Esseen arvioitu lukuaika on 9 minuuttia.

Soluessee: Proakatemian datasoturit
Kirjoittajat: Karel Tagel, Annamari Aalto, Aaro Berg ja Emilia Koskiniemi

1. JOHDANTO

Proakatemialle valittiin koulun historian ensimmäinen datatiimi syksyllä 2018. Dataa on kerätty aikojen alusta lähtien, mutta maailman nopean digitalisoitumisen myötä datasta ja sen hallinnasta on tullut yrityksille jopa ydinliiketoimintaa. Kuitenkin monella yrityksellä on edelleen datan hyödyntäminen vielä lapsenkengissä. Mittaamis- ja analytiikkakäytännöt eivät ole vakiintuneet liiketoimintaan tai sen kehittäminen tueksi. Datan keruu on pakollista jokaisen yrityksen johdolle, joka haluaa perustaa toimintansa tiedon eikä aavistuksen pohjalle.

Proakatemiallakin tietoa on kerätty erilaisiin muotoihin aivan toiminnan aloittamisesta alkaen. Ongelmaksi kuitenkin tämän kaltaisessa yhteisössä muodostuu se, että “henkilöstö” vaihtuu aina kokonaan kahden vuoden välein. Hurja ihmisten vaihtuvuus on aikaisemmin tarkoittanut myös sitä, että tiedon laatu ja määrä uusiutuu aina ihmisten mukana.

Tässä esseessä pohdimme ensin mitä on data ja mitä se tarkoittaa nykymaailmassa yleisesti, sekä Proakatemialla. Sen jälkeen avaamme datan laadun määrittämistä sekä analysointia. Lopussa pohdimme vielä datatiimin merkitystä ja tehtävää Proakatemialla.

2. MITÄ ON DATA?

Nyky-yhteiskunnassa dataa syntyy kaikkialla. Yksityishenkilöiden toimesta, julkisen puolen toiminnasta sekä organisaatioiden toimesta. Dataa on muun muassa kaikki tekstit, numerot, tilastot, kuvat, musiikki, kartat ja kaikki muu tiedossa oleva materiaali. Data sellaisenaan on kuitenkin lähes arvotonta. Vasta käsittelyn jälkeen siitä tulee arvokasta, kun sitä voidaan hyödyntää ja käsittelemätön raaka data muuttuu tiedoksi.

Datan kerääminen ja analysointi on elintärkeää nykyajan liiketoiminnalle. Kerätyn datan avulla pystytään muun muassa analysoimaan ja ennakoimaan asiakkaan käytöstä, joka saattaa olla eron tekevä kilpailuetu muihin toimijoihin nähden. Datan keräämisen, käsittelyn ja käyttämisen valtavassa kasvussa puhutaan jopa ”uudesta teollisesta vallankumouksesta”. (Monino, Sedkaoui, 2016.)

 

Käsitteitä:

– Data: Dataksi määritellään faktat, havainnot ja raaka data. Käsittelemätön data sinällään sisältää vähän arvoa. Se muuttuu arvokkaaksi, kun se on käsitelty. Data voi olla lähes mitä tahansa, mutta yleisimmin se on tekstejä, tilastoja, kuvia, musiikkia tai vaikkapa karttoja.

– Big Data: Määritelmää käytetään, kun käytetyn datan määrä on niin suuri, että se vaatii uusia teknologisia ratkaisuja sen säilyttämiseen, prosessointiin ja käyttöön. Datan määrä, nopeus ja monimuotoisuus ovat yleensä kolme kriteeriä, jonka perusteella se määritellään ”Big dataksi”.

– Avoin data: Avoimeen data on nimensä mukaisesti avointa kaikille. Data voi olla peräisin organisaatiosta tai yksityiseltä tai julkiselta toimijalta, jonka he ovat halunneet avata kaikkien hyödynnettäviksi.

– Pilvipalvelut: Pilvipalveluilla viitataan sellaiseen datan prosessointiin ja säilömiseen, jossa data säilötään ulkoiselle palvelimelle internetin kautta.

– Data-analyysi: Tilastollinen menetelmä, joka mahdollistaa suuren datamäärän analysoinnin sekä siitä löytyvien tärkeimpien puolien identifioimisen.

– Datalouhinta: viittaa menetelmään, jolla suuresta määrästä dataa kerätään haluttuja tietoja. Datalouhinnassa käytetään algoritmejä, tekoälyä ja tietojenkäsittelytieteen menetelmiä muodostaakseen säännönmukaisuuksia datasta, kuten tiettyjä määritelmiä noudattavia rakenteita tai teemoja.

