Data governancella tuottoa dataan sidotulle pääomalle

Siirry sivun sisältöön
Ota tiedonhallinnan peruskäsitteet haltuun.

Data governance (suomeksi tiedonhallinta) on onnistuneen datan hyödyntämisen kivijalka. Mitä huolellisemmin kivijalka on rakennettu, sitä vakaammalla pohjalla talo – tai tässä tapauksessa datan hyötykäyttö – on. 

Data-asiantuntijan näkövinkkelistä datan parempi hallinnointi on ollut jo pitkään kiinnostava puheenaihe. Nyt siihen liittyvä pöhinä alkaa kuulua tomuisimmissakin johdon kokoushuoneissa. Data governance puhuttaa yksityistä, julkista ja kolmatta sektoria, ja siihen liittyvää tutkimusta tehdään paljon.

Itse olen perehtynyt data governanceen sekä tutkijana että käytännön työssä. Pyrin tässä tekstissä ammentamaan muutamia parhaita tiedonhallintaan liittyviä ajatuksia ja käytäntöjä jokaisen datan käsittelyyn osallistuvan ulottuville, organisaation ylin johto mukaan lukien.  

Eli mitä se data governance siis on?

Käytännössä data governance tarkoittaa tiedonhallinnan järjestämistä, tiedonhallintamallia sekä organisointia ja vastuutusta. Tavoitteena on varmistaa, että dataan sidottu pääoma saadaan tuottamaan. 

Myös data management suomennetaan usein tiedonhallinnaksi, mutta kyse ei ole aivan samasta asiasta. Data governance määrittää tehtävät ja oikeudet, joiden avulla data management sitten toteuttaa tiedon käyttöä liiketoiminnassa. Tässä blogiartikkelissa puhun juuri data governancesta.

Aivan kuten datalla itsellään, myös data governancella voi olla erilaisia konteksteja. Data governancesta voidaan puhua, kun iso tai pieni organisaatio haluaa hallita dataa omien rajojensa sisällä. Yhtä lailla data governancea tarvitaan myös jaetuilla alustoilla ja organisaatioiden välisessä tiedonvaihdossa. 

Jos data governance ei ole kunnossa, edessä on käytännön ongelmia. Myyjä ei löydä asiakkaan tietoja oikeasta kohdasta tai ne ovat vanhentuneita. Markkinointipäällikkö ei saa yksiselitteistä dataa viime vuoden markkinointipanostusten vaikuttavuudesta. Verkkokaupan tuotetiedoissakin tuntuu olevan vikaa, ja asiakkaat valuvat kilpailijoille. 

Tiedonhallinnan järjestäminen

Aluksi on valittava sopiva viitekehys, jotta tietoa voi hallita systemaattisesti. Viitekehyksellä tarkoitan pohjaa tai mallia, jonka päälle voit rakentaa oman organisaatiosi tiedonhallinnan operointimallin niin, että se tukee organisaation toimintaa sen kaikissa konteksteissa. Aina sopivaa pohjaa ei ole helppo löytää valmiina, vaan tarvitaan hiukan soveltamista.

Tiedemaailmassa esitellyt ja validoidut viitekehykset tarjoavat erinomaisen pohjan käytännön tiedonhallintatyölle. Palaan muodollisten mallien esimerkkeihin pian.

Tiedonhallinnan operointimalli

Tiedonhallinnan operointimalli sisältää määritelmät organisaation data asseteista eli tietokokonaisuuksista, niiden liiketoiminnallisista ja teknisistä määritelmistä sekä konteksteista ja eri kokonaisuuksien välisistä suhteista. 

Malli ottaa kantaa myös datan lähteeseen, käyttötarkoituksiin, omistajuuteen ja elinkaareen. Lisäksi se ohjaa datan käyttöoikeuksia ja laadun varmistusta. 

Organisointi ja vastuutus

On erittäin tärkeää määritellä omistajat eli vastuuhenkilöt eri tietokokonaisuuksille. Datan omistaja ymmärtää datan sisällön ja merkityksen ja vastaa sen laadusta. Organisaation käytössä voi olla myös ulkoisesti omistettua dataa, kunhan tämäkin omistajuus on selkeästi määritelty ja tiedostettu.

