Koulutusmateriaali

1. Dataekosysteemit Suomessa
Koulutusmateriaali

2. Mikä on dataekosysteemi?
• Dataekosysteemillä voidaan tarkoittaa
• Infrastruktuuria datan keräämiseen, käsittelyyn, varastointiin, analysointiin
sekä dataa käyttäviin sovelluksiin
• Useiden organisaatioiden välistä kumppanuusverkostoa, jossa verkoston
sisällä dataa jaetaan ja hallitaan uuden arvon luomiseksi sekä liiketoiminnan
ja innovoinnin edistämiseksi.
• Tässä dataekosysteemi ymmärretään laajemman määritelmän
mukaan useiden organisaatioiden välisenä kumppanuusverkostona,
joka sisältää myös infrastruktuurin.

3. Taustaa työstä ja tutkimuksesta
• Työ on osa Kyberturvalliset ekosysteemit Etelä-Karjala –hanketta
• Tavoitteena on selvittää, millaisia dataekosysteemejä Suomessa toimii
ja mitä hyötyä dataekosysteemeistä voisi olla Etelä-Karjalassa
toimiville pk-yrityksille
• Tutkimusta varten haastateltu 7 henkilöä, jotka edustivat
• Asiantuntijoita ja yrityksiä ja yhteisöjä
• Isoja ja pieniä yrityksiä ja yhteisöjä
• Lisäksi käytetty muuta julkisesti löytyvää materiaalia

4. Hyödyt
0
1
2
3
4
5
6
7
Maininnat
haastatteluissa
[kpl]

5. Konkreettisia esimerkkejä hyödyistä 1/2
• Rajapintojen avaamisen ja datan jakamisen avulla on saatu lisää
palveluita organisaation ja asiakkaiden käyttöön. On säästetty rahaa,
kun kaikkia palveluita ei ole tarvinnut tehdä itse.
• Laadukkaammat palvelut ja parempi asiakaskokemus.
• Digitaaliset palvelut asioinnin tueksi. Moderneihin
kulutustottumuksiin sopivaa palvelua.
• Asiakaspito - mitä useamman palvelun saa samasta paikasta, sitä
todennäköisemmin asiakas pysyy eikä vaihda muualle.
• Näkyvyys, yhteinen markkinointi ja verkostoituminen

6. Konkreettisia esimerkkejä hyödyistä 2/2
• Yhteistyötahojen löytyminen ja asiakassuhteiden muodostuminen
ekosysteemin sisältä.
• Laajentuminen liiketoiminta-alueille, joille ei muuten olisi pääsyä.
• Yritykset voivat optimoida toimintaansa, toimintojen ennustettavuus
ja mitattavuus ovat parempia (esimerkiksi kuljetukset, toimitukset,
prosessit) – rahallista säästöä.
• Päästövähennykset (esimerkiksi parempi ennustettavuus,
reittisuunnittelu, toiminnan optimointi datan avulla auttavat
päästövähennyksissä).
• Laadukkaan datan tarjoaminen on kilpailukeino.

7. Ongelmat ja haasteet
0
2
4
6
8
10
12
14
16
18
Maininnat
haastatteluissa
[kpl]

8. Konkreettisia esimerkkejä datan laadun
ongelmista
• Data on sellaisessa muodossa, ettei sillä tee mitään järjestelmän
ulkopuolella.
• Rajapinnan kautta tulee huonolaatuista dataa. Joutuu käymään datan
manuaalisesti läpi. Pidetäänkö dataa yllä itse vai antaako rajapinnan
tuottaa lisää huonoa dataa? Voi joutua rakentamaan koko homman
uusiksi, jotta saa hyvälaatuista dataa.
• Jos ei kerätä oikeaa dataa, jälkikäteen on kallis projekti lähteä
muuttamaan toimintatapoja, prosesseja, käytäntöjä, tietokantoja ja
tietokantamalleja, jotta saadaan oikeaa dataa ja data pysyy kunnossa.
• Virheellistä dataa ei voi korjata, prosessi datan korjaamiseen puuttuu.

