (Zuiderwijk et al. 2014). Mikä tahansa julkaistu data ei siis vielä itsessään ole määritelmän mukaista avointa dataa. Datan avaajan tulee olla huolellinen siitä, että data on laadukasta ja ettei julkaistu data riko kenenkään yksityisyyden suojaa tai sisällä esimerkiksi asiakkaan luottamuksellisia tietoja. Huoli yksityisyydestä nähdään yhtenä merkittävänä tekijänä datan avaamisen ja avatun datan hyödyntämisen tiellä. (Esim. Immonen et al. 2014; Zuiderwijk et al. 2014) Huonolaatuista avattua dataa on haastava hyödyntää, mikä vähentää datan realisoitunutta arvoa sidosryhmien näkökulmista. Datan hyödyntäjältä vaaditaan resursseja kolmella eri alueella: IT-resurssit (Esim. yhteydet, työkalut), informaatio- ja dataresurssit (Esim. tuotteet ja palvelut, tietokannat) ja ihmisresurssit (Esim. datan tulkitseminen, ohjelmointirajapintojen luominen tai hyödyntäminen ja datan lopullinen julkaisu) (Poulis 2015). Datan julkaiseminen vaatii vastaavasti julkaisijalta samoja kyvykkyyksiä samoilla osa-alueilla (Zuiderwijk et al. 2014), joiden omaaminen ei kaikilla organisaatioilla ole välttämättä itsestään selvää, etenkin jos niiden ydinosaaminen keskittyy ei-tietotekniseen toimialaan, kuten sosiaali- ja terveydenhuoltoon. Esimerkiksi juuri sosiaali- ja terveydenhuollossa tulee olla erityisen tarkka siitä, mitä dataa voidaan avata. Euroopan Unionin teettämässä tutkimuksessa (Berends et al. 2020) on kuvattu avoimen datan arvoketju, sen sidosryhmät ja vaiheet. Arvoketju nähdään kuvassa 9. Ketjun pääpolku noudattaa hyvin vahvasti kuvan 4 Tiedonhallinnan prosessimallin sykliä. Ketju jatkuu prosessimallista poiketen taulukon 3 Ulkopuolelta tulevia tietovirtoja hyödyntäen erilaisiin tuotteisiin ja palveluihin, jotka vastaavat asiakastarpeisiin, mikä johtaa kuvan 7 tavoin sidosryhmien kokemaan arvoon, eli liiketoiminnallisiin tuloksiin. Toisena poikkeavana tekijänä Tiedonhallinnan prosessimallista on datan avaajan ja hyödyntäjän, eli kuvan tapauksessa julkisen ja yksityisen sektorin osittain limittäiset roolit.

41 32 Kuva 9. Avoimen datan arvoketju (mukaillen Berends et al. 2020) Arvoketju kuvaa kuvan 8 sykliä tarkemmin avoimen datan hyödyntämisessä tapahtuvia välivaiheita, sekä tarjoaa toimijoiden limittäisten roolien myötä vaihtoehtoja vastuutahosta avoimen datan hyödyntämisen syklin vaiheiden 2. Datan avaaminen ja 4. Avoimen datan hyödyntäminen välissä tapahtuville välivaiheille. Välivaiheiden vastuutahojen joustavuus tarjoaa dataa avaaville organisaatioille mahdollisuuksia hyödyntää ulkopuolisia tahoja apuna datansa avaamisessa arvoketjun varrella, jolloin niiltä ei itseltään vaadita esimerkiksi yhtä korkeita teknisiä kyvykkyyksiä. Dataa hyödyntävä taho voi puolestaan esimerkiksi hyödyntää avattua dataa sellaisenaan ja käsitellä sitä itse alusta asti, jolloin siltä toisaalta vaaditaan enemmän kyvykkyyksiä, mutta sille myös tarjoutuu enemmän mahdollisuuksia datan ollessa vielä raaemmassa muodossa. Dataa avaava taho voi myös itse yhdistellä ja analysoida dataansa sekä julkaista palveluja sen pohjalta. Julkisen tahon julkaiseman avoimeen dataan perustuvan tuotteen tai palvelun julkaisussa voi olla limittäisyyden myötä apuna myös yksityinen toimija, eli toimijat voivat toimia yhteistyössä arvoketjun eri vaiheissa. Oli vastuunjako minkälainen tahansa, Berends et al. (2020) mukaan arvoketjun vaiheista erityisesti datan analysointi ja hyödyntäminen edelleen tuotteissa ja palveluissa ovat avainasemassa avoimen datan arvon realisoitumisessa. Ferron & Osellan (2013) mukaan suurin osa yksityisen sektorin voittoa tavoittelevista organisaatioista painottuvat datan analysoinnin vaiheeseen kuvan 9 ketjussa, jolloin datan arvo realisoituu sen uudelleenkäytön kautta. Avoimen datan hyödyntämisen on tunnistettu aiheuttavan hyötyjä usealla osa-alueella (Janssen et al. 2012; Beno et al. 2017). Arvonluonti sen avulla on monivaiheisempaa kuin suljetun datan avulla, sillä esimerkiksi sen julkaisussa tulee ottaa huomioon monia asioita, kuten yksityisyydensuoja (Immonen et al. 2014) ja datan hyödynnettävyys (Zuiderwijk et al. 2014). Tehokkaampaa avoimen datan hyödyntämistä edistää tutkimusten mukaan kommunikaatio avaaja- ja hyödyntäjätahojen välillä (Zuiderwijk et al. 2012;

42 33 Ruijer et al. 2018). Ensin data tulisi kuitenkin avata, eikä avaajaorganisaatioilla ole aina kyvykkyyksiä tai resursseja tehdä datan avaamista omillaan (Zuiderwijk et al. 2014). Suurin osa avoimesta datasta on seurausta julkishallinnon toiminnasta (Avoindata.fi 2021) ja samalla julkishallinnon voidaan nähdä hyötyvän epäsuorasti, oli avattua dataa hyödyntävänä sidosryhmänä kuka tahansa (Berends et al. 2020). Arvokasta avointa dataa on hyödynnetyksi päätynyt, hyödynnettävä avoin data, joten julkishallinnon tulisi panostaa siihen, mitä dataa he avaavat ja miten. Yhtenä suurena panostuksena voidaankin nähdä esimerkiksi Tiedon hyödyntämisen ja avaamisen hanke (Valtiovarainministeriö 2020). Avointa dataa voidaan myös käyttää uudelleen, eikä sen tällöin ole pakko olla sekä julkaistua, että käyttämätöntä. Silloin erittäin käytettävä data voi moninkertaistaa arvonsa, jos sitä voidaan käyttää useaan otteeseen eri kontekstissa. Nämä kyseiset seikat avaavat avoimen datan ympärille erilaisia liiketoimintamahdollisuuksia sen arvoketjun varrelta Avoimen datan hyödyntäminen liiketoiminnassa Zuiderwijk et al. (2015) ovat tutkimuksessaan visualisoineet skenaariota avointa dataa hyödyntävästä organisaatiosta. Visualisoinnissa käytännössä avataan kuvan 8 hyödyntäjän osa-aluetta. Skenaariossa on myös osoitettu, mihin kolmesta Poulis (2015) erittelemästä avoimen datan hyödyntäiseen vaaditusta resurssista kukin vaihe kuuluu. Skenaario on esitelty kuvassa 10. Kuva 10. Avoimen datan hyödyntäminen liiketoimintaprosessissa (mukaillen Zuiderwijk et al. 2015) Kuvasta 10 nähdään hyvin, kuinka prosessi saa alkunsa liiketoimintaideasta. Avoimen datan hyödyntäminen ei siis poikkea suljetun datan hyödyntämisestä siinä mielessä, että senkin tulee palvella organisaation visiota, strategiaa ja liiketoimintaideaa, kuten Jääskeläinen et al. (2020) ovat esittäneet. Vaikka monet organisaatiot kertovat tutkimusten perusteella olevansa tietoisia avoimesta datasta ja kiinnostuneita sen hyödyntämisestä,

43 34 esittävät ne yhtenä esteenä avoimen datan hyödyntämiselle olemassa olevien esimerkkitapausten puuttumisen (Herala et al. 2016, 2018). Avoimen datan liiketoimintamahdollisuuksien tunnistamisessa voidaan siis nähdä aukko organisaatioiden kyvykkyydessä. Toisaalta, suuret yritykset saattavat olla vastahakoisia kertomaan avoimen datan hyödyntämisestään säilyttääkseen kilpailuetunsa (Berends et al. 2020). Vaikka organisaatiot eivät ole vielä kovinkaan laajasti ottaneet avointa dataa merkittävissä määrin käyttöön, on sen ympäriltä jo tunnistettu mahdollisia liiketoimintamalleja sekä rooleja suhteessa avoimen datan kanssa toimimiseen (Esim. Rossi et al. 2014; Berends et al. 2020). Eri toimijoiden liiketoimintamallit avoimen datan suhteen riippuvat siitä, miten toimijan rooli sijoittuu kuvien 9 ja 10 mallien vaiheisiin. Roolit on kerätty taulukkoon 4. Rooli tai liiketoimintamalli Rossi et al Kaupallinen datan julkaisija Lataaja ja muokkaaja Datan analysoija Käyttäjäkokemuksen kehittäjä Tukipalvelut ja konsultointi Berends et al Datan luoja Datan yhdistelijä Datan analysoija Dataperustaiset tuotteet ja palvelut Erittely eri toimijarooleista avoimen datan arvoketjussa Arvoketjun vaiheeseen osallistuminen Datan luonti Datan validointi Datan yhdistely Datan analysointi Dataperustaiset tuotteet & palvelut Yhdistetyt palvelut Tiedon jalostuminen: Data Informaatio Tietämys Palvelut Lisäarvo Rossi et al. (2014) ja Berends et al. (2020) ovat tunnistaneet pääosin samat roolit avoimen datan liiketoimintamahdollisuuksista avoimen datan arvoketjun eri vaiheista. Datan luojat tai sen Kaupalliset julkaisijat käynnistävät arvoketjun etenemisen avaamalla dataa. Yksityisellä sektorilla datan avaajan motivaationa voi olla esimerkiksi kustannussäästöjen tavoittelu joukkoistamisella (Rossi et al. 2014) tai huomion hakeminen (Herala et al. 2018). Datan lataajien, muokkaajien ja Datan yhdistelijöiden roolina on kerätä avattua dataa eri lähteistä ja koota sitä erilaisiksi kokonaisuuksiksi. Yhdistelyn ja kokoamisen tuloksena syntyvät uudet kokonaisuudet saattavat olla joidenkin organisaatioiden näkökulmasta arvokkaita, mahdollistaen esimerkiksi seuraavassa roolissa toimivien organi-

44 35 saatioiden toiminnan, organisaation toisen yksikön tehokkaamman toiminnan tai palvelujen ja tuotteiden olemassaolon (Berends et al. 2020). Yhdistely- ja kokoajatoimijoiden asiakkaat eivät käytännössä maksa datasta, vaan dataa yhdistelevästä palvelusta, jolloin yhdistelijät ja kokoajat hyödyntävät avointa dataa liiketoiminnallisten tulosten aikaansaamiseen epäsuorasti. Data on tässä vaiheessa arvoketjua kuitenkin vielä tiedon tasoista (taulukko 1) tasolla informaatio ja jalostuu pidemmälle asiakkaan käytössä (Berends et al. 2020). Berends et al. (2020) jakavat seuraavissa rooleissa (Datan analysoija ja Dataperustaiset tuotteet ja palvelut) toimivat edelleen kahteen erilliseen ryhmään. Ryhmät ovat kehittäjät ja rikastajat. Kehittäjät käyttävät avointa dataa uusien tuotteiden luomiseen, kun taas rikastajat vahvistavat toimintaansa analysoimalla dataa. (Berends et al. 2020) Rossi et al. (2014) puolestaan kuvailevat avointa dataa analysoivien luovan datasta esimerkiksi visualisointeja tai uutta tietoa yhdistelemällä eri lähteistä saatua dataa. Visualisointeja ja luotua uutta tietoa voidaan hyödyntää epäsuorasti oman toiminnan tehostamisen kautta liiketoiminnallisten tulosten saavuttamiseksi tai niitä voidaan myydä edelleen muille toimijoille sellaisenaan tai esimerkiksi palvelun osana. Tällöin arvoa luodaan jalostamalla avointa dataa tiedon tasoilla ylöspäin soveltamalla asiantuntijatyötä (Thierauf 2001) ja siten arvonluonti itse datan avulla on epäsuoraa. Rossi et al. (2014) ovat jakaneet viimeisen roolin arvoketjussa kahteen erilliseen osaan, käyttäjäkokemuksen kehittäjiin sekä tukipalveluihin & konsultointiin. Berends et al. (2020) puolestaan ovat tiivistäneet nämä kaksi roolia yhdeksi kokonaisuudekseen, jota he kutsuvat dataperustaisiksi tuotteiksi ja palveluiksi. Käyttäjäkokemuksen kehittäjät hyödyntävät avointa dataa esimerkiksi mobiilisovellusten ja web-sivujen houkuttelevuuden lisäämiseksi. Tässä toimintamallissa liikevaihdon odotus tulee esimerkiksi mainostuloista sekä palvelun tilauksista. (Rossi et al. 2014) Viimeinen rooli, tukipalvelut ja konsultointi tai dataperustaiset tuotteet ja palvelut, puolestaan kohdistuu käytännössä lähes mihin tahansa arvoketjun vaiheeseen, kuten kuvasta 9 voidaan myös nähdä. Tällöin yksityisen sektorin organisaatio voi tarjota esimerkiksi teknistä tai lainopillista konsultaatiota datan avaamiseen tai analysointiin ja hyödyntämiseen (Rossi et al. 2014; Huber et al. 2018). Organisaatio voi myös itse hankkia raakaa tai koottua avointa dataa, analysoida sitä ja edelleen hyödyntää sitä toimintansa, tuotteidensa tai palveluidensa tukena. Avoimen datan arvoketjun ympäriltä on siis tunnistettu jo liiketoimintamahdollisuuksia (Jaakkola et al. 2014; Rossi et al. 2014; Berends et al. 2020) ja sen hyödyntämiseen vaikuttavat resurssit on aiemmissa tutkimuksissa tunnistettu (Poulis 2015). Kuitenkaan varsinkaan suuret organisaatiot eivät käytä avointa dataa kovinkaan laajasti, etenkään

45 36 avainresurssina (Herala et al. 2018; Berends et al. 2020). Seuraavassa luvussa käsitellään tarkemmin avoimen datan erityispiirteiden vaatimia toimia liiketoiminnallisessa ympäristössä Avoimen datan liiketoiminnalliset haasteet ja niihin vastaaminen Avoin data ei vastaa perinteisemmän suljetun datan tavoin avainresurssin ominaisuuksiin (Barney 1991; Zuiderwijk et al. 2015) ja sitä on haastava kaupallistaa suoraan sen määritelmällisistä ominaisuuksista (Open Knowledge Foundation 2021) johtuen. Avoimen datan ympäriltä on kuitenkin edellä mainituista seikoista huolimatta tunnistettu liiketoimintamalleja (Esim. Jaakkola et al. 2014; Rossi et al. 2014; Berends et al. 2020), mikä kertoo siitä, että avointa dataa hyödynnetään arvonluontiin epäsuorasti. Tällöin sitä voidaan hyödyntää kaupallisesti epäsuoraan (Gartner 2015) tai sisäisten prosessien kehittämiseen ja sitä kautta liiketoiminnallisten tulosten saavuttamiseen (Carlucci et al. 2004; Accenture 2013). Koska avointa dataa on onnistuttu hyödyntämään menestyksekkäästi arvoa lisäävässä toiminnassa (Janssen et al. 2012; Beno et al. 2017), eikä hyödynnettävyys piile avoimen data resurssiominaisuuksissa, kumpuavat avoimen datan hyödyntämisen mahdollisuudet jostakin muualta. Avointa dataa hyödyntääkseen organisaatiolta vaaditaan resursseja kolmella osa-alueella (Zuiderwijk et al. 2015), jotka on esitelty kuvassa 10. Poulis (2015) on alun perin jakanut resurssit viiteen osa-alueeseen, mutta Zuiderwijk et al. (2015) jatkojalostuksen myötä resurssit on tiivistetty kolmeen. Poulis (2015) on tarkastellut näitä alueita resurssipohjaisen näkemyksen mukaan avoimen datan hyödyntämisen kannalta. Tutkimuksen tulosten mukaan resursseista ainoastaan Ihmisresurssit täyttävät kaikki avainresurssin ominaisuudet (Poulis 2015), ollen tärkeimmässä asemassa avoimen datan hyödyntämisessä. Resurssipohjainen näkemys pohjautuu organisaation kykyyn tunnistaa resurssi ja päästä siihen käsiksi (Schmidt & Keil 2013). Sen pohjalla on tietoperustainen näkemys, jonka mukaan organisaation ihmisten tulee kyetä tunnistamaan muiden resurssien, kuten relevanttien datalähteiden, arvo oman osaamisensa avulla (Carlucci et al. 2004). Jo perinteinenkin tietotarpeiden määrittely voidaan kokea haastavaksi, sillä se vaatii syvällistä ja laaja-alaista toimialaosaamista (Di Ciccio et al. 2015). Avoimen datan liiketoimintamahdollisuuksien tunnistamisessa tunnistettiin kuitenkin aiemmin aukko organisaatioiden kyvykkyydessä, mikä kertoo avoimen datan hyödyntämisen vaativan entistäkin syvällisempiä ihmisresursseja. On organisaation johdon tehtävänä organisoida organisaation tietoresursseja sen tavoitteet huomioon ottaen (Appannaiah et al. 2009; Holcomb et

46 37 al. 2009). Organisaation johdon näkemykset (Jääskeläinen et al. 2020) ja esimerkiksi datastrategian olemassa olo (Honkanen 2019a) vaikuttavatkin merkittävästi organisaation tiedonhallinnan prosessin suuntautumiseen ja siten esimerkiksi huomioon otettaviin datalähteisiin, kuten avoimen datan lähteisiin. Muut resurssialueet, IT-resurssit ja Informaatio- ja dataresurssit, Poulis (2015) on tulkinnut täyttävän ainoastaan avainresurssiominaisuuden arvokas. Päätöksenteon tukena käytettävä data ja informaatio on kuitenkin usein heikkoa laadultaan (Wang & Strong 1996), mikä viittaa organisaatioiden tietokannoissa ja -järjestelmissä sijaitsevan datan (kuva 10, kohta 10) olevan myös vaikeasti kopioitavissa. Tällöin myös Informaatio- ja dataresurssit vastaavat hieman paremmin avainresurssin ominaisuuksiin ja ovat siten merkityksellisiä avoimen datan hyödyntämisen kannalta. Tämä asettaa organisaation sisäisen datan hallinnalle, omistajuudelle ja laadunvalvonnalle vaatimuksia, sillä hyvälaatuinen data vaatii perustakseen tehokasta datan hallintaa (Cheong & Chang 2007; Al- Ruithe et al. 2018; Treder 2020). Jos organisaation omat datavarannot ja tietoresurssit eivät siis ole hyvin hoidettuja, eikä niiden hyödyntäminen ole optimaalista, on luonnollista, että ulkopuolelta tuotavaa dataa on myös erittäin haastava hyödyntää tehokkaasti. Kuten organisaation sisäisen datan, myös avoimen datan tulee olla laadukasta ja hyödynnettävää, jotta sillä voidaan luoda arvoa. Avoimelta datalta vaaditaan siis taulukon 2 kaltaisia laatuominaisuuksia, mutta niiden lisäksi avoimen datan hyödyntämistä hidastavia tekijöitä on tunnistettu useita (Zuiderwijk et al. 2012). Zuiderwijk et al. (2012) mukaan avoimen datan hyödynnettävyyttä hidastavat tekijät voidaan jakaa kolmelle eri osa-alueelle, joita ovat Saavutettavuus, Käytettävyys ja Julkaisu. Tekijät koskevat osittain datan julkaisijaa, osittain hyödyntäjää ja osittain molempia. Käyttöä hidastavat tekijät on koottu taulukkoon 5.

47 38 Avoimen datan hyödyntämistä hidastavat tekijät (mukaillen Zuiderwijk et al. 2012) Käyttöä hidastava tekijä Esimerkkejä Saavutettavuuteen vaikuttavat tekijät: - Dataa, varsinkaan tarpeeksi yksityiskohtaista, ei kerätä - Dataa ei julkaista Saatavuus ja pääsy - Ei tuoretta dataa saatavilla - Ei takeita päivittymisestä - Dataa ei löydy - Data hajanaisesti raporteissa, ei koneluettavassa Löydettävyys muodossa - Data on hajallaan Käyttöön vaikuttavat tekijät: - Huoli lähteen luotettavuudesta Käytettävyys - Puutteellinen toimialaosaaminen datan aiheesta - Mahdollisten käyttötapausten epäselvyys - Haasteita datan tulkinnassa Ymmärrettävyys - Hyvän API:n puuttuminen - Ei versionhallintaa tai muutoshistoriaa Laatu - Taulukko 2 - Ladattua dataa ei voida yhdistää muuhun dataan tai se Linkitys ja yhdisteltävyys on vaikeaa - Ei uniikkeja tunnisteita saatavilla Vertailtavuus ja yhteensopivuus Metadata Julkaisuun vaikuttavat tekijät: Kanssakäynti julkaisijan kanssa Avaaminen ja lataaminen - Julkaisujen vaihtelevat datapolitiikat - Vaihtelevat datastandardit - Vaihtelevat lainsäädäntölinjaukset - Metadatan tila on riittämätön - Ei yhtenäistä linjausta metadatasta - Metadata ei tarjoa tarpeeksi tietoa substanssista - Ei metadataa datan laadusta - Keskustelu avaajan ja hyödyntäjän välillä mahdotonta - Ei väylää, jota kautta osallistua - Pelko yksityisyyden rikkomisesta ja vastuuseen joutumisesta datan väärinkäytösten tapauksessa - Ohjaavien periaatteiden puute - Datan ladattavaksi saattaminen haastavaa Suurimman osan hidastavista tekijöistä nähdään olevan joko ihmisiä ja heidän substanssiosaamistaan tai tietokantoja ja -sisältöjä koskevia tekijöitä. Tunnistetut hidasteet avoimen datan hyödyntämisessä ovat siis linjassa Poulis (2015) tunnistamien merkittävimpien avoimen datan hyödyntämisen resurssialueiden, eli Ihmisresurssien ja Informaatioja dataresurssien kanssa. Vaikka suurin osa taulukon 5 tekijöistä onkin ihmisiä tai heidän substanssiosaamistaan koskevia, kaikista hidastavimmat yksittäiset tekijät avoimen datan käytössä ovat Berends et al. (2020) mukaan avoimen datan laatu sekä luottamus datan pysyvyyteen ja säännölliseen julkaisuun. Tunnistetut haasteet ovat luonteeltaan sellaisia, että ne avaavat tukipalveluja ja konsultointia tarjoaville organisaatioille liiketoimintamahdollisuuksia sekä datan hyödyntäjien, että avaajien parissa.

