Hei,
Kaikki haluavat olla data driven, ja erityisesti nyt pinnalla on tietysti tekoäly. Osaaminen on kaiken kehityksen keskiössä: onko meillä riittävää osaamista, oikeaa koodausosaamistam ja tunnemmeko uusimmat kielimallit ja kuumimmat työkalut?
Kaikki nämä ovat tärkeitä. Erityisesti pilotointi- ja kokeiluvaiheessa. Mutta kun halutaan saada oikea muutos aikaiseksi, se edellyttää muutosta prosesseissa, ja prosesseja johtavat ihmiset.
Tero Miikki on tässä varsinainen maestro. Hän veti UPM:llä yhden Suomen merkittävimmistä datatransformaatioista ja on nyt yksi Hubin asiantuntijoista.
Haastattelin Teroa siitä, mitkä ovat onnistuneen muutosprojektin kulmakivet, miten dataprojektit muuttuvat tulevaisuudessa tai miten AI muuttaa datatyötö sekä muista ajankohtaisista teemoista.
Miten päädyit data-alalle?
Johannes: Lähdetään liikkeelle ihan alusta. Miten päädyit data-alallem mikä toi sinut tälle uralle?
Tero:
Opiskelin aikanaan tietotekniikkaa, ja ensimmäinen työpaikka valmistumisen jälkeen oli BearingPointilla. Päädyin heti alussa projektiin, jossa tehtiin talousraportointia suuressa metalliyhtiössä, rakennettiin käytännössä raportointialustaa ja tietomalleja.
Voi sanoa, että en tietoisesti “valinnut” dataa, vaan ajauduin siihen. Se työ vei mukanaan.
Tämän jälkeen siirryin Lontooseen Hyperionille BI-arkkitehdiksi, jossa kiersin ympäri Englantia toteuttamassa raportointi- ja analytiikkaratkaisuja asiakkaille. Siitä alkaen data, BI ja tietovarastot ovat olleet mukana jokaisessa roolissa.
Suomeen palattuani menin Accenturelle, ensin management consulting -puolelle, mutta hyvin nopeasti takaisin tietovarastoinnin, arkkitehtuurin, mallinnuksen ja analytiikan pariin. Vedettiin projekteja isoille yrityksille, rakennettiin ETL-ratkaisuja ja tiimejä. Se oli sitä “klassista” tietovarasto- ja raportointimaailmaa.
Merkittävä taitekohta tuli vuonna 2013, kun muutin Yhdysvaltoihin Microsoftille. Siellä tein työtä BI- ja datastrategian parissa: pilvipalvelut, dataleikit, big data, modernit arkkitehtuurit ja uudet laskentamallit tulivat silloin kunnolla kuvaan. Oli etuoikeus nähdä ja oppia, miten maailman isoimpia data-alustoja ja työkaluja rakennettiin, samoja ideoita myydään nyt asiakkaille.
Sen jälkeen tulin takaisin Suomeen Sanomalle, jossa vedin yritystason datatransformaatiota. Ja sieltä UPM:lle, jossa johdin globaalia digitalisaatio- ja datakokonaisuutta. Nyt olen ollut yrittäjänä ja advisorina, ja autan muita hyödyntämään samoja oppeja.
Teknologiasta ihmisiin – mikä on urasi punainen lanka?
Johannes:
Kun katsot uraasi taaksepäin, BearingPoint, Hyperion, Accenture, Microsoft, Sanoma, UPM, näetkö niissä jonkin punaisen langan? Mihin suuntaan tie on sinua vienyt?
Tero:
Alussa se oli aika suoraviivaista: “tehdään teknologiaa”. Tuli projekti, koodattiin nopeasti ja homma oli siinä. Keskityin vahvasti työkaluun, arkkitehtuuriin ja siihen, että ratkaisu toimii teknisesti.
Vähitellen aloin ymmärtää, että pelkkä tekninen onnistuminen ei riitä. UPM:llä tämä konkretisoitui erityisesti, siellä päätin tietoisesti, että jos haluamme viedä isoa muutosta läpi, keskiöön täytyy nostaa ihmiset, ei teknologia.
