Mitä on sijaintitieto?

Sijaintitiedolla tarkoitetaan jonkin kohteen, omaisuuden, toiminnan tai ilmiön sijaintia kuvailevaa ominaisuutta.

Sijaintitieto voidaan ilmoittaa esimerkiksi osoitteena, koordinaatteina, postinumerona tai muuna tunnettuna kohteena. Englanniksi sijaintitiedosta puhutaan sanoilla location data.  

Sijaintitieto yksinään on pelkkä piste kartalla. Pienessä tiedonpalasessa piilee kuitenkin valtava voima. Sijaintitieto on parhaimmillaan silloin, kun se törmäytetään muun datan kanssa ja otetaan osaksi kokonaisarkkitehtuuria. Kun sijaintitietoa jalostetaan tällä tavoin eteenpäin, puhutaan sijaintianalytiikasta (englanniksi location intelligence).

Sijaintianalytiikka voidaan määritellä edistyneeksi analytiikaksi, jossa sijaintitieto on mukana. Edistyneeksi analytiikaksi kutsutaan kaikkea sitä analytiikkaa, joka on edistyneempää kuin perinteinen ”peruutuspeiliin katsominen”. Sijaintitietoanalytiikan avulla saatu tieto voidaan muuntaa suoraan strategisiksi tai operatiivisiksi toimenpiteiksi - ja näin ratkaista hyvin monenlaisia liiketoimintaan liittyviä kysymyksiä ja ongelmia.

Miten sijaintitiedon hyödyntäminen ja sijaintianalytiikka auttavat synnyttämään parempaa liiketoimintaa? Kuinka pääsen alkuun sijaintianalytiikassa? Entä miten John Snow liittyy tähän kaikkeen? Tämän sivun luettuasi tiedät – varaa siis aikaa noin 15 minuuttia, ota mukava asento ja aloita kiintoisa lukuhetki!

 

Vinkki kiireisimmille ja tiedonjanoisimmille: sivun vasemmasta reunasta löytyy sisällysluettelo, josta pääset navigoimaan suoraan sinua kiinnostavaan kappaleeseen. 👀

Mitä sijaintianalytiikka ei tarkoita?

Sijaintianalytiikka ei ole pelkkää paikkatietoa tai paikkatietoanalytiikkaa.

Paikkatieto on tietoa kohteesta, jonka sijainti tunnetaan (englanniksi geospatial data). Paikkatieto muodostaa tietokokonaisuuden, joka voidaan liittää johonkin tiettyyn sijaintiin. Paikkatietoanalytiikalla eli geoprosessoinnilla taas tarkoitetaan yleensä analytiikan muotoa, joka perustuu vahvasti karttapohjaiseen visualisointiin ja/tai dashboardiin. Paikkatietoanalytiikka antaa kyllä kuvan nykytilanteesta, mutta ei anna mahdollisuutta ennakoida tulevaa.

Sijaintitietoanalytiikka on edistynyttä analytiikkaa, joka tuodaan kiinteäksi osaksi organisaation prosesseja ja palveluita. Havainnollistetaan tätä eroa esimerkillä:

  • Perinteinen paikkatieto-dashboard voi näyttää esimerkiksi yleisnäkymän kaupungin ravintoloista kartalla. Tälläkin on käyttötarkoituksensa, mutta hyödyntämismahdollisuudet tällaiselle pelkistetylle näkymälle ovat kapeat.
  • Sijaintitietoanalytiikka taas tuo juuri oikean informaation juuri oikealla hetkellä oikeille henkilöille. Esimerkiksi ruokalähettipalvelun asiakkaan mobiililaitteeseen tulee tarkka tieto siitä, missä hänen tilaamaansa annosta kuljettava lähetti juuri sillä hetkellä kulkee. Lisäksi sovellus kertoo tarkan arvion siitä, milloin toimitus on perillä.

