Hei,
Tehdessämme datan hyödyntämiseen projekteja yrityksille ja organisaatioille, on liiketoiminta yleensä tiiviisti mukana. Esimerkiksi myynnistä, tuotteista, henkilöstä tai taloudesta vastaavia ihmisiä.
He eivät ole data- tai analytiikka-alan osaajia, vaan oman alueensa osaajia. Monet heistä luonnollisesti ymmärtävät, että liiketoiminnan tilasta on kriittistä saada tietoa.
Eihän budjetointi tai business-casen rakentaminen ilman tietoa ole edes mahdollista. Tämän lisäksi on lukemattomia eri tilanteita, joissa tarvitaan dataa. Veisin tätä ajattelua vielä hieman syvemmälle.
Tyypillisesti liiketoiminnassa ajatellaan prosessikeskeisesti tai käyttötapausten kautta, mutta nyt peräänkuuluttaisin rinnalle datakeskeistä ajattelua.
Datankeskeisessä ajattelussa hahmotetaan liiketoimintaa datarakenteiden määrittelyn sekä systeemiajattelun kautta. Väitän, että ilman tätä myöskään tekoälyn kehittäminen ei onnistu.
Prosessikeskeinen ajattelu
Prosessien määritys ja mallinnus on luonnollisesti olennaista yritysten toiminnassa.
Esimerkiksi b2b -myyntiprosessi voisi mennä seuraavasti: markkinointi toteuttaa kampanjan, liidejä validoidaan, myyjä soittaa asiakkaalle, myyjä tapaa asiakkaan, toimittaa lisämateriaalia, asiakas lähettää tarjouspyynnön (RFP), myyjä esittelee tarjouksen, solmitaan sopimus.
Tämän tyyppinen ajattelu on hyvin tavanomaista ja jatkuvaa toimintaa liiketoiminnassa. Tehdään erilaisia prosessikaaviota, jotka helpottavat kommunikointia muiden kanssa. Vaikkapa uudelle myyjälle voidaan kuvata toimintaa ja kuvata miten prosesseja meillä noudatetaan.
Prosessimallinnus on tärkeää myös automatisoinnissa. Esimerkiksi CRM- ja taloudenhallinnan järjestelmät tukevat ja automatisoivat alueensa prosesseja.
Jos haluamme kehittää prosessia, tarvitsemme datakeskeistä ajattelua, eli sen ymmärtämistä, että prosessin kaikista vaiheista saa kaivettua dataa.
Datakeskeinen ajattelu
Datakeskeinen ajattelu lähtee aina käsitemallinnuksesta, jossa määritellään liiketoimintakäsitteet siten, että meillä on niistä yhteinen käsitys.
Tähän tarvitaan liiketoiminnan panostusta. Liiketoimintakäsitteiden määritykset ovat liiketoimintapäätöksiä; dataosaaja ei voi määritellä myynnin puolesta, että mikä on vaikkapa ‘validoitu liidi’, mikä ero on ‘avain-asiakkaalla’ ja normaalilla ‘asiakkaalla’. Tällaiset määrittelyt ovat oleellisia, sillä miten muuten voimme laskea kuinka paljon meillä on avainasiakkaita tai kuinka moni konvertoituu sellaiseksi?
Seuraavaksi täytyy tietää missä eri järjestelmissä meillä on tätä dataa. Tätäkään dataosaaja ei tiedä automaattisesti. Ei hän välttämättä tiedä, että markkinointi on ostanut uuden SaaS-applikaation tai että missä kaikkialla meillä on tarjousdokumentit. Edelleen liiketoiminta on näistä vastuussa ja heidän panostustaan tarvitaan.
Se että laadimme myyntiprosessin (liidien validointi, tarjouksen lähetys, myyjä tapaa asiakkaan, kaupan päätös), eli vielä kerro että onko tämä toimiva prosessi alkuunkaan tai että miten se on sujunut vaikkapa viime kvartaalilla? Tarvitsemme tähän dataa.
Datakeskeinen ajattelu käytännössä
Mikäli haluamme mitata myynnin prosessia, se pitää kääntää datan kielelle käsitemallinnuksen avulla.
