Raakadata on neutraalia ja puhdasta

Yhteiskunta digitalisoituu, mikä näkyy esimerkiksi siinä, miten meistä kerätään dataa eri yhteyksissä. Kerätyn datan pohjalta voidaan tuottaa muun muassa tutkimustietoa, tehdä organisaatioissa dataan perustuvia päätöksiä, tai kerättyjä tietoja voidaan hyödyntää vaikkapa markkinoinnin kohdentamiseen. Etenkin suurten datamassojen (big data) hyödyntämismahdollisuuksiin uskotaan laajasti.⁹ Usein puhutaan ”raa’asta datasta”, johon liittyy ajatus siitä, että on olemassa dataa, joka heijastaisi jotakin ilmiötä mahdollisimman puhtaasti ilman, että ihmisten valinnat ovat vaikuttaneet sen muodostumiseen. Ajatus siitä, että olisi olemassa käsittelemätöntä ja sinällään puhdasta dataa, raakaa dataa, on myytti. Data ei vain odota löytäjäänsä. Jotta datasta voidaan tehdä päätelmiä kiinnostuksen kohteena olevasta ilmiöistä, täytyy sitä ensin muokata. Voi olla, että eri lähteistä oleva data täytyy saattaa yhtenäiseen muotoon, tai että datassa olevia virheitä täytyy korjata. Saattaa jopa olla, että osa datasta täytyy jättää ulkopuolelle. Kaikki tämä tehdään, jotta datan avulla voitaisiin tehdä parempia ja luotettavampia päätelmiä ilmiöstä. Myytti raa’asta datasta tekee kaiken tämän työn vaikeaksi ymmärtää, sillä se luo vaikutelman, että vähemmän käsitelty data olisi jollakin tavoin lähempänä tutkittavaa asiaa ja siksi parempaa. Datan muokkaaminen, tai datan tuottavan prosessin muokkaaminen, on avain datan avulla tehtäviin päätelmiin. Siksi datan käsittely ei ole sen vääristelyä, vaikka se perustuukin käyttäjän tekemille valinnoille. On kuitenkin tärkeää muistaa, että datan käsittely kytkeytyy aina käyttötarkoitukseen: yhteen tarkoitukseen muokattu data ei välttämättä sovellu yhtä hyvin toiseen tarkoitukseen. Tästä syystä alkuperäinen data on hyvä pitää tallessa. Alkuperäinen data ei siis ole arvokasta siksi, että se olisi parempaa dataa, vaan siksi, että sitä on mahdollista käsitellä sopimaan eri tarkoituksiin.

Koska dataa tuotetaan erilaisissa olosuhteissa, dataakin on monenlaista. Esimerkiksi terveydenhuollon data syntyy usein mittaamisen tuloksena, ja siksi datan tuottamiseen liittyviä valintoja voidaan lähestyä mittaamisen näkökulmasta. Mitä asioita on valittu mitattaviksi, on vaikutusta siihen, mitä dataan päätyy ja mitä siihen ei päädy. Toisekseen se, miten asiaa on mitattu, vaikuttaa siihen, millaista data on. Esimerkiksi terveydenhuollossa ihmisistä voidaan kerätä dataa käyttämällä mittareita, joita ovat erilaiset laitteet, kuten verenpainemittari, mutta myös ihmisiltä kysytyt kysymykset. Mitattu verenpaine voi tuottaa terveydestä erilaisen kuvan kuin ihmiseltä kysytty koettu terveydentila. Datan kulloistenkin piirteiden tunteminen ja tunnistaminen auttaa ymmärtämään, millaista data on ja mihin sitä voi käyttää.