Koneoppiva sijaintitietoanalytiikkamalli optimoi kaikkien annosten toimitukset, mutta esittelee analytiikan loppukäyttäjälle vain häntä kiinnostavan tiedon.

Termit hukassa? Tutustu Tekoälysanastoomme täällä.

tekoälysanasto_advian

Miksi sijaintianalytiikalla syntyy parempaa liiketoimintaa?

Liiketoiminnassa sijainnin ja muiden muuttujien tulkinta analytiikan keinoin ei ole kiellettyä – vaikka välillä tuntuukin kuin näin olisi. Tiedätkö sinä, miten sijainti vaikuttaa liiketoimintaasi?

Lähes kaikki data on suhteutettavissa sijaintiin tavalla tai toisella: sanotaankin, että 80 prosenttiin kaikesta tiedosta liittyy sijainti. Mobiilidata tarjoaa suuntaa-antavia tietoja ihmisten liikkeistä, rakennukset ja niissä sijaitsevat toimijat voidaan sijoittaa kartalle osoitteen perusteella ja tilastotieto taas luodaan usein jonkin alueellisen jaon pohjalta. Näin ollen sijaintitieto tarjoaa vahvan työkalun eri datalähteiden yhdistelyssä ja suhteuttamisessa toisiinsa.

Älä siilo sijaintitietoja!

Meidän näkemyksemme on, että sijaintitietojen tulee löytyä sieltä, missä muukin data on. Vasta tällöin sijaintitietoa voidaan hyödyntää aidosti osana prosesseja. Sijaintitiedon hyödyntäminen ei siis vaadi erillistä tietojärjestelmää, eikä se ole edes suositeltavaa - ellei päätyösi sitten ole tehdä karttoja.

Sijainnilla on oma merkityksensä niin asiakasanalytiikassa, riskianalytiikassa, toimitusketjujen optimoinnissa kuin reittien suunnittelussa. Alla olevalla videolla Laura kertoo lisää sijaintianalytiikan hyödyistä (video on tekstitetty, joten voit katsoa sen myös ilman ääntä 🔊).

 

Advian_Laura_sijaintitieto_MASTER_someen

 

Sijaintianalytiikan avulla suunnitellaan jo kauppapaikkojen sijainnit ja myymälöiden valikoimia, mutta avoimen datan saatavuuden parannuttua ja konetehojen lisääntyessä pystytään tarttumaan myös aiemmin mahdottomiin haasteisiin: esimerkiksi logistisessa suunnittelussa suurimmat voitot saavutetaan logistiikkakeskuksen sijainnin suunnittelulla, ei niinkään reittien optimoinnilla. 

Miten sijaintianalytiikkaa hyödynnetään eri toimialoilla?

Myrskytuhot ja tulvariskit

Vakuutusalalla avoimen säädatan yhdistäminen avoimiin metsävarainventaarioihin, kaupallisiin ilmakuvalähteisiin sekä kiinteistötietoihin voi auttaa myrskytuhojen lähes reaaliaikaisessa tunnistamisessa ja jopa ennakoinnissa. Maanpinnan muotojen ja tutkimuslaitosten julkaiseman datan avulla sama pätee esimerkiksi tulvariskien mahdollisimman tarkkaan arviointiin. 

Tarkkuutta toimipaikkasuunnitteluun kivijalkaliiketoiminnassa

Toimipaikkasuunnittelussa voidaan kartoittaa potentiaalisia toimipaikkasijainteja esimerkiksi hyödyntämällä sisäistä aineistoa olemassa olevista toimipaikoista, avoimia alueellisia kuluttajatilastoja sekä historiallisia ja nykyisiä liikennevirtoja kuvaavia kaupallisia aineistoja.

Huollon ennakointia vesiverkossa

Suomen vesiverkosto on ikääntynyt ja hyvin huonossa kunnossa. Putkien käyttöikään vaikuttavat niiden valmistusmateriaali, valmistusajankohta sekä asennustyön laatu – myös ympäristöllä eli sijaintitiedoilla on merkitystä: routiminen ja muu maan liikkuminen lyhentävät putkien käyttöikää. Sijaintianalytiikan oikeaoppisella hyödyntämisellä vähäinen investointibudjetti saadaan kohdistettua kaikkein kriittisimpiin kohteisiin ja vältytään monilta kalliilta putkirikoilta.

Lataa tietopaketti energia-alalle

Omaisuus hukassa ja vajaakäytöllä?

Niin uskomattomalta kuin se kuulostaakin, kalliit laitteet, kuten työmaakontit tai kuljetuslavetit, ovat usein hukassa tai todella pahasti vajaakäytöllä.

Kun ei tiedetä, missä omaisuus on, korvaavien laitteiden hankintaan ja ylläpitoon kuluu huomattavia summia rahaa. Tähän löytyy kuitenkin yllättävän yksinkertainen ratkaisu: laitteiden sijainnit saadaan haltuun sijoittamalla niihin mittalaitteet. Kun yhtälöön lisätään sijaintianalytiikka, voidaan laitteet ja ihmiset ohjata proaktiivisesti oikeaan aikaan oikeaan paikkaan.

Sijaintianalytiikan hyödyntämisen ongelmat

Mitä ongelmia sijaintianalytiikan hyödyntämiseen liittyy? Miksi se on niin vähän tunnettu ja jopa väärinkäytetty? Seuraavassa esimerkkejä yleisimmistä sudenkuopista, joihin sijaintianalytiikka tyssää:

Sijaintianalytiikan potentiaalia ei tunnisteta

Sijaintianalytiikan mahdollisuudet ja sen tuomat hyödyt tunnetaan vielä huonosti, muutamia toimialoja lukuun ottamatta (esimerkiksi logistiikka). Monissa organisaatioissa sisäinen osaaminen jää vähäiseksi.

Sijaintitieto jää vain pisteiksi kartalle

Jos sijaintitietoa ei tuoda osaksi yrityksen kokonaisarkkitehtuuria ja yhdistetä muun datan kanssa, jää liiketoimintahyöty hyvin ohueksi. Osaajat jumittuvat karttojen piirtelyyn, eikä kaikkea sitä mahtavuutta, mitä GIS-tiede (englanniksi geographical information science) on maailmalle tuottanut, hyödynnetä koko potentiaalissaan. 

Resurssit puuttuvat

Vaikka organisaatiossa tunnistettaisiinkin sijaintianalytiikan arvo, on huippuosaajia vaikea löytää. Sijaintianalytiikka on kokonaan oma tieteenalansa ja kokonaisuutensa, joka vaatii laajaa osaamista – muun muassa kaukokartoituksen, 3D-mallintamisen, geoinformatiikan ja maantieteen sekä menetelmällistä että teknistä osaamista.  

Vain sisäistä dataa käytetään aktiivisesti, ja ulkoiset datalähteet jäävät hyödyntämättä.

Ulkoisen datan käyttäminen rikastaa yrityksen omista järjestelmistä saatavaa tietoa tehokkaasti. Jos esimerkiksi liikenneruuhkaa ennustetaan vain yrityksen keräämien liikennemäärätietojen valossa, ja jätetään avoin säätietodata hyödyntämättä, ei arvio välttämättä ole kovin tarkka. Haasteena on relevanttien ulkoisten datalähteiden löytäminen - ristiretki avoimen ja kaupallisen ulkoisen datan viidakkoon ei ole helppo.

Haluaisitko tietää lisää ulkoisesta datasta ja sen hyödyntämisestä analytiikassa? Lisää tietoa ja linkkejä ilmaisiin avoimiin datalähteisiin löydät Ulkoiset datalähteet analytiikassa -oppaastamme.

Lataa opas täältä

Fokus on kristallipallon sijaan peruutuspeilissä.

Karttanäkymä metsäpalon tuhoista kertoo vain sen mitä on jo tuhoutunut.

Hyödyllisempää on tuottaa ennustemalli palon leviämisestä ja viedä valmiiksi pureskeltu tieto sammutusyksiköille.

Lue lisää sijaintianalytiikan haasteista ja niiden takana piilevistä mahdollisuuksista täältä.

Miten sijaintianalytiikka toimii?

Miten sijaintianalytiikka toimii ja milloin sitä tarvitaan? Sijaintianalytiikka eli location intelligence on sijaintitiedolla johtamista - edistynyttä analytiikkaa, missä sijainnilla on keskeinen merkitys. Se on myös tärkeä osa modernia tiedolla johtamista.
Sijaintianalytiikan juuret voidaan jäljittää vuoteen 1854, kun brittiläinen John Snow onnistui paikantamaan koleraepidemian syntypisteen Lontoossa vertailemalla sairastapausten määriä eri vesiyhtiöiden toimialueisiin. Sijaintianalytiikka ja sen menetelmät ovat kehittyneet tästä merkittävästi, ja sijainti on tärkeä elementti analytiikan monilla eri osa-alueilla - kuten ennakoivassa analytiikassa, koneoppimisessa sekä edge-analytiikassa.
 
sijaintitieto_A
 

Sijaintitieto ennakoivassa analytiikassa

Ennakoiva analytiikka (englanniksi predictive analytics) tarkoittaa historiadataan perustuvia ennustemalleja. Ennakoiva analytiikka kertoo sen, mitä tulee tapahtumaan.

Aina, kun tarkastelun kohteena on jokin aikaan sidottu tekijä, jonka tulevaisuutta pyritään ennustamaan, liittyy siihen usein myös liikettä. Esimerkiksi säätä ennustetaan ilmamassojen liikkumista tutkimalla.

Liike on siis sijaintitietoa, ja sijaintitieto muuttuu ajan kanssa. Esimerkiksi koronavirus lähti liikkeelle Kiinan Wuhanista. Jos alkupaikkaa ei tiedettäisi, olisi vaikea ennustaa, minne virus on menossa seuraavaksi. Liikennepuolella ennakoivaa analytiikka käytetään jo paljon: laiturilla odottelevaa junamatkustajaa tuskin kiinnostaa kokonaisnäkymä junaliikenteestä - hän haluaa saada tarkan ja luotettavan arvion oman junansa tuloajasta ja tiedon siitä, milloin juna on perillä. 

Aina ei tarvita kuitenkaan liikettä, jotta sijaintianalytiikasta olisi hyötyä. Jos ennustetaan Suomen asuntojen hintojen kehittymistä, ei ennustetta kannata tehdä koko Suomelle. Hinnat kehittyvät hyvin eri tavoin Helsingissä verrattuna Pudasjärvelle. Algoritmi täytyy palastella alueittain, jolloin se toimii eri parametreilla eri alueilla.

Optimointia koneoppimisella

Koneoppiminen (englanniksi machine learning) on analytiikan menetelmä, tai oikeammin joukko menetelmiä, jossa analytiikka toteutetaan antamalla koneelle kaikki tarpeellinen aineisto ja käskemällä sitä itse keksimään paras tapa vastata annettuun kysymykseen. Tällöin kone oppii tunnistamaan kysymyksen kannalta merkittäviä malleja ilman, että niitä ohjelmoidaan erikseen silloin kun ongelma on kohtuuttoman monimutkainen tai työläs ihmisen määriteltäväksi. Koneoppimiseen perustuva tekoäly mahdollistaa entistä tarkemman ja pitkälle automatisoidun päätöksenteon.

Joissakin tapauksissa yrityksen koko liiketoiminta saattaa perustua sijaintianalytiikkaan: esimerkiksi Uber käyttää täysin GIS-tieteestä noussutta menetelmää ja algoritmia toimintansa pyörittämiseen. Kyseessä on koneoppiva malli, joka optimoi taksien ajot.

Edge-analytiikka

Mitä tarkoitetaan edge-analytiikalla ja miten siihen liittyy sijaintitieto? Termin alle voidaan lukea useita eri tekniikoita, joilla data-analyysi ja laskenta tuodaan analytiikan reunoille (tästä siis sana edge). Analytiikka tapahtuu siellä, missä tieto ja data kerätään. 

Edge-analytiikka liittyy läheisesti IoT-maailmaan, sillä ilman edge-laskentaa esineiden internet ei voisi toimia. Edge-laskennan avulla laitteet ja koneet kykenevät tekemään itsenäisiä päätöksiä, eikä tietoa tarvitse aina siirtää palvelimelle ja takaisin verkkojen välityksellä. Laitteessa itsessään on tarpeeksi laskentatehoa suorittaa tarvittava analytiikka.

Edge-laskentatekniikoiden avulla päästään lähes reaaliaikaiseen datan analyysiin. Mitä lähes reaaliaikainen sitten tarkoittaa? Jos ajatellaan 200 kilometrin tuntinopeudella liikkuvaa junaa, jonka tarkka sijainti raiteilla täytyy tietää - täytyy myös analytiikan toimia erittäin nopeasti.  

Lue lisää edge-analytiikasta täältä.

Siiilojen yhdistäjä

Kuten huomaat, sijaintianalytiikka ei siis ole mikään analytiikan lisäosa. On olemassa koneoppivia malleja, jotka perustuvat täysin sijaintianalytiikkaan.

Sijaintianalytiikka toimii myös datasiilojen yhdistäjänä. Jos kaksi erillistä datasettiä halutaan yhdistää, on ratkaisu tähän sijaintititieto. Tällöin puhutaan oikeastaan ulkoisella datalla rikastamisesta. Sijaintianalytiikkaa voidaan ajatella koneoppimismallien turbomoottorina, jonka avulla malleihin löydetään uusia ulottuvuuksia. 

Kauppaketjun eri toimipaikkojen myyntiä on lähes mahdotonta ennustaa, ellei tunneta alueen väestöpohjaa, väestön keskimääräistä tulotasoa ja asunnon etäisyyttä kivijalkaliikkeeseen. Pelkällä myyntidatalla ei päästä pitkälle, vaan tarvitaan ulkoista dataa sijaintisidonnaisuudella. Liikkeille voidaan määrittää vaikutusalueet, ja tällä tavoin tuoda lisäelementtejä koneoppimismalliin.

Näin pääset alkuun sijaintianalytiikan hyödyntämisessä

Miten pääsen sijaintianalytiikassa liikkeelle ja mitä se organisaatiolta vaatii? Mitkä ovat ensimmäiset vaiheet?

Käännä katse omaan dataan

Ensimmäinen vaihe on tehdä datainventaario: tunnistetaan omasta datavarannosta tai omasta toiminnasta elementit, jotka ovat sijaintiriippuvaisia.

Mitkä ovat tärkeitä paikkaan sidottuja elementtejä? Missä on tietoa, johon ei vielä ole sidottu sijaintielementtiä, mutta kannattaisi?

Visualisoi ja ideoi

Jos mitään sijaintianalytiikkaa ei ole vielä käytössä, kannattaa aloittaa hahmottelemalla asioita kartalle. Verrattuna esimerkiksi taulukon tuijottamiseen, visualisointi auttaa hahmottamaan paremmin, mistä datassa on kyse. Aiemmin näkymättömissä piilleitä yhteyksiä eri tekijöiden välillä nousee esiin - minkä tyyppistä ulkoista dataa tarvitsemme lisää?

Karttojen piirtelyyn ei kuitenkaan saa jumittua, sillä tämä on vasta alkuvaihe analytiikan rakentamisessa.

