Exceleitä, numeroita ja taulukoita – ainekset parempaan työllisyydenhoitoon osaamiskeskeisten ratkaisujen turvin

Helsingin kaupungin työllisyyspalveluissa työskentelevä erityissuunnittelija Maj Paanala elää odottavia aikoja. Vuosi 2024 on jo tukevasti loppupuolella, mutta ensi vuoden alussa laajasti käyttöönotettavan asiantuntijan työmarkkinatorin tietomalli on edelleen vieras. Osaamiskeskeiset ratkaisut työllisyydenhoidon analysoimiseksi siintävät kuitenkin mielessä jatkonkin osalta ja toiveena on, että laadukasta dataa saataisiin valjastettua paremman arjen luomiseksi niin työnhakijoille kuin Helsingin työllisyyspalvelujen 700 hengen asiantuntijajoukollekin.

Katson työkseni Exceleitä, numeroita ja taulukoita.

Maj Paanala, Helsingin kaupungin työllisyyspalvelut

Maj Paanala on ForeAmmatin aamukahveilla puhumassa datasta ja sen hyödyntämisestä asiakasohjauksessa. Aihetta voi lähestyä monelta kantilta, eikä mikään näkökulma tunnu olevan Paanalalle vieras. Paanala kertoo työkseen tutkia ja katsoa Exceleitä, numeroita ja taulukoita. Nykyinen tehtävä olisi tuskin näyttänyt todennäköiseltä työnkuvalta lukion lyhyen matematiikan arvosanojen perusteella tai edes teoreettisen filosofian maisteritutkinnon jälkeen. Lopulta data vei kuitenkin Paanalan mukanaan.

Data tehostaa työllisyyspalvelun arkea

Helsingin kaupungin tavoitteena on uudistaa työllisyydenhoitoa tehostamalla kaikkea tehtävää työtä, jakamalla resursseja uusiksi ja pyrkimällä toimimaan työnhakija-asiakkaan tilanteen ja tarpeiden mukaan.

Päivittäisen tilannekuvan luomiseksi Helsingissä on kehitetty pilvipohjainen algoritmimalli, jolla työnhakijan palvelutarvetta voidaan analysoida aiempaa notkeammin. Mm. Ura-järjestelmän muuttujia on hyödynnetty algoritmin kehitystyössä ja mukaan on otettu myös muita tietolähteitä. ForeAmmatin työmarkkinatietoja käytetään Helsingissä paljolti asiantuntijoiden työkaluna. Lisäksi ForeAmmatin osaamiskartoituksen tehneitä työnhakijoita on Helsingissä toista tuhatta.

Paanala näkee, että datatyöllä on vaikutusta myös työllisyyspalvelujen työntekijöiden arjessa. Sen sijaan, että yksittäisen asiantuntijan pitäisi olla kaiken aikaan tietoinen kaikista mahdollisista datalähteistä olevien tietojen yksityiskohdista, toimiva datamalli vähentää kognitiivista rasitusta asiantuntijatyössä tuoden asiantuntijan käyttöön olennaista tietoa asiakasohjauksen tueksi.

Data hajallaan ja osin hajalla

Meistä kaikista on hyvin paljon olemassa tietoa eri viranomais- ja muissa rekistereissä. Tätä hajallaan olevaa pirstaleista dataa on kuitenkin hyvin hankalaa saada hyödynnettyä kootusti ja systemaattisesti. Helsingin työllisyyspalveluilla on kuitenkin uraauurtavaa toimintaa mm. Kelan ja Tulorekisterin kanssa. Palvelujen vaikuttavuutta pystytään arvioimaan, kun tarkastellaan Tulorekisterin tietojen kautta pääasiallisen tulonlähteen muutosta työllisyyspalvelun asiakkuuden jälkeen. Aivan yksinkertaista tämäkään ei ole, sillä Tulorekisterin tietojen hyödyntäminen edellyttää tutkimuslupaa, jolla on monenlaisia reunaehtoja.

