Business casen laatiminen on vakiotyötä mm. ohjelmistoprojekteissa ja järjestelmähankinnoissa. Data- ja analytiikkahankkeissa (jatkossa datahanke) business casen laatiminen on haastavaa, johtuen selvien hyöty- ja tuottonäkökulmien epävarmuudesta. Miten määrittää tuottoarvo organisaation tietokulttuurin kehittymiselle tai johdon tekemille tietoon pohjautuville päätöksille?
Monet organisaatiot ovatkin käynnistäneet datahankkeita, koska oikeastaan ilman datan monipuolista saatavuutta eri käyttötarpeisiin ei tänä päivänä voi perustaa liiketoimintaansa.
Datahankkeet on myös usein myyty investointipäätöksen tekijöille lupauksina ja odotuksina tekoälyn, edistyneen analytiikan ja ajantasaisen tilannekuvan ja muun johtamiseen tarvittavan raportoinnin syntymisestä. Valitettavan usein näiden lupausten lunastaminen on jäänyt vaillinaiseksi tai kestänyt huomattavasti suunniteltua kauemmin johtaen kustannusten kovaan kasvuun suhteessa tuottoihin: business casien jälkilaskelmat – jos niitä ylipäätänsä on tehty – ovat liian usein karua luettavaa.
Artikkeli kuvaa datahankkeen business casen keskeiset elementit sekä antaa neuvoja, joilla suunniteltu business case toteutuu ja jopa yllättää positiivisesti investointipäätösten tekijät – ja organisaation tiedon hyödyntäjät.
Business case
Business case on suunnitelma ja kuvaus, joka esittää perustelut tietyn liiketoimintaidean, hankkeen tai päätöksen taustalla. Business case on yleensä tarkoitettu vakuuttamaan sidosryhmät, kuten johdon, sijoittajat tai päätöksentekijät, siitä että investointi on järkevä ja tuottava. Samalla myös business casen laatijat – kohteen toteuttamisen vastuuhenkilöt – joutuvat kiteyttämään ja esittämään tietoon sekä näkemykseen pohjautuen investoinnin perustelut ja talouslaskelmat.
Business case sisältää ainakin
- liiketoimintaongelman tai -mahdollisuuden määrittelyn
- hankkeen tavoitteet
- ratkaisuvaihtoehdot
- hyödyt
- kustannukset
- riskit
- aikataulun
- tuotto-odotukset.
Jokainen business casen laatinut ja hanketoteutuksesta vastannut tietää IT-hankkeiden ”luonnonlain”: kustannukset toteutuvat aina ja varmasti, mutta tuottojen toteutuminen on huomattavasti epävarmempaa. Lisäksi kustannuselementtien tunnistaminen on tuottoelementtejä helpompaa.
Tässä artikkelissa keskitytään business casen talouslaskemiin ja niissä erityisesti tuottojen arviointiin ja niiden toteutumisen varmistamiseen.
Datahanke
Tyypillinen datahankkeen määrittelyn sudenkuoppa on sen ajatteleminen IT-hankkeeksi. Lähes yhtä suuri sudenkuoppa on siilouttaa datahanke irralleen kaikesta muusta, omaksi saarekkeekseen, jossa tehdään ”AI:ta, analytiikkaa ja johdon raportointia”.
Datahanke luo yleensä aina organisaatiolle edellytyksiä sekä entistä parempiin päätöksiin tiedolla johtaen että parhaimmillaan uusiin toimintatapoihin ja liiketoimintamalleihin tiedon inspiroimana. Se data, joka näissä toimii katalysaattorina on samaa dataa kaikissa ”tietoputken” eri vaiheissa aina perusjärjestelmistä erilaisiin tiedon käyttämisen tuotteisiin asti.
