Millainen on hyvä datastrategia

Datastrategian täytyy tunnistaa ja huomioida oleelliset organisaation toimintaympäristössä tapahtuvat muutokset, jotka vaikuttavat organisaation kykyyn tuottaa arvoa datasta ja analytiikasta. Tällaisia muutoksia voi tapahtua usealla eri osa-alueella:

• Teknologisessa toimintaympäristössä tapahtuvat muutokset, kuten pilvipalveluiden nopea kehitys tai lohkoketjujen soveltaminen liiketoiminnan tarpeisiin
• Taloudellisessa toimintaympäristössä tapahtuvat muutokset, kuten uusien alustatalouden liiketoimintamallien nousu tai tekoälyn hyödyntämiseen tarjolla oleva rahoitus
• Sosiaalisessa ja kulttuurisessa toimintaympäristössä tapahtuvat muutokset, kuten kuluttajien suhtautuminen palveluiden personalisointiin tai toimitusketjujen jäljitettävyyteen
• Toimintaympäristön sääntelyssä tapahtuvat muutokset, kuten esimerkiksi henkilötietojen käyttöä koskeva lainsäädäntö tai vaatimukset tekoälyratkaisujen selitettävyydestä

Nämä muutosvoimat saattavat avata uusia mahdollisuuksia datapohjaiseen arvonluontiin, mutta samalla tehdä olemassa olevista ratkaisuista ja toimintamalleista auttamattomasti vanhentuneita.

Organisaatiot verkostoituvat datan avulla yhä tehokkaammin keskenään, ja tulevat samalla yhä riippuvaisemmiksi toisistaan. Usein osa yhden organisaation tarvitsemista keskeisistä data-aineistosta on jonkin toisen organisaation hallinnassa. Siksi datastrategian tulee tarkastella organisaation roolia myös osana laajempaa liiketoiminnan ja datan ekosysteemiä. Tätä varten on tarpeen ymmärtää miten raha, palvelut ja etenkin data virtaavat eri toimijoiden välillä.

Olemme törmänneet moniin datakehityshankkeisiin, jotka ovat saaneet alkunsa kysymyksistä “mitäs kaikkea dataa meillä onkaan” ja “mihis me voitaisiin näitä uusia algoritmeja käyttää”.

Tämänkaltainen ideointi voi toki joskus johtaa merkittävien uusien liiketoimintamahdollisuuksien löytymiseen. Yleensä lopputuloksena on kuitenkin kertaluonteisia ja irrallisia kokeiluja, jotka eivät integroidu yrityksen tärkeimpiin liiketoimintaprosesseihin eivätkä tuota pitkäjänteisesti arvoa. Tämä ei ole kestävä pohja datastrategialle. Sen sijaan suosittelemme, että datastrategia lähtee liikkeelle tärkeimmistä organisaation tunnistamista liiketoiminnallisista haasteista, ja pyrkii löytämään tapoja, joilla data voi auttaa näiden haasteiden ratkaisemisessa. Näin datastrategia osaltaan tukee ylätason liiketoimintastrategian jalkautumista käytännön datakehitykseen.

Datavisio kertoo vakuuttavan ja innostavan tarinan siitä, mitä organisaatio haluaa datan avulla saada aikaan ja miksi. Tämänkaltainen tarinankerronta on tärkeä työkalu muutosjohtamisen työkalupakissa. Datavisio auttaa organisaation jäseniä näkemään oman roolinsa datan hyödyntämisessä ja suuntaamaan oman toimintansa kohti yhteisiä tavoitteita. Organisaation jäsenet sitoutuvat luonnollisesti vahvemmin datavisioon, jos he ovat päässeet osallistumaan sen laatimiseen. Tarinankerronnan kannalta tärkeässä tehtävässä on myös visualisointi, joka tiivistää datavision ydinsanoman muutamaan kuvaan, ja auttaa kommunikoimaan sen tehokkaasti läpi organisaation.

Eräs tyypillinen datastrategiaprosessin sudenkuoppa on ympäripyöreä ja vesitetty datavisio, joka pyrkii sisällyttämään itseensä kaikki mahdolliset datan sovellusalueet ja miellyttämään kaikkia organisaation osa-alueita. Tällainen datavisio ei enää tarjoa konkreettista suuntaa datakehityksen ohjaamiseen arjessa. Siksi suosittelemmekin, että datavision laatimisen yhteydessä tehdään rohkeita ja selkeitä valintoja siitä, mitä datan sovellusalueet ovat organisaatiolle kaikkein tärkeimpiä, jotta ne saavat tulevaisuudessa osakseen riittävästi huomiota ja resursseja.