Miksi käsitemääritys on niin tärkeää?
Toisin kun prosessimallinnuksessa, käsitemallinnuksessa käytetään verbien sijaan substantiiveja. Myyntiesimerkissä käsitteitä voisivat olla:
sähköinen jalanjälki (markkinointikampanja)
liidi
prospekti
myyntihenkilö
asiakas
asiakastapaaminen
tarjous
jne.
Nämä käsitteet, niiden määritykset sekä riippuvuudet piirretään malliin, eli kaavioon. Syntyy käsitemalli, joka on osana yrityksen datakartastoa.
Havainnollistan käsitemallinnuksen merkitystä käyttäen hyvin yksinkertaista esimerkkiä myyntiprosessin kehittämisen yhdestä osa-alueesta:
Markkinointijohtaja antaa dataosaajalle toimeksiannon: ”voitko selvittää ensi maanantaihin mennessä, että miten moni meidän kotisivuilla kävijöistä konvertoitui liidiksi viime kvartaalilla?”
Osaako dataosaaja hoitaa tämän toimeksiannon suorilta käsiltä? Ei, koska hänen täytyy tietää mitä tarkoitetaan kotisivuilla kävijällä ja liidillä. Tunnollisena kaverina hän yrittää, mutta tulokset eivät miellytä markkinointijohtajaa.
Mitä olisi pitänyt tehdä toisin?
Datakeskeisesti ajattelevan markkinointijohtajan kanssa tehty käsitemääritys sisältäisi käsitteiden määrittelyt.
Esimerkiksi:
Kotisivuilla kävijä: kävijä, joka on viipynyt yli minuutin sivulla (alle minuutin kävijät ovat todennäköisesti botteja tai virheklikkauksia).
Liidi: henkilö, joka jättää yhteystietonsa kotisivuille ja lisäksi hänen organisaatiostaan on yli kahdesta ip-osoitteesta käyty yrityksemme kotisivuilla viimeisen viikon aikana.
Nämä ovat siis tämän yrityksen liiketoiminnan käsitemäärityksiä, jotka on yhdessä määritelty. Määritykset ovat tallessa ja kaikkien asianosaisten katsottavissa. Ilman niitä dataosaaja olisi saanut liiketoiminnan kannalta vääriä tuloksia.
Luonnollisesti tämä on vain esimerkki, mutta se osoittaa käsitemallinnuksen olevan todellakin edellytys datan hyödyntämiselle. Tyypillisesti tätä ei tehdä kunnolla ja se johtaa monenlaisiin väärinkäsityksiin, huonoon datan laatuun, projektien venymisiin ja pahimmillaan virheellisiin johtopäätöksiin.
Oleellista on, että datakeskeinen yritys myös dokumentoi nuo määritelmät. Usein ne ovat vain tietystä liiketoiminnasta vastaavan korvien välissä, kuten tässä tapauksessa markkinointijohtajan.
On hyvin todennäköistä, että moni muukin organisaatiosta olisi kiinnostunut miten kotisivuilla kävijä määritellään tai mikä on liidi. Myös siksi dokumentaatio on suositeltavaa.
Mistä saan dataa näistä käsitteistä?
Seuraavaksi selvitämme missä eri it-järjestelmissä ja tiedostoissa kyseiset data ovat. Meillä on sähköinen jalanjälki kotisivuilla ja Googlessa Analyticsissä, tarjoukset Salesforcessa ja myyntihenkilöt HRM-järjestelmässä, esim Workdayssä. Huomaamme, että dataa on hyvin monessa eri järjestelmässä, ei vain myynnin järjestelmissä.
Kun prosessikeskeisessä ajattelussa yksi prosessi – kuten myynti – saattaa olla myyntijohtajan vastuulla, datakeskeinen ajattelu menee yli organisaatiorajojen. Organisaatiot muodostavat systeemin, jossa tarvitaan eri alueiden vastuuhenkilöiden yhteistyötä.
