1. T&Y-lehti
2. Analytiikka mullistaa koulutustarpeen paremman ennustettavuuden

Analytiikka mullistaa koulutustarpeen paremman ennustettavuuden

2020-luvulla koulutusmaailmassa analytiikan hyödyntäminen ennakoivan johtamisen pohjaksi ei jää kiinni datan puutteesta eikä teknologisista edellytyksistä. Kysymys on siitä, halutaanko toimintaa kehittää. Suomessa data on lähtökohtaisesti vielä erityisen hyvällä tasolla. Suomalainen koulutus on ollut aina huippuluokkaa. Koulutuksen tuottaman osaamisen ja kysynnän vastaavuus on kuitenkin seuraavina vuosina erityisen tärkeää maailman muutoksen ja globaalin kilpailun kiihtyessä digitalisaation ja tekoälyajan vauhdittamana. Hyödyntämällä analytiikkaa osaamistarpeiden ennakoinnissa ja koulutustarjonnan optimoinnissa on Suomen on mahdollista ottaa paikka parhaan osaamistason maana.

Analytiikan avulla data muuttuu oikein hyödynnetyillä työkaluilla vastauksiksi käytännön kysymyksiin. Analytiikkaprosessi voidaan jakaa kolmeen vaiheeseen. Prosessin ensimmäisessä vaiheessa jäsennellään ratkaistava ongelma, päätös, jota ollaan tekemässä, ja kysymykset, joihin vastaamista sen tekeminen edellyttää. Seuraavaksi kootaan kaikki data, joka ratkaisuun voi vaikuttaa.

Toisessa vaiheessa tehdään kootun kysymyksenasettelun ja datan pohjalta ensimmäiset versiot analytiikka- ja optimointimalleista, jotka tarjoavat ennusteen vastaukseksi päätöksenteon edellyttämiin kysymyksiin ja parhaimmillaan suosituksen tehtäväksi päätökseksi. Tehtyä mallia testataan käytännössä, jotta nähdään vastaako tehty malli tarvetta. Jos haluttua lopputulosta ei saada, tehdään uusi versio kunnes ratkaisu löytyy.

Kolmas vaihe sisältää prosessin automatisoinnin ja jatkuvan päivityksen, sillä muuttuvien datalähteiden vuoksi mallia on huollettava ja päivitettävä.

Analytiikka hyödyntää dataa ja malleja tuottaakseen päätöksenteossa hyödynnettäviä ennusteita ja suosituksia.

Yrityselämä on hyödyntänyt analytiikkaa henkilöstö- ja koulutustarpeiden ennakoimisessa jo vuosia, mutta tästä huolimatta analytiikan mahdollisuuksien hyödyntäminen on vielä alkuvaiheessa ja sisältää paljon kehitysmahdollisuuksia. Suomessa verovaroin kootut tietolähteet tarjoavat analytiikan ansiosta myös julkiselle sektorille kyvyn täsmätä koulutuksen tarve ja suunta etukäteen.

Suomessa on hyvä perusta dataperusteisen analytiikan hyödyntämiselle

Maailma muuttuu kiihtyvää vauhtia. Voidaksemme ennakoida ja sovittaa yhteen koulutustarpeet ja -tarjonta samassa tahdissa, tarvitaan ennustavaa analytiikkaa, joka saa voimansa toimivista datalähteistä.

Suomessa erinomaisen pohjan ennusteiden muodostamiselle luo – ellei maailman niin ainakin Euroopan paras – verovaroin kerätty tietopohjamme. Ennustevoima paranee ja tulevaisuuden kuva kirkastuu, kun pystymme lisäämään mahdollisimman paljon erilaisia datalähteitä ennusteiden ja päätöksenteon optimoinnin voimaksi.

Hyvä esimerkki toimivasta datalähteestä on Tilastokeskuksen Ruututietokanta, joka kuvaa alueellisen populaatiojakauman erittäin tarkalla tasolla. Se kertoo, onko henkilö työssä vai työtön, koulutus- ja tulotason ja muita demografiatietoja. Ruututietokannan pohjana toimii Väestörekisteri. Suomessa ja Ruotsissa väestötilasto on laadittu säännöllisesti vuosittain vuodesta 1749, eli pidempään kuin missään muualla maailmassa (Nieminen 1999).