9. Konkreettisia esimerkkejä ongelmista 1/2
• Datan lähdejärjestelmät voivat olla yli 50 vuotta vanhoja tai ihan uusia
tai mitä tahansa siltä väliltä. Tekninen haaste saada data
vertailukelpoiseen muotoon.
• Yritykseltä puuttuu oman datan jaon ja hallinnan konsepti. Data on
hankalassa muodossa, ei ole jäsenneltyä.
• Datan tallentamisen ja jakamisen infrastruktuurin kustannukset,
varsinkin jos pitää tehdä muutoksia sitä varten, että dataa voidaan
jakaa ulos.
• Jos ei tuota arvoa, ei ole riittävästi hyötyä, ei ole motivaatiota jakaa
dataa.

10. Konkreettisia esimerkkejä ongelmista 2/2
• Ei riittävästi nopeaa arvoa kaikille osallistujille. Hyödyt tulevat pidemmän
ajan kuluessa, miten pidetään pienet yritykset kiinnostuneina?
• On paljon pieniä toimijoita, joilla IT-osasto on pieni tai ei ollenkaan. Kaikki
asiat pitää tehdä niin yksinkertaiseksi ja helpoksi kuin mahdollista ja se ei
välttämättä ole aina paras tai järkevin ratkaisu. Rahaa on käytössä vähän,
niin pitää tehdä kustannustehokkaasti toimivaa, ei välttämättä järkevintä.
• Datan käytön lisääntyminen tai huonosti toteutettu integraatio voi
aiheuttaa järjestelmän hidastumista ja tukkeutumista, mikä näkyy huonona
asiakaskokemuksena.
• Ajetaan omia intressejä yhteistyön sijaan.

11. ”Sehän on iso probleema mun mielestä,
että ei tiedetä, että mitä dataa pitäisi
jakaa, ei tiedetä, että mitkä ne hyödyt on
ja kustannukset on liian korkeat.”

12. Menestystekijöitä haastattelujen perusteella
1/3
• Helppokäyttöisyyteen ja päivittäiseen tekemiseen liittyviä
menestystekijöitä:
• Uudet työkalut ovat lähellä tuttuja
• Loppukäyttäjän ajatteleminen
• Yrityksen sisäinen datankeruuprosessi mahdollisimman helppokäyttöiseksi
• Data osaksi päivittäistä tekemistä
• Organisaatiolle tutun kielen käyttäminen ilman erityistä IT- ja datasanastoa

13. Menestystekijöitä haastattelujen perusteella
2/3
• Johtamiseen ja kulttuurimuutokseen liittyviä:
• Kulttuurillinen muutos
• Muutosjohtaminen
• Johdon ymmärrys dataekosysteemin tärkeydestä
• Oikeanlainen johtaminen
• Alkupanostukseen liittyviä menestystekijöitä:
• Järkevän ongelman ratkaiseminen pienin askelin, ensin testaus ja kokeilu,
sitten vasta isommat investoinnit
• Riittävä ajankäyttö tavoitteiden määrittelyyn ja toimijoiden sitoutumiseen,
toimijoiden suurimmat ongelmat on otettu mukaan

14. Menestystekijöitä haastattelujen perusteella
3/3
• Liiketoimintaan liittyviä menestystekijöitä:
• Liiketoimintamalli, joka tukee toimintaa dataekosysteemissä
• Rajapintojen tarjoaminen kumppaneille
• Yhteinen myynti ja markkinointi ekosysteemin toimijoiden kanssa
• Yksittäisiä erillisiä menestystekijöitä:
• Ammattitaitoinen tilaaja, jolla korkea vaatimustaso
• Sopiva tietojärjestelmäarkkitehtuuri
• Oikeanlainen osaaminen
• Neutraali toimija dataekosysteemin vetäjänä

15. Haastateltavien suosituksia
dataekosysteemeihin 1/5
• Arvon tuotto
• Pitää ymmärtää ongelma, miksi halutaan jakaa dataa. Mikä arvo datan
jakamisesta muodostuu?
• Mieti, mitä arvokkaita datasettejä on omasta näkökulmasta. Mitä arvokkaita
datasettejä on muiden näkökulmasta? Ketkä hyötyisivät tästä?
• Mieti, mitä dataa jaat ja kenelle, kokeile sen jakamista oikeille tahoille ja katso
mitä siitä muodostuu.
• Kannattaa lähteä liikkeelle pienestä ja kun se näyttää toimivalta, skaalata
isommaksi.
• Liiketoiminta edellä eli mitä halutaan eikä vain kokeilla mitä teknisesti pystyy
tekemään.