48 39 Avointa dataa hyödyntääkseen organisaatioilta vaaditaan korkealaatuisia resursseja kolmelta eri alueelta, koska avoin data itsessään ei vielä vastaa resurssiperustaisen näkemyksen mukaisesti avainresurssin ominaisuuksiin (Zuiderwijk et al. 2015). Vaadituista resursseista merkittävimpänä esiin nousee tavallistakin laajemmat ja syvällisemmät ihmisresurssit (Poulis 2015). Jos organisaation ydinosaaminen on muualla kuin avoimen datan käsittelyssä, kokevat organisaatiot avoimen datan hyödyntämisen avainresurssina mahdottomana (Herala et al. 2018). Tällöin avointa dataa hyödyntääkseen organisaatiolla tulee olla edistyneiden ihmisresurssien lisäksi korkeatasoiset informaatio- ja dataresurssit (Zuiderwijk et al. 2015) Avoin data ja valmistavaan teollisuuteen osallistuvat yritykset Valmistavaan teollisuuteen osallistuvien organisaatioiden ydinosaaminen ei ole avoimen datan hyödyntämisessä. Tällöin avointa dataa hyödyntääkseen niiltä vaaditaan erittäin laadukkaita ihmisresursseja sekä kehittyneitä data- ja informaatioresursseja (Poulis 2015), koska organisaation ulkoa tuotavaa avointa dataa on kyettävä yhdistelemään organisaatiossa jo olevaan dataan. Suomen kilpailuetuihin kuuluvat esimerkiksi korkea osaaminen ja edistyneisyys digitalisaation saralla (Lauraéus et al. 2018), jotka liittyvät voimakkaasti avoimen datan hyödyntämiseen vaadittuihin resursseihin. Valmistavaan teollisuuteen osallistuvilla organisaatioilla Suomessa pitäisi siis olla teoriassa valmiudet hyödyntää avoimen datan hyödyntämiseen vaadittavia avainresursseja. Erityisesti suurten organisaatioiden kohdalla avoimen datan käytön on kuitenkin tutkimusten mukaan havaittu olevan vähäistä. Tiede & Teknologia -aloilla avointa dataa käytetään eniten energia-alalta sekä kansainvälisistä tilanteista, mutta Tiede & Teknologia -alojen avoimen datan käyttö on kuitenkin vähäisempää kuin muilla aloilla, kuten kuljetus-, ympäristö- ja terveydenhuollon aloilla. (Berends et al. 2020) Vaikka organisaatiot eivät käytä avointa dataa avainresurssinaan (Herala et al. 2018), voivat ne hyödyntää avointa dataa arvonluontiin epäsuorasti ulkoisesti ja sisäisesti. Berends et al. (2020) mukaan avoimen datan arvo realisoituu vasta datan analysoinnin kohdalla ja sen jälkeisissä vaiheissa. Jotta organisaatiolla olisi avointa dataa, jota analysoida, tulee sen hankkia sitä joko sellaisenaan tai sitä yhdisteleviltä organisaatioilta (Zuiderwijk et al. 2012). Analysointivaiheessa organisaatio voi luoda esimerkiksi visualisointeja avoimesta datasta, hyödyntää niitä oman toimintansa tukena tai myydä visualisointeja edelleen muille toimijoille. Tietoperustaisia tuotteita ja palveluja luodessaan organisaatio voi myös hankkia valmiita analyysejä, joita se voi hyödyntää tuotteidensa ja palvelujensa tukena esimerkiksi palvelullistamisessa.

49 40 Epäsuora dataperustainen arvonluonti voidaan jakaa sisäiseen ja ulkoiseen, kuten luvun 2 kuvassa 5 on osoitettu. Kuvan 6 tavoin tietoresursseihin panostaminen edistää organisaation kyvykkyyksiä ja siten liiketoiminnallista suoriutumista (Schiuma et al. 2012), oli kehitetty prosessi sitten sisäinen tai ulkoinen. Avoin data on ulkoa sisälle tuleva tietovirta (Laihonen & Lönnqvist 2011), jota voidaan hyödyntää sisäisesti esimerkiksi liiketoimintaprosessien, kuten logistiikan, parantamiseen tai asiakassuhteiden hallintaan esimerkiksi ymmärtämällä paremmin asiakastarpeita (Carlucci et al. 2004). Ulkoisesti dataa voidaan hyödyntää tuotekehitykseen, innovointiin, konsultointiin, palvelullistamiseen ja suunnittelupalveluihin. Kuvaan 11 on koottu avoimeen dataan perustuvan arvonluonnin roolit ja ryhmät tutkimuksen otannan kohdeorganisaatioissa, sekä eroteltu arvonluontiväylät ulkoiseen ja sisäiseen datan hyödyntämiseen kuvan 5 pohjalta. Kuva 11. Avoimeen dataan perustuvan arvonluonnin jakaantuminen toimijoihin, rooleihin ja arvonluontiväyliin (mukaillen Carlucci et al. 2004; Baines et al. 2007; Hofman 2011; Accenture 2013; Rossi et al. 2014; Gartner 2015; Opresnik & Taisch 2015; Woerner & Wixom 2015; Berends et al. 2020) Kuvaan 11 on eritelty avoimen datan ulkoisia ja sisäisiä hyödyntämismenetelmiä ja arvonluontiväyliä. Erityisesti sisäiset hyödyntämismenetelmät ovat esimerkkejä, eikä listaus niiden osalta ole kattava. Ulkoisen hyödyntämisen mahdollisuudet puolestaan on tunnistettu ja rajattu useista lähteistä (Gartner 2015; Opresnik & Taisch 2015; Woerner & Wixom 2015). Kuvan hyödyntämismenetelmät on jaettu ryhmiin sen perusteella kuuluvatko ne kehittäjiin, eli uusien tuotteiden ja palvelujen tuottajiin, vai rikastajiin, eli uusien näkökulmien, oivallusten ja tiedon luojiin (Berends et al. 2020). Mikään ei kuitenkaan viittaa siihen, että organisaatio ei voisi kuulua sekä kehittäjiin, että rikastajiin. Sen lisäksi hyödyntämismenetelmät on jaettu datan analysoijiin sekä tietoperustaisiin tuotteisiin ja palveluihin. Ryhmistä kaikki on sijoitettu datan analysoijiin, koska kaikki ryhmät vaativat

50 41 datan jalostamista tietämykseksi analysoinnin kautta, ennen kuin datan arvo voi realisoitua. Tietoperustaiset tuotteet ja palvelut sisältävät kaikki ulkoiseen hyödyntämiseen kuuluvat osa-alueet, ja ne kuuluvat lähes kaikki kehittäjien ryhmään. Ainoastaan palvelullistamisen on tulkittu kuuluvan rikastajien joukkoon, koska sen ominaisuuksiin kuuluu olemassa olevien tuotteiden muuttaminen palveluiksi tarjoamalla lisäarvoa, eli rikastamalla niitä. Konsultoijat voivat kuulua toisaalta kehittäjiin, mutta toisaalta rikastajiin, sillä nykypäivänä monet konsultointiorganisaatioiksi leimautuvat organisaatiot tarjoavat sekä kehittäjä-, että rikastajaroolin palveluita asiakkailleen. Ferron & Osellan (2013) tutkimuksen mukaan voidaan olettaa, että suurin osa tutkimuksen kohdeorganisaatioista sijoittuu ryhmään rikastajat ja avointa dataa käytettäisiin siten pääasiallisesti epäsuoraan sisäisten hyötyjen kautta liiketoiminnallisten tavoitteiden saavuttamiseen. Tämän tutkimuksen tarkoituksena on selvittää suurten Suomessa toimivien valmistavaan teollisuuteen osallistuvien yritysten sijoittumista kuvan 11 visualisointiin. Tutkimuksen tuloksia tullaan peilaamaan teoriataustaa vasten tutkien, mikä on kohdeorganisaatioiden suhde avoimeen dataan, käyttävätkö organisaatiot sitä ja miten kuvan 4 Tiedonhallinnan prosessimalli toteutuu avoimen datan kohdalla organisaatioissa. Samalla on tarkoitus selvittää, mikä tai mitkä taulukon 5 hidastavista tekijöistä koskettavat tutkimuksen kohdeorganisaatioita ja miten tekijöistä on mahdollisesti päästy eroon tai miten niiden vaikutusta on pienennetty. Lopuksi tutkimuksessa pyritään esittelemään ehdotuksia, joilla avoimen datan arvon realisoitumista voitaisiin kasvattaa kohdeorganisaatioiden kaltaisten toimijoiden parissa.

51 42 4. TUTKIMUKSEN TOTEUTUS Tässä luvussa on esitelty tutkimuksen toteutus. Tutkimus on toteutettu haastatellen suurten Suomessa toimivien valmistavaan teollisuuteen osallistuvien yritysten edustajia. Luvussa esitellään ensin asiakasorganisaatio, minkä jälkeen edetään tutkimusmenetelmän tarkempaan esittelyyn. Tämän jälkeen luvussa käsitellään datan keräämisen ja analysoinnin prosesseja. 4.1 Asiakasorganisaatio Valtiovarainministeriö on yksi valtioneuvoston ministeriöistä ja sen tarkoituksena on luoda toimintaedellytyksiä taloudelle ja julkiselle hallinnolle. Sen strategisina tavoitteina on edistää työllisyyttä ja tuottavuutta, turvata julkisen talouden kestävyys, luoda rakenteita ja toimintatapoja asiakaslähtöisille ja tuloksellisille julkisille palveluille, sekä vaikuttaa kansainvälisesti menestyvän Euroopan saavuttamiseksi. (Valtiovarainministeriö 2021) Tämä tutkimus on tehty Valtiovarainministeriön edistämän Tiedon hyödyntäminen ja avaaminen -hankeen tueksi. Hankkeen tavoitteena on edistää tiedon avoimuutta, saatavuutta, käyttöä ja käytettävyyttä Suomessa (Valtiovarainministeriö, 2020). Hanke edistää osaltaan Suomessa Euroopan Unionin PSI-direktiiviä (Euroopan parlamentti 2019). Avoimella datalla voidaan nähdä olevan merkittäviä taloudellisia vaikutuksia (Berends et al. 2020) ja sen pohjalta on jo tunnistettu hyötyjä taloudellisilla, poliittisilla & sosiaalisilla sekä operatiivisilla & teknisillä osa-alueilla (Janssen et al. 2012; Beno et al. 2017). Avoimen datan tuomat ja siten hankkeen tavoitellut hyödyt ovat siis linjassa Valtiovarainministeriön strategisten tavoitteiden kanssa. Tämän empiirisen tutkimuksen tuloksena on tarkoitus tuottaa keinoja, joilla avoimen datan arvoketjun sidosryhmät voivat edistää avoimen datan potentiaalisen arvon realisoitumista, erityisesti kun sidosryhmänä on Suomessa toimiva, valmistavaan teollisuuteen osallistuva yritys. Tutkimuksen on myös tarkoitus tunnistaa tekijöitä, jotka voivat hidastaa avoimen datan arvon realisoitumista kohdeorganisaatioissa, sekä miten kyseisten tekijöiden vaikutusta voidaan mitigoida. Tutkimuksen tuloksien on siis tarkoitus tukea asiakasorganisaation hankkeen ja siten sen strategisten tavoitteiden saavuttamista.

52 Tutkimusmenetelmä Tämä tutkimus on toteutettu kvalitatiivisena tutkimuksena käyttäen hyväksi puolistrukturoituja haastatteluja. Haastattelun tueksi luotiin haastattelurunko, jota sovellettiin jokaiseen haastatteluun. Haastattelurungon luomisessa käytettiin hyväksi teoriataustasta esille nousseita tekijöitä sekä asiakasorganisaation hankkeen asiantuntijoiden ja työn ohjaajan huomioita. Kvalitatiivinen tutkimus sopii hyvin tilanteeseen, jossa pyritään tunnistamaan haastateltavan sekä haastattelun aiheen välistä suhdetta (Saunders et al. 2016). Puolistrukturoidussa haastattelussa haastattelija on etukäteen päättänyt teemat ja aiheet, joista haastattelussa tullaan keskustelemaan. Haastattelija ei kuitenkaan rajaa haastattelun kulkua, mikä sallii laajamuotoisempien vastausten antamisen. Tällöin haastattelussa saattaa nousta esiin asioita, joita haastattelija ei ollut aiemmin edes harkinnut ja keskustelu on vapaampaa. Puolistrukturoitu haastattelu mahdollistaa kysymysten jatkojalostamisen ja selitysten pyytämisen tarkempien vastausten saamiseksi. (Hirsjärvi & Hurme 2015; Saunders et al. 2016) Koska kohdeorganisaatiot ovat eri toimialoilta, eikä suurten organisaatioiden avoimen datan käytöstä ole juurikaan aiempaa tutkimustietoa (Berends et al. 2020), oli puolistrukturoitu haastattelu perusteltu valinta haastatteluille, sillä niiden suuntaa ei haluttu määrittää etukäteen liikaa. Puolistrukturoidun haastattelun ominaisuuksiin kuuluu myös haastattelun lopettavat kommentit ja keskustelu (Saunders et al. 2016). Kommenttien ja loppukeskustelun avulla haastateltavan on mahdollista esimerkiksi mainita aiheita, joita hänestä haastattelijan olisi vielä hyvä ottaa huomioon, tai tuoda esille omaa pohdintaansa ja ideoitansa aiheen parista. Puolistrukturoitu haastattelu muistuttaa voimakkaasti keskustelua, minkä vuoksi haastattelut tulee joko nauhoittaa tai niistä tulee tehdä muistiinpanoja (Saunders et al. 2016). Tässä tutkimuksessa jokaisesta haastattelusta tehtiin kattavat muistiinpanot haastattelun aikana ja jokainen haastattelu nauhoitettiin yhtä lukuun ottamatta teknisistä haasteista johtuen. Haastattelut suoritettiin kevään 2021 aikana Microsoft Teams -sovellusta käyttäen etäyhteydellä, koska koronaviruspandemia esti tapaamiset kasvotusten. Tämä toisaalta mahdollisti joustavamman aikataulun sekä haastattelijalle, että haastateltavalle. Etäyhteyden ansiosta haastattelut olivat vaivattomia nauhoittaa analysointia varten, pois lukien yhden haastattelun tekniset haasteet. 4.3 Datan kerääminen Tutkimuksen rajaukseksi valittiin suuret Suomessa toimivat, valmistavaan teollisuuteen osallistuvat yritykset, sillä niiden avoimen datan hyödyntämisestä ei löytynyt juurikaan

53 44 aiempaa tutkimustietoa. Tutkimuksen rajauksen varmistuttua aloitettiin haastateltavien kontaktointi. Haastateltavia pyrittiin kontaktoimaan sekä tutkimuksen tekijän omien verkostojen kautta tutkimuksen rajaus huomioon ottaen, että tunnetuista Suomessa toimivista, valmistavaan teollisuuteen osallistuvista yrityksistä. Tavoitteena kontaktoinnilla oli saada haastateltavaa edustajaa. Haastateltavia tutkimukseen saatiin 12, mikä on Saunders et al. (2016) mukaan riittävä otos puolistrukturoidulle haastattelututkimukselle. Haastateltavien valinnassa käytettiin hyväksi lumipallo-otantaa. Lumipallo-otannassa muodostetaan keskusteluyhteys joko suoraan haastateltavaan henkilöön tai organisaation yhteyshenkilöön, joka kykenee auttamaan kriteereihin sopivan haastateltavan tai edelleen seuraavan yhteyshenkilön etsimisessä. (Saunders et al. 2016) Kyseistä metodia käytettiin hyväksi sekä tutkimuksen tekijän verkostojen, että tunnettujen rajaukseen sopivien yritysten kohdalla. Etsittyjen haastateltavien kriteerinä tutkimuksessa oli tuntea hyvin yrityksen tai sen yksittäisen toimialueen datan käyttöä. Haastateltava löytyi yleensä ensimmäisen tai toisen kontaktoidun yhteyshenkilön jälkeen. Kontaktointiin käytettiin pääasiassa sähköpostia, mutta joissakin tapauksissa ensimmäinen kontakti otettiin puhelimitse. Haastatteluihin osallistuneiden yritysten globaali liikevaihto vaihtelee n m välillä, globaali henkilöstö n henkilön välillä ja ne toimivat 3 64 maassa. Tiedot ovat peräisin haastatteluihin osallistuneiden yritysten kotisivuilta ja vuosikertomuksista ja ne koskevat vuotta Tutkimukseen osallistuneet yritykset vastaavat siis hyvin tutkimuksen rajaukseksi asetettuihin kriteereihin. Tarkempia yksityiskohtia yritysten avainluvuista tai toimialoista ei voida tutkimuksen tulosten anonymisoinnista johtuen antaa, sillä yritykset olisivat muutoin yksilöitävissä ominaisuuksiensa ansiosta. Kun rajauksen mukaisista yrityksistä oli saatu kontaktoitua haastateltava ja haastatteluaika sovittua, lähetettiin haastateltavalle vielä tarkempi kuvaus tutkimuksen aiheesta, tavoitteista ja haastattelun teemoista, sekä kysyttiin varmistusta haastattelun nauhoituksen sallimiselle. Samassa sähköpostiviestissä painotettiin haastattelujen anonymisointia. Sopivan haastateltavan löydyttyä ainoa haaste oli löytää sopiva ajankohta haastateltavien aikataulusta, mutta etäyhteydellä tehdyt haastattelut helpottivat hieman ajankohdan sovittamista. Haastatteluja toteutettiin 11 kappaletta, joissa haastateltiin yhteensä 12 henkilöä. Haastatteluista kymmenen toteutettiin yksilöhaastatteluna, mutta yksi haastattelu toteutettiin parihaastatteluna aikatauluhaasteiden vuoksi. Haastateltavat olivat yhteensä kahdeksasta eri yrityksestä. Neljästä yrityksestä edustajia oli kaksi ja vastaavasti neljästä yrityksestä edustajia oli yksi. Haastattelut tehtiin maalis-, huhti- ja toukokuussa Haas-

54 45 tatteluiden kestot vaihtelivat n. 43 minuutista n. 1,5 tuntiin. Haastattelujen edetessä haastattelijan rutiini kysymysrungon kanssa parani, jolloin haastatteluista saatiin tehokkaampia ja haastattelujen kesto lyheni nopeasti. Haastateltavat on koottu taulukkoon 6. Tutkimuksen haastateltavat yritysedustajat Relevantti Haastateltava Rooli Yritys työkokemus H1 Ohjelmistosuunnittelija A 40 vuotta H2 H3 H4 Director of Analytics & Applications, osa globaalia R&D -johtoryhmää Tiedonhallinan asiantuntija, konsultti Head of Market Intelligence & Sales Analytics H5 Global Head of Analytics D 16 vuotta H6 H7 H8 Manager, Data & Digital Transformation DW-tuoteomistaja, Informaatioarkkitehti Global Energy & Climate Analyst Koulutustausta Sähkötekniikan DI-opinnot keskeytyneet B 15 vuotta DI, Tietojohtaminen A 15 vuotta DI, Rakennustekniikka C 13 vuotta DI, Konetekniikka MBA, DI, Tuotantotalous C 10 vuotta DI, Tietojohtaminen E 16 vuotta DI, Informaatioverkostot E 25 vuotta DI, Konetekniikka H9 Digital lead, Data Science & AI F 11 vuotta VTM, Taloussosiologia H10 H11 H12 Director of Data Management & Science Director of Digital & Data Management Manager, Sourcing Business Intelligence & Analytics G H H 5 vuotta 15 vuotta 5 vuotta KTM, Supply Chain & Logistics, Opinnot käynnissä: MSc, Data Science Tradenomi, Liiketalous ja Tietojenkäsittely KTM, Strategic Finance & Business Analytics Haastatteluihin osallistuneista organisaatioista E-H painottuvat jatkojalostettavien materiaalien ja sellaisenaan myytäviin hyödykkeisiin, kun taas organisaatioiden A-D tarjonta painottuu joko teollisuuslaitteisiin ja -laitoksiin tai infraan. Haastateltaville yritysedustajille lähetettiin etukäteen ainoastaan kuvaus haastatteluun kuuluvista aiheista, mutta ei kysymysrunkoa. Tarkoituksena tällä on saada haastateltavat pohtimaan aiheita valmiiksi (Saunders et al. 2016), kuitenkaan muodostamatta valmiita vastauksia kysymyksiin. Tällöin haastateltavien vastausten spontaaniudelle ja keskustelulle jää paremmin tilaa. Haastattelut alkoivat taustakysymyksillä tilanteen maadoittamiseksi ja luottamuksen kasvattamiseksi, minkä jälkeen haastattelu siirtyi itse tutkimuksen aiheisiin hyödyntäen avoimia kysymyksiä, jolloin haastateltavan on mahdollista

55 46 vastata hyvin vapaasti haluamallaan tavalla (Saunders et al. 2016). Jokaisessa haastattelussa käytiin läpi kaikki kysymysrungon aiheet ja kysymykset, mutta aiheiden järjestys vaihteli hieman. Haastatteluissa pyrittiin selvittämään sekä haastateltavan, että hänen edustamansa yrityksen suhdetta tutkimuskohteeseen, jotta mahdollisimman monia eri näkökulmia ja suhteita kyettäisiin tunnistamaan. Tätä pyrittiin edistämään painottamalla, ettei haastattelussa haeta tietynlaisia vastauksia, eikä kysymyksiin ole oikeita tai vääriä vastauksia, sekä pyytämällä palautetta haastattelurungon aiheista. Puolistrukturoidun haastattelun päättävät loppukommentit ja -keskustelut (Saunders et al. 2016) auttoivat myös erilaisten näkökulmien esiin nostamisessa. Käymällä läpi haastattelurungon aiheita, tutkimuksen tarkoituksena oli löytää vastauksia esiteltyihin tutkimuskysymyksiin tutkimuksen kohdeorganisaatiorajauksen kontekstissa. 4.4 Datan analysointi Haastattelujen tulosten analysointiin käytettiin temaattista analyysiä. Temaattisen analyysin tavoitteena on tunnistaa tarkasteltavasta aineistosta toistuvia säännönmukaisuuksia, eli teemoja (Saunders et al. 2016). Temaattinen analyysi on Braunin & Clarken (2006) mukaan perustavanlaatuisin menetelmä kvalitatiiviseen analyysiin. Temaattinen analyysi on myös hyödyllinen metodi haastateltavien näkökulmien eroavaisuuksien ja yhtäläisyyksien tunnistamisessa (Braun & Clarke 2006; King 2004, viitattu lähteessä Nowell et al. 2017). Saunders et al. (2016) mukaan muut kvalitatiiviset analyysimenetelmät muistuttavat osittain temaattista analyysiä. Temaattista analyysiä voidaan käyttää sekä pienien, että suurien datamäärien analysointiin (Braun & Clarke 2006). Temaattinen analyysi koostuu erillisistä vaiheista, joita ovat dataan tutustuminen, datan koodaaminen, teemojen etsiminen ja suhteiden tunnistaminen, teemojen jalostaminen ja väitteiden testaus (Saunders et al. 2016). Nowell et al. (2017) mukaan teemojen löytämisen jälkeen teemat tulisi tarkastaa, määritellä, nimetä ja raportoida. Braun & Clarke (2006) mukaan edellä mainittu raportointi tulisi aloittaa jo prosessin alussa pienten muistiinpanojen muodossa, jotta prosessin aikana tapahtuvat oivallukset olisivat mahdollisimman hyödynnettävissä. Saunders et al. (2016) tarkentavat vaiheiden olevan toistuvia ja rinnakkaisia, eikä prosessi ole suoraviivainen tai kertaluontoinen. Dataan tutustuminen Temaattisen analyysin ensimmäisessä vaiheessa tutkimuksen tekijä tutustuu aineistoonsa (Braun & Clarke 2006; Saunders et al. 2016). Tässä tutkimuksessa aineistoon alettiin käytännössä tutustumaan jo haastatteluiden aikana, jolloin haastatteluista tehtiin

56 47 kattavat muistiinpanot. Haastatteluja ei litteroitu, mutta niiden nauhoitukset käytiin uudelleen läpi edelleen kattavasti muistiinpanoja tehden. Ainoastaan vastaukset ja lausunnot, jotka olivat sellaisenaan erittäin kiteyttäviä, avaavia tai muuten merkitykselliseltä vaikuttavia kirjoitettiin muistiinpanoihin sanatarkasti. Lopuksi haastattelussa ja nauhoitusten uudelleen läpikäynnissä syntyneitä muistiinpanoja verrattiin toisiinsa ja niistä tehtiin toisiaan täydentävä kokonaisuus. Muistiinpanojen tavoitteena oli muodostaa haastattelusta mahdollisimman eheä ja kuvaava kokonaisuus. Datan koodiston luonti Datan koodaaminen tarkoittaa datan ryhmittelyä sen merkitysten perusteella. Koodattu kokonaisuus voi olla yksittäinen sana, kappale tai kokonainen vastaus kysymykseen. (Saunders et al. 2016) Koodaamista tulisi ohjata jokin systemaattinen tapa (King 2004, viitattu lähteessä Nowell et al. 2017), joka yleensä juontuu tutkimuksen tavoitteesta (Saunders et al. 2016). Käytetyt teemat nousevat pääosin teoriataustasta. Tutkimuksen ollessa abduktiivinen luonteeltaan, oli kuitenkin täysin mahdollista, jopa odotettavaa, että myös haastattelujen aineistoista nousisi esiin teemoja, joita ei ole osattu ennakoida. Koodauksen teemojen muodostumista ei siis pakotettu tietynlaisiksi pelkän teoriataustan perusteella, mikä on tyypillistä induktiivisessa lähestymistavassa (Braun & Clarke 2006), mikä on Saunders et al. (2016) mukaan tyypillistä kvalitatiivista aineistoa analysoitaessa. Kirjallisuudesta tunnistetut teemat olivat: toimialaosaamisen ja datan hyödyntämisen yhteensovittaminen (toimialaosaaminen, organisaation oppiminen, tiedon johtaminen ja tiedolla johtaminen), avoimen datan hyödyntämisen vaatimat resurssit (IT-resurssit, Informaatio- ja dataresurssit, Ihmisresurssit), avoimen datan sisäinen ja ulkoinen hyödyntäminen osa-alueineen, avoimen datan arvoketjuun sijoittuminen ja rooli arvoketjussa (tuottaja, kokoaja, analysoija, tuotteiden ja palveluiden luoja; rikastaja, kehittäjä), avoimen datan hankkiminen (raaka vai käsitelty data, itse etsitty vai palvelun kautta) sekä avoimen datan hyödyntämistä hidastavat osa-alueet (saavutettavuus, käytettävyys, julkaisu). Haastatteluista saadusta aineistosta tunnistettiin näiden lisäksi teemat: Avoimen datan omistajuus organisaation kontekstissa, organisaation datamaturiteetin merkitys avoimen datan hyödynnettävyyden taustalla ja datavendorien roolin merkitys. Aineiston koodaus, uusien teemojen etsiminen, suhteiden tunnistaminen, teemojen jalostaminen ja väitteiden testaus Tässä vaiheessa analyysiä koodauksista etsitään kaavoja ja suhteita, joista muodostetaan lista. Listan teemojen tulee liittyä tutkimuskysymyksiin. Teemana voidaan pitää laajaa kategoriaa, joka pitää sisällään useita koodeja ja se osoittaa ajatukseen, jolla on merkitystä tutkimuskysymyksen kannalta. (Saunders et al. 2016)

57 48 Haastattelujen aineisto käytiin läpi koodaten kahdesti. Tämän jälkeen koodaukset kerättiin omille Excel-välilehdilleen taulukkoon oman otsikkonsa alle. Koodauksia kerätessä haastattelut luettiin useaan kertaan läpi, taulukointien tueksi tehtiin muistiinpanoja ja haastattelujen nauhoituksiin palattiin tarpeen tullen. Koodauksia läpikäydessä jokaiseen nauhoitukseen palattiin useita kertoja, jotta voitiin olla varmoja siitä, miten haastateltava asian oli ilmaissut. Koodausten jakamiseksi otsikoidensa alle, etsittiin kootusta aineistosta kaavoja ja säännönmukaisuuksia, joita käsitellään seuraavassa luvussa.

