Synteettisen datan hyödyntäminen data-analytiikassa

Abstract

Maailman valtavasta tietomäärästä huolimatta halutaan dataa tuottaa yhä enemmän – nyt myös keinotekoisesti. Synteettinen data on tekoälyllä keinotekoisesti tuotettua dataa, jolla pyritään vastaamaan datan yksityisyyden ja määrällisen saatavuuden haasteisiin. Synteettisen datan tuottamista sekä joitain sen sovelluskohteita on tutkittu, mutta käytettävyyttä data-analytiikan tukena melko vähän. Tämän tutkimuksen tavoitteena on tarkastella, millaisia käyttökohteita synteettiselle datalle voidaan tunnistaa analytiikassa sekä millaisia mahdollisuuksia ja haasteita soveltamiseen liittyy.

Koska synteettisen datan soveltamista data-analytiikassa on tarkasteltu suhteellisen vähän, pyrittiin tehdyn tutkimuksen avulla luomaan kattava ymmärrys soveltamisen hyvistä ja huonoista puolista. Näin ollen päätutkimuskysymykseksi muodostui ”Millaisia mahdollisuuksia ja haasteita liittyy synteettisen datan hyödyntämiseen data-analytiikassa?”. Erikseen määritellyt alatutkimuskysymykset pyrkivät tukemaan päätutkimuskysymykseen vastaamista keskittymällä synteettisen datan käyttökohteisiin analytiikassa, synteettisen datan mahdollisuuksiin parantaa analytiikkaa sekä soveltamisen mahdollisiin ongelmakohtiin.

Itse tutkimus toteutettiin systemaattisena kirjallisuuskatsauksena. Katsauksen tietokantoina hyödynnettiin Andoria ja Scopusta, joissa hakuja tehtiin tutkimuksen kannalta keskeisiä termejä yhdistellen. Synteettisen datan ilmiön uutuuden sekä kotimaisen tutkimuksen vähäisyyden myötä rajattiin haut 2020-luvulla ilmestyneisiin englanninkielisiin julkaisuihin. Katsausaineistoon pyrittiin löytämään ajankohtaisia, pääosin vertaisarvioituja sekä tutkimusongelman ratkaisemiseksi soveltuvia tieteellisiä artikkeleita. Teoriakappaleita varten tehtiin myös erillistä tiedonhakua keskittyen ensin synteettiseen dataan ja sitten data-analytiikkaan.

Tuloksissa havaittiin, että synteettiselle datalle voidaan tunnistaa muutamia erilaisia käyttökohteita data-analytiikassa. Näitä ovat esimerkiksi ennustavan analytiikan tukeminen, koneoppimismallien tarkentaminen, hypoteesien testaamisen mahdollistaminen sekä trendien tunnistamisen helpottaminen. Tulokset osoittivat myös, että synteettisen datan avulla voidaan löytää ratkaisuja data-analytiikkaan liittyviin haasteisiin. Synteettisen datan myötä muun muassa datan määrää on mahdollista kasvattaa, siihen liittyviä vinoumia vähentää sekä tietoturvaa suojata. Toisaalta käytettävyyden haasteita ja eettistä näkökulmaa ei voida sivuuttaa synteettistä dataa hyödynnettäessä. Tulokset yleisesti osoittavat synteettisen datan potentiaalin, kun sitä hyödynnetään osana data-analytiikkaa.