Vielä esimerkkejä myyntiprosessi-datojen sijainneista:
Sähköinen jalanjälki: Google Analytics, kotisivut, Salesforce, Excel, Some
Liidi: Salesforce, Mailchimp, Facebook, LinkedIn
Myyntihenkilö: HRM, SAP, Workday
Tarjoukset: Excel, Powerpoint, Salesforce
Tässä käyttämämme esimerkki on suhteellisen yksinkertainen myyntiprosessin analysointi. Usein saatamme analysoida laajempaakin kokonaisuutta. Datan lähteitä on yllättävän monta ja samaa tietoa on useassa järjestelmässä. Esimerkiksi henkilötietoa voi olla jopa kymmenissä it-järjestelmissä ja tiedostoissa. Lisäksi tarvitaan yhä useammin lisädataa talon ulkopuolelta.
Tämä on juuri datakeskeistä ajattelua. Mikäli hahmotamme sen, että kaikista käsitteistä saa dataa kaivettua ja sitä voi analysoida, niin ymmärrämme paremmin käsitemallinnuksen tärkeyden tai oikeastaan sen välttämättömyyden.
Koska yritysten datavarannot ovat niin hajautuneet, tarvitsemme datan hallinnoimiseksi myös monia muita toimintoja, joista mainittakoon Data Governance, tietovarastointi ja tietojen laadun hallinta.
Hyödyt kaikesta tästä ovat melkoiset. Voimme selvittää datan avulla markkinoinnin tehokkuutta, onnistuneiden liidien tukea. Saamme selville montako myyntitapaamista tarvitaan saadaksemme X € liikevaihdon. Voimme selvittää ketkä ostavat meiltä, millä hinnalla tai missä vaiheessa.
Tekoäly edellyttää dataa
Kaikki tietävät, että tekoälyn hyödyntäminen on tulevaisuuden juttu. Kaikki tietävät myös, että siihen tarvitaan dataa.
Tekoälyn soveltaminen edellyttää liiketoiminnalta datakeskeistä ajattelua. Voimme miettiä prosessikeskeisesti, mutta tekoäly ei tee vielä mitään pelkällä prosessikaaviolla.
Tekoälyn avulla voidaan ymmärtää, kehittää ja automatisoida prosessia ainoastaan prosessista kerätyn ja siihen liitetyn datan avulla.
Ajattelepa hetkeksi näin: kun ilta koittaa, it-järjestelmät suljetaan yöksi. Prosessit ovat siis ohi. Mitä jää jäljelle? Dataa. Tämä on se data, josta on nyt puristettava kaikki irti raportteihin, analyyseihin ja tekoälyyn. Aamulla järjestelmät jatkavat tästä datasta.
Oletetaan, että olemme selvittäneet myyntiprosessit käsitteet, riippuvuussuhteet sekä datojen sijainnit. Nyt seuraa teknisempi vaihe. Päästetään data- ja tekoälyosaajat irti. He kaivavat ja analysoivat kaikkea liiketoimintakäsitteiden taustalla olevaa dataa kuten tiedemiehet tutkivat luontoa.
Tehdään hypoteeseja ja tilastollista mallinnusta, louhitaan ja yhdistellään dataa, rakennetaan tietokantoja, platformeja sekä putkistoja, joissa valtavat datamassat virtaavat Niagaran lailla valuen data-altaisiin ja sieltä väsymättömien koneoppimismoottoreiden syövereihin.
Lopputuloksena voimme vaikkapa antaa tekoälyn selvittää tarjousdokumentin toimivuuden; kone voi tehdä juuri sopivaan tilanteeseen juuri sopivan tarjouksen tai vähintäänkin luonnostella tarjouspohjan. Voimme rakentaa monenlaisia ”recommendation” -systeemejä, eli kone voi esimerkiksi suositella tietyn tarjouspyynnön hylkäämistä, koska ennustearvo tarjouksen läpimenoon on tilastollisesti matala. Voimme antaa automaattisia ilmoituksia myyntijohtajille, jos ulkona olevien tarjousten määrä on liian pieni. Voimme itse asiassa luoda kysyntävetoisen tuotantoprosessin, jonka monet prosessit ovat täysin automatisoituja.
Nämä ovat vain esimerkkejä tietystä funktiosta, eli yritysmyynnistä, mutta sama pätee ihan mihin tahansa muuhun funktioon. Eli ole olemassa sellaista liiketoiminnan aluetta, jota ei voisi kehittää datan avulla.
