Hei,
Olen miettinyt kuluvalla viikolla organisaatioiden ulkoistuspolitiikkaa, erityisesti data-alustojen osalta.
Tarkoitan tässä data-alustalla perinteistä tietovarastoa laajempaa arkkitehtuuriratkaisua (mukaan lukien data lake yms).
Viimeiset parikymmentä vuotta yritysten IT-osasto on määritelty tukifunktioksi.
Saman liikkeenjohdollisen paradigman mukaan yritysten tulisi ulkoistaa monet tukifunktion toiminnot, jolloin näiden osastojen keskeinen toiminta on usein palvelujen ostaminen.
Ulkoistaminen on varmasti järkevää, kaikki sitä hyödyntävät. Se että missä menee raja, että mitkä toiminnot voi ulkoistaa ja mitkä ei, on liikkeenjohdon päätös.
Tiivistettynä: osa hommista tehdään itse, osa muiden toimesta.
Data-alustat kuuluvat yleensä IT-yksikköön ja usein omaa henkilöstöä niiden kehittämiseen on ollut vähän. Hyvin moni on ulkoistanut itse asiassa lähestulkoon koko data-alustan.
Poikkeuksena on esim pankit, joille tietovarasto toimii ulkoisen raportoinnin työkaluna, joka on niiden toiminnan kannalta kriittinen.
Asian tärkeyden vuoksi heillä on omaa tietovarastointia osaavaa henkilöstöä (tai ainakin pitäisi olla).
Koska kannattaa ulkoistaa?
Onko data-alustojen sekä BI-prosessien kokonaisvaltainen ulkoistaminen sitten järkevää? Mielestäni se riippuu tilanteesta.
Useat tietovarastojen toimittajat ovat luoneet oman operatiivisen- että liiketoimintamallin kokonaisvaltaiseen ulkoistamiseen perustuen.
Tämä tarkoittaa sitä, että toimittaja ottaa vastuulle sekä tietovaraston rakentamisen, että erilaisten raporttien ja analyysien tuottamisen palveluna.
Yritykselle, jonka toimintamalliin kuuluu pienilukuisen oman IT-henkilöstön ylläpito, tämä kuulostaa järkevältä.
Se on monesti ihan puhdasta matematiikkaa. Voidaan laskea, kuinka paljon on oman henkilöstön palkkakulut verrattuna ostopalveluun toimittajilta.
Ulkoistaminen voi toimia todella hyvin, jos suhde toimittajaan on hyvä ja heistä tulee hyviä kavereita, ikään kuin omaa henkilöstöä. Ymmärretään toisiaan puolesta sanasta ja osataan tulkita toisten mielialoja.
Mikäli toimittajan kanssa menee sukset ristiin, voidaan toimittaja vaihtaa. Oman henkilöstön irtisanominen varsinkin julkisissa organisaatioissa on hyvin hankalaa.
Myös skaalaaminen ylös-tai alaspäin on helpompaa. Rakennusvaiheessa tarvitaan enemmän väkeä, ylläpitovaiheessa vähemmän. Ulkoistuskumppanin kanssa tämä onnistuu paremmin.
Nyt olen huomannut, että moni yritys on ottanut suunnanmuutoksen tässä. Ollaan ruvettu palkkaamaan omia dataosaajaa, kuten data-arkkitehtejä. Tämä on nyt selvä trendi.
Mistä tämä johtuu?
Datan merkitys korostuu
Uskon että meneillään oleva dataosaajien ”sisäistäminen” johtuu kolmesta asiasta.
Data-asiat tuliva johtajien pöydällä ensin Big Data-buumin aikoina noin kahdeksan vuotta sitten ja nyt viimeistään tekoälyhype on räjäyttänyt pankin.
Kyllä sillä on vaikutus, että Risto Siilasmaan tapainen henkilö kiertää puhumassa datan hyödyntämisen tärkeydestä.
