Jos ostaisit uuden auton kauppiaalta, hyväksyisitkö ettei sitä toimitettu sellaisena kuin kuvittelit sen saavasi. Pystyisit osoittamaan tilauspaperilta poikkeavuudet ja pyytäisit kauppiasta korjaamaan virheen. Kauppias lopulta korjaisi osoitetut virheet ja toimittaisi tismalleen saman auton korjattuna tilauksesi mukaiseksi. Olisitko tyytyväinen? Hyväksyisitkö tilanteen? Et varmasti. Miksi siis hyväksyisimme datatoimitusketjulta vastaavaa? Eikö datakin voisi viimein nauttia samasta etuoikeudesta, tuotteen asemasta? Ehkä jopa Premium-tuotteen asemasta! Datavirheen korjaus, kuten virheellisen auton toimitus, kuuluu tehtaalle eli dataa tuottavalle organisaatiolle. Toisin sanoen juuri sinne, missä virhe on alun perin syntynytkin - datan tuotantolaitokselle. Kuluttajaa ei kiinnosta miten ja kuinka tehokkaasti auto saapui kauppiaalle. Kuluttajaa tosin ilahduttaa se, että toimitusketju toimi luvatusti ja täytti asetetut odotukset. Poikkeukset harmittavat: kauppiaskin, ainakin keskimäärin, haluaa kokea ylpeyttä tuottamastaan palvelusta ja meitä kuluttajina muistetaankin usein asiakaskokemuskyselyillä. Datatoimitusketjusta voidaan löytää aivan vastaavat roolit: joku luo dataa ja toinen kuluttaa sitä (joskus kyseessä on sama taho). Näitä rooleja yhdistää datatoimitusketju, jota tulee johtaa. Kenen tai minkä roolin tulisi sinun organisaatiossasi kantaa tämä vastuu datan johtamisesta? Pitäisikö datakuluttajankin olla kiinnostunut siitä, miten optimaalisesti data toimitettiin hänelle?
Data-as-a-product: data tulee nähdä tuotteena
Datatuotteestasi on tullut tärkeä vasta sitten, kun saat ensimmäisen reklamaation sen käyttöön liittyen.
Data on tuote. Tuotteen laatu ja käyttökokemus vaikuttaa merkittävästi sen käyttöönottoon. Paljon puhuttu dataohjautuvuus elää toimivasta kokonaisuudesta. Datatuotteestasi on tullut vasta sitten tärkeä, kun saat ensimmäisen reklamaation sen käyttöön liittyen! Datan tuottajan tulee kantaa ylpeyttä siitä, että hänen datatuotteensa palvelee asiakkaitaan parhaalla mahdollisella tavalla.
Toimitusketjuanalogian käyttäminen datan johtamisen yhteydessä ei ole uusi asia globaalisti, mutta Suomessa se on jäänyt aivan liian vähälle huomiolle. Mitä termejä ja vertauskuvia me olemme sitten aiemmin käyttäneet, jos emme datatoimitusketjua? Kun katsomme historiaan, vastaan tulee monenlaisia termejä ja käsitteitä, kuten "informaationhallinta", "tietovarastointi", "dataputket", "bigdata", "datahallinto" ja paljon muita. Se, mikä näissä termeissä on vialla, on niiden vääristynyt vivahde tärkeimmän, eli johtamisen näkökulmasta. Mieti hetki, mitä tulee mieleen ensimmäisenä tietovarastoinnista, informaatiohallinnasta tai vaikkapa dataputkista; ovatko ajatuksesi kenties teknologiassa? Joko mielesi vaeltaa uudenkarheissa pilvipalveluissa, teknologioissa? Ajattelitko hetkeäkään, mikä on datan kahdesta kohtalon hetkestä se tärkein? Oletko miettinyt mitä ne kohtalon hetket voisivat olla? Niillä ei ole lähtökohtaisesti mitään tekemistä tietovarastoinnin tai dataputkien kanssa. Datan luonnin hetki on tärkein, ja se mahdollistaa kohtalon hetkistä toisen - datan hyödyntämisen. Tyypillisesti monen data-ammattilaisen näkökulma (ja ura!?) keskittyy tähän liikaa jonkinlaisen data-alustan kautta. Sen sijaan meidän tulisi pitää kirkkaana mielessä, kuinka dataa hyödynnetään myös siellä missä se on luotu; erpeissä, CRM-järjestelmissä ja kaikissa niissä palveluissa, joita me omassa arjessa käytämme.
