Viime vuosina on alkanut niin sanotun “big data”:n (ison datan) vallankumous. Isojen tietomäärien tuottamalla tiedolla luvataan fiksumpia päätöksiä ja parempaa maailmaa.
Big data on jo arkipäivää, ja kaikenlaiset organisaatiot keräävät koko ajan yhä enemmän tietoa, yhä useammista asioista.
Mutta koska tieto ei välttämättä takaa parempiaa päätöksiä, tarkoittaako tämä, että päätöksentekijöiden (toimitusjohtajat, poliitikot ym.) pitäisi olla myös tilastotieteilijöitä ja tietoanalyytikkoja?
Kyllä ja ei.
Ei, koska tiedonkeruun teknisen puolen ja ns. tiedonlouhinnan hoitavat kyllä koneet ja alan ammattilaiset.
Kyllä, koska päättäjiltä vaaditaan analyyttista otetta.
Koneet eivät edelleenkään tiedä, mitä kysymyksiä pitäisi kysyä ja kuinka tulkita tuloksia.
Jotkut kysymykset voivat olla hyvin ilmeisiä: Mikä vaikuttaa asiakkaan tyytyväisyyteen? Millainen on tietyn projektin tuotto? Toisaalta toisenlaiset kysymykset – juuri ne, joissa on potentiaalia arvokkaisiin huomioihin – vaativat kyseenalaistavaa, kekseliästä ja analyyttista ajattelua.
Esimerkiksi kirjassa Freakonomics (Levitt & Dubner, 2005) esitetyt esimerkit osoittavat että edistyneet analyysit, jotka kykenevät paljastamaan petkuttavia opettajia, ovat mahdollisia vain jos ensin osattiin kuvitella, miten huijaukset voisivat tapahtua. Tämä on asia, johon logaritmi osaa vain vastata, ei kysyä.
Kun puhutaan analyysin tulosten arvioinnista ja tulkinnasta, on muistettava yksi tilastotieteen perussäännöistä: mitä isompi aineisto, sitä helpompi siitä on saada tukea mille tahansa ennakko-oletukselle.
On kaksi muutakin totuutta: jos dataa pyörittelee kyllin kauan, sen saa kertomaan ihan mitä haluaa, tai että huonosta aineistosta saa vain huonoja tuloksia.
Näin ollen olisi äärimmäisen huono neuvo antaa vain datan puhua ilman siihen liittyvää tulkintaa.
Toinen ratkaiseva virhemahdollisuus on unohtaa korrelaation ja kausaliteetin ero, kun analyysin perusteella tehdään johtopäätöksiä.
Suuri osa akateemisesta tutkimuksesta, puhumattakaan yritysten tutkimuksista, perustuu selvitykseen siitä, miten muutos yhdessä asiassa liittyy muutokseen toisessa asiassa (korrelaatio), sen sijaan että haettaisiin asioiden syy-seuraus-suhdetta (kausaliteetti).
Päättäjien pitäisikin kriittisesti arvioida sitä, onko kulloisessakin havaitussa muutoksessa todella kyse syystä ja seurauksesta, ja voidaanko mahdolliset muut uskottavat selitykset sulkea pois.
Tehtävä on haastava, koska siihen tarvitaan korkealaatuinen aineisto, huolellisesti suunnitellut analyysit ja vieläkin edistyneemmät analysointitekniikat.
Miten siis päättäjät voivat parhaiten menestyä suuressa tietovallankumouksessa?
Keskittymällä enemmän todennettuun ja tietoon perustuvaan aineistoon, mutta samalla välttäen analyysi-halvauksen (”analysis paralysis”) – tärkeintä ei sittenkään ole ymmärtää tietoa, vaan ympäröivää maailmaa.
Ymmärtämällä sekä ihmis- että konemielen vahvuudet ja rajoitteet, niitä voidaan myös yhdistää ja käyttää tehokkaasti toisiaan täydentävällä tavalla.
ADAM SMALE
Kirjoittaja on Vaasan yliopiston johtamisen professori