Data on digitaalisen ajan resurssi. Sana data (latinakasi datum) tarkoittaa jotain annettua.
Ilmaisua käytettiin tiettävästi ensimäistä kertaa vuonna 1620 Francis Baconin toimesta.
Se miten nykyaikaisen datan käsitteen ymmärrämme, sai alkunsa vuonna 1946. Se kuva-taan perustekijäksi, jonka välityksellä ja vaihdannalla koneet voivat lähettää ja tallentaa tietoa. Vaikka datan käsitteellä on pitkälle ulottuvat juuret, on se silti pysynyt pitkään pimennossa. Esimerkiksi vuonna 1983 Raimond Williamsin kulttuurin ja yhteiskunnan sanakirjasta data:n käsitettä ei löydy. Tarkasteltaessa datan käsitettä voidaan olettaa sen toimivan tiedon lähtökohtana, tarjoten perusrakenteen tiedolle ja tietämykselle. (Gutier-rez 2017.) Chaim Zins (2007) kuvailee tutkimuksessaan datan (datumin) ominaisuuksia.
Sen nähdään mm. olevan yksi pienimmistä keräiltävistä yksiköistä, jonka avulla ilmiöitä
voidaan selittää. Dataa voidaan pitää perustavanlaatuisena kerroksena symbolisessa maa-ilmassa. Datalla ei itsessään ole merkitystä, mutta se on silti merkityksellisyyden lähde.
Teknisesti data on joukko digitaalisesti tallennettuja merkkejä. Data on informaatiota nu-meraalisessa muodossa, jota voidaan digitaalisesti tallettaa, lähettää ja käsitellä. Ontolo-gia datan olemuksesta on vielä epäselvä. Ongelma on siinä tulisiko data mieltää aineetto-maksi vai materiaaliseksi hyveeksi? (Gutierrez 2017.)
Data on myös osa tiedon arvoketjua. Tiedon arvoketjulla on useita määritelmiä, mutta yleisesti ottaen sen katsotaan koostuvan neljästä elementistä, jotka ovat: data, tieto, tietä-mys ja viisaus. Tieto jalostuu hierarkisena jatkumona tiedon arvoketjussa datasta tietoon, tiedosta tietämykseen ja tietämyksestä viisauteen. Tiedon arvoketjun avulla pystytään jä-sentämään erilaisia tiedon ilmenemismuotoja ja niiden käyttöä. (Kuusisto-Niemi 2016, 34-37.)
Nykyajan datataloudessa kuluttaja nähdään markkinoilla aktiivisena osapuolena. Ilman kuluttajan aktiivista osallistumista, dataa ei synny. Suurimmat dataa keräävät ja hyödyn-tävät yhtiöt kuten Facebook, Google, Alibaba, Apple, Microsoft ja Amazon keksivät alati uusia keinoja saada klikkauksia, jotta ne pääsisivät hyötymään kuluttajien luomasta data-virrasta. Mediajättien palveluistaan keräämien tietojen rinnalle on nousemassa uusi da-tankeräysmalli, jossa kuluttajat itse tuottavat itsestään henkilökohtaista tietoa. Dataa voi-daan tuottaa esimerkiksi liikunnallisista aktiviteeteistä, ruokailutottumuksista ja rahan- ja ajan käytöstä. Henkilödataan liittyvien patenttien määrä, onkin lisääntynyt huomattavasti viimeaikoina. (Pantzar 2017, 419.)
Yuval Noah Harari (2018) tutkii massa-dataan kohdistuvia uhkakuvia. Hän kokee uhka-kuvien tarkastelun tärkeänä, koska yritykset ja innovaattorit pyrkivät ylistämään uusia luomuksiaan ja uutta teknologiaa, tuomalla esiin vain positiivisia puolia ilmiöstä. Siksi tutkijoiden, filosofien ja historioitsijoiden tehtäväksi jää uusien innovaatioiden ja tekno-logian kriittinen arviointi. (Harari 2018, 13.) Harari on erityisen kiinnostunut massa-dataa hyödyntävästä algoritmistä. Massa-data algoritmia voidaan käyttää niin hyvään kuin pa-haankin. Etenkin terveydenhuollossa algoritmeillä voi olla järisyttäviä vaikutuksia yksi-lölliseen hyvinvointiin. Biometrisen datan ja informaatioteknologian avulla sairauksia voidaan seuloa ja valvoa reaaliajassa. Täten esimerkiksi syöpä voitaisiin havaita ja hoitaa
jo sairauden alkuvaiheessa, ennen kuin henkilö alkaa tuntea itsensä sairaaksi. Vastapai-nona ympärivuorokautisesta terveyden seurannasta henkilö joutuu kuitenkin luopumaan yksityisyydestään. Biometrisen- ja informaatioteknologisen datan avulla tekoäly voi ana-lysoida halujasi, päätöksiäsi ja mielipiteitäsi. Massa-data algoritmia voidaan käyttää myös kansalaisten valvontaan, esimerkiksi Kiina ja Venäjä voisivat olla erittäin kiinnos-tuneita tällaisesta teknologiasta. (Harari 2018, 63-67.)
