Vastuullisuusdatan hyödyntäminen edellyttää, että dataa käsitellään vastuullisesti ja eettisesti. Kun organisaatio tunnistaa datavarantonsa, huolehtii datan laadusta ja määrittelee vastuut, käyttöoikeudet ja jakamisen periaatteet, dataa voidaan hyödyntää luotettavammin päätöksenteossa, raportoinnissa ja uuden liiketoiminnan kehittämisessä.
Image by magnific
Rakennusalan digitaalisissa toimitusketjuissa datavastuullisuus voi tarkoittaa vähemmän virheitä, sujuvampaa tiedonkulkua ja parempia mahdollisuuksia mitata esimerkiksi rakentamisen ilmastovaikutuksia. Tässä artikkelissa kytken datavastuullisuuden dataetiikan käytännön kysymyksiin ja tarkastelen, miten Data Ethics Canvas -työkalu (Open Data Institute, 2026) voi auttaa arvioimaan, millaista dataa organisaatioiden välillä voidaan jakaa vastuullisesti, luotettavasti ja arvoa tuottavasti.
Datavastuullisuus mahdollistaa vastuullisuusdatan hyödyntämisen
Jotta datan eettistä arviointia voidaan tehdä käytännössä, on ensin hahmotettava, mitä vastuullisuusdatalla ja datavastuullisuudella tarkoitetaan. Ne liittyvät tiiviisti toisiinsa: vastuullisuusdata on dataa, jonka avulla organisaatio kertoo toimintansa vaikutuksista, kun taas datavastuullisuus määrittää, millä periaatteilla tätä dataa kerätään, hallitaan, jaetaan ja hyödynnetään. Kuvaan termit tarkemmin alla.
Vastuullisuusdatalla tarkoitetaan organisaation omaan toimintaan ja arvoketjuun kytkeytyvää määrällistä ja laadullista tietoa. Sen avulla voidaan seurata, arvioida, ohjata ja raportoida organisaation vaikutuksia talouteen, ympäristöön ja ihmisiin. (Global Reporting Initiative, 2026.) Vastuullisuusdataa tarkastellaan tässä GRI-standardien (Global Reporting Initiative, 2026) vaikutuslähtöisen kestävyysraportoinnin näkökulmasta. Kestävässä liiketoiminnassa vastuullisuusdatan hyödyntäminen on osa yritysvastuuta ja tukee samalla yrityksen kilpailukykyä. Kun yritykset jakavat dataa muiden yritysten ja toimijoiden kanssa kestävissä datakumppanuuksissa ja -verkostoissa sekä yksilöiden luvalla, ne voivat synnyttää uudenlaisia hyötyjä. (Parikka & Härkönen, 2020.)
Yritysvastuun ja vastuullisuusdatan kannalta keskeistä on myös se, miten dataa käsitellään. Tämä koskee sekä henkilötietoa että yritysten välistä dataa. Tällöin kyse on datavastuullisuudesta. Open Data Instituten (2023) mukaan dataetiikka tarkastelee datan keräämisen, jakamisen ja käytön käytäntöjä sekä niiden mahdollisia haitallisia vaikutuksia ihmisiin ja yhteiskuntaan.
Datan eettisyyden arviointityökalu
Datavastuullisuus eli datan vastuullinen käsittely on yritysten ja yhteiskunnan datan hyödyntämisen perusta. Tekoälykään ei tuota laadukasta tietoa, jos sen käyttämä data on huonoa. Myös ekosysteemien toiminta, kilpailuedun vahvistaminen ja uuden lisäarvon luominen edellyttävät laadukkaan datan jakamista organisaatioiden välillä, esimerkiksi rakennusalan tilaus–toimitusketjuissa.
Data Ethics Canvas (Open Data Institute, 2026) on datan eettisyyden arviointityökalu kaikille, jotka keräävät, jakavat tai käyttävät dataa. Se auttaa tunnistamaan ja hallitsemaan eettisiä kysymyksiä sekä dataa hyödyntävän projektin alussa että sen aikana. Työkalu kannustaa esittämään tärkeitä kysymyksiä dataa hyödyntävistä projekteista ja pohtimaan niihin annettuja vastauksia. Työkalu ohjaa kysymään esimerkiksi, mikä on datan käytön ensisijainen tarkoitus ja kehen projektilla voi olla kielteisiä vaikutuksia. Data Ethics Canvas (kuva 1) tarjoaa viitekehyksen eettisen ohjeistuksen kehittämiseen erilaisiin tilanteisiin projektin koosta tai laajuudesta riippumatta.
