Datan hyödyntäminen on merkittävä osa digitaalista transformaatiota.
Tässä kirjoituksessa kuvaan kypsyysmallin, jonka avulla voi arvioida oman organisaation data-arkkitehtuurin kypsyyttä.
Kun olet lukenut kirjoituksen ja miettinyt hetken teidän organisaatiota, osaat sanoa, millä tasolla todennäköisesti olette ja mitä asioita pitäisi kehittää seuraavaksi.
Malli perustuu James Serran kirjassa Dechipering Data Architectures esittämään neliportaiseen kypsyysmalliin. Olen itse hieman muokannut mallia edelleen vastaamaan paremmin omaa käsitystäni asiasta.
Malli on suuntaa antava ja auttaa hahmottamaan, missä itse ollaan nyt ja mitä voisi lähteä tekemään seuraavaksi. Tosiasiassa kukaan ei ole puhtaasti tietyllä tasolla, vaan monen yrityksen datakyvykkyys on joltain osalta tietyllä tasolla ja toiselta osin toisella.
Lähdetään tarkastelemaan eri tasoja. Ensimmäinen taso on varmasti kaikille tuttu.
Taso 1: Monta totuutta
Alimmalla tasolla yrityksen data on pitkälti Exceleissä ja paikallisissa sovelluksissa ja sitä kautta paikallisissa tietokannoissa. Tällä tasolla tiimeillä on usein omia Exceleitä, joita pidetään yllä. Ihmiset tekevät osin päällekäistä työtä ylläpitäessään taulukoita ja samoja lukuja monessa eri paikassa.
Tällä tasolla numerot laitetaan kuntoon aina tarpeen mukaan. Kun numeroita kootaan eri lähteistä, päädytään usein tilanteeseen, jossa eri tiimit tai ihmiset tarjoavat samasta asiasta eri numeroita. Tämä on hämmentävää, koska tarjolla on monta totuutta.
Tällä tasolla joudutaan miettimään, kenen numeroita uskotaan. Tältä tasolta on luonnollista pyrkiä kohti tilannetta, jossa käytössä on yhdet luvut.
Taso 2: Yhdet numerot
Seuraavalle tasolle pääsee, kun aletaan keskittämään dataa yhteen paikkaan. Tämä tekee datan analysoimisesta ja raportoinnista paljon helpompaa.
Iso hyöty, minkä yritys saavuttaa, on yhden totuuden saavuttaminen yhteisten numeroiden avulla. Sen sijaan, että kaikilla on numerot omissa Exceleissään, tällä tasolla yrityksen viralliset luvut löytyvät keskitetystä järjestelmästä.
Yleensä tällä tasolla käyössä on datawarehouse-tyyppinen (tietovarasto) ratkaisu, johon lukuja kerätään. Dataa voidaan ottaa sisään tyypillisesti kerran vuorokaudessa, joten tänään katsellaan eilistä dataa.
Moni yritys on kypsyydeltään tällä tasolla. Lue eteenpäin, niin saat tietää, mitä tarkoittaa, jos tältä tasolta noustaan seuraavalle.
Taso 3: Ennustuskyky
Kolmas taso edellyttää IT-infralta uusia kyvykkyyksiä. Tällä tasolla yritys on rakentanut järjestelmän, jolla voi käsitellä suuria datamassoja, jotka sisältävät eri tyyppistä dataa.
Arkkitehtuuri mahdollistaa datan ottamisen sisään useammin kuin kerran vuorokaudessa. Dataa voidaan ottaa järjestelmään esimerkiksi tunneittain tai jopa striimaamalla sitä jatkuvasti. Jotta se pystyisi kaikkeen tähän, pitää datan käsittelyn yleensä siirtyä pilveen.
IT-inframielessä tämä johtaa data laken (data-allas) käyttöönottoon. Sinne voidaan tallettaa monenlaista dataa monenlaisista lähteistä jopa jatkuvalla syötöllä.
Tällä tasolla dataa voi jo analysoida esimerkiksi koneoppimisen avulla. Koska data voi olla reaaliaikaista, päätöksiä voidaan tehdä reaaliaikaisesti.
Koska data voi olla reaaliaikaista, päätöksiä voidaan tehdä reaaliaikaisesti.
Esimerkiksi web-kauppa voisi muokata sivujaan reaaliaikaisesti käyttäjän ostohistorian mukaan.
Tämä taso vaatii jo suhteellisen paljon arkkitehtuurilta ja IT-infralta, joten monelle organisaatiolle tämä on realistinen tavoite.
