Analytiikkaratkaisua päivitettäessä on siirtymäprosessiin valmistauduttava huolellisesti. Tarkka suunnittelu takaa vähemmän yllätyksiä ja nopeamman tien kohti tiedon uusia ulottuvuuksia. Kokosimme yhteen 5 asiaa, jotka on hyvä huomioida siirtymäprosessiin valmistauduttaessa.
Analytiikkaratkaisun päivittäminen kokonaan uuteen tai osittainen uudistaminen voi tulla eteen monesta syystä. Kun yrityksen kokonaisarkkitehtuuriin tulee muutoksia, on usein kustannustehokasta siirtyä tietyn tuoteperheen ratkaisuihin. Myös jo pidempään agendalla ollut pilvisiirtymä on luonteva paikka tarkastella käytössä olevia ratkaisuja ja niiden soveltuvuutta muuttuvaan toimintaympäristöön. IoT-datan hyödyntäminen asettaa myös uudenlaisia vaatimuksia analytiikkaratkaisuille.
Olemassa olevan analytiikkaratkaisun vaihtoon liittyvän siirtymäprosessin on hyvä olla suunniteltu mahdollisimman tarkasti jo etukäteen. Tarkempi suunnittelu takaa vähemmän yllätyksiä ja nopeamman tien kohti tiedon uusia ulottuvuuksia. Alle olen koonnut 5 tärkeää asiaa, jotka on hyvä huomioida toteutuksen suunnittelussa:
Olemassa olevasta raportoinnista tulisi selvittää, miten hyvin se palvelee nykyisiä ja tulevia tarpeita, ja miten sitä voisi kehittää. Perinteisiin liiketoiminnan indikaattoreihin kuuluu toimialan mukaan talous, asiakkuus, myynti, markkinointi, toiminnallinen tehokkuus, toimitusketjut, työntekijä- ja yritysvastuumittarit. Liiketoimintatietoa voidaan laajentaa edistyneen analytiikan avulla siitä, mitä on tapahtunut, siihen, mitä tulee tapahtumaan. Nykyisen raportoinnin pohjalla olevaa tietoa saatetaan haluta joiltain osin karsia ja joiltain osin rikastamaa, jotta voidaan saavuttaa myös sellaista tietoa, mitä ei ole aikaisemmin ollut saatavilla.
Raportoinnin tarpeiden pohjalta kootaan hallittuja kokonaisuuksia tietomalleiksi. Yhtenäisyyden avulla tiedon hyödyntämisen mahdollisuudet paranevat ja useamman raportin tarpeet saadaan täytettyä keskitetysti. Yhtenäisten tietomallien avulla ylläpidolliset tehtävät voidaan tehdä keskitetymmin eikä samoja tietolähteitä hyödyntävä tieto jakaudu useaan pieneen osa-alueeseen, jolloin myös työmäärä muutosten jälkeen voi moninkertaistua. Tiedon määrällä on myös iso merkitys siinä, miten tietoa on kustannustehokasta hyödyntää ja mitä tietoa halutaan mahdollisesti arkistoida vähemmän tarkemmalla tasolla. Tiedon määrä ja laskentatehon vaatimukset vaikuttavat siihen, millaisiin tietomalliratkaisuihin päädytään.
Hankkeen laajuus ja sille ominaiset työvaiheet vaikuttavat kokonaisaikataulun suunnitteluun. Siirtymässä huomioidaan mm. mahdolliset tuotantosyklit, joiden puitteissa muutos tulisi toteuttaa. Uuden ja vanhan järjestelmän rinnakkaisuus on hyvä olla mahdollisimman tarkkaan suunniteltu, jotta aikataulu ei jää kuitenkaan liian tiukaksi. Aikataulutuksessa suunnitellaan työvaiheiden riippuvuudet toisistaan, mihin vaikuttaa merkittävästi myös yrityksen omien resurssien sovittaminen kaikkiin vaihtoon liittyviin työvaiheisiin. Määrittelyn ja validoinnin lisäksi tarvitaan oman henkilöstön aikaa myös uuden järjestelmän käyttökoulutukseen.
Toimintamallin suunnittelussa on tärkeää tietää työn ja vastuiden jakautuminen omien resurssien ja analytiikkaratkaisun tarjoajien välillä. Mitkä ovat niitä osa-alueita mitä toteutetaan itse ja mitä palveluita ostetaan? Säilytetäänkö ylläpito, henkilöstön koulutukset ja tuki hankkeen jälkeen palvelusopimukseen vai siirtyykö vastuu toteutuksen jälkeen kokonaan kohdeyritykselle itselleen? Vastuun jakautumiseen löytyy luonnollisesti malleja niin täyden palvelun analytiikkaratkaisun ulkoistamisesta aina kokonaan in-house toteutettuun kokonaisuuteen ja erilaisiin hybrideihin näiden ääripäiden välillä.
Tiedon hyödyntämisen kannalta oleellista on Data Governance eli tiedonhallinnan organisoinnin malli, johon kuuluu tiedon saatavuus, käytettävyys, yhdistettävyys ja tietoturva. Tiedon hyödyntämisen prosessien ylläpitämiseen löytyy tiedonhallinnan työkalut ja taustaprosessit. Hannu Muurinen kertoo blogikirjoituksessaan tarkemmin, miten saat tietopääomasta enemmän irti.
Analytiikkaratkaisun hyödyt saadaan tulosten pohjalta tehtyjen liiketoimintaa johtavien päätösten ja toimien kautta. Yksilötasoisen osaamisen varmistaminen lisää sitoutumista tulosten tulkintaan. Mietitty koulutussuunnitelma, jossa löytyy eri kohderyhmille suunnattuja oppimispolkuja, on yksi tehokas väline, jolla valmentaa ja vahvistaa datan hyötykäytön osaamispohjaa. Käyttäjäkoulutuksen avulla saadaan varmistettua mahdollisimman laaja yleisö ja tulosten siirtyminen käytäntöön. Olemassa olevien raporttien tulkinnan lisäksi uusien löydösten selvittäminen vaatii kehittäjätasoista osaamista, jota tarvitsevat raportoinnin kehittäjien lisäksi myös omatoimiraportoijat. Raportoinnin saumaton saatavuus taas taataan analytiikkapalvelun ylläpidollisella osaamisella.
Digitalisoitumisen myötä muodostuu yhä enemmän mahdollisuuksia kerätä arvokasta dataa. Hyödynnettävää dataa voi kerätä yrityksen sisäisesti kuin myös esimerkiksi ostaa tietoa tai hakea julkista avointa dataa. Tarpeellisen ja tärkeän tiedon tunnistaminen on avainasemassa, jotta hyödyt ja kustannukset ovat oikeassa suhteessa. Datan kerääminen ja hyödyntäminen on strateginen päätös, jonka avulla voidaan saavuttaa huomattavaa kilpailuetua ja parempia tuloksia.