58 49 5. TULOKSET Tässä luvussa käydään läpi tutkimuksen empiirisen osuuden tulokset. Tulokset on saatu luvussa 4 kuvatuilla menetelmillä, joita ovat puolistrukturoitu teemahaastattelu, teemoittelu sekä aineiston koodaus. Tässä luvussa esiteltävät analyysivaiheen tulokset perustuvat tutkimuksen teoriataustasta ja haastatteluista nousseiden teemojen vertailuun ja tarkasteluun. Ensin luvussa käydään läpi tutkimuksen kohdeorganisaatioista tunnistettuja tapoja hyödyntää avointa dataa liiketoiminnassa ulkoisesti ja sisäisesti. Sen jälkeen luvussa tarkastellaan hyödyntämiseen vaadittuja resursseja, sekä niihin positiivisesti ja negatiivisesti vaikuttavia tekijöitä. Luvun löydöksiä peilataan haastattelututkimuksen teoriataustan sisältöä vasten tutkimuksen pohdintaosiossa, jotta haastateltavien organisaatioiden avoimen datan käytöstä ja siihen vaikuttavista tekijöistä voitaisiin tehdä johtopäätöksiä. 5.1 Suhtautuminen avoimeen dataan kohdeorganisaatioissa Suurin osa avoimesta datasta on seurausta julkishallinnon toimista (Avoindata.fi, 2021) ja sen avaamisen tavoitteiden täyttyessä kansalaiset, yksityiset organisaatiot tai julkishallinto itse voivat kokea arvoa (Berends et al. 2020). Yksityisten organisaatioiden kohdalla tämä tarkoittaa esimerkiksi avoimen datan mahdollistamia innovaatioita ja tuotekehitystä tai datan hyödyntämisestä aiheutuneiden säästöjen mahdollistamia investointeja tai kehittynyttä asiakasymmärrystä. Haastatelluista organisaatioista kaikki vastasivat käyttävänsä avointa dataa liiketoiminnassaan ja olevansa avoimen kiinnostuneita sitä kohtaan. Avoimen datan käyttö kohdeorganisaatioissa on vielä kuitenkin melko vähäistä, sillä useassa haastattelussa kävi ilmi, ettei organisaatioille ole kovin tuttua, mitä kaikkea avointa dataa on tarjolla ja miten avointa dataa voitaisiin hyödyntää liiketoiminnassa tehokkaasti. Organisaatiossa me ollaan, me ollaan niin kun, silleen kiinnostuneita, me ollaan ehkä enemmän tällain niin kun, öö seuraamassa, mihin suuntaan tää niin kun asia kehittyy ja ja niin kun sitä kautta sitten vois sanoa et et, tarpeen mukaan reagoimassa, mikäli semmost tarvetta syntyy. --. Osataanko ees ajatella niin ku vähän siihen malliin et niin ku: oi jos meillä olisi tällaista tietoa käytettävissä niin voisimme tehdä paremmin asiaa x? H2, Director of Analytics & Applications, osa globaalia R&D-johtoryhmää

59 50 Öö, niin kun varmaan on tavallaan mielenkiintoa. Et se mitä, ehkä me ollaan aika alottelijoita vielä siinä et miten sitä niin ku käytetään, mitkä ne hyödyllisyydet on. Mut me ollaan niinku, tutkittu ja meil on projekteja missä me niin ku mietitään miten sitä voisi käyttää. -H5, Global Head of Analytics Kyllä se tunnistetaan organisaatiossa, mutta se jää vähän sille tasolle, että mitä sitten? --. Mutta kiinnostusta siihen on aika reippaasti. -H9, Digital lead, Data Science & AI Toisaalta avoimen datan hyödyntämisen tunnistetaan olevan jopa pakollista liiketoimintaympäristössä selviytymisen kannalta, koska avoimen datan joukosta löytyy erään haastateltavan mukaan esimerkiksi toimialalle tyypillisiä mikroekonomisia indikaattoreita. Kohdeorganisaatioiden avoimen datan hyödyntämisen ollessa vähäistä ja painottuessa edellä kuvatun laisiin tilanteisiin, voidaan avoimen datan käytön sanoa olevan kohdeorganisaatioissa melko rajoittunutta. Lähes kaikkien tutkimuksen haastateltavien mukaan avoimen datan liiketoiminnallisten käyttötapausten tunnistamisessa onkin heikkoutta, mutta toisaalta heidän mukaansa avoimeen dataan tutustuneet ja sen parissa enemmän työskennelleet henkilöt tunnistavat potentiaalin avoimessa datassa. Käyttöpotentiaalin tunnistavat henkilöt myös käyttävät avointa dataa aktiivisesti apuna tehtävissään, mikä kertoo avoimen datan käyttökelpoisuudesta, kunhan arvonluontimahdollisuus sen avulla on ensin tunnistettu. Tutkimuksen kohdeorganisaatiot ovat niin suuria toimijoita, että prosenttien tai kymmenysten muutokset tarkoittavat haastateltavien mukaan selvää liiketoiminnallista tulosta, joten avoin data nähdään kaikesta huolimatta potentiaalisena, vaikka arvonluontimahdollisuuksia voikin olla vaikea tunnistaa. Haastateltavista suurin osa vierasti Datan analysoija ja Tietoperustaisten tuotteiden ja palveluiden tuottajan roolien lisäksi muita arvoketjun rooleja, kuten datan Tuottajaa, eikä pitänyt kyseiseen rooliin kuuluvaa toimintaa tyypillisenä organisaatiolleen tai toimialalleen. Haastateltavat kertoivat heidän organisaatioidensa julkaisevan lähinnä lainsäädännön vaatimia tietoja tai heille itselleen edullisesti näyttäytyviä tietoja, kuten organisaation vastuullisuudesta kertovaa dataa. Tämän lisäksi organisaatiot jakavat sidosryhmiensä kanssa dataa esimerkiksi tuotantoprosessiensa optimoimiseksi, mutta kyseinen data ei täytä avoimen datan määritelmää. No se nyt ei oikeestaan oo, oo sellanen tota, ei kuulosta ihan silt et mitä me yleensä tehtäis. Enkä, mä en oo ikinä kuullu et me silleen hirveesti avattais, mitään, et et tota. Se ei ehkä oo sellanen niin ku, meiän kulttuuriin, jotenki, toimiva, asia. -H12, Manager, Sourcing Business Intelligence & Analytics Pakolliset julkiset pörssitiedot tietysti avataan. Ei me juuri muuten meidän oman firman tietoja avata. -H2, Director of Analytics & Applications, osa globaalia R&D-johtoryhmää

60 51 Vastuullisuuden näkökulmasta ja sieltä niinku (---):n näkökulmasta ni sieltä sitte taas avataan, et siellähä meillä on paljo sellasia datasettejä liittye vaikka siihen, et et miten meillä, meillä hankitaan itsessään raaka-aineita. -H9, Digital lead, Data Science & AI Must tuntuu, et tos niin ku tuotantoprosessissa on ehkä enemmän just niiden laitevalmistajien kanssa (yhteistyötä) -- Kehittävät niitä laitteitaan totta kai. -H10, Director of Data Management & Science Kohdeorganisaatioista kaikki toimivat haastatteluiden perusteella arvoketjun Datan analysoijan roolissa, ja organisaatioista kaikki paitsi F ja G toimivat arvoketjun dataperustaisten tuotteiden ja palveluiden tuottaja -roolissa. Organisaation F haastateltava H9 kertoi, että organisaatiolla on ollut aihioita palveluista, jotka käyttävät avointa dataa, mutta ne ovat jääneet aihioiksi, minkä vuoksi he toimivat ainoastaan Datan analysoijan roolissa. Organisaation G haastateltava H10 puolestaan kertoi, että he käyttävät avointa dataa ainoastaan sisäisiin prosesseihin, joten hekin toimivat ainoastaan Datan analysoijan roolissa. Osa haastateltavista kuitenkin kertoi heidän organisaationsa kiinnostuksesta datan jakamista kohtaan, jolloin toimialan organisaatioiden kilpailukyky keskittyisi datan analysointiin eli arvonluontiin, eikä datan keräämiseen ja varastoimiseen kukin tahoillaan. Tällöin voitaisiin välttää datan varastoinnin kustannuksia sekä panostaa asiakkaan kokemaan arvoon kattavampien datamassojen ja tarkempien analyysien avulla. Tämän lisäksi, haastateltava H1 kertoi itse käyttäneensä merkittävästi aikaansa käyttämiensä datasettien täydentämiseksi ja korjaamiseksi. Organisaatiot eivät siis tällä hetkellä osallistu aktiivisesti arvoketjun Datan tuottaja -vaiheeseen, mutta niillä on kiinnostusta vaihetta kohtaan datan yhteisjakamisen tuoman mahdollisen lisääntyneen arvonluontimahdollisuuden myötä. Sit niinku se mitä mä oon ite miettiny, nimenomaan, ja mä oon heittäny iha provokaationkin ku, org. 1 ja org. 2 on niinku semmosia niinku verisiä kilpailijoita, ni mä oon heittäny niinku et hei, miks me ei org. 1 ja org. 2 kans rakenneta niinku yhteist data lakee? Et et, et sen sijaa et me kilpaillaa keskenää et niinku org. 1 kans et kenel on (x)-dataa ja ja org. 2 kans et kenel on (y)- data, ni luotaski yhteinen data lake, johon niinku kerättäis sitä ja sit niinku tavallaan se kilpailu sen sijaan et se fokusoituis siihen et niinku, missä ja kenellä se data on, ni se fokusoituiski siihen, et miten sen päälle luodaan parhaita mahdollisia palveluja. -- Niinku mä sanoin niin, se itse datan kerääminen ei tuota lisäarvoo. Päinvastoin, se on kustannus. -H2, Director of Analytics & Applications, osa globaalia R&D-johtoryhmää Jos puhutaan vaikka semmosen mallin rakentamisesta, jossa yritettäs ennustaa sinun (haastattelijan) päätöksentekoa jonku tietyn tuotteen ostamista, ostamista nähden. Yhdellä yrityksen tietojärjestelmistä tuskin on (haastattalijasta) tarpeeksi dataa, jotta saadaan tarkka malli, mutta kappas Facebook, Google, muut tuntee (haastattelijan) vähän paremmin. Me voidaan ostaa

61 52 niiltä se, niinku informaatio, et tää voiski (haastattelijaa) kiinnostaa. Tälläst Googlee ja Facebookkia ei niinku teollisuuspuolella ole. -- On tavallaan väärin ajatella, että meidän liiketoimintajärjestelmis kerääntyvä data antais, lois esimerkiks tarkan mallin asiakkaasta. Ja tätähän niinku mallia voidaan sit pyrkiä rikastamaan sillä, että me saadaan ulkosii datalähteitä. Ja sit tietenki, jos katotaa yritysverkostoa, niin siellähän niinku alkaa olee jo monipuolisemmin tietoa siitä, että mm, eri toimijoista, jollon esimerkiks tällasien mallien niinku hypoteettinen rakentelu vois olla niinku mahollista, joka sit auttaa meitä tekee parempii päätöksii. -H4 Head of Market Intelligence & Sales Analytics Koska datan yhteisjakaminen on vielä organisaatioiden toimijoiden haaveissa, tulee organisaatioiden hankkia datansa jotakin muuta kautta mahdollistaakseen toimimisensa Datan analysoijana ja Tietoperustaisia tuotteita & palveluja tuottavassa roolissa. Haastateltavien mukaan avoimen datan etsiminen on haastavaa, muttei mahdotonta. He kertovat, että on vaikea tietää mitä kaikkea dataa olisi edes olemassa ja käytettävissä. Suurin osa haastateltavista kertoo avointa dataa käyttävien henkilöiden osaavan kyllä löytää tarvitsemansa datan, mutta haaste tulee eteen erityisesti aiemmin käyttämätöntä, luotettavaa dataa etsiessä. Osa haastateltavista pohti uusien datasettien ja aihealueiden tutkimisen sitovan todennäköisesti oman henkilöresurssinsa tai useampia henkilöresursseja, jotta käyttökelpoista dataa löytyisi riittävästi ja siitä voitaisiin tehdä käytettävää. Sen vuoksi lähes kaikkia haastateltavista kertoivat suosivansa kumppaneita, eli avoimen datan vendoreita, joiden ydinosaaminen keskittyy nimenomaan avoimen datan pariin, kuten sen etsimiseen, kokoamiseen ja jalostamiseen. Avoimen datan vendoreita käyttämällä avoimen datan löytäminen ja hyödyntäminen koetaan helpommaksi, kun avointa dataa käytetään järjestelmällisemmin, ja samalla organisaatiot voivat keskittyä omaan ydintoimintaansa. Samalla, kun datan toimituksesta maksetaan vendorille, tulee organisaatioiden välille luotua palvelutasosopimus (SLA, Service Level Agreement), joka lisää luottamusta datalähteeseen ja sen pysyvyyteen. Kun avoimen datan hyödyntäminen nojaa yksittäisiin henkilöihin, on datan löytäminen sen hyödyntäjän vastuulla. Osassa haastatelluista organisaatioista tehdään kuitenkin molempia, hyödynnetään sekä vendoria, että etsitään dataa itse. Erityisesti vendorien kautta hankittavan datan oletetaan olevan jo valmiiksi jalostettua, ainakin jollakin asteella. Tällöin dataa edelleen hyödyntävä organisaatio hyötyy vendorin käytöstä entistä enemmän. Vendorien kautta on myös osan haastateltavista mukaan saatavissa tukea datan tulkintaan sekä mahdollisesti datan käyttökohteiden tunnistamiseen. Haastatelluista organisaatioista kaksi kuitenkin etsii käyttämänsä avoimen datan kokonaan itse ja organisaatioista hieman yli puolet käyttää vendorien toimittaman datan lisäksi myös itse keräämäänsä avointa dataa. Oli lähde mikä tahansa, suosivat haastatellut organisaatiot API-

62 53 rajapintoja, sillä ne helpottavat datan käyttöä huomattavasti. Läheskään kaikissa lähteissä niiden käyttö ei ole vielä kuitenkaan haastateltavien mukaan mahdollista. Haastatteluissa kävi ilmi, että organisaatiot käyttävät selvästi mieluiten viranomaisdataa tai muiden julkisten tahojen, kuten yliopistojen julkaisemaa dataa sen uskottavuuden ja luotettavuuden takia. Haastateltavien mukaan eri julkaisijoiden, myös valtiollisten toimijoiden, julkaisemassa datassa on keskenään eroa, mutta eroavaisuuksien ja puutteiden ymmärtämisessä auttaa toimiva kommunikointiyhteys dataa välittävän vendorin kanssa. Vendorien ydinosaaminen on avoimen datan löytämisessä, yhdistelyssä, jalostamisessa ja ymmärtämisessä, joten niiden toiminnan kannalta on oleellista kyetä avustamaan asiakkaitaan datan ymmärtämisessä ja siten sen hyödyntämisessä. Haastattelujen tuloksena käytetyimpiä datatyyppejä olivat erilaiset markkinatiedot, joista erikseen mainittiin energiamarkkinat, teollisuusvolyymidata ja raaka-ainemarkkinat, sekä paikkatiedot, kuten liikennedata, logistiset tiedot ja säädata. Muita usein käytössä olevia datatyyppejä olivat valuuttakurssit, päästödata, palkkatiedot, demografinen data, toimialaspesifit datasetit, kuluttajadata, yrityskantadata (Esim. konkurssit & maksuhäiriöt), infrastruktuurin tilaan liittyvä data ja kuluttajien liikkeistä työpaikan ja kodin välillä kertova data. Kohdeorganisaatiot siis käyttävät avointa dataa toiminnassaan ja näkevät sen positiivisena tekijänä, mutta sen käyttö ei ole suurimmassa osassa organisaatioista vielä kovinkaan järjestelmällistä ja voi päinvastoin olla hyvinkin henkilöitynyttä, vaikka avoimen datan olisikin tunnistettu tuovan lisäarvoa organisaation toimintaan. Mikäli avoimen datan käyttö on hieman järjestelmällisempää, eikä niinkään henkilöitynyttä, käyttävät kohdeorganisaatiot apunaan datasettien keräämisessä ja hyödyntämisessä vendoreita voidakseen keskittyä ydinosaamiseensa. Pääasiassa organisaatiot hyödyntävät viranomaistahojen julkaisemaa dataa sen luotettavuussyistä. Ensiaskel avoimen datan käyttöön onkin haastattelujen perusteella avoimen datan kerääminen itse viranomaisten julkaisemista tilastotiedoista. Käytetyt datatyypit vaihtelevat kohdeorganisaatioiden välillä, mutta ne liittyvät vahvasti markkinoihin, paikkatietoihin, asiakkaisiin (kuluttajat ja yritykset) sekä päästöihin. Seuraavissa alaluvuissa käsitellään tarkemmin avoimen datan hyödyntämistä kohdeorganisaatioissa ulkoisesti ja sisäisesti Avoimen datan epäsuora hyödyntäminen ulkoisesti Tässä alaluvussa käsitellään tutkimuksen haastatteluista tunnistettuja tapoja hyödyntää avointa dataa epäsuorasti ulkoisesti. Tutkimustaustasta tunnistetut tavat ovat innovointi, tuotekehitys, palvelullistaminen, suunnittelupalvelut, ja konsultointi. Näistä tavoista innovointia, suunnittelupalveluja ja tuotekehitystä harjoittavat organisaatiot kuuluvat kehittä-

63 54 jien ryhmään ja palvelullistamista harjoittavat organisaatiot kuuluvat avoimen datan rikastajien ryhmään. Konsultointia harjoittavat organisaatiot voivat kuulua molempiin ryhmiin. Haastatteluista ei tunnistettu teoriataustasta jo tunnistettujen epäsuorien hyödyntämismenetelmien lisäksi muita hyödyntämismenetelmiä. Innovoinnilla viitataan sovellettavaan tai kaupallistettavaan ideaan, jolla on uutuusarvoa jo olemassa oleviin ratkaisuihin nähden (Martinsuo et al. 2016). Haastatelluista organisaatioista innovointiin avointa dataa käyttävät organisaatiot A, B, C, D ja H. Organisaatioissa, joissa avointa dataa käytetään innovointiin, ei käyttö ole kuitenkaan kovinkaan merkittävää innovoinnin kontekstissa. Organisaatiot tutkivat esimerkiksi EU:n julkaisemia tutkimuskantoja selvittääkseen mitkä alat ovat kasvussa, minkälaiset tutkimukset ovat saaneet rahoitusta ja minkälaisia patentteja on myönnetty, ja käyttävät näitä tietoja hyväkseen omia innovointiprosessejaan kehittääkseen ja löytääkseen uusia liiketoimintamahdollisuuksia. Haastateltavat myöntävät, että avoimen datan avulla tapahtuvaa innovointia voisi tapahtua enemmänkin. Avoimen datan avulla tapahtuva iinnovointi ei siis ole kovinkaan merkittävä käyttökohde kohdeorganisaatioille, vaikka sitä määrällisesti yli puolet organisaatioista tekeekin. Innovoinnin kanssa läheisissä tekemisissä on tuotekehitys. Tuotekehityksessä etsitään sekä asiakkaiden ongelmia ratkaistavaksi, että teknologisia vaihtoehtoja näiden ratkaisujen toteuttamiseksi (Martinsuo et al. 2016). Samoin kuin innovoinnissa, myös tuotekehityksen tukena käytetään avointa dataa esimerkiksi tutkimusten rahoituspäätöksistä ja patenteista tukemaan organisaation investointipäätöksiä tuotekehitykseen liittyen. Organisaatioista A, B, C, D ja H haastateltavat kertoivat heidän organisaationsa käyttävän avointa dataa tuotekehityksensä tukena. Erityisesti haastatteluissa nousivat esiin sään ja lämpötilan vaikutus tuotteiden ominaisuuksiin sekä erilaisten koneoppimismallien rikastaminen. Haastateltavan H6 mukaan avoimen datan suurimmat hyödyt tulevatkin esiin juuri koneoppimismalleihin liitettäessä. Haastateltava H3 kertoi kehitetystä palvelusta, joka avustaa käyttäjäänsä avoimen datan avulla, ohjaten tätä seuraavia tarvittavia viranomaistoimenpiteitä kohden käyttäjän nykytilan perusteella. Palvelullistamisessa asiakasta ja palveluntarjoajaa tuodaan lähemmäs toisiaan laajentamalla tarjoamaa pelkistä tuotteista myös niihin liittyviin palveluihin arvotuoton maksimoimiseksi (Lay 2014; Rymaszewska et al. 2017). Tutkimuksen kohdeorganisaatioista muutamat käyttävät avointa dataa palvelullistamiseen osana heidän palveluitaan tai tuotteisiin liittyvien lisäpalveluiden kautta. Tällöin tuotteeseen tai palveluun lisätty data tuottaa asiakkaalle enemmän arvoa kuin se tuottaisi ilman lisättyä dataa. Esimerkiksi organisaatio B hyödyntää markkinadataa optimoidakseen toimittamiaan laitteistoja ja ratkai-

64 55 suja. Heidän tavoitteenaan on tulevaisuudessa hyödyntää yhteiskunnan infrasta ja yhteiskunnan jäsenten liikkeistä saatavilla olevaa dataa, jotta he voisivat tarjota entistäkin laadukkaampia optimointipalveluja tarjoamiensa laitteistojen ohessa, sillä mahdollisimman pienet muutokset laitteiden toiminnassa eri ajanhetkien välillä maksimoivat niiden tuotannollisen hyödyn ja minimoivat samalla niiden päästöjä tasaisemman käyttöasteen myötä. Tällöin kohdeorganisaatio auttaa asiakkaitaan saavuttamaan huomattavasi suurempaa arvoa tarjoamiensa optimointipalvelujen avulla. Muiden haastateltujen organisaatioiden kohdalla haastatelluilla ei ollut havaintoja avoimen datan palvelullistamisesta omassa organisaatiossaan, mutta sen kerrottiin olevan teoriassa mahdollista. Erityisesti datan yhteisjakamisen mahdollistaman palvelullistamisen havaittiin olevan haastateltavia kiinnostava aihe, sillä se mahdollistaisi laajempaa palvelullistamisen hyödyntämistä kaikille yhteisjakamiseen osallistuville osapuolille. Aihe nousi esille haastatteluista kuudessa ja lähes jokaisen organisaation kohdalla. Haastateltavan H2 mukaan ensimmäinen huoli aiheen parissa on hieman yllättäen kilpailuviranomaisten näkemys aiheeseen, eikä mahdollinen hukattu kilpailuetu, kun omaa dataa jaetaan organisaation ulkopuolelle. Sitä (datan yhteisjakaminen) mä toivoisin et alkais tapahtuu. -- Ja siellä, ehkä niinku viranomaissuuntaan, keskeinen viesti on se, että mä oon nostanu tän esille ja ensimmäinen kysymys mikä multa kysyttiin oli se, että onkohan toi niinku kilpailuviranomaisten näkökulmast ihan ok? -- Jos tää on se ensimmäinen huoli mikä firmoilla on, et ei se et no sitte (kilpailija) saa meidän datan, vaan, vaan se huoli onki se et kilpailuviranomaiset ei tykkää tästä, ni kyl se kertoo mun mielest siitä et jotain on vähä vääri. -H2, Director of Analytics & Applications, osa globaalia R&D-johtoryhmää Tällainen semi-open data ei kuitenkaan vastaa avoimen datan kaikkiin kriteereihin, joten se ei kuulu tämän tutkimuksen aihepiiriin tämän tarkemmin. Avoimeen dataan nojaava palvelullistaminen ei siis ole laaja-alaisesti kohdeorganisaatiossa käytössä, mutta sitä tekeville organisaatioille aihe on merkittävä ja heillä on suunnitelmia aiheen parista tulevaisuudenkin varalle. Suunnittelupalveluja haastatelluista kohdeorganisaatioista kertoi tarjoavansa ainoastaan organisaatio A. Organisaation haastateltavat kertoivat kehittävänsä palveluja ja eri toimialojen kokonaisuuksia joko vaadittujen avointa dataa olevien lähtötietojen perusteella tai avointa dataa tukena käyttäen. Suunnittelupalvelut, kuten muutkin ulkoiset hyödyntämismenetelmät, eivät siis ole kovinkaan laajasti käytössä kohdeorganisaatioissa. Organisaation A haastateltava H3 kuitenkin kertoo heidän käyttävän avointa dataa ydinliiketoiminnassaan paljon lähtötietona ja haastateltava H1 kertoo monen ratkaisun perustuvan avoimeen dataan.