Eikö kaikkea dataan liittyvää voisi ratkaista helposti koneopilla ja tekoälyllä? Paanalan mukaan koneoppivia malleja on kokeiltu Helsingin kaupungillakin, mutta laihoin tuloksin. Työllisyyteen liittyvä data on monin osin ollut laadullisesti heikohkoa. Esimerkiksi Uran hakuammattitietoa ei ole voinut käytännössä hyödyntää koneoppivien mallien datalähteenä. Kyseisen tiedon osalta on liian paljon erilaisia merkintäkäytäntöjä sekä puhtaasti virheellisiä ja vanhentuneita kirjauksia, eikä välttämättä tiedetä, milloin tieto on syötetty järjestelmään. Osaamiskeskeisyyden korostaminen vaatiikin siis dataa eri lähteistä. Toisaalta tarvitaan dataa, mitä työnhakija osaa, mutta myös, vastaako osaaminen niitä tehtäviä, joihin asiakas haluaisi päästä.

Tulevaisuuden tavoitteeksi Paanala nimeää tarpeen saada hyödynnettyä monenlaisia ennakoivia tietoja, jotta työllisyyspalvelujen työ olisi työnhakijan nykyhetkeen reagoinnin lisäksi rohkeammin eteenpäin katsovaa. Esimerkkinä voisi olla erilaisten palveluiden esitteleminen ja tarjoaminen paremmin asiakkaan historian, nykytarpeiden sekä tavoitteiden myötä.

Riittävätkö resurssit?

Aamukahvittelijoille on satavarmasti kertynyt kuulemansa myötä ideoita, ajatuksia ja tarpeita tulevaa koskien. ”Miten osaamiskeskeiset ratkaisut hyödyttäisivät meitä ja meidän aluettamme jatkossa?” ”Mistä luotettavaa osaamisperusteista dataa olisi saatavilla?” Osaammeko me itse luoda ja hyödyntää dataa?”

Näiden osalta Paanala on realisti. Joka kunnassa tai edes jokaisella työllisyysalueella homma ei onnistu tuosta vain. Kyse on monen tasoisesta resurssikysymyksestä. Esimerkiksi dataosaamisen taso, mahdollisten tutkimuslupien hankinta ja siihen liittyvä byrokratia sekä tietysti itse tutkimuksen tekeminen edellyttävät monenlaista osaamista. Ja tietysti raha ja aika itse datatyön tekemiseen on monesti tiukassa.

Apua ja tukea saatavilla

Mainituista haasteista huolimatta Paanala kuitenkin lohduttaa, että yksin ei kenenkään tarvitse kaikkea ratkaista, sillä saatavilla on myös kaupallisia palveluja, sovelluksia ja yrityksiä, jotka pystyvät auttamaan, opastamaan ja konsultoimaan erityisesti osaamiskeskeisen datan osalta. Ja on myös palveluntarjoajia, joilla voi olla rikastettua dataa ostettavaksi ja hyödynnettäväksi.

Foredatan kautta on esimerkiksi saatavilla dataa, joka tukee asiantuntijaa työnhakijan relevanttien hakuammattien määrittämisessä.

Pienikin askel osaamiskeskeisen datan systemaattiseen hyödyntämiseen voi tuntua isolta, jos se on ensimmäinen. Kun tavoitteena on tehdä parempaa arkea työnhakijoille ja työllisyyspalvelun työntekijöille, jokaisella askeleella on merkitystä, eritoten sillä ensimmäisellä.

Lämmin lokakuinen aamukahvihetki eteni joutuisasti hyvässä seurassa ja Foredatan kaupallisen johtajan Jukka Suontaustan ohjauksessa. Jukka muistuttikin lopuksi, että myös Foredata tekee koko ajan työtä osaamiskeskeisen datan eteen. Tuleville Työllisyysalueille on ELYn maksamana saatavilla ForeAmmatin osaamiskartoituspalvelu asiakkaiden itsenäisen työnhaun tuen digipalveluna jopa 10 kuukaudeksi. Kysy lisää!

Kiitokset aamukahveille osallistujille ja erityiskiitos Majlle erittäin mielenkiintoisesta puheenvuorosta!