 

Määrittele tavoitteet

Usein vaikeimmin hallittava asia on kuitenkin kyky ymmärtää liiketoimintaa: miksi dataa kerätään ja mitä analytiikalla tavoitellaan? Viiden vuoden päähän ylettyvää tiekarttaa ei välttämättä ole tarpeen hahmotella, ellei liiketoiminta sitä vaadi. On järkevää tarttua ensin merkityksellisempiin toimenpiteisiin, ja vasta sen jälkeen optimoida tarkempia yksityiskohtia.

Ehkä näet jo sijaintianalytiikan mahdollisuudet liiketoiminnallesi, mutta et vielä hahmota konkreettisia hyödyntämiskeinoja tai osaa priorisoida kehitystyötä?

👉Tutustu Location Intelligence Innovation -työpajaamme.

Location Intelligence Innovation -työpaja

Suuntaa ulkoisen datan apajille

Nyt päästäänkin sijaintianalytiikan ytimeen: sijaintitieto on teippi, joka liimaa yrityksen oman datan ulkoiseen dataan. Sijaintitietoja vertailemalla kaksi erillistä tietolähdettä voidaan yhdistää myös ilman yhteisiä muuttujia.

Mitä ulkoista dataa tarvitsen? Kuinka saavutettavaa himoitsemani data on? Onko se maksumuurin tai rekisteröitymisen takana, vaiko täysin vapaata riistaa? Millä resoluutiolla, ajallisella tai alueellisella, tarvitsen tietoa?

Tässä vaiheessa voi olla järkevää etsiä apua ulkopuolelta, ellei geoinformaatikkoa tai sijaintianalytiikan osaajaa omasta talosta löydy.

Vain taivas rajana

Kun tästä edetään, jos oma toiminta sitä vaatii, edellyttää tai se on järkevää, siirrytään reitityksiin, automaatioon, ennustamiseen ja muihin edistyneempiin sovellutuksiin. Ratkaisun edistyneisyys ja laajuus riippuukin omasta toimialasta ja toiminnan skaalasta.

Kuinka pitkälle ratkaisu kannattaa viedä? Kaikki eivät tarvitse omaa reittioptimointimoottoriaan.

Sijaintianalytiikka on jatkuva prosessi

Kun sijaintitieto saadaan mukaan tiedolla johtamisen kokonaisuuteen, saadaan samalla myös huomattavasti parempi ymmärrys siitä, mitä ja missä on oikeasti tapahtunut ja kuinka asioita voitaisiin ennakoida jatkossa.
Kuten modernissa tiedolla johtamisessa, myös sijaintianalytiikassa onnistuminen on ennen kaikkea kiinni uskalluksesta ja ennakkoluulottomasta asenteesta: kokeile ketterästi, uskalla epäonnistua, opi virheistäsi ja skaalaa onnistumisesi uusiin liiketoiminnan prosesseihin ja palveluiden kehittämiseen. Sijaintianalytiikkaa ei kannata jättää kertaluontoiseksi projektiksi, vaan ajatella sitä osana jatkuvaa liiketoiminnan kehittämistä.

Analytiikkaa voi lähteä hyödyntämään sillä tiedolla, mitä on saatavilla: esimerkiksi omista tietokannoista saatavaa dataa yhdistettynä avoimista tietolähteistä saatavaan tietoon. Yleensä tietoa pystytään saamaan yllättävänkin paljon vaikka data olisikin siiloutunutta – omissa ja ulkoisissa tietovarastoissa piilee usein runsaasti käyttämättömäksi jäänyttä potentiaalia. Jos osaamista ei löydy oman talon sisältä, sitä löytyy ainakin meiltä.

 

sijaintitieto_A

 

Oletko ottamassa ensiaskeleita vai kiinnostaako sijaintianalytiikan jatkokehitys?

 
Varaa ilmainen online-tapaaminen alta, niin katsotaan, kuinka
voimme olla avuksi:

 

 

Ota yhteyttä, niin jutellaan lisää!

Saisimmeko auttaa sinua löytämään organisaatiosi sijaintitiedon potentiaalin?

Ota meihin yhteyttä