Omadata (myös mydata) tarkoittaa ihmiskeskeistä henkilötietojen hallinta- ja hyödyntä-mismallia, jossa kansalaisille annetaan oikeus oman datansa hallinnointiin. (Poikola ym.
2018, 4.) Ihmiskeskeisyys määritellään THL:n (2016) mukaan asiakaslähtöisyyttä laa-jemmaksi kokonaisuudeksi, jossa huomioidaan kaikkien toimijoiden ja vaikuttavien teki-jöiden näkökulmat ihmistä auttavana ja helpottavana kokonaisuutena. Ihmiskeskeisessä ajattelussa jokaista ihmistä ajatellaan yksilöllisenä, mutta se kattaa myös yhteisöjen toi-minnan ja yhteiskunnallisen toimivuuden ja edun tavoittelun. Ihmiskeskeisyys pyrkii edesauttamaan parempaa elämää kestävän ja jatkuvan kehityksen kautta, yhteiskunnassa, yhteisöissä ja yksilöissä. (THL 2016.)
Omadata ajattelu rakentuu ihmiskeskeisyyden ympärille. Siinä kansalainen itse pystyisi hyödyntämään, hallitsemaan ja luvittamaan hänestä kerättyä tietoa, kuten esimerkiksi liikkumis-, terveys- tai taloustietoja. Tavoitteena ihmiskeskeisellä datan hallinnalla on luoda yhteentoimivuutta ja edistää uusien palvelumallien syntymistä dataa hyödyntävien alustojen kehittyessä. Omadata ajattelu sovittaa yhteen korkeat tietosuojavaatimukset, yksilön oikeudet, datan saatavuuden ja toimimisen liiketoimintaympäristössä. Omadata on globaali kehitysvaiheessa oleva ilmiö ja tulevaisuuden malli, jonka ympärille kertyy uutta liiketoimintaa ja teknologiaa. Mallin yleistyminen voi merkittävästi vauhdittaa da-tatalouden kehitystä ja uusien ekosysteemien syntymistä erityisesti painavan tietosuojan ympäristöissä. (Poikola ym. 2018, 4.)
Pohjoismaisessa ajatellussa korostetaan kuluttajaa datatalouden palveluiden käyttäjänä.
On kuitenkin syytä tarkastella henkilödatan ympärille kerääntyviä markkinoita. Näh-däänkö palvelut todella kuluttajan palvelemisena vai kenties suurten korporaatioiden jär-jestelmällisenä hyväksikäyttönä? Palveluiden digitalisoituessa ja omadatamallia käyttöön
otettaessa valtiolla onkin keskeinen rooli siinä, kuinka se tässä datatalouden yhteiskun-nassa asemoituu. Pyrkiikö se korostamaan kansalaisten roolia, oikeuksia ja yksityisyyttä oman datansa tuottajana vai seuraako se kenties datatalouden suuryritysten viitoittamalla tiellä, keräten kansalaisista dataa, voimistaakseen omaa asemaansa. (Pantzar 2017, 420.)
Suomessa on vastikään hyväksytty kaksi uutta lakia, siviilitiedustelulaki HE 202/2017 (Eduskunta 2019) sekä toisiolaki HE 159/2017 (Sosiaali- ja terveysministeriö 2019a), jotka periaatteessa antavat valtiolle lisää valtuuksia sekä mahdollisuuksia kerätä dataa kansalaisista. Molempiin lakeihin sisältyy viranomaisohjauksen ja valvonnan mahdolli-suus. Periaatteessa valtiollinen tiedonkeräysmekanismi olisi siis mahdollista myös Suo-messa. Sosiaali- ja terveydenhuollon palveluista kerättävien asiakas- ja potilastietojen tie-tosuojaa sääntelee Suomessa EU:n yleinen tietosuoja-asetus, jota on täydennetty ja täs-mennetty kansallisella lainsäädännöllä. Kansallisella tasolla asiakkaan tietosuojan huo-mioivat tietosuojalaki (1050/2018), laki potilaan asemasta ja oikeuksista (785/1992), ase-tus potilasasiakirjoista (298/2009), arkistolaki (831/1994), laki sosiaalihuollon asiakkaan asemasta ja oikeuksista (812/2000), laki sosiaali- ja terveydenhuollon asiakastietojen köisestä käsittelystä (159/2007), laki sosiaalihuollon asiakirjoista (254/2015), laki säh-köisestä lääkemääräyksestä (61/2007) sekä terveydenhuoltolaki (1326/2010). (Sosiaali- ja terveysministeriö 2019b.)
