February 8, 2021
Data ei ole öljy, josta tulee pakokaasuja käytettäessä, vaan raaka-ainetta, josta voi jalostaa tietoa uudestaan ja uudestaan. Data on käytännössä arvotonta, ellei ole tietoa mihin se liittyy, miten se on kerätty ja millä reunaehdoilla se on hyödynnettävää. Metadata tekee datasta hyödyllistä, mutta datan arvo syntyy vasta kun sitä jalostetaan tietoa. Tähän tarvitaan osaamista.
Datatalous ja datan avulla liiketoiminnan tekeminen on ollut business-seminaarien kuuminta kamaa viime vuoden aikana. Seminaareja kuunnellessa on tullut käsitys, että datan jakamisella ja myymisellä voidaan tehdä valtavaa liiketoimintaa ja voittoa ja fyysisten asioiden liiketoiminnalla ei ole enää merkitystä. Seminaarien ja kirjoitusten sisältöä kuunnellessa ja lukiessa huomaa niiden keskittyvän visioihin, tulevaisuudennäkymiin.
Koneinsinööritaustalla olen tottunut suunnittelemaan ja näkemään tuloksia konkreettisessa muodossa. Mieleen tulee kysymyksiä:
Kuinka sillä datalla tehdään rahaa muutenkin kuin konsulttien kalvoilla?
Mikä on se datatuote, datapalvelu, josta joku maksaa?
Googlaamisen tuloksena löytyy esimerkkejä, jotka liittyvät kuluttajien käyttäytymiseen. Näissä pääasiana tuntuu olevan asiakkaiden tunnistaminen ja heille kohdennetun markkinoinnin tekeminen. Käytännössä kaikki esitetyt datatalouden esimerkit liittyvä kuluttajaliiketoimintaan, jossa kuluttajat antavat tietonsa ilmaiseksi. Miten datalla voi tehdä rahaa yritysten välillä, jos data ei ole ilmaista?
Datan suora ja
epäsuora hyödyntäminen
Data monetization -käsitteen alle on jaoteltu kaksi eri datan hyödyntämismallia, suora ja epäsuora hyödyntäminen. Suorassa hyödyntämismallissa myydään dataa tai siitä jalostettua tietoa. Epäsuorassa mallissa dataa hyödynnetään omassa tuotantoverkoston toiminnan optimoinnissa ja tuottavuuden parantamisessa ja sille määritetään mitattava rahallinen arvo. Näistä jälkimmäinen hyödyntämismalli on periaatteena ollut käytössä niin kauan kun teollisuusprosessit ovat olleet olemassa, vaikkei datalle olisi erikseen määritetty arvoa.
Ne harvat esimerkit teollisuuden dataliiketoiminnasta liittyvät usein laitteiden kunnonvalvontaan, joissa dataa kerätään laitteen toiminnasta ja datan perusteella ennustetaan laitteen vikaantumista ja suorituskykyä. Tämä ei ole sinänsä mitään uutta, tätä on tehty jo vuosia, ainoastaan datan määrän lisääntyminen parantaa ennustamisen tarkkuutta yhdessä tekoälyn avulla.
Datan keräämisen ja käsittelyn halventuminen mahdollistaa ennakoivien kunnossapitojärjestelmien soveltamista yhä edullisempiin laitteisiin. Datalla suoraan tehtävä liiketoiminta on uudempi toiminto ja se sisältää enemmän avoimia kysymyksiä kuin vastauksia.
Onko laitteen toiminnasta kerättävä data sellaista dataa, jota yritys voi myydä ja siten luoda uutta liikevaihtoa?
Kenelle laitevalmistajan kannattaa myydä laitteensa käyttödataa, kuka sitä ostaa?
Näitä voi pohtia datan tai ennemminkin siitä jalostetun tiedon arvon kautta. Ensimmäiseksi tulevat mieleen laitteen valmistajan lisäksi laitteen omistaja, käyttäjä, huoltaja, suunnittelija, komponenttitoimittaja ja kilpaileva toimittaja.
- Niin omistajalle kuin käyttäjälle on hyödyllistä ja jopa välttämätöntä tietää laitteen tila, kunto ja suorituskyky.
