Minna Ruckenstein  aineiston vaatima tallennuskapasiteetti  aineiston jatkuva kasvu  heterogeenisyys ja rakenteettomuus  menetelmä tai uusi teknologia ei ole ratkaisu  numerot ja mitattavuus eivät ole pääasia (maailmasta pystyy päättelemään asioita myös ilman dataa)  datalta pitää osata kysyä hyviä kysymyksiä, koska se vastaa myös huonoihin  on tiedettävä, miten arvoa synnytetään  dataan ei tule luottaa liikaa, mutta ei liian vähääkään  numeroilla ja numeroiden puutteella politikoidaan  numeroiden rinnalla kannattaa (edelleen) harrastaa laadullista tutkimusta  etnografia pienimuotoisena tiedonlouhintana LÄHTÖKOHTIA  supertietokoneet  tilastointi  tayloristinen ihmisten ja yhteiskunnan suorituskyvyn optimointi  massamarkkinointi ja asiakassegmentointi  valvonta  auditointi  kaikkialle yhteiskuntaan levittäytyvä kirjanpitojärjestelmä  yritykset tunkeutuvat yhä syvemmälle ihmisten arkeen ja aikeisiin  yksityisyyden ja vaikeaselkoisuuden huomaamaton menetys  aineistot kauppatavarana  määrittää markkinaa ja yritystoimintaa  avaa uusia markkinoita  laskennallisuus luo arvoa  reaaliaikaisuus luo palveluita  big data samanlaistaa/ erilaistaa? “Most of the conversation has been about generating insights from big data. Instead we should be talking about how to translate those insights into tangible business results.” “Big data will never give you big ideas”  big data on käsitteenä harhaanjohtava ja se tuottaa näennäistä yhtenäisyyttä  kyse on pikemminkin laaja-alaisesta ilmiöstä (vrt. internet)  suurten aineistojen analyysiä voi käyttää vakiintuneiden yrityslogiikkojen haastamisessa, uusien palveluiden rakentamisessa, yhteiskunnallisten ilmiöiden näkyväksi tekemisessä  vähittäiskauppa, sosiaalinen media, teollisuusprosessien valvontajärjestelmät, luonnontieteet  yksilökohtaista aineistoa voidaan yhdistää lukuisista eri lähteistä – yksilöllinen digitaalinen jalanjälki  aineisto on kerätty analyysiä varten tai se on kerääntynyt muista syistä  aineistot voivat olla kirjoitettuja viestejä, lokitietoja, terveystietoja tai arkistoituja kuvia  aineistojen moninaisuus haastaa käsitystä tiedon luonteesta  tiedon käsittely vaatii osaamista ja luovuutta DATAISMI Wired ja Quantified Self (QS) numerot opettavat ja kannattelevat ihmisiä heidän arkisissa tekemisissään “With genetic gadgets you can get a DNA sequence, you can get biosensors that record nearly every physiologic metric from bold pressure to brain waves, you can get a digital scan of any part of the body. These tools offer a window into each person that was unfathomable a few years ago”  visualisointi ja kartastot kätketty ja tuntematon saadaan näkyviin  soveltava matematiikka ja korrelaatiot korvaavat suuret teoriat, tieteelliset hypoteesit ja psykologian  googlelainen tapa tuottaa järjestystä aineistoihin ja avata uusia näkymiä maailmaan avainsanat: korrelaatiot, kartat, ikkunat, Google-way  läpinäkyvyys mahdollistaa optimoinnin  numeroiden ja tavoitetasojen avulla voi lisätä suorituskykyä ja elää pidempään  ihmiset haluavat tietoa tullakseen paremmiksi TAKAISINKYTKENTÄ “Using the immensely powerful tools now becoming available, we can set up positive feedback loops: We keep track of something, see how the data matches up with what we’d like to have happen, and then use that knowledge to modify our action.” BIOHAKKEROINT I AVAINSANAT: kokeilut, uteliaisuus (biocurious) VÄITTEET: - ihmiset ovat erilaisia - tarpeet eivät ole pysyviä - “jokaisen on löydettävä oma missionsa” - mielen ja ruumiin kahtiajaon voi