Hei,
Ennen datan hyödyntäminen on liittynyt vahvasti johdon raportointiin, business intelligenceen (BI) sekä analytiikkaan. Ollaan puhuttu tietojohtamisesta, jolla on tarkoitettu tietoon perustuvaa päätöksentekoa ja usein se on tavallaan synonyymi BI:lle.
Tämä kaikki on edelleen relevanttia ja tärkeää. Raportointi ei ole kadonnut mihinkään, esim pankit menettävät toimiluvan ellei viranomaisraportteja tehdä. Näiden lisäksi halutaan tietysti kehittää liiketoimintaa ja tehdä tietoon perustuvia päätöksiä.
Datan hyödyntäminen on kuitenkin myös paljon muuta. Teknologiayritykset ovat tässä edelläkävijöitä.
Viime blogissani kerroin data-alustan hyödyllisyydestä prosessien kehittämisessä.
Nyt kerron tässä miten datan, tai oikeastaan data-alustan avulla voi luoda täysin uutta digitaalista liiketoimintaa.
1. Dataa on todella paljon – kerää sitä laajasti
Pysähdytään hetkeksi miettimään mitä data oikein on. Se on nimittäin hieman abstrakti käsite.
Data on itse asiassa pitkä lista kaikista aikaisemmista sähköisistä tapahtumista, joita on tapahtunut historian aikana. Ja tämän kaiken me voimme halutessamme valjastaa analyyttisen kehittämiseen ja automatisointiin.
Dataa sanotaan uudeksi öljyksi eikä suotta. Moni ei aina tule ajatelleeksi, kuinka paljon meillä on dataa ja minkälaista dataa nykyisin voidaan tallentaa.
Me voimme tallentaa tällä hetkellä jokaisen ostoksemme, lääketieteelliset diagnoosit, lentoliikenteen, pankkitapahtumat, valvontakakamekuvat, viestit, Whatsapp-postaukset, sähköpostit, nettiselailut, tuotantolinjan tapahtumat, paikkatiedot, sääilmiöt, lähes kaikki kirjalliset dokumentit, myynnit, laskut, puhelut, jokaisen onnistuneen tai epäonnistuneen tapahtuman…listaa voi jatkaa loputtomiin.
Dataa on käytössämme enemmän kuin koskaan ja mielestäni sen monipuolinen käyttö mullistaa yritysten ja organisaatioiden toiminnan lopullisesti. Mikäli haluamme ikinä kehittää vieläkin älykkäämpää teknologiaa ja tai sitä kuuluisaa General AI:ta, niin kaikki perustuu datan hyödyntämiseen.
Moderni datanhallinta lähtee siitä, että hyvin eri tyyppistä dataa tulee varastoida ja analysoida kehittyneillä teknologioilla. Mihin kaikki tämä data sitten tallennetaan?
2. Rakenna data-alusta
Datan varastointiin paras ratkaisu on ns data-alusta (Data Platform). Sen idea on siinä, että alustalle tuodaan hyvin laajasti dataa eri paikoista, eri lähteistä. Rakenna data-alusta pilveen (tai ainakin osa siitä). Se on nykyisin suhteellisen halpaa, paljon kalliimpaa on kaiken tämän organisoiminen ja osaajien palkkaaminen.
Toteuta data-alustan rakentaminen palastellen. Rakenna yksi osa kerrallaan ja testaa. Jos homma toimiin, jatka. Tee demoja ja tuo dataa hyvin varhaisessa vaiheessa näkyviin liiketoiminnalle.
Pyri laajennettavuuteen, eli älä tee yksikkökohtaisia, siiloutuneita versioita. Haluat nimittäin vertailla ja yhdistää dataa eri osastoilta ja lähteistä. Tämä on hyvin tärkeää ja palaan siihen tuonnempana.
Rakenna data-alusta siten, että ymmärrät sen itse. Tässä tarvitaan selkeitä kuvauksia kuten käsite- ja tietomalleja. Älä missään nimessä ulkoista data-alustan ymmärrystä toimittajalle (toki hyödynnä toimittajia) ja pyri tekemään sellainen sopimus, että omistat omat datasi. Tämä saattaa kuulostaa itsestään selvältä, mutta ei sitä suinkaan ole.
Miksi rakentaa yhteinen kotipesä datoille, eivätkö ne voi olla niissä järjestelmissä, joihin datat alunperinkin tallentuvat? Toisin sanoen miksi dataa ei voi säilyttää ja analysoida hajautetusti?
Vastaus siihen on se, että suurin hyöty datasta tulee vasta silloin, kun se yhdistetään eli integroidaan muuhun dataan.
Tarkastellaan datan integrointia hieman lisää.