Kaikki lähtee siitä, että määritämme liiketoimintakäsitteet sekä datojen sijainnit. Meidän konsulttimme tekevät tätä Hovi Data Frameworkin avulla, joka on ketterä menetelmä juuri datakartoituksiin sekä määrityksiin. Kehittämämme Ellie -sovellus tekee tämän digitaalisesti (datakartasto, käsitemallit, datojen sijainnit – kaikki suoraan pilvessä).
Data- vai prosessikeskeinen ajattelu?
Kouluttajanamme toimiva Alec Sharp on yksi maailman johtavista prosessi- sekä käsitemallintajista. Hänen esimerkiksi kutsuttiin mallintamaan Pohjois-Irlannin rauhanprosessia – tärkeään työhön haluttiin alan paras.
Alec sanoo aina, että käsitemallinnus pitää tehdä ennen prosessimallinnusta. Tässä kohtaa moni miettii, että eikö se ole toisin päin?
Alec jatkaa tähän, että meidän on välttämätöntä ensi määrittää, mitä tarkoittaa ’rauha’ tai ’aseiden luovutus’. Kummallakin osapuolella pitää olla tästä jaettu käsitys. Voidaanko sanoa koska on saavutettu rauha, jos kummallakin osapuolella on siitä eri käsitys? Vasta tämän jälkeen ne voidaan laittaa prosessikaavioon tiettyyn järjestykseen.
Sama pätee edellisen kappaleemme esimerkin myyntikäsitteisiin, kuten liidi tai asiakas.
Prosessimallinnuksessa käsitteiden määritys ei ole niin tarkkaa, koska emme tee sitä datanäkökulmasta. Ongelmana on, että jos käsitteet määritellään sivutuotteena, määritykset ovat epämääräisempiä.
Lisäksi yksi osasto määrittelee jonkin käsitteen toisin kuin toinen osasto. Tässä juuri tarvitaan käsitemallinnusta. Data-analytiikan puolella käsitteiden mallinnus on kriittistä, koska datan analysointi ei yksinkertaisesti onnistu lainkaan, jos emme tiedä mitä dataa haemme ja mistä. Datat ovat tallennettuna kaiken lisäksi eri nimillä eri järjestelmissä.
Tämän ymmärtäminen on datakeskeisen ajattelun ytimessä
Data- ja prosessikeskeistä ajattelua ei voi pistää kuitenkaan vastakkain, sillä kumpaakin tarvitaan eivätkä ne sulje toisiaan pois.
Erityisesti liiketoiminnan ja prosessien kehitys on tosiaan se vaihe, kun pitää ajatella datakeskeisesti. Miten meidän laskutusprosessi toimii? Mikä vaikutus tarjouskampanjalla oli? Vastaukset näihin eivät selviä prosessiajattelulla.
Käsitemallinnukseen pohjautuva analyysi kertoo miten tiettyä prosessia voisi kehittää, miksi se ei nyt toimi optimaalisesti. Näin ollen prosessi- ja käsitemallinnus kulkevat rinta rinnan, toisiaan täydentäen.
Datakeskeinen ajattelu on systeemiajattelua
Organisaatioiden johto analysoi tietysti jatkuvasti liiketoimintaa datan avulla. Mutta edelleen organisaation toiminta nähdään prosessiajattelun kautta, eli että on olemassa toisistaan irrallisia prosesseja, kuten myynti, markkinointi ja HR.
Organisaatiot eivät kuitenkaan toimi todellisuudessa niin. Organisaatiot ovat todellisuudessa systeemejä, jossa kaikki vaikuttaa kaikkeen.
Jos mietitään meidän esimerkkiä myyntiprosessin kehittämistä. Siinä on neljän eri funktion prosessit limittäin: liidien tuotanto (markkinointi), myyjien suoriutuminen (HR) ja tarjoukset (myynti) ja laskutus (talous).
Datakeskeinen ajattelu on itse asiassa systeemiajattelua. Systeemiajattelussa mietitään jotain kokonaisuutta systeeminä, joissa on lukuisia eri muuttujia, jotka vaikuttavat toisiinsa.