Datatoimitusketju on prosessi, joka yhdistää datan luonnin hetken sen käytön hetkeen. Tämä prosessi jalostaa dataa luokittelemalla ja kuratoimalla sitä, sekä ylläpitää ja hallitsee laatua. Nyt on aivan keskeistä ymmärtää, että jokainen organisaatio ja yritys sisältää tälläkin hetkellä datatoimitusketjuja - useita - mutta vain ani harvassa niiden vaikutusta ymmärretään, sillä tasolla, että niiden vaikutusta voitaisiin mitata, saatikka johtaa. Yksi tärkeimpiä tavoitteitamme on siis asettaa käsitteet paikalleen; sementoida ne siten, että niistä voidaan tässä ajan hetkessä puhua ja näin luoda pohjaa uudenlaiselle, avoimelle keskustelukulttuurille. Laitetaan siis seuraavaksi pääkäsitteet paperille ja käydään ne läpi. Käsitteiden merkitys ja ennen kaikkea niiden sisältö ovat tärkeitä ajattelun ajureita. Voidaan jopa väitelläkin vähän ja tätä kautta oppia jotain uutta!
Johtaminen
Jos datasi laadussa on ongelmia, nämä ongelmat johtuvat lähestulkoon aina liiketoiminnan prosessiongelmista. Nämä ongelmat ja niistä aiheutuvat laatuvirheet on korjattava siellä missä ne syntyvätkin: liiketoiminnan arjessa. Ei suinkaan datatoimitusketjun loppupäässä, missä virheenkorjaus ei lisää arvoa vaan kuluja!
Kun puhumme johtamisesta, datatoimitusketjun johtamisesta, tarkoitamme aina ihmisten johtamista - emme asioiden hallinnointia. Datatoimitusketju on aina koko organisaation asia, alusta loppuun ja sen toiminnan laatu on sen tärkeimmästä palasesta - työvoimasta - kiinni. On siis hyvä muistaa, että kaikki organisaation työntekijät ovat tavalla tai toisella kiinni datatoimitusketjussa ja sen laadun määrittelyssä. Kuvittele kuinka työntekijöiden, asiakkaiden ja sidosryhmien luomat datan palaset muodostavat pieniä datapuroja, jotka kertyvät järjestelmiin ja siitä isompina datajokina loppujen lopuksi tietovarastoihin. Kuvittele kuinka monta erilaista tapaa on tehdä sama prosessi, kuinka monta erilaista tapaa on tuottaa sama arvoketju. Voidaan kysyä, että montako erillistä puroa on ylipäätään fiksua rakentaa (ja ylläpitää!)? Entäpä laadunhallinta? Jos tässä kokonaisuudessa on datalaadullinen virhe, olisiko halvin tapa korjata se virhe siellä missä syntyy vai kyetä arvaamaan montako eri permutaatiota organisaatiosi kykenee tuottamaan samasta datasta? Nyrkkisääntö on: “Niin monta tapaa kuin on tehdä sama asia, myös löytyy!” Virheet tulee korjata ennen niiden syntymistä, yläjuoksulla! Tämän takia puhumme datan kohtalon hetkistä.
Hallinta
Hallinta - dataa voidaan hallita. Datahallinnan ammattikunta voi itse asiassa hyvin. Sille on kuitenkin monessa organisaatiossa annettu oikeiden tehtävien lisäksi myös paljon vääriä vastuita, ne kun kuuluvat organisaatiossa jollekin aivan muulle. Datanhallinnan osaamista siis on ja sitä on hyvin saatavilla. Datasta voidaan jalostaa informaatiota tuomalla sille konteksti. Konteksteja yhdistelemällä voimme saavuttaa tietoa ja kun tiedämme jotain voimme muodostaa näkemyksiä. Jokainen askel eteenpäin voidaan sanoa vähentävän päätöksenteon riskiä. Tämä prosessi on äärimmäisen tärkeä datan toiselle kohtalon hetkelle. Nyt kuvittele, että se ensimmäinen kohtalon hetki olikin kohtalokas. Kuinka paljon kustannuksia ehti kumuloitua matkan varrella, jos data luotiin lähtökohtaisesti huonolaatuiseksi. Tai kuinka paljon huonolaatuinen data heikentää olemassa olevien tai jopa uusien liiketoimintamahdollisuuksien ulosmittaamista. Mikä on datatoimitusketjun RODA (Return Of Data Assets)?
Me osaamme suunnitella ja toteuttaa varsin mallikkaita teknisiä ratkaisuja, osaamme mallintaa dataa tietomalleiksi, viedä malleja tietokantoihin ja hyödyntää näitä mitä oivaltavimmilla keinoilla ja viestiä niistä eteenpäin upeilla graafeilla. Datan puutteita osaamme korjata ydintiedonhallinnalla. GDPR ei tehnyt meille tiukkaa - olihan tietosuoja jo suhteellisen hyvin leivottu ammattikuntaamme ennen regulaation tiukentumista. Emme kanna huolta, etteikö tekniikkaa osattaisi hallita. Datahallinnan osaamista tarvitaan datatoimitusketjun jokaisessa vaiheessa. Luonnissa, logistiikassa ja käytössä. Kyseenalaistava katseemme kohdistuukin johtamiseen ja johtajiin.
Datalogistiikka
Datalogistiikka - eli se mitä kaikkea tapahtuu datan luonnin ja käytön välissä. Otetaan yksinkertainen esimerkki. Kun markkinointi kirjaa myynnille toimenpiteen, kutsutaan tätä usein liidiksi. Liidi itsessään on jo luokittelu, joka kirjataan CRM:ään. Liidi voi olla kuuma jonkin aikaa. Tämä tieto on edelleen saman asian luokittelua ja kontekstin antamista. Liideissä täytyy olla tiettyjä pakollisia informaatiopalasia ollakseen myynnille mielekäs ottaa työn alle - liidien tulee olla laadukkaita. Luodaan siis säännöstö, joka määrittelee mitkä tiedot ovat pakollisia; asiakkaan nimi, yhteystiedot ja kenties ne tiedot, joiden perusteella liidi luokiteltiin kuumaksi. Kuumuus kuratoi liidit omaksi kokonaisuudekseen. Kun kuuma liidi jatkaa matkaa prosessissa, se saa uusia leimoja. Mikäli liididata oli oikeasti laadukasta, oli prosessin seuraavalla vaiheella mahdollisuus olla tehokas rikastamaan ymmärrystä - data jalostui ensin informaatioksi ja siitä tiedoksi, joka mahdollisti toimenpiteen suorittamisen. Mahdollisuudet kauppoihin kasvoivat. Ehkä tarjousvaiheessa osattiin jopa arvioida kaupan arvokin hyvin ja myynnin johto pystyi luottavaisin mielin katsomaan eteenpäin.
Tässä esimerkissä pysyimme yhden operatiivisen järjestelmän sisällä. Data luotiin ja käytettiin saman kontekstin sisällä - kuten usein onkin. Kun tuo datan luonnin hetki on kunnossa, luodaan edellytykset datan hyödyntämisen yhdelle näkökulmalla analytiikalle. Kun puhumme analytiikasta, tarkoitamme kaikkia sen alalajeja, kuten tekoälypohjaisia ratkaisuja, datavisualisointia, kvalitatiivista analyysia, exploratiivista data-analytiikkaa. Palaamme blogissamme myöhemmin tekoälyyn ja datan luontiin.
Paras pääosa: johtaminen. Paras sivuosa: teknologia.
Se paikka, jossa asiat teknisesti tapahtuvat, on painettava sivuosaan. Johtamisen näkökulmasta tulee ymmärtää ensin, mitä haluamme konkreettisesti saavutettavan. Kun tämä on selkeää ja ymmärrettävästi viestitty, onnistumisen edellytykset oikeanlaisen osaamisen, teknologian ja niiden tuomien kyvykkyyksien hankkimiseksi kasvaa merkittävästi.
Data-analytiikka toimii johtamisen tukena tehokkaasti vasta kun pohjat ovat kunnossa. Palataan taas edellä esiteltyyn esimerkkitapaukseemme. Myyntijohtaja tarkastelee liidien määrää, niiden laatua kuumuuden ja kylmyyden suhteen ja huomaa, että mikäli kuumaan liidiin reagoidaan kahden päivän sisään sen luonnista, kaupat onnistuvat merkittävästi todennäköisemmin. Läpimenoprosentin pudotus on huomattavan jyrkkä kolmantena päivänä ja epäonnistuminen lähes varma jo viidentenä päivänä. Datatoimitusketjun tehtävä tässä esimerkissä on mahdollistaa myyntijohtajalle analytiikan kautta mahdollisuus reagoida ajoissa, tarkasti ja luotettavasti myynnin prosessin tarpeisiin. Vastaavasti datatoimitusketjun tehtävä on vastata, ohjeistaa, ja opastaa CRM:n käytön datan luonnin hetket sille tasolle, että prosessia voidaan suorittaa, tarkkailla ja kehittää luotettavasti.
Se paikka, jossa asiat teknisesti tapahtuvat, on painettava sivuosaan. Johtamisen näkökulmasta meidän tulee ymmärtää ensin, mitä haluamme konkreettisesti saavutettavan. Vasta sitten, kun tämä on selkeää ja ymmärrettävästi viestitty, onnistumisen edellytykset oikeanlaisen osaamisen, teknologian ja niiden tuomien kyvykkyyksien hankkimiseksi kasvaa merkittävästi. Vasta tällöin muodostuu ymmärrys tarpeesta johtaa kokonaisuutta, joka on valitettavan usein pilkottu erillisiksi sirpaleiksi liiketoimintafunktioiden ja IT:n välille.
Kuten kaikilla tilastoitavilla asioilla, myös dataan ja sen laatuun voidaan soveltaa koronkorkoa. Nopeiden, halpojen ja muka ketterien ratkaisujen maksunaika tulee ennemmin tai myöhemmin - kuinka paljon korkoa haluat maksaa valinnoistasi? Voimme myös perustellusti kysyä: tiedätkö sinä kuinka kalliita datatoimitusketjusi ovat tällä hetkellä? Moniko toimitusketjun vaihe on esimerkiksi täysin manuaalisten käsipelimenetelmien varassa? Kuinka paljon oman yrityksesi prosessit sisältävät IT-kuluiksi naamioituja epätehottomuuksia? Datatoimitusketjusi tehottomuudet eivät edes näy pelkästään IT-kuluissa vaan pääosin datan toisen kohtalon hetken lähellä: syntymähetkellä ja logistiikassa: liiketoimintayksikköjen arjessa! Jos tämä sai sinut epäilemään omien datatoimitusketjujesi tehokkuutta, huolesi on todennäköisesti täysin aiheellinen. Datatoimitusketjusi voivat siis olla erittäin kalliita jo nyt, tänään, ja ne ovat sitä myös huomenna, mikäli et tee asialle mitään. Olisiko siis aika läpivalaista datan toimitusketjut omassa organisaatiossasi ja selvittää niiden todelliset kustannukset?
-Markku Mäenpää, Datapääoma
Ps. Menikö tunteisiin? Herättikö ajatuksia? Jaa ne meidän kanssa LinkedIn-sivullamme: https://www.linkedin.com/company/datapaaoma/
P.P.s. Verkostoidutaan: https://www.linkedin.com/in/markkumaenpaa/
Kuvitus: Inga Metsola
Comments