Vuodenvaihde on otollinen kohta vetää yhteen vuoden aikana tapahtunut. (Meillä on itse asiassa vuoden aikana kaksikin otollista kohtaa, sillä Infobuildin tilivuosi vaihtuu vasta maalis- huhtikuun vaihteessa. Joten voimme tehdä analysointia myös keväällä… )

Vuosi 2011 toi mukanaan InfoBuildille uusia asiakkaita ja mielenkiintoisia hankkeita, olemassa olevien asiakkaiden uusia projekteja, paljon myyntikäyntejä, sopimusneuvotteluja ja demojen tekemistä, Human Capital -tutkimuksen tekemistä, tapahtumia ja muita markkinointitoimia, koulutuksia, tiivistä yhteistyötä Information Buildersin kanssa, uutta henkilökuntaa ja uusia kumppaneita. Itse summaisin vuoden kolmeen sanaan: haastavaa mutta hauskaa!

Tänä vuonna kuulimme paljon mielenkiintoisia esityksiä ja haastatteluja suoraan asiakkailtamme ja kumppaneiltamme.
Asiakkaistamme Kela oli puhumassa käyttäjäyhdistys FUSEn kevättapahtumassa ja Information Builderin Summit 2011 -tapahtumassa Dallasissa, Tallink ja Viron Poliisi puolestaan syksyn Information Builders Nordic Summitissa. Newsletterissämme vuonna 2011 kuulimme kuinka Esmerk (12/11), Suomen Akatemia (08/11) ja Viron poliisi (04/11) hyödyntävät ratkaisujamme.

Vuoden 2011 Newslettereissä saimme kuulla myös kuinka kumppanimme Logica (08/11)  ja Polar Cape (12/11) näkevät Business Intelligencen, tiedon laadun ja master datan hallinnan hyödyt liiketoiminnassa.

Päämiehemme Information Builders pärjäsi erinomaisesti monessa analyytikkoarviossa.
Voit ladata sivulta http://www.informationbuilders.com/new/analyst_reports seuraavat analyytikkoraportit:

• The BARC BI Survey 10
• Gartner BI Platforms User Survey, 2011
• Gartner 2011 Magic Quadrant for Business Intelligence Platforms
• Forrester BI Wave: Enterprise Business Intelligence Platforms: Q4, 2010
• Dresner Advisory Services Wisdom of Crowds: Business Intelligence Market Study, 2011
• Dresner Advisory Services Mobile Business Intelligence Market Study

Vuoden 2012 alkupuolen näköpiirissä on paljon vastaavaa, hauskaa mutta haastavaa työsarkaa. Näistä kerromme nettisivuillamme, tapahtumissamme, tässä blogissa, newsletterissä ja tietysti tavatessamme

Kiitokset kuluneesta vuodesta ja oikein hyvää vuotta 2012 InfoBuildin puolesta,

Mikko Muurinen

Syyskuun linkkitiistaihin keräsin artikkeleita hieman laidasta laitaan, niin tietoarkkitehtuuria, Master Dataa, tiedon laatua kuin Business Intelligenceäkin käsitteleviä juttuja.

Karen Lopez ja Kamille Nixon ovat artikkelissaan keränneet 7 yleistä virhettä, joita yritysten tietojen mallintamisessa tapahtuu. Mallit ja niiden taustalla olevat metatiedot tulisi nähdä liiketoiminnalle tärkeinä voimavaroina. Jos niitä tarkastellaan vain teknisenä harjoitelmana, ei saada täyttä hyötyä tietoarkkitehtuurista. Hieman samaan aiheeseen liittyy toinenkin Information Managementin artikkeli, jossa William McKnight kirjoittaa 10:stä tavasta sössiä Master Data hanke.

• Information Management: Enterprise Data Modeling: 7 Mistakes You Can’t Afford to Make, Karen Lopez, Kamille Nixon, 2.5.2011
• Information Management: 10 Ways to Screw Up Your MDM Implementation, William McKnight, 1.3.2011

Halpalentoyhtiöt ovat ottaneet toisenlaisen lähestymistavan tiedon laatuun, kirjoittaa Henrik Liliendahl Sørensen blogissaan. Eräät halpalentoyhtiöt veloittavat jopa 100 euroa, jos joutuvat tekemään korjauksia esim. asiakkaan väärin kirjoittamaan nimeen.

• Data Quality as Competitive Advantage, Henrik Liliendahl Sørensen, 23.6.2011

Tietojen visualisoinnin ja tilastollisten graafien välisiä eroja ja yhteyksiä on käsitelty useammassakin lähteessä. Robert Kosara vetää näitä keskusteluja yhteen artikkelissaan.

• eagereyes: Information Visualization vs. Statistical Graphics, Robert Kosara, 2.8.2011
• The Statistics Forum: One difference between statistical graphics and infoviz is the return on effort, Kaiser Fung, 31.7.2011

Lopuksi muutama BeyeNETWORKin artikkeli:

Kuinka saada voittoa ja parantaa liiketoiminnan suorituskykyä Business Intelligencen avulla? Nancy Williams antaa neuvoja blogissa. Jim Gallon mukaan BI-työkaluja on turha syyttää, jollei IT ja liiketoimintayksiköt aidosti sitoudu hankkeisiin, joissa tuotetaan oivaltavia ja liiketoimintalähtöisiä ratkaisuja. William McKnight pohtii kuinka itsepalvelu-BI saadaan toimimaan. Hänen mielestään liian usein “itsepalvelu” on negatiivinen termi, joka tarkoittaa oikeasti “ei palvelua” tai “olet omillasi”.

• BeyeNETWORK: Leveraging Business Intelligence to Achieve Strategic Priorities, Nancy Williams,15.3.2011
• BeyeNETWORK: Blame the Tool!, Jim Gallo, 7.1.2011
• BeyeNETWORK: Self-Service Business Intelligence: Come and Get It, William McKnight 28.7.2011

Hyvää syksynjatkoa!

