Paranna datan laatua – luo uusia polkuja liiketoiminnalle

Parempi datan laatu on yksi yleisimpiä syitä kehittää data governancea eli tiedonhallintaa. Laadukkaampaa dataa, laadukkaampia päätöksiä, laadukkaampaa liiketoimintaa. Kyllä, niitä on varmasti luvassa. Mutta odotapa vain, muutakin on tarjolla!

Edellisessä blogitekstissäni pohdin, mitä data governance oikein on. Kävin läpi muutamia tieteellisiä ja käytännön viitekehyksiä, joiden kautta aihetta voi lähestyä. Avasin sitä, miten data governance mahdollistaa tuoton dataan sidotulle pääomalle ohjaamalla tiedonhallintaa ja sen operointimallia. Laadun lisäksi tuottoja? Tämähän alkaa vaikuttaa ihan kultakaivokselta!

Nyt kurkataan pintaa syvemmälle. Kuten lupasin, data governance tarjoaa monenlaisia hyötyjä ja tuottoja, mutta vaatii myös panostuksia ja työtä.

Datan laatu ennen kaikkea – mutta mitä se oikeastaan tarkoittaa?

Onko tavoitteena toiminnan tehostaminen? Prosessien analysoiminen? Lisämyynti ja hintojen optimointi? Tekoälyn kouluttaminen? Tulevaisuuden ennustaminen? Useimpien tiedonhallinnalla saavutettavien hyötyjen taustalta löytyy yhteinen nimittäjä: parempi datan laatu. Siksi se kannattaa pyrkiä saamaan ensin kuntoon. 

Laadukas data edellyttää toimenpiteitä manuaalisesta laatutyöstä strategisiin omistajuuden ja vastuiden määrittelyihin. Ensin on kuitenkin määriteltävä, millainen data on laadukasta. Se saattaakin osoittautua yllättävän vaikeaksi.

Onko datan laatu korkealla silloin, kun käytössä on ”yksi totuus”, johon voidaan nojata ja luottaa eri tilanteissa? Vai onko datan laatu parhaimmillaan silloin, kun saadaan kyseistä tilannetta ja kontekstia parhaiten vastaavaa tietoa eri järjestelmistä ja ymmärretään, mitä tieto tarkoittaa missäkin kontekstissa? 

Datan laadukkuuden määritelmään vaikuttaa datan kontekstin lisäksi organisaation konteksti. Jos yritys myy käyttöhyödykkeitä, datan laadulla on varmasti erilaisia kriteereitä kuin vaikkapa terveys- tai pankkipalveluita tarjoavan yrityksen datan laadulla. 

Toisaalta vaatimuksia voi tulla myös omistuspohjasta (julkinen/yksityinen) ja toiminnan kansainvälisyyden asteesta. Lainsäädäntö määrittelee datan käyttöä, ja joissain tilanteissa esimerkiksi toiminnan rahoittaja voi edellyttää datan avaamista, mikä vaikuttaa (meta)datan laatuvaatimuksiin.

Jokainen organisaatio määrittelee datan laadun kriteerit omasta tilanteestaan käsin. Sama pätee laajemmin data governanceen. Data governance -viitekehykset, joita edellisessä kirjoituksessani sivusin, tarjoavat työhön erinomaisen lähtökohdan. Yleistä viitekehystä soveltamalla voi helposti löytää juuri omaan tilanteeseen sopivan ratkaisun.

Nyt tarjolla olisi siis laadukasta dataa toiminnan tehostamisen ja liiketoimintahyötyjen raaka-aineeksi. Katsotaan seuraavaksi lähemmin kolmea hyötyä: riskienhallintaa, yhteistyötä ja datatuotteita.

Tiedonhallinta auttaa välttämään riskejä

Kuten datan laadun kriteereissä, myös riskienhallinnassa organisaatiot ovat erilaisessa asemassa riippuen toimialasta, omistuspohjasta ja toimintaan kohdistuvasta säätelystä. Riskien realisoituminen on aina kova isku, mutta vahinkojen laajuus ja kohteiden sensitiivisyys vaihtelee. 