3. Integroi dataa
Data-alustalle on siis hyvä tuoda dataa eri osastoilta hyvin laajasti, ikään kuin säilytykseen.
Data-alustan toinen iso etu piilee siinä, että datan hyödyntäminen liiketoimintaetu tulee datan yhdistämisestä, eli integroimisesta.
Usein integroiminen-termiä käytetään, kun vain ylipäätään tuodaan tietoja data-alustalle. Oikeasti integrointi tarkoittaa, että datat myös yhdistetään keskenään. Tarkistetaan, että yhteisiä avaimia löytyy, että esimerkiksi asiakkaaseen voi liittää kaikki mitä siihen pitää liittää. Tämä voi edellyttää datan yhdenmukaistamista, esim. avainten muunnoksia.
Monilla yrityksillä teollisuuden saralla on paljon laitteita ja tuotantovälineitä. Jos ne eivät ole jo verkossa, niin pidä huoli että ne tulevaisuudessa ovat. Nämä laite, tuotanto ja sensoridata tulisi tuoda yhteiselle data-alustalle ja integroida ne muuhun dataan.
Tätä ei moni ole tehnyt, vaikka IoT:sta on puhuttu paljon. Laitteesta saatava datan arvo tulee vasta silloin, kun se integroidaan muuhun dataan. Nyt jotkut luulevat että kyllä se riittään, että IoT-yksikkö kerää ja analysoi tätä dataa omassa yksikössään. Ei se riitä.
Minulle soitti taannoin sähköyrityksen edustaja ja tarjosi uutta sopimusta. Kysyin, että näetkö kuinka paljon kuussa nyt maksan. Myyjä ei nähnyt, eli asiakasdataa ei oltu integroitu kunnolla.
Data-alustalle voidaan tuoda myös ulkoista dataa, kuten säätietoa, valuuttakursseja, paikkatietoja tai demografiadataa. Näitä datalähteitä on yllättävän paljon, mieti mistä ulkoisesta datasta toimialasi yritys voisi hyötyä.
Integroimalla ulkoisia datoja omiin datoihin voimme siis saada uusia näkemyksiä ja luoda uutta arvokasta dataa. Mallinnuksen avulla huolehditaan, että ulkoiset datat eivät jää erillisiksi dataseteiksi.
4. Tutki dataa kuin tiedemies
Data Sciencellä (datatiede) tarkoitetaan sitä, että ratkotaan liiketoimintaongelmia datan avulla. Data scientistit tutkivat dataa, eli listaa yrityksen sähköisistä tapahtumista matemaattisia malleja hyödyntäen pyrkien löytämään sieltä säännönmukaisuuksia.
Tässä kohtaa koneoppiminen tulee mukaan kuvioihin. Nykyisin on olemassa erittäin tehokkaita algoritmeja, jotka ovat täysin ilmaisia, joita kuka vain voi hyödyntää. Data scientistit ja miksei muutkin osaajat hyödyntävät koneoppimista, kuten Deep Learning-menetelmää datan analysointiin.
Tämä edellyttää datakeskeistä ajattelua myös johdolta ja muita asiantuntijoilta. Ymmärretään, että dataa voi ja pitää hyödyntää laajasti ja että sillä on valtava merkitys. Liiketoiminnan on oleellista ymmärtää data-alan perusteet, vaikka eivät itse rupeaisi datatieteilijäksi.
Datakeskeinen ajattelun myötä datan varastoiminen ja systemaattinen hyödyntäminen sulautuu organisaation DNA:han. Tapahtuu organisatorista oppimista ja asiat menevät oikeasti tuotantoon, eivätkä jää suunnittelun asteelle.
Pitää jakaa vastuita, organisoida työtehtäviä ja kehittää hallintomalleja sekä käytäntöjä. Puhumme tällöin Data Governance-tyyppisestä toiminnasta, joka saattaa usein olla lopulta se haastavin osa datan hyödyntämistä. Teknologia usein on nimittäin jo olemassa eikä se ole edes nykyisin kovin kallista, mutta muutoksen läpivienti organisaatiossa vaatii ponnisteluja.
Tämän lisäksi kehittäminen pitää rahoittaa ja se tietysti vaatii johdon hyväksyntää.
5. Perusta oma ohjelmistoyritys
Moni kokeneempi tietohallintojohtaja (CIO) saattaa suhtautua penseästi uusien ohjelmistojen kehittämiseen omin voimin.
