Analytiikan Fast Track – Miten pääset alkuun datan ja analytiikan hyödyntämisessä

Tiedolla johtamisesta on puhuttu jo vuosia ja tänä päivänä sen pitäisi olla helpompaa kuin koskaan. Dataanhan suorastaan hukkuu, sillä yritysten järjestelmiin jää lähes kaikesta digitaalinen jalanjälki, laitteista saadaan dataa IoT:n avulla ja myös ulkoisia datalähteitä on tarjolla runsaasti. Modernit pilvialustat taas tarjoavat skaalautuvan ja helposti käyttöönotettavan teknologiaperustan datan keruuseen, varastointiin, analysointiin ja raportointiin. Jos kerran data ja välineet sen työstämiseen ovat niin helposti saatavilla, miksi me Digialaiset olemme viimeisen vuoden aikana olleet mukana kymmenissä caseissa, joissa asiakkaan viesti on: ”tulkaa auttamaan meidät alkuun”?

Kun pitäisi oikeasti päästä sanoista tekoihin, datan ja analytiikan hyödyntäminen onkin yllättävän monitahoinen aihepiiri, jossa vaaditaan näkemystä niin liiketoiminnasta kuin teknologioistakin. Yhtäkkiä ei olekaan selvää, mikä osa satojen tietotaulujen tuhansista muuttujista on riittävän relevanttia kamaa kunkin päätöksentekijän raportille. Tai miksi tarvittava data pitäisi varastoida Data Vault -menetelmällä (mitä se edes tarkoittaa)? Tai mitä ihmettä teknologiatarjoajan alustan eri komponenteilla oikein tehdään?

Näihin ja moniin muihin kysymyksiin vastataksemme olemme muodostaneet datan ja analytiikan hyödyntämisen liikkeellelähtöjä varten paketin – tiiviin, työpajoihin perustuvan esiselvitysprojektin – jota kutsumme nimellä ”Analytiikan Fast Track”. Avaamme tässä kirjoituksessa keskeisimpiä oppeja Fast Track -selvitysten parista.

Mitä informaatiota liiketoiminta tarvitsee?

Datan ja analytiikan hyödyntämistä ei koskaan pitäisi edistää työntämällä: ”tässä on pelit ja vehkeet, ottakaa tai jättäkää”. Päinvastoin liiketoiminnan tarpeiden tulisi ohjata sitä, mitä dataa käytetään ja millä tavalla sitä jalostetaan.

Kun me autamme asiakkaitamme analytiikan polulle, lähdemme aina liikkeelle keskustelemalla liiketoiminnan kanssa. Mitä informaatiota tarvitsette päivittäisessä tekemisessänne? Mistä näkökulmista ja kuinka tarkalla tasolla asiaa katsotte? Kuinka usein informaation tulee päivittyä? Onko näköpiirissä muutoksia, jotka tulevat vaikuttamaan informaatiotarpeisiinne?

Liiketoimintatarpeiden tunnistamisen osalta yritykset ovat hyvin eri tasoilla. Osa on kartoittanut ne systemaattisesti, kun taas osalla voi olla vain karkea ajatus tarpeista. On myös huomattava, että aina liiketoiminta ”ei tiedä, mitä pitäisi haluta”, jolloin inspiroivalle työpajalle esimerkiksi muista yrityksistä poimittujen käyttötapausesimerkkien kera voi olla tarvetta. Erityisen tärkeää inspirointi ja innovatiivisuus ovat silloin kun liiketoimintojen kanssa pyritään hahmottamaan perusraportoinnin sijaan/lisäksi edistyneen analytiikan ja tekoälyn käyttötapauksia.

Lue myös blogi: Onko analytiikkaratkaisun uudistaminen ajankohtaista? Ota ainakin nämä 5 näkökulmaa huomioon

Mistä tarpeita vastaava data saadaan?

Liiketoiminnan tarpeiden selvittämisen jälkeen on syytä koota kertyneet palaset yhteen. Millaisia käsitteitä liiketoiminta pyörittelee informaatiotarpeisiinsa liittyen ja miten käsitteet liittyvät toisiinsa? Tässä kohtaa tarpeen on usein käsitemallinnus eli kuvan muodostaminen keskeisimmistä käsitteistä ja niiden välisistä yhteyksistä.