Datamahdollisuudet kuvaavat niitä konkreettisia tapoja, joilla data voi tuottaa arvoa liiketoiminnalle ja asiakkaille. Datamahdollisuuksia voi ajatella ylätasolla esitettyinä liiketoiminta- ja asiakaslähtöisinä käyttötapauksina. Niitä voi löytyä datapohjaisen arvonluonnin neljältä eri osa-alueelta, jotka ovat:

1. Sisäisten liiketoimintaprosessien tehostaminen
2. Uusien asiakkaalle näkyvien datavetoisten palveluiden ja kokemusten kehittäminen
3. Datan myynti ja käyttö vaihdon välineenä
4. Avoimen datan jakaminen liiketoimintaekosysteemin toiminnan katalysoimiseksi

Datamahdollisuuksien kuvaamisessa on tärkeää löytää sopiva tarkkuustaso. Usein kannattaa lähteä liikkeelle laajasta joukosta otsikkotasolla kuvattuja karkeita dataideoita, joista sitten valitaan iteratiivisesti kierros kierrokselta lupaavimmat, ja kuvataan ne tarkemmin käyttäen valmiita apukysymyksiä (esim. kuka on loppukäyttäjä, miten ihmisten toiminnan täytyy muuttua ja mistä liiketoiminta-arvo syntyy). Datamahdollisuuksien priorisoinnissa voi käyttää näitä seuraavia neljää “linssiä” (lainattu mukaillen IDEO:lta):

• Desirability (Haluttavuus): Tuottaako ehdotettu ratkaisu arvoa asiakkaalle tai loppukäyttäjälle? Mitä näyttöä meillä on siitä?
• Feasibility (Toteutettavuus): Voidaanko ehdotettu ratkaisu toteuttaa kohtuullisella työmäärällä ja kustannuksella? Miten varmoja olemme, että ratkaisu toimii?
• Viability (Elinkelpoisuus): Onko ehdotettu ratkaisu liiketoiminnallisesti kannattava? Mistä tekijöistä kannattavuus riippuu eniten, ja miten herkästi?
• Sustainability (Kestävyys): Noudattaako ehdotettu ratkaisu kaikkia relevantteja säännöksiä? Onko se organisaation arvojen mukainen? Millainen vaikutus sillä on yhteiskuntaan ja ympäristöön?

Datamahdollisuuksien tunnistamiseen ja jalostamiseen kannatta soveltaa palvelumuotoilun ajatusmaailmaa ja työkaluvalikoimaa. Etenkin iteratiivinen hypoteesipohjainen yhteissuunnittelu yhdessä asiakkaiden ja/tai loppukäyttäjien kanssa auttaa varmistamaan, ettei kallisarvoisia kehitysresursseja tuhlata sellaisiin dataratkaisuihin, joita kukaan ei lopulta käytä.

Datavision toteuttamiseen tarvitaan monenlaisia datakyvykkyyksiä. Organisaatiot keskittyvät datakehityksessä usein teknologisiin ratkaisuihin, mutta kannatamme kokonaisvaltaista lähestymistapaa, joka ottaa täysimääräisesti huomioon myös inhimillisen näkökulman. Tätä tarkoitusta varten olemme laatineet viitekehyksen, jota kutsumme Dataohjatun liiketoiminnan palapeliksi.

Teknologisten datakyvykkyyksien näkökulmasta on tärkeää pohtia, mitkä dataratkaisut kannattaa siirtää pilveen, tai jopa suunnitella kokonaan uudestaan pilvinatiiveiksi, jotta pilvipalvelualustojen hyödyt saadaan ulosmitattua täysimääräisesti. Algoritmit kannattaa valita huolellisesti sen mukaan, mikä palvelee tehokkaimmin liiketoiminnan tarpeita; usein vanhat ja tutut menetelmät tuottavat käytännössä yhtä hyviä tuloksia kuin uudet ja trendikkäät algoritmit, mutta huomattavasti pienemmillä kehityskustannuksilla. Ja koska paraskin algoritmi on vain yhtä hyvä kuin sille syötetty lähdedata, organisaation tulee tunnistaa ja valjastaa käyttöönsä liiketoiminnan tarpeiden kannalta tärkeimmät data-aineistot, ja pitää niistä hyvää huolta datan hallinnan ja hallinnon prosesseilla (data management and governance). On tärkeää muistaa, että “kovan” tilastollisen datan tueksi tarvitaan usein myös “syvää” laadullista ymmärrystä niistä ilmiöistä ja ihmisistä, joista data kertoo.