ylittää - kokeilu on itsenymmärrystä - elämän voi luoda  QS-liikkeen käyttövoimaa ovat hyvin erilaiset tietoa koskevat käsitykset: käyttäytymisekonomia, insinööritiede, urheilutiede, suurten aineistojen analyysia  ilman teknologiaa ja aineistoja ihmiset eivät opi, kehity tai reflektoi  itsenmittausteknologiat ovat tiedon välittäjiä ja kanssatuottajia  big data –projektit edellyttävät monialaista yhteistyötä  yritykset oppivat, kehittyvät ja reflektoivat omaa toimintaansa aineistoanalyysin avulla  aineistoanalyysi on tiedonvälitystä ja tiedon (yhteis)tuottamista  aineistoanalyysi luo uudenlaisia näkymiä yrityksen käytäntöihin, pyrkimyksiin ja markkinatilanteeseen  läpinäkyvyys: tiedollisten aukkojen ja virhepäätelmien korjaaminen  myyttien murtaminen  optimointi: korrelaatioiden osoittaminen  takaisinkytkentä: kuluttajien käyttäytymisen ennakointi ja ohjailu  biohakkerointi: aineistojen avulla oppiminen ja uuden synnyttäminen  aineisto menettää merkityksensä, jos sen kontekstia ei ymmärretä tai tunneta (eri osaamisten yhdistäminen)  kenellä on pääsy kiinnostavimpiin aineistoihin ja algoritmeihin?  hyötyykö aineistoanalyysistä kuluttaja, yritys vai molemmat?  eettiset ohjeet eivät kata vastuullisuutta KULUTUSTUTKIM US  kuluttajien seuranta: liikkeet, verkoistoituminen, ostokset, luotot, luottokelpoisuuden ennakointi  kulutusta valmisteleva toiminta: hakukoneet  kulutuksen trendit  kulutuksen solmut  reaaliaikainen näkymä kuluttajaan ja kulutukseen • aineistot luovat kulutuskulttuuria, tekemisen käytäntöjä ja näkemisen tapoja • teknologia ja aineistot haastajina (MiData) • vaihtoehtoisia näkökulmia kulutukseen? • aineistot hyvän tekemisen katalysaattoreina  ihmiset oman datan kerääjinä, analysoijina, omistajina, jakelijoina, myyjinä  aineistovälittäjät, aineiston tulkitsijat  yksityisyyden ja omistajuuden uudet kerrostumat  aineistoanalyysi ei tuota pelkkää informaatiota ongelmanratkaisutilanteisiin  tieto syntyy ja tulee merkitykselliseksi käytännöissä, joiden avulla tiedollisia aukkoja täytetään ja ongelmia ratkotaan  suurten aineistojen analyysi vaatii prosessimaista työskentelyä  kuljetaan vähitellen kohti mielenkiintoisia vastauksia tai aineiston esittämisen tapoja  vasta kun aineisto on rajattu ja saatu kesytettyä, tiedetään millaisiin kysymyksiin se voi tuottaa vastauksia  projekteilla on oltava johdon tuki  projektien kulku on tehtävä selväksi ulkopuolisille: pienistäkin edistysaskelista kerrottava  epäonnistumiset ja numerotietoon liittyvät epäilykset on kommunikoitava: mitä niistä on opittu/voidaan oppia?  millaisia proxeja datan keruussa on käytetty?  vastaako aineisto kysymyksiin, joita on esitetty?  onko aineisto rajattu tarkoituksenmukaisella tavalla?  matkantekoon liittyy epävarmuutta (”matkaat sinne missä kukaan ei ole vielä käynyt”)  big datan potentiaali: miten rahaa säästetään tai luodaan uutta markkinaa?  pitää olla näkemys siitä miksi ja mihin tiedonlouhintaa tarvitaan  projektien on oltava use case -keskeisiä, ei rakenneta teknologi-alustaa tai ratkaisua vaan yritetään löytää vastauksia/ratkaisuja johonkin kysymykseen  mikä on projektin tarina? Miten kuljetaan pisteestä A pisteeseen B?  mitä yritys tai julkinen sektori ei tee, mutta voisi tehdä?  kulttuurinen muutos: ”now-casting” eli nykyisyyden ennustaminen  siltojen ja verkoston osoittaminen  vakiintuneiden toimialojen tai toimintatapojen ylittäminen  vastaa tietyntyyppisiin kysymyksiin: historiattomuus, dataistinen maailmakuva vieraannuttaa  Unohda big data. Keskity arvonluontiin.