Tiivistelmä
Tausta
Tavoite
Toteutus
Tulosten analysoiminen
Esimerkkianalyysi: osajoukko
Esimerkkianalyysi: koko joukko
Tietoaineiston hyödyntäminen
UUTTA-hankkeen tausta
Rakennusliikkeissä yrityksen eri tasoilla on hyvin erityyppisiä näkemyksiä niistä tekijöistä, jotka vaikuttavat rakennushankkeen turvallisuuteen. Selittäviksi tekijöiksi on esitetty mm.
rakennuttajan korkeaa vaatimustasoa työturvallisuuden suhteen, TR-mittausta, sopimustekniikkaa, luotettavia aliurakoitsijoita, pitkiä urakointiketjuja, pienten ja suurten yritysten toimintatapojen eroja, korjaus- ja uudisrakentamisen eroja, siisteyttä ja järjestystekijöitä, tuotannonsuunnittelun tasoa, johdon sitoutumista ja johdon esimerkkiä, projektinjohtomalleja, aliurakointiasteen kasvua, perehdyttämistä, työntekijöiden vastuunkantoa ja asennetta, työnjohdon määrää, työmaan kokoa, johtamistapaa ja tahtotilaa.
Vaikka mielipiteitä on paljon, niin tietoon perustuvaa analyysia vaikuttavista tekijöistä ei ole tehty. Tilastotietojen analysointi rakentamisen tapaturmien ja niihin vaikuttavien tekijöiden osalta on kuitenkin vaikeata johtuen mm. vaikuttavien tekijöiden määrästä sekä työmailta kerättävän tiedon heikosta tasosta. Aikaisemmin tapaturmatietojen keräämisen ja analysoinnin ongelmana on ollut tiedon hajanaisuus ja se, ettei tietoa ole ylipäänsä koottu. Rakentamisen tapaturmien analysointia varten tiedonkeruuta on yritetty monenlaisin kyselyin ja suorin yhteydenotoin yrityksiin. Riittävän laajaa aineistoa ei kuitenkaan ole saatu. Esimerkiksi työtapaturmista kerättävä tietoaineisto tähtää pääsääntöisesti tapaturmakorvausten käsittelyyn ja maksatukseen, ei siis työtapaturmien ehkäisyyn. Monet aiemmat projektit Työsuojelurahaston tilauksesta (Rakennusalan työsuojelu- ja turvallisuustutkimuksen suuntaamisesta) ja rahoituksella (Vaarallisten aineiden työmenetelmäohjeet tai Niksipankki – työturvallisuusniksit) ovat osoittaneet, että aktiivisella keskitetyllä ja osin haastatteluihin perustuvalla toimintatavalla on mahdollista saavuttaa hyviä tuloksia.
Erilaisten uskomusten ja näkemysten moninaisuus puoltaa tarvetta tiedon keruulle ja analysoinnille. Moninaisen tiedon analysointi asettaa myös omat haasteensa. Hankkeen toisena lähtökohtana oli analyysi- ja raportointivälinemarkkinoilla kehittynyt uusi segmentti - älykkäät analyysivälineet. Niille on tyypillistä, että:
- dataa esikäsitellään tekoälymenetelmin
- epätäydellisen datan haitat kompensoidaan todennäköisyyslaskentaa käyttäen
- datasta saadaan välittömästi esille kaikki ulottuvuudet
- graafisia ja taulukkonäkymiä täydennetään ryvästenäkymillä (klusterointi)
- ne ovat erillisiä välineitä, jotka jatkokäsittelevät perinteisten raportointivälineiden tuottamaa dataa.
Älykkäiden analyysivälineiden avulla tietoaineistoa voidaan tutkia mahdollisimman yksinkertaisesti ja ilman tilastotieteellistä osaamista. Visuaalinen ulkoasu helpottaa moniulotteisen tietoaineiston tehokasta analysointia.
Näiden lähtökohtien pohjalta tutkimuksen perustaksi valittiin uuden tyyppinen tilastotyökalu, Bayminer, jossa tarvittavia riippuvuuksia voidaan tutkia mahdollisimman yksinkertaisesti. BayMiner tuottaa dynaamisen tietokonemallin ryvästettynä, akselitonta 3D-esitystä käyttäen (www.bayminer.com). Kaikki tarvittavat riippuvuudet voidaan tutkia heti. Ensiksi BayMiner analysoi ja luokittelee tutkittavan data. Sitten se laskee ns. Bayes-verkon. Kolmannessa vaiheessa se esittää verkon 3D-muodossa. Käyttäjän ei tarvitse ohjelmoida eikä häneltä edellytetä tilastotieteellistä osaamista.
Bayminer –laskennasta (lähde: www.bayminer.com)
BayMiner tuottaa ja ilmaisee havainnollisesti liiketoimintaympäristöä koskevaa oleellista uutta tietämystä. Analysoitavina tekijöinä voivat olla asiakkaat, markkinat, tuotteet ja prosessit. Hyvinkin puutteellisesta datasta saa BayMinerilla esiin hyödyllistä uutta tietämystä. Hyödyt tulevat kilpailukyvyn kasvattamisesta, toiminnan tehostamisesta sekä kustannusten säästöstä. Verrattuna perinteisiin työkaluihin, BayMinerin ero on siinä, että sen tuottama dynaaminen tietokonemalli näyttää heti monimutkaistenkin tapausten suhteet toisiinsa kätevällä 3D-esityksellä. Useimmissa käytännön sovelluksissa vain puutteellista dataa on käytettävissä, mikä aiheuttaa epävarmuutta; tällöin BayMiner-malli on myös luotettavampi kuin tavanomaisilla tilastomatemaattisilla menetelmillä lasketut tulokset.
BayMiner tuottaa tietämysmallin kolmessa vaiheessa: Ensiksi ohjelma analysoi ja luokittelee tutkittavan datan. Sitten se laskee ns. Bayes-verkon. Kolmannessa vaiheessa se esittää Bayes-verkon 3D-muodossa. Käyttäjän ei tarvitse osata ohjelmoida, eikä häneltä edellytetä tilastotieteellisiä tietoja. Käyttäjä analysoi dataansa selainta käyttäen. Asiakas kokoaa itseään kiinnostavat tiedot sekä yrityksen sisäisistä että ulkoisista tietolähteistä. BayMiner-verkkopalvelu:
- laskee dataa vastaavan tietokonemallin
- tarjoaa sen havainnollisessa muodossa asiakkaan käyttöön ja
- tallettaa sen verkkoon, joten asiakas pääsee siihen käsiksi mistä ja milloin vain, kun Internet-yhteys on käytettävissä. Kun uutta dataa saadaan käyttöön, on helppoa ja edullista laskea siitä uusi BayMiner-malli, joten asiakkaalla on halutessaan aina käytettävissään tuoreimpiin tietoihinsa perustuva malli.
BayMiner tuottaa nopeasti hyvin jalostettua tietämystä päätöksenteon tueksi. Esimerkiksi tapahtumista tai hankkeista ei toimiteta raportteja, vaan käyttäjä saa eteensä dynaamiset profiilit, joita hän tutkii reaaliajassa. Valmista, hyödyntämiskelpoista dataa löytyy lähes jokaisesta yrityksen tietokannasta ja usein myös käytössä olevista yrityksen itsensä kehittämistä taulukkolaskentavälineistä. Analyysin voi käynnistää Internetin kautta, kun analysoitava data on koottu tekstitiedostoon BayMinerin ymmärtämään muotoon: sarkainerotelluksi tekstitaulukoksi, jossa muuttujien otsikot ovat ylimmällä rivillä ja kutakin tarkasteltavaa yksittäistapausta kuvaava data omalla rivillään. Siirto ja yhdistäminen voidaan tehdä esim. taulukkolaskentaohjelmaa käyttäen tai tietysti suoraan tietokannassa. Analyysin käynnistämisen jälkeen sen tulokset ovat käytettävissä omalla selaimella muutamassa minuutissa.