Data on tietoa

Datasta puhutaan usein tietona, ja joskus tieto onkin dataa. Esimerkiksi väestörekisteri sisältää tärkeitä tietoja suomalaisista, ja näitä tietoja voidaan käyttää datana.¹ Mutta kaikki data ei muodostu tiedoista. Data on pikemminkin jotakin, jonka perusteella tietoväittämiä voidaan päätellä tai perustella.

Klassisen filosofisen määritelmän mukaan tieto on tosi perusteltu uskomus. Tätä määritelmää vasten on ilmeistä, miksi data ei ole tietoa. Data ei ole kenenkään uskomus vaan pikemminkin joukko materiaalisia jälkiä, jotka voivat olla monessa muodossa. Data on tulosta mittalaitteen toiminnasta, hallinnollisista toimenpiteistä, verkkoselaimen käytöstä tai kyselyn vastauksista. Data voi olla varta vasten tuotettua, kuten vaikka verenpaineen mittauksen tulos tai haastatteluaineisto, tai kerättyä, kuten vaikkapa historialliset dokumentit tai rekisteritutkimuksen aineisto. On myös selvää, että data ei ole perusteltua tai oikeutettua, vaan pikemminkin dataa käytetään tietoväitteiden oikeuttamiseen. Rikkinäisenkin mittalaitteen tulokset ovat dataa, eikä sitä voi käyttää tukemaan väitteitä mitattavasta asiasta. Rikkinäinen vaaka ei kerro, paljonko mandariinit painavat.

Mitä data sitten on? Dataa voi ajatella ikään kuin jälkinä. Data on jälkiä prosessista, jossa kiinnostuksen kohteena oleva ilmiö – esimerkiksi yksilön kulutuskäyttäytyminen, terveydentila tai musiikkimieltymykset – on osallisena. Ilmiöllä tarkoitetaan tässä yhteydessä kohdetta, josta datan avulla ollaan tekemässä päätelmiä. Edellä mainittu rikkinäinen vaaka ei tuota luotettavaa dataa hedelmien painosta, mutta samaa dataa voidaan mahdollisesti käyttää apuna, kun selvitetään, mikä laitteessa on vikana. Datan laatu ja käyttökelpoisuus siis riippuu siitä, mitä haluamme sen pohjalta päätellä. Data ei itsessään ole representaatio jostakin kohteesta, vaan käytämme sitä sellaisena. Toisin sanoen datalla ei ole yksi yhteen -suhdetta tiettyyn ilmiöön, ja samaa dataa voidaan usein käyttää monen eri asian tarkasteluun ja moniin tarkoituksiin. Tämä tarkoittaa sitä, että kun sanomme jonkin datan olevan vinoutunutta, tarkoitamme, että kyseinen data on harhaanjohtavaa tiettyyn tarkoitukseen.²

Datan tärkeä piirre on se, että sitä voidaan käsitellä – ja useimmiten sitä täytyy käsitellä. Dataa voidaan supistaa, korjata tai kuratoida. Tällainen käsittely mahdollistaa analyysimenetelmien käytön ja siten päätelmien tekemisen datasta, mutta saattaa samalla tarkoittaa informaation häviämistä. Datan väärä käsittely puolestaan heikentää sen laatua ja saattaa tehdä siitä harhaanjohtavaa. Tästä syystä datan käsittelyyn on syytä kiinnittää huomiota. On kuitenkin virhe ajatella, että kaikki datan käsittely olisi sen vääristelyä. Datan käsittelyn tarkoitus on tehdä siitä johdetut päätelmät mahdollisiksi ja luotettavammiksi. Kaikki data onkin jollain tavoin prosessoitua. Ei siis ole ”raakaa” dataa, joka olisi sellaisenaan käyttökelpoista, luotettavaa ja

”lähempänä todellisuutta”.

Datan käyttökelpoisuus riippuu siitä, kuinka data on muodostunut. Datan arvo näyttönä perustuukin siihen, millaisen prosessin tuloksena se on syntynyt ja kuinka sitä on käsitelty. Jos esimerkiksi kyselyn vastaajat antavat valheellista tietoa, joko tarkoituksellisesti tai vahingossa, vaikuttaa tämä datan luotettavuuteen. Samalla tavoin päätelmien luotettavuutta vähentää se, jos kyselyn vastaajat edustavat vain yhtä osaa aiotusta ryhmästä: esimerkiksi jos haluamme tietää helsinkiläisten mielipiteistä, mutta kaikki vastaajat ovat Töölöstä. Datan käsittelyn virheestä käy vaikkapa se, että Excelin automaattinen korjaustoiminto muuttaa kerättyjen vastausten sisältöä. Nämä esimerkit osoittavat, että datan laadun arviointi edellyttää metadataa eli dataa datan keruutavasta, käytetyistä luokituksista ja käsittelystä.

Data ei myöskään ole yksi, yhtenäinen asia. Datasta usein puhutaan kuin kaikki data olisi samanlaista. Tällaisessa puheessa unohtuu datan monimuotoisuus. Dataa on olemassa mitä erilaisimmista asioista, aina yksilöistä populaatioihin ja luonnonilmiöihin. Erilaista dataa kerätään ja käsitellään eri tavoin, ja sen käyttöön liittyy tilanteesta riippuen erilaisia kysymyksiä. Datasta puhuminen yhtenä yhtenäisenä asiana tekee vaikeaksi nähdä siihen liittyviä eettisiä tai laillisia kysymyksiä.

Data ei siis ole sama asia kuin tieto tai faktat. Data voi olla harhaanjohtavaa ja virheellistäkin. Datan käyttö edellyttää sen tulkintaa ja ymmärrystä sen tuottamisesta. Datalla on kuitenkin yhteys tietoon, sillä data tarjoaa näyttöä, jonka perusteella tietoväittämiä voidaan oikeuttaa.