Osaamisdatan osalta pienen haasteen analytiikalle voi tuoda sen rakenteettomuus, joka vaikeuttaa tulkintaa sekä ihmisten että algoritmien näkökulmasta. Esimerkiksi ansioluetteloissa esitetyt osaamista ja titteleitä koskevat tiedot ovat usein monitulkintaisia. Samoin taitoihin voidaan viitata eri sanoilla tai sanamuodoilla, jolloin tietojen vertailtavuus on vaikeaa (Dahlbom ym. 2019). Tämän vuoksi parhaillaan pyritään Euroopan laajuisesti lisäämään struktuuria ja kirkastamaan pelisääntöjä (Poikola ym. 2018).

Analytiikan hyödyntämisen yleistyminen on edennyt hitaasti

Edistyneen analytiikan hyödyntämisen koulutuksen kehittämiseksi ei ole uusi asia maailmalla. Jo yli kymmenen vuotta sitten toteutettiin hanke, jolla Yhdysvalloissa pystyttiin estämään lasten putoaminen koulutuksen ulkopuolelle. Analytiikan ansiosta projektissa pystyttiin takaamaan mahdollisimman monelle peruskoulutuksen päästötodistus ja mahdollisuus toisen asteen koulutukseen. No Child Left Behind -säädöksen myötä edistynyttä analytiikkaa hyödynnettiin koululaisten tietojen analysointiin, jotta pystyttiin tunnistamaan, ketkä koululaisista olivat normaalilla kasvupolulla ja ketkä sen alapuolella eli tarvitsivat tukea. Analytiikan ansiosta sekä säästettiin aikaa että otettiin huomioon koululaisten yksilölliset tarpeet (Havenstein 2006).

Edistyneen analytiikan ja vahvojen ennusteiden hyödyntämisen leviäminen laajempaan käyttöön on kuitenkin jäänyt vähäisemmäksi kuin se olisi ollut mahdollista. 2000- ja 2010-luvuilla tiedon hyödyntäminen organisaatioissa levisi, mutta se rajoittui paljolti Business Intelligenceen eli raportointiin, jossa ihmisen hahmotuskyky asettaa rajat ennakoinnille ja ilmiöiden selittämiselle.

Suomalaisissa suuryrityksissä henkilöstötiedon hyödyntäminen on rajoittunut yksinkertaiseen raportointiin ja tiedon visualisointiin. Yrityksissä ei ole juuri konkretisoitu ennustavan analytiikan tai tietopohjan rikastamisen mahdollisuuksia henkilöstöön liittyvässä päätöksenteossa, oli sitten kysymys koulutustarpeista tai työvuorosuunnittelusta. Lisäksi yhteistyö analyytikoiden ja henkilöstöammattilaisten kesken on ollut vajavaista (Dahlbom et.al. 2019).

”Analytiikkaan pohjautuvat päätökset ja toimet ovat enenevässä määrin parempia kuin pelkkään intuitioon ja kokemukseen perustuvat ratkaisut.”

Yleisesti on havaittu, että analytiikan ja tiedolla johtamisen hyödyntämisen hitaus ei johdu teknologiasta vaan ennen kaikkea ihmisistä ja jossain määrin prosesseista (Bean ja Davenport 2019). Samanaikaisesti datan määrä jatkaa kuitenkin kasvuaan, kuin myös markkinoiden ja yritysten toiminnan monimutkaisuus ja niiden myötä myös osaamis- ja koulutustarpeet. Tässä tilanteessa analytiikkaan pohjautuvat päätökset ja toimet ovat enenevässä määrin parempia kuin pelkkään intuitioon ja kokemukseen perustuvat ratkaisut.

Suomi on monilla mittareilla maailman parhaita maita ja tietopohjamme on johtavaa tasoa, mutta julkinen sektorimme on datan hyödyntämisessä tuoreen Digital Government Index: 2019-raportin mukaan OECD-maiden heikoin (OECD 2019). Vaikka raportin sisällön oikeellisuus on jo ehditty kyseenalaistaa, lienee selvää, että digitalisaation ja analytiikan ajan mahdollisuuksissa on joka tapauksessa paljon parannettavaa.

