Datastrategia on sillanrakentaja liiketoimintatavoitteiden ja dataan liittyvien teknologioiden, prosessien sekä osaamisten välillä.
Suunnitelmallinen lähestymistapa auttaa välttämään monia ongelmakohtia. Näitä ