Kehämäinen oppiminen ja laatupankit ratkaisemaan rakentamisen toistuvia haasteita

Rakentaminen on digitalisoitumassa. Työmailla urakoitsijoiden työnjohto ja työntekijät kommunikoivat sähköisesti ja älylaite on yhä useamman ammattilaisen taskussa. Muun muassa laatutarkastusten tulokset kirjautuvat mobiililaitteella sijaintiedon ja valokuvien kera.

Rakennusprosessin tuottaman datan määrä kasvaa lähes eksponentiaalisesti. Miten tämän datan voisi valjastaa projektin, yrityksen ja koko toimialan kehityksen moottoriksi? Tähän haasteeseen tarttuu Aalto-yliopiston julkaisema Dataan pohjautuva organisaatioiden oppiminen, Building 2030 -osahankkeen loppuraportti.

Rakentamisen data ei jalostu tiedoksi ja pääomaksi

Rakennusalan maine on jatkuvasti koetuksella. Otsikoissa toistuvat tyytymättömien asukkaiden lausunnot, huonot palvelukokemukset ja budjettiylitykset. Rakennusala on jo tarttunut moniin haasteisiin ja tuloksiakin on syntynyt.

Yksi suurimpia haasteita ja monien ongelmien juurisyy on oppimisessa. Se ei ole vielä riittävän systemaattista; samat ongelmat ja virheet toistuvat aina uudelleen. Yksilöt kyllä siirtävät oppejaan hankkeesta toiseen, mutta yritys ja toimiala eivät kehity kokonaisuutena.

Rakentaminen on muiden toimialojen jalanjäljissä kehittymässä data- ja tietoperusteiseksi. Dataa kerryttävät toiminnanohjausjärjestelmät, tilannekuvaratkaisut ja laadunseurantasovellukset. Kasvava datamassa ei kuitenkaan siirry projektien alavirrasta –tuotannosta ja käyttöönotosta – ylävirtaan, siis hankekehitykseen, suunnitteluun ja hankintaan. Suuri määrä arvokasta tietoa jää siis hyödyntämättä.

Kehämäiseen oppimiseen

Henkilösidonnaisen ja tapauskohtaisen oppimisen sijaan rakentamisessa on siirryttävä systemaattiseen tapaan kerätä, analysoida, tallentaa ja jakaa tietoa. Tutkimus esittää malliksi kehämäistä oppimista.

Yksikehäinen oppiminen keskittyy tuotannon ohjauksen parantamiseen ja nopeaan reagointiin projekteista saadun laadullisen personalisoidun ja määrällisen kodifioidun palautteen perusteella. Tämä oppimisen muoto ratkaisee ilmi tulleita pieniä ongelmia tehokkaasti ja parhaassa tapauksessa parantaa tuotannon ohjausta jatkuvasti.

Kaksikehäinen oppiminen tähtää ongelmien juurisyiden tunnistamiseen ja koko organisaation kyvykkyyksien parantamiseen. Kyvykkyyksiä ovat taitojen ja osaamisen lisäksi niin sanottua rakennepääomaa. Sitä ovat esimerkiksi yrityksen kulttuuri, organisaatio, prosessit ja teknologiat. Myös suhteet yhteistyökumppaneihin ja verkostoihin ovat kyvykkyyksiä. Kun koko organisaation kyvykkyys kasvaa ja toiminta systematisoituu, yrityksen talous ja sen ennustettavuus paranevat samassa suhteessa.

Oppiminen tahtituotannossa

Building 2030 -konsortio on edistänyt tahtituotantoa määrätietoisesti jo vuosien ajan, ja Suomessa jo jopa sadat hankkeet ovat sitä soveltaneet. Jatkuva oppimisen pitäisi olla tahtituotantoon ”sisäänrakennettua”, mutta tutkijoiden tekemät haastattelut ja dokumenttianalyysi osoittivat, että tahtituotannon kehittäminen ja siinä oppiminen kaipaavat lisää systematiikka.

Ratkaisuksi tutkijat esittävät kehämäistä oppimismallia, joka tulisi osaksi yritysten projektiliiketoimintaa. Sen ensimmäisessä kehässä kehitystiimi saa systemaattisesti kerättyä palautetietoa ja kehitysehdotuksia projekteista ja päivittää toimintarakenteita ja tietomalleja vastaavasti. Toisessa kehässä projektin tulosdataa analysoidaan syvemmin ja juurisyitä hakien. Analyysi voi niin ikään johtaa muutoksiin toimintatavoissa ja tietomalleissa.

Rakennuttajan valinnat vaikuttavat tahtituotannossa oppimiseen. Jos asiakkaan tavoitteet ovat epäselviä, tahtituotannon toteutustapa ei välttämättä vastaa asiakastarvetta. Tutkijat esittävät ratkaisuksi operaatiostrategiaa, jolla on selvät numeeriset mittarit, joita vasten tuotanto on suunniteltavissa. Läpimenoaika on vain yksi mittareista eikä välttämättä tilaajan tärkeimpiä tavoitteita tukeva.

Esimerkiksi tuotannon tiheys (m2/henkilö), kuvaa sitä, kuinka tiiviisti työryhmät etenevät sijainnista toiseen. Suuren tiheyden tuotannossa työryhmät toimivat tiiviisti, eräkoot ovat pieniä ja ongelmia on ratkaistava yhteistoiminnallisesti. Tämä korreloi tuotannon läpinäkyvyyden ja laadun kanssa.

Miten laatuhavainnot voisivat johtavaa oppimiseen?

Rakennusaikana laatutiedon mittaus ja analysointi tiivistyy luovutusvaiheeseen, jossa tähtäimenä on ”nolla virhettä”. Mitä laadulle on tapahtunut ennen luovutusta ja mitä toteutuksen ongelmista olisi pitänyt oppia, jää usein pimentoon. Laatuhavaintojen systemaattinen tallennus ja analysointi organisaation oppimisen näkökulmasta vaatisi datan vakiointia ja jakamista yli yritysrajojen.

Laatuhavaintojen tekemiseen työmaalla on useita sovelluksia. Niiden ansiosta kohdennettua tietoa on kyllä saatavissa projekteissa, mutta rakennusalalta puutuu toimialan kokoava laatupankki tai -rekisteri. Väylävirastolla on Silta- ja taitorakennerekisteri ja FISE ylläpitää rakennusvirhepankkia. Niiden sisältö on kuitenkin melko kapeaa eivätkä ne sisällä rakentamisen aikaisia laatu- ja virhehavaintoja.

Muiden toimialojen ratkaisuista kiinnostavimpia ovat THL:n terveydenhuollon kansallisen laaturekisterin pilottiohjelma ja IT-alan hajautettu versionhallintajärjestelmä, Git. Näiden ja muiden järjestelmien piirteistä kannattaa ottaa oppia rakennusalalle. Ainakin tiedon nimettömyys, katto-organisaatio rekisterin ylläpitäjänä, pilottirekisteri ja yhtenäinen datan rakenne ja sisältö kelpaavat malleiksi.

Tulevaisuuden laatupankki on tekoälyllä tehostettu

Mikä olisi laatupankin Minimum Viable Product (MVP) – pienin toimiva versio? Raportti esittää sisällön MVP:lle. Nykyiset laadunhallinnan työkalut tallentavat työvaiheen, ongelman sijaintiin sidottuna ja liitteitä, esimerkiksi valokuvia. MVP vaatisi vain kaksi lisätietoa: laatupoikkeaman syyn ja seurauksen kuvaukset.

Laatuhavainnon syyn kategoriat olisivat poikkeamat suunnitelmissa, materiaaleissa, työn laadussa ja välineissä. Syyn määrittely havaintohetkellä voi olla hankalaa, joten sitä voisi selvittää myöhemmin laatupankissa. Seurausten kirjaaminen olisi niin ikään tärkeää, jotta syy-seuraussuhteita voi luoda. Yleensä havainto vaikuttaa seuraaviin työvaiheisiin. Seurauksen ajallisen ja taloudellisen vaikutuksen arviointi on ehkä jätettävä asiantuntijoiden arvioitavaksi.

Jos laadunhallinnan työkalussa työvaiheeseen voisi tuoda laatupankista esimerkiksi kymmenen yleisintä virhettä, tehtävän alkaessa niitä on helpompi välttää. Virheiden lisäksi olisi syytä tallentaa tietoa hyvistä ratkaisuista, jolloin yleisimpiin virheisiin olisi suositellut ehkäisytavat.

Laatupankin sisällön luokittelu ja analysointi ihmisvoimin on työlästä. Tekoäly ja koneoppiminen pystyvät tehostamaan tätä työtä merkittävästi. Tekoälysovellus voisi analysoida suuriakin valokuva- tai videomassoja ja tunnistaa niistä poikkeamia. Neuroverkot pystyvät myös tunnistamaan datasta syy-seuraussuhteita ja luokittelemaan sisältöä useilla tavoilla.

Mitä seuraavaksi?

Kaikki tekniset edellytykset organisaation ja toimialan oppimisen nostamiselle uudelle tasolle ovat olemassa. Yrityksissä johdon olisi sitouduttava jatkuvaan kehittämiseen strategisesti ja mahdollistettava kulttuuri, jossa virheiden esille tuominen osana oppimista on hyväksyttävää.

Visioita ja tavoitteita määriteltäessä työntekijät ja kumppanit on otettava mukaan keskusteluun. Kiivaan projektityön lisäksi on varattava aikaa pohdiskeluun. Prosessien ja tiedon systematisointi ja helppo pääsy tietoon ovat nekin välttämättömiä oppimisen edellytyksiä.

Yritysten laatupankkien ja alan yhteisen pankin kehittäminen vaativat organisaationsa ja tekijänsä. Yritykset voivat toimia yhteistyössä ohjelmistokehittäjien kanssa ja näin varmistaa, että organisaation oppimiselle syntyy vankka digitaalinen perusta.

Lue loppuraportti