Turvallisuusjohtamisen tulisi perustua työpaikoilla hyvään suunnitteluun, jossa hyödynnetään monipuolisesti ja ennakoivasti tietoa turvallisesta työskentelystä. Työterveyslaitoksen AI Safety -hankkeessa etsitään koneoppimismenetelmien avulla uutta tietoa siitä, miten organisaatioiden kannattaa kehittää toimintaansa liittyvää tiedonkeruuta työturvallisuuden näkökulmasta.
Tiedolla johtamisen peruskysymys on se, mihin perustamme työturvallisuuden johtamisen ja johdammeko turvallisuutta faktalla vai fiktiolla. Tämän kokonaisuuden voi myös avata osakysymyksiin:
- Millaiseen tietoon toimintamme perustuu tällä hetkellä?
- Millaiseen tietoon sen pitäisi perustua?
- Mitä tiedämme tiedon hallinnasta ja sen prosessoinnista?
- Mitä tiedämme ihmisen kyvystä käsitellä tietoa?
- Mitä tiedämme tietoon liittyvästä viestinnästä?
- Millaiset mahdollisuudet organisaatiossamme on hyödyntää tietoa ennakoivaan toimintaan?
- Mistä tietotarve syntyy organisaatiossamme?
Organisaatioiden toiminnan seurauksena syntyy runsaasti erilaista dataa. Näiden datojen hyödyntäminen työturvallisuuden ja työhyvinvoinnin kysymysten ratkaisemiseen vaatii aktiivista lähestymistapaa tiedolla johtamisen peruskysymykseen.
Työpaikoilla tulisi olla hyvät mahdollisuudet analysoida omia työturvallisuuteen ja työhyvinvointiin liittyviä tietojaan. Useissa tuotantoyrityksissä kerätään säännöllisesti tapaturma- ja sairauspoissaolotietoja, vaaratilanne- ja läheltä piti- sekä riskinarviointiin ja laiteturvallisuuteen liittyviä tietoja.
Lisäksi niillä voi olla käytössään tietoa työhygieenisistä ja työympäristön tilaa koskevista mittauksista, kemikaaleista ja psykososiaalisesta kuormituksesta. Miten tämä kaikki tieto saadaan nivottua sujuvasti päivittäisjohtamiseen ja suunnitteluun? Tähän löytyy jo malleja isoimmista yrityksistä.
Erilaiset menetelmät, työkalut ja tekniikat mahdollistavat yhdistetyn tiedon ja datan analyysin. Tämä on luonut uudenlaisia mahdollisuuksia analysoida eri lähteistä saatua tietoa niin, että sitä voidaan yhä paremmin hyödyntää työtapaturmien ja työstä aiheutuvien kuormitustekijöiden ehkäisemiseen.
Tässä yhteydessä voidaan puhua ”hiljaisista signaaleista” eli tiedon louhinnalla tuotetusta tiedosta, jota tavanomaisia tilastomenetelmiä hyödyntämällä ei saada tuotettua.
Tiedon louhinnalla voidaan yhdistetystä datasta jäljittää syy–seuraus-tekijöitä, joita ei aikaisemmin ole todennettu. Kysymys on tiedon priorisoinnista eli siitä, minkä tiedon tai tietojen ensisijainen hyödyntäminen antaa parhaan mahdollisen tuloksen, kun kriteerinä on esimerkiksi kustannushyöty turvallisuuteen ja terveyteen vaikuttamisen, ympäristönsuojelun tuloksellisuuden tai ilmastonmuutokseen vaikuttamisen suhteen.
Datoja yhdistämällä ja analysoimalla organisaatiot voivat tuottaa yhtenäistä, reaaliaikaista ja vertailukelpoista tietoa välittömien toimenpiteiden ja suunnitelmien laatimisen perustaksi.
Tämän toivotaan vähentävän inhimillistä kärsimystä, mutta tuovan myös säästöjä sairauspoissaolo- ja tapaturmakustannuksissa, henkilöstön vaihtuvuudessa sekä laatu-, laitekorjaus- ja materiaalikustannuksissa ja hallinnollisissa kustannuksissa.
Tiedon louhimisella ja tutkimisella pyritään löytämään yhteisiä rakenteita eri tietomateriaalien välillä. Näin parannetaan organisaatioiden kykyä laatia ennusteita.
Tämä ei koske pelkästään vahinkotietoja vaan myös positiivisia, onnistumisia koskevia tietoja. Näitä voivat olla motivaatiota ja työhyvinvointia lisäävät tiedot, kuten positiiviset turvallisuushavainnot, yhteistyöhön kannustavat tekijät ja asiakastyytyväisyyteen yhteydessä olevat tekijät.
Turvallisuusjohtamisessa voisi olla mahdollisuus hyödyntää paljon nykyistä enemmän organisaatiossa syntynyttä tietoa. Turvallisuuteen ja organisaation muuhun toimintaan liittyvän datan avulla muodostuva tieto työturvallisuuden tilasta on turvallisuusjohtamisen ydin. Tämän tiedon täytyy kuitenkin perustua todelliseen tilanteeseen.
Omassa organisaatiossa tuotetun tiedon lisäksi on hyödyllistä täydentää sitä myös muualla tuotetulla tiedolla.
Lisätietoja:
Turvallisuusjohtamisen kehittäminen tiedon louhinnalla - AI Safety (tutkimushankkeen esittely)
Kommentointi