Onnistunut datahanke
- on aina liiketoiminnan datahanke, jota IT-tukee ja jonka IT:ssä toteutettava IT-infrastruktuuri mahdollistaa
- alkaa aina jo osana operatiivisten perusjärjestelmien (lähdejärjestelmien) hankintaa ja toteuttamista
- sisältää IT-ratkaisuja, jotka ovat elimellinen osa organisaation kokonaisarkkitehtuuria
- on johdettu niin liiketoiminnasta kuin tietohallinnosta käsin kokonaisuutena
- tunnistaa ja vahvistaa aina liiketoiminnan omistajuutta omista tiedoistaan.
Kustannukset
Datahankkeen kustannusten arviointi on yleensä tuottojen arviointia helpompi osa business casen laatimisessa.
Infrastruktuuri
Monen datahankkeen ensimmäinen vaihe on datanhallinnan infrastruktuurin hankinta. Tämä vaihe on investointi, mahdollistaja, jonka varaan tulevaisuudessa tavoiteltavat hyödyt ja tuotot rakentuvat.
Tähän kategoriaan kuuluvat ohjelmisto- ja laitekustannukset kuten pilvipalvelut, tietokantaratkaisut, analytiikkatyökalut ja muut tekniset ratkaisut. Infrastruktuuriin voidaan katsoa kuuluvaksi myös tiedonkeruun ja integroinnin teknisen toteutuksen kustannukset.
Henkilöstökustannukset
Henkilöstökustannukset ovat yleensä datahankkeen suurin ja vaikeimmin arvioitava kustannuserä. Henkilöstökustannukset koostuvat mm. liiketoiminta-asiantuntijoiden, tietokanta-asiantuntijoiden, ohjelmistokehittäjien, analyytikkojen, projektijohtamisen, viestintäasiantuntijoiden ja liiketoimintajohdon työpanoksesta. Henkilöstökustannuksia syntyy niin oman henkilökunnan kuin konsulttien työpanoksesta.
Käyttöönotto
Datahankkeen tuotosten käyttöönotto sisältää mm. koulutuskustannukset, tukiaineistojen tuottamisen sekä käyttöönoton tukipalvelut.
Ylläpito
Datahankkeen kehitysvaiheen jälkeen kaikista edellä kuvatuista kustannuseristä kertyy jatkuvaa ylläpitokustannusta.
Tuotot
Datahankkeen tuotot tarkoittavat erilaisia taloudellisia hyötyjä, joita hankkeen odotetaan tuovan organisaatiolle. Tuotot voivat olla sekä suoria että epäsuoria, ja niiden arvioiminen on tärkeää business casen kokonaisarvioinnissa. Alla kuvataan tuottojen yleisiä tyyppejä.
Paremmat päätökset
Yleisin peruste datahankkeelle on tiedon saaminen päätöksentekijöiden käsiin, jotta liiketoimintapäätökset pohjautuvat tietoon sekä sen perusteella luotaviin ennusteisiin. Päätöksentekijöinä ajatellaan usein ensisijaisesti johtajia, mutta tiedolla johtaen parempia päätöksiä pystyy tekemään aina itsensä johtamiseen asti.
Varsinkin isommissa organisaatioissa toiminta on niin monimuotoista, että pelkästään kokemuksella ja näppituntumalla toimintaa on hyvin vaikea ohjata.
Toisaalta voi arvioida, mikä on sellaisten huonojen ”mutu-päätösten” taloudellinen vaikutus, jotka olisi voitu välttää perustamalla päätökset tietoon.
Tuottavuus
Iso osa asiantuntijoista käyttää aikaansa erilaiseen tiedon keräämiseen ja käsittelyyn, ”excelöintiin”. Kaikkea analyyttista tietotyötä ei voi eikä kannata automatisoida, mutta automatisoimalla vakiomuotoiset tiedon keräämisen ja tuottamisen työt tärkeiden asiantuntijoiden aika vapautuu tiedon hyödyntämiselle liiketoiminnan tukena ja kehittäjänä.
Toimintamallien kehittyminen
Käyttäjien päästessä itse käsiksi tietoihin syntyy luontaisesti isompia ja pienempiä oivalluksia asioista, joita voi tehdä paremmin, tuottavammin, yhteistyöllä, laadukkaammin. Näitä voi kutsua arjen innovaatioksi, joista voi syntyä myös aihioita laajemmalle organisaation toimintamallien uudistumiselle. Käyttäjät valtaantuvat oivaltaessaan ja oppiessaan tiedon lukutaidon ja jopa tiedon kehittämistaidot.
Tekoälyn mahdollisuudet
Tekoälyn hyödyntäminen luo paljon mahdollisuuksia niin tuottavuuden kuin uusien palveluidenkin kehittämiseen. Kunnossa oleva datainfrastruktuuri on usein tekoälyn mahdollisuuksien edellytys.
Datanhallinnan infrastruktuuri osana IT-arkkitehtuuria
Datahanke ja siihen liittyvä infrastruktuurin kehittäminen on hyvä hahmottaa osana organisaation IT-arkkitehtuuria ja tietohallinnon kokonaisjohtamista. Data tai datainfrastruktuuri ei ole saareke.
Usein suurimmat IT:n kustannukset kohdistuvat perusjärjestelmiin, joita saatetaan edelleen kehittää muun muassa tiedolla johtamisen raportointitarpeisiin tai joista rakennetaan erilaisia integraatioita eri tarpeisiin.
Datainfrastruktuurin avulla voidaan perusjärjestelmät kiteyttää palvelemaan operatiivisten liiketoimintaprosessien tukea, jolloin esimerkiksi kaikkea järjestelmän tietojen hyödyntämiseen liittyvää ohjaus- ja seurantatyyppistä raportointia ei tarvitse rakentaa perusjärjestelmään.
Datainfrastruktuurin avulla perusjärjestelmien käyttö ja siten myös yleensä arvokkaat lisenssit voidaan kohdentaa vain liiketoimintaprosesseja hoitaville henkilöille. Tiedon hyödyntäjien tarpeita varten ei tarvita perusjärjestelmien lisenssejä, vaan tietotarpeet tyydytetään datahankkeiden tuottamilla tietotuotteilla ja -palveluilla.
Datainfrastruktuuri sisältää yleensä tietojen välityksen, integraatiot, pääosasta perusjärjestelmiä. Datainfrastruktuurin mallinnettua perustietoainesta voi ketterästi käyttää myös eri perusjärjestelmien tiedonvälityskanavana, jolloin ei ehkä tarvita lainkaan erillistä integraatioiden hallintajärjestelmää.
Tuottojen arvonmääritys
Valtaosa kustannuksista on helpohkoa määritellä ja arvioida. Kuitenkin IT-hankintojen ”luonnonlaki” on todellisten kustannusten kaksinkertaistuminen alkuperäiseen arvioon verrattuna, joten riskienhallinnallisesti kannattaa lisätä laskelmiin kunnon pelivara, jotta toimintaedellytykset hankkeen aikana säilyvät.
Helpoin tapa saada aikaan kannattava business case on tunnistaa ja suunnitella data ja datainfrastruktuuri itsenäisen saarekkeen sijasta osaksi IT-arkkitehtuuria. Datainfrastruktuurin ensimmäisen vaiheen (MVP) voi alkuun toteuttaa pilvipalveluna hyvinkin ketterästi ja kevyesti.
Näin datainfrastruktuuriin panostettava työ on ikään kuin vaihtoehtoinen paikka käyttää investointi perusjärjestelmien räätälöinnin ja jatkokehittämisen sijaan. Jos ja kokemusperäisesti kun jo tästä saa positiivisen investointilaskelman, voikin arvioida hyvinkin luovasti muita, vaikeammin määriteltäviä tuotto-odotuksia: paremmat päätökset, toimintamallien kehittyminen ja tuottavuus. Vaikka näihin sisältyykin paljon oletuksia ja epävarmuutta, ”kaikki on plussaa” kun jo IT-arkkitehtuurin mukaisella ratkaisulla on investointilaskelma positiivinen.
Kun datainfrastruktuurin perusta on olemassa ja toimintatavat opittu, on luontevaa ja mahdollista valita datan hyödyntämisen tarpeista osa-alue, joka liiketoiminnassa ja johdossa koetaan tarpeelliseksi tai jopa välttämättömäksi ja siten myös investoinnin arvoiseksi.
Esimerkkitapaus
Eräässä finanssialan organisaatioissa oli hyvin yksinkertainen IT-arkkitehtuurin periaate: riippuvuuksien irrotus! Yritys hankki nopealla aikataululla useita perusjärjestelmiä, joiden toimittajille annettiin hyvin yksinkertaiset ohjeet (sopimusvaiheessa):
- Emme tilaa teidän järjestelmäänne yhtäkään uutta raporttia tai muuta tiedon ”toisiokäyttöön” liittyvää ominaisuutta.
- Haluamme kaikki teidän järjestelmässänne olevat tietomme meidän datainfrastruktuuriimme meidän mallintamassamme tietomallissa.
- Emme tilaa teidän järjestelmäänne yhtäkään muuta integraatiota.
- Kun teidän järjestelmänne tarvitsee tietoja toisesta järjestelmästämme, saatte ne käyttöönne meidän
Tässä organisaatiossa datahankekokonaisuuden business case oli plussalla jo kahden ensimmäisen perusjärjestelmän hankinnan jälkeen pelkästään edellä mainittujen päätösten ja arkkitehtuurin tuomilla säästöillä.
Varsinainen tuotto-odotus
Kun tällä menettelyllä datahankkeen MVP:n business case on saatu faktoihin pohjautuen perusteltua, voi turvallisin mielin odottaa myös ”isoja voittoja”eli organisaation tietokulttuurin kehittymistä ja datavetoisten liiketoimintojen innovointia.
Näissä merkittävää tuotto-odotusta tuovissa tavoitteissa ja mahdollisuuksissa ratkaisevinta on liiketoiminnan oma panostus niin tietojensa omistajuuden haltuunottajana kuin tietotuotteiden ja -palveluiden kehittämistyön johtajana.
Kun tämä roolitus ja yhteistyö liiketoiminnan ja IT:n kesken toimii, on business casen laatiminen sitten parhaimmillaan osa liiketoimintajohdon ”business as usual” – työtä.
Organisaation tietokulttuurin ja datavetoisten liiketoimintojen luominen edellyttää erittäin vahvaa muutosjohtamista sekä organisaation osaamisen kehittämistyötä. Tämä panos-tuottonäkökulma on syytä ottaa mukaan business casen laadintaan ja päätöksentekoon. Lue lisää datahankkeiden johtamisesta ja muutoksen läpiviennistä tästä.
Avainneuvot datahankkeen business caseen
Datahankkeen ja sen datainfrastruktuuri-investointien keskeisin tavoite ja tuotto-odotus voidaankin määrittää seuraavina neuvoina datahankkeen business casen laatijalle:
- IT-arkkitehtuurin ydintavoite on maksimoida tulevien IT- ja liiketoimintapäätösten vapausasteet!
- Datanhallinnan ydintavoite on maksimoida tulevien datan yhdistelytarpeiden ja käyttötapojen vapausasteet!
Nämä onnistut toteuttamaan noudattamalla ns. riippuvuuksien irrottamisen -periaatetta kaikissa ratkaisuissa (IT:n ja erityisesti datahankkeiden ollessa lähtökohtaisesti täynnä keskinäisiä riippuvuuksia, jotka johtavat usein myös business casen romahtamiseen).
Jari Ylinen
Kannattaa vilkaista myös nämä kaksi aiheeseen liittyvää koulutusta:
Datan johtamisen strateginen kehittäminen tehopäivä
Tiedon omistajuus ja johtaminen
