Hei,
Tällä hetkellä koronan edellyttämiä rajoituksia ollaan alettu ympäri maailmaa purkaa.
Mielenkiintoinen kysymys on se, että miltä syksy näyttää talouden ja työllisyyden näkökulmasta.
Miten dataprojekteja kannattaa tehdä epävarmassa taloustilanteessa?
Kilpikonnapuolustus
Ystäväni on liikkeenjohdon konsultti, eli tarjoavat ns Advisory-palvelua johdolle. Heillä noin puolet projekteista menny holdiin. Hän selvensi minulle isojen yritysten logiikkaa.
Epävarmuus tulevaisuudesta on firmoille myrkkyä. Kun kyky kasvuprosenttien ennustamiseen heikkenee, aletaan hiljentää vauhtia ja välttämään riskejä.
Silloin yleensä lopetetaan ylimääräinen kehittäminen ja innovointi. Lykätään investointeja ja keskitytään säästöihin.
Suomen jalkapallomaajoukkueen valmentajan Antti Muurisen klassinen strategia tunnettiin nimellä ”kilpikonnapuolustus” ja sai osakseen paljon kritiikkiä 90-luvulla.
Kun vastustaja on parempi, niin lopetetaan maalien yrittäminen ja keskitytään vaan puolustukseen.
Sanotaan että hyökkäys on paras puolustus. Ehkä se ei vain aina ole niin helppoa.
Pohdin seuraavaksi hieman, mitä tämä tarkoittaa yritysten dataprojekteille, esim tietoalustojen tai BI-systeeminen rakentamiselle.
Tulosta nopeasti
Tyypillisesti taantuma vaikuttaa niin, että pitkän linjan kehityssuunnitelmat pistetään jäihin. Mitä kriittisempi kehityshanke ydinliiketoiminnalle, sitä todennäköisemmin se jatkuu.
Edellisessä blogissa kirjoitin, miten liiketoimintaa kiinnostaa pääasiassa vain myynnin kasvattaminen ja kulujen leikkaaminen.
Nyt tämä korostuu entisestään myös data-alustojen rakentamisessa.
Yksi tärkeä muuttuja on nopeus; mitä nopeammin tulee valmista, niin sen parempi.
Lähes kaikissa IT-hankkeissa kuten ERP:sä, data-alustoissa on kuitenkin viime kädessä kyse manuaalisen työn automatisoinnista ja sitä kautta työn tuottavuuden parantumisesta.
Kaikella on takaisinmaksuaika, ns brake-even point (BEP), eli koska investointi maksaa itsensä takaisin. Kun tulevaisuus on epävarmaa, panostetaan sellaisiin hankkeisiin, joiden takaisinmaksuaika on lyhyempi.
Edellä mainitut tekijät asettavat dataprojektit uuden haasteen eteen.
Moderni konsernitason data-alustan rakentaminen voi olla suhteellisen pitkä harjoitus ja vaikka hyödyt ovat kiistattomat, joskus niiden saavuttamisessa kestää.
Ämpäri vs putkitekniikka
Yhteen asiaan kannattaa minusta nyt kiinnittää huomiota.
Minun pitää varoitella itseäkin sortumasta tyypilliseen insinööriajatteluun: että ei lähdettäisi automatisoimaan ja skaalaamaan liian aikaisin.
Käytän analogiaa:
Jos joku on kuolemaisillaan janoon, niin kannattaako hänelle tuoda ämpärillä kaivosta mahdollisimma nopeasti vettä, vai miettiä vesiputken rakentamista kaivosta?
Insinööri rupeaa heti suunnittelemaan, että hetkinen, veden kantaminen kaivosta ei ole järkevää, koska jano tulee aina uudestaan. Näin ollen kannattaa rakentaa vesiputki saman tien.
Toki siinä voi mennä hieman aikaa, mutta jos tulee uusia janoisia niin ämpäritekniikka aiheuttaa vain lisäkustannuksia.
Vesiputken rakentaminen on myös teknisesti mahdollista, eli olisi älyllistä laiskuutta olla tekemättä sitä.
Eihän insinööri ole väärässä ole, luonnollisesti putki kannattaa rakentaa.
Mutta jos ollaan kuolemaisillaan janoon, niin lopulta janoista ei kiinnosta, tuleeko vesilasi ämpäristä tai vesiputkesta.
Automatisoinnin sietämätön keveys
Olin jonkin aikaa sitten palaverissa, jossa mietittiin erään IT-prosessin automatisointia. Toisin sanoen miten tietyn manuaalisen vaiheen voisi tehdä automaattisesti.