Jos huonosta datasta johtuva virhe liittyy potilaan terveyteen, tilanne mielletään yleensä vakavammaksi kuin vaikkapa liian iso tai pieni tuotteiden tilausmäärä, vaikka jälkimmäinen aiheuttaisi isotkin taloudelliset tappiot. Kaikkea ei voi mitata rahassa, vaan myös inhimillisellä pääomalla on väliä. 

Toisaalta data voi antaa lisää tietoa itse riskeistä. Oppiva tekoäly voi ennustaa esimerkiksi laitteiden rikkoutumista ja ennakoida huoltotarpeita. Ajantasainen tuotetieto pienentää riskiä tarpeettomille tuotepalautuksille ja lisää asiakastyytyväisyyttä. Jos sen vielä yhdistää ostokäyttäytymisdataan, yritys pystyy ymmärtämään syitä palautusten takana ja optimoimaan toimintaansa. 

Turha ja päällekkäinen työ on oma riskinsä. Jos organisaation vasen käsi ei tiedä mitä oikea tekee, ja kumpikin käsittelee asiakastietoa erikseen, asiakas saattaa saada ristiriitaisia viestejä. Suuri organisaatio, joka kerää tai hankkii isompia tietoaineistoja ulkopuolelta, saattaa päätyä tallentamaan ja maksamaan samat aineistot moneen kertaan. Läpinäkyvä tiedonhallinta auttaa välttämään tällaisia tilanteita.

Data pois siiloista ja yhteistyön välineeksi

Prosesseiltaan siiloutuneessa organisaatiossa datakin on usein siiloissa. Samoja asiakkaita koskevaa dataa tallennetaan ehkä eri paikkoihin ja siitä työstetään samanlaisia raportteja eri osastoilla. Tehdään siis paljon edellä mainittua turhaa työtä.

Data governance tarjoaa muodollisia ja toimivia työvälineitä siilojen purkamiseen. Tässä kohtaa muistutan kuitenkin, että harvoin on järkevää pakottaa kaikkia organisaation osia toimimaan liian jäykkien mallien mukaan. Tärkeämpää on luoda hyvät yleiset pelisäännöt pohjaksi. 

Sen lisäksi on kuvattava, mitä ja miksi tehdään eri tavalla eri osissa organisaatiota. Kontekstisidonnaiset eroavaisuudet esimerkiksi datan tallentamis- ja hyödyntämistavoissa kannattaa kirjata metadataan. Avoimuus tietojen kuvailussa edistää datan käyttöä.

Data voi olla yhteistyön väline myös organisaatioiden välillä. Erilaiset data-alustat organisaatioiden väliseen datan jakamiseen ovat olleet kovassa nousussa viime vuosina. Organisaatiot, jotka kehittävät yhteistyötä datan jakamisen pohjalta, voivat saavuttaa täysin uudenlaisia liiketoimintamalleja. Datan jakaminen organisaatioiden välillä asettaa toki omat vaatimuksensa data governance -mallille.

Tieto vaihdannan välineenä

Kun työskentelee datan kanssa, dataa tulee välillä ajatelleeksi tuotteena. Ajatus on itselleni luonnollinen, kun ajattelen datakatalogeja, eli datan ja sen kuvailutietojen esittelemistä systemaattista työkalua käyttäen. Mitä muutakaan data siellä katalogissa olisi kuin ostettava tuote? Toisaalta datan mieltäminen tuotteeksi voi auttaa laajentamaan käsitystä sen käyttäjistä, eli tuotteen ”asiakkaista”.

