Datan muuttaminen liiketoiminnan arvoa tuottavaksi hyödykkeeksi on kehitysmatka, jonka aikana yrityksen on muutettava tapaansa toimia, hallita ja käsitellä dataa. Datasta saatavat hyödyt lisääntyvät sitä mukaa, kun yrityksen tiedolla johtamisen kyvykkyydet kehittyvät. Tarvitaan visio, jossa datalla on keskeinen rooli yrityksen arvonluonnin kannalta. Lisäksi johdolta vaaditaan sitoutuneisuutta ja resursseja. Datan hallinnalle tulee myös määritellä selkeä omistajuus sekä roolit ja vastuut. On ymmärrettävä, että data on yksi yrityksen arvokkaimmista liiketoimintatekijöistä, jonka arvo riippuu datan laadusta, merkityksellisyydestä ja laajuudesta.
Eri liiketoimintayksiköiden ja toimintojen tulisi tunnistaa käytössään oleva tieto-omaisuus (eng. data assets) datasta saatavien liiketoimintahyötyjen varmistamiseksi esim. seuraavilla alueilla:
Kuva 2.7.1 Arvonluonti datasta
Arvon luominen datasta ja muuttuminen dataa hyödyntäväksi yritykseksi vaativat koko yrityksen kattavaa visiota. Keskeisiä menestystekijöitä datajohtajuuteen tähtäävässä transformaatiossa ovat seuraavat:
Kuva 2.7.2 Dataa hyödyntävän yrityksen tunnusmerkit
Seuraavassa listassa on esitelty asioita, jotka parantavat yrityksen mahdollisuuksia hyödyntää dataa paremmin:
Pyrkimys kohti datalähtöisesti johdettua yritystä määritellään yrityksen strategiassa.
Data on arvokasta yritykselle vain silloin, kun sitä hallitaan ja kehitetään oikein ja se on saatavilla. Tieto-omaisuuden malli (eng. data asset model) määrittelee seuraavat näkökulmat:
Nämä eri näkökulmat voidaan esittää timantin seitsemänä eri tahkona. Liiketoimintahyödyt voidaan parhaiten saavuttaa silloin, kun timantin kaikki osat ovat erinomaisessa kunnossa.
Kuva 2.7.3 Tieto-omaisuuden eri näkökulmat
Data-analytiikka (tiedon louhinta) tarjoaa arvokasta liiketoimintatietoa analysoimalla eri näkökulmista ja lähteistä peräisin olevaa tietoa. Tyypillisiä tiedon lähteitä ovat esimerkiksi liiketoimintaratkaisut, tietokannat, sovellusrajapintojen kautta avoimesti saatavilla olevat tiedon lähteet ja sensoreista peräisin oleva tuotantodata.
Kuva 2.7.4 Yleiskuva data-analytiikasta
Perinteinen liiketoimintatiedon hyödyntäminen (eng. business intelligence) käsittelee deskriptiivistä eli kuvaavaa analytiikkaa, jossa liiketoiminnan tapahtumia, mitä on tapahtunut ja miksi, pyritään selittämään historiallisen datan avulla. Datatiede (eng. data science) käsittelee sen sijaan prediktiivistä eli ennakoivaa ja preskriptiivistä eli ohjailevaa analytiikkaa. Niissä näkemyksiä ja tulevaisuuden ennusteita pyritään luomaan datasta löytyvien kaavojen pohjalta: Mitä todennäköisesti tulee tapahtumaan? Mitä päätöksiä ja toimia tulisi tehdä, jotta liiketoiminta menee oikeaan suuntaan?
Näkemyksiä asiakaskäyttäytymiseen voidaan saada esimerkiksi testaamalla samanaikaisesti kahta eri vaihtoehtoa (A/B testaus). Dataa kerätään eri asiakasryhmistä ja tarkastellaan, kuinka se korreloi palveluiden ja tuotetarjooman eroavaisuuksiin. Esimerkiksi verkkokauppa voi ohjata osan asiakkaista verkkosivun uuteen versioon ja vertailla, miten tämän ryhmän käyttäytyminen eroaa niistä asiakkaista, jotka käyttävät edellistä versiota.
Reaaliaikainen datan käytettävyys ja datasensoreihin perustuva IoT tukevat operatiivisten prosessien, palveluiden ja varallisuuden optimointia.
Liiketoimintaprosessit kulkevat eri liiketoimintaratkaisujen ja datalähteiden läpi, ja sen vuoksi datavirrat ja integraatiot ovat olennainen osa bisnesteknologian johtamista. Ilman integraatioita data jää siiloihin ja palvelee vain tiettyjä ryhmiä. Kun datasiilot avataan ja yhdistetään muista lähteistä peräisin olevan datan kanssa, tarjoaa se uusia näkökulmia ennen kaikkea raportoinnin ja analysoinnin osalta. Datavirroilla on myös merkittävä rooli useampien sisäisten tai ulkoisten järjestelmien automatisoinnissa.
Integraatioita voi toteuttaa usealla eri tavalla:
Integraatiot sisältävät paljon muitakin kuin teknisiä integraatioelementtejä, ja ne ovat siksi monimutkaisempia kuin mitä yleensä ajatellaan. Esimerkiksi tietoturvan, käyttöoikeuksien ja virheiden hallinnan vaatimukset aiheuttavat usein ylimääräistä työtä. Monissa tapauksissa organisaatiot voivat vähentää tarvittavien integraatioiden määrää käyttämällä laajoja sovellusalustoja. Kun alusta takaa datan ja prosessien yhdenmukaisuuden, tulee integraatiosta saumaton.
Data-kyvykkyysmalli (eng. data capability model) on toiminnallinen kuvaus siitä, miten yritys voi luoda arvoa datan avulla. Bisnesteknologiastandardin toimintamalliin pohjautuva data-kyvykkyysmalli korostaa kyvykkyyksiä, joita tarvitaan datatuotteiden ja -palveluiden suunnitteluun, kehittämiseen ja käyttämiseen. Tunnistettuja kyvykkyyksiä käytetään myös perusteena roolien määrittelylle, jotta voidaan varmistaa tarvittava osaaminen ja vastuut.
Data-kyvykkyysmalli noudattaa suunnittele/rakenna/käytä -kehityskulkua ja on myös muilta osin linjassa bisnesteknologian johtamisperiaatteiden kanssa. Alla olevan kuvan tummanharmaat osa-alueet keskittyvät dataan, mutta kulkevat käsi kädessä muiden osa-alueiden kanssa. Usein samat ihmiset ja hallintoelimet tekevät liiketoimintaa, teknologiaa ja dataa koskevat päätökset samalla kertaa, mikä on välttämätöntä liiketoiminta-arvon luonnin kannalta.
Kuva 2.7.5 Datakyvykkyydet
Dataroolien määrittely ja nimeäminen on tärkeää datan omistajuuksia ja hallintaa määriteltäessä. Keskeisiä datarooleja on yhteensä yksitoista ja ne jakautuvat läpi organisaation liiketoiminta-, data-, ja teknologiayksiköihin.
Kuva 2.7.6 Dataroolit
Datajohtaja – on vastuussa dataan liittyvästä liiketoiminnan kehityssuunnitelmasta ja nimittää dataomistajat omalla liiketoiminta-alueellaan.
Dataomistaja – on vastuussa datan käyttötapausten ja lopputulosten suunnittelusta. Dataomistaja varmistaa datan laadun.
Datapäällikkö – tuntee datan sisältö- ja laatutarpeet ja toimeenpanee prosessimuutokset.
Datakäyttäjä – vaikuttaa datan arvoon käyttämällä ja luomalla uutta dataa. Datakäyttäjä varmistaa, että datan laatu noudattaa sovittuja määrityksiä.
Data-hallintojohtaja – (eng. Business Technology Data Officer, BTDO/Chief Data Officer) johtaa keskitettyä datatoimintoa ja dataan liittyviä palveluita sekä luo rakenteen tieto-omaisuudelle.
Datatoimialueen päällikkö – fasilitoi keskustelut kehitysaloitteista ja määrittelee datan laadun koko datatoimialueella. Datatoimialueen päällikkö mahdollistaa datan kehittämisen yli toimialuerajojen.
Data-arkkitehti – Määrittelee datan designin eli datan keruun, varastoinnin ja datavirrat organisaation läpi.
Data-asiantuntija – Toimeenpanee datan ylläpidon, datan siivouksen sekä muut datapalvelut. Datatieteilijä (engl. Data Scientist) on yksi data-asiantuntijoista, joka analysoi trendejä ja kaavoja, joita voidaan hyödyntää liiketoiminnassa ja liiketoiminnan johtamisessa.
Palvelupäällikkö – on vastuussa datapalveluiden määrittelystä, rakentamisesta ja johtamisesta.
Pääkäyttäjä – on edistynyt käyttäjä, joka auttaa muita käyttäjiä ratkaisujen järkevässä käytössä. Pääkäyttäjä panee aluille kehitys- ja muutospyynnöt käyttäjäryhmien puolesta.
Palvelutukihenkilö – palvelee loppukäyttäjiä palvelupisteessä tai teknisenä palveluasiantuntijana.
Data-hallintomalli tuo ohjauksen ja kontrollin datan johtamiseen. Yrityksen visio ja strategia luovat suunnan datastrategialle. Datastrategia luo tavoitteet tieto-omaisuuden johtamiselle ja määrittelee datan johtamisen periaatteet. Data-hallintomalli määrittelee rakenteen päätöksenteolle, mikä pitää sisällään keskustelualustat, tapaamiset, ohjauksen, valvonnan ja polut eskaloinnille. Selkeät roolit ja omistajuudet selkeyttävät vastuita, ja käytännöt määrittelevät noudatettavat prosessit, luovat tarvittavat standardit ja mahdollistavat valvonnan.
Kuva 2.7.7 Datan hallinnointi ja päätöksenteko
Data-hallintojohtajan johtama datatoiminto auttaa liiketoimintaa datan johtamisessa ja datasta saatavan arvon varmistamisessa organisoimalla datan suunnittelun, kehityksen, valvonnan, hallinnon sekä operaatiot ammattimaisella ja kustannustehokkaalla tavalla.
Keskitetty datatoiminto varmistaa yhtenäiset työskentelytavat, datan johdonmukaisuuden sekä tarvittavan osaamisen. Organisaation rakenteesta ja kulttuurista riippuen myös kopioitu tai yhdistetty malli voi olla sopiva.