Ja jos jokin on tärkeää ja sillä on strateginen vaikutus, niin kannattaako se ulkoistaa? Jopa pörssiyhtiön toimitusjohtaja ehtii kiireiltään toteamaan, ettei kannata.
Toinen syy on maailman muuttuminen nopeatemposemmaksi. Yritykset tarvitsevat entistä nopeammin tietoa liiketoiminnan tilasta.
Klassisen tietovaraston alkuperäinen tarkoitushan on auttaa organisaatiota laskentatoimessa.
Yritys haluaa tietoa myynnistä, katteista, kassavirrasta sekä käyttöasteesta. Ilman tietovarastoa näitä ei pysty kunnolla laskemaan.
Eräällä suomalaisella pörssiyrityksellä on mennyt viime aikoina hyvin huonosti. Nimeä en sano, mutta siitä on saanut lukea lehdistä. Tiedän, että heillä ei ole juurikaan käytössä dataa omasta liiketoiminnasta.
Johto saa madonluvut liian myöhään, jolloin ongelmiin ei voida reagoida riittävän nopeasti. Nopeatempoisessa maailmassa tähän ei ole varaa, siksi datat halutaan enemmän omiin käsiin.
Kolmas syy on oikeastaan synteesi kahdesta ensimmäisestä.
Jos klassinen tietovarasto on nähty enemmän juuri talousdatan analysointiin, on modernin data-alustan merkitys laajempi.
Yritykset näkevät data-alustan yhä enemmän monikäyttöisenä, datakeskeisen kulttuurin perustana sekä ajurina.
Big Datan myötä data-alusta nähdään entistä enemmän myös kehittyneen analytiikan sekä koneoppimisen kehittämiseen liittyvänä systeeminä.
Uusi ulkoistaminen
Jos tietovarasto-alusta nähdään laajempana kokonaisuutena, jonka avulla liiketoimintaa kehitetään ja prosesseja automatisoidaan, ei ulkoistus perinteisellä mallilla toimi niin hyvin.
Monikäyttöisemmän alustan toteutus edellyttää painon siirtämisen datan hyödyntämiseen.
Jos putken toisessa päässä on datan tuominen lähdejärjestelmistä alustalle, on toisessa päässä sen hyödyntäminen.
Kutsumme tätä sisäisesti End-to-End -ratkaisuksi.
Malli, jossa IT osasto tilaa systeemi-integraattorilta data-alustan teknisenä suoritteena, ei toimi enää End-to-End ratkaisuna.
Datan hyödyntäminen yritysten automatisaation tehostajana peräänkuuluttaa oman osaavan henkilöstön rekrytoimista sekä uuden tyyppistä ulkoistustapaa.
Entisessä maailmassa, jossa toimittaja toteutti tietovaraston ns ”avaimet käteen” periaatteella, toimittaja ei avannut tietovaraston rakennetta asiakkaalle, eli käyttäjälle.
Ja miksi olisi, ei asiakasta kannata vaivata teknisillä yksityiskohdilla tai näyttää esim data vault-malleja.
Tämän johdosta tietovarastoista tuli yleensä ns black boxeja, joita asiakas ei ymmärrä, ei kehitä eikä voi hyödyntää. Omat data ikään kuin ulkoistetaan pois. Sitten tätä omaa dataa tilataan toimittajalta lisäkustannusta vastaan.
Tämä on ollut tosiaan ihan ok, koska oman henkilöstön palkkaaminen tähän hommaan on sekin kallista puuhaa.
Nyt kuitenkin prosessi muuttuu, koska asiakas onkin tiiviimmin mukana toteutuksessa. He haluavat vaikuttaa enemmän ratkaisun toteutukseen ja valintoihin.
Kuulin kerran mutkan kautta, että asiakas oli pyytänyt systeemi-integraattorilta data vault -menetelmään perustuvaa tietovarastoa.
Asiakas ja toimittaja eivät tarkalleen tunteneet data vault-menetelmää, mutta asiakas halusi sen koska oli lukenut minun suosittelevan data vaultia.
Tämä on tietysti imartelevaa, mutta luonnollisesti menetelmän valinta tulisi tehdä toisin.
Esimerkiksi data vault ei läheskään aina ole sopiva menetelmä. Menetelmän ja arkkitehtuurin valinta tulee tehdä asiakkaan tilanteen mukaan. Sama ei sovi kaikille.
Asiakas haluaa myös itse tutkia omaa dataansa sen sijaan, että tilaavat sitä palveluna. Siksi koulutamme edelleen asiakkaan henkilöitä, kuten kontrollereita, SQL-kieleen.
Ja pelkkä tutkiminen ei riitä, vaan halutaan rakentaan erilaisia End-to-End putkia, joisa data kulkee eri paikkoihin palvelemaan monenlaista käyttöä.
Edelleenkään asiakas ei tee mitään näistä pelkästään itse, vaan käyttää koko ajan kumppaneita ja erikoisosaajia rinnalla.
Kyse on siitä, että asiakas on enemmän mukana tässä työssä ja ymmärtää, mitä ollaan tekemässä. Hyödyntämisnäkökulma on jo rakennusvaiheessa mukana.
End-to-End ratkaisussa olennaista on muutosjohtaminen ja kulttuurin transformaatio.
Teknisestä tietovarastoratkaisusta tämä puuttuu usein kokonaan. Ajatellaan, että liiketoiminta saa itse sitten päättää, ettän miten alustaa käyttävät.
Se ei kuitenkaan toimi niin, että yrityksillä olisi automaattisesti prosessi tähän mietittynä, varsinkaan data-analytiikan ja koneoppimisen osalta.
Datan käyttöalueita sekä niihin liittyviä prosesseja tulisi suunnitella rinnakkain alustan rakentamisen kanssa.
Ulkoistamisen asteen määritys
Alla on ns check-list, jonka perusteella voi arvioida ulkoistamisen astetta.
Kuten sanottu, organisaation strategia vaikuttaa ulkoistamisen hallintaan.
Siinä on kaksi keskeistä ulottuvuutta: onko data johdon agendalla, eli palkataanko omia osaajia ja toinen on alustan monikäyttöisyys.
1. Vähän dataosaamista ja pieni IT-osasto.
Isossakin organisaatiossa voi olla hyvin pieni IT-osasto. Suosi silloin avaimet käteen ratkaisua ja valitse ketterään kehitykseen erikoistunut kumppani.
Lähde liiketoiminnan tarpeista liikkeellä ja määritä business caset.
Käytä ”kolmatta osapuolta” määritysten tekemisessä sekä tranformaation vetämisessä (End-to-End ratkaisu).
2. Paikallinen ratkaisu
Aina ei tehdä korporaation tasoista projektia, vaan tilaaja on tietyn yksikön liiketoiminnan vetäjä.
Käyttötarve voi olla myös hyvin spesifi, esim yhden laajan ERP-järjestelmän datan analysointi.
Silloin avaimet käteen -ratkaisu toimii erityisen hyvin, koska tilaaja ei ole usein data-alan asiantuntija.
Panosta tässä ratkaisussa erityisesti oikeiden ulkopuolisten yksilöiden valintaan. Pieni, mutta osaava ulkopuolinen tiimi saa ihmeitä aikaiseksi
3. Vähän osaamista data-alasta
Yrityksellä saattaa olla isokin IT-osasto, mutta vähän osaamista data-alustoista.
Tässä tilanteessa kouluta omia IT-osaajia data-alustojen rakentamiseen, liiketoimintadatan mallinnukseen ja esim SQL:ään.
Ulkoista edelleen laajasti, mutta silti pitää huolta, että data-alustasta ei tule black box, vaan että oma henkilöstö tuntee ainakin ylätasolla data-alustan rakenteen.
4. Data nähdään strategisena assettina
Tämä tilanne edellyttää erillisen DMO:n (data management officen) -tyyppisen funktion perustamista. Kouluta olemassa olevaa henkilöstöä ja palkkaa osastolle uusia osaajia.