Kun organisaatio tarjoaa datojaan kuvailutietoineen selattavaksi datakatalogin kautta, asiakas voi olla organisaation työntekijä, toimitusjohtaja tai vaikkapa työharjoittelija. Toisaalta kyse voi olla ulkoisesta, tai ainakin hyvin rajapinnassa olevasta asiakkaasta. Monilta toimijoilta, kuten julkisesti rahoitettua tutkimusta tekeviltä tutkimuslaitoksilta, edellytetään datan avaamista tietyin ehdoin. Monet yksityisetkin toimijat avaavat nykyään tietoaineistojaan vapaasti käytettäviksi. Näin voi syntyä yllättäviäkin uusia avauksia.

Data voi olla valuuttaa myös yksilön näkökulmasta. Esimerkiksi urheilukello vaihtaa keräämiään tietoja suosituksiin siitä, miten jatkossa kannattaa urheilla tai nukkua. 

Lue myös: Säätiedot, otteluaikataulut ja kalenteridata rikastivat historiatietoa Ambientian toteuttamassa pilottikokeilussa

Onko data jopa kaikkien liiketoimintahyötyjen mahdollistaja?

Data governancen hyödyt liittyvät suoraan liiketoiminnan hyötyihin. Ajankäyttö tehostuu, kun data on saatavilla ja roolit on selkeästi määritelty. Myynti ja asiakassuhteiden hoitaminen helpottuu, kun tiedät asiakkaasta enemmän ja varmemmin. Riskien välttäminen on etenkin tietyillä toimialoilla liiketoiminnan ydinedellytys.

Mitä pidemmälle asiaa pohtii, sitä vähemmän tulee mieleen asioita, joissa ei voisi hyödyntää dataa tavalla tai toisella – mikäli sitä vain on saatavilla riittävän laadukkaana ja luotettavana. Data governance -malli tuleekin ottaa käyttöön liiketoimintavetoisesti. Näin hyödyt realisoituvat mahdollisimman laajasti, ja työtä ohjaa todellinen tarve. IT:n rooli taas on mahdollistaa, asettaa teknisiä reunaehtoja ja pyrkiä poistamaan esteitä tiedon laadukkaan hyödyntämisen tieltä. 

Optimaalisessa tilanteessa liiketoiminnan vastuuhenkilöt tuntevat käytössään olevan datan ja siihen liittyvät tarpeet ja mahdollisuudet. Kun tähän kytketään organisaation laajuinen käsitys tiedonhallinnasta, eli data governance -kerros, datan johtaminen on systemaattista, tehokasta ja laadukasta. Data governance sulautuu luontevaksi osaksi koko organisaation toimintaa ja tuo mukanaan hyötyjä, joita ei lähtötilanteessa ole ehkä osattu edes ajatella.  

Entä se työläs puoli?

Saavutettavissa olevien etujen vastapuolena data governance vaatii työtä, seikkailuhenkeä ja tukevia jalkineita. On järkevää istahtaa alas, ottaa kartta esiin ja pohtia oman organisaation tilannetta. 

Missä olemme, mitä kyvykkyyksiä meillä on, missä olemme hyviä? Mitä haluamme saavuttaa, mikä meitä rajoittaa, mitä muita reunaehtoja on? 

Näiden pohdintojen pohjalta kannattaa sitten hahmotella visio, ja asettaa tavoitteita ja miettiä, kuinka pian niihin haluaa päästä. Reunaehtojen ja kontekstin pohjalta voi ennakoida tulevia vaaranpaikkoja. Kun kokonaisuus alkaa hahmottua, voi sovellettavan viitekehyksen valinta ollakin sitten jo helpompi nakki. 

Sopiva lähestymistapa voi löytyä pienemmästä pilottiprojektista tai yhdestä data governancen osa-alueesta. Samalla kannattaa kirjoittaa laajempaa, liiketoiminnan strategiaan linkittyvää datastrategiaa. Oikeiden työkalujen löytäminen on tärkeää sekin, mutta data governance -työhön ei tule lähteä IT tai tekninen puoli edellä, vaan aina liiketoiminnan lähtökohdista. Sopivista kumppaneista voi olla apua matkalla tässä viidakossa.

→ Lue lisää data- ja analytiikkapalveluistamme!