65 56 Joskus asiakas jopa määrittelee, mistä saatavaa dataa pitää käyttää. -H1, Ohjelmistosuunnittelija Vaikka avoimeen dataan perustuvat suunnittelupalvelut eivät olekaan siis kovinkaan laajasti käytössä kohdeorganisaatioissa, on niillä merkittävä rooli organisaation A toiminnassa, sillä suunnittelupalvelut ovat selvästi osa heidän ydinliiketoimintaansa. Tällöin he hyödyntävät organisaatiossa olevaa osaamista hyödyntääkseen avointa dataa projektin menestyksekkääksi toteuttamiseksi. Konsultointia tarjotessaan organisaatio tarjoaa asiakkaan käyttöön asiantuntijaosaamistaan korvausta vastaan. Kohdeorganisaatioiden haastatelluista henkilöistä kolme kertoi heidän organisaationsa tekevän tai voivansa tehdä tämän tutkimuksen kontekstissa konsultointiin rinnastettavaa toimintaa, joka ei kuulu edellä jo kuvattujen avoimen datan hyödyntämismenetelmien alle. Haastateltava H2 kertoi heidän avustavansa heidän asiakkaitaan heidän oman datansa avaamisessa viranomaisraportointiin liittyen, joka on ikään kuin avointa dataa toiseen suuntaan (H2). Haastateltava H3 puolestaan kertoi heidän organisaationsa tekevän toimeksiantoina analyyseja, joiden tulokset päätyvät avoimeksi dataksi. Hekin siis käytännössä avustavat asiakkaitaan avattavan datan tuottamisessa. Heidän on haastateltavan H3 mukaan toisaalta myös mahdollista etsiä asiakkaan käyttöön heidän toimeksiannostaan jotakin tiettyä avointa dataa, vaikkei se heidän ydinliiketoimintaansa olekaan. Haastateltava H5 kertoi puolestaan, etteivät he tällä hetkellä varsinaisesti tee avoimeen dataan liittyvää, konsultointiin rinnastettavaa toimintaa, mutta tulevaisuudessa he varmasti voisivat tehdä vastaavaa viranomaisraportoinnissa avustavaa työtä kuin haastateltava H2 kertoi heidän organisaationsa tekevän. Konsultointi, kuten muutkin ulkoisen epäsuoran hyödyntämisen menetelmät, on siis melko vähän käytetty kohdeorganisaatioiden ympäristössä. Kohdeorganisaatioiden hyödyntämät avoimen datan ulkoisen epäsuoran hyödyntämisen menetelmät on koottu selkeyden vuoksi taulukkoon 7. Tutkimukseen osallistuneiden organisaatioiden hyödyntämät avoimen datan epäsuorat ulkoiset arvonluontimenetelmät Organisaatio A B C D E F G H Menetelmä Innovointi x x x x (x) Tuotekehitys x x x x x Palvelullistaminen x x x Suunnittelupalvelut x Konsultointi x x x x = käyttää menetelmää (x) = käyttää menetelmää hyvin vähän

66 57 Taulukosta 7 nähdään, ettei avoimen datan epäsuoran ulkoisen käytön laajuus ole kohdeorganisaatioissa kovinkaan yhdenmukaista. Taulukosta nähdäänkin selkeästi, että organisaatiot, joiden tarjonta painottuu enemmän infraan tai teollisuuden laitteistoihin, käyttävät avointa dataa huomattavasti laajemmin eri menetelmin. Organisaatiot, joiden tarjonta painottuu jatkojalostettaviin materiaaleihin tai sellaisenaan myytäviin hyödykkeisiin, eivät puolestaan käytä avointa dataa juurikaan epäsuorin ulkoisin menetelmin. Eniten avointa dataa hyödynnetään kuitenkin epäsuorista ulkoisista menetelmistä hyvin tiiviisti toisiinsa liittyviin innovointiin ja tuotekehitykseen, vaikka aiemmin todettiinkin, ettei innovointi avoimen datan avulla olekaan kovinkaan suuressa roolissa kohdeorganisaatioissa, mikä kertoo avoimen datan epäsuoran ulkoisen käytön vähäisyydestä Avoimen datan epäsuora hyödyntäminen sisäisesti Tässä luvussa käsitellään tutkimuksen haastatteluista tunnistettuja avoimen datan epäsuoria sisäisiä hyödyntämismenetelmiä. Toisin kuin ulkoisten epäsuorien hyödyntämismenetelmien kohdalla, sisäisiä epäsuoria hyödyntämismenetelmiä ei kyetty yhtä selkeästi rajaamaan tiettyihin osa-alueisiin teoriataustan perusteella. Haastatteluja analysoidessa esille nousikin monia erilaisia tapoja hyödyntää avointa dataa sisäisesti, joista osa oli hyvin yleisesti käytössä kohdeorganisaatioiden kesken, kun taas jotkut menetelmät olivat hyvin tapauskohtaisia. Kohdeorganisaatioiden haastateltavat nimesivät avoimen datan käytön tavoitteiksi melko yhtenäiset motiivit, jotka kumpuavat heidän liiketoiminnastaan. Merkittävimpänä ajurina avoimen datan käytölle olivat taloudelliset tekijät, kuten kustannusten pienentäminen, voittojen maksimointi ja asiakasodotusten parempi täyttäminen esimerkiksi kysynnän paremmalla ennustamisella. Muina harvemmin tunnistettuina avoimen datan avulla edistettävinä tavoitteina haastateltavat kertoivat tavoittelevansa kilpailijoidensa voittamisen liiketoiminta-alueillaan sekä päästöjen pienentämisen. Suorien taloudellisten tavoitteiden lisäksi avoimen datan käyttömotivaatioiksi nimettiin sen maksuttomuus ja helppokäyttöisyys. Avoin data on määritelmänsä mukaan saavutettavissa ja saatavissa, jolloin sen käytön tulisi myös olla vaivatonta. Avoin data -- sen pitää olla saatavissa. Tarkoittaa: helposti saatavissa, ei tarvi tehrä sopimuksia jonkun datan saamiseksi, vaan, kun osaat käyttää sopivaa laitetta ni sulle putkahtaa avointa dataa. Se helppous on varmasti yks seikka, miksi sitä käytetään ja halutaan käyttää. -- Jos sen datan saa sillai et sä painat nappulaa ja sulle virtaa se data, ni se o aika kiva asia. Ja, aika monissa avoimen datan lähteissä, ni on pyritty tekeen nää asiat, helpoks, joustavaks. -H1, Ohjelmistosuunnittelija

67 58 Ensimmäinen asia on aina kustannuskilpailukyky. -- Perus ()-hankintoja tehdään 1,5-2 miljardii, niin, niin niin, kyllähän se niinkun, sanotaan asettaa raamit sille missä on mitäkin ja sit niinku sen jälkeen on tietysti logistiikkakustannukset. -H2, Director of Analytics & Applications, osa globaalia R&D-johtoryhmää Joo kyl, kyl se on et jos, jos tota, iha, iha vaan jos niinku kustannuksiiki miettii et ku se data itsessään on ilmasta, ni tota yleensä se (vaiva) kannattaa, kannattaa (nähdä). -- Yleensä se on ihan niinku, tota, järkevää pyrkii sitä avoint dataa hyödyntää. -H12, Manager, Sourcing Business Intelligence & Analytics Laajimmalla otannalla avointa dataa käytetään sisäisesti asiakasymmärryksen parantamiseen ja toimialueen taloudelliseen ymmärtämiseen. Kohdeorganisaatioista yhtä lukuun ottamatta kaikki kertovat käyttävänsä avointa dataa ymmärtääkseen asiakkaitaan entistä paremmin. Asiakasymmärryksen parantamiseen liittyviä tunnistettuja näkökulmia olivat olemassa olevien asiakkaiden kiinnostuksen kohteiden tunnistaminen asiakaskunnan investointeja tutkimalla, asiakaspoistuman analysointi esimerkiksi maksuhäiriöitä ja konkursseja tutkimalla, ostotapojen tunnistaminen ja analysointi, demografisen datan hyödyntäminen tuotteiden kohdentamisessa, yksilöiden sijainti- ja työpistedatan yhdistely paremmaksi palvelun tarjoamiseksi, sään vaikutus asiakkaisen käytökseen, asiakkaiden menestys yleisesti liiketoiminta-alueeseen verrattuna ja markkinapotentiaalin parempi tunnistaminen perehtymällä syvällisemmin markkina-alueeseen. Asiakasymmärryksen lisääminen ja sen avulla saavutettavat hyödyt ovat siis hyvin laajalti käytössä tutkimuksen kohdeorganisaatioissa, tehden siitä merkittävän avoimen datan epäsuoran sisäisen hyödyntämismenetelmän. Kuten edellisessä kappaleessa mainittiin, avointa dataa käytetään haastateltujen organisaatioiden piirissä laajasti myös liiketoiminta-alueiden taloudelliseen ymmärtämiseen. Kuten asiakasymmärrykseen, myös liiketoiminta-alueiden taloudelliseen ymmärtämiseen avointa dataa käyttävät haastatelluista organisaatioista lähes kaikki. Liiketoimintaalueen taloudellista ymmärtämistä tarkastellaan kohdeorganisaatioissa esimerkiksi hankinnan, eli raaka-ainemarkkinoiden, ja energiamarkkinoiden näkökulmasta raportoinnin tueksi. Tarkastelun tavoitteena on rikastaa tilannekuvaa markkinoiden nykytilanteesta ja mahdollistaa siten esimerkiksi parempien talousennusteiden tekeminen. Talousennusteita voidaan tehdä esimerkiksi yleisestä taloustilanteesta, tietystä toimialueesta tai omasta organisaatiosta. Hankintaan liittyvien kulusäästöjä tavoittelevien tekijöiden tarkastelun lisäksi organisaatiot tarkastelevat yleisesti kilpailevien organisaatioiden tarjontaa ja hinnankehitystä mahdollisuuksien mukaan, sekä myös asiakkaidensa tuottamien tuotteiden hintoja ja muita toimialueensa mikroekonomisia ilmiöitä. Haastateltavan H4 mukaan he, kuten muutkin tutkimuksen kohdeorganisaatiot, ovat niin suuria, että prosenttien tai niiden kymmenystenkin suuruiset mahdolliset kulusäästöt tarkoittavat niin

68 59 selvää tulosta, että hän näkee avoimen datan hyödyntämisen hyvinkin potentiaalisena. Avointa dataa käytetäänkin kohdeorganisaatioissa hyvin laajasti toimialueen parempaan taloudelliseen ymmärtämiseen, mikä kertoo avoimen datan potentiaalin tunnistamisesta ainakin tällä osa-alueella kohdeorganisaatioiden piirissä. Kahden edellä mainitun epäsuoran sisäisen hyödyntämismenetelmän jälkeen laajimmin käytössä olevat haastatteluista tunnistetut menetelmät olivat sisäisten prosessien tehostaminen ja liiketoiminnan ohjaaminen. Sisäiset prosessit ovat hyvin laaja käsite, eikä kovinkaan moni haastatelluista organisaatioista avannut juurikaan, mihin sisäiseen prosessiin avointa dataa kohdistetaan. Sisäisten prosessien tehostamiseen avointa dataa käyttää haastatteluiden perusteella organisaatioista viisi, eli yli puolet. Muutaman organisaation kohdalla haastatteluista ei puolestaan tunnistettu sisäisten prosessien tehostamista avoimen datan avulla. Niiden tunnistetut hyödyntämismenetelmät jakaantuivat muiden tunnistettujen osa-alueiden alle spesifimmin. Haastatelluista organisaatioista A ja D pyrkivät etsimään avoimesta datasta benchmarkkeja omien prosessiensa tehokkuuteen ja suoriutumiseen. Organisaatiot A ja H pyrkivät kehittämään prosessiensa tehokkuutta myös avoimen datan helpon saatavuuden myötä. Tällöin työntekijän tarvitsema tieto olisi nopeammin saatavilla avoimen datan lähteisiin turvautuen. Organisaation C haastateltavat puolestaan kertoivat heidän organisaationsa turvautuvan koneoppimismalleihin sisäisiä prosesseja tehostaessaan. Organisaatio C luottaakin yleisesti paljon koneoppimismalleihin avoimen datan suhteen. Organisaatio F hyödyntää puolestaan esimerkiksi avoimen datan avulla parannettua asiakasymmärrystään prosessiensa optimoimiseen. Liiketoiminnan ohjaamiseen avointa dataa tutkimuksen organisaatioista käyttävää haastattelujen perusteella viisi. Liiketoiminnan ohjaamisen tavoitteena on edistää organisaation liiketoiminnallisia tavoitteita johdon laskentatoimen menetelmin (Erményi 2015). Tavoitteeksi liiketoiminnan ohjaamiselle avoimen datan avulla haastateltavat nimeävätkin parempien päätösten tekemisen paremmalla datan hyödyntämisellä tukien esimerkiksi kaupallista päätöksentekoa, mikä johtaa edelleen taloudellisiin tuloksiin. Epäsuorista sisäisistä hyödyntämismenetelmistä sekä tietoperustaisten resurssien, että toimitusketjun kehittämiseen avointa dataa käytti kolme organisaatiota. Toimitusketjun hyödyntämiseen organisaatioista avointa dataa hyödynsivät haastatteluiden perusteella organisaatiot B, C ja H. Organisaation H haastateltava H11 kertoi heidän organisaatiollaan olevan tarvetta avoimelle datalle logistiikassa, mutta ei tarkentanut asiaa enempää. Organisaation H haastateltava H12 puolestaan kertoi tutkimuksessa aiemmin esille nousseen semi-open datan käytöstä toimitusketjun optimoinnissa sidosryhmien välisen

69 60 yhteistyön kautta. Datan yhteisjakamista tapahtuu siis jo sisäisissä epäsuorissa prosesseissa, vaikka se on vielä organisaatioiden haaveissa ulkoisten epäsuorien menetelmien tapauksessa. Haastateltava H4 organisaatiosta C kertoo heidän organisaationsa hyödyntävän avointa dataa toimitusketjun riskien tunnistamiseen ja siten valittavien reittien ja kuljetusmenetelmien optimointiin. Haastateltava H10 kertoi heidän hyödyntävänsä avointa dataa kysyntäennusteiden muodostamiseen, mikä puolestaan vaikuttaa logistiikkajärjestelyihin ennakoivasti. Organisaation B haastateltava H2 puolestaan kertoi heidän kehittäneensä globaalia logistiikkaketjuaan yhdistelemällä tietoja eri palveluntarjoajien tarjouksista avoimen datan kanssa löytääkseen mahdollisimman optimaalisen ratkaisun heidän toimitusketjunsa osaan. Logistiikan kehittäminen yhdistelemällä avointa dataa suljettuun dataan on siis tyypillistä rikastajien ryhmään kuuluvien toimijoiden toimintaa, jossa avoin data tuo lisäarvoa juuri yhdistämisen seurauksena. Tutkimuksen kohdeorganisaatioiden toiminnan volyymi on muutamien haastateltavien mukaan niin suurta, etteivät ne voi jättää hyödyntämättä datalähteitä, sillä muuten huonosti järjestellystä logistiikasta voi aiheutua merkittäviäkin kustannuksia. Avoimen datan hyödyntämisen taustalla toimitusketjun optimoinnissa on siis kustannusajurit. Näistä syistä onkin outoa, ettei toimitusketjun optimointia tunnistettu useammissa haastatteluissa avoimen datan käyttökohteeksi. Organisaationsa tietoperustaisten resurssiensa kehittämiseen tutkimukseen haastatelluista organisaatioista avointa dataa kertoi käyttävänsä organisaatiot B, D ja H. Organisaatio voi oppia tuomalla piiriinsä uusia henkilöitä, jolloin heidän kasvava osaamisensa kasvattaa samalla organisaation tietoperustaisia resursseja (Simon 1991). Organisaation B haastateltava H2 kertoi heidän tarkastelevansa esimerkiksi alueellisesti eri oppilaitoksista valmistuvien osaamista ja määrää, jotta he pystyvät seuraamaan työntekijämarkkinoiden kysyntää ja tarjontaa paremmin, ja ohjaamaan toimintaansa sen mukaan. Organisaation H haastateltava H11 kertoi heidän yhdistelevänsä avointa dataa työntekijädatan kanssa, mutta painotti aiheen olevan hyvin diskreetti mahdollisten henkilöprofilointien varalta. Avointa palkkadataa esimerkiksi organisaation houkuttelevuuteen kertoivat käyttävänsä organisaatiot B ja D. Palkkadatan lisäksi organisaatio D kertoi hyödyntävänsä organisaation henkilöstön tyytyväisyyteen benchmarkkina avointa dataa. Organisaatioiden haastateltavista kaikki kertovat pyrkivänsä huomioimaan vastuullisuuden tai erittelivät kestävän kehityksen jollain muotoa heidän organisaationsa tavoitteeksi. Siitä huolimatta ainoastaan organisaatioiden B ja G haastateltavat kertoivat haastatteluissa heidän organisaationsa käyttävän päästöihin liittyvää avointa dataa toiminnassaan. Tämän lisäksi organisaatiot B, D ja H kertoivat käyttävänsä avointa dataa heidän

70 61 päästötoimiinsa liittyen. Tämä on ristiriidassa sen suhteen, että kaikkien organisaatioiden haastateltavat kertoivat heidän organisaationsa pyrkivän toimimaan vastuullisesti ja edistämään kestävää kehitystä tai kiertotaloutta toiminnassaan, mutta toisaalta edellä mainittujen toimien edistämiseen voinee käyttää myös muun tyyppistä dataa, kuten organisaatiot B, D ja H tekevät. Päästötoimet saattavat myös liittyä jo epäsuorasti muuhun toiminnan optimoimiseen, kuten esimerkiksi toimitusketjun optimointiin, minkä vuoksi aihe ei noussut erikseen esiin. Organisaation D haastateltava H5 kertoikin, että yksi avoimen datan käyttöön motivoivista tekijöistä innovoinnin ohella on juuri päästötekijät, vaikka se ei haastattelussa ilmennytkään avoimen päästödatan käyttönä. Haastateltavat siis viestivät vastuullisuusteemojen olevan huomioituja heidän organisaatioissaan, mutta siltikään kovin moni organisaatioista ei käytä avointa päästödataa toiminnassaan, mikä kertoo siitä, että organisaatiot käyttänevät suljettuja datalähteitä päästöjensä pienentämiseen ja ne keskittyvät vain lähinnä omiin päästöihinsä. Moni haastatelluista organisaatioista kertoi käyttävänsä avointa dataa toimialueensa parempaan taloudelliseen ymmärtämiseen, mutta vain yksi organisaatio kertoi käyttävänsä avointa dataa myyntimahdollisuuksien, eli niin sanottujen liidien, tunnistamiseen, sekä tarjouskilpailujen voittojen todennäköisyyden ennustamiseen. Organisaation C haastateltava H4 kertoi heidän organisaationsa hyödyntävän avointa dataa edellä mainituilla tavoilla liiketoimintansa kasvattamiseksi sekä tarpeettomia kuluja välttääkseen. Tarjouskilpailuun osallistuminen voi olla resursseja kuluttavaa, joten aikaisella epätodennäköisen voittomahdollisuuden tunnistamisella voidaan säästää kuluja ja keskittyä ydinliiketoimintaan, muihin tarjouskilpailuihin tai edelleen uusien myyntimahdollisuuksien tunnistamiseen. Vaikka haastatelluista organisaatioista suurin osa käyttävää haastatteluiden perusteella avointa dataa joko asiakasymmärryksen parantamiseen, toimialueensa parempaan taloudelliseen ymmärtämiseen, liiketoimintansa ohjaamiseen tai useampaan näistä, niin silti vain yksi haastatelluista organisaatioista kertoi tarkastelevansa erityisesti kansainvälisiä tekijöitä, kuten koronaviruksen kehitystä alueilla, joilla he toimivat tai sellaisten valtioiden toimia, joissa heillä on toimintaa. Avoimen datan sisäiset hyödyntämismenetelmät on koottu selkeyden vuoksi vielä taulukkoon 8. Taulukko tiivistää edellä kuvatut hyödyntämismenetelmät ytimekkäämmäksi kokonaisuudeksi.