Yhteen vedettyä käsitemallia vasten on helpompaa miettiä, mistä käsitteiden alle saadaan konkreettinen data. Datalähteitä voi helposti kertyä kymmenkunta: ERP, CRM, MES, budjetointijärjestelmä, markkinoinnin automaatiotyökalu sekä erilaiset liiketoimintojen erityisratkaisut – unohtamatta mahdollisia ulkoisia lähteitä. Jokaisen kohdalla on tärkeää tunnistaa vähintäänkin rajapinta, miten lähteestä saadaan tietoa. Toki vaikkapa kantarakenne tauluineen vie ymmärrystä vielä pidemmälle. Tämä voi kokemustemme mukaan olla yllättävän haastavaa, sillä lähteiden syvällinen ymmärrys saattaa olla esimerkiksi kolmansien osapuolten tai poislähteneiden työntekijöiden takana. Jälleen muistutus dokumentaation tärkeydestä!

Aina kun puhutaan datasta, on syytä olla myös kriittinen. Onko data laadukasta vai esiintyykö siinä usein puuttuvia tai jopa virheellisiä tietoja? Tiedetäänkö, missä kunkin käsitteen osalta sijaitsee master data eli virallinen, säännöllisesti ylläpidettävä ”totuus” tietystä käsitteestä? Jatkon kannalta oleellista on ymmärtää myös datan määrä ja päivitystiheys. Vaikkapa IoT-lähteestä millisekunneittain kerättävä data on määrältään ja hyödyntämisen luonteeltaan todennäköisesti hyvin erilaista kuin kuukausittain päivittyvä tapahtumadata.

Millä alustalla ja miten?

Data virtaa lähteestä raportille data-alustan kautta. Moderni data-alusta on lähes poikkeuksetta pilvessä – oli se sitten Microsoft Azure, Amazon AWS tai joku muu. Alustan suhteen yritykset ovat niin ikään erilaisissa tilanteissa. Osa vasta harkitsee käyttöönottoa, kun taas osalla alusta saattaa olla perustettu, mutta sisältöä on rajallisesti tai ei lainkaan.

Data-alustalla on monta tehtävää. Sen avulla kerätään dataa lähteistä raakamuodossa, jotta kaikki mahdollisesti arvokas data olisi alkuperäisessä muodossaan tarvittaessa saatavilla. Sen avulla varastoidaan dataa – esimerkiksi sen kuuluisan Data Vault -menetelmän mukaisesti, jolloin tietovarasto on helposti laajennettavissa. Sen avulla myös jalostetaan dataa yksinkertaisista tietotaulujen liitoksista koneoppimismalleihin. Sen avulla muodostetaan datasta raportointikelpoisia aineistoja, joiden hyödyntäminen liiketoiminnassa on suoraviivaista ja helppoa. Ja lopulta sen avulla myös näytetään informaatiota taulukoiden ja visuaalisten käppyröiden muodossa päätöksentekijän verkkokalvolle.

Data-alustaan liittyy vahvasti teknologiat ja niiden osakomponentit. Kehitys on tällä rintamalla varsin vauhdikasta ja eri toimittajien paletin tunteminen vaatiikin jatkuvaa hereillä oloa. Tyypilliset kysymykset koskevat sitä, mitä teknologiakomponentit käytännössä tekevät, millaisia ominaisuuksia niihin liittyy tai mikä olisi kustannustehokkain ratkaisu eri vaihtoehdoista.

Miten siis edetään?

Kun ymmärrystä on lisätty riittävästi edellä kuvatuilta aihealueilta, on aika suunnitella, miten konkreettisesti edetään – vai edetäänkö ollenkaan? Tämä tarkoittaa muun muassa vaiheistusta, priorisointia, henkilötyötunteja ja euroja. Laaditaan esimerkiksi pitkän aikavälin tiekartta tarvittavista kehitystoimenpiteistä tai vaikkapa ensimmäisen raportoinnin käyttötapauksen projektisuunnitelma. Niistä on hyvä ponnistaa eteenpäin.

Kokemukset Analytiikan Fast Track -selvityksistä ovat olleet poikkeuksetta positiivisia. Meiltä toimittajan puolelta varmasti tulee datapolun alussa taivaltavalle uutta hyödyllistä teknistä tietoa tai inspiroivia esimerkkejä. Merkittävin anti harjoituksesta on kuitenkin se, että asiakkaan oman henkilöstön päistä saadaan viisaus hyötykäyttöön systemaattisen kartoituksen kautta. ”Saimme tekemiseen rakennetta”, kuten eräs asiakkaamme totesi.

Oletko itse miettimässä, miten yrityksessäsi päästäisiin datan ja analytiikan hyödyntämisessä seuraavalle tasolle? Ota yhteyttä, niin katsotaan, auttaisiko ”nopea kaista” sinua tekemään mahdollisimman hyvän päätöksen!