Mikko Muurinen

Jos lukee IT-alan julkaisuja, huomaa nopeasti, että tapetilla on taas uusi kuuma aihe, josta kaikki puhuvat. Big Datasta kirjoitettuja juttuja lentää silmille yhä useammin. Big Data nostettiin hiljan myös Gartnerin Hype Cyclen for Emerging Technologies 2011 -analyysiin.

Mitä Big Data sitten onkaan?

Big Datalla tarkoitettiin aluksi sellaista tietomäärää, jota ei käytännössä pystytty lataamaan relaatiotietokantoihin analysoitavaksi. Joko sitä oli liian paljon tai sitten se oli strukturoimatonta.

Tiedon määrän kasvu on tunnetusti ollut eksponentiaalista ja kaiken tarvittavan tiedon hakeminen, lataaminen, varastointi, jakelu, analysointi ja visualisointi on vaikeutunut kaiken aikaa. Tietoa tursuaa esim. uudenlaisista antureista, RFID-tägeistä tai reaaliaikaisemmasta prosessien seurannasta. Kaikesta tarvittavasta tiedosta on lisäksi reilusti suurin osa struktroimatonta, esim. uutistietoa, analyysejä tai dokumentteja.

Pelkkä tiedon määrä ei pysynyt pitkään ainoana Big Datan määrittäjänä. Joillain isot tietomassat saattavat tarkoittaa petatavuja, joissain yrityksissä vaikeuksia tulee jo huomattavasti pienemmillä määrillä. Useat tietokantateknologiat ja tietovarastot kykenevät fyysisesti käsittelemään suuriakin tietomassoja, mutta silti ongelmat eivät ratkenneet.

Kuvaukseen piti lisätä myös tiedon määrän (Volume) lisäksi tiedon muutos- tai tarvitsemisnopeus (Velocity) ja monipuolisuus (Variety). Mikä tahansa näistä kolmesta saattaa aiheuttaa ongelmia perinteisissä tiedon hallinnan ratkaisuissa…

Big Dataan liitetään usein myös pilvipalvelu-konsepti, sekä käsittelyn hajauttamisen, että erilaisten tietolähteiden hyödyntämisen näkökulmasta. Suhteellisen edullinen skaalautuvuus esim. MapReduce -tyyliseen käsittelyyn, jossa jaetaan sama kysely sadoille tai tuhansille koneille, mahdollistaa aivan uudentyyppisten analyysien teon. Enää ei tarvitse odottaa yön yli analyysien valmistumista.

Monessa kohtaa yllämainittua kuvausta tulee kuitenkin mieleen, että tämähän on sitä samaa asiaa, josta ollaan puhuttu jo kauan… Massiiviset tietovarastot, data mining, reaaliaikainen BI, useiden tietolähteiden yhdistäminen jne. ovat olleet osana ratkaisuja jo pitkään. Itse asiassa suurin osa kaikista Big Datan yhteydessä mainituista hyödyistä ja käytännön esimerkeistä on tehty jo aiemminkin.

Mikä sitten on muuttunut? Se, että uudet ratkaisut mahdollistavat yhä edullisemmin ja helpommin Big Data -tyyppisen tiedon hyödyntämisen. Eli tietoa voi olla aiempaa enemmän, useammasta lähteestä, jopa reaaliaikaisena, ja sitä pystytään käsittelemään ja analysoimaan yhä edullisemmin ja tehokkaammin.

Enää ei tarvitse lisätä rautaa rajalle, tehdä hirveitä virityksiä  tai jatkuvaa optimointia tietokantoihin tietomassojen kasvaessa. Jos lähtisi esim. analysoimaan perinteisellä tavalla Twitter- ja muun sosiaalisen median viestien vaikutusta myyntiin ja asiakastyytyväisyyteen, saisi pistää melkoisesti rahaa tietovaraston rautaan, lisensseihin ja latausprosesseihin.

Kannattaa kuitenkin tehdä tässäkin asiassa “reality check” – miksei parikin. Suurta osaa bisnes-ongelmista ei ratkota lisäämällä tiedon määrää tai päivitysnopeutta. Tärkein osa koneistoa on analysoijan ja tiedon hyödyntäjän pääkopan sisällä. Jos ei osata muodostaa oikeita kysymyksiä, ei pystytä hyödyntämään suurta osaa tiedosta. Mikään kone ei tuota tietämystä ihmisen puolesta.

Tiedon laatu on myös entistä tärkeämpää. Mitä väliä on valtavista tietomassoista, jos tiedot ovat vääriä tai ristiriitaisia, poissa kontekstistaan tai muuten laaduttomia? Millaisin oletuksin tietoja kerätään, millaisin prosessein tieto on syntynyt ja mitä on mahdollisesti jätetty pois? Onko nämä seikat kuvattu tiedon hyödyntäjälle?

Big Data on vielä alkuvaiheissaan. Aikaiset omaksujat ovat alkaneet tutkia asiaa ja Big Data tulee nousemaan vielä hypetyksessä hieman ylemmäs, ennen kuin ensimmäiset isot epäonnistumiset ilmaantuvat ja turhat kuvitelmat karisevat.

Kypsyessään Big Data mahdollistaa useilla aloilla – ja yhä pienemmillekin yrityksille – uudenlaista Business Intelligenceä. Mutta ei kannata pidättää hengitystä… Mainstreamia Big Datasta tulee vasta muutaman vuoden kuluttua. Tällä hetkellä uusia mahdollisuuksia kannattaa kuitenkin käyttää tietyissä erityistapauksissa, joissa tarvitaan innovatiivisia ratkaisuita ja joihin nykyiset menetelmät eivät pure.