”ATK:n” alkuvaiheessa kaikki yritysohjelmistot tehtiin itse ja tämä oli haastavaa ja koettiin kalliiksi – syntyi kuitenkin paljon hyviä järjestelmiä, jotka tunnettiin hyvin. Sitten tuli ns. paradigman muutos ja valmisohjelmistojen esiinmarssi. Kun SAP ja muut kehittivät hyviä valmiita IT-järjestelmiä, oli luonnollista ulkoistaa yrityssovellusten kehittäminen heille. Oma ohjelmointi väheni tai loppui.
Nyt ovat asiat jälleen muuttuneet. Moderneja ohjelmistoyrityksiä, kuten Reaktor ja Vincit, on tullut erittäin paljon markkinoille ja ne menestyvät todella hyvin. Ja he tekevät suoraan liiketoiminnalle sovelluksia, jonkin tietyn toiminnan digitalisointiin.
Modernit ohjelmistoyritykset eivät tietysti tee samaa, mitä IBM tai SAP, eli eivät he kehitä ERP-, tai muita isoja IT-järjestelmiä. Ohjelmistotalot kehittävät toimialakohtaisia liiketoimintasovelluksia, jotka ovat usein verkkopohjaisia.
Ne ovat kevyempiä rakentaa ja ottaa käyttöön, kun perinteiset IT-järjestelmät. Eli kun puhun ohjelmistojen kehittämisestä, tarkoitan näitä uudentyyppisiä kevyempiä järjestelmiä, en raskaita ERP-järjestelmiä.
Paradigman muutos johtuu siitä, että ohjelmistojen kehittäminen suoraan pilveen on nykyisin uskomattoman halpaa. Pilvitila ei maksa juuri mitään ja kaikki tehdään open source -tuotteilla. Ei tarvita mitään kalliita lisenssejä, ainoastaa osaavia koodareita. Ja hyvin suunniteltu data-alusta.
Perusta siis oma sisäinen ohjelmistoyritys tai startup, joka kehittää sinulle data- ja tekoäly tuotteita omaan käyttöön. Rakenna sovellukset data-alustasi päälle.
Olen suhteellisen vakuuttunut, että tässä entistä enemmän digitalisoituvassa maailmassa tämä on ainoa oikea ratkaisu. Sinun on helpompi ostaa ohjelmistokehitystyötä myös ulkopuolelta, jos osaamista on omasta takaa.
6. Datatuotteiden kehitys ja hyödyntäminen
Datakeskeinen ajattelu lähtee siitä, että liiketoimintaa kehitetään, automatisoidaan ja optimoidaan data hyödyntäen. Seuraava taso on uuden liiketoiminnan luominen datan avulla.
Puhuin edellisessä kappaleessa datatuotteiden kehittämisestä omaan käyttöön. Mitä nämä datatuotteet voisivat sitten olla?
Jos itse olet vaikkapa yhdistänyt, eli integroinut, vaikkapa säätila-, laite-, raaka-aine, sekä jotain sensoridataa menestyksellä, ehkä voit rakentaa analytiikka-, hallintapaneeleita ja dashboardeja sisäisille käyttäjille?
Jos sinulla on kulttuuri, jossa ratkotaan liiketoiminta ongelmia datan avulla (data science), prosessi kehittyy ja hioutuu huippuunsa. Kukaan ei voi toisen yrityksen puolesta sanoa ennakkoon mikä datatuotteen lopputulos tulee olemaan. Sinun pitää vain toistaa kohtia 1-4 iteratiivisesti niin kauan, kunnes se löytyy.
Tulet samalla kehittäneeksi sellaisia data ja tekoäly -palveluja ja konsepteja, joita ei ole markkinoilla saatavilla. Ne ovat toimialallasi uniikkeja ja niillä on sinulle iso arvo. Ehkä kilpailijat tai uudet asiakkaat olisivat näistä kiinnostuneita?
Tekemällä näin, sinulla on pian käsissäsi datatuotteita, uusia markkinoita ja ansaintamalleja.
7. Datan kaupallistaminen
Yrityksen toimivat aina tietyssä ekosysteemissä ja arvonluontiketjussa. Ekosysteemi on tavallaan verkosto, jossa toimit. Sinulla on asiakkaita, alihankkijoita, jälleenmyyjiä, toimittajia ja kumppaita. Eri toimialat muodostavat monimutkaisia arvonluontiketjuja.
Mikäli olet onnistunut kehittämään sinua itse hyödyttäviä datatuotteita, tarjoa rajapintojen kautta edellä mainittuja sovelluksia ekosysteemille suoraan pilvestä ja laskuta käytön mukaan. Älä myy raaka-dataa, vaan jalostettua tietoa ja sovelluksia.
Tässä puhutaan tietysti digitalisaatiosta yleisemminkin. Johdolle tämä kaikki voi olla hyvin haastavaa. Jos ollaan kehitetty sisäisesti jokin todella hieno dataan perustuva softa, joka tehostaa meidän prosesseja, eikö ole todella huono liike myydä se kilpailijalle?
