10.05.2017

Siiloutuminen on digitalisaation este

Hei,

Kerron tässä blogissa ajatuksiani data-vetoisesta digitalisaatiosta sekä uudenlaisesta tavasta rakentaa sovelluksia. Tätä lähestymistapaa hyödyntävät maailman suurimmat amerikkalaisyritykset Googlesta Wal-Martiin.

Moni on ehkä törmännyt paljon keskustelua aiheuttaneen LinkedIn postauksen Risto Siilasmaalta:

”Miten on mahdollista, että Finnair, joka tietää minusta lähes kaiken (osoitteeni, puhelinnumeroni, perheeni tiedot jne.) ja jolle säännöllisesti kerron vielä paljon lisää (passitiedot, luottokortin tiedot jne.) kysyy minulta oman applikaationsa kautta tapahtuvassa check-inissä kymmenen kertaa vuodessa minkä maan kansalainen olen? Miten on mahdollista, että Amazonista voin ostaa yhdellä napin painalluksella melkein mitä vaan, mutta Finnair ei kykene säilyttämään tietojani järjestelmässään, jotta check-in olisi automaattinen?”

Tätä on somessa spekuloitu paljon, eikä tarkoitukseni osallistua tähän keskusteluun. En siis ota kantaa meille Suomalaisille niin rakkaaseen yritykseen tai tuon ongelman juurisyihin, mutta näin tässä mielenkiintoisen aiheen ja näkökulman digitalisaatioon.Keskitytään tässä asiakasdatoihin, mutta tässä esitetyt periaatteet pätevät kaikkiin tietoihin. Asiakasdataa kertyy Finnairin kaltaiseen yritykseen paljon. Kerran talletettu tieto pitäisi olla käytettävissä, kun sitä tarvitaan; vanha periaate on: tallenna kerran käytä monta kertaa. Harvassa yrityksessä on vain yksi asiakasdataa sisältävä järjestelmä. Asiakasdataa kertyy moniin järjestelmiin siis siiloutuneesti. Usein vain ei edes tiedetä missä eri järjestelmissä mitäkin asiakasdataa on.

Ensimmäinen askel on tutkia ja kuvata, missä eri järjestelmissä asiakasdataa on ja kuvata nämä tiedot (käytän tähän kehittämääni menetelmää Hovi Data Framework, edellisessä blogissani kerroin siitä tarkemmin). Joistakin järjestelmistä on kuvauksia, mutta varsin tavallista on, että kuvaukset ovat puutteellisia tai puuttuvat kokonaan. Silloin tehdään data-arkeologiaa. Tähän on monta menetelmää, mutta lopputuloksena on selkeät käsitemallit sovellusten tiedoista. Seuraavaksi laaditaan tavoitetilan käsitemalli, joka kuvaa asiakasdatat yhdistettynä eli 360 asteen näkymä asiakkaista. Tämä on tavoitetilan malli. Samalla asiakastiedot määritellään, esimerkiksi puhutaanko varsinaisista asiakkaista vai prospekteista.

Nyt siis tiedämme mitä dataa meillä missäkin järjestelmässä on ja miten asiakaskokonaisuus voidaan nähdä.  Käsitemalli antaa hyvän kokonaiskuvan asiakkaista. Määritelmien avulla puhutaan paremmin samaa kieltä. Aletaan myös huomata mitä dataa meillä ei ole.

Tällaisesta käsitemallista on suurta hyötyä. Seinälle ripustettu käsitemalli on mainio kommunikoinnin väline, kun keskustellaan IT:n ja liiketoiminnan välillä. Se voi estää kalliit ja varsin yleiset väärinkäsitykset toimittajan kanssa neuvoteltaessa. Hyvä kuva (käsitemalli) kertoo enemmän kuin tuhat sanaa (vain sanalliset vaatimusmäärittelyt). Se on osa reaalimaailmaa kuvattuna digitalisaatiota varten.

Seuraavat askeleet riippuvat tarpeista. Mistä uusi applikaatio saa datansa? Tuon esille arkkitehtuuriratkaisun, joka palvelee tietojen raportointia, BI-ratkaisuja ja analysointia. Samalla se tukee myös uusien applikaatioiden tekemistä.

Rakennetaan laajennetun käytön tietovarasto, jota kutsun tässä data platformiksi (mukana esim hadoop-pohjainen Data Lake). Tuodaan eri järjestelmissä hajallaan olevat asiakastiedot integroiden yhteiseen ja yhteiskäyttöiseen tietovarastoon eli data platformiin. Edellä mainittu tavoitetilan käsitemalli on lähtökohta platformin suunnittelulle. Asiakastiedot ovat yrityksen masterdataa, joiden hyvä kuvaus meillä siis on. Data platformiin tuodaan myös asiakkaisiin liittyviä tapahtumia. Näin rakennetaan perusta raportoinnille, analyyseille ja data scientiestien tutkimuksille. Tässä käytössä tietojen laatuongelmat tulevat esille ja niihin voidaan puuttua. Tiedot saadaan kaukaa järjestelmien uumenista omiin käsiin.

Uutena asiana tulee, että samaa data platformia voidaan käyttää myös applikaatioiden tietokantana, teknologiasta ja suorituskykytarpeista riippuen joko suoraan tai siitä muodostettuna erillisenä kantana. Hyvin suunnitellun, kaiken asiakasdatan sisältävän tietokannan päälle on nopea rakentaa uusia applikaatioita ja digitaalisia palveluja. Esimerkiksi asiakkaille tarjottava käyttöliittymä asiakkaan omien tietojen katseluun. Nykyteknologia mahdollistaa entistä reaaliaikaisemman data platformin.

Väitän, että moni ei ole tietoinen tästä menettelytavasta. Yleensä liiketoiminnan vastuuhenkilö tilaa applikaation ohjelmistofirmalta, eikä hajanaisen datan ongelmaa siinä vaiheessa oteta huomioon. Ongelma siis on se, että liiketoiminta digitalisoi erillisiä toimintoja omassa siilossaan ottamatta huomioon, että missä kaikkialla esimerkiksi asiakasdata sijaitsee ja miten tätä dataa voisi hyödyntää uusien sovellusten tilaamisessa. Juuri silloin osa tärkeistä datoista jää pois ja sitä kysytään asiakkaalta uudelleen.

Data platform ei korvaa hankittavia perusvalmisohjelmistoja tai räätälöityjä laajoja sovelluksia. Monet uudet kevyet sovellukset ja digitalisaatioapplikaatiot ovat hyviä data platformin kandidaatteja. Oli uudelle palvelulle sopivan ratkaisun valinta sitten data platformin päälle rakennettu applikaatio, uusi erillinen valmisohjelmisto tai olemassa olevan järjestelmän laajennus, voidaan valinta tehdä tietoisesti, kun nyt tiedämme mitä dataa meillä on eri järjestelmissä ja lisäksi meillä on kokonaiskäsitemalli asiakaskokonaisuudesta.

Kaiken a ja o on vaiheinen toteutustapa: tehdään data platformista sellainen, että esim. asiakasdata on heti käytettävissä ja hyödynnettävissä digitalisaatiossa (sen päälle voidaan rankentaa siis applikaatioita) ja sitten vaiheittain liitetään siihen muut datat. Data platformia laajennetaan asteittain.

Kyseessä on paradigman muutos. Data täytyy nähdä koko yrityksen näkövinkkelistä, ei jonkin sovelluksen tai organisaatioyksikön näkökulmasta. Vain siten yrityksen arvokas data-assetti –  kuten asiakastiedot – alkavat tuottaa oikeasti hyötyjä liiketoiminnalle. Yhdenmukaisilla data platform-ratkaisuilla säästetään työtä ja rahaa, kun vältytään erillisratkaisuilta. Ajoissa mallintamalla nähdään potentiaaliset sudenkuopat. Omakotitalon suunnitelmiin (vrt. käsitemalli) tehtävät muutokset ovat halpoja piirustuspöydällä mutta kalliita myöhemmin (vrt sovelluksessa).

 

Ystävällisin terveisin,
Ari Hovi

Tulevaa:

Kevätkauden viimeinen ulkomaalainen tähtipuhuja olisi William McKnight Yhdysvalloista. Hän on todella kysytty pääpuhuja isoissa tilaisuuksissa ja todella kova asiantuntija.

Tämän valmennustilaisuuden aiheena on tutustuminen NOSQL-teknologioihin. Aihe on erittäin ajankohtainen ja osa tiedonhallinnan isoa paradigman muutosta.

Tutustu kurssin sisältöön tästä

Meillä juuri laaditaan 2017 syksyn kurssikalenteria. Mukana on nyt paljon uusia kursseja, kuten:

Käytettävyys ja käyttäjäkeskeinen suunnittelu, ohjelmistorobotiikka ja SAP-projektien toteutus

Tulossa on myös MongoDB, Data Quality, Fast Track to Master Data Management sekä Master Data Governance. Edelle mainittujen kurssien sisällöt eivät ole vielä kurssikalenterissa, mutta ilmestyvät sinne kevään aikana, pysy siis kuulolla!

Tuomme niin ikään jälleen vahojen suosittujen ulkomaalaisten gurujen lisäksi uusia alan vaikuttajia Suomeen useita 2017 syksyn aikana.

Voit tutustua osaan syksyn kursseista tästä

Olemme ottaneet tavaksi julkaista LinkedInissä data-alan artikkeleita, blogeja sekä muuta materiaalia. Seuraa meitä siis LinkedInissä tästä.

Saattaisit olla kiinnostunut myös näistä

Microsoft Fabric: Shortcuts

Lue lisää

Data Lakehouse -projektit käytännössä: Kokemuksia asiantuntijoilta

Lue lisää

Eettinen tiedonkäyttö: Vastuullisuuden peruspilarit

Lue lisää