71 62 Tutkimukseen osallistuneiden organisaatioiden hyödyntämät avoimen datan epäsuorat sisäiset arvonluontimenetelmät Organisaatio A B C D E F G H Käyttökohde Asiakasymmärrys x x x x x x x Toimitusketju x x x x Toimialueen taloudellinen ymmärrys x x x x x x x Päästöseuranta x x x Globaali ymmärrys x Sisäisten prosessien tehostaminen Mahdollisuuksien tunnistaminen Liiketoiminnan ohjaaminen Tietoperustaiset resurssit x x x x x x x x x x x x x x Taulukosta 8 nähdään, ettei avoimen datan sisäinen epäsuora hyödyntäminen ole yhtä epäsäännöllistä kuin ulkoisten epäsuorien menetelmien kohdalla. Ainoana poikkeuksena esille nousee organisaatio A, jonka edustajat kertoivat haastatteluissa hyödyntävänsä avointa dataa sisäisesti ainoastaan yleisesti prosessiensa tehostamiseen. Huomattavaa on, että organisaatio A hyödyntää kaikista tutkimukseen haastatelluista organisaatioista laajimmalla skaalalla ulkoisia epäsuoria avoimen datan hyödyntämismenetelmiä. Tämä selittynee osittain organisaation valmistavaan teollisuuteen osallistumisen luonteesta, jossa he osallistuvat kyllä valmistavaan infrateollisuuteen, mutta heidän vastuualueensa ei painotu valmistuksen suorittavaan osuuteen. Muutoin teollisuuden laitteistojen ja jatkojalostettavaksi tai sellaisenaan myytävien hyödykkeiden valmistajien välillä ei ole nähtävissä merkittäviä eroavaisuuksia. Laajimmin eri tunnistetuilla osa-alueilla organisaatioista avointa dataa sisäisesti hyödyntääkin organisaatio H, joka ei hyödynnä avointa dataa juurikaan ulkoisen epäsuoran hyödyntämisen menetelmin. Toiseksi eniten sisäisiä hyödyntämismenetelmiä tunnistettiin organisaatioiden B ja C haastatteluista, jotka puolestaan käyttävät avointa dataa myös kohtalaisesti ulkoisten epäsuorin menetelmin. Organisaation oppimiseen, eli ympäristön - kuten avoimen datan - tarkasteluun, kertyneen tiedon peilaamiseen tavoitteita kohtaan ja oman toiminnan muuttamiseen vaikuttaa organisaation visio, strategia ja hallinto (Jääskeläinen et al. 2020), eikä avoimen datan peilaaminen esimerkiksi organisaation visiota vasten ole aina yksinkertaista. Avoimen datan hyödyntämistä edistäviä ja hidastavia tekijöitä tarkastellaan seuraavassa luvussa sekä sen alaluvuissa.

72 Tekijät ja resurssit avoimen datan hyödyntämisen taustalla Tässä luvussa käsitellään tutkimuksen empiriaosuudesta tunnistettuja tekijöitä, jotka vaikuttavat tutkimuksen kohdeorganisaatioiden avoimen datan hyödyntämiseen. Ensin luvussa perehdytään tutkimuksessa tunnistettuihin avoimen datan hyödyntämisen vaatimiin osa-alueisiin, ennen kuin avointa dataa voidaan alkaa hyödyntämään. Tämän jälkeen perehdytään haastatteluista tunnistettuihin osa-alueisiin, jotka vaikuttavat avoimen datan käyttöön joko negatiivisesti tai positiivisesti. Haastateltavan H10 mukaan avoimen datan käytön ei pitäisi poiketa käytännön tasolla juurikaan sisäisen datan hyödyntämisestä. Avoin data voidaan hänen mukaansa nähdä ikään kuin pyramidin huippuna, jonka pohjalla on sisäisen datan hyödyntäminen. Useimmat haastateltavista mukailivat ajatusta, ja kertoivat avoimen datan hyödyntämisen vaativan riittävän korkeaa datamaturiteettia organisaatiolta. Samat lainalaisuudet pätevät siis yhtä lailla avoimen datan hyödyntämiseen kuin minkä tahansa muunkin datan hyödyntämiseen. Tätä oletusta käytetään haastatteluiden tuloksien analysoinnissa. Mun mielest se on niinku jatke sille et se muu data, ku sitä käytetää ni, se todennäköisesti se avoin data on se seuraava askel sitten siinä että. Eka saadaa hyödynnettyy sisäsii tai niitä mitä ostetaan, ni ehkä se sit siirtyy siinä. -H10, Director of Data Management & Science Tutkimuksen haastatteluissa esille nousi erityisesti ihmisresurssit osa-alueineen. Toiseksi eniten keskusteluissa nousi esille informaatio- ja dataresurssit. Informaatio- & dataresurssien ja IT-resurssien välillä ei kuitenkaan voida sanoa olevan merkittävää eroa keskusteluissa esiintymisessä. Haastateltavilta kysyttäessä Mitä avoimen datan hyödyntäminen vaatii organisaatiolta?, vastauksen ensimmäiset huomiot liittyivät poikkeuksetta jokaisessa haastattelussa ihmisresursseihin. Muutamassa haastattelussa esiin nousivat myös tekniset ja taloudelliset aspektit, mutta ihmisresurssit olivat selvästi ensimmäinen haastateltavien mieleen tuleva aihe kysymystä käsiteltäessä. Aihe esiintyi muutoinkin haastattelujen aikana huomattavasti enemmän kuin kaksi muuta avoimen datan hyödyntämiseen vaadittavaa resurssia. Edellä mainitun kysymyksen kohdalla kaikkien haastateltavien mainitsemat ihmisresurssit liittyivät organisaation strategiaan tai hallintoon. Hallinnollisilta toimijoilta ja liiketoimintaa ohjaavilta henkilöiltä vaaditaan luottamusta avoimeen dataan ja siihen investointiin, ymmärrystä sen mahdollisuuksista, sekä operatiivisessa roolissa toimivien rohkaisua avoimen datan käyttämiseen, jotta avoin data päätyisi hyödynnettäväksi. Haastateltavan H9 mukaan organisaation pitääkin olla tietoinen siitä, mitä avoimella datalla yrittää tehdä, jotta avoimen datan hyödyntäminen voisi olla onnistunutta. Lisäksi haastateltavista puo-

73 64 let pohti avoimen datan hyödyntämisen vaativan myös avoimen datan parissa operatiivisesti toimivilta henkilöiltä avoimen datan ymmärrystä, sekä osaamista sen keräämisestä ja hyödyntämisestä. Haastateltavan H9 mukaan organisaatiolta vaaditaan avoimen datan hyödyntämiseen teknistä osaamista ja ymmärrystä. Haastateltava H5 täydensi teknisen osaamisen käsittävän organisaation tasolla heidän kyvykkyytensä luoda ratkaisuja avoimen datan tuomisessa jatkuvan käytön piiriin, ottaen huomioon esimerkiksi joko sen staattisen, tai dynaamisen luonteen. Haastateltava H12 puolestaan painotti haastattelussa teknistä ymmärrystä datan kertymisestä ja sen sisällöstä. Haastateltavan H2 mukaan tarpeen tullen tekninen osaaminen voidaan ostaa myös organisaation ulkopuolelta, kunhan organisaatiolla on ymmärrys datasta ja siitä, mitä sillä halutaan tehdä. Tämä on hyvä esimerkki ihmisresurssien merkityksestä ja erityisesti avoimen datan liiketoiminnallisesta ymmärtämisestä. Eniten se on niinku siinä et ymmärtää mitä on saatavilla. Siinä vaihees et jos me todetaan et jotain on saatavilla ja se on meille hyödyllistä, ni kyl meillä osaamist löytyy ja tarvittaessa rahaa ostaa se (tekninen) osaaminen ulkopuolelta. Et mun mielest niinku se osaaminen ei oo millään tavalla gäppi. Teknologiakaan ei oo mun mielest millään tavalla gäppi. Enemmän se ymmärrys mitä on saatavilla ja sit standardoidut toimintatavat. -H2, Director of Analytics & Applications, osa globaalia R&D -johtoryhmää Haastateltavista suurin osa käsitteli avoimen datan omistajuutta. Kaikki heistä, jotka käsittelivät aihetta, olivat sitä mieltä, että avoin data tulisi tuoda organisaation oman kontekstin piiriin, dokumentoida ja sen omistajuuteen tulisi kiinnittää huomiota, jotta sitä voitaisiin hyödyntää tehokkaasi. Haastattelujen perusteella ihmisresurssien kriittinen merkitys tiedostetaan tutkimuksen kohdeorganisaatiossa. Yhdistävänä avainvaatimuksena ihmisresursseista voidaankin nostaa avoimen datan ymmärtäminen. Hallinnollisesta näkökulmasta tämä tarkoittaa datan teknisempää ymmärtämistä, kun taas operatiiviselta näkökannalta tämä tarkoittaa datan liiketoiminnallisen merkityksen ymmärtämistä. Jos hallinnon puolella ei ymmärretä avoimen datan mahdollisuuksia ja esimerkiksi sen generoitumiseen liittyviä sidosryhmiä, voi jokin relevantti liiketoimintatiedon lähde jäädä hyödyntämättä. Jos puolestaan operatiivisessa roolissa toimiva henkilö ei ymmärrä liiketoimintaa avoimen datan ympärillä, on hänen haastava esimerkiksi löytää relevantteja datasettejä. Avoimen datan hyödyntäminen vaatii sen ymmärtämisen lisäksi selkeän ajatuksen siitä, mitä sillä yrittää tehdä. Tämän lisäksi avoin data tulisi tuoda osaksi organisaation data-arkkitehtuuria ja se tulisi esimerkiksi dokumentoida huolellisesti. Sen omistajuudesta tulisi myös huolehtia, jotta data päätyisi käytettäväksi ja sen laadusta huolehditaan.

74 Avoimen datan käyttöä estävät tekijät Tässä luvussa käsitellään tutkimuksesta tunnistettuja avoimen datan käyttöä estäviä tekijöitä. Edellisessä luvussa tunnistettiin avoimen datan hyödyntämisen vaativan avoimen datan ymmärtämistä eri näkökulmista sekä hallinnossa, että operatiivisesti toimivilta henkilöiltä, huolehtimista datan omistajuudesta sekä riittävän korkeaa datamaturiteettia. Tutkimuksen empiirisessä osassa näissä kaikissa huomattiin kuitenkin olevan puutteita ja haasteita. Avoimen datan kanssa erittäin läheisesti operatiivisesti toimiva haastateltava H1 kertoi haastattelussa, ettei hänen mielestään tietotekniikan ammattilaisella saa olla avoimen datan hyödyntämisessä teknisessä mielessä ongelmia, sillä tällöin hän ei ole todellinen ammattilainen. Tämä on linjassa haastateltavan H10 kokemuksen kanssa, jonka mukaan avoimen datan käyttö ei hyödynnettäessä poikkea juurikaan minkään muun datan käytöstä. Datan ymmärtämisessä haastateltavan H1 mukaan puolestaan voi olla paljon useammin haasteita, jos kyseessä olevan henkilön osaaminen on painottunut teknisiin osa-alueisiin, sillä relevantin avoimen datan tunnistaminen ja siten edelleen tietotarpeisiin vastaavan datan kerääminen vaatii korkeaa toimialaosaamista. Haastateltava H1 kertoikin, että puolestaan henkilöillä, joiden osaaminen keskittyy nimenomaan liiketoiminnallisiin osa-alueisiin, ei useinkaan ole riittäviä tietoteknisiä kykyjä saattaa avointa dataa käytettävään muotoon, jotta sen mahdollisuudet voitaisiin valjastaa. Avoimen datan hyödyntämiseen vaadittavassa ymmärryksessä on siis puutteita sekä hallinnossa, että operatiivisessa toiminnassa. Tällöin tietotarpeiden tunnistaminen tai organisaatiossa tunnistettujen tietotarpeiden kokoaminen tiedonhallinnan prosessimallissa ei toimi kunnolla, eikä organisaation toiminta avoimen datan suhteen ole optimaalista. Haastateltavien mukaan henkilöstön organisointi on organisaatioiden hallinnoille haastavaa, sillä henkilöitä, joiden kyvykkyys ei rajoitu ainoastaan liiketoiminnalliseen tai tekniseen kontekstiin on hyvin haastava löytää. "Selvästi tieto siitä, missä on hyviä, HYVIÄ tällaisia datalähteitä, niin, ei oo levinny riittävän hyvin. Toisaalta voi olla että jonkun tälläsen tiedon (datatyypin tai -setin) osalta on runsaudenpula." -H1, Ohjelmistosuunnittelija Iso haastehan on löytää niit yksilöitä, jotka ymmärtää tarpeeksi liiketoimintaa, sitä liiketoimintaympäristöä, että mikä on relevanttia. -H4, Head of Market Intelligence & Sales Analytics Silloin kun edellä kuvattuja henkilöjä löytyy, olisi heille enemmän kysyntää ja työtä tarjolla, kuin mitä heidän on mahdollista suorittaa. Johdon päätöksenteko on tässä tilanteessa haasteen edessä, mutta sitä haastaa myös haastatteluiden mukaan edellä kuvattu kyvykkyysvajaus avoimen datan ymmärtämisessä. Kuinka optimoida organisaation kyvykkyyksiä jonkin resurssin optimaalisen käytön kannalta, jos ei ymmärrä resurssia?

75 66 Haastateltavan H9 mukaan tieto onnistuneiden ja epäonnistuneiden hankkeiden ominaisuuksista ei täysin välity organisaatioiden liiketoiminnasta vastaaville tahoille, jolloin liiketoimintaa ohjaavien henkilöiden ymmärrys aiheesta ei myöskään lisäänny. Harvoin sitä ymmärrystä liiketoiminnalla kuitenkaan on, mitä avointa dataa meillä lähtökohtaisesti oli, hyviä esimerkkikeissejä siitä et miten sitä on hyödynnetty, jotta ymmärrettäis et no, mitä ne jotka onnistu vs. mitkä jotka epäonnistu mahdollisesti teki ja sit sen jälkeen sen niinku funtsiminen omassa kontekstissa, mitkä on juuri nää henkilöt tai ne aktorit siinä arvoketjussa, jotka joko liittyy siihen datan generoimisprosessiin tai käyttää sitä, ja onks meillä jotain erikoista roolia siihe. Ni, tossa monimutkases kuvaukses mun mielestä ni on se niinku, jutun juju ja se et miks ainaki ne keissit missä ite oon ollu mukana ne on joko onnistunu tai sit epäonnistunu. -H9, Digital lead, Data Science & AI Monet haastateltavista kertoivat, että kommunikaatio data- tai IT-henkilöstön ja liiketoiminnan välillä ei aina ole saumatonta ja toimivaa, jolloin liiketoimintaa on haastava tukea täysin tarkoituksenmukaisesti. Avoimen datan ymmärryksen lisäksi organisaatioiden sisäisessä kommunikaatiossa on siis haasteita. Usein ongelmia (kommunikoinnissa). Aika usein probleema on siinä, että nää kaks tahoo eivät puhu samaa kieltä. -- Jos nörtti ei osaa laskeutua, tai kohota, tän toisen osapuolen kans suunnilleen samalle tasolle ja puhu sitä toisen tahon kieltä, niin kyllä kommunikaatio menee pieleen. Ja tää ei useinkaan oo tekninen ongelma, vaan enemmän henkilökohtanen ongelma niillä ihmisillä. -H1, Ohjelmistosuunnittelija Tää ei oo pelkästään avoimen datan ongelma, vaan tää on ihan yleinen ongelma. -- Yleinen kulma, dataosaamisessa ja analytiikkaosaamisessa ylipäätään liian vähän painotetaan sitä toimialaosaamista. -H2, Director of Analytics & Applications, osa globaalia R&D -johtoryhmää Miten saa näkyvyyttä dataan heille, jotka eivät ole niin teknisiä. Liiketoimintaorientoituneilta pitäisi kumminkin tulla net ideat, et miten dataa voisi saada käyttöön. -H5, Global Head of Analytics Haastateltavan H9 mukaan organisaation pitää olla tietoinen siitä, mitä avoimella datalla yrittää tehdä. Hänen mukaansa organisaatioiden liiketoiminnasta vastaavilla tahoilla kuitenkaan harvoin on tiedossa sitä, mitä avointa dataa mistäkin aiheesta olisi saatavilla tai käytettävissä, tai mitä avointa dataa menestyneissä ja epäonnistuneissa hankkeissa on pyritty hyödyntämään. Monet haastateltavat kertoivat myös avoimen datan tietouden liiketoiminnallisista käyttötapauksista olevan hyvin puutteellista organisaatioissa. Tämä vahvistaa haastateltavan H1 havaintoa siitä, etteivät tekniset ja liiketoiminnalliset kyvykkyydet kulje käsi kädessä samoissa ihmisissä, eikä tieto kulje organisaatioissa kuten sen pitäisi. Haastateltavan H7 esimerkki havainnoi hyvin hallinnon aloitteellisuuden ja tietotarpeiden määrityksen merkitystä avoimen datan käyttöön päätymisessä. Hänen mukaansa heidän organisaationsa on niin sanotusti siivottu leaniksi, eikä heillä ole aikaa

76 67 tutkia uusia datalähteitä, sillä työaika kuluu nykyisten datalähteiden parissa, eikä liiketoiminnasta vastaavilta tahoilta ole tullut ohjausta avoimen datan käytön pariin. Haastateltava H6 painottikin hallinnon roolia avoimen datan käyttöön päätymisessä, tuoden kuitenkin lisää esiin haastetta liiketoiminnan ja avoimen datan tuntemuksen kohtaamattomuudesta. Kärjistäen otetaan nuori data scientist pyörimässä liiketoimintaongelman ympärillä: jos kukaan ei rohkaise häntä etsimään avointa dataa niin ei uskalla ehkä ite lähtee ettimää. Sit taas liiketoiminnalla ei ole ymmärrystä siitä, ni ei hekään tule sanomaan sulle et eti tota tai eti avointa dataa. Tai vaikka pystyis sanomaanki hei käytä avointa dataa ni ei kukaan osaa sanoa et 'käytä tätä tai tähän ilmiöön liittyvää (avointa dataa). -H6, Manager, Data & Digital Transformation Haastattelujen perusteella organisaatioille ei ole kovin tuttua, mitä kaikkea avointa dataa on tarjolla ja miten avointa dataa voitaisiin hyödyntää liiketoiminnassa tehokkaasti. Voidaan siis olettaa, etteivät organisaatiot ole vielä tutkineet avointa dataa ja sen generoitumista kovinkaan paljoa, jolloin he eivät ymmärrä siihen liittyviä tekijöitä, kuten haastateltava H9 kertoi. Kaikki tutkimukseen haastatelluista henkilöistä kuitenkin kertoivat heidän organisaationsa hyödyntävän avointa dataa. Heidän mukaansa avoimen datan potentiaali on tunnistettu erityisesti sitä käyttävien henkilöiden piirissä, mutta avoimen datan käyttö on myös erittäin henkilöitynyttä ja siten siiloutunutta. Tietous ja kyvykkyys hyödyntämismenetelmistä ei leviä organisaatiossa juurikaan, mikä kertoo organisaatioiden oppimisen puutteellisuudesta, erityisesti avoimen datan suhteen. Organisaation oppiminen on osa tiedon johtamisen osakokonaisuutta ja siten organisaatioiden tiedon johtamisessa voidaan olettaa olevan parannettavaa. Tiedon johtamisen haasteet nousivat haastatteluissa yleisemminkin esille. Aiemmin tunnistettu ongelma kommunikaatiossa haastaa organisaatioita laajemminkin tiedonkulussa. Tutkimuksen kohdeorganisaatiot ovat niin suuria, ettei niiden henkilöstön eri rooleissa toimivilla tekijöillä ole näkyvyyttä siihen, mitä esimerkiksi jossakin toisessa yksikössä tehdään. Vaikka haastateltavina oli hyvinkin korkeassa asemassa olevia henkilöitä, kertoivat he, ettei heillä ole näkyvyyttä kaikkeen heidän organisaationsa tekemiseen. Puolestaan operatiivisemmalta kantilta asiaa katsova haastateltava H1 kertoi tilanteista, joissa heidän organisaationsa on saattanut tarjota samalle asiakkaalle samaa asiaa eri yksiköiden toimesta, mikä kertoo selvästi tiedon heikosta kulusta ja siten heikosta tiedon johtamisesta. Tämä vahvistaa haastatteluista tunnistettua haastetta organisaatioiden kommunikaatiossa ja tiedonkulussa.

77 68 Yks ongelma on tietää, että mitä toisissa yksiköissä tehdään, mitä resursseja heillä on, mitä apua heistä voisi olla. Yhteistyötä on yritetty parantaa. -- Monesti huomaa, että tarjotaan asiakkaille eri yksiköiden toimesta about samoja asioista toisistaan tietämättä. Tiedonkulku on vähä semmosta paskaa. -H1, Ohjelmistosuunnittelija Useimmiten ihan meidän organisaatiossakin sisäisestikin löytyy tilanteita, joissa huomataan ai sulla on tämmöseen kantaan pääsy? Missä tää on? -H2, Director of Analytics & Applications, osa globaalia R&D-johtoryhmää Mä luulen että (käytämme) molempiin (ulkoisiin ja sisäisiin prosesseihin). Tietysti mä ehkä tiedän paremmin sisäisistä prosesseista, mä en välttämättä tiedä kaikkea, et mitä niinku ulkosia prosesseja on. -H5, Global Head of Analytics Haastatteluiden mukaan datan kanssa operatiivisesti toimivien henkilöiden ymmärrys avoimesta datasta ja sen merkittävyydestä liiketoiminnan kannalta on lähes yhtä oleellista kuin organisaatioiden hallinnon ymmärrys avoimen datan mahdollisuuksista. Aihe tunnistettiin haastatteluissa kuitenkin erittäin haastavaksi, samoin kuin hallinnossa, joten on selvää, että avoimen datan hyödyntämiseen vaaditussa ymmärryksessä on puutteita. Haastateltava H3 kertoi, että organisaatioiden strategia- ja visiotyötä on usein vaikea sitoa käytäntöön, jolloin vastuu tavoitteiden toteutumisesta putoaa organisaatiotasolta yksiköiden johtajien vastuulle. Hänen mukaansa tiedon ja tiedonhallinnan arvoa on myös vaikea määrittää, mikä osaltaan hidastaa tiedon johtamisen kehittymistä organisaatioissa. Esimerkiksi juuri avoimen datan käytön leviämiselle on vaikea määrittää tiettyä ROI-odotusta, kun investoinnista saatava arvo on vaikeasti arvotettava tehokkaammin käytetty työaika tai parempi liiketoiminnallinen päätös, joten siihen voi olla vaikea uskaltaa investoida. Avoimen datan investointiprojektit laajenevatkin haastateltavien H2 ja H12 mukaan herkästi niin laajoiksi kokonaisuuksiksi, että niiden korkeat kustannukset kumoavat avoimen datan ilmaisuuden tarjoaman edun. Tämä edelleen puhuu organisaatioiden puutteellisen avoimen datan ymmärryksen puolesta. Haastateltava H4 nosti avoimeen dataa liittyvien investointipäätöksien yhteydessä esiin organisaation kypsyyden investoida dataan. Organisaatioiden dataan liittyvä kypsyys, datamaturiteetti oli lähes kaikkien haastateltavien mainitsema asia, jonka tulisi olla riittävän korkealla tasolla, mikäli organisaatiot tahtovat hyödyntää avointa dataa. Lähes kaikki haastateltavat kuitenkin kertoivat heidän sisäisenkin datansa työstämisessä ja arvontuotossa olevan vielä tekemistä, eli heidän datamaturiteettinsa on myös yksi tekijä, joka rajoittaa avoimen datan hyödyntämistä syöden resursseja ja estäen avoimen datan yhdisteltävyyttä.