Suomessa ja muuallakin on paljon osaajia, jotka osaavat rakentaa data-alustoja. Haaste on enemmän siinä, miten saadaan:
- johto sitoutumaan
- kulttuuri liikkeelle
- ihmiset tekemään päätöksiä datan pohjalta
Olen huomannut, että lopulta data vaatii aina päätöksiä – ja päätökset vaativat ihmisiä. Oma roolini on vuosien varrella muuttunut: nykyään näen itseni “liimana” liiketoiminnan, teknologian ja kulttuurin välillä.
Tekniikka on välttämätön, mutta se ei yksin muuta mitään.
Mistä datamuutos yleensä lähtee liikkeelle?
Johannes:
Jos mietitään isoja muutoshankkeita, kuten UPM:ää, millainen on tyypillinen lähtötilanne? Mikä laukaisee tarpeen isommalle muutokselle?
Tero:
Lähtökohta voi olla monenlainen, mutta kolme tyypillistä skenaariota toistuu.
- Johto herää.
UPM:llä korkein johto päätti, että dataa pitää hyödyntää aivan eri tasolla. Nähtiin, että tähän ei oltu panostettu riittävästi ja haluttiin ottaa “jättiloikka”. Taustalla oli myös ymmärrys siitä, että AI tulee, viiden vuoden päästä, karkeasti, ja sen varalle haluttiin rakentaa perusta. - Operatiivinen tarve.
Toisinaan muutos alkaa “lattiatasolta”. Jollain on hyvin konkreettinen ongelma: energianhallinta tehtaalla, tuotannon optimointi, asiakaskannattavuus, tietyt raportit. Kun alat kysellä, huomaat, että vastaavia tarpeita on kymmeniä. - Teknologian elinkaari päättyy.
Kolmas tilanne on se, että vanha järjestelmä tai data-alusta on tulossa tiensä päähän, sitä ei enää tueta, kustannukset karkaavat tai se ei yksinkertaisesti skaalaudu. Silloin on pakko tehdä jotain, vaikka kukaan ei olisi alun perin halunnut “datatransformaatiota”.
Lähtösyy voi siis tulla ylhäältä, keskeltä tai alhaalta. Mutta se, mitä sen jälkeen pitäisi tehdä, on hyvin samankaltaista: tarvitaan suunta, tavoitteet, mittarit ja rakenne tekemiselle.
Pelkkä “ATK:n tekeminen siksi, että se on kivaa” ei enää riitä.
Mitkä ovat onnistuneen datamuutoksen kulmakivet?
Johannes:
Jos tiivistät onnistuneen datamuutoshankkeen muutamaan kulmakiveen, mitkä asiat pitää olla kunnossa, jotta homma ei vesity pelkäksi teknologiaksi?
Tero:
Olen käyttänyt vuosia samaa yksinkertaista rakennetta. Siinä on kuusi kohtaa, mutta kolme ensimmäistä ovat kriittisiä:
- Selkeä suunta ja fokus johdolta.
Johtoryhmän pitää pystyä sanomaan ääneen, mihin dataa ja AI:ta halutaan käyttää. Ei abstraktia “olemme data driven” -puhetta, vaan konkreettisia asioita: esimerkiksi energiakustannusten hallinta, toimitusketjun läpinäkyvyys, tuotantolinjan tehokkuus. Ilman tätä dataprojektit hajoavat sirpaleisiksi hankkeiksi. - Prosessien ymmärrys ja mittarit.
Et voi kehittää mitään, mitä et tunne. Prosessien ei tarvitse olla täydellisen optimoituja, mutta niistä pitää olla riittävä yhteinen näkemys. Lisäksi pitää sopia, miten vaikutusta mitataan, muuten et koskaan tiedä, onnistuiko muutos. - Oikeanlainen datajohtaja / omistajuus.
Tarvitaan henkilö tai ydinjoukko, joka on uskottava sekä liiketoiminnalle että IT:lle. “Liima”, joka:
- vie kokonaisuutta eteenpäin,
- pystyy sanomaan myös “ei”,
- ja pitää fokuksen siinä, mitä kohti ollaan menossa.
Tämän päälle tulevat governance-mallit, ketterä kehittäminen, riskienhallinta jne. Ne ovat tärkeitä, mutta ilman tuota kolmea ensimmäistä ne eivät pelasta projektia.
Moni organisaatio aloittaa suoraan teknologiasta. Kaksi vuotta myöhemmin todetaan, että rahaa paloi paljon, mutta hyöty jäi epäselväksi. Siksi itse aloitan aina kysymällä:
Onko suunta, onko prosessit edes suunnilleen ymmärretty ja onko oikea datajohtaja / sponsori?