Digitalisaatio ja tehokkuusvaatimukset pakottavat ennakoimaan osaamistarpeita

Edellinen merkittävä nousu tuottavuudessa tapahtui matkapuhelinten, sähköpostin ja internetin tulon myötä. Toisaalta silloin maailma oli paljon yksinkertaisempi kuin tänään. Nyt edistynyt analytiikka yhdistettynä tekoälysovelluksiin voi tuoda meille seuraavan merkittävän tuottavuusloikan. Maailman monimutkaistuminen edellyttää analytiikkaa, tekoälyä ja yksinkertaisia työkaluja, jotta saadaan työ edes tehtyä saati tehokkuus nousemaan. Kehitys kohti entistä monimutkaisempaa maailmaa jatkuu digitalisaation myötä, ja se asettaa isot vaateet osaamisen ja koulutuksen kehittämiselle, jotta toivottu tehokkuusloikka ja talouskasvu saataisiin aikaiseksi.

World Economic Forumin (2020) Future of Jobs -raportin analyysin perusteella ensimmäiset suositeltavat lyhyen tähtäimen toimenpiteet ovat henkilöstöhallinnon uudistaminen ja data-analytiikan hyödyntäminen. Pitkän tähtäimen toimista ensimmäiseksi listattu on koulutusjärjestelmien uudistaminen (Parviainen ym. 2017).

Koulutukselle digitalisaatio asettaa merkittäviä muutospaineita. Jotta digitalisaation kannalta olennaisten taitojen hankkiminen, kehittäminen ja ylläpito voidaan varmistaa, edellyttää se muutoksia opetustarjontaan kattaen koulutuksen koko kirjon – koululaiset, opiskelijat ja työntekijät. Kansallisten koulutusjärjestelmien tulee tukea dataan liittyvän osaamisen kehitystä yhteistyössä liike-elämän kanssa.

Data-analytiikan, ennuste- ja suunnittelumetriikoiden kehittämistä ja hyödyntämistä on esitetty tutkijoiden toimesta lyhyen tähtäimen keinoksi parantaa työvoimasuunnittelun sekä osaamisten johtamisen ja kohdentamista. Pidemmällä tähtäimen keinoiksi nähdään opetussuunnitelmien uudistamista ja elinikäisen oppimiseen kannustavien mekanismien luomista, joissa niissäkin analytiikalla on annettavaa (Parviainen ym. 2017).

Digitalisaatio muuttaa työvoiman tarpeen painotusta työvoimavaltaisilla aloilla ja myös niissä vaadittavaa osaamiskirjoa. Samalla syntyy kokonaan uudenlaista osaamista edellyttäviä työpaikkoja esimerkiksi data-analytiikan, ohjelmistokehityksen, lisätyn todellisuuden ja verkkoliikenteen pariin.

Toimialoista työn tuottavuus tulee kasvamaan eniten finanssisektorilla ja valmistavassa teollisuudessa. Näillä toimialoilla myös työpaikkojen määrät tulevat laskemaan. Kaupan alalla, palvelualoilla sekä ravintola- ja matkailualoilla työpaikkojen määrä tulee lisääntymään, ja siellä digitalisaation vaikutus työn tuottavuuteen ei ole yhtä suurta (Parviainen ym. 2017).

Koulutuksessa pitää pystyä ennakoimaan oikea-aikaisesti digitalisaation synnyttämät osaamistarpeet ja niiden vaatimat resurssit.

Työn tehokkuuden lisääntyminen edellyttää, että uudet teknologiat omaksutaan osaksi arjen toimintaa. Kehitys toteutuu, kun koulutuksessa onnistutaan ennakoimaan kehitystarpeet oikea-aikaisesti. Yksi keino tähän on toimiva analytiikka, jolla ennakoidaan koulutustarpeet ja kyetään varmistamaan osaamisresurssit.

Testattu analytiikan tuotantomalli CRISP-DM auttaa koulutustarpeiden ennustamisessa

Colin Shearerin ja työryhmän kehittämä CRISP-DM-malli (Cross-Industry Standard Process for Data Mining) on ollut laajalti käytössä jo yli 20 vuoden ajan, ja nykyään se toimii osana analytiikkaa hyödyntävien ratkaisujen luomista (Huber et al. 2019). Seuraava kuvio esittää, kuinka jonkin päätöksentekotarpeen parantamiseksi voidaan luoda ketterästi analytiikkaa hyödyntävä ratkaisu.