78 69 Mikä on organisaation kypsyys hyödyntää dataa päätöksenteossa? Sehän niinku tavallaa heijastelee siihen halukkuuteen investoida paremman datan haalimiseen. Niin näähän kulkee ihan käsi kädessä, ei siinä sinänsä mitään uutta ja ihmeellisetä. -H4, Head of Market Intelligence & Sales Analytics Tutkimukseen haastatelluista organisaatioista kaikki kertoivat käyttävänsä avointa dataa toiminnassaan ja kaikki haastatelluista kertoivat sen käyttöön liittyvän operatiivisia haasteita. Haastateltaville esiteltiin teoriataustan listaus (taulukko 5), jonka haasteista he myönsivät lähes kaikkien olevan relevantteja heidän kontekstissaan, vaikka kaikki eivät aiheesta aivan varmoja olleetkaan oman roolinsa myötä. Havainto epävarmuudesta kertoo hyvin siitä, ettei tieto avoimen datan käytöstä onnistuneissa ja epäonnistuneissa hankkeissa saavuta aina päätöksentekijöitä, ainakaan korkeammilla organisaatiotasoilla. Haastatteluissa selvästi eniten mainittuja haasteita olivat vastaavassa järjestyksessä avoimen datan käytettävyys, ymmärrettävyys sekä sen saatavuus & pääsy. Näiden haasteiden lisäksi esiin nousi mielenkiintoisesti avoimen datan avaamiseen & lataamiseen, yhdisteltävyyteen, laatuun sekä sen omistajuuteen liittyvät haasteet. Haastateltavista muutamat mainitsivat, että monet taulukon haasteista koskettavat avoimen datan lisäksi myös suljetumpaa dataa, eivätkä ole siten täysin tunnuksenomaisia vain avoimelle datalle. Eniten mainittuun haasteeseen, eli avoimen datan käytettävyyteen liittyen mainittiin erityisesti jo edellä käsitellyt avoimen datan aihepiirin toimialaosaamisen ja sen käyttötapausten puute. Näiden osa-alueiden ulkopuolelta esille nousi luottamuksen puute itse avointa dataa, sekä sen julkaisijaa kohtaan. Haastateltavan H1 mukaan datan uskottavuus aiheuttaa välillä todellisia haasteita sen suhteen, voidaanko kyseistä dataa käyttää kyseisessä tilanteessa ollenkaan. Haastateltavat olivatkin huolissaan esimerkiksi siitä, voidaanko datan todenmukaisuuteen tai muihin laatuominaisuuksiin luottaa. Välillä laatuominaisuudet estävät haastateltavan H1 mukaan lähteen käytön täysin, vaikka avoin data hänen ja muutamien muiden haastateltavien mukaan onkin yleisesti hyvälaatuista. Avoimen datan laatu on siis hyvin epätasaista. Laadun epätasaisuus näkyy haastateltavan H1 mukaan jopa saman julkaisijan yhden aihepiirin sisällä, missä esimerkiksi tietyn alueen paikkatiedot voivat olla hyvinkin spesifejä, mutta toiselta alueelta vastaavat tiedot ovat hyvin puutteellisia. Hänen mukaansa viranomaistiedot ovat kuitenkin hyvin tasalaatuisia, mutta se puolestaan välillä tarkoittaa, ettei viranomaisdatasta löydy kaikkia hienouksia, mitä voisi löytyä jostain toisaalta. Haasteltava H6 suosittelikin, että avoimeen dataan luottavat mallit eivät olisi organisaatiolle niitä kaikista liiketoimintakriittisimpiä. Varoittavana esimerkkinä hän kertoi tilanteesta, jossa heidän koneoppimismallinsa lakkasi toimimasta, koska avointa dataa malliin välittänyt rajapinta kaatui, eikä rajapinnan

79 70 ylläpitäjä ollut ilmoittanut heille asiasta mitään. Palvelu- tai arvolupausta on haastateltavien H2 ja H6 mukaan vaikea saada resurssista, josta ei maksa mitään, mikä näkyy edellä kuvatun esimerkin kaltaisissa tilanteissa ja siten luottamuksen puutteena. Toiseksi eniten haasteista mainittiin avoimen datan ymmärrettävyyteen liittyviä osa-alueita. Ymmärrettävyys vaikuttaa kokonaisuutena melko yksiselitteiseltä, mutta siihen, kuten muihinkin haasteisiin, liittyy monta osatekijää. Merkittävimpänä tutkimuksen haastatteluissa näistä ilmeni yllätyksettömästi avoimen datan tulkinta. Organisaatioiden teknisillä, dataa käsittelevillä henkilöillä ei ole riittävästi substanssiosaamista datan aiheista, tai datan metatiedot ovat liian puutteelliset, jotta käsiteltävän datan merkitystä kyettäisiin ymmärtämään tai esimerkiksi tunnistamaan relevantteja datasettejä datamassojen joukosta. Toisena osa-alueena tutkimuksen haastateltavat mainitsivat usein riittävän hyvän rajapinnan merkityksen. Jos rajapinnan käyttö kuluttaa enemmän asiantuntijan resursseja kuin mitä hankittavan datan tuoma lisäarvo olisi, ei datalähde ja rajapinta ole hyödyllinen organisaation näkökulmasta. Kelvollisten rajapintojen puute on haastateltavan H6 mukaan suurin heidän organisaationsa avoimen datan käyttöä hidastava tekijä. Muiden organisaatioiden haastateltavat kertoivat rajapinnan toimivuuden helpottavan avoimen datan käyttöä, mutteivat pitäneet aihetta yhtä rajoittavana tekijänä kuin haastateltava H6. Kolmantena yleisenä haasteena ilmeni avoimen datan saatavuus ja pääsy. Tämän haasteen osa-alueista mainittiin erityisesti datan löytäminen sekä sen epätasainen päivittyminen. Datalähteiden löytämisen haastetta on tässä tutkimuksessa jo sivuttu ja se liittyy haastateltavan H1 mukaan kunkin asiantuntijan omaan ammattitaitoon, miten onnistuu löytämään omaan työhönsä sopivia avoimen datan lähteitä. Vaikka avoimen datan käsittely datana kuuluukin hänen mukaansa ammattilaisen osaamiseen, ei avoimen datan löytäminen varsinaisesti kuulu siihen oletuksena. On kunkin käyttäjän ammattitaitoa oppia löytämään tarpeellista dataa. -- Datan löytäminen ei kuulu tietoteknisen ammattilaisen työkalupakkiin, se miten se data voidaan ladata, saada ja käsitellä, on ammattitaitoa. -H1, Ohjelmistosuunnittelija Saatavuuteen ja pääsyyn liittyy olennaisesti myös datan ilmaantuvuus, eli sen ajantasainen saatavuus. Haastatteluissa kävi selvästi ilmi huoli siitä, miten usein avoin datan päivittyy, eli miten usein ja säännöllisesti tuore datasetti on saatavilla. Datan ilmaantuvuus, kuten datan laatuun liittyvät kriteerit, on tosin haastatteluiden perusteella kontekstista riippuvaista. Haastateltavan H12 mukaan avoimen datan lähteet saisivat päivittyä nopeammin, sillä tällä hetkellä data voi olla jopa 2 kuukautta vanhaa, kun se julkaistaan. Toisaalta hän kertoi, etteivät päätöksentekijät kovin usein pystyisikään viikkotason dataa

80 71 hyödyntämään päätöksissään, vaan pidemmän aikavälin dataa. Useat muut haastateltavat puolestaan kertoivat hyödyntävänsä avointa dataa, joka päivittyy jopa tunneittain tai vielä useammin. Haaste on siis haastatteluiden mukaan datan epäsäännöllisessä päivittymisessä, eikä niinkään sen päivittymistiheydessä, vaikka sekin joidenkin haastateltavien toimintaa haittaakin. Vaikka organisaatioista suurin osa vierastikin datan avaajan roolia, pois lukien datan yhteisjakaminen, nousi datan avaaminen ja lataaminen haastatteluissa puheenaiheeksi. Haasteeseen liittyvät osa-alueet olivat sellaisia, jotka mietityttivät haastateltavia molemmilta kanteilta, sekä hyödyntäjän, että avaajan roolista. Esimerkiksi yksityisyydensuojan mahdollinen tarkoitukseton rikkominen sekä compliance-kysymykset huolettivat haastateltavia sekä avoimen datan hyödyntämisen, että sen avaamisen konteksteissa. Usean haastateltavan mukaan haasteet avoimen datan yhdisteltävyydessä muihin datasetteihin ja -lähteisiin voisi olla jopa suurempi haaste kuin haastateltavan H6 mainitsema rajapintojen puute. Joskus haastateltavan H1 mukaan puutteellisesti muodostettuja avoimen datan settejä ei ole edes mahdollista yhdistää mihinkään muuhun dataan niiden puutteiden vuoksi, tehden niistä siinä kontekstissa käytännössä hyödyttömiä. Toinen haaste yhdisteltävyydessä on datan yhteismitallisuus, mittaustavat ja pohdinta siitä, mitä edes oikeasti pitäisi mitata. Esimerkkinä haastateltava H2 nosti esiin erilaisten tehtaiden mittaustulokset, joita voi pelkästään yhden konsernin tuotantolaitoksessa olla kappaletta. Kun lukemia vertailee muiden toimijoiden kanssa, löytyy varianssia hänen mukaansa varmasti. Kolmas ulottuvuus datan yhdisteltävyydessä liittyi haastattelujen perusteella osittain datan avaamiseen ja lataamiseen. Jonkin avoimen datasetin hyödyntäminen yhdistämällä sitä sisäiseen dataan, kuten esimerkiksi työntekijädataan, voi johtaa esimerkiksi GDPR- tai compliance-haasteisiin, mikä voi ainakin osittain estää datan käyttämisen sitä yhdistelemällä. On ok käyttää puhtaasti ulkopuolista dataa. Compliance voi kuitenkin muuttua, kun sitä avointa dataa yhdistelee sisäiseen dataan. Esimerkiks employee datan yhdistäminen ulkopuoliseen dataan, niin yhtäkkiä tiedetäänkin, et "Tero tekee sitä ja tätä, koska se asuu täällä. -H11, Director of Digital & Data Management Suurin osa haastateltavista kertoi avoimen datan hyödyntämisen vaativan sen omistajuuteen panostamista. Haastateltavien mukaan avoin data tulisi tuoda organisaation omaan piiriin ja omistajuuteen sekä dokumentoida. Sen omistajuus tulisi kuitenkin määritellä, mutta siihen liittyvät osa-alueet eivät olleet kaikille organisaatioille selviä. Haastateltavat H1 ja H12 kertoivat palautteen antamisen avoimesta datasta olevan haastavaa. Haastateltava H1 havainnoi haasteellisuuden koskevan esimerkiksi tilanteita, joissa dataa ylläpitävä taho ei ole keskitetty taho (Esim. OSM, OpenStreetMap),

81 72 jossa dataa päivittää jopa kymmenet tuhannet henkilöt, tai jos dataa ylläpitävä taho ei ole halukas ottamaan palautetta vastaan tai ei ymmärrä sitä. Datan ymmärtämisessä voi olla siis ongelmia monellakin taholla. Taulukkoon 9 on koottu selkeyden vuoksi organisaatioiden kohtaamia hidastavia tekijöitä avoimen datan hyödyntämisen saralla. Taulukossa ei ole eritelty kaikkia osakokonaisuuksia niin pieniin osiin kuin mahdollista, jotta se säilyisi riittävän ehyenä. Taulukosta käy hyvin ilmi, että kaikki tutkimukseen haastatelluista organisaatioista ovat kohdanneet haasteita hallinnossa olevan avoimeen dataan liittyvän osaamisen kanssa, avoimeen dataan liittyvän substanssiosaamisen puutumisessa IT-puolella, avoimeen dataan luottamisessa sekä resurssivajeen kanssa avoimen datan tutkimisen suhteen.

82 73 Avoimen datan käyttöä hidastavat tekijät haastatteluiden perusteella Organisaatio A B C D E F G H Käyttöä hidastava tekijä Puute liiketoimintaa ja dataa ymmärtävistä osaajista Avoimen datan ymmärtäminen hallinnossa Avoimen datan liiketoiminnallinen ymmärtäminen Siiloutunut avoimen datan käyttö ja/tai osaaminen Vajaat resurssit tutkia avointa dataa Matala/riittämätön datamaturiteetti Rajapintojen käytettävyys Avoimen datan prosessin palautesykli Kommunikaatiohaasteet Compliance ja omistajuus x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x* x x x x x x x x x x x x Laatutekijät x x x Luottamus, uskottavuus x x x x x x x x Datan epäsäännöllinen päivittyminen x x x *= eri liiketoimintayksiköissä eri datamaturiteetti x x x Taulukosta nähdään, ettei tutkimuksen kohdeorganisaatioiden hallinnossa ole riittävästi tietoa avoimen datan liiketoiminamahdollisuuksista, eikä teknistä osaamista sen generoitumisprosessien ymmärtämiseksi, jotta hallinnon toimijat kykenisivät vaikuttamaan heidän liiketoiminta-alueensa tietotarpeiden määrittämiseen siten, että se kannustaisi avoimen datan käyttöön. Haastateltavat myös implikoivat, että organisaation hallinnossa tulisi olla luottamusta avoimeen dataan, jotta sitä voitaisiin käyttää ja siihen voitaisiin

83 74 investoida. Luottamuspula avointa dataa kohtaan ja avoimen datan liiketoimintamahdollisuuksien tunteminen vaikuttavatkin korreloivan taulukon perusteella hyvin vahvasti. Vastaavasti taulukosta nähdään, ettei organisaatioiden IT-puolella ole riittävästi substanssiosaamista, jotta datan parissa työskentelevät henkilöt kykenisivät tunnistamaan tehokkaasti organisaatiolle hyödyksi olevia datasettejä. Organisaatioiden haastateltavat tunnistivat, ettei heillä tai muilla heidän organisaationsa henkilöillä useinkaan ole riittävästi aikaa, jotta he kykenisivät tutkimaan avointa dataa ja sitä kautta tunnistamaan siitä liiketoimintamahdollisuuksia, tai vastaavaa toimintaa ei yleisesti harjoiteta heidän organisaatiossaan. Se vaatisi heidän mukaansa lähes aina oman henkilöresurssinsa, jos organisaatio suorittaisi avoimen datan etsimistä omin avuin. Dataa ja liiketoimintaa ymmärtävistä henkilöistä onkin haastatteluiden perusteella resurssipula, mikä näkyy taulukossa 9 yhtenä yleisimmin kohdatuista avoimen datan käyttöä hidastavista tekijöistä, jota organisaatio E ei ole kuitenkaan kohdannut. Tätä voi selittää se, että organisaation E tunnistettiin käyttävän avointa dataa toistaiseksi hyvin suppeasti. Sama ilmiö selittänee organisaation E verrattain pientä määrää avoimen datan hyödyntämisessä tunnistettujen haasteiden kohdalla. Organisaatioiden A ja H haastatteluista ei puolestaan tunnistettu haasteita datamaturiteetissa. Haastateltava H5 kertoikin heidän organisaationsa olevan kohtalaisen vanha, jolla on vastaavasti käytössä vanhoja legacy-järjestelmiä, joissa ei lähtökohtaisesti ole osattu ajatella analytiikkakyvykkyyksiä tai datan yhdistelyä muihin datalähteisiin, mikä selittää heidän osaltaan hyvin datamaturiteetin haasteita. Haastateltava H9 puolestaan kertoi heidän organisaationsa eri liiketoimintayksiköiden välillä olevan merkittäviäkin eroja maturiteetissa. Osa yksiköistä kamppailee vastaavien haasteiden parissa, joista haastateltava H5 kertoi, mutta heidän tuoreemmissa yksiköissään analytiikkakyvykkyyttä on rakennettu merkittävästi enemmän, mutta niiden potentiaali ei ole vielä ehtinyt realisoitumaan. On huomattavaa, että organisaatioista A ja H kumpikin keskittyvät haastatteluiden perusteella suurimmaksi osaksi joko avoimen datan epäsuoraan ulkoiseen, tai epäsuoraan sisäiseen hyödyntämiseen. Organisaation A tunnistettiin keskittyvän tutkimuksen kohdeorganisaatioista kaikista laajimmin avoimen datan epäsuoraan ulkoiseen hyödyntämiseen ja organisaatio H puolestaan käyttävää avointa dataa haastattelujen perusteella lähes pelkästään epäsuoraan sisäiseen hyödyntämiseen. Organisaation A osalta havaintoa voikin selittää se, että sen toiminta keskittyy kaikista tutkimuksen organisaatioista eniten tietotyön hyödyntämiseen valmistavan teollisuuden yhteydessä. Sillä ei siis ole täysin vastaavia legacy-järjestelmiä teollisissa ympäristöissä käytössään, joista esi-

84 75 merkiksi haastateltavat H5 ja H9 kertoivat. Organisaation H osalta selittävämmäksi tekijäksi tunnistettiin kaikessa yksinkertaisuudessa haastateltavan H12 ajatus, jonka mukaan avoimen datan käyttö helpottuu, mitä enemmän sitä käyttää. Taulukosta 9 huomataan myös, että organisaatioiden A ja H haastatteluista tunnistettiin lukumäärällisesti eniten eri haasteita. Organisaation H kohdalla haasteita tunnistettiin 11 kappaletta ja organisaation A kohdalla niitä tunnistettiin 10. Tämän lisäksi myös organisaation C kohdalla haasteita tunnistettiin 10. Haasteiden määrä korreloi hyvin sen kanssa, miten laajasti eri tavoin organisaatiot hyödyntävät avointa dataa (taulukko 8). Laaja käyttökohdeportfolio siis tuo mukanaan haasteita. Tätä havaintoa tukee organisaation E kohdalla tunnistetut vähäiset haasteet (7 kpl) sekä käyttökohteet. Avoimen datan käytön kautta organisaatiot siis kokevat haasteita ja tekevät kenties virheitä, joista he edelleen oppivat ja onnistuvat laajentamaan toimintaansa avoimen datan parissa entisestään. Samaa havaintoa tukee taulukossa 9 harvemmin esiintyvät haasteet. Osaa haasteista ei tunnistettu kovinkaan monen organisaation kohdalla, tai niitä ei osattu mainita sen tarkemmin. Esimerkiksi haastetta avoimen datan hyödyntämisen prosessin palautesyklissä ei tunnistettu organisaatioiden A ja H lisäksi muissa organisaatioissa, sillä muut organisaatiot olivat käyneet keskustelua datasta korkeintaan datan vendorien kanssa. Muista haastatelluista organisaatioista yksikään ei ollut siis haastattelujen perusteella syventynyt avoimen datan julkaisijaan asti antaakseen datasta palautetta. Tämä voi siis kertoa datan vähäisestä käytöstä. Poikkeuksena taulukossa esiintyy organisaatio E, jonka haastattelussa kävi ilmi, ettei organisaation haastateltavilla ollut tietoa, miten palautetta edes voisi antaa, vaikka se heidän mukaansa tärkeää olisikin. Tämä kertoo siitä, että heidän organisaatiossaan on kyllä teknisiä ihmisresursseja, jotka osaavat ottaa käytännön asioita huomioon, mutta toisaalta siitä, että avoimen datan hyödyntäminen ei ole vielä kovinkaan korkealla tasolla. Organisaatioissa esiintyviä haasteita esiintyy hieman vaihtelevasti. Varianssi selittynee keinoilla, jotka organisaatiot ovat tunnistaneet edullisiksi heidän avoimen datan hyödyntämisensä kantilta. Merkittävimmiksi haasteiksi voidaan silti yleistää organisaatioiden puutteet avoimen datan hyödyntämiseen vaadittavilla osa-alueilla, eli datamaturiteetissa, avoimen datan ymmärtämisessä organisaation hallinnossa ja sen operatiivisella puolella. Näiden lisäksi avoimen datan käyttöä hidastaviksi tekijöiksi tunnistettiin määrällinen resurssivajaus henkilöistä, jotka ymmärtäisivät sekä avointa dataa, että liiketoimintaa, avoimen datan hyödyntämisen henkilöityneisyys, kommunikaatiohaasteet ja haasteet tiedonkulussa. Näitä käytössä olevia ja potentiaalisia haastatteluista tunnistettuja keinoja käsitellään tutkimuksen seuraavassa alaluvussa.

85 Avoimen datan käyttöä edistävät tekijät Tässä luvussa tarkastellaan tutkimuksen haastatteluista tunnistettuja keinoja, joilla avoimen datan käyttöä pyritään edistämään tutkimuksen kohdeorganisaatioissa, tai joilla avoimen datan käyttöä voitaisiin haastateltavien mukaan pyrkiä edistämään. Tunnistettuja keinoja peilataan edellisessä alaluvussa tunnistettuihin haasteisiin avoimen datan hyödyntämisessä. Tutkimuksen kohdeorganisaatioista suurimmalla osalla tunnistettiin olevan puutteita heidän datamaturiteetissaan, vieden resursseja muuhun toimintaan ja kehitykseen, mikä heikentää heidän mahdollisuuksiaan panostaa avoimen datan hyödyntämiseen. Paikoin organisaatioiden maturiteetti kuitenkin on jo sillä tasolla, että avointa dataa on kyetty tuomaan mukaan toiminnan piiriin. Ilman edes osittain riittävää maturiteettia tämä ei haastateltavien mukaan olisi mahdollista. Nykyisen datamaturiteetin kehittäminen siis auttaa organisaatioita pääsemään siihen tilanteeseen, jossa avointa dataa voitaisiin tuoda entistä enemmän rikastamaan organisaatioiden päätöksentekoa. Yleisesti datamaturiteetin kehittämiseen ei kuitenkaan haastatteluissa perehdytty, eikä sen parantamiseen siten löytynyt haastatteluista uusia keinoja. Kun organisaatioiden datamaturiteetti on tarpeeksi korkea, voidaan avointa dataa tuoda hyödyntämisen piiriin enemmän ja enemmän. Haastatteluista kuitenkin tunnistettiin haasteita avoimen datan ymmärryksessä sekä liiketoiminnan, että operatiivisemman puolen osalta. Osaltaan haastetta selittävät haastatteluista tunnistetut tiedonkulun haasteet, avoimen datan hyödyntämisen kyvykkyyden henkilöityneisyys ja resurssivajaus henkilöistä, jotka ymmärtävät sekä dataa, että liiketoimintaa. Kaikissa tutkimukseen haastatelluissa organisaatioissa tunnistettiin, että kommunikaatiohaastetta voitaisiin mitigoida hyödyntämällä tiimejä, joissa olisi osaamista molemmista osa-alueista, sekä liiketoiminnasta, että avoimesta datasta. Tämä vaatisi kuitenkin suurimman osan haastateltavista mukaan aloitteellisuutta organisaatioiden liiketoiminnallisilta elimiltä, mikä puolestaan vaatisi lisää luottamusta avoimeen dataan ja esimerkkejä aiemmista avoimen datan liiketoiminnallisista käyttötapauksista, jotta siihen investoitaisiin esimerkiksi edellä mainittujen tiimien muodossa. Jos organisaatio päätyisi hyödyntämään tiimiä, ei se kuitenkaan vielä poista haastateltavien kuvailemaa kommunikaatiohaastetta. Vaikka henkilöt kommunikoisivat keskenään, he eivät haastateltujen asiantuntijoiden mukaan aina ymmärrä toisiaan tai asioiden selittäminen voi vaatia huomattavasti aikaa. Kommunikaatiohaastetta voitaisiin mitigoida asiantuntijoilla, joiden kyvykkyyksiin lukeutuu ymmärrys sekä datasta, että liiketoiminnasta. Kyseisistä henkilöistä on kuitenkin pulaa ja heillä on heidän kovan kysyntänsä harvoin aikaa datatiimien johtamiselle.