– Datan visualisointi: Kerätty ja käsitelty data on mielekkäämpää esittää visuaalisessa muodossa sen vastaanottajalle.

Kuva 1: Bittitaulukko. Monino, Sedkaoui, 2016.

 

2.1 Big Data

Datasta ja sen käytöstä on tullut olennainen osa yrityksen liiketoiminnan ja kilpailuedun suunnittelua. Vaikka Big Datan määritelmä ei ole niin selkeä, sillä yksinkertaisesti viitataan suuriin määriin dataa. Big Datan voi määritellä muun muassa ”neljän V:n” avulla; Volume, Variety, Velocity ja Value. (Monino, Sedkaoui, 2016.) Suomennettuna datan määrän, monimuotoisuuden, nopeuden sekä arvon mukaan.

Datan määrä on oleellinen osa Big Datan määrittelyssä. Nykyaikana sosiaalisen median myötä syntyy arvokasta dataa joka päivä. Datan syntyminen eri lähteistä kuten viesteistä, sosiaalisista medioista tai vaikkapa Tweeteistä viittaa datan monimuotoisuuteen. Big Datan määrittelyssä oleellista on myös se, kuinka nopeasti ja helposti data on saatavilla ja käytettävissä. Tästä esimerkkinä Googlen keräämät tiedot, joita käytetään kohdennettuun ja personalisoituun mainontaan. Jotta data voidaan määritellä Big Dataksi, tulisi sen myös olla hyödyllistä ja arvokasta (value).

2.2 Open Data

Avoimella datalla viitataan sellaiseen dataan, joka on saatettu kaikkien saataville, jolloin kuka tahansa pääsee sitä hyödyntämään. Data voi olla julkisen sektorin julkista dataa, kuten bussien aikataulut, tai tieteellisen tutkimuksen tai yksityisen sektorin dataa. Avointa dataa on muun muassa Tampereen kaupungin bussien sijaintitiedot, joiden pohjalta onkin tehty sovellus, josta näkee bussien reaaliaikaiset sijainnit. Periaatteena avoimessa datassa on sen saattaminen yhteisen hyvän eduksi.

Avoimen datan tulee olla laillisesti saatavilla, uudelleen käytettävissä ja jaettavissa sekä universaalisti käyttökelpoista. Datan laadukkuutta voidaan määritellä muun muassa sen kattavuuden, johdonmukaisuuden sekä tarkkuuden mukaan.

 

3. MIHIN DATAA HYÖDYNNETÄÄN?

Datan hyödyntäminen liiketoiminnan kehittämisessä on jo yleisesti tunnistettu asia. Data mitä yrityksellä on, mutta mihin kilpailijat eivät pääse käsiksi, tuottaa merkittävää kilpailuetua. Tässä näkyy myös ero yksityisen ja julkisen sektorin välillä. Yritysten ei kannata jakaa dataa – ainakaan maksutta, koska silloin se menettää nopeasti kilpailuedun suhteessa muihin yrityksiin. Toisaalta joillakin aloilla, kuten lentoliikenteessä, datan jakaminen yritysten välillä on yhteiseksi edun hyväksi. Lentoyhtiön jakaessa avoimesti dataansa mahdollisista vioista ja onnettomuuksista muiden yhtiöiden kanssa, edistää se koko lentoliikenteen turvallisuutta, joka taas hyödyntää jokaista alalla toimivaa, myös heitä itseään. (Sutinen, Kuitunen, 2018.) Julkinen sektori puolestaan ei kilpaile, jolloin sen käytössä oleva data voi olla avoimemmin saatavilla. Avoimuus ei tietenkään koske arkaluontoista tietoa, kuten kansalaisten terveydentilaa koskevaa. (Salo 2013, 32.) Yritykselle pelkkä datan kerääminen ei kuitenkaan riitä, vaan vasta datan onnistunut analysointi tuo aidon kilpailuedun suhteessa muihin.

 

3.1 Hyödyt yritykselle

Yrityksen matkan nykyhetkeen voi päätellä kartoittamalla ja ottamalla käyttöön kaikki omassa hallinnassa olevat datalähteet, ja yhdistämällä ne saatavilla oleviin avoimiin julkisiin, yhteistyökumppaneiden jakamiin sekä maksullisiin tai muuten rajoitetusti oleviin datalähteisiin. Tämän kerätyn datan analysoinnin avulla voidaan luoda ennuste mihin suuntaan yrityksen toiminta on menossa. Täydellistä varmuutta tällä ei tietenkään pysty saamaan, mutta analysoinnin tulokset ovat suuri apu päätöksenteossa. Datan määrä ja laatu korreloivat vahvasti ennusteen tarkkuudessa. (Salo 2013, 33.)

