Datan määrän kasvu ja pyrkimys esittää suuria määriä dataa helpommin omaksuttavassa muodossa ovat lisänneet datan visualisoinnin tarvetta. Datan visualisointi korvaa johtamisessa perinteisiä raportointimenetelmiä. Johdon päätöksenteko helpottuu, kun suuri datamäärä on analysoituna ymmärrettävään muotoon tai siitä on löydettävissä punainen lanka. (Yuk & Diamond 2014, 7‒8; SAS n.d.)
Datan visualisoinnissa sen sisältö välitetään hyödyntämällä taulukoita, tekstiä ja grafiikkaa. Esimerkiksi puhelimessa käytettävät sääsovellukset sisältävät datan visualisointia, kun eri säätilat aurinkoisesta sateiseen esitetään graafisina kuvina. Hyvä datan visualisointi huomioi käyttäjän niin, että hän kykenee tekemään tarpeidensa mukaisia nopeita päätöksiä saadun informaation perusteella. Datan visualisoinnissa tulisi huomioida myös prosessin kokonaisvaltainen ymmärrys ja tuottaa helposti omaksuttavassa muodossa informaatiota, joka tukee prosessin johtamista. Käyttäjän tekemät valinnat muovaavat paljon visuaalista ilmettä sekä korostuvaa tietoa. (Yuk & Diamond 2014, 8‒9; SAS n.d.; Yau 2013, 92‒93.) Saatavilla olevan datan analysoinnin tulisi olla nopeaa, ja data tulisi näyttää merkityksellisellä sekä todenmukaisella tavalla. Datan analysointiin pohjautuvassa päätöksenteossa laadukas ja paikkansapitävä lähtötieto on ensisijaista. Datan tarkistus ja verifikaatio ovat datan visualisoinnin tärkeimpiä osa-alueita, joihin tulee panostaa jopa enemmän kuin visuaaliseen ilmeeseen. (Yok & Diamond 2014, 8‒10; SAS n.d.; Yau 2011, 10‒12.)
Oppilaitoksissa ollaan erityisen kiinnostuneita siitä, miten opiskelijat etenevät opinnoissaan. Hämeen ammattikorkeakoulussa opiskelijoiden opintosuorituksista kertyvää dataa analysoidaan systemaattisesti, ja tietoa hyödynnetään mm. opinto-ohjauksessa ja opintototeutusten suunnittelussa (Seppänen 2016). Kehittämispäällikkö Elisa Helminen Tampereen seudun ammattiopistosta (Tredu), joka on ammatillinen toisen asteen oppilaitos, kertoo Tredun tuottaneen aiemmin opintohallintojärjestelmällä lähinnä todistuksia ja tilastoja, mutta nyt tavoite on pyrkiä tukemaan johtamista järjestelmän avulla. “Ensimmäinen askel on olemassa olevan tiedon näyttäminen visuaalisessa muodossa. Tästä päästään aika nopeasti seuraavaan vaiheeseen, jossa analysoidaan eri trendejä järjestelmästä löytyvän datan perusteella. Sitä seuraava askel on erilaisten mahdollisten skenaarioiden mallintaminen ja tulevan ennustaminen”, Helminen kertoo.
Opintojen keskeyttäminen on suuri ongelma sekä ammattikorkeakouluissa että ammatillisessa toisen asteen koulutuksessa, sillä se vähentää koulutukseen ja muuhun toimintaan käytettävissä olevia taloudellisia resursseja. Tredussa noin 65 prosenttia opiskelijoista valmistuu ammattiin suunnitellusti (Microsoft 2017, 19). Tredun hyödyntämä Steamlane oy:n kehittämä analytiikka tarjoaa uutta tietoa, ja sitä soveltavaa toimintatapaa on kehitetty yhdessä yrityksen kanssa. Analytiikka perustuu ns. Big Dataan eli opintohallintojärjestelmän vuosien aikana tuottamaan tietoon. Keskeisenä ajatuksena on se, että ryhmänohjaaja saa data-analyysin perusteella viestin, jos hänen opiskelijallaan on kohonnut keskeyttämisen riski. Tämän jälkeen ryhmänohjaaja ottaa opiskelijaan yhteyttä ja kirjaa opintojen edistymiseen liittyvän tukitoimen järjestelmään. Analytiikka seuraa, oliko tukitoimesta hyötyä ja jatkossa se osaa ehdottaa käytettäväksi hyödylliseksi havaittuja tukitoimia. “Olennaista tässä kaikessa on se, että järjestelmän tuottamia ehdotuksia hyödynnetään käytännön arjessa toiminnan johtamisen työkaluna”, Helminen toteaa.
Tredun ja Steamlanen kehittämä toimintamalli otettiin innovatiivisuutensa ansiosta mukaan Microsoftin Education Analytics -raporttiin case-esimerkkinä. Järjestelmä on tällä hetkellä edelleen pilotointivaiheessa muutamalla koulutusalalla, mutta laajenee todennäköisesti tulevaisuudessa useammille koulutusaloille ja mahdollisesti muihin oppilaitoksiin niin Suomessa kuin maailmalla.
Kirjoittajat
Elina Alho, Eija Leinonen, Jenni Pöllänen ja Jukka Väätti opiskelevat ylempään ammattikorkeakoulututkintoon johtavassa Liiketoiminnan kehittäminen -koulutusohjelmassa.
Mikko Mäntyneva toimii yliopettajana Hämeen ammattikorkeakoulun ylemmän ammattikorkeakoulututkinnon Liiketoiminnan kehittäminen ja Business Management and Entrepreneurship -koulutuksissa. Lisäksi hän toimii tutkimuspäällikkönä Älykkäät palvelut -tutkimusyksikössä.
Lähteet
Helminen, E. (2017). Haastattelu 16.2.2017.
Microsoft. (2017). Education Analytics. White paper. Haettu 7.3.2017 osoitteesta http://edudownloads.azureedge.net/msdownloads/MicrosoftEducationAnalytics.pdf
SAS (n.d.). Data Visualization: What it is and why it matters. Haettu 7.2.2017 osoitteesta http://www.sas.com/en_us/insights/big-data/data-visualization.html
Seppänen, L. (2016). OEB16: Oppimisanalytiikka hälyttää toimimaan. Haettu 7.3.2017 osoitteesta https://poluttamo.fi/2016/12/14/oeb16-oppimisanalytiikka-halyttaa-toimimaan/
Yau, N. (2011). Visualize this: the FlowingData guide to design, visualization, and statistics. Indianapolis: John Wiley & Sons.
Yau, N. (2013). Data points: Visualization that means something. Indianapolis: John Wiley & Sons.
Yuk, M. & Diamond, S. (2014). Data visualization for dummies. Hoboken: John Wiley & Sons.