Miten tältä tasolta voi päästä eteenpäin? Lue eteenpäin, niin saat tietää.
Taso 4: Edistynyt
Tasolla neljä yritys voi käsitellä mitä tahansa dataa riippumatta sen koosta, tyypistä tai nopeudesta, jolla sitä tuotetaan.
Data-arkkitehtuuri ja IT-infra on rakennettu niin, että uusia datalähteitä voidaan lisätä helposti riippumatta siitä, missä muodossa ne ovat tai mitä ne sisältävät.
Tekoälyä hyödynnetään laajasti datan siivoamisessa, muokkaamisessa, raporttien laatimisessa ja ennusteissa.
Lisäksi toimivan arkkitehtuurin vuoksi ei-tekniset käyttäjät voivat itse luoda raportteja ja koontinäkymiään tukemaan työtään. Tällä tasolla puhutaan itsepalveluna toimivasta BI:stä.
Mikä on Self-Service Business Intelligence?
Self-Service Business Intelligence on nimensä mukaisesti itsepalveluna toimiva BI. Sen vastakohta on perinteinen Business Intelligence.
Perinteisessä BI:ssä loppukäyttäjien pitää määritellä uudet raportit ja koontinäkymät ja tilata niiden toteutus IT:ltä tai raportointikumppanilta.
Kun IT tai kumppani on saanut raportin tai näkymän tehtyä, sitä on sitten viilattu ja lopulta työ on hyväksytty. Ongelmana perinteisessä BI:ssä on se, että IT-asiantuntijat, jotka tekevät raportteja, eivät välttämättä ymmärrä, onko datassa mitään järkeä vai ei. Tästä seuraa viive tiedon tarpeen ja sen välillä, kun tieto on käytössä ja voi vaikuttaa päätöksiin.
Toki edistyneet käyttäjät ovat voineet rakennella jotain raportteja myös itse, mutta se on vaatinut normaalia enemmän teknistä osaamista.
Itsepalveluna toimivan BI:n idea on tämän viiveen poistaminen. Jos data-arkkitehtuuri on hyvin suunniteltu, voi myös ei-tekninen käyttäjä luoda uusia kyselyitä, yhdistellä ja muokata dataa, rakentaa raportteja jne.
Tämän ansiosta datan hyödyntäminen tehostuu entisestään.
Jos olet liiketoiminnan edustaja, kuvittele tilannetta, että jos mieleesi tulee uusi raporttityyppi tai dash board, voisit tehdä sen helposti itse ilman, että sitä tarvitsee pyytää keneltäkään.
Koska tekoälyn hyödyntäminen luo paljon mahdollisuuksia datan hyödyntämiseen, tällä tasolla on käytössä laajasti AI-työkaluja datan analysoimiseksi.
Taso neljä vaatii jo erittäin hyvin toimivia ratkaisuja ja mietittyä arkkitehtuuria, joka taipuu helposti uusiin käyttötarkoituksiin.
Johdon mielissä tämä taso vastaa toiveisiin datan ja tekoälyn hyödyntämisestä. Kuitenkin kun otetaan huomioon resurssit ja nykytoiminnan kypsyys, monella yrityksellä on vielä matkaa tälle tasolle. Se voi kuitenkin toimia hyvänä tavoitteena toiminnan kehittämiselle.
Yhteenveto
Datan tehokas hyödyntäminen vaatii paljon data-arkkitehtuurilta. Kehittyneiden data-arkkitehtuurien hyödyntäminen taas vaatii joustavaa ja edistyksellistä teknologia-alustaa.
Onnistunut digitaalinen transformaatio vaatii siis ymmärrystä sen suhteen, mitä halutaan saada aikaan ja mitä se tarkoittaa mm. data-arkkitehtuurin osalta. Näkemys datan hyödyntämisestä on tärkeää hyvän data-arkkitehtuurin suunnittelussa.
Data-arkkitehtuurin hyvyys tai huonous vaikuttaa paljon siihen, miten dataa voi hyödyntää. Opetus on se, että data-arkkitehtuuri kannattaa suunnitella hyvin ja yhteistyössä teknologiatiimin kanssa, jotta myös alla oleva IT-infra tukee sitä, mitä halutaan tehdä.
Koska monelle ei-dataan keskittyneelle liiketoimintaihmiselle ja myös IT-ihmisille erilaiset data-arkkitehtuurit voivat olla vieraita, ajattelin käydä lähitulevaisuudessa läpi niitä.
Jos asia kiinnostaa, kannattaa laittaa uutiskirje tilaukseen.