Luovuus on ihmisen kykyä tuottaa uutta. Luovan prosessin vastakohta ei kuitenkaan ole logiikka tai data, vaan vanhan toistaminen – rutiini.

 

Datasta ja sisältöihin keskittyvästä luovasta työstä on totuttu puhumaan toisiaan täydentävinä osina. Ja näin todella onkin: juuri mitään sisällön tai konseptin suunnittelua ei enää tänä päivänä tehdä ilman asiaankuuluvaa dataa markkinoista, kohderyhmästä ja sen toiveista. Kun ratkaisu on valmis, se testataan toimivaksi mittaamalla ja tuunaamalla – ja vielä kerran mittaamalla. Data inspiroi, data ohjaa, ja data voi olla myös luovan ratkaisun keskiössä kunniapaikalla eli itse sisältönä.

Datasta ja luovuudesta siis saa ja pitää puhua samassa lauseessa. Niiden yksisilmäinen vastakkainasettelu altistaa kuitenkin ajatusvirheelle. Sisältöjen luonnista ja ideoinnista puhutaan usein ”luovana työnä”, ja siihen yhdistettynä data edustaa logiikkaa ja ”napin painallusta”. Väitän, että totuus on kuitenkin särmikkäämpi. Jos määritelmällisesti luovuus on kykyä luoda uutta, sen vastakohta ei löydy datasta. Luovuuden vastakohta on vanhan toistaminen eli rutiini.

Lähes kaikesta ihmisen tekemästä työstä on löydettävissä luova osuus. Joskus se on lopputuote (vaikkapa nerokas mainoskonsepti tai aivan uusi makuyhdistelmä), joskus taas luovuutta ja ongelmanratkaisukykyä vaaditaan työn sujuvoittamisessa (ravintolan pöytäkartan suunnittelu). Se, puljataanko työssä Pantone-karttojen, pirtelöiden vai funktioiden kanssa, ei kuitenkaan aukottomasti määrittele sitä, onko kyse luovasta työstä vai rutiinista. Sitä ei välttämättä tee myöskään lopputuote. Yksinkertaistaen: työn tulos voi olla jäätävä Excel, mutta prosessi, joka siihen johti, äärimmäisen luova.

 

Web-analyytikon työhön saattaa kuulua monenlaista nappien painelua, mutta aivan erityisesti siihen kuuluu luovaa ongelmanratkaisua ja strategiatyötä. Aloittelevalle analyytikolle usein suurin yllätys on usein se, ettei täydellisen datapankin keräämiseen olekaan olemassa yhtä kaavaa. Saman bisneksen mittaussuunnitelma voidaan tehdä monella eri tapaa, ja samoja muuttujia voidaan käyttää tuhansiin eri tarkoituksiin. Kun sivuston tavoitteita määritellään ja työpajassa takarivistä heitetyt jäsentelemättömät toiveet muutetaan datan rakenteeksi ja laskennallisiksi muuttujiksi, on luotu uutta jo monessa kerroksessa. Tägitysvaiheessa luovuutta sovelletaan koodiin asiakkaan sivuston teknologian ehdoilla. Datan visualisointi puolestaan edellyttää esteettistä silmää. Kun lopulta päästään analysoimaan tuloksia ja muuttamaan numerot toimenpidesuosituksiksi, pääsee analyytikko kaapimaan pohjatkin luovuuden sammiostaan.

Erään määritelmän mukaan luovuus on siltojen rakentamista toisiinsa näennäisesti liittymättömien asioiden välille. Se voi olla havaintojen muuttamista oivalluksiksi ja tarinoiden kerrontaa. Sitä kaikkea on parhaimmillaan myös numeroiden analysointi. Data ei siis pelkästään tue luovaa työtä – data on osa osa sitä.

 

Mitä merkitystä tällä kaikella luovuuspuheella ja rutiinien määrittelyllä sitten on? Juuri nyt paljonkin. Ensinnäkin kyse on työn johtamisen kulttuurista. Jos luovaa työtä johdetaan erehdyksessä rutiinina, lopputulos on laiha. Esimerkiksi web-analytiikka – olipa se sitten organisaation sisäistä tai ulkoa palveluna ostettua – ei koskaan maagisesti mene paikoilleen tai muutu hyödylliseksi ilman, että siihen valjastetaan oman alueensa asiantuntijoita ympäri taloa. Dataa, jonka tarvetta kukaan ei osannut kertoa ajoissa, ei kerätä. Älä siis tilaa “perus-implementointia”, koska sellaista ei ole. Kerro toiveesi ja osallistu mittauksen suunnitteluun, niin lopputulos on toimiva ja hyödyllinen.

Toinen syy liittyy rutiinien tunnistamisen tärkeyteen yleisesti. Tiedämme nyt, että kaikki se, mikä on rutiininomaista vääntämistä, kannattaa automatisoida – ja lopulta automatisoidaan. Koneoppiminen ja keinoäly tulevat vääjäämättä tekemään jo lähitulevaisuudessa nykyistä suuremman osan siitä työstä, jossa ei vaadita suurta luovuutta tai humaania otetta. Jotta koneoppimisen mahdollisuudet voidaan oikeasti tunnistaa, on ensin tunnistettava ne osat työstä, jotka automatisoituvat helpoiten. Jos sinä et sitä tee, sen tekee kilpailijasi. Lopulta parhaiten menestyy se, joka pystyy tehokkaimmin erottamaan omasta työstä rutiinit ja keräämään riittävästi (ja kekseliäästi) dataa niiden automatisoimiseksi.

Älä kuitenkaan tyydy helppoihin vastauksiin, vaan ole avoin. Rutiineja, kuten myös luovuutta, voi löytyä yllättävistäkin paikoista.