86 77 Organisaatiot on usein siivottu ohuiksi, niillä henkilöillä, joilla on liiketoimintaosaamista, on usein käyttöä jo muuallakin itsessään arvoa luovana tekijänä. Vaikea saada aikaa datatiimien ohjaamiseen. -- Pitää olla ymmärrys, miten uudet menetelmät toimivat liiketoimintaympäristössä. Tiimillä vähintään tulisi olla mahdollisuus ymmärtää tämänhetkisen liiketoiminnan luonne, mitkä ovat siihen liittyviä ongelmia, ja mitä on mahdollista ratkaista olemassa olevan datan avulla. Siihen välimaastoon on vielä aika paljon siltaa rakennettavissa, näiden kahden välillä; Ihmisten kans jotka osaa nää menetelmät ja hyödyntää niitä ja muutoksen johtamisen liiketoiminnan puolella eli se joka omistaa ongelmat ja on valmis käyttämään uusia menetelmiä. Varmasti se miljardin euron arvoinen haaste. -H4, Head of Market Intelligence & Sales Analytics Haastateltavista muutamat kertoivat heidän organisaationsa hyödyntävän nimenomaan avointa dataa osana omien tietoperustaisten resurssiensa kehittämistä, esimerkiksi lisäämällä tietämystään valmistuvien opiskelijoiden alueellisista tilanteista. Voitaneen olettaa, että organisaatioista useampi pyrkii kehittämään tietoperustaisia resurssejaan jollakin tapaa, mutta ilman avointa dataa. Kyseisen resurssikehityksen tulisi ottaa huomioon datan ja liiketoiminnan rajapinnassa toimimaan kykenevät henkilöt. Toinen vaihtoehto on kehittää organisaatiossa olevan henkilöstön osaamista, missä tähän mennessä on haastateltavan H9 mielestä keskitytty vain osittain oikeisiin asioihin. Mun mielestäni yks oleellisimpia taitoja, mitä me ei olla keksitty ja ymmärretty korostaa noille datan ja analytiikan tekijöille on se, että niiden pitää pystyä kommunikoimaan sen busineksen kanssa. Se on mun mielest ehkä semmone yks niinku taito. Tasasesti traineen kanssa keskitytään teknisiin taitoihin aika äkkiä, sen sijast et me annettas hyvää opetusta siitä, et miten kommunikoida tehokkaasti, ymmärrettävästi ja hyvin. -H9, Digital lead, Data Science & AI Haastateltavien välillä on hieman ristiriitaa siinä, miten osa-alueiden keskinäistä ymmärrystä ja kommunikaatiohaastetta pitäisi lähestyä. Suurimman osan haastateltavista mielestä avoimen datan hyödyntämisen tulisi olla liiketoimintavetoista, jolloin liiketoiminnan tulisi ymmärtää datan mahdollisuuksia paremmin. Haastateltavien H4 ja H9 mukaan asian edistäminen voisikin lähteä teknisen osa-alueen osaajista, vaikka IT:n lähtökohtainen tehtävä onkin mahdollistaa liiketoiminnan toiminnot. Menestyksekkäät yksilöt, joilla on tekninen osaaminen, niin niiltä usein löytyy myös hahmotuskyky, että mistä se liiketoiminta on peräisin. -H4, Head of Market Intelligence & Sales Analytics Kyl se sen data ja analytiikka -ihmisten ratkaistavissa on. Ei me voida olettaa, että se lähtisi busineksen puolelta, että ymmärtäkää meitä paremmin. -H9, Digital lead, Data Science & AI Haastateltavan H6 haastattelusta voidaan tulkita, että ajatus siitä, että IT-kaveri tekee mitä business pyytää tekemään, olisi hieman vanhentunutta ajattelua. Tämän IT-kaverin tulisi kyllä tukea liiketoimintaa, mutta hänellä tulisi olla vapaammat kädet tehdä se parhaaksi näkemällään tavalla. Tähän apuna toimii liiketoiminnasta vastaavien tahojen

87 78 kannustus juuri esimerkiksi avoimen datan hyödyntämiseen. Tämä kuitenkin vaatisi haastateltavan H6 mukaan sitä, että liiketoiminnan vastuuhenkilöt ymmärtäisivät ensin data sciencen ja koneoppimismallien mahdollisuuksia, sillä avoimen datan mahdollisuudet realisoituvat hänen mukaansa nimenomaan koneoppimisen avulla. Tuli aloite avoimen datan hyödyntämiseen kummalta osapuolelta tahansa, on selvää, että organisaation hallinnolla on suuri merkitys siinä, tuleeko organisaation operatiivisempi puoli hyödyntämään dataa vai ei. Tällä hetkellä tieto avoimen datan onnistuneesta tai epäonnistuneesta käytöstä ei kulkeudu riittävän hyvin tiedonhallinnan prosessimallin mukaisesti päätöksentekoon ja tietotarpeiden (uudelleen)määrittelyyn. Haastatteluissa nousi hyvin voimakkaasti esiin se, miten avoin data tulisi tuoda oman toiminnan piiriin ja sille tulisi määritellä organisaation omassa kontekstissa omistajuussuhteet. Avoimen datan omistajuuteen panostamalla sen käytön tietoisuus voisi levitä ja sen laadusta sekä käyttöön päätymisestä olisi joku organisaatiossa vastuussa. Viestin välittymistä avoimen datan menestyksekkäästä hyödyntämisestä auttaa parhaiten haastateltavan H9 mukaan avoimen datan ympärille luotavat viitekehykset. Viitekehysten tavoitteena on muuttaa organisaatiossa vallitsevia ajatusmalleja ja osoittaa avoimen datan arvoa. Paras mitigaatio sille (kommunikaatiohaasteille) on ollut viitekehykset, jotka yrittää linkittää datalähteen, ulkoisen ja sisäisen, siihen, että mitä liiketoiminnallista päämäärää me ajetaan ja mitä strategista päämäärää se taas ajaa. Tää toivottavasti tois meille ymmärryksen siitä, mikä sen datan arvo on. Kun tää tämmönen viitekehys on olemassa, niin toiveena on että se mitigoisi ymmärrysasiaa. -- Ne on enemmän viitekehys- ja coachaus-asioita mitä on tehty yrityksenä. Mind set shiftihän se jossain määrin on. -H9, Digital lead, Data Science & AI Viitekehykset siis pyrkivät auttamaan ymmärtämään, miten data generoituu, mitkä sidosryhmät siihen liittyvät ja minkä takia se voisi olla merkityksellistä organisaation liiketoiminnan kannalta. Ne voisivat siten auttaa organisaation liiketoimintaa lisäämään ymmärrystään avoimen datan mahdollisuuksista. Haastateltavan H12 mukaan avoimen datan käyttö helpottuu jatkuvasti, kun sitä käyttää ja hänen sekä haastateltavan H10 mukaan avoimen datan käyttö tulee varmasti lisääntymään, kun organisaatioiden hallinnossa tunnistetaan sen hyödyt paremmin. Esimerkiksi datamaturiteetin kasvaessa, tietoprosessien ja datalähteiden kartoitukset saattavat paljastaa organisaatiolle hyödyllisiä avoimen datan lähteitä, mikä avaa hallinnon silmiä aiheelle entistä paremmin. Kun avoimen datan hyödyt on tunnistettu, sitä tarvitaan haastateltavien mukaan jatkuvan käytön piiriin, jotta siitä olisi pitkäaikaista hyötyä. Haastattelujen mukaan organisaatioi-

88 79 den operatiivisissa tehtävissä toimivilla on kuitenkin harvoin aikaa etsiä käytettäviä avoimen datan lähteitä ja datasettejä. Monien haastateltavien mukaan he suosisivat avoimen datan keräämiseen ja kokoamiseen erikoistuneita avoimen datan vendoreita. Vendorien avulla organisaatiot voivat keskittyä omaan ydintoimintaansa ja ulkoistaa avoimen datan hankintansa organisaatioille, jotka ovat erikoistuneet siihen. Haastateltava H4 mukaan vendorien käyttäminen ei kuitenkaan suoraan poista kommunikaatio-ongelmaa dataa ja liiketoimintaa ymmärtävien väliltä. Muutamat haastateltavat kertoivat vendorien olevan kuitenkin kyvykkäitä tiedustelemaan asiakasorganisaatioilta yksityiskohtia, joista on apua datan tehokkaammassa etsimisessä. Tärkeää haastateltavien mukaan vendoreitakin käyttäessä on tietää, mitä avoimella datalla oikeasti yrittää tehdä. Vendorien suuntaan perushaaste, että heidänkin suuntaan pitää pystyä kuvaamaan keissiä. Eipä se ongelma muutu, vaikka yritys vaihtuu. Ero syntyy siinä, että vendorit ovat tottuneet kuulustelemaan siitä, minkälainen se keissi on. -H9, Digital lead, Data Science & AI Hehän on projekteja tehny jo muille onnistuneesti. Se on usein niinku hyvä referenssi siinä, et mahdollisuudet onnistumiselle on olemassa. Näitä ei voi tässä kentässä vielä yleistää. -- Pitäävalita oikeat ihmiset ratkomaan oikeita ongelmia. -H4, Head of Market Intelligence & Sales Analytics Muutaman haastateltavan mukaan tässäkin asiassa vendorit saattavat kyetä olemaan kuitenkin apuna, sillä heillä on kokemusta aiemmista avoimeen dataan liittyvistä hankkeista, joten ne voivat hyödyntää omaa tietopääomaansa käyttötapausten löytämisessä organisaatioiden toimintaa tukemaan. Haastateltavien mukaan vendorit ovat myös niin hyvin tutustuneita välittämiinsä datasetteihin, että he kykenevät vastaamaan niihin liittyviin kysymyksiin hyvinkin tarkasti. He voivat myös tarjota lisäpalveluja dataan liittyen. Useimmiten jos me käytetään jotain vendoria, ni sit sehän tarjoo siihen päälle jotain lisää, niinku ennusteita tai kommentteja tai jotain tällästä. -- Jos haetaan sitä (dataa) itse jostain, ni me ei välttämättä ymmärretä kaikkee sitä datan luotettavuutta tai sitten maat saattaa poistaa sielt jotain, et ne ei halua julkasta vaikka jonku yrityksen pyynnöstä jotain tiettyä tilastoa sinne. Me ei välttämät olla ihan varmoja siitä. Useimmiten vendorit sit tietää tälläset asiat ja ne antaa sulle vastauksen eikä sun tarvi arvailla. Et tollasii hyötyi siit niinku on. -H12, Manager, Sourcing Business Intelligence & Analytics Tällöin organisaatioiden ei tarvitse tutkia, kuka datan alkuperäinen avaaja on ja miten heihin voisi ottaa yhteyttä. Todennäköistä on myös se, että data on verrattain luotettavaa, kun se on päätynyt vendorien toimituslistalle. Tällöin organisaatio säästää omia aikaresurssejaan tarkemmalta datalähteeseen tutustumiselta ja sen luotettavuuden arvioinnilta. Haastateltavien mielestä vendorien kanssa tehtävät sopimukset voisivat itse datan

89 80 luotettavuuden lisäksi kannustaa luottamaan myös datan pysyvyyteen tai päivitystiheyteen. Vähintään organisaatioilla olisi joku, jota syyttää, jos datan toimituksissa tulisi ongelmia. Avoimelle datalle olisi vendorien käytön avulla saatavissa siis eräänlainen SLAsopimus. Vendorit myös tarjoavat asiakkailleen omat rajapintansa, jolloin ne ovat säännönmukaisia ja niiden käyttö olisi melko vaivatonta. Haastateltavan H12 mukaan rajapintojenkin käyttö helpottuu ajan kanssa. Haastateltavan H1 mukaan avoimen datan lähteiden kanssa toimiessa avoimen lähdekoodin työkalut ovat erittäin toimivia, koska niiden kehittäjät ovat myös tiedostaneet avoimen datan olemassaolon ja sen tarjoamat mahdollisuudet. Tällaisia haasteita avoimen datan vendorit kuitenkin mitigoivat ja niillä voidaan nähdä siis monia hyviä puolia, jotka edistävät systemaattisempaa avoimen datan käyttöä ja moni haastateltava kertoi suoraan, että suosisi vendorien käyttöä, mikäli heidän avoimen datan käyttönsä olisi runsaampaa ja systemaattisempaa. Keräsi datan sitten vendor tai joku organisaation oma työntekijä, voi hyödynnettävässä datassa silti olla laatupoikkeamia. Tällöin laatuongelman kanssa on kyettävä toimimaan, jotta datasta saadaan käyttökelpoista. Haastateltavan H1 mukaan heikkolaatuinenkin data voi olla hyvinkin käytettävää, jos datan heikkoudesta vain ollaan riittävän ajoissa tietoisia. Tällöin siitä pystytään erittelemään osa-alueet, joita pitää esimerkiksi korjata, merkitä tai jättää huomiotta. Haastateltavan H5 mukaan organisaatioista löytyy kyllä tähän teknologista kyvykkyyttä. Haastateltavan H9 mukaan on organisaation teknisestä ja toimialaosaamisesta kiinni, miten hyvin organisaatio kykenee kuvaamaan avoimen, yhtä lailla kuin sisäisenkin, datan epävarmuutta ja variaatiota. Organisaatioiden toimialaosaaminen korostuu siis jälleen tässäkin asiassa. Oli data ulkoista tai sisäistä, mutta sillä on jonkinlaista totuusarvoa, mut pientä varianssia, niin sehän riippuu tietyllä tapaa vaan siitä keissistä, että miten keksii kuvata sitä epäluotettavuutta tai variaatiota siinä datasetissä, niin kyl mä sillon nään et niillä itessään on arvoa, mut siinä vaaditaan vielä enemmän arvoa ja ymmärrystä mitkä keissin realiteetit on ja voidaanko me käyttää sitä jossain menetelmässä. Ton ne data scientistit kyllä ymmärtää, jos ne vaan vaivautuu ymmärtämään sitä businessia. -H9 Avoimen datan hyödyntämistä estävät ja kyseistä estettä mitigoivat, hyödyntämistä edistävät tekijät on koottu haastatteluiden analysoinnin pohjalta taulukkoon 10. Erikseen avoimen datan hyödyntämistä edistäväksi tekijäksi voidaan nostaa tietouden levittäminen menestyksekkäistä avoimen datan liiketoiminnallisista käyttötapauksissa tutkimuksen kohdeorganisaatioihin sovellettavassa kontekstissa.

90 81 Avoimen datan käyttöä hidastavat tekijät ja niitä mitigoivat toimet Käyttöä hidastava tekijä Tunnistetut ratkaisut Puute liiketoimintaa ja dataa ymmärtävistä osaajista Avoimen datan liiketoiminnallinen ymmärtäminen Siiloutunut avoimen datan käyttö ja/tai osaaminen Kommunikaatio-haasteet Avoimen datan ymmärtäminen hallinnossa Avoimen datan prosessin palautesykli Vajaat resurssit tutkia avointa dataa Luottamus, uskottavuus Datan epäsäännöllinen päivittyminen Rajapintojen käytettävyys Matala/riittämätön datamaturiteetti Compliance ja omistajuus Laatutekijät - Datatiimien (laajempi) perustaminen - Ihmisresurssien kasvattaminen: rekrytointi tai sisäinen koulutus, substanssiosaamisen ja kommunikaation painotus - Ihmisresurssien kasvattaminen: rekrytointi tai sisäinen koulutus, substanssiosaamisen ja kommunikaation painotus - Onnistuneiden ja epäonnistuneiden hankkeiden tarkempi läpikäynti - Vendorien käyttö - Vendorien käyttö - Vendorien käyttö - Datalähteeseen tutustuminen - Vendorien käyttö - Ei luo liiketoimintakriittisimpiä malleja avoimeen dataan nojaten - Vendorien käyttö - Tekniset osa-alueet ovat ratkottavissa ajan kanssa - Datan omistajuus - Tiedonhallinta - Avoimen datan omistajuuteen panostaminen - Epävarmuuden kuvaaminen toimialaosaamisen tukemana - Data voi olla käytettävää, jos sen huonous tiedetään etukäteen Tutkimuksen haastatteluiden perusteella organisaatioiden tulisi siis panostaa datamaturiteettiinsa, sekä dataa, että liiketoimintaa ymmärtävien ja tehokkaasti kommunikoimaan kykenevien henkilöiden rekrytoimiseen tai kouluttamiseen, tuoda avointa dataa toimintansa piiriin vendoreita hyväksi käyttäen, määritellä avoimen datan omistajuus oman organisaationsa kontekstissa, sekä tarkastella entistäkin tarkemmin hyödynnettyjä datalähteitä onnistuneissa ja epäonnistuneissa hankkeissa, jotta niiden avoimen datan kyvykkyydet voisivat kehittyä.

91 82 6. POHDINTA Tässä luvussa käydään läpi tutkimuksen päätutkimuskysymykseen ja apututkimuskysymyksiin saadut vastaukset. Luvussa pohditaan myös tutkimuksen empiirisen osan tuloksia suhteessa teoriataustaan. Pohdinnassa pyritään peilaamaan tutkimuksen alulle panneen voiman, Tiedon hyödyntämisen ja avaamisen -hankkeen näkökulmia tutkimuksen tuloksiin ja miten tutkimuksen tuloksia voitaisiin pyrkiä hyödyntämään hankkeen tavoitteiden edistämiseksi tulevaisuudessa. Hankkeen vuoksi tutkimuksen rajaukseksi valittiin Suomessa toimivat organisaatiot. Tarkemmaksi tutkimusotannaksi valikoituivat Suomessa valmistavaan teollisuuteen osallistuvat suuret organisaatiot, sillä teoriataustasta ei löytynyt tutkimuksia edellä kuvatulla otannalla avoimen datan kontekstista. 6.1 Keskeisimmät tekijät avoimen datan liiketoiminnallisessa arvonluonnissa Tutkimuksen toinen apututkimuskysymys oli muotoiltu seuraavasti: Mitkä vaikuttavat tekijät ovat keskeisimpiä avoimen datan hyödyntämisessä? Aivan ensimmäisenä, kun organisaatiossa ollaan tuomassa avointa dataa sen käytön piiriin, tulee sillä olla valmiudet hyödyntää avointa dataa. Tutkimuksen teoriataustasta ja empiirisestä osiosta tunnistettiin yhteensä kolme erillistä osa-aluetta, jotka olennaisesti vaikuttavat organisaation mahdollisuuksiin hyödyntää avointa dataa. Osa-alueita ovat datamaturiteetti, avoimen datan vaatimat resurssit sekä ongelma tai idea, jota avoimella datalla pyritään ratkaisemaan tai toteuttamaan. Osa-alueet on kuvattu kuvassa 12. Kuva 12. Avoimen datan hyödyntämiseen vaadittavat osa-alueet

92 83 Teoriataustasta tunnistettiin kolme resurssia, joita organisaatiolta vaaditaan, jotta se voisi hyödyntää avointa dataa sen toiminnassa. Resurssit ovat ihmisresurssit, IT-resurssit ja informaatio- & dataresurssit (Zuiderwijk et al. 2015). Teoriataustan mukaan resursseista nimenomaan ihmisresurssit ovat organisaation avainresurssi avointa dataa resurssipohjaisesta näkökulmasta hyödyntäessä, ja ne tarjoavat siten pitkäaikaista kilpailuetua. Tutkimuksen haastattelut ovat linjassa teoriataustan kanssa, sillä ihmisresurssit osa-alueineen nostettiin haastatteluissa poikkeuksetta kriittisimmäksi tekijäksi. Tutkimuksen teoriataustan mukaan kaksi muuta avoimen datan hyödyntämiseen vaadittua resurssia, IT- ja informaatio- & dataresurssit, eivät tarjoa yhtä merkittävää liiketoimintaetua avointa dataa hyödyntävälle organisaatiolle (Zuiderwijk et al. 2015). Tämä selittyy tutkimuksen empiirisen osuuden havainnolla, jonka mukaan organisaation datamaturiteetin tulee olla riittävän korkealla tasolla jo ennen kuin organisaatio voi hyödyntää avointa dataa omassa toiminnassaan. Maturiteettitasot rakentuvat edellisten kyvykkyyksien päälle (Kohlegger et al. 2009), joten alempien maturiteettikerrosten tulee olla kunnossa ennen seuraavaa askelta. Haastatteluissa avoimen datan kerrottiin olevan kuin datapyramidin huippu, jonka pohjalla on sisäisen datan hyödyntäminen. Tällöin organisaatioiden, jotka pyrkivät hyödyntämään avointa dataa, IT- ja informaatio- & dataresurssien tulisi oletusarvoisesti olla jo niin korkealla tasolla, etteivät ne tarjoa muihin avointa dataa hyödyntäviin organisaatioihin verrattuna enää merkittävää kilpailuetua suuntaan tai toiseen. Tutkimuksen empiirisestä osiosta tunnistettiin hieman ristiriitaisia asioita: toisaalta kaikkien organisaatioiden haastateltavat kertoivat heidän organisaationsa käyttävän avointa dataa toiminnassaan, mutta toisaalta lähes kaikki organisaatiot kertoivat heidän organisaatiollaan olevan vielä paljon työtä jäljellä heidän datamaturiteettinsa kanssa. Jotta organisaatiot voisivat hyödyntää avointa dataa, tulee niiden datamaturiteetti olla riittävän korkealla tasolla. Empiriaosuuden mukaan kaikki haastatellut organisaatiot kuitenkin käyttävät avointa dataa, mikä kertoo niiden datamaturiteetin olevan vähintään kohtalaisella tasolla. Muutamat haasteltavat kertoivat selittävinä esimerkkeinä, että heidän organisaationsa ovat hyvin vanhoja, jolloin heillä on käytössä edelleen vanhoja legacy-järjestelmiä, joita ei ole luotu esimerkiksi analytiikkakyvykkyydet tai datalähteiden yhdisteltävyys mielessä. Toisaalta organisaatioilla on myös hyvin nuoria liiketoimintayksiköitä, joissa analytiikkakyvykkyydet ovat olleet tärkeitä alusta asti, mutta yksiköt eivät ole päässeet vielä välttämättä kunnolla vauhtiin. Nuorten, analytiikkakyvykkyyksiä sisällään pitävien liiketoimintayksiköiden perustaminen tukee Lauraéus et al. (2018) näkemyksiä, sillä heidän mukaansa Suomen kilpailuedut ovat korkea osaaminen ja digitali-

93 84 saatio. Haastateltavat kertoivat myös, että sisäisen datan asiat voitaisiin aina tehdä paremmin, eikä arvontuotto niiden suhteen ole ikinä täysin optimaalista. Haastatteluista on myös tulkittavissa, että organisaatiot ovat jo tehneet huomattavasti työtä datamaturiteettinsa kasvattamiseksi, mutta enemmänkin voitaisiin kyllä tehdä. Kun organisaation datamaturiteetti on riittävällä tasolla, edes yksittäisissä liiketoimintayksiköissä, on niiden mahdollista hyödyntää avointa dataa. Kuten kuvasta 12 näkyy, sekä teoriataustasta (Zuiderwijk et al. 2015), että tutkimuksen empiriaosuudesta kyettiin tunnistamaan, että tällöin vaaditaan jokin liiketoiminnallinen ongelma tai idea, jota organisaatio pyrkii ratkomaan tai toteuttamaan avoimen datan avulla. Sekä teoriataustan, että useimpien haastateltavien mukaan liiketoimintaidean tulisi tulla organisaation liiketoiminnan puolelta (Zuiderwijk et al. 2015). Tästä päästään ensimmäiseen apututkimuskysymykseen. Tutkimuksen ensimmäisenä apututkimuskysymyksenä oli: Onko avoimen datan hyödyntämisen mahdollisuuksia tunnistettu liiketoiminnallisessa kontekstissa? Koska haastatteluiden mukaan kaikki haastatellut organisaatiot hyödyntävät avointa dataa toiminnassaan, voidaan apututkimuskysymykseen vastata myöntävästi. Tämä voidaan nähdä erittäin positiivisena asiana, sillä haastateltavat kertoivat avoimen datan pitävän sisällään jopa toimialoille tyypillisiä mikroekonomisia ilmiöitä, tehden siitä liiketoimintatietoa. Tällöin avoimella datalla voidaan sanoa olevan rooli organisaatioiden oppimisprosessissa. Toisaalta kaikkien organisaatioiden edustajat kertoivat, ettei avoimen datan mahdollisuuksia ole tunnistettu kaikkialla heidän organisaatiossaan, tai ettei sen hyödyntämiseen ole kyvykkyyttä kaikkialla organisaatiossa. Tämä selittyy osittain datamaturiteetin haasteilla, sillä organisaation resurssit on suunnattu vielä muualle kuin avoimeen dataan. Teoriataustasta kyettiin myös tunnistamaan, että avoimen datan hyödyntämiseen vaaditaan tavallistakin korkeampaa toimialaosaamista. Tämä johtuu siitä, että jo perinteisemmässä mielessä tietotarpeiden määrittäminen voi olla haastavaa (Di Ciccio et al. 2015), mutta avoimen datan huomioiminen organisaation tietotarpeiden määrityksessä vaatii ymmärrystä myös avoimesta datasta ja esimerkiksi sen generoitumisprosessiin liittyvistä sidosryhmistä. Tätä ymmärrystä haastattelujen mukaan organisaatioiden hallinnoissa harvoin on riittävästi. Puutteellisen ymmärryksen myötä organisaatiot eivät uskalla luottaa avoimeen dataan eivätkä siten investoi sen käyttöön, jolloin sen hyödyntäminen ei lisäänny. Teoriataustasta tunnistettu aukko organisaatioiden kyvyssä tunnistaa avoimen