Inhimillisten datakyvykkyyksien kulmasta datavision saavuttaminen edellyttää usein, että organisaatio vahvistaa osaamistaan tietyillä datan hyödyntämisen osa-alueilla. Osaamista voidaan vahvistaa joko kouluttamalla, rekrytoimalla tai ulkoistamalla. Myös datakehityksen toimintatavoissa on usein parantamisen varaa, kun DevOps-maailmasta tuttuja käytäntöjä (kuten versionhallinta, jatkuva integraatio ja automatisoitu testaus) otetaan käyttöön datakehityksessä ja analytiikassa (tähän viitataan joskus termeillä DataOps ja MLOps).

Datavetoisen yrityskulttuurin edistäminen saattaa aluksi kuulostaa höttöiseltä salatieteeltä etenkin teknisen taustan omaaville data-ammattilaisille, mutta siihenkin on olemassa hyvin määriteltyjä ja toimivaksi havaittuja menetelmiä, joiden avulla voidaan lievittää henkilöstön kokemaa epävarmuutta, rakentaa luottamusta sekä inspiroida ja kannustaa ihmisiä muutokseen. Organisaatiorakenteen suunnittelussa tulee kiinnittää erityistä huomiota siihen, miten dataan liittyvät vastuut ja osaajat sijoitetaan eri organisaatioyksiköihin. Tavoiteena on varmistaa, että datakehitys kytkeytyy tiiviisti liiketoimintaan, osaajat saadaan kohdistettua tärkeimpiin hankkeisiin, ja parhaat käytännöt jaetaan dataosaajien keskuudessa. Johtoryhmän tulee viitoittaa tietä maalaamalla selkeä ja innostava datavisio, priorisoimalla tärkeimmät datahankkeet, varmistamalla datakehityksen riittävä resursointi, ja näyttämällä omalla esimerkillään mallia datapohjaisesta päätöksenteosta.

Kuten tästä huomaamme, datakyvykkyyksien kehittäminen on moniulotteinen palapeli, joka organisaation täytyy ratkaista datavision saavuttamiseksi. Hyvän lähtökohdan kehittämiselle tarjoaa kokonaisvaltainen datakyvykkyyksien arviointi, jossa käydään läpi kaikki dataohjatun liiketoiminnan palapelin palaset, ja tunnistetaan niistä tärkeimmät pullonkaulat.

Kun organisaatio on muodostanut selkeän näkemyksen siitä, mitä se pyrkii datan avulla saavuttamaan, tämä datavisio tulee purkaa tarkemmiksi osatavoitteiksi ja mittareiksi, jotka ohjaavat arjen datakehitystä ja todentavat etenemistä kohti datavisiota.

Organisaatio tarvitsee datakehitykselle kattavan KPI-mittariston, joka seuraa sekä datamahdollisuuksien toteuttamista että datakyvykkyyksien kehittämistä. Eräs tähän tarkoitukseen hyväksi havaittu lähestymistapa on Objectives and Key Results (OKR) -menetelmä, jonka tekivät tunnetuksi Andrew Grove Intelillä ja John Doerr Googlella.

Organisaation datakehityksen perimmäisenä tavoitteena on yleensä vaikuttaa taloudellisen liiketoiminnan mittareihin, kuten liikevaihtoon ja kannattavuuteen. Arkisen datakehityksen ja taloudellisten mittareiden välinen palautesykli on kuitenkin usein liian hidas mahdollistaakseen nopean kokeilevan oppimisen. Siksi kannustamme organisaatioita täydentämään perinteisiä liiketoiminnan “hitaita” mittareita (lagging indicators) käytännönläheisillä “herkillä” mittareilla (leading indicators), jotka tuottavat lähes välitöntä palautetta datakehitystyön onnistumisesta. Näin organisaatio voi jatkuvasti oppia siitä, mikä toimii ja mikä ei, ja päivittää suunnitelmiaan sen mukaisesti.

Datastrategian viimeinen rakennuspalikka on datakehityksen tiekartta, joka hahmottelee, missä järjestyksessä ja millä aikataululla datavision osatavoitteet pyritään saavuttamaan.

Kuten mittariston, myös tiekartan tulee kattaa yhtälön molemmat puolet, eli sekä datamahdollisuuksien toteuttamisen että datakyvykkyyksien kehittämisen.

Tiekarttaan kannattaa kuvata myös tärkeimmät riippuvuudet: mitä datakyvykkyyksiä täytyy kehittää, jotta tietty datamahdollisuus voidaan toteuttaa?

Lisäksi tiekartalle nostetut toimenpiteet on hyvä kytkeä näkyvästi datavisioon ja datakehityksen tavoitteisiin, jotta kaikki voivat helposti ymmärtää, miksi juuri nämä toimenpiteet ovat tärkeitä.