Datan avulla yrityksen kannattavuutta voidaan parantaa monella tapaa. Tuotekehitystä hyödyttää asiakasrajapinnasta kerätty data. Datan keräämiseen on käytettävissä loputon määrä keinoja ja mitä tarkemmin kerätty data analysoidaan, sitä tarkempi on kuva yrityksen asiakaskunnasta ja sen tarpeista. Yksi perinteinen keino kerätä dataa on esimerkiksi kaupoissa sijaitsevat laitteet, joissa on erivärisiä painikkeita kertomaan siitä, kuinka hyvin asiakas koki tulleensa palvelluksi. Vieläkin pidemmälle vietyä olisi mahdollisuus antaa laitteelle suullinen palaute myös liikkeen eri tuotteista ja palveluista. (Salo 2013, 34.)

 

3.2. Hyödyt Proakatemialle

Proakatemian tulevaisuutta voi ennustaa esimerkiksi kasvavan hakijamäärän perusteella. Tämä data kertoo, että mikäli hakijamäärä edelleen kasvaa ja sisään otettavien opiskelijoiden määrää halutaan lisätä, tarvitaan isommat tilat tai kokonaan toinen Proakatemia. Ennusteen voi myös luoda siitä hetkestä, kun nykyisten tilojen kapasiteetti todella täyttyy.

Datatiimin kanssa loimme tilaston alumneista ja heidän tämänhetkisestä työllisyystilanteestaan. Otanta on 165 alumnia, joista 115 on tällä hetkellä palkkatöissä ja 60 yrittäjinä. Sekaan mahtuu 10 henkeä, jotka kuuluvat kumpaankin mainittuun kategoriaan. Tästä voi ennustaa, että myös jatkossa suurempi osa tulee valmistumisen jälkeen menemään palkkatyöhön, kuin jatkamaan yrittäjänä.

Proakatemialla on myös kerätty dataa siitä, kuinka opiskelijat kokevat nykyisen essee -käytännön. Tämän kerätyn datan pohjalta koulu teki päätöksen hankkia akatemialle podcast -välineet ja antoi näin opiskelijoille mahdollisuuden jatkossa suorittaa osan esseepisteistä podcastien muodossa.

 

Kuva 2. Graafi alumnien työllistymisestä.

 

4. DATAN MÄÄRÄ

Maailmamme on tällä hetkellä pullollaan dataa, mutta tärkeintä yritykselle ei ole määrä vaan laatu. Suora lainaus kirjasta: “There is a lot of water in the ocean also, but you can’t drink it all”. Lohr ja Dixon suosittelevat kuitenkin aloittelevan datan kerääjän keräävän mieluummin liikaa kuin liian vähän. Se mikä merkitsee loppupeleissä on kerättävän datan mittaus- ja analysointitavat. Jos oman yrityksen kerättävä data on vielä valitsematta, olisi aluksi parasta valita kaikki mahdollinen tieto ja karsia sitä myöhemmin. Kerättyä dataa voi aina poistaa, mutta menetettyä tilaisuutta ei saa takaisin. (Dixon ja Lohr 2015. Kuunneltu 1.12.2018).

Seuraavissa kappaleissa on lueteltuna mahdollisimman laajasti kerättäviä tietoja, joista voisi Proakatemialla olla hyötyä. Kerättäville tiedoille on myös määritelty jokin mahdollinen käyttötarkoitus. Kaikkea tätä dataa olisi hyvä alkuun kerätä niin paljon kuin mahdollista.

 

4.1. Sisäinen data

Sisäisellä datalla tarkoitetaan tässä yhteydessä dataa, joka kerätään yhteisön sisältä. Tieto vaikuttaa lähinnä vain sisäiseen toimintaan, kuten yhteisön kehittämiseen ja oppimisen jakamiseen. Proakatemialla kerättävää sisäistä dataa voisi olla:

• Akatemialla opiskelevien ihmisten määrä → koulutuksen kasvu ja kiinnostus
• Akatemialle hakevien opiskelijoiden määrä → koulutuksen kasvu ja kiinnostus
• Akatemialle hakevien opiskelijoiden kotikunta → koulutuksen kasvu ja kiinnostus sekä markkinoinnin oikea kohdistus
• Akatemialla opiskelevien ihmisten tutkinnot (tradenomi, restonomi…) → esim. tarve akatemian kehittämiselle/ onko vuosikursseilla eroa keskenään ja korreloiko tutkinto jonkin muun asian kanssa
• Akatemialta valmistuvien ihmisten määrä → koulutuksen “laatu”
• Alumnien työllistyminen ja roolit työelämässä → koulutuksen “laatu”
• Opiskelujen aikana parhaaksi todetut kurssit, kirjat ja seminaarit sekä niiden opit→ opin laatu
• Akatemialta ulos tehdyt yrityskontaktit ja niiden määrä → Proakatemian tunnettavuus
• Proakatemian tiimien sekä projektien liikevaihto ja -voitto → Proakatemialla tiimien vuosittainen liikevaihto ja sen kehitys vuosien saatossa. Projektien suuruus ja niiden kasvu
• Tehtyjen projektien projektisuunnitelmat ja -raportit → tarkempaa tietoa projektien laadusta ja koosta sekä kertyneestä opista
• Tehtyjen kansainvälisten projektien määrä → Proakatemian kansainvälisyys

 

4.2. Ulkoinen data

Ulkoisella datalla tarkoitetaan tässä yhteydessä Proakatemian ulkopuolisten toimista kerättyä tietoa. Ulkoinen data vaikuttaa erityisesti ulkoiseen markkinointiviestintään ja näkyvään kehittämiseen. Tässä listattuna kerättävistä ulkoisesta datasta:

• Proakatemian nettisivuilla kävijöiden määrä → Proakatemian kiinnostavuus
• Sosiaalisten medioiden seuraajien määrä → Proakatemian kiinnostavuus
• Proakatemian sivuilla tehtävien klikkausten määrä ja laatu → aito Proakatemian kiinnostavuus ja kiinnostuneiden henkilöiden “identiteetti”. Mitä Proakatemian nettisivuilta haetaan?
• Kyselytutkimus → Proakatemian tunnettavuus
• Proakatemialle tehtyjen yhteydenottojen määrä ja niiden perusteella toteutuneet projektit → Proakatemian tunnettavuus ja kiinnostavuus. Myytyjen ja saatujen projektien suhde ja markkinoinnin tarve
• Proakatemialla käytyjen vierailijoiden määrä ja kotipaikka → Koulutuksen kiinnostavuus, laajuus ja segmentin tarkempi määrittäminen
• Tehtyjen kouluvierailujen määrä ja niiden seurauksena hakijoiden määrän vaihtelu → markkinoinnin laadun ja tarkoituksenmukaisuuden seuranta

 

4.3. Tarvittavan datan määrittäminen

Merkityksellisen datan määrittämiseen ja keräämiseen olisi tärkeää ottaa mukaan yrityksen eri tasoja. Eri rooleissa olevien ihmisten mielipiteet datan laadusta ja tarkoituksenmukaisuudesta voi yrityksen sisällä vaihdella merkittävästi. Toimitusjohtaja ja johtotaso eivät välttämättä pysty yksinään ajattelemaan jokaisen osaston työtehtäviä ja työssä tehtyjen päätösten perusteita yhtä hyvin kuin se, joka työtä oikeasti suorittaa. (Dixon ja Lohr 2015).

Kun kerättävän datan karsiminen on ajankohtaista, hyviä kysymyksiä kerättävän datan määrittämisen avuksi johdolle ovat esimerkiksi:

• Mikä on yrityksen vahvuus/ paras asia jota haluat vahvistaa?

• • Millä tiedoilla voit siis mitata edistymistä?
• Mikä asia jarruttaa yritystä eniten?
  • Mihin resursseihin esteiden poistaminen vaikuttaa?

Akatemialla dataa tullaan käyttämään pääasiassa kahteen eri tarkoitukseen, ulkopuolelle markkinointiin ja tiedottamiseen sekä sisäiseen viestintään ja toiminnan kehittämiseen. Ulkopuolisen markkinoinnin kaksi tärkeää kohderyhmää ovat Proakatemialle hakevat opiskelijat sekä Pirkanmaalla (ja naapurustossa) olevat yrittäjät ja yritykset. Yksi yleisimmistä datan käyttötarkoituksista on mitata asiakaskäyttäytymistä. Asiakaskäyttäytymiseen on hyvä määritellä mittari, joka näyttää vastauksen kahteen eri asiaan: onko tehty muutos hyvä vai huono? Mittari toimii parhaassa tapauksessa tietynlaisena hälytysjärjestelmänä.