Ja ei, datan omistaja ei voi olla tietojärjestelmä. Omistaja on yleensä tietyssä roolissa toimiva ihminen tai tiimi, mieluiten liiketoiminnan edustaja, joka ymmärtää hyvin myös datan kontekstin ja datan merkityksen tässä kontekstissa.

Aktiivisen roolituksen kautta data governance punotaan tiukasti mukaan kirjoitettuun ja kirjoittamattomaan toimintakulttuuriin. Itsestään tämä ei tapahdu, vaan erityisesti organisaation johdolta vaaditaan aktiivista sitoutumista – mieluiten jopa sisäistä motivaatiota – asian edistämiseen.

Katso webinaari: Data storytelling – ota kaikki irti organisaation tietovarannoista

Tieteellisiä lähestymistapoja data governanceen

Tiedemaailmassa esitellyt ja validoidut viitekehykset tarjoavat erinomaisen pohjan käytännön tiedonhallintatyölle. Määritelmät ja mallit helpottavat monimutkaisen aiheen lähestymistä. 

  • Data governance pohjautuu IT governanceen, ja laajemmin yleiseen governanceen eli hallintamalleihin. Paljon käytetty IT governance -viitekehys esitellään Weillin ja Rossin (2005) artikkelissa ja se kuvaa viittä päätösaluetta: IT-toimintaperiaatteet, IT-arkkitehtuuri, IT-infrastuktuuristrategia, liiketoiminnan sovellustarpeet ja IT-investoinnit. Niistä tehtävät päätökset määritellään edelleen tehtäviksi viidellä eri governance-mallilla. Eri päätösalueilla mallit ovat keskenään vaihtoehtoisia. Ne myös jakavat päätösvaltaa eri tavoin liiketoiminnan ja IT:n kesken. Kaikessa yksinkertaisuudessaan Weillin ja Rossin malli on hyvin kattava, ja hyvin sovellettavissa myös data governanceen.

  • Data governancen puolella käytetyin tieteellinen malli on Khatrin ja Brownin (2010) esittelemä viitekehys, joka esittelee viisi päätösaluetta datan suhteen: toimintaperiaatteet, datan laatu, metadata, datan pääsyoikeudet ja datan elinkaari. Viitekehys määrittelee, että näihin alueisiin liittyvät päätökset tehdään asteikolla “keskitetty–hajautunut”. Organisaation konteksti ja muut tekijät vaikuttavat päätöksiin.

  • Käytännön tiedonhallintakirjallisudessa DAMA (Data Management Association) DMBOK2 on yksi käytetyimmistä lähteistä. DMBOK esittelee data governancea ympäröivät kyvykkyydet ja menetelmät, joiden avulla tiedonhallintaa toteutetaan. Data governanceen kuuluvat myös oikeanlainen roolitus, vastuunjako sekä tehtäväkuvaukset, linjaukset ja standardit tiedonhallinnan johtamiseksi. 

Miksi käytän näin paljon aikaa muodollisten mallien esittelyyn? Koska haluan painottaa, miten tärkeää on ottaa tiedonhallintaan systemaattinen lähestymistapa. 

Voit aina optimoida työskentelyä vain osittain: ottaa tärkeimpiä datakokonaisuuksia hallintaan ja määritellä niihin liittyvät käytännöt ja periaatteet. Suurimmat hyödyt saat silti systemaattisella ja kokonaisvaltaisella järjestelmällä. Siihen tutkitut ja testatut mallit tarjoavat parhaan lähtökohdan.

Ja se tuotto dataan sidotulle pääomalle?

Dataa on verrattu moneen eri raaka-aineeseen, niin veteen kuin öljyynkin. Mikään vertaus ei mielestäni ole täysin osuva. Raaka-ainemaisesta luonteestaan huolimatta data on kuitenkin aivan omanlaistaan. Se on digitaalista, eli ei lopu käyttämällä kuten öljy tai vesi. Aika usein sen arvo jopa kasvaa käyttämällä, toisin kuin noiden vertailukohtien.