Kuitenkin jo nyt Business Intelligence- ja integraatioratkaisuissa kannattaa ottaa huomioon Big Datan vaatimukset niin erilaisten tietolähteiden reaaliaikaisessa käytössä, skaalautuvuudessa kuin käsittelyn hajauttamisessakin. Nousevatpa esiin sitten termit, teknologiat tai tuotenimet kuten cloud computing, Hadoop, NoSQL, NewSQL, MapReduce, MPP, BigTable, 1010data, Netezza tai Teradata, on oltava valmiita. Liiketoiminnan tarpeet saattavat tarvita uusien menetelmien hyödyntämistä nopeallakin viiveellä. Älä unohda myöskään tiedon laadun hallinnan nivomista näihin…

Minua kiinnostaisi tietää, onko teillä Big Dataan liittyviä haasteita tai kokemuksia… Laita kommenttia niin saadaan keskustelua pystyyn! Jos julkinen kommentointi ei houkuta, laita vaikka suoraan meiliä mikko.muurinen -at- infobuild.fi…

Ps. Kerään seuraavaan Linkkitiistaihin parhaimpia Big Dataan liittyviä linkkejä.

Pps. Tilaa blogin RSS-syöte, niin saat uusimmat blogikirjoitukset suoraan syötteiden lukuohjelmaasi, eikä sinun tarvitse käydä tarkistamassa päivityksiä sivustolta!

Mikko Muurinen

Marraskuun linkkitiistai on taas Master Data -tiistai. Master-tiedon hallinta on tällä hetkellä selvästi kuuma aihe blogeissa ja kolumneissa.

William Sharp kirjoittaa “Data Discovery” -prosessista, joka hyödyllinen keino saada näkemys tietojen nykytilasta. Prosessi ei ole kuitenkaan ihmeratkaisu tiedon laadun hallintaan, master- tiedon hallintaan tai data governanceen.

• The Data Quality Chronicle: Data Discovery: What it is and what it isn’t, William Sharp, 6.11.2010

Master data -hankkeissa usein käsitellään vain omia sisäisiä tietoja, mutta usein unohdetaan master-tiedot, jotka saattavat ollakin kumppaneiden (tavarantoimittajat ja alihankkijat, myyntiedustajat ja jakelijat tai palveluntuottajat)  hallinnassa. Henrik Liliendahl Sørensen alustaa tästä asiasta blogissaan, joka on jatkoa hyvälle kirjoitukselle tiedon ja tiedon laadun tulevaisuudesta. Sørensen jakaa tiedon kolmeen laatuun, globaaliin (jaettu tieto), bilateraaliin (kumppanin kanssa jaettu) ja yksityiseen (oman yrityksen) dataan, joita kaikkia tulee pystyä hallitsemaan ja hyödyntämään liiketoiminnassa.

• Bilateral Master Data Management, Henrik Liliendahl Sørensen, 8.11.2010
• Data Quality 3.0, Henrik Liliendahl Sørensen, 16.8.2010

Niels Lademark Heegaard kirjoittaa Information Managementin kolumnissa siitä, kuinka Master-tiedon hallinta on ennen kaikkea organisaation muutoshanke. Liiketoiminnan on otettava vastuu muutoksesta ja katsoa tekniikoiden yli. Sekä liiketoiminnan että tietohallinnon prosesseja ja käytäntöjä joudutaan usein muuttamaan jotta saadaan master-tiedon hyödyt ulotettua mahdollisimman laajalle.

• Information Management: Master Data Management is About Organizational Change, Niels Lademark Heegaard, 19.10.2010

Liiketoimintatarpeen, tietolähteiden, tietojen volyymien ja jatkokäsittelytarpeiden tunnistaminen ovat kriittisiä elementtejä uuden tietovaraston määrittelyssä. Lyndsay Wise avaa BeyeNetworkin blogissa hieman näiden tekijöiden merkitystä.

• BeyeNETWORK: What to look for in a new data warehouse, Lyndsay Wise, 24.5.2010

Lopuksi vielä kymmenen linkin paketti. Hub Designs -blogin parhaat käytännöt-sarja kävi läpi kymmenen erittäin hyvää mallia master-tiedon hallinnan ratkaisuihin.

Hub Designs, Dan Power, 11.10.-22.10.2010:

• Master Data Management Best Practice #10 – Use a Balanced, Holistic Approach
• Master Data Management Best Practice #9 – Don’t Underestimate the Complexity
• Master Data Management Best Practice #8 – Resist the Urge to Customize
• Master Data Management Best Practice #7 – Create a Data Governance Organization and Processes
• Master Data Management Best Practice #6 – A Long Term Program, Not a Short Term Project
• Master Data Management Best Practice #5 – Use Your Best Project Managers and People
• Master Data Management Best Practice #4 – The Business Has To Own MDM and Data Governance
• Master Data Management Best Practice #3 – Emphasize the Organizational Change Management Aspects
• Master Data Management Best Practice #2 – Active, Involved Executive Sponsorship
• Master Data Management Best Practice #1 – Start with the Need, Pain or Problem (Not “The Solution”)
  

Mikko Muurinen

Elokuun linkkitiistain aiheena on tiedon laatu ja master-tiedon hallinta.

Data Quality Pron artikkelissa Mike Ferguson esittelee yritystason Master Datan hallinnan järjestelmän (Enterprise MDM system) ominaispiirteet, erot yksittäisiin MDM-ratkaisuihin sekä millaisia muutosprosesseja yritystason Master-tiedon hallintajärjestelmissä voidaan hyödyntää. Toisessa saman julkaisun artikkelissa Dylan Jones kuvaa kuinka huono tiedon laatu johtaa kierteeseen, jossa luottamuus tietoon vain lisääntyy ja tiedon laatu jatkaa rapautumistaan. Esimerkkinä hän käyttää UK National Health Service (NHS):n kokemuksia.

• Data Quality Pro: Transitioning to Enterprise MDM: The Change Management Process, Mike Ferguson, 16.8.2010
• Data Quality Pro: Trust and the Negative Data Quality Feedback Loop, Dylan Jones, 21.7.2010

Hub Solution Designsin Rob DuMoulin kirjoittaa uusimmassa osassa datan profiloinnista kertovassa sarjassa siitä, miten tietojen profilointi hyödyttää sekä IT:tä että liiketoimintaa.