Koulutuksen ennakoinnin mallinnus voisi muodostua mallin mukaan seuraavan esimerkkikokonaisuuden mukaisesti.

Liiketoiminnan ymmärtäminen alkaa prosessin mallinnuksella eli päätöstarpeiden tunnistamisella. Tämä tarkoittaa sellaisten päätösten listaamista, joita analytiikan avulla halutaan parantaa. Päätöspisteiden mallintaminen tapahtuu tunnistamalla kysymykset, joihin vastaamalla kyseinen päätös saadaan tehtyä optimaalisesti. Tällainen päätöspiste voisi olla esimerkiksi vuosittaisten koulutuspaikkojen allokointi seuraavan kolmen vuoden jaksolle. Yksi merkittävä kysymys vastattavaksi on eri koulutusalojen palvelemien osaamistarpeiden määrä tietyn kolmen vuoden päästä.

Datan ymmärtämisessä keskitytään käymään läpi ensin, mitä dataa on saatavilla ja mikä on sen sisältö, oikeellisuus ja ennustevoima. Seuraavaksi käydään läpi, mikä on datan peitto tarpeeseen nähden ja miten siitä saataisiin aikaan tunnistettuihin kysymyksiin vastaamisen edellyttämä ennuste, eli tässä tapauksessa osaamistarpeen määrä koulutusaloittain. Toimialakohtainen osaamis- ja työvoimatarpeen ennustepohja syntyy kytkemällä eri näkökulmat sisältävät tietolähteet.

Työvoima- ja osaamistarpeen ennusteeseen yhdistetään koulutusohjelmien sisältö ja niiden kapasiteettierot, ja mallin avulla saadaan koulutustarve.

Datan valmistelu- ja mallinnusvaiheessa kootaan tarpeen mukainen tietopohja analytiikkaa hyödyntäen. Yhdistämällä koulutusohjelmien sisältö ja niiden kapasiteettierot työvoimatarpeen ennusteeseen saadaan pohja mallille, jolla voidaan konvertoida osaamistarve koulutustarpeeksi koulutusaloittain ja -linjoittain. Mallinnusvaiheessa tehdään kyseinen ennuste- ja tarvittaessa optimointimalli, jota arviointivaiheessa testataan käytännössä.

Jos koulutustarve saadaan ratkaistua tyydyttävällä tavalla, voidaan edetä automatisointivaiheeseen, jonka myötä ennusteet ja niihin pohjaavat suositukset olisivat koulutuskapasiteetin suunnittelijoiden käytettävissä jatkossa aina tarpeen mukaan. Jos taas tehty ratkaisu osoittautuisi testivaiheessa edellyttävän parannusta, palataan takaisin datan valmisteluvaiheeseen ja tehdään seuraava iteraatio datasta ja seuraavaksi mallista. Tätä jatketaan niin kauan että saadaan tarve katettua.

Kaikki koulutusalat kattava ja käytännön päätöksentekoon kytkeytyvän analytiikkamallinnuksen ja prosessien rakentamisesta saisi helposti aikaan päättymättömän kehityshankkeen. Nopeimmin hyötyjä tuottava ja kustannustehokkain tapa on ketterä eteneminen alkaen valituista osakokonaisuuksista tai näkökulmista, joita voivat olla resurssien jakaminen tietyille koulutusaloille tai koulutusalojen painotusten muuttaminen.

Kyse ei kuitenkaan ole puhtaasta optimointipelistä, sillä erityisesti Suomessa ennakointia vaikeuttaa koulutuksen laaja kirjo. Koulutusta on monen tasoista, ja keskinäiset kytkökset on myös kyettävä huomioimaan. Olennaista kokonaisuuden kannalta on se, että nyt suunniteltava ja tietylle jaksolle lukittava koulutuskokonaisuutemme kattaa mahdollisimman hyvin työmarkkinoiden osaamistarpeen jakson aikana. Koulutustarpeet eivät myöskään vaihtele vain aidon tarpeen mukaan, vaan niitä määrittävät myös paikalliset perinteet.