Data-alustan kontrolli on asiakkaalla ja alusta rakennetaan yhteistyössä oman henkilöstön sekä useiden ulkoisten kumppanien kanssa.
Asiakkaalla on myös oma transformaatio-osaaja sekä monia product ownereita, jotka vastaavat tietyistä kokonaisuuksista.
5. Digitaalinen kehitys yrityksen ydinfunktiona
Organisaatio työllistää useita eri yksiköitä, jotka rakentavat data-alustan itse suoraan liiketoimintaprosessien automatisointiin.
Sen lisäksi, että se palkkaa omaa henkilöstöä, yritys myös ostaa pienempiä ohjelmisto- ja data-alan firmoja.
Yritys edelleen ulkoistaa, ehkä jopa enemmän kuin muissa vaihtoehdoissa, mutta se osaa palastella projektit sekä johtaa niitä tehokkaasti (Amazon ostaa edelleen Oraclen tietokantaratkaisuja yms).
Yhteenveto
Olen ollut itse kummallakin puolella pöytää, eli toiminut toimittajan että tilaajan edustaja.
Nyt olemme viime aikoina kehittäneet juuri End-to-End ratkaisuja asiakkaillemme sekä auttaneet asiakkaita ulkoistamisen hallinnassa.
Liiketoimintadatan mallinnus (käsitemallit) on sekä kunnon vaatimusmäärittely ovat avain asemassa onnistuminsen kannalta.
Ellie sovellus kehitettiin juuri sitä varten, eli se toimii ikään kuin käyttöliittymänä tietovaraston tietokantaan.
Me It- ja dataihmiset emme tietysti lopulta päätä IT:n ja datan merkitystä pörssiyhtiön johdolle ja että missä määrin mitäkin funktiota ulkoistetaan.
En luonnollisesti ole ulkoistamista myöskään vastaan, mekin tarjoamme ulkoista palvelua.
Ulkoistamisen muoto tulee kuitenkin aina valita tilannekohtaisesti, tarpeen mukaan.
Toimittajan ja systemi-integraattorin kannattaisi myös muokata operatiivinen mallinsa samaan tapaan tilanteen mukaan.
Sellainen toimittaja, joka osaa muokata tarjoamansa parhaiten tilannetta vastaavaksi, saavuttaa siten ison kilpailuedun.
Sen palvelut menevät kaupaksi, koska se tuo asiakkaalle parhaan lisäarvon.
Monikäyttöisen data-alustojen rakentaminen on hyvin mielenkiintoista hommaa, minulla on ilo olla sellaisissa mukana.
Ystävällisin terveisin,
Ari Hovi
Ps. Järjestämme uutena DataOps-koulutuksen, joka liittyy myös yllä olevaan blogiin. Suosittelen tätä erittäin lämpimästi!
Enterprise DataOps – Curating Trusted Data as a Service from Data Lake to Data Marketplace 25.03.2019 – 26.03.2019
Mitkä ovat viimeisimmät virtaukset maailmalla liittyen datatuotteisin ja datan hyödyntämiseen?
Mitä ovat data catalog-tuotteet tai miten data virtualisaatio on auttanut yrityksiä?
Kaikki yritykset ja organisaatiot kamppailevat sen tosiasian kanssa, että liiketoimintadataa säilytetään hyvin monessa eri paikassa. Näin ollen sen hyödyntäminen on usein tuskallisen vaikeaa.
Käytössä on pilvi-, sekä on-premise ratkaisuja, monia tietovarastoja sekä erillisiä datamartteja. Näiden lisäksi käytössä on MDM-, ECM sekä Big Data -alustoja.
Miten hallitsen kokonaisuutta? Onko tähän olemassa lääkettä?
Meillä on ilo tarjota ensimmäisenä Suomessa DataOps-valmennus, joka tuo sinulle uuden tavan hallita eri tiedon talletus-, hallinta-, sekä analysointiratkaisuja.
Lue lisää koulutuksesta tästä