• Hub Solution Designs: Data Profiling For All The Right Reasons, Part 5, Rob DuMoulin, 30.7.2010

Data Doghousen Rick Sherman kirjoittaa blogissa sarjaa, jossa käsitellään tietovarastoinnin ja Business intelligencen parissa mahdollisesti ilmeneviä “onnettomia tapauksia”. Elokuun kirjoitus käsittelee huonon tiedon laadun vaikutusta tietovarastoihin ja raportointiin. Tietovarastoinnin yhteydessä tulisi aina mitata tiedon laatua ja johdonmukaisuutta sekä liittää nämä mittarit palvelukuvaukseen. Profiloinnin avulla saadaan eri lähdejärjestelmistä tulevan tiedon tilaa arvioitua. Aiemmassa kirjoituksessaan Sherman kritisoi BI- ja DW-hankkeita, joissa vain toistetaan vanhojen raportointi- ja tietojärjestelmien ominaisuuksia, eikä hyödynnetä uusia mahdollisuuksia.

• The Data Doghouse: A Series of Unfortunate Data Warehousing/Business Intelligence Events, Rick Sherman

Mikko Muurinen

Huono tiedonlaatu ei ole välttämätön paha, jota pitäisi opetella sietämään. Huonosta laadusta kertyy kustannuksia mm. haaskatun työajan, laskutuksen tehottomuuden sekä väärin kohdistetun tiedotuksen ja markkinoinnin vuoksi.

Kuinka sitten toteutetaan jatkuva tiedonlaadun valvontaprosessi? Jatkuva prosessin käynnistäminen sisältää seuraavat vaiheet:

1. Sovitaan/määritellään yritykselle tiedonlaatukriteerit
2. Kehitetään kriteereille kvantitatiiviset mittarit
3. Rakennetaan mittarien arvojen kehitystä kuvaavat sivut esim. yrityksen sisäisille verkkosivuille (mahdollisesti rajoitettuun käyttöön)
4. Huolehditaan siitä, tiedon korjaamisen vastuut tulevat organisaatioissa määritellyiksi ja siitä, että seuranta jatkuu.

Alla kuvataan vaihejaon sisältöä, menettelytapoja ja teknologioita.

Tiedonlaadun kriteerit ja niiden määritteleminen

Tiedonlaadun hallinnan kannalta perusvaatimus on, että organisaation laatukriteerit ovat hyvin määritellyt. Yksinkertainen tapa päästä alkuun tässä määrittelyssä on profilointi. Tiedon profiloinnin avulla luodaan karkea peruskäsitys eli profiili tarkasteltavan tietolähteen sisällöstä (tiedostosta, tietokantataulusta, reaaliaikaisesta taustajärjestelmäliittymästä, sanomaliikenteestä jne.).

Alla on esimerkki erään hypoteettisen yrityksen resurssihakemiston (Active Directory / LDAP) sisällöstä.

Profiilista näkyy esim. välittömästi, että hiukan alle puolella hakemiston subjekteista (luonnollisilla henkilöillä, palvelimilla tms.) ei ole määritelty sähköpostiosoitetta.  Monissa tapauksissa ei tarvitse tai pidäkään olla, mutta joissakin tapauksissa kyse on virheestä. Profiloinnin avulla saadaan nopeasti ja helposti käsitys siitä, miten tietyn tieto-elementin arvot ovat jakautuneet, mitkä ovat tyypillisimmät arvot, maksimit, minimit jne., samoin minkälaisia sisällön muotoja (patterns) datasta löytyy.

Profiloinnin perusteella voidaan sitten määritellä kyseistä tietoa koskevat laatukriteerit, esimerkiksi:

• Jokaisella vakituisella työntekijällä pitää olla sähkopostiosoite
• Sähköpostiosoitteet ovat muotoa etunimi.sukunimi@yritys.fi, missä nimi löytyy yrityksen työntekijälistalta, jne.

Huomattakoon, että laatukriteerit voivat olla huomattavasti ylläkuvattuja elementtikohtaisia sääntöjä monimutkaisempia; esim. voidaan vaatia, että viite-eheydet eri tietolähteiden välillä pätevät vähintään 90%:ssa tapauksista yms.  

Tiedonlaadun mittaaminen

Laatua on perinteisesti totuttu mittaamaan virheiden lukumäärillä: mitä vähemmän virheitä, sitä parempi laatu. Tiedon laadun mittaamisessa keskeistä on aika. Yleensä halutaan, että virheet paljastuvat heti (reaali-ajassa tai lähes reaali-ajassa) ja toisaalta halutaan että pitkän aikavälin (esim. vuosien mittainen) kehitys on selvästi nähtävissä. Kuvassa on yksinkertaistettu esimerkki, jossa näkyy virheiden lukumäärän väheneminen yhdeksän hypoteettisen laatukriteerin osalta.

Tyypillinen vaatimus myös on, että laatua mitataan ”on the spot”, eli paikanpäällä: esim. virheelliset sovellusliittymät halutaan kontrolliin (erikseen parametroitavilla kriteereila) ja vaikkapa hälytys lähetetyksi vastuuhenkilöille jo ennenkuin näistä sisääntulleet virheet ovat päässeet tärvelemään tietokantatauluja tai sovellusliittymiä.

Esityskerros ja tiedonlaadun valvonnan jatkuvuus

Useimmissa asiakasorganisaatiossa halutaan selvästi erilliset vastuut toisaalta tiedonlaadun seurannan ja toisaalta tiedon virheiden korjaamisen välille. Vaikka laadun seuranta kannattaa toteuttaa keskitetysti, ja operatiivisista sovelluksista erillisenä toimintona, on tietojen korjaamisen vastuu usein turvallisinta säilyttää näillä sovelluksilla ja niistä vastaavilla henkilöillä.

Tästä näkökulmasta tiedonlaadun valvonta on tyypillinen (johdon) raportointisovellus, jossa tuotettavien raporttien helppokäyttöisyys, havainnollisuus, eri kriteereillä tapahtuvat porautumiset sekä tarkentuvat haut samoin kuin raporttien jakelun helppous ja nopeus ovat avaintekijöitä eri ratkaisuja toteutettaessa.