Kuvitellaan, että Akatemia tekisi nyt mainoskampanjan vahvasti yrittäjyyden näkökulmasta ja koulun tarjoamista valmiuksista siihen. Datatiimin yksi tehokas mittari tähän liittyen voisi olla kävijöiden määrä Proakatemian nettisivuilla. Nettisivuilla voidaan vielä rankata kävijät yritysedustajiin ja opiskelijoihin sivuilla olevien otsikoiden: “hakijoille” ja “yrityksille”- avulla. Kun tiedossa on ennakkoon esimerkiksi viikoittainen yrityskävijämäärä ja kampanjan myötä kävijämäärät alkavat dramaattisesti tippua, voidaan mahdollisesti olettaa että johtamisen poisjättäminen markkinoinnista ei ole positiivinen asia yritysten kannalta. Kun dataa ja sen kehitystä seurataan järjestelmällisesti, sekä tiedetään muutoksiin liittyvät tehdyt toimenpiteet, voidaan tehdä nopeita korjausliikkeitä. Ei tarvitse odottaa tuloksia kuukausien päähän ja ihmetellä hakijamäärän laskua seuraavan yhteishaun yhteydessä tai vähentyneitä projektipyyntöjä.

Datatiimi kävi Oikiolla yritysvierailulla Helsingissä 28.11.2018. Tapaamisessamme korostui erityisesti datan keräämisen merkitys nettisivujen ja sosiaalisten medioiden kautta. Nettisivut ovat helppo datan keräämisen alusta, johon yleensä käytetään apuvälineenä Google Analyticsiä. Analytics on erittäin hyvä työkalu markkinoinnin ja strategisten päätösten tueksi jos verkkosivut ovat jo valmiiksi hyvin optimoidut, niin että ne palvelevat mahdollisimman hyvin datan keräämistä ja analysointia kuten edellisessä kappaleessa esitetyssä esimerkissä.

Yritystapaaminen herätti erityisesti datan keräämisen merkitykseen yrityksen ulkopuolelle näkyviin toimiin. Tähän mennessä datatiimin ajatukset olivat pyörineet lähinnä Proakatemian sisäisen datan keräämiseen ja merkitykseen.

 

5. ANALYTIIKKA JA VISUALISOINTI

Kuka vain meistä ymmärtää dataa kuvana paremmin, kuin vaikkapa taulukkoina tai sekalaisina numeroryppäinä. Kun kerätty tieto muutetaan visuaaliseen muotoon, on sen avulla huomattavasti helpompaa ja tehokkaampaa ymmärtää, mistä on kyse ja mitä on mitattu. Visualisointi on yksinkertaisuudessaan tulos analytiikasta. (Collin, Saarelainen, 2016.)

Lähtökohtaisesti mitään dataa ei tutkita turhaan, vaan aina taustalla on jokin selkeä tarve siitä, mitä ollaan tutkimassa ja miksi. Tarpeen perusteella voidaan miettiä, mitä teknologiaa tarvitaan, mitä työkaluja mittaamiseen käytetään ja miten loppuun jalostetut tulokset esitetään.

5.1. Miten dataa mitataan ja analysoidaan?

Mittareita ja mittauksen kohteita, joilla dataa voidaan mitata, on periaatteessa rajattomasti. On olemassa liiketoiminnallisia mittareita, jotka pitävät sisällään esimerkiksi myynnin, markkinoinnin ja yrityksen talouden mittaamisen. Laatupohjaisilla mittareilla voidaan mitata vaikkapa sisällön laatua ja tietoturvaa. WWW-analytiikalla, eli käyttäytymisdatalla voidaan taas tutkia erilaisia tapahtumia, kuten esimerkiksi sivunäyttöjä ja pysyvyyttä verkkosivustolla.

Mututieto ja arvailu saadaan kumottua datan avulla, sillä mitatun datan avulla voidaan esittää faktoja, jotka ilman mittaamista eivät olisi olleet edes mahdollista esittää. Dataa jalostaessa kuitenkaan koskaan pelkkä mittaaminen ei riitä, vaan se pitää myös analysoida, visualisoida ja ylipäätänsä ymmärtää sen kokonaisuus, eli konteksti. (Collin, Saarelainen, 2016.)

Yksinkertainen esimerkkicase: Yrityksen näkyvyyden tehostaminen WWW-sivujen avulla.