Kodak aikoinaan kehitti digikamerateknologian, mutta piti sen jatkokehittämistä liian vaarallisena heidän ydinliiketoimintansa kannalta, joka oli tietysti filmi. Kuten tiedämme, tämä oli iso virhe. Kilpailijat menivät menojaan ja aikanaan ylivoimainen markkinajohtaja Kodak meni konkurssiin.
Mikäli haluat myydä datatuotteita ulospäin, eli siis luoda sitä kuuluisaa liiketoimintaa data avulla, joudut usein arvioimaan paikkasi uudestaa ekosysteemissä.
Jos olet pankki ja asiakkaanasi ovat kuluttajat, niin uusien datatuotteiden kanssa asiakkaita voivat olla vaikka kiinalaiset rahoituslaitokset tai jopa paikallinen kilpailija.
Jos homma toimii, niin koko liiketoimintamallin miettiminen tulee ajankohtaiseksi.
Amazon oli alunperin kirjakauppa verkossa, mutta siitä tuli maailman suurin pilvipalvelun toimittaja. AWS:n (pilvipalvelun) osuus on nykyää merkittävä Amazonin liiketoiminnassa. Se oli alkuun Amazonin sivutuote, joka kehitettiin omaan käyttöön. Sitten sitä ruvettiin myymään ulospäin: AWS oli syntynyt.
Facebook kehitti alkuun itselleen hallintapaneelin asiakkaidensa mainosten hallintaan. Sitten se rupesi tarjoamaan sitä suoraan asiakkaille; Facebookin mullistava liiketoimintamalli oli syntynyt.
Tutustu siis alustalalouteen ja niiden liiketoimintamalleihin. Datatuotteissa kaiken ydin on oikean liiketoimintamallin keksiminen.
8. Yhteenveto
Olen yllä kuvannut data-alustan luomisen ja miten sen päälle voidaan rakentaa datatuotteita ja sovelluksia ensin omaan käyttöön, ja sitten ulospäin myytäviksi digitaalisiksi tuotteiksi.
Toisin sanoen: kehitä ensin itselle dataa ja tekoälyä, tuotteista se, ja myy sovelluksen muodossa ulospäin.
Tämä ei missään nimessä ole helppoa tai halpaa lystiä. Siksi se vaatii ylimmän johdon päätöksiä. Ollaan tultu suhteellisen kauas perusraportoinnista, joka on usein IT:n heiniä.
Koko ajatuksen ydin on se, että yrityksesi pitää itse, omin käsin koodata ja kehittää datatuotteita ja tekoälyä. Korostan vielä tässä sisäisen ohjelmistoyrityksen perustamisen tärkeyttä: käytä ulkoisia kumppaneita, mutta älä ulkoista digitalisaatio-osaamista koskaan organisaatiosi ulkopuolelle.
Kannattaa myös muistaa, että yksin ei kannata olla oikeassa – voit toimia datakeskeisen ajattelun ja datavarantojen kehittämisen ja hyödyntämisen katalysaattorina, mutta viime kädessä organisaation menestymisen ratkaisee muiden organisaatiosi ihmisten kyvykkyys hyödyntää arvoon arvaamattomaan noussutta datavarantoasi.
Hyvä tapa edistää tätä toimintaa on kytkeä jo hyvin alkuvaiheessa liiketoiminnan asiantuntijat mukaan datatyöhön ja synnyttää yhteistä ymmärrystä ja innostusta. Näin parhaimmillaan ja helpoimmillaan syntyy luonnollisella tavalla liiketoimintalähtöinen ”data scientist”-toiminto, joka tuntee liiketoiminnan hyvin ja datan käytön kautta löytää kuin itsestään arkisempia tai radikaalimpia innovaatiota.
Ystävällisin terveisin,
Ari Hovi
Ps. Vielä ehdit legendaarisen Alec Sharpin työpajaan:
Advanced Data Modelling, 13.12.2018 – 14.12.2018
Koulutus on yksi suosituimpia ja vetäjänä alan pioneeri Alec Sharp. Hän on yksi maailman johtavia prosessi-, ja tietomallintajia, Alec on ollut esimerkiksi mukana mallintamassa Pohjois-Irlannin rauhanprosessia.
Alecin päämäärä on mallinnuksen yksikertaisuus ja kommunikointi liiketoiminnan kanssa. Tämä koulutus sopii kaikille, jotka ovat tekemisissä IT-järjestelmien kehityksen kanssa, olit sitten kehittäjä tai liiketoiminnan edustaja.
Lue lisää lisää kurssista ja sen sisällöstä tästä