Tiedonlaadun parantaminen vaatii jatkuvaa ja systemaattista kehittämistä. Kaikki edelläkuvattu voidaan toteuttaa ”pitkästä tavarasta” ohjelmoimalla ja yrityksen omin voimin, mutta modernit profilointi-, sovellusintegrointi- ja raportointiratkaisut voivat oikein käytettyinä tehostaa toimintaa ratkaisevasti.

Markku Sillanmikko

Kesälomien kynnyksellä linkkitiistaihin on kasattu näkökulmia tiedon laadusta ja master-tiedon hallinnasta; niiden vastuukysymyksistä, hyödyistä ja kustannuksista.

BeyeNETWORKin tuoressa artikkelissa Craig Izydor tuo hyvin esille kuinka liiketoimintajohdon on oltava viime kädessä vastuussa tietojen laadusta. Ilman johdon ymmärrystä ja tukea ei tiedon laadun ja luotettavuuden ongelmista päästä. Johdon on luotava yrityksissä tietoisuus siitä, ettei ulkoisen tai sisäisen tiedon huonoa laatua sallita. 

Dan Power perustelee Hub Solution Design Blogissa miksi master-data -ratkaisut ovat järkeviä. On hyvä olla olemassa oikeasti neutraali paikka asiakas-, tuote- ja muiden master-tietojen hallintaan. CRM-ja ERP-järjestelmiä ei vain ole suunniteltu käsittelemään master-dataa tehokkaasti. Niissä ei ole tietojen laadun hallinnan prosesseja koko yrityksen master-tietojen täydelliseen, ajantasaiseen ja yhdenmukaiseen hallintaan.

Samassa blogissa käsiteltiin viime vuonna master-tiedon merkitystä operatiiviselle Business Intelligencelle. Reaali-aikainen raportointi tuo erilaisia vaatimuksia MDM-ratkaisuille kuin operatiivisten järjestelmien tarpeet.

• BeyeNETWORK: Data Quality is a Business Issue: Getting Back to Basics, Part 1, Craig Izydor, 22.6.2010
• Hub Solution Design: Intersection of MDM, CRM and ERP, Dan Power, 10.6.2010
• Hub Solution Design: MDM and Operational Business Intelligence, Joan Lawson, 10.2.2009

International Association for Information and Data Quality (IAIDQ) :n uutiskirjeessä professori Carlo Batini ja tutkija Monica Scannapieco käyvät perusteellisesti läpi kuinka suoritetaan kustannus-hyöty-analyysejä tiedon laadun alueella. Artikkelissa kerrotaan, miten mitataan puutteellisen tiedon laadun aiheuttamat kustannukset, kustannukset tiedon laadun parantamistyöstä ja hyödyt tällaisesta parantamisesta. 

Muutkin IDQ Newsletterin artikkelit ovat mielenkiintoista ja osuvaa luettavaa tiedon laadun aihepiiristä kiinnostuneille.

• IDQ Newsletter: Classifications of Data Quality Costs and Benefits, Carlo Batini ja Monica Scannapieco, 04/2010

Lopuksi Wayne Eckerson vastaa TDWI:n sivuilla seitsemään yleisimpään master-tiedon hallinnan hankkeista kysyttyyn kysymykseen:

1. Mikä on paras paikka aloittaa MDM-hanke?
2. Miten rahoittaa MDM-hanke?
3. Millainen arkkitehtuurin tulisi olla?
4. Mikä rooli tietovarastolla on?
5. Mitä organisatorisia sudenkuoppia tulee vastaan?
6. Mitä teknisiä sudenkuoppia tulee vastaan?
7. Miten toteuttaa onnistunut MDM-hanke?

• TDWI Experts: Answers to the Seven Most Commonly Asked Questions about MDM, Wayne Eckerson

Näiden linkkien myötä toivotan kaikille lukijoille oikein hauskaa Juhannusta!

Mikko Muurinen

Management Eventsin järjestämässä Business Intelligence ja liiketoimintatiedon hallinta -konferenssissa 3.6.2010 osallistujien ryhmäkeskustelun aiheena käsiteltiin Business Intelligence -toiminnan hyötyjen mittaamista. Osallistujien tuli pohtia pöytäryhmittäin, miksi, mitä, milloin ja miten hyötyjä pitäisi mitata.

Ensi alkuun helpolta vaikuttanut aihe paljastuu kuitenkin lähemmässä tarkastelussa monimuotoiseksi vyyhdeksi. Kun puhutaan BI-toiminnasta eikä esim. BI-järjestelmistä, laajenee kysymys aika lailla…

BI-hankkeiden kustannuksia ja budjettia kyllä seurataan usein, mutta koko BI-toimintoa on vaikeaa mitata. Itse asia koko toimintoa on edes hyvin vaikea määritellä tai rajata. Ketkä itse asiassa ovat mukana yrityksen BI-toiminnossa ja mitkä kaikki tehtävät voidaan laskea liiketoimintatiedon hallinnaksi? Usein kysymyksessä on yrityksen toiminnan jatkuva kehittäminen osana muita prosesseja ja osana erilaisten ihmisten verkostoa, eivätkä pelkän yksittäisen yksikön tai vastuuhenkilön tehtävät.

Kun Business Intelligencen tavoitteena on tukea päätöksen tekoa jokaisella tasolla, pitäisi mitata päätöksentekoa, sen prosesseja, vaikuttavuutta ja tekokkuutta. 

Kyseessä on myös viestinnän tehokkuuden mittaaminen. Tiedetäänkö esim. ketkä saavat tarvitsemansa tiedot? Tai ketkä ymmärtävät ne ja pystyvät hyödyntämään niitä?

