Tekoäly ei ole irrallinen taikakerros, vaan sen hyöty syntyy datan laadusta ja järjestelmän rakenteesta
Tekoälystä puhutaan usein uutena tehokkuusloikkana. Kiinteistöalalla sen todellinen hyöty ratkaistaan kuitenkin paljon arkisemmassa paikassa: siinä, kuinka luotettavaa järjestelmässä oleva tieto on.
Jos asunnon status, sopimustieto, osapuolitieto tai maksutilanne ei pidä paikkaansa, tekoäly ei tee kokonaisuudesta älykkäämpää. Se voi tuottaa yhteenvetoja, raportteja ja suosituksia, mutta ne rakentuvat aina sen tiedon varaan, joka sille annetaan. Jos pohjatieto on epäluotettavaa, myös lopputulos on epävarma.
Tämä ajatus on ollut Pandian ohjelmistokehityksen ytimessä. Kiinteistöhallintajärjestelmä Kennoa on rakennettu kokonaisuudeksi, jossa datan laatu ja rakenne eivät ole jälkikäteen korjattavia asioita, vaan osa järjestelmän perustaa. Siksi Kenno tarjoaa vahvan pohjan myös tekoälyn hyödyntämiselle.
Tässä kirjoituksessa tekoälyllä tarkoitetaan erityisesti generatiivisen tekoälyn palveluita ja suuria kielimalleja, kuten ChatGPT:tä, Claudea ja Copilotia. Niiden hyöty riippuu suoraan siitä, kuinka laadukasta, ajantasaista ja rakenteellisesti selkeää dataa niiden käyttöön tuodaan.
Tekoäly käyttää dataa sellaisenaan kuin se on
Tekoäly voi nopeuttaa työtä merkittävästi. Se voi koota tietoa, tehdä yhteenvetoja, auttaa analysoimaan kokonaisuuksia ja tukea päätöksentekoa. Hyöty jää kuitenkin rajalliseksi, jos pohjalla oleva tieto ei ole kunnossa.
Tekoäly ei lähtökohtaisesti tiedä, mikä järjestelmässä olevista tiedoista on oikein. Se tekee päätelmiä sen tiedon perusteella, joka sillä on käytettävissä. Jos tieto on puutteellista, ristiriitaista tai vanhentunutta, myös tekoälyn tuottamat vastaukset, yhteenvedot ja suositukset rakentuvat epävarmalle perustalle.
Kiinteistöalan arjessa tämä voi näkyä hyvin konkreettisesti:
- Sama henkilö löytyy järjestelmästä kahdesti hieman eri tiedoilla.
- Osoite on tallennettu useassa muodossa.
- Asunnon status näyttää vapaalta, vaikka tilanne on jo muuttunut.
- Käyttäjän kirjaama tieto ei ole enää ajan tasalla, kun tilanne on muuttunut, mutta päivitys on jäänyt tekemättä
Yksittäinen virhe tiedoissa ei välttämättä tunnu suurelta. Ongelma syntyy siitä, että virheellinen tieto alkaa ohjata tekemistä. Myynti, vuokraus, asiakaspalvelu, raportointi ja johto voivat kaikki katsoa samaa järjestelmää, ja tekevät päätöksiä tiedon varassa, joka ei enää vastaa todellisuutta.
Huonolaatuinen data syntyy silloin, kun järjestelmä sallii sen
Datan laatu nähdään usein käyttäjän vastuuna: joku kirjoitti nimen väärin, unohti päivittää statuksen tai tallensi tiedon väärään paikkaan. Todellisuudessa huonolaatuinen data syntyy usein jo paljon aikaisemmin. Se syntyy silloin, kun järjestelmä sallii epäselvän, puutteellisen tai ristiriitaisen tiedon tallentamisen.
Jos järjestelmä hyväksyy virheellisen henkilötunnuksen, puuttuvat osapuolitiedot, epäloogiset päivämäärät tai keskeneräiset sopimustiedot, ongelma ei jää tallennushetkeen. Se näkyy myöhemmin esimerkiksi raportoinnissa, laskutuksessa, sopimuksissa, asiakasviestinnässä ja jokapäiväisessä työssä.