Jos vastaus on ei, en suosittele aloittamaan isoa projektia.
Data governance ja omistajuus – entiteetit vai prosessit?
Johannes:
Puhutaan hetki data governance -teemasta. Omistajuus on iso kysymys: kuka omistaa asiakasdatan, tilauksen, prosessin? Miten lähestyt tätä käytännössä?
Tero:
Ensimmäinen periaate on se, että jokainen yritys on omalla tavallaan uniikki, ei teknisesti, mutta kulttuurisesti ja organisaation rakenteen osalta. Siksi governance-malli pitää aina sovittaa ympäristöön.
Toiseksi: toimialalla on väliä.
Teollisuudessa, kuten UPM:llä, monia asioita on luontevaa miettiä prosessien kautta: tuotanto, toimitusketju, energia, kunnossapito. Mediapuolella tai kuluttajaliiketoiminnassa taas asiakkuus voi olla luonteva omistajuuden kohde.
UPM:llä asiakkuuksia oli kuitenkin niin monesta kulmasta, eri järjestelmistä ja liiketoiminta-alueista, että yksi henkilö ei voinut omistaa “kaikkea asiakasta”. Ratkaisu oli yhteisömalli: useampi rooli jakoi omistajuuden eri näkökulmista.
Käytännössä et yleensä rakenna kokonaan uutta organisaatiota dataa varten.
Teet sen olemassa olevilla ihmisillä: opetat, tuet, tunnistat heistä ne, joilla on luontainen kiinnostus ja kyky ottaa vastuuta.
Ja tärkeää on myös se, ettei governancea “tungeta väkisin” organisaatioon. Mennään pienin askelin, lisätään fokusta askel askeleelta ja sitoutetaan ihmiset konkreettisten hyötyjen kautta, ei pelkkien termien avulla.
Miten saada liiketoiminta mukaan?
Johannes:
Miten saat sellaisen perinteisen liiketoimintajohtajan, joka ei ole data- tai IT-ihminen, oikeasti mukaan dataprojekteihin?
Tero:
Kaikki lähtee relevanttiudesta.
Mitä lähemmäs tehdasta menin, sitä nöyremmäksi tulin. Sellulle, energialle tai tuotannolle data on vain väline, ei itse tarkoitus. Heidän maailmassaan kysymys ei ole “data governance”, vaan esimerkiksi
“Miten saan energian käytön ja kustannukset hallintaan?”
Siitä se lähtee:
- kysyt mitä ongelmia he oikeasti haluavat ratkaista
- kuuntelet rauhassa
- ja rakennat ratkaisun, joka parantaa heidän arkeaan.
Kun yksi konkreettinen haaste ratkaistaan hyvin, esimerkiksi energianhallinta, voidaan sen jälkeen nostaa esiin governance:
“Jotta tämä pyörii jatkossakin, tarvitsisimme jonkun omistamaan tämän datan ja ratkaisun. Kuka teidän tiimissä voisi olla se henkilö? Me tuemme, opetamme ja autamme.”
Tällöin omistajuus ei tunnu abstraktilta, vaan luontevalta jatkolta jo koetulle hyödyllisyydelle.
Miten AI muuttaa data- ja analytiikkatyötä?
Johannes:
AI:ta on pakko sivuta. Miten näet tekoälyn vaikutuksen data- ja analytiikkatyöhön, erityisesti data engineeringiin?
Tero:
Rehellisesti: edessä on iso murros.
Data warehouse -maailma, datan mallinnus ja integraatiot ovat olleet yllättävän samanlaisia 20 vuotta. Nyt generatiivinen AI ja agentit muuttavat sitä perustaa, jonka varaan data-arkkitehtuuri ja kehitys ovat rakentuneet.
Näen kolme asiaa:
1. Manuaalinen tekeminen vähenee rajusti.
Koodaus, dokumentointi ja osa mallinnuksesta tulevat automatisoitumaan. AI koodaa jo nyt monessa paikassa samalla tasolla kuin seniorikehittäjä – pian paremmin. Data-pipelinejen ja perusinfran rakentaminen siirtyy tunneista ja kuukausista minuutteihin ja päiviin.
2. Roolit muuttuvat, eivät katoa.
Perinteisiä ”putkien rakentajia” tarvitaan vähemmän, mutta data ownerien, AI- ja data-arkkitehtien sekä kokonaisuuden ymmärtäjien rooli kasvaa. Tarvitaan ihmisiä, jotka optimoivat koko paletin: data, konteksti, mallit, agentit ja governance.
3. Kontekstin merkitys kasvaa.
AI ilman kontekstia hallusinoi. Datan rakenteen, merkityksen ja vastuiden pitää olla kunnossa, jotta AI-applikaatiot ja agentit toimivat luotettavasti. Tässä kohtaa “klassinen” data-arkkitehtuuri, mallinnus ja governance eivät katoa mihinkään, niiden arvo vain muuttuu näkyvämmäksi.
Lyhyesti: data engineering automatisoituu, mutta datajohtaminen, arkkitehtuuri ja ihmisten välinen yhteistyö nousevat entistä tärkeämpään rooliin.
Miksi ulkopuolinen apu kannattaa?
Johannes:
Monet, erityisesti isot yritykset, ajattelevat, että heidän pitää itse vetää muutoshanke, “me tiedämme parhaiten, miten meidän organisaatio toimii”. Miksi sinun mielestäsi ulkopuolinen apu on silti usein hyödyllistä?
Tero:
Olen itse käyttänyt UPM:lläkin paljon ulkopuolisia sparraajia, eli puhun tästä myös “omaa itseäni vastaan”.
Ensinnäkin: kun juokset itse polkua, et aina näe polkua.
Arki vie: on projekteja, palavereita, tulospaineita, tulipaloja. Silloin joku ulkopuolinen voi tulla kysymään:
- “Mikä oikeasti on tärkeintä juuri nyt?”
- “Onko tämä tekninen härveli todella teidän suurin pullonkaula – vai pitäisikö panostaa vaikka koulutukseen, päätöksentekoon tai roolitukseen?”
Toiseksi: ulkopuolinen voi tuoda opit, jotka joku muu on jo maksanut.
UPM:n muutos kosketti satoja, ellei tuhansia ihmisiä. Kävimme lukemattomia kertoja “ojassa”:
väärä teknologiapolku, kulttuuriset törmäykset, väärin mitoitettu muutosnopeus.
Jos markkinoilla on ihmisiä, jotka ovat jo tehneet vastaavia asioita, miksi keksiä pyörää uudelleen?
Kolmanneksi: ulkopuolinen voi ottaa vetovastuun silloin, kun organisaatiolla ei yksinkertaisesti ole “hengitystilaa”. Fasilitointi, työpajojen vetäminen, konseptointi, valmennus – ne ovat usein juuri niitä asioita, joita sisäisiltä ihmisiltä ei ehdi löytyä.
Hyvä ulkopuolinen ei tule myymään tunteja, vaan:
- rauhoittamaan tilannetta,
- auttamaan fokusoimaan,
- ja lyhentämään oppimiskäyrää.
Loppuun vielä – ihmiset tekevät muutoksen
Johannes:
Haluatko nostaa vielä lopuksi jotain, mikä helposti unohtuu datakeskusteluissa?
Tero:
Ehkä sen, että vaikka kaikki ympärillä huutaa AI:ta, data-alustoja ja uusia työkaluja, lopulta tämä on ihmispeli.
Teknologia juoksee nyt niin kovaa, että monella on epäselvää, mikä on mahdollista ja mitä pitäisi tehdä. Juuri siksi:
- suunta,
- ihmiset,
- ja kulttuuri
korostuvat entisestään.
Ulkopuoliset osaajat voivat auttaa teknisissä valinnoissa, arkkitehtuurissa ja strategiassa – mutta ennen kaikkea he voivat auttaa tekemään muutoksesta inhimillisen ja suunnitelmallisen. Sillä lopulta datasta tulee arvoa vasta silloin, kun ihmiset luottavat siihen, käyttävät sitä ja kokevat, että se auttaa heitä onnistumaan.
Hovi Data Hub – lyhyesti.
Hovi Data Hub on Ari Hovin kehittämä uusi matchmaking-palvelu, joka yhdistää parhaat data- ja tekoälyosaajat sekä modernit toimintamallit. Toimimme laajan, kansainvälisen asiantuntijaverkoston kanssa ja autamme organisaatioita saamaan datasta ja AI:sta enemmän irti.
Ota yhteyttä:
Johannes Hovi, Growth Director
050 367 0809
https://www.arihovi.com/
LinkedIn