Eri osa-alueiden, kuten Business Intelligence -järjestelmien ja teknisten ratkaisuiden hyötyjen mittaamiseen löytyy kyllä keinoja, mutta on vaikeaa esim. arvioida, onko yrityksen tuloksen parantuminen peräisin paremmista päätöksistä, saati sitä, miten päätöksen tekoon on vaikuttanut se, millä tavoin BI-toiminto on järjestetty…

Helppoa on mitata, kuinka paljon järjestelmiä käytetään, ketkä hyödyntävät useita tietolähteitä ja millaisia tietoja ei käytetä niin paljon kuin muita. Voidaan myös laskea manuaalisen työn poiston vaikutusta esim. tietojen keruuseen käytettyyn työaikaan. Tiedon laadulle voidaan määritellä erilaisia mittareita. Järjestelmien vasteaikoja voidaan tarkastella ja käytettävien tietolähteiden suhteellista osuutta laskea. Näitä kaikkia voidaan verrata ja seurata ajan suhteen.

Toisaalta, vaikka BI-järjestelmien tai tiedon laadun parantaminen tehostaisikin työtä, tiedon analysointia tai päätöksen tekoa, ei henkilökustannuksia ehkä voida karsia. Lisääntyvä tietomäärä ja uudenlaiset tarpeet tuovat enemmän työtä. Samoilla resursseilla voidaan ehkä tehdä enemmän kuin ennen, mutta vaatimuksetkin ovat kovemmat.

Sinänsä on sääli, että hyvin harvoin sellaisiakaan osa-alueita, joita voisi mitata, ei mitata. Näistä voisi kuitenkin saada jonkinlaista lähtökohtaa kehittämiselle.

Ryhmässämme eräs lopputulema oli, että eri puolilta tuleva palaute on yksi keskeinen tekijä BI-toiminnan hyötyjen arviointiin. Toiminnan laadullinen arviointi ja ”benchmarkkaaminen” tämän tukena antaa kuvaa siitä, millaiset BI-toiminnon hyödyt yritykselle ovat. Varsinkin, mikäli joistain osa-alueista saadaan taustatiedoksi myös “kovia” mittareita.

Asian tarkastelu voidaan tehdä hyvin Balanced Scorecard -ajattelun mukaisesti useista näkökulmista, esim. siitä, mitä hyötyä BI-toiminnosta on asiakkaille, henkilöstölle, taloudelle ja prosesseille. Eri tyyppisiä mittareita näihin näkökulmiin on mahdollista kehittää, mutta kuten aina, lopulta kyse on määrittelyistä, rajauksista ja kunkin yrityksen tarpeista ja tavoitteista.

Mikko Muurinen

Maaliskuun linkkitiistain kirjoituksessa käsitellään montaa aihetta: päätöksenteon tukea, tiedon laatua, epäonnistuneita visualisointeja, BI – mashupeja, sekä uusimpia trendejä.

Ensimmäinen linkki pitää sisällään oikeastaan kolmella sivustolla käydyn keskustelun.
on target -blogissa vedetään yhteen ja kommentoidaan keskustelua, joka käynnistyi James Taylorin kommentteista Stephen Few:n blogikirjoitukseen. Kirjoituksessa keskitytään siihen, miten useimmat BI hankkeet ovat vain IT:n yrityksiä yhdistää suuret määrät ajan kuluessa kerättyä tietoa. Tämän takia suurin osa  BI-työkaluista on vääriä valintoja päätöksenteon tukeen.

• on target: How much analytic are decision makers? Franco Graziosi, 23.3.2010

Data Quality Pro Expert Journalissa Dylan Jones antaa vinkkejä siihen, miten saadaan tiedon laadun hankeet haluttaviksi, sen sijaan, että ajettaisiin näitä hankkeita kovassa muutosvastarintassa kuin käärmettä pyssyyn. Projektit onnistuvat, jos yksittäiset työntekijät hyötyvät konkreettisesti käyttöön otettavista tietojen laatua parantavista prosesseista.

• Data Quality Pro Expert Journal: How Are You Creating a Pull for Data Quality in Your Organisation?, Dylan Jones, 16.3.2010

EagerEyes on Robert Kosaran ylläpitämä nettisivusto, jossa käsitellään tiedon visualisointia ja visuaalista viestintää. Hyvien käytäntöjen lisäksi blogissa esitellään välillä varoittavia esimerkkejä siitä, mitä tapahtuu, jos tietojen visualisoinnissa ei pidä järkeä mukana. Ohessa muutama tällainen esimerkki:

• March Chart Madness
• The Cost of a Sick Chart
• NY Times: The Best and Worst of Data Visualization
• Bring Out Your Dreadful Charts!

Seth Grimes on kirjoittanut artikkelin Business Intelligence -mashupeista, joiden avulla voidaan laajentaa itsepalveluna tarjottavaa BI:tä. Niiden avulla käyttäjät voivat nähdä ja tehdä enemmän, sekä myös käsitellä tarvittaessa helposti kolmansien osapuolten tietoja, ilman, että uusien tietolähteiden tai siilojen luomista tarvittaisiin. BI-mashupit voivat lisätä käyttäjien tyytyväisyyttä, parantaa heidän toimintakykyään ja vähentää tukikustannuksia.

• Nimble Intelligence: Enterprise BI Mashup Best Practices, Seth Grimes, 3/2010

Poimin myös kaksi BeyeNETWORKin artikkelia, joissa pohditaan trendejä ja suuntauksia Business Intelligence -markkinoilla.

Lyndsay Wise on koonnut TDWI:n vuotuisessa BI-konferenssissa käymistään keskusteluista esityksestä yhteen yleisiä suuntauksia  BI-markkinoilla. Tekniikoista nousevat esiin mm. Data Warehouse -laitteet, upotettu analytiikka, tiedonhallinnan alustat, interaktiivinen tiedon visualisointi. Keskeinen seikka on myös se, että yrityksissä pyritään yhä enemmän käyttämään Business Intelligenceä luomaan lisäarvoa liiketoiminnalle.

Steve Dine pohtii puolestaan kolumnissaan, ovatko ryhmätyöominaisuudet ja yhteisen näkemyksen muodostaminen seuraava iso juttu BI-maailmassa?

• BeyeNETWORK: TDWI Insights and General Trends, Lyndsay Wise, 28.2.2010
• BeyeNETWORK: Is Collaboration the Key to Pervasive BI? Steve Dine, 28.2.2010

Mikko Muurinen

Joulun lähestyessä linkkitiistain linkeissä perehdytään tiedon laadun tärkeyteen niin Business Intelligence -ratkaisuissa kuin yleensä liiketoiminnassa.