Analytiikka tarjoaa entistä tarkemman optimoinnin. Se avaa päätöksentekijöille luotettavan ikkunan näkymiin, jotka ovat mahdollisia. Koulutustarpeen kokonaiskuvan ja suunnan sekä tarjonnan optimoinnin lisäksi meillä voisi myös saada systemaattisesti kiinni syrjäytymisen uhkaamat. Tai takaisiko analytiikka toisen asteen opiskelijan ja hänelle sopivan koulutuksen kohtaavan? Keskeyttämisiä virhevalintojen takia on tällä hetkellä liikaa, eikä pelkkä oppivelvollisuuden pidentäminen takaa parempaa kohtaantoa.

Käytännön esimerkkejä yksityissektorin koulutustarpeesta

Nosturiyrityksen HR-osasto hyödyntää analytiikkaa henkilöstötarpeen ennustamiseen. Kun firman myyntiennuste näyttää, että Euroopan alueelle tarvitaan 120 uutta huoltoteknikkoa vuoden 2022 alusta, ehditään koulutusprojekti hoitaa huolella. Ammattikoulutettujen teknikoiden kouluttamiseen huoltamaan yrityksen laitteita tarvitaan puoli vuotta. Jos heidän pitäisi valmistua joulukuuksi 2021, on koulutus aloitettava saman vuoden toukokuussa. Eri datalähteiden yhdistäminen johti siihen, että yritys osasi kouluttaa oikean määrän ihmisiä.

Analytiikka on ollut yksityissektorin HR-henkilöstöosastoille yleisemmin saatavilla kymmenisen vuotta. Henkilöstötarpeen ennakoinnissa ne käyttävät lähteinä muun muassa eläköitymisennustetta, mahdollisten sairauslomien ennustetta tai vanhempainvapaiden kestoa.

Yritysten henkilöstöosastot käyttävät analytiikkaa henkilöstötarpeen ennakoinnissa.

Esimerkiksi suurimmilla suomalaisilla kauppaketjuilla on työssä kymmeniä tuhansia ihmisiä, mutta paikalliset datalähteet ennusteiden pohjaksi ennakoivat paikallisen tuloksen. Paltamon ja Punavuoren marketin henkilöstön ikärakenne ja tuleva tarve on hyvin erilainen, vaikka ne ovatkin samankokoisia yksiköitä.

Analytiikka tuo selkeyttä koulutusta koskevaan päätöksentekoon

Yritysten HR-henkilöstötoiminnoissa, kuten muillakin päätösalueilla, on saatu merkittäviä parannuksia aikaan yhdistämällä esimerkiksi hekilöstötutkimustiedot analytiikan avulla organisaation prosessitietoihin. Näin selittävän, ennustavan ja optimoivan analytiikan avulla on päästy esimerkiksi organisaation hyvinvoinnin seurannasta parannusratkaisuihin, kuten aikasidonnaisiin koulutus- ja rekrytointitarpeisiin.

Julkisen sektorin näkökulma on vastaava, mutta määrät ovat vain isompia, kuten tiettynä vuonna koko maassa tai alueittain eläkkeelle jäävien määrä verrattuna yksittäiseen organisaatioon. Julkista päätöksentekoa määrittää tiukasti lainsäädäntö, ja päätöksentekomenettelyt ovat moniportaisempia kuin yksityisellä sektorilla. (Harjula 2017) Ja toki poliittisella päätöksenteolla on vaikutuksensa. Julkisen päätöksenteon, myös koulutusta koskevan päätöksenteon, taustalla on aina politiikka (Tervasmäki ja Tomperi 2018).

On kuitenkin syytä uskoa, että järjestelmällisen ennustamisen voima on yhtä vahva julkisella kuin yksityiselläkin sektorilla. Läpinäkyvät, julkisesti esitetyt ennusteet yhteiskunnallisen päätöksenteon pohjana ohjaisivat oikeaan suuntaan. Vastoin ennusteita ja suosituksia voi helposti päättää kerran, mutta jos sama väärä päätös tehdään toistuvasti, paine päätöksentekijän vaihtamiseksi kasvaa nopeasti.