- Nämä tiedot ovat myös arvokkaita huolto-organisaatiolle.
- Suunnittelijalle käyttötieto mm. kuormitusprofiilit ovat arvokasta tietoa seuraavan sukupolven laitetta kehitettäessä ja ongelmakohtien löytämisessä.
- Sama pätee komponenttitoimittajiin.
- Käyttödata ja siitä jalostettu tieto on myös arvokasta kilpailijalle etenkin tuotantohyödykkeiden kohdalla, koska kilpailijan tuotteen hankkiminen analyysia varten voi olla jopa mahdotonta.
- Huoltopalveluiden tai laitteen suorituskyvyn myynnissä käyttödatasta jalostettu tieto on menestyksekkään liiketoiminnan perusta, koska tieto pitkän aikavälin käyttö- ja huoltokustannuksista on hinnoittelun perusta asiakkaan saaman arvon lisäksi. Laitevalmistajan itse toimiessa huoltopalveluiden ja suorituskyvyn myyjänä, se ei varmaankaan näe välitöntä tarvetta käydä kauppaa ydinliiketoimintaansa liittyvällä datalla ja antaa mm. kilpailijoille näkyvyyden liiketoimintaansa.
Näihin kysymyksiin liittyy läheisesti datan omistajuus, kenellä on oikeus myydä ja välittää dataa. Liittyykö laitteen käyttödatan omistajuus laitteen omistamiseen, sijaintiin vai operaattoriin. Entistä monimutkaisemmaksi tilanne tulee silloin kun kyseessä on tuotantolaitos, joka koostuu usean toimittajan laitteistoista, joissa voi olla erilaisia omistus/käyttösopimuksia.
Asiaa voi pohtia myös laitevalmistajan tuoteportfolion kannalta.
Sisältyykö käyttödatan mittaus-, tallennus- ja analysointijärjestelmä ja sen tuottama tieto automaattisesti laitteen sisältämän hankintahintaan vai onko sen osat tuotteistettu erikseen?
Ovatko datan tallennus- ja analysointituotteet laitevalmistajan omia vai yhteistyökumppanin tuotteita?
Kenellä osaaminen kerätyn
datan arvon luomiseen?
Toinen pohdinnan arvoinen kysymys liittyy arvon luomiseen, kenellä on osaaminen kerätyn datan arvon luomiseen. Keskustelua seuratessa tuntuu välillä, että ainoa osaaminen, joka riittää datan jalostamiseen on korrelaatioiden ja anomalioiden löytäminen ja johon riittää mikä tahansa tekoälyosaaminen. Tällöin jätetään huomioimatta se tosiasia, että data ei oikeastaan voi kertoa muuta kuin laitteen ja/tai järjestelmän tilan tallennushetkellä, mutta se ei osaa kertoa syy-seuraussuhteita.
Vain kerättyyn dataan perustuva tekoälyjärjestelmäkään ei voi tunnistaa tai ennustaa muita tilanteita kuin mitä kyseinen historiadata sisältää. Jotta dataan perustuva tekoälysysteemi osaisi kertoa syy-seuraussuhteet ja tehdä niihin perustuvia päätelmiä, on sille opetettava nämä suhteet. Tämä vaatii kyseisen alan erikoisosaamista yhdessä tekoälyosaamisen kanssa.
Tästä voimme tehdä mielenkiintoisen johtopäätöksen, että teollisuuden datatalouden perusta ei ole data vaan laitteet ja järjestelmät, jotka tuottavat dataa. Koneiden, prosessien ja laitteiden suunnittelu- ja valmistusosaaminen ovat perusta datan arvon luonnissa. Tämä dataliiketoiminnan tosiasia kannattaa pitää mielessä niin tulevaisuuden investointeja kuin koulutusta suunnitellessa.
Vikaantumista oikein ennustava järjestelmä ei ilahduta asiakasta, jos perusasioiden osaamattomuus johtaa jatkuvaan vikaantumiseen ja käyttöasteen laskuun. Datalla ja tekoälyosaamisella ei voi korvata luonnontieteiden ja insinööritieteiden osaamista, vaan ne luovat yhdessä pohjan tulevaisuuden liiketoiminnalle.
Dr. Seppo Tikkanen
Senior Ecosystem Lead