Sama koskee tiedon muotoa. Ihminen ymmärtää, että HELSINKI, Helsinki ja helsinki tarkoittavat samaa kaupunkia. Järjestelmä ei kuitenkaan aina käsittele niitä samana tietona, jos rakennetta ei ole suunniteltu oikein. Kun tieto tallentuu eri muodoissa, haku vaikeutuu, raportointi vääristyy ja kokonaiskuva alkaa hajota.
Hyvä järjestelmä ei jätä tätä käyttäjän muistin tai huolellisuuden varaan. Se tarkistaa tiedon muodon, edellyttää olennaiset tiedot, tunnistaa loogiset ristiriidat ja yhtenäistää tiedon automaattisesti. Kun nimet, osoitteet, tunnisteet ja statukset tallentuvat johdonmukaisesti, arjen työ sujuu paremmin ja tiedon hyödyntämisestä tulee luotettavampaa.
Datan laadussa ei siis ole kyse vain siitä, mitä tietoa järjestelmään tallennetaan. Kyse on myös siitä, millä ehdoilla järjestelmä antaa tiedon syntyä.
Laadukas data syntyy arjen työn mukana
Datan laatua ajatellaan usein siivousprojektina. Ensin järjestelmään kertyy vuosien aikana epäyhtenäistä, puutteellista ja päällekkäistä tietoa. Sen jälkeen käynnistetään projekti, jossa tietoa korjataan, yhdistetään ja siistitään.
Tällainen työ voi olla joskus välttämätöntä, mutta se ei ole kestävä tapa ylläpitää datan laatua. Jos järjestelmä sallii samojen virheiden syntymisen uudelleen, siivouksesta tulee jatkuva kierre. Kestävämpi ratkaisu on rakentaa datan laatu osaksi arjen prosesseja. Silloin tieto syntyy oikein jo silloin, kun sitä lisätään tai muutetaan.
Käytännössä tämä tarkoittaa esimerkiksi sitä, että järjestelmä tarkistaa pakolliset tiedot, ohjaa käyttäjää oikeaan muotoon ja estää loogisesti mahdottomat tilanteet. Se voi normalisoida osoitteita ja nimiä, tunnistaa aiemmin järjestelmään tallennettuja henkilöitä ja ehkäistä päällekkäisten tietueiden syntymistä.
Myös tiedon monistamista kannattaa välttää. Jos sama henkilö, osoite tai kohde voidaan luoda järjestelmään aina uudelleen, kokonaisuus alkaa ennen pitkää hajota. Tieto voi olla yhdessä paikassa ajan tasalla ja toisessa vanhentunutta. Silloin käyttäjän täytyy käyttää aikaa sen selvittämiseen, mikä tieto pitää paikkansa.
Kun sama tieto tallennetaan järjestelmään vain kerran ja sitä hyödynnetään eri prosesseissa hallitusti, kokonaisuus pysyy eheämpänä. Se helpottaa hakua, parantaa raportointia ja vähentää manuaalista tarkistamista.
Laadukas data ei siis synny erillisenä työnä järjestelmän ulkopuolella. Se syntyy parhaiten silloin, kun järjestelmä tukee laadukkaan tiedon muodostumista jokaisessa työvaiheessa.
Kiinteistöalalla tieto muuttuu jatkuvasti
Kiinteistöalan järjestelmissä tieto ei ole staattista. Se elää koko ajan.
Asunto vapautuu, hakemus etenee, tarjous lähetetään, sopimus allekirjoitetaan, maksu kirjautuu, osapuolen tiedot muuttuvat ja tilanne päivittyy. Tieto liittyy toisiinsa monella tasolla: kiinteistöihin, rakennuksiin, tiloihin, sopimuksiin, vuokralaisiin, hakijoihin, maksuihin ja ylläpidon tapahtumiin.
Jos tätä kokonaisuutta ylläpidetään käsin, virheiden riski kasvaa nopeasti. Yksi unohtunut päivitys voi riittää siihen, että seuraava käyttäjä tekee työnsä väärän tiedon varassa. Asunto voi näkyä väärässä statuksessa, vapautumispäivä voi olla vanhentunut tai asiakkaan tilanne voi näyttää erilaiselta eri näkymissä.