94 85 datan liiketoimintamahdollisuuksia (Herala et al. 2016, 2018) on siis vahvistettu tutkimuksen kohdeorganisaatioiden kontekstissa, vaikka avointa dataa jonkin verran jo käytetäänkin. Teoriataustan mukaan organisaation tietotarpeita, eli käytettyjä tietolähteitä, ohjaa organisaation visio, strategia ja hallinto (Jääskeläinen et al. 2020). Hallinnossa on kuitenkin empiriaosuuden perusteella puutteellinen ymmärrys avoimesta datasta, joten sen hyödyntämistä ei ole sisällytetty organisaatioiden tietotarpeisiin. Tästäkin huolimatta organisaatioissa hyödynnetään avointa dataa. Tutkimuksen haastatteluissa kerrottiinkin, että avoimen datan käyttö on hyvin henkilöitynyttä. Henkilöt, joilla on ymmärrystä liiketoiminnasta sekä avoimesta datasta ja kapasiteettia saattaa sitä käyttönsä piiriin, käyttävät avointa dataa haastateltavien mukaan menestyksekkäästi. Haasteena on kyvykkyyden ja tiedon kulkeutumattomuus muille organisaation henkilöille ja etenkin hallintoon, jossa ei ole haastateltavien mukaan tietoa siitä, miten avointa dataa on hyödynnetty onnistuneissa tai epäonnistuneissa hankkeissa. Organisaatioiden oppimisessa ja tiedonkulussa on siis useita haasteita. Kuvassa 13 on visualisoitu kuvan 12 Ihmisresurssien ja Liiketoimintaongelman ratkaisun välissä olevia IT:n ja hallinnon ihmisresursseja, sekä avoimen datan avulla tapahtuvan liiketoimintaongelmaongelman ratkaisuun liittyviä haasteita. Kuva 13. Organisaation hallinnon ja IT:n väliset haasteet avoimen datan potentiaalin ymmärtämisen suhteen Kuvasta 13 käy hyvin ilmi, miten organisaation hallinnolla ei ole kyvykkyyttä avoimen datan aloitteelliseen hyödyntämiseen, jolloin hyödyntäminen jää usein henkilöityneeksi. Haastattelujen perusteella organisaatioiden operatiivisella puolella haasteet ovat kommunikaatiossa ja kyvykkäiden liiketoimintaa ja dataa ymmärtävien henkilöiden määrässä. Avointa dataa heikommin tuntevilla henkilöillä ei ole myöskään mahdollisuutta

95 86 käyttää aikaansa avoimen datan tutkimiseen, vaan käyttö on sitä jo tuntevien henkilöiden varassa. Kysyntää kyvykkäille henkilöille olisi organisaatioissa siis enemmän kuin mihin he pystyvät vastaamaan. Koska tieto onnistuneiden ja epäonnistuneiden hankkeiden ominaisuuksista ei haastattelujen mukaan liiku kommunikaatiohaasteiden vuoksi organisaatiossa, ei avoimen datan käyttö lisäänny niin tehokkaasti kuin se voisi. Kuvan 13 kanssakäymisen haastekierteestä voidaan nähdä Tiedonhallinnan prosessimalliin ja siten tiedon sekä tiedolla johtamisen kokonaisuuksiin liittyviä haasteita. Tiedolla johtaminen liittyy datan tiedoksi jalostamiseen, sekä jalostuneen tiedon hyödyntämiseen organisaation paremman päätöksenteon tukena (Laihonen et al. 2013; Leskelä et al. 2019). Tutkimuksessa jo tunnistetut tiedolla johtamisen haasteet liittyvät haastatteluiden perusteella nimenomaan tiedonhallinnan prosessimallin päätöksenteon ja tietotarpeiden määrityksen väliseen vaiheeseen, sekä strategisten, operatiivisten & taktisten päätösten ja datan keräämisen väliseen vaiheeseen. Tämä on käytännössä nähtävissä kuvasta 13. Jotta organisaation tiedolla johtaminen olisi menestyksekästä, vaatii se pohjalle ensin tiedon johtamisen toimivat käytänteet, jotka liittyvät esimerkiksi organisaation oppimiseen ja tiedon jakamiseen eri tasoilla (Laihonen et al. 2013). Tiedon johtamisessakin on kuitenkin tunnistettu haasteita, juuri esimerkiksi edellä mainituilla osa-alueilla. Kuvassa 14 on yksinkertaistettu tiedonhallinnan prosessimallia kuvasta 4 ja kuvattu, miten kuvan 13 haasteet peilautuvat prosessimalliin. Kuva 14. Tiedonhallinnan prosessimallin eri vaiheissa esiintyvät haasteet avoimen datan hyödyntämiseen liittyen Kuvaan 14 tiivistettyjä haasteita voidaan käsitellä myös tietojohtamisen prosessin mahdollistavien tekijöiden näkökulmasta. Tekijät on esitelty teoriataustassa kuvassa 3. Kutakin neljästä mahdollistavasta osa-alueesta koskettaa ainakin yksi hidastava tekijä. Em-

96 87 piriasta tunnistetut heikko kommunikaatio sekä strategia- ja visiotyön heikko jalkauttaminen kertovat puutteista organisaatiokulttuurissa. Organisaatiokulttuurin haasteista kertoo myös työilmapiiri, jossa työ on liian liiketoimintajohtoista. Tätä on kuitenkin vaikea, ellei mahdotonta, tämän tutkimuksen haastattelusta todeta. Teoriataustan mukaan tietotyötä tekeville asiantuntijoille tulisi kuitenkin tarjota joustavuutta työtehtäviensä suorittamiseen, jotta he suoriutuisivat niistä mahdollisimman hyvin lopputuloksin (Medinilla 2012; Laihonen et al. 2013). Ihmisresursseihin liittyvä resurssivaje puolestaan heikentää johdon päätöksentekoa usealta kantilta, sillä resurssivajetta tunnistettiin sekä operatiiviselta, että hallinnolliselta kantilta. Tämä on organisaatioille haaste, sillä ihmisresurssien organisointi on tunnistettu teoriataustassa yhdeksi menestyvien organisaatioiden kilpailukyvyn avaintekijöistä (Holcomb et al. 2009). Jos organisaatio ei kuitenkaan ymmärrä avoimen datan kohdalla, minkälaista osaamista sen pitäisi organisoida, ei organisointi ole varmasti optimaalista. Tämän lisäksi heillä on vajausta henkilöresursseista, joita ylipäätään tulisi organisoida. Tiedon heikko leviäminen avointa dataa hyödyntävien henkilöiden välillä kertoo osittain organisaatiokulttuurin haasteista, mutta se ylläpitää tieto- ja viestintäteknologian osaalueen haasteita, kun esimerkiksi avoimen datan lähteitä etsivät asiantuntijat eivät löydä dataa tai kykene saattamaan sitä käyttökelpoiseen muotoon. Tietojohtamisen prosessin kaikilla mahdollistavilla osa-alueilla voidaan siis tunnistaa haasteita, joten on luonnollista, ettei tiedonhallinnan prosessimalli toimi kohdeorganisaatioissa optimaalisesti. Tutkimuksen empiriaosuuden mukaan organisaatioiden hallinnoissa on kuitenkin vähitellen alettu ymmärtää enemmän ja enemmän avoimesta datasta, vaikka ymmärrys ei ole vielä laajuudeltaan kattavaa tai kovinkaan jalostunutta. Kuten tutkimuksessa on jo todettu, kaikki tutkimukseen haastatellut organisaatiot käyttävät toiminnassaan avointa dataa, mistä päästään tutkimuksen päätutkimuskysymykseen ja seuraavaan alalukuun. 6.2 Liiketoiminnallisen arvon luominen avoimella datalla valmistavaan teollisuuteen osallistuvissa yrityksissä Tutkimuksen päätutkimuskysymys oli muotoiltu seuraavasti: Miten avoimella datalla voidaan luoda arvoa liiketoiminnallisessa kontekstissa? Avoin data on ulkopuolelta tuleva tietovirta. Tietovirtoja voidaan hyödyntää sisäisen, ulkoisen tai kapasiteettitehokkuuden kehittämiseen. (Laihonen & Lönnqvist 2011) Haastattelujen perusteella tutkimuksen kohdeorganisaatiot hyödyntävät avointa dataa näihin kaikkiin tarkoituksiin, sillä ne pyrkivät esimerkiksi kehittämään omia prosessejaan (sisäinen tehokkuus), ymmärtämään asiakkaitaan paremmin (ulkoinen tehokkuus) ja siten

97 88 vastaamaan kysyntään paremmin (kapasiteettitehokkuus). Avoimen datan epäsuora sisäinen käyttö siis jakaantuu organisaation kehityksen osa-alueille hyvin, vaikkei se haastateltavien mukaan olekaan vielä kovin merkittävää heidän organisaatioissaan. Teoriataustasta tunnistettiin viisi erilaista tapaa hyödyntää avointa dataa epäsuorasti ulkoisesti, mutta epäsuoria sisäisiä hyödyntämistapoja kyettiin erittelemään teoriataustasta vain muutama (kuva 11). Tutkimuksen empiirisessä osiossa puolestaan kyettiin tunnistamaan yhdeksän erillistä sisäistä tapaa (taulukko 8), joilla tutkimuksen kohdeorganisaatiot hyödyntävät avointa dataa epäsuorasti liiketoiminnallisten tulosten saavuttamiseksi. Teoriataustasta ja tutkimuksen empiirisestä osuudesta tunnistetut avoimen datan arvonluontimenetelmät on tiivistetty kuvassa 15. Kuvasta käy ilmi, kuuluuko arvonluontimenetelmä epäsuoriin ulkoisiin, vai epäsuoriin sisäisiin menetelmiin. Kuvaan on myös visualisoitu menetelmän esiintymistä tutkimukseen osallistuneiden kahdeksan kohdeorganisaation kesken. Kuva 15. Avoimen datan tunnistetut arvonluontiväylät ja niiden lukumäärällinen esiintyminen tutkimukseen haastatelluissa organisaatioissa Epäsuora sisäiset menetelmät kyettiin vielä tiivistämään kahdeksi osakokonaisuudeksi, jotka kumpikin liittyvät organisaation oppimisen eri ominaisuuksiin. Chance (2014) mukaan oppiminen on toiminnassa tapahtuva muutos, jonka aiheuttaa jokin ympäristössä tapahtunut muutos, joka Argoten (2011) mukaan vaatii tiedon varastointia, jotta oppivalla taholla, yksilöllä tai organisaatiolla, olisi jotakin, johon peilata ympäristöstä huomattuja muutoksia. Tiivistetyt kokonaisuudet vastaavat ymmärryksen kasvattamista tarkastele-

98 89 malla ympäristön tapahtumia sekä oman toiminnan muuttamista edellä mainitun kasvaneen ymmärryksen myötä ja tätä toimintaa tutkimuksen kohdeorganisaatiot siis pyrkivät harjoittamaan avoimen datan avulla. Tiivistys on kuvattu taulukossa 11. Tiivistetyt avoimen datan epäsuorat sisäiset hyödyntämismenetelmät Organisaatio A B C D E F G H Käyttökohde Ymmärrys x x x x x x x Prosessit x x x x x x x Ympäristön tapahtumista kertynyttä ymmärrystä tulee verrata organisaation tavoitteisiin (Levitt & March 1988), jotta muutettava toiminta edistäisi nimenomaan organisaation tavoitteita. Haastatteluiden perusteella lähes kaikki kohdeorganisaatiot harjoittavat sekä ympäristönsä avoimen datan tarkastelua ja hankintaa, että toimintansa muuttamista sen perusteella, minkälaista avointa dataa he ovat onnistuneet keräämään, eli niiden voidaan sanoa oppivan avoimen datan avulla. Organisaation A toiminnan ja avoimen datan hyödyntämisen luonteet poikkeavat hieman muista kohdeorganisaatioista, mikä voi selittää taulukosta 11 puuttuvaa merkintää heidän kohdallaan. Toisena selittävänä tekijänä voi olla organisaation A haastateltavien operatiivisemmat roolit kuin muiden tutkimukseen osallistuneiden organisaatioiden haastateltavilla, jolloin heidän näkymänsä avoimen datan hyödyntämiseen voi olla rajoittunut tai painottunut eri lailla. Organisaation E puolestaan havaittiin hyödyntävän avointa dataa hyvin vähän, eikä haastatteluista tunnistettu tapaa, jolla he muuttaisivat toimintaansa heidän kerryttämänsä avoimen datan avulla. Teoriataustan mukaan Tiede & Teknologia -aloilla data kansainvälisistä tilanteista ja energia-alalta olisivat eniten käytettyjä avoimen datan tyyppejä (Berends et al. 2020). Tämä on kuitenkin osittain ristiriidassa tutkimuksen empiriaosuuden kanssa, sillä ainoastaan yhden organisaation haastateltava kertoi heidän seuraavan aktiivisesti kansainvälisiä tilanteita alueilla, joilla he toimivat tai sellaisten valtioiden toimia, joissa heillä on toimintaa. Suosituimpia avoimen datan tyyppejä empiriaosuuden mukaan valmistavan teollisuuden suurissa organisaatioissa Suomessa ovatkin markkinatiedot, kuten energiamarkkinat ja teollisuusvolyymidata, paikkatiedot sekä säädata. Usein käytetyistä datatyypeistä nähdään yhteneväisyyksiä useimmin tunnistettuihin avoimen datan hyödyntämismenetelmiin, sillä esimerkiksi säädatan hyödyntäminen tuotekehityksessä ja markkinadatan hyödyntäminen toimialueen taloudellisessa ymmärtämisessä nousivat usein esiin haastatteluissa. Organisaatioiden avoimen datan käyttö on painottunut epäsuoriin sisäisiin menetelmiin, mikä on luonnollista, ottaen huomioon, että avointa dataa on haastava kaupallistaa suo-

99 90 raan sen ominaispiirteiden takia. Epäsuoraa ulkoista hyödyntämistä kuitenkin tästä huolimatta esiintyy organisaatioiden toiminnassa. Teoriataustan mukaan avoimen datan epäsuorat hyödyntämismenetelmät vaativat hyvin korkeaa toimialaosaamista. Suomen kilpailuetuna nähdään teoriataustan mukaan muun muassa korkea osaaminen (Lauraéus et al. 2018), joten teoriataustan osaamisaspektiin vastaaminen ei ole suuri yllätys. Ulkoisissa menetelmissä korostuu korkean toimialaosaamisen lisäksi erityisesti asiakkaan liiketoiminnan ja asiakastarpeiden ymmärtäminen, kun taas sisäisissä menetelmissä painotus on luonnollisesti organisaation itsensä liiketoiminta- ja arvonluontiprosessien ymmärtämisessä. Liiketoiminnan ohjaaminen on teoriataustan mukaan oleellinen toimi organisaation toiminnassa, sillä organisaatioiden johdon päätösten tulisi perustua mahdollisimman objektiiviseen tietoon, missä liiketoiminnan ohjaamisella on suuri rooli (Erményi 2015). Tämä kertoo siitä, että liiketoiminnan ohjaaminen on yksi organisaation oppimisen menetelmistä ja siten hyvin kriittistä organisaatioille. Liiketoiminnan ohjaamisen tukeminen avoimella datalla on organisaation tietopohjan laajentamista ja siten organisaation oppimisen kehittämistä, minkä vuoksi avoimen datan hyödyntäminen voidaan nähdä merkittävänä liiketoiminnan ohjaamisen kannalta. Liiketoiminnan ohjaamisen tavoitteena ollessa organisaation liiketoiminnallisten tavoitteiden edistäminen, on hyvin loogista, että organisaatiot hyödyntävät avointa dataa ja siten mahdollisimman laajaa tietopohjaa. Monet haastateltavat organisaatiot kertoivatkin heidän avoimen datan käyttömotivaation olevan juuri taloudellisissa ja liiketoiminnallisissa tavoitteissa. Organisaatiot toimivat yllättävän monissa avoimen datan arvonketjun (kuva 9) eri vaiheissa, vaikka toiminta painottuukin Datan analysoinnin -vaiheeseen. Datan analysointi -vaiheessa toimiminen on hyvin loogista, sillä teoriataustasta (Ferro & Osella 2013) tunnistettiin, että organisaatioiden, joiden ydinosaaminen ei keskity nimenomaan avoimeen dataa, toiminta avoimen datan kanssa keskittyy nimenomaan avoimen datan analysointiin. Teoriataustan olettamus kyettiin siis vahvistamaan empiriaosuudesta. Tämän lisäksi, erityisesti epäsuorien ulkoisten hyödyntämismenetelmien kohdalla, organisaatiot osallistuvat myös Datan validointi -, Datan yhdistely -, sekä Dataperustaisten tuotteet & palvelut -vaiheisiin. Organisaatiot voivat esimerkiksi hyödyntää avointa dataa prosessiensa kehittämiseen (Esim. Toimitusketju tai Asiakasymmärrys, Rikastaja-rooli, Datan analysointi -vaihe) tai ne voivat avustaa asiakkaitaan oman datansa avaamisessa (Konsultointi, Kehittäjä-rooli, Datan validointi - ja yhdistely -vaiheet). Suurimmaksi osaksi avointa dataa kuitenkin käytetään rikastajan roolissa ja datan analysoinnin vaiheessa, jolloin avoimen datan avulla rikastetaan jo olemassa olevia datasettejä ja prosesseja.

100 91 Tällöin tarkastelussa ovat epäsuorat sisäiset hyödyntämismenetelmät sekä palvelullistaminen. Kehittäjä-roolissa avointa dataa käytetään pääosin innovointiin ja tuotekehitykseen. Teoriataustassa on painotettu erityisesti innovoinnin roolia avoimen datan hyödyntämisessä (Esim. Zuiderwijk et al. 2015; Huber et al. 2018; Ruijer & Meijer 2020), mikä ei ole täysin linjassa tämän tutkimuksen empiristisen osuuden kanssa epäsuorien sisäisten hyödyntämismenetelmien suuremman suosion myötä. Innovoinnilla voi silti olla suuremmat kokonaisarvolliset vaikutukset eri sidosryhmien näkökulmista, mutta se on tämän tutkimuksen tarkastelualueen ulkopuolella. Konsultointiin ja suunnittelupalveluihin avointa dataa käytetään epäsuorista ulkoisista Kehittäjä-roolin menetelmistä selkeästi vähiten, mikä voi selittyä sillä, että avoimen datan epäsuora hyödyntäminen vaatii sekä niin korkeaa toimialaosaamista, että asiakasymmärrystä, ettei organisaatioilla yksinkertaisesti riitä kyvykkyydet hyödyntää avointa dataa heidän tarjontansa valikoiman tukena. Tämä vahvistaa sekä teoriataustasta (Herala et al. 2016, 2018), että empiriaosuudesta tehtyä havaintoa organisaatioiden puutteellisista ihmisresursseista. Tutkimuksen kohdeorganisaatiot kuitenkin käyttävät avointa dataa heidän edellä käsitellyistä haasteistaan huolimatta. Teoriataustasta on tunnistettu listaus haasteista, jotka liittyvät itse datan hyödyntämiseen (Zuiderwijk et al. 2012). Haastatellut organisaatiot tunnistivat kaikkien listauksen haasteiden liittyvän heidän avoimen datan hyödyntämiseensä jollain asteella, mutta muutamat haasteista nousivat poikkeuksellisen paljon esiin, tai niiden mainittiin olevan erityisen merkittäviä avoimen datan hyödyntämisen kannalta. Lisäksi osan haasteista nähtiin olevan yleisesti dataa koskevia, eikä pelkästään avoimelle datalle ominaisia haasteita. Kuvaan 16 on visualisoitu datan hyödyntämisen kannalta merkittävimmiksi koettuja ongelmia. Haasteet ovat osittain linjassa teoriataustassa (Berends et al. 2020) nimettyjen merkittävimpien haasteiden kanssa. Kuva 16. Avoimen datan hyödyntämisvaihetta haastavat operatiiviset haasteet Avoimen datan hyödyntämisen prosessin (kuva 8) viimeinen vaihe, eli palautteen antaminen datasta, ei ollut kovinkaan monelle organisaatiolle tuttu. Se voi johtua organisaa-

101 92 tioiden vähäisestä avoimen datan hyödyntämisestä. Avointa dataa enemmän hyödyntäneet organisaatiot olivat kuitenkin pyrkineet keskustelemaan datan julkaisijan kanssa datasta, jolloin he eivät ole saaneet vastausta uteluihinsa, keskustelu oli kohtuuttoman vaivan takana tai keskustelulla ei ollut mitään vaikutusta. Aiheen tärkeyttä oli myös painotettu teoriataustassa. Haastatteluiden perusteella avoimen datan laadusta on ristiriitaisia kokemuksia. Toisaalta sen koettiin olevan yleisesti hyvälaatuista ja sen laadun kerrottiin parantuneen viime vuosina huomattavasti, mutta muutaman haastateltavan mukaan datan laatuongelmat estävät välillä datasetin tai -lähteen käytön täysin. Voidaankin sanoa avoimen datan epäsäännöllisen laadun aiheuttavan haasteita. Heikko tai epätasainen laatu vaikuttaa myös datan uskottavuuteen, mikä ei rohkaise datan jatkokäyttöön tai käytön laajentamiseen. Muutaman haastateltavan mukaan on kuitenkin organisaation toimialaosaamisesta kiinni, miten he kykenevät tunnistamaan datan heikkoudet etukäteen tai kuvaamaan tunnistettua epävarmuutta heikkolaatuisessa datassa. Toisaalta laatuongelmien tutkailuun ja sen kuvaamiseen voi kulua niin paljon resursseja, ettei organisaatio näe dataa hyödyntämisen arvoiseksi sen ilmaisuudesta huolimatta. Data myös päivittyy epäsäännöllisesti, mikä ei tee sen jatkuvasta käytöstä kovinkaan tehokasta. Jotkut datalähteet päivittyvät haastateltavien mukaan alle tunnin välein, mutta jotkut datalähteet päivittyvät välillä jopa kahden kuukauden viiveellä. Päivittymistaajuuden tarve riippuu käytön kontekstista, minkä vuoksi julkaisun epäsäännöllisyys aiheuttaa suuremman haasteen kuin esimerkiksi datan hidas päivittyminen. Rajapintojen olemassaolon tunnistettiin olevan lähes kaikissa organisaatioissa avoimen datan hyödyntämistä helpottava tekijä, mutta yhden haastateltavan mielestä ne ovat niin oleellisia avoimen datan hyödyntämiselle, että niiden puute on hänestä suurin yksittäinen avoimen datan käyttöä hidastava tekijä. Edellä lueteltujen operatiivisten haasteiden myötä avoimen datan hyödyntämiseen voi kulua reilusti työtä, mikä syö avoimen datan maksuttomuuden tuomaa potentiaalista arvoa. Tutkimuksen empiriasta tunnistettiin kuitenkin keino, jolla näitä haasteita voitaisiin mitigoida. Keino on avoimen datan vendorien hyödyntäminen. Vendoreilla on kuitenkin muitakin hyötyjä kuin vain operatiivisten haasteiden peittoamisessa avustaminen. Kuvassa 17 on visualisoitu vendorien tuomia etuja.

102 93 Kuva 17. Avoimen datan vendorien hyödyntämisen tuomat edut Kuten kuvasta 17 näkyy, vendorit tuovat organisaatioille monia etuja. Haastatelluista asiantuntijoista suurin osa oli sitä mieltä, että he suosisivat vendorien käyttöä, mikäli avointa dataa käytettäisiin laajemmin tai systemaattisemmin. Tällöin vendorin kanssa voitaisiin luoda palvelutasosopimus (SLA), joka toisi luottamusta datan käyttöön. Vendoreilla on haastattelujen mukaan tuntemusta tarjoamistaan avoimista dataseteistä ja usein he kykenevät vastaamaan tarkemmin ja laadukkaammin dataan liittyviin kysymyksiin kuin sen alkuperäinen avaaja. Dataa on voitu myös jatkojalostaa vendorien toimesta jo jollakin muulla datalla, joka voi olla ostettua tai avointa. Vendorit voivat jopa helpottaa organisaatioiden avoimen datan liiketoimintamahdollisuuksien tunnistamista, sillä niillä on kokemusta vastaavista hankkeista jo ennestään. Vaikka ulkoisen toimijan mukaan tuominen ei haastateltavien mukaan poistakaan kommunikaatiohaastetta suoraan, on vendoreilla kuitenkin kokemusta siitä, mitä organisaatioilta kannattaisi kysyä ja mistä dataa kannattaisi lähteä etsimään. Hyödyntämällä vendoreita organisaatiot saavat siis keskittyä pääasiassa ydinliiketoimintaansa. Avoin data on tutkimuksen haastateltavien mukaan kuin mitä tahansa muutakin dataa, mutta se on vain datapyramidin huippua. Haastateltavat kertoivatkin, että avoimen datan omistajuus organisaation piirissä tulisi myös määritellä yhtä lailla, kuin minkä tahansa muunkin datan. Teoriatausta tukee tätä näkemystä, sillä datan omistajuuden ja käyttäjäroolien määrittäminen on erittäin tärkeässä roolissa datan hyödyntämisen kannalta (Treder 2020). Tutkimuksen haastatteluista ei silti käynyt kovin hyvin ilmi, missä tilassa organisaatioiden avoimen datan omistajuus on. On oletettavaa, että aiheessa olisi ku-