Valtiollinen tiedonkeräys voidaan kuitenkin nähdä myös hyvänä asiana. Avainkysymyk-senä on kuinka tietoa käytetään. Jos ihmisellä ei ole mahdollisuutta itse hyötyä kerätystä henkilötiedosta, niin se ei noudata omadatan periaatteita. Sen tarkoituksena on tuoda yk-silölle datan hyötynäkökulma tasavertaisena yksityisyydensuojan rinnalle. Periaatteessa pyritään maksimoimaan datasta koituvat hyödyt ja minimoimaan yksityisyyden suojan heikkoudet. (Poikola ym. 2018, 5.)
Datan omistajuus on esiintynyt myös yhteiskunnallisissa keskusteluissa. Datan omista-juus käsitteenä on kuitenkin hankala ja onkin parempi puhua oikeuksista henkilötietoihin.
Omistaminen on helppo ymmärtää esimerkiksi irtaimiston omistamisena. Data taas on tietoa ja tieto luokitellaan taloustieteissä kilpailemattomaksi hyödykkeeksi. Pääsääntöi-sesti dataan tai tietoon ei siis kohdistu yksinoikeuksia. Myös julkishallinto käsittelee run-saasti lakisääteisiä henkilötietoja. Omadata periaatteiden mukaan ihmisillä on oikeus
nähdä ja käyttää myös julkishallinnon keräämää dataa lainsäädännön puitteissa. Joihinkin viranomaistehtäviin henkilötietojen käsittely on välttämätöntä. Ihmiset eivät voi esimer-kiksi poistaa itseään verottajan rekisteristä nojaten omadatan periaatteisiin, koska verot-taja tarvitsee henkilötietoja verotusta varten. (Poikola ym. 2018, 20.)
Harari pitää yhtenä suurimpana tulevaisuuden poliittisena kysymyksenä sitä: Kuka datan omistaa? Hän pitää dataa tärkeimpänä omaisuuden muotona tulevaisuudessa. Tällä het-kellä datan keräys tapahtuu pitkälti suurten informaatioteknologia yritysten, kuten Googlen, Facebookin, Baidun ja Amazonin taholta. Nämä yritykset myös omistavat suu-ret määrät asiakkaidensa henkilökohtaista dataa. Vaihtoehtona on myös valtioiden val-tuuttama datan kansallistaminen, jolloin valtiot omistaisivat datan. Molemmissa mal-leissa on uhka data diktatuureille, jolloin yksi taho valvoo, hallinnoi ja manipuloi mas-soja. Kolmas vaihtoehto on oman datan yksityinen omistaminen. On kuitenkin vielä hie-man epäselvää kuinka tällainen malli voitaisiin toteuttaa. Yksi vaihtoehto on omadata-malli. Poliitikoilla, lakimiehillä ja filosofeilla on kuitenkin mietittävää siinä, miten datan omistusta voitaisiin säännellä. (Harari 2018, 92-95.)
Kuvio 3. API ekosysteemi, organisaatiokeskeinen alusta ja MyData-malli (Poikola ym. 2018, 38)
Omadata mallissa oikeus omaan dataan ja tietojen hallinnointiin nähdään digitaalisen ajan ihmisoikeutena (Poikola ym. 2018, 23.) Omadata liikkeessä lohkoketjuteknologiaa tai laajemmin ajateltuna hajautettujen tilikirjojen teknologioita (distributed ledger technolo-gies) pidetään varteenotettavana alustana, etenkin digitaalisen identiteetin turvallisena mahdollistajana. Lohkoketjut nähdään myös liiketoimintaverkostoina datan jakamisen sekä organisaatioiden ja yritysten välillä. (Poikola 2018, 77.) Kuviossa 3. esitellään API ekosysteemimalli, keskitetty organisaatiokeskeinen aggregaattorimalli sekä omadata-malli. (Poikola ym. 2018,38.)