Pääomaa dataan sitoutuu joka tapauksessa, oli se tavoitteena tai ei. Yksinkertaisimmillaan on kyse datan tallentamiseen tarvittavasta palvelintilasta ja siihen liittyvistä kustannuksista. Toisaalta pääomaa sitoutuu myös datan tallentamiseen käytettävän työajan muodossa, ja aina kun dataa käsitellään tai siirretään. 

Erityisen paljon työaikaa – ja siis myös pääomaa – dataan uppoaa, kun sitä etsitään ja selvitellään vaikkapa siihen liittyviä käyttöoikeuksia. Pahimmillaan data – siis pääoma – on piilossa, eikä pääse lainkaan tuottavaan käyttöön vain siksi, ettei kukaan ole huomannut kertoa “tällaista meillä täällä olisi tarjolla”.

Data alkaa tuottaa, kun sen ympärille syntyy uutta liiketoimintaa esimerkiksi näillä tavoilla: 

  • Verkkokauppa tehostaa toimintaansa, myy aivan uudenlaisia tuotteita tai tekee parempia tuotesuosituksia dataan perustuen.
  • Laitevalmistaja voi myydä laitteen lisäpalveluna erilaisia datasovelluksia, kuten karttoja tai dashboardeja, tai tarjota huoltopalveluita asiakkaalle juuri oikealla hetkellä. 
  • Julkinen sektori voi esimerkiksi optimoida erilaisten tilojen tai hyödykkeiden käyttöä, tai tarjota yrityksille mahdollisuutta hyödyntää avointa dataa liiketoiminnassaan. 

Kun data governance on kunnossa, tuotto on parhaassa tapauksessa moninkertainen pääoman kokoon nähden. Minimissäänkin sijoitus on kannattava, kun näkymä organisaation datakarttaan selkiytyy, ja dataan liittyvien riskien karikot pystytään välttämään. Saavutettavien hyötyjen laskeminen voi olla toisinaan vaikeaa, mutta kun pystytään selkeästi näyttämään polku datasta toimintaan, on dataan tehdyt panostukset helpompi perustella. 

Monilla aloilla jo lainsäädäntö ja etiikka määrittävät, miten datan kuuluu olla hallinnassa, mitä organisaation tulee tietää omistamastaan datasta ja mitä sille saa tehdä. En suosittele ottamaan riskiä siitä, että hoitaisi tämän homman huonosti. 

Ensimmäinen askel datanhallinnan haltuun ottamiseksi

Mistä siis kannattaisi lähteä liikkeelle, jos haluaisi edistää tietojohtamista nykyaikaisilla menetelmillä ja suunta vain on vähän hukassa? 

Tärkeintä on rohkeus katsoa tilannetta silmiin ja lähteä kokeilemaan. 

Voit aloittaa pilottiprojektilla ja sovitella mieluisaa data governance -viitekehystä ensin yhden organisaation osan tai alueen päälle. 

Tai voit aloittaa laajemmasta visiosta ja yhteisten käytänteiden sopimisesta vähitellen laajentaen. Apua voi löytyä vaikkapa edellä mainituista viitekehyksistä.

Joskus koko homma voi tuntua vaikealta viidakolta, joka olisi helpointa vain jättää odottamaan parempaa hetkeä. Moni tekeekin niin. Samaan aikaan viidakon ulkopuolella harmitellaan, kun olemassaolevaa dataa ei pystytä hyödyntämään. 

Siksi suosittelen lämpimästi, että puet jalkaan tukevat kengät, otat sopivan varustuksen esiin, ja lähdet tutkimusmatkalle. 

P.S. Hiukan syvällisempi katsaus data governance -kirjallisuuteen ja tieteellistä pohdintaa asiasta löytyy väitöskirjastani ”Governance of Platform Data – From Canonical Data Models to Federative Interoperability”.

Haluatko saada kilpailuetua datasta? 

Tutustu palveluihimme Data & analytiikka

 

Lisää aiheeseen liittyvää