Hub Solution Designsin blogissa Dan Power käy läpi tutkimuksia, joissa on tutkittu useaan kertaan tallennetun tiedon kustannusvaikutuksia. Duplikaattitieto voi olla todellinen kustannustekijä mm. siinä, että se saattaa lisätä postituskuluja, aiheuttaa tyytymättömyyttä asiakkaissa, aikaansaada manuaalista korjaustyötä, vaikeuttaa uusien järjestelmien toteuttamista ja käyttöönottoa sekä lisätä päällekkäistä työtä. Esimerkiksi eräs tutkimus paljasti, että keskimäärin yksittäinen duplikaattitieto sairaalan potilastietojärjestelmissä maksaa organisaatiolle n. 96 dollaria. Useat tutkimukset osoittavat, että ennen tiedon laadun ja master tiedon hallinnan kehittämistä duplikaattitietoa saattaa olla jopa 10-20 % kaikesta tietojärjestelmien tiedoista.

• Hub Solution Designs: Hidden Costs of Duplicate Customer Data, Dan Power, 13.12.2009

BeyeNETWORKin jutussa tarkastellaan, kuinka tiedon laadun parantaminen pienentää yritysten riskejä, mahdollistaa yritysten kasvaa ja skaalautua, sekä pienentää epävarmuustekijöitä päätöksenteossa. Jutussa annetaan käytännön ohjeita lähestymistavan valintaan sekä organisointiin. Lähestymistapoja John Thuma linjaa kolme: ei tehdä mitään, “do nothing approach (DNA)”, korjataan tiedon laatua integraatiovaiheessa, “fix it in integration or ETL” (FINE), tai valvotaan tiedon laatua lähdejärjestelmissä, “source system governance”

• BeyeNETWORK: Practical Approaches to Data Quality Management in Business Intelligence and Performance Management, John Thuma, 20.10.2009

Vanhempi artikkeli hollantilaisen konsulttiyrityksen newsletterissä vuodelta 2006 pitää sisällään vieläkin ajankohtaisia teesejä tiedon laadusta. Artikkeli vetää yhteen tiedon laadun hallinnan perusteita, kuten sitä, että tiedon laadun parantaminen on prosessi, ei projekti. Tieto ei ole vain järjestelmien sivutuote, vaan sitä tulisi pitää strategisena resurssina. Artikkelissa tulee hyvin myös esille se, että tiedon laadun hallinta on kilpailuedun keskeinen osa.

• XLNT Consulting: Tom’s Ten Data Tips, Tom Breur, 5/2006

Data Quality Pro -verkkoyhteisön blogissa kerrotaan kyselystä, jossa tutkittiin tiedon laadun prosesseista Business Intelligence -ratkaisuiden yhteydessä. Suuri osa vastanneista oli tyypillisessä tilanteessa: on toteutettu päätöksen tekoa tukevia BI-järjestelmiä, mutta päätösten ja järjestelmän tiedon laatuun ei olla kiinnitetty huomiota. 50 % vastanneista kertoi, että BI-järjestelmässä on havaittu vakavia tiedon laatuun liittyviä ongelmia.

• Data Quality Pro: Data Quality in Business Intelligence: Survey Results, Dylan Jones, 5/2009

Uudet linkit seuraavan kerran vuoden 2010 puolella. Oikein hyvää joulua kaikille!

Mikko Muurinen

Business Intelligence -blogissa alkaa nyt kirjoitussarja, jossa käydään tosielämän esimerkkien kautta läpi muutamia tärkeitä asioita, joita kannattaa huomioida omien liiketoimintatietojen hyödyntämisessä.

Vinkki 1: Panosta tiedon laatuun edes ulospäin näkyvissä järjestelmissä

Kuinka monta kertaa olet saanut lehtitarjouksen lehdestä, joka sinulle tulee jo? Autohuoltotarjouksia edellisille autoillesi? Laskuja virheellisellä nimellä tai osoitteella? Virheellistä saatavuustietoa nettipalvelusta?

Vaihdoin itse muutama vuosi takaperin sähköntoimittajaa. Jostain syystä uuden toimittajan järjestelmiin oli kirjaantunut osoite vähän virheellisesti kirjoitettuna. Posti toi joskus laskut oikeaan aikaan, mutta joinain kertoina erillisen selvitysmerkinnän kanssa… Halusin selvittää asian ja otin yhteyttä asiakaspalveluun. Asiakaspalvelu ottikin korjaustiedot vastaan ja laskut tulivat taas oikeaan osoitteeseen. Jonkin ajan kuluttua laskut alkoivat taas kiertää postin selvityksen kautta, osoite oli palautunut vääräksi, mutta asiakaslehti tuli kummallista kyllä oikealla osoitteella…

Pyysin asiaa korjattavaksi ja näin taas tapahtui. Jostain kumman syystä aiempi virheellinen osoite ponnahti taas hiljattain laskujen ongelmaksi. Kun tällä kertaa otin asiaa korjattaessa puheeksi sen, että voisimme tulla keskustelemaan tiedon laatuun liittyvissä asioissa, todettiin yrityksestä, että kaikki tiedon laatuun liittyvät ratkaisut ovat kunnossa. Ovatkohan?

Tämän esimerkin kaltaisia tapauksia sattuu tässäkin maassa varmasti jollekulle päivittäin. Liiketoimintatietojen lähteet alkavat itsepalvelun lisäämisen ja järjestelmien liittymien ansiosta olla yhä moninaisempia. Huonot tietojen syöttämisen käyttöliittymät, ohjeistukset ja prosessit tuovat lisää mahdollisuuksia inhimillisille virheille. Kerran jossain järjestelmässä korjattu tieto ei leviä muualle ja saattaa korvautua satunnaisesti virheellisellä tiedolla muualta.

