Tiedolla johtaminen vaatii datanlukutaitoa

Hei,

Tiedolla johdetussa organisaatiossa käytetään aktiivisesti data-analytiikkaa päätöksenteon tukena. Mutta mistä data-analytiikassa oikeastaan on kyse?

Datasta ja analytiikasta tietysti, mutta sen lisäksi myös liiketoiminnasta ja IT:stä.

Voiko näitä asioita laittaa tärkeysjärjestykseen?

1. Data
2. Analytiikka
3. Liiketoiminta
4. IT

Kaikkia tarvitaan, joten pohdinta ei välttämättä vaikuta mielekkäältä. Pohditaan kuitenkin, mihin osa-alueisiin kannattaisi ensimmäisenä kiinnittää huomiota, jotta hankkeissa onnistuttaisiin useammin.

Lähestytään asiaa tapauskertomuksen kautta:

”N.N. ja hänen kollegansa työskentelivät saman raportin parissa ja esittivät toimitusjohtajalle kaksi hyvin erilaista lukua samasta asiasta. Hämmentyneinä he tutkivat asiaa tarkemmin. 

Selvisi, että raporttien tiedot oli laskettu eri lähtötiedoista (jotka oli saatu eri järjelmistä) eri liiketoimintasäännöillä. Ero raportoiduissa luvuissa oli seitsemän miljoonaa euroa, mikä oli heidän liiketoiminnassaan erittäin merkittävä.”

En kerro lähdettä, vaikka tapauskertomus ei olekaan salainen. Tarinassa ei vaan yksinkertaisesti ole mitään sellaista tavallisuudesta poikkeavaa, joka tekisi tapauksesta itsessään kiinnostavan.

Samaa tapahtuu meidän kaikkien organisaatioissa jatkuvasti, joten tapauskertomus peilaa haasteita, joita kohtaamme päivittäin kaikkialla. 

Huomio kiinnittyy listani kohtiin 1 ja 3. Ristiriitaiset luvut olivat seurausta ristiriitaisesta datasta (#1) johon sovellettiin ristiriitaisia liiketoimintasääntöjä (#3). 

Analytiikan (#2) ja IT:n (#4) avulla näitä ongelmia ei ratkaista. Analytiikka- ja IT-ratkaisut tarjoavat menetelmät liiketoimintasääntöjen toteuttamiseen ja datan hallintaan. 

Liiketoimintasääntöjen tai datan ristiriitaisuuksia niillä ei kyetä paikkaamaan.

Kuulostaako tutulta omassa organisaatiossanne?

Miten ongelman voisi ratkaista?

Tarvitsemme ristiriidatonta dataa, johon sovellamme ristiriidattomia liiketoimintasääntöjä.

Ensimmäisen ristiriidan ratkaisemiseksi tarvitsemme yhteisen tavan tulkita dataa. Tätä kutsutaan myös datanlukutaidoksi. Kaksi ihmistä valitsee todennäköisemmin samat lähtötiedot, jos he tulkitsevat niitä samalla tavalla.

Toisen ristiriidan ratkaisemiseksi meidän pitäisi ymmärtää liiketoimintamme lainalaisuuksia yhteisellä tavalla aina yksityiskohtia myöten kuten

• millaisilla säännöillä kiinteitä kulueriä kohdistetaan eri tuotteille
• miten määrittelemme asiakkaiden lukumäärän

Jälkimmäinen kuulostaa triviaalilta, mutta tämä on suurelle osalle maailman yrityksistä erittäin vaikeaa. 

Meidän pitäisi organisaatioina paljon nykyistä täsmällisemmin määritellä tällaiset  liiketoimintasäännöstöt ja myös huolehtia, että asioiden parissa työskentelevät ihmiset tuntevat ne.

Pitääkö meidän ratkaista näin perustavanlaatuisia haasteita ongelman ratkaisemiseksi? 

Onneksi tämä on vain osittain totta.

Miten ongelmanratkaisussa alkuun?

Pohditaan miten lukuja tuotetaan. Siis niitä usein ristiriitaisia lukuja, jotka päätyvät toimitusjohtajan tai muun päätöksentekijän pöydälle.

Meillä on lähtötietoja, joille tehdään laskentaoperaatioita, joista syntyy uutta tietoa. Harvoin yhdellä operaatiolla tulee valmista vaan halutun luvun tuottaminen vaatii useita vaiheita.

Syntyy ketju: 

tieto → liiketoimintasääntö → tieto → liiketoimintasääntö → … → haluttu luku

Jos pystyisimme tekemään tämän ketjun näkyväksi, myös ristiriidat saataisiin näkyväksi. Tämä ei yksin ratkaise ongelmaa, mutta se auttaisi fokusoimaan niihin kohtiin, joissa ristiriitaisuuksia on. On paljon helpompaa keskittyä ketjun yhteen vaiheeseen kerrallaan. 

Ihannetilanteessa pystyisimme kuvaamaan yksikäsitteisesti sekä ketjun eri vaiheiden tiedot että liiketoimintasäännöt. Tällöin meillä olisi yhteinen tapa kuvata ja tulkita ketjua alusta loppuun asti.  

Edellä kuvasin datanlukutaidon yhteiseksi tavaksi tulkita dataa. Laajennan nyt määritelmän kattamaan myös yhteisen tavan tulkita (dataan sovellettavia) liiketoimintasääntöjä. 