Kuva 1. Open Data Instituutin ODI Data Ethics Canvas (CC BY-SA -lisenssi).
Organisaation käytettävissä olevat datalähteet
Datan arvo vahvistuu, kun sitä voidaan yhdistää muihin tietolähteisiin ja hyödyntää useissa eri käyttötarkoituksissa. Tämä edellyttää kuitenkin, että datan käyttöön liittyvät oikeudet, vastuut ja luvat ymmärretään jo ennen datan keräämistä, jakamista tai uudelleenkäyttöä. On tärkeää selvittää, kuka datan omistaa, kenellä on siihen käyttö- tai hallintaoikeuksia ja millä ehdoilla dataa voidaan hyödyntää. Myös hyvistä lähtökohdista käynnistyvät hankkeet voivat törmätä oikeudellisiin ja eettisiin rajoitteisiin, jos olemassa olevaa dataa halutaan käyttää uudessa tarkoituksessa. Siksi jokainen datalähde tulisi arvioida ja dokumentoida huolellisesti ennen kuin sen käyttöä viedään hankkeessa eteenpäin.
Erinomaista pohdittavaa ja ohjeistusta tarjoaa muun muassa Open Data Insituutin (2026) sivusto kolmansien osapuolten datalähteiden hyödyntämisestä. Erityisen tärkeää on määritellä datan käyttöoikeudet. Instituutin ‘Data Spectrum’ kuvailee suljetun/rajoitetun, jaetun ja yleisen/avoimen datan spektrin sen hyödyntämisen mahdollisuuksien mukaan. Kun eri datalähteitä yhdistetään, uutta syntynyttä datalähdettä koskee yhdistetyn datalähteen mukaiset rajoitukset eli mikäli siellä oli rajoitetuin oikeuksin käytettävää dataa, ei uusikaan datalähde voi olla täysin avointa.
Luottamus ja lainsäädäntö
Dataa jaettaessa kumppanit on valittava huolellisesti ja yhteistyön on perustuttava luottamukseen. Kumppaneiden datan käyttö, hallinta ja periaatteet tulee kuvata avoimesti. Yhteisissä projekteissa on tärkeää tehdä näkyväksi, mitä kukin osapuoli tuo mukaan ja millaisia hyötyjä yhteistyöstä syntyy. Datan jakaminen onnistuu pitkäjänteisesti vain, jos se tuottaa arvoa kaikille osapuolille.
Tämä korostuu siirryttäessä perinteisistä tilaus–toimitusketjuista kohti digitaalista ekosysteemimäistä toimintaa. Jos datan avulla syntyvä arvo jakautuu epätasaisesti, ekosysteemin kehitys voi hidastua tai estyä (Letaifa, 2014). Rakennusalalla automaattisesti tilaus-toimitusketjussa liikkuva data voi vähentää virheitä, tehostaa toimintaa ja tuottaa skaalautuvia säästöjä. Samalla se auttaa mittaamaan rakentamisen ilmastovaikutuksia, hyödyntämään CO₂-dataa päästöjen vähentämisessä ja edistämään kiertotaloutta.
Kun dataa jaetaan, yhdistetään ja hyödynnetään päätöksenteossa, myös vastuut, riskit ja lainsäädäntö on tunnistettava. Dataan liittyvää sääntelyä ohjaa esimerkiksi EU:n tekoälyasetus, AI Act (Euroopan Unioni, 2026), joka sääntelee tekoälyjärjestelmien kehittämistä, markkinoille saattamista ja käyttöä riskiperusteisesti. Se jakaa tekoälyn käyttötavat neljään riskiluokkaan: kiellettyihin, korkean riskin, rajoitetun riskin sekä vähäisen tai olemattoman riskin järjestelmiin. Mitä suurempi riski tekoälyn käytöllä on ihmisten turvallisuudelle, oikeuksille tai yhteiskunnalle, sitä tiukempia vaatimuksia järjestelmään kohdistuu.