Se mitä huono tiedon laatu maksaa, ei synny ainoastaan siitä, että jokin prosessi ei toimi ja se joudutaan tekemään uudestaan. Kustannuksia voi tulla myös laadun varmistamisen manuaalisesta työstä, sekä siitä, että jotkin prosessit eivät toimi niin tehokkaasti kuin olisi mahdollista. Huono tiedon laatu voi tarkoittaa turhia kustannuksia esim. suoralähetysten kohderyhmän väärin mitoittamisessa, vastuukysymyksiä virhetilanteissa, asiakastyytymättömyyttä, turhaa manuaalityötä, toistettavia työvaiheita tai menetettyjä liiketoimintamahdollisuuksia.

Liiketoimintatiedon oikeellisuus on yksi yrityksen luotettavuuden kulmakivistä. Ainakin ulospäin näkyvissä palveluissa sen kannattaisi olla kunnossa. Tiedon laadun pitää näkyä viivan alapuolella.

Seuraavissa kirjoituksissa käsitellään mm. asiakaspalvelun tarvitsemia tietoja, raportointitarpeiden ja hyödyntäjien kartoitusta sekä eri toteutusvaihtoehtojen punnitsemista.

Mikko Muurinen

Silvio Berlusconin syntymäpäivän linkit käsittelevät tiedon laadun merkitystä ja tiedon mahdollisimman hyvää hyödyntämistä.

SearchDataManagement.com kertoo Gartnerin tekemästä tutkimuksesta, jossa 140 amerikkalaista yritystä arvioi sitä, kuinka paljon huonolaatuinen tieto maksaa yritykselle vuodessa. Tutkimus kertoo keskimääräisten summien olevan valtavia, jopa 8.2 miljoonaa dollaria vuodessa keskimääräisessä yrityksessä.

• SearchDataManagement.com: Poor data quality costing companies millions of dollars annually, Jeff Kelly, 25.8.2009

Gopal Shenoyn blogissa pohditaan sitä, miten monissa yrityksissä on herätty siihen, että hyviä päätöksiä varten on kerättävä tietoa, mutta asiaa ei viedä pohtien loppuun saakka. Loppujen lopuksi pelkkä data ei autakaan päätöksenteossa, sillä pelkkä keräämisen takia kerätty tieto ei tue sen perusteella toimimista.

• Product Management Tips: Lots of data, no information, Gopal Shenoy, 18.9.2009

Datan tärkeyttä yrityksen pääomana käsitellään puolestaan eri näkökulmista kolmessa BeyeNetworkin artikkelissa ja blogissa. Euro pystytään käyttämään vain kerran, yrityksen avainhenkilöt saattavat olla muualla huomenna, mutta hyvin hallittu tietämys ei kulu käytettäessä. Jos yrityksen suonissa virtaava data on virheellistä, ei yritys voi menestyä. Johdonmukaisen informaation ja raportoinnin tuottamisen on oltava jatkuva prosessi, ei kertatyö. Mitä sitten pitäisi tehdä huonolle tiedolle? Pitäisikö dataa puhdistaa esimerkiksi tietovarastoon vietäessä vai vasta sieltä ulos haettaessa? Joskus tietoisuus huonolaatuisesta datasta voi auttaa paljonkin yritysten prosessien ja järjestelmien kehittämisessä.

• BeyeNetwork: Data is and will always be the ultimate proprietary asset, Ronald Damhof, 27.8.2009
• BeyeNetwork: The Need to Simplify Data and Reporting, Timothy Leonard, 17.9.2009
• BeyeNetwork: What to Do with Bad Data? When and How to Dispose of It, Tom Breur, 23.9.2009

Data Doghousen People, Process & Politics -sarjan viimeisimmässä osassa pohditaan integraatio-osaamiskeskuksen perustamisen erilaisten lähtökohtien ja organisointimallien hyviä ja huonoja puolia.

• The Data Doghouse: People, Process & Politics: Pros & Cons of ICC Organizational Models, Rick Sherman, 25.8.2009

Mikko Muurinen

Kaikilla aloilla kilpailu tuntuu kiristyvän jatkuvasti. Lähes päivitäin saamme lukea lehdistä yritysten tekemistä toimenpiteistä kannattavuutensa säilyttämiseksi tai parantamiseksi. Ovatko kaikki toimenpiteet sitten olleet oikein mitoitettuja ja kohdistettuja? Millaisen tiedon perusteella yritysjohto tekee päätöksensä näistä usein hyvinkin radikaaleista toimenpiteistä?

Tässä kohdin ratkaisevaan asemaan nousevat yritysjohdon käytössä olevat päätöksenteon tukijärjestelmät, sekä niiden kautta saatavissa olevan tiedon laatu ja luotettavuus. Tutkimukset osoittavat, että yritykset pystyvät tyypillisesti hyödyntämään päätöksenteossaan vain noin 20% siitä tiedosta, mitä heillä on omissa tietojärjestelmissään. Ja lisäksi suurin osa yrityksen ulkopuolella olevasta liiketoimintaan liittyvästä tiedosta jää täysin hyödyntämättä.

Ongelman muodostaa tiedon hajanaisuus sekä yrityksen omissa tietojärjestelmissä että ulkopuolisissa tietolähteissä. Tietoa on usein vaikea löytää, saati sitten yhdistää, kohtuullisessa ajassa järkeväksi kokonaisuudeksi josta olisi hyötyä päätöksien teossa.

Kuinka moni päätös olisi sitten ollut toinen, jos yrityksen johdolla olisi ollut käytössään enemmän ajantasaista tietoa, sekä paremmat raportointi-, ennuste- ja simulointijärjestelmät?

Kokemuksesta tiedän, että edelleenkin valitettavan moni isokin päätös tehdään mutu-tuntumalla pikaisesti tehtyjen excel-laskelmien pohjalta, joiden lähtötiedot on haalittu eri tietojärjestelmistä hieman miten sattuu. Niinpä mielestäni jokainen työntekijän tulisi olla hyvinkin kiinnostunut siitä, millaisia tietojärjestelmiä yrityksen johto käyttää päätöksenteossaan – siitä voi olla tulevaisuudessa kiinni myös oma työpaikka!

Ari Tolonen