Tämä tarkoittaa siis kykyä tulkita yhteisesti esimerkiksi sitä, miten tuotekohtainen kannattavuus lasketaan lähtötiedoista.

Miten liiketoimintasäännöstö tehdään näkyväksi?

“Tiedonjalostusketjun” kaikkien välivaiheiden tiedot ja liiketoimintasäännöt pitäisi siis tehdä näkyväksi.

Tietojen osalta kysymys on yksinkertainen. Tiedonmallinnus on ylivoimainen keino tiedon yksikäsitteiseen kuvaamiseen visuaalisesti ketjun kaikissa vaiheissa.

Liiketoimintasääntöjen osalta vastaavaa visuaalista kuvauskeinoa ei valitettavasti ole, tai en ole ainakaan sellaista löytänyt. Pitkää tekstiproosaa parempia ovat kompaktit, täsmälliset matemaattiset kaavat, mutta mikä olisi ymmärrettävin keino kuvata näitä.

Jos tiimin jäsenet hallitsevat alkeet SQL:stä, voidaan liiketoimintasäännöt kuvata pseudo-SQL:llä, jolloin kytkentä sääntöjen ja tietomallien välillä on aukoton. Koska liiketoimintasäännöt toteutetaan tyypillisesti SQL:llä, myös yhteys toteutukseen on tällöin suoraviivainen.

Itse pidän toimivana tapana tällaisen tiedonjalostusketjun kuvaamista tietomallien ja pseudo-SQL:n avulla, mutta teidän tulee löytää tiimillenne sopivin yhteinen tapa.

Tavoitteena on löytää  keino, jolla tiimi pystyy lukemaan ja tulkitsemaan tällaista tiedonjalostusketjua mahdollisimman yhdenmukaisesti ja päätyy todennäköisemmin ristiriidattomiin tuloksiin.

Miten datanlukutaitoa voi oppia?

Järjestämme datanlukutaidon johdantokursseja, joissa opetellaan datantulkinnan perustaitoja. Opitaan tulkitsemaan, mitä data meille kertoo.

Käytännön datanlukutaidon osalta keskeisiä taitoja ovat SQL ja tiedonmallinnus. Perusteiden ymmärtäminen näistä kahdesta asiasta antaa vahvan pohjan “tiedonjalostuksen” logiikan ymmärtämiseen, olipa käytetyt toteutusvälineet mitkä hyvänsä.

Osaamisen kasvaessa kolmas keskeinen taito on kyky soveltaa oppivia algoritmeja (koneoppiminen/tekoäly) ongelmien ratkaisemiseen.

Tällöinkin tietomallien ymmärtäminen on keskeinen pohjataito. Tiedon rakenteesta kun pystymme päättelemään, millaisia oppivia algoritmeja voimme ongelmanratkaisuun soveltaa.

Kuinka tärkeästä asiasta on kyse?

Tiedolla johtaminen vaatii organisaatiolta datanlukutaitoa. Sitä tarvitaan sekä tiedon tuottamisessa että sen hyödyntämisessä, jotta ristiriitaisilta tuloksilta vältyttäisiin. Voidaanko sen arvoa jotenkin kvantifioida?

Tapauskertomuksen toimitusjohtajalle toimitettiin kahdet ristiriitaiset luvut, joissa oli seitsemän miljoonan dollarin ero. Tapauskertomuksessa virhettä kutsuttiin merkittäväksi. 

Kokoluokkaa merkittävämpää on kuitenkin se, että ristiriitaisuudet voivat viedä uskottavuuden kaikilta tiedoilta, jotka päätyvät päätöksentekijöiden pöydille. 

Jos toimitusjohtaja ja muut päätöksentekijät tekevät jatkossa päätöksenä perstuntumalla tiedon sijaan, tämä on suuri ongelma. Tämä on ongelma, koska tiedolla johdetut yritykset voittavat kilpailijansa. 

Ystävällisin terveisin,

Hannu Järvi, CEO, Ari Hovi

Ps. Nyt kannattaa tutustua tähän todella kattavaan data-alan koulutus-sertifiointipakettiin:

Data Management Fundamentals & Certification Preparation

Haluaisitko osoittaa osaamisesi data-ammattilaisena tavalla, joka ei jätä epäilyksen sijaa nykyisille tai tuleville työnantajillesi?

Haluaisitko työnantajana varmistaa, että ammattilaisesi tuntevat alan parhaat käytännöt ja osaavat soveltaa niitä työssään?

Isot kansainväliset organisaatiot soveltavat usein DAMAN DMBOK -viitekehystä tiedonhallintaan. Sen tunteminen onkin suotavaaa kaikille tiedonhallinnan ammattilaisille.

DAMA:n tiedonhallinnan sertifikaateista (CDMP) vastaava Vice President Chris Bradley toimii kouluttajana, eli voit kysyä kysymyksiä alan johtavalta asiantuntijalta.

Koulutuksen antaa sinulle valmiudet suorittaa CDMP sertifioinnin vaatiman kokeen,  joskin koulutukseen osallistuminen ei edellytä kokeen tekemistä – Valmennus toimii itsenäisenä kokonaisuutena tiedonhallinnan kaikista osa-alueista.

Lue lisää koulutuksesta tästä