Yrityksellä on ennestään verkkosivut, mutta ei aavistustakaan kuinka paljon siellä käy ihmisiä ja tietoa siitä, mitkä palvelut herättävät eniten kiinnostusta. On olemassa selkeä tarve, mitä dataa mitataan ja miksi. Tässä tilanteessa käyttäytymisdataa voidaan alkaa mittaamaan esimerkiksi Google Analyticsin avulla, joka on yksi suosituimmista työkaluista kävijäseurannan mittaamiseen. Työkalun avulla saadaan kerättyä tarvittava data ja täten jalostusprosessin valmistuttua vastaukset aiemmin askarruttaneisiin kysymyksiin. Mitatut tulokset tuottavat huomattavaa lisäarvoa liiketoiminnalle, sillä nyt on tiedossa, miten www-sivustolla käyttäydytään, ja mitä osa-alueita tulisi tehostaa.

 

5.2 Edelläkävijyys

Valitettavasti digitaalisuutta ei usein osata hyödyntää huomattavan monissa yrityksissä. Yritykset, jotka kuitenkin toimivat digimyönteisesti ovat niin sanotusti digiaktiiveja ja täten edelläkävijöitä. Näissä yrityksissä tunnetaan käytännössä jokainen liike, minkä kävijä esimerkiksi verkkosivulle jättää, ja täten tämän tiedon pohjalta pystytään testaamaan ja optimoimaan toimenpiteitä kokonaisvaltaisesti niin verkossa kuin sen ulkopuolellakin. Datavetoisuuden puuttuminen heijastuu käytännössä siinä, että usein vaikkapa mittaukset jäävät vain tuloksiksi, eli toisin sanoen raporttien ja lukujen tasolle.

Tilanteisiin on tärkeää pystyä reagoimaan esimerkiksi ennakoimalla tulevaa. Onko loppuun jalostetussa datassa kenties havaittavissa jotain mahdollista merkkiä tulevasta, joka vaatii muutosta? Joskus muutos voi vaatia jotain erittäin radikaaleja toimenpiteitä, pahimmassa tapauksessa irtisanomisia ja organisaation rakenteen muuttamista.

 

6. POHDINTAA

Tätä esseetä kirjoittaessamme ajatuksemme kirkastui siitä, kuinka tärkeä kilpailukeino data ja sen analysointi on yrityksille. Kerättäessä tarpeeksi relevanttia dataa, yrityksen kehittäminen on tehokasta ja tietopohjaista, eikä perustu oletuksille markkinoiden toiminnasta. Data, sen analysointi ja esittäminen on suuri hyödyntämätön voimavara, jonka merkitys tulee tulevaisuudessa vain kasvamaan. Datan ympärillä on edelleen suuria markkinarakoja monilla eri aloilla.

Kuten kappaleesta 4 käy ilmi, Proakatemiallakin on kymmeniä eri lähteitä joista kerätä kymmeniä eri tietoja, joita voidaan jälleen käyttää kymmeniin eri käyttötarkoituksiin. Tästä voidaan päätellä, että vähintään yhtä paljon dataa löytyy myös yrityksistä.

Ensimmäisen datatiimin merkitys on ennen kaikkea kerätä kriittinen sisäinen data kaikkien saataville ja luoda alustat seuraaville tiimeille enemmän Akatemian ulkoista kehitystä tukevan tiedon keräämiseen. Näin saamme nykyään ihmisten vaihtuvuuden myötä lähtevän tiedon säilymään Proakatemian sisällä ja uudet oppilaat voivat alusta aloittamisen sijaan lähteä tehokkaammin kehittämään yhteisöä siitä mihin muut ovat jääneet.

 

LÄHTEET

Heidi Lauttamäki. Tilastokeskus. Digiaktiivit uudistumisen edelläkävijöitä 2017. Luettu 6.12.2018.
http://www.tilastokeskus.fi/tietotrendit/artikkelit/2017/digiaktiivit-uudistumisen-edellakavijoita/

Dixon Walter, Lohr Steve. 2015. Data-ism. HarperAudio. Äänikirja.

Salo, Immo. 2013. Big data: tiedon vallankumous. Saarijärvi: Offset Oy.

Collin, J. & Saarelainen, A. Teollinen internet. Helsinki: Alma Talent Oy. E-kirja.

Sutinen, M & Kuitunen, M. 2018. Mahtava Moka. Helsinki: Alma Talent Oy.

Monino, J-L & Sedkaoui, S. Big Data, Open Data and Data Development. John Wiley & Sons. E-kirja.

Lisää essee omaan suosikkilistaan