Systeemianalyytikon ikuinen unelma on hyödyntää matematiikan antamia mahdollisuuksia systeemien tutkimiseen ja kehittämiseen.
Tekoälykehityksen läpimurtojen taustalla olevat koneoppimisen menetelmät (mm. Deep Learning) mahdollistavat ensimmäistä kertaa monimutkaisten systeemien analysoimisen myös käytännössä: ison muuttujamäärän vaikutuksien ja yhteyksien selvittämisen.
Ennen systeemin matemaattinen mallintaminen ei ollut mahdollista, koska meiltä puuttui data sekä laskentateho. Nyt ne ovat olemassa.
Tässä tulee koko datakeskeisen ajattelun suurin voima: jos liiketoiminta ajattelisi datakeskeisesti, alettaisiin nähdä kehittämistoimenpiteet ja strateginen suunnittelu systeeminä.
Mikäli liiketoiminta ymmärtäisi itse mallintaa käsitteet ja määrittää datojen niiden sijainnit osana tätä suunnittelua, jatkuvana prosessina, valmius saada datasta oivallusta, hyödyntää tekoälyä kasvaisi huomattavasti.
Jos näin toimittaisiin, pystyisivät dataosaajat tekemään ihan eri kellotaajuudella tulosta. Sovellusten kehittämisen yhteydessä mietittäisiin heti alkuun, mitä dataa pitää analysoida, jotta jatkokehitys on mahdollista. IT-järjestelmiä valittaessa osattaisiin edellyttää tarjouksen kohta, jonka mukaan oma data pitää saada omaan käyttöön.
Tekoäly on näin valjastettavissa oikeasti yritysten käyttöön.
Yhteenveto
Voimme mieltää Ellie-applikaation käsitemallinnus- tai Data Governance työkaluksi. Toisaalta se on johdon strateginen työkalu koko organisaation johtamiseen datan avulla nojaten systeemiseen analyysiin.
Eräs asiakkaani koki tässä herätyksen ja he kehittyvät nyt täysin eri nopeudella kuin muut. Kun liiketoiminta ja esimiehet ajattelevat datakeskeisesti, projektit nopeutuvat. Projektien nopeutuminen ja datan avulla johtaminen antaa eväät liikevaihdon kasvuun nopeammin kuin kilpailijoilla.
Teen aina ilolla käännytystyötä ja nyt entistä enemmän avaan tätä kuviota johdolle.
Nyt on tosin todella hyvä tilanne monen yrityksen kohdalla – oivalluksia on syntynyt ja aletaan edetä datakeskeiseen ajatteluun ja toteutukseen.
Onnekseni en ole ainoa, joka tämän on havainnut – muutkin ovat huomanneet miksi isot amerikkalaiset ohjelmistotalot, tai vaikkapa kotimainen Supercell, menestyvät niin hyvin. Heillä datakeskeinen ajattelu on geeneissä.
Ehdotus: voimme tehdä yrityksellesi pienen osan datakartastoa (käsitemallit, datojen sijainnit), tietokannan johon data tuodaan (vain ”otos” isommasta määrästä), ja siihen koneoppimisen algoritmin (Data Science-tyyppisen tutkimuksen).
Jos lähestymistapa tuottaa tulosta, voimme laajentaa toteutusta. Tämä on se malli, jolla datakeskeiset organisaatiot, kuten Google ja Amazon toimivat – nyt sen voi tehdä kuka tahansa.
Ystävällisin terveisin ja hyvää juhannusta toivottaen,
Ari Hovi & tiimi
Ps. Data Vaultin kehittäjä itse Dan Linstedt tulee jälleen Suomeen kouluttamaan!
Data Vault 2.0 Bootcamp + Sertifiointi 4.9 – 6.9.2018, Helsinki
Data Vault -menetelmä on nyt suositumpi kun koskaan, joten nyt kannattaa tulla mukaan. Sertifiointi on myös paras tapaa tuoda esiin henkilöstösi osaaminen. Paikkoja on rajatusti, joten kannattaa olla nopea.
Lisätiedot ja ilmoittautuminen tästä