Siksi erityisesti statustiedot ovat hyvä esimerkki datan laadun merkityksestä. Jos asunnon tila perustuu käsin päivitettävään kenttään, sen oikeellisuus riippuu siitä, muistaako joku päivittää sen oikealla hetkellä. Jos taas status johdetaan sopimuksista, tarjouksista, tapahtumista ja maksuliikenteestä, tieto pysyy huomattavasti luotettavampana ilman erillistä ylläpitotyötä.
Esimerkiksi Kennossa vuokralaisen irtisanominen voi päivittää asunnon statuksen automaattisesti vapautumassa-tilaan, ja vapautumispäivä voidaan johtaa sopimuksen päättymispäivästä. Asunnon myyntineuvottelija näkee muutoksen omalla listallaan ilman, että kenenkään tarvitsee erikseen muistaa päivittää statusta käsin.
Tämä saattaa kuulostaa pieneltä käyttöliittymäasialta, mutta todellisuudessa kyse on paljon suuremmasta asiasta: siitä, voiko järjestelmän tietoon luottaa arjen työssä.
Neljä periaatetta parempaan datan laatuun
Datan laadun parantaminen voi kuulostaa isolta hankkeelta. Käytännössä alkuun pääsee muutamalla perusperiaatteella, jotka ehkäisevät suurimman osan ongelmista ennen kuin ne leviävät.
Ensimmäinen periaate on tuoda data järjestelmään hallitusti. Käyttöönotossa on tärkeää tunnistaa virheet, puutteet, ristiriidat ja päällekkäisyydet ennen kuin ne siirtyvät osaksi arjen tekemistä. Jos vanha epäluotettava data siirretään uuteen järjestelmään sellaisenaan, ongelma ei ratkea, vaan saa uuden ympäristön.
Toinen periaate on tarkistaa tieto tallennushetkellä. Järjestelmän pitää varmistaa tiedon muoto, pakolliset kentät ja loogiset riippuvuudet aina, kun tietoa lisätään tai muutetaan. Virhe kannattaa pysäyttää siinä hetkessä, jossa se syntyy.
Kolmas periaate on yhtenäistää tieto automaattisesti. Käyttäjän ei pidä joutua arvaamaan, mikä on oikea kirjoitusasu tai rakenne. Kun nimet, osoitteet ja tunnisteet tallentuvat johdonmukaisesti, haku toimii paremmin, duplikaatit vähenevät ja raportointi pysyy luotettavampana.
Neljäs periaate on vähentää tiedon turhaa monistamista. Sama henkilö, kohde tai osoite kannattaa tunnistaa ja hyödyntää olemassa olevana tietona aina kun mahdollista. Myös statukset kannattaa johtaa järjestelmän logiikalla lähdetiedoista sen sijaan, että niitä ylläpidetään irrallisina käsin päivitettävinä kenttinä.
Tavoitteena ei ole täydellinen data. Tavoitteena on riittävän luotettava tieto jokapäiväiseen käyttöön, päätöksentekoon ja kehittämiseen. Kun perusasiat ovat kunnossa, myös automaation ja tekoälyn hyödyntämiselle syntyy kestävämpi pohja.
Luotettava data tekee tekoälystä aidosti hyödyllistä
Tekoälyn aikakaudella kilpailuetua ei synny vain siitä, kuka ottaa käyttöön uusia työkaluja nopeimmin. Sitä syntyy siitä, kenen tieto on niin luotettavaa, että sen varaan voi rakentaa automaatiota, raportointia ja päätöksentekoa.
Silloin tekoälyyn voidaan luottaa. Raportit kertovat todellisuudesta, automaatio perustuu oikeisiin tapahtumiin ja tekoälyä voidaan hyödyntää tukena ilman epävarmuutta siitä, onko pohjatieto kunnossa.
Datan laatu ei siis ole tekninen yksityiskohta. Se kertoo siitä, kuinka sujuvasti organisaatio toimii ja kuinka luottavaisesti se pystyy kehittämään tekemistään eteenpäin tekoälyn aikakaudella.