16. Haastateltavien suosituksia
dataekosysteemeihin 2/5
• Datan jako
• Pitää miettiä, voisiko joku hyötyä datasta ja olisiko datan jako teknisesti
toteutettavissa.
• Datan jakamisessa muiden yritysten tiedosta voi olla paljon enemmän hyötyä
kuin mitä itse menettää jakaessaan omaa dataa.
• Onko data oikeasti niin arkaluontoista, ettei sitä voisi jakaa? Omaan dataan ei
pitäisi suhtautua niin mustasukkaisesti.
• Helposti vastataan ”ei” eikä edes selvitetä asiaa.

17. Haastateltavien suosituksia
dataekosysteemeihin 3/5
• Datan laatu
• Pitää miettiä loppukäyttäjän kannalta ja jakaa sellaista dataa, josta on hyötyä ja joka
on hyvälaatuista. Datan hyödyntämisen pitää olla mahdollisimman helppoa.
• Jos huomataan, ettei data ole kunnossa tai jotain dataa ei kerätä, niin jälkikäteen on
kallis projekti muuttaa toimintatapoja, prosesseja, tietokantoja ja tietokantamalleja,
jotta dataa pysyy kunnossa ja saadaan tarvittavaa dataa.
• Kustannus
• Usein datan jakamisen kustannukset ovat suuremmat kuin hyödyt. Joko laajemmalla
datan jaolla saatava lisää hyötyjä tai kustannukset alhaisemmaksi tekemällä
mahdollisimman halvalla, kuitenkin toimivaa.
• Yhteen tarkoitukseen löytyy usein valmis palikka, joku on jo todennäköisesti
ratkaissut sen ongelman. Laajempaan ratkaisuun kustannukset ovat suuremmat.

18. Haastateltavien suosituksia
dataekosysteemeihin 4/5
• Tietoturva
• Pitää etukäteen miettiä, mitä dataa tarvitsee. Ei kerätä kaikkea mahdollista dataa,
siitä voi tulla esimerkiksi GDPR-ongelmia.
• Voi olla hyvä eriyttää asioita eri paikkoihin tietoturvan ja tietosuojan takia.
Tietovarastosta irti kaikki sensitiivinen data, mitä ei haluta vahingossakaan
maailmalle.
• Teknologia
• Kannattaa tehdä suoraan järkevällä skaalautuvalla arkkitehtuurilla. Jos tarkoitus on
vain todeta arvon tuotto, niin sen voi tehdä kevyemmälläkin point-to-point-
virityksellä. Mutta kun arvon tuotto on todettu, pitäisi rakentaa järkevä arkkitehtuuri
heti alusta asti.
• Pitää tunnistaa datan kuluttajan ja datan tuottajan osaaminen ja valita teknologia sen
mukaan.

19. Haastateltavien suosituksia
dataekosysteemeihin 5/5
• Muut
• Sopivan arvomaailma, toimintatavan ja kulttuurin jakavan kumppanin
löytäminen. Jos tarvitaan, niin kumppanilla olisi hyvä olla muutosjohtamisen
kyvykkyyttä.
• Pitää miettiä etukäteen tavoite. Miten mitataan, mennäänkö kohti tavoitetta.
Mitä pitää mitata?

20. Tiivistelmä 1/2
• Dataa kannattaa jakaa tai vähintään varautua tulevaisuudessa
jakamaan dataa.
• Yrityksen sisäinen datan keruun ja hallinnan prosessi kuntoon
varautuen siihen, että tulevaisuudessa dataa voidaan jakaa ulos.
• Datan laatu on usein huonoa, data on puutteellista tai virheellistä.
• Hyödyt näkyvät mm. monipuolisempina palveluina, toiminnan
optimointina ja rahallisena säästönä.
• Hyödyt voivat olla epäsuoria ja hitaita.
• Kustannukset ovat korkeat. Kustannuksia nostavat ongelmat yrityksen
sisäisessä datankeruuprosessissa sen seurauksena datan laadussa.

21. Tiivistelmä 2/2
• Dataekosysteemin menestymisen kannalta merkittävimpiä tekijöitä
ovat
• kulttuurinmuutos ja johtaminen, jotta datan käyttö saadaan osaksi päivittäistä
tekemistä
• yrityksen sisäisen datankeruuprosessin tekeminen mahdollisimman
helppokäyttöiseksi
• laadukkaan datan jakaminen oikeille tahoille, ei kaikkea kaikille