Kävi ilmi, ettei se ollutkaan niin yksinkertaista, joten erilaisia askelmerkkejä ja palavereja alettiin yksissä tuumin suunnittelemaan.
Sitten rupesimme kyseenalaistamaan koko hommaa. Kuinka paljon lopulta aikaa säästyy tämä manuaalisen vaiheen automatisoinnissa?
Lopulta kävi ilmi, ettei manuaaliseen prosessiin ei mene kauaa ja koko homma on muutenkin alkutekijöissä.
Mitään isoja ajankäytön säätöjä ei tällä saavuttaisiin vielä pitkään aikaan.
Näin ollen heräsi kysymys, että kannattaako meidän tässä kohtaa käyttää paljon aikaa siihen, että hyvin satunnainen ja lyhytkestoinen manuaalinen työ automatisoitaisiin.
Ymmärsimme itsekin, että olimme sortuneet miettimään skaalausta, automatisointia ja isolla volyymillä tekemistä liian aikaisin.
Priorisointi on kuningas
Asiat hidastuvat, jos keskitytään vääriin asioihin.
Keskitytään automatisointiin, kun pitäisin keskittyä lyhyen tähtäimen bisneshyötyihin.
Kysymys on viime kädessä priorisoinnista, eli nopea brake-even point on nyt listan kärjessä.
Täytyy itsekin myöntää, että priorisointi on helvetin vaikeaa.
Kun kehitämme Ellie-ohjelmistoa, joudun nipistämään itseäni vähän väliä: onko tämä sellainen kehitysalue jonka hyöty-panossuhde on oikea?
Vaikka jokin asia pitäisi tehdä jossain vaiheessa, onko sen aika juuri nyt?
Tähän kaikki kiteytyy, eli mihin keskitämme resurssit. Mikä tuottaa tässä kohdin eniten lisäarvoa.
Priorisointi on mielestäni sellainen ominaisuus, joka erottaa huippusuorittajan heikommin suoritujasta. Sekä yrityksen että yksilön.
Olen rekrytoinut paljon ihmisiä. Yksi tärkein ominaisuus on juuri kyky priorisoida. Sillä on todella iso vaikutus työn tuottavuuteen.
On kauheaa, kun työntekijä painaa pitkää päivää burnoutin partaalla.
Sitten käy ilmi, että kaveri onkin tehnyt periaatteessa vääriä asioita, jotka eivät ole tuottaneet lisäarvoa.
Vaikeinta on tämän myöntäminen itselle. Itse olen sortunut tähän ja koko ajan pitää olla hereillä, että onko meneillään oleva tekeminen oikein priorisoitu.
Dataprojektit jatkuvat
Nyt tulee vaikea kysymys. Mikä tyyppinen dataprojekti on näissä olosuhteissa järkevä?
Liiketoimintaa kiinnostaa lopputulos, vaikkapa kuinka paljon tiettyä tuotekategoriaa myydään tietyssä toimipisteessä.
Sitä ei kiinnosta, että tämän selvittäminen sekä skaalaaminen vaatii data vault-pohjaista tietovarastoa.
Sitä ei kiinnosta, että miten suorituskyky taataan ja miten hienosti kaikki on automatisoitu.
Luonnollisesti itse kannatan tietovarastojen (nimenomaan data vault-pohjaista) rakentamisesta näissäkin olosuhteissa, mutta niille pitää saada budjetti johdolta.
Siksi peräänkuulutan sellaista toteutustapaa, että ensimmäiset konkreettiset tulokset tulevat nopeasti, vaikka ihan käsipelillä.
Skaalataan sitten myöhemmin, kun ensin on saatu raikasta vettä pahimpaan janoon.
Ystävällisin terveisin,
Johannes Hovi
Ps. Järjestämme jälleen virallisen DAMA-valmennuksen, jonka vetäjänä on itse Chris Bradley. Hän on mm kirjoittanut tiedonhallinnan raamatun, eli DMBOK 2-kirjan ja on yksi alan vaikutuvaltaisimpia asiantuntijoita.
Data Management Fundamentals and DAMA Certification Preparation
Dama Framework on suosituin ja kattavin viitekehys tiedonhallintaan kattaen sen kaikki osa-alueet. Kurssin jälkeen voit suorittaa myös sertifointikokeen, joskaan se ei ole pakollista osallistumisen kannalta. Voit osallistua kurssille myös etänä !
Lisätiedot ja ilmoittautuminen tästä