Datalähteiden rajoitteet
Lainsäädännön lisäksi on arvioitava myös datalähteiden rajoitteita. Data ei aina kuvaa eri väestöryhmiä tasapuolisesti, sillä sen keräämiseen, valintaan, analyysiin ja algoritmiseen käsittelyyn voi sisältyä erilaisia vinoumia. Siksi datalähteitä käytettäessä on tärkeää tunnistaa sekä aineiston mahdolliset puutteet ja poisrajaukset että ne päätöksentekoon vaikuttavat tekijät, jotka voivat ohjata tulkintaa, jottei vinoumia syntyisi. Tällaisia tekijöitä voivat olla esimerkiksi se, keiden näkökulmat ovat olleet mukana datan keräämisessä ja analysoinnissa sekä millainen osaaminen ja kokemus hanketiimissä on edustettuna.
Datalähteiden rajoitteiden arviointiin tukea tarjoaa esimerkiksi Tansanian Data Lab (dlab) (2026) eoppimisen ohjelma. Seon toteutettu yhdessä Dar Es Salaamin yliopiston ja Open Data Instituutin kanssa tukemaan politiikan ja muutoksen parissa työskenteleviä datan käyttöön ja viestintään liittyvien taitojen kehittämisessä. Materiaali on hyödyllistä kaikille datan kanssa toimiville.
Avoin data lisää läpinäkyvyyttä ja vastuullisuutta kaikkien osapuolten kannalta
Päätöksentekijöiden voi joskus olla vaikea hahmottaa, miten dataa voidaan hyödyntää vaikuttavuuden aikaansaamiseksi yhteiskunnassa. Esimerkiksi politiikkasykli auttaa jäsentämään muutoksen edistämiseen ja toteuttamiseen liittyvää monimutkaista prosessia. Data ja avoin data ovat keskeisessä roolissa muutoksen toteuttamisessa politiikkaprosessin kaikissa vaiheissa. Avoin data ei ole ainoastaan analyysin lähtöaineistoa, vaan myös lopputulos, joka lisää läpinäkyvyyttä ja vastuullisuutta kaikkien osapuolten kannalta. Datan tehokas hyödyntäminen voi tuottaa myös laajempia hyötyjä sekä vahvistaa yhteiskunnan yhteistä datainfrastruktuuria, jonka varaan voidaan rakentaa uutta toimintaa ja ratkaisuja (dLab, 2026).
Riskejä arvioitaessa Open Data Instituutin Data Ethics Canvas on jälleen hyödyllinen. Sen oranssit osiot auttavat projektin, palvelun tai tuotteen tavoitteiden ja seurauksien arviointia. Pohtimalla syitä datan hyödyntämiseen, datan käytön seuraamuksiin ja minimoimalla kielteiset vaikutukset päästään jo pitkälle. Eettisen lisäarvon, kuten positiivisen kädenjäljen tunnistaminen, on tärkeä ensi askel.
On myös tärkeää muistaa, että data ei tuota koskaan kokonaista kuvaa todellisuudesta. Lähdedata tarjoaa vain välillisiä muuttujia, joilla ilmiötä pyritään selittämään. Jotta muuttujien ja todellisuuden välinen kuilu ei kasvaisi liian suureksi, tulee arvioida, minkälaisissa tilanteissa datasta tehtävä analyysi ei tuota oikeaa informaatiota. Tästä osaamisen arvio koetuloksiin perustuen on yksi esimerkki. Menneisyys ei määritä tulevaisuutta, vaikkakin se näyttää tietyn suunnan riittävän pitkällä aikavälillä tarkasteltuna.
Artikkeli on kirjoitettu osana Varasto – Vastuullisuusdata ja rakennusalan digitaaliset toimitusketjut -hanketta. Varasto-hanke edistää valmennusten ja pilotointien avulla vastuullisuusdatan integrointia Peppol-sanomien välityksellä rakennusalan tilaus-toimitusketjuihin yhdessä alan ekosysteemitoimijoiden kanssa. Ryhmähanketta toteuttavat Laurea, TIEKE Tietoyhteiskunnan kehittämiskeskus ja KIRAHub, ja sen rahoittaa Uudenmaan liitto sekä Euroopan unionin aluekehitysrahasto ajalla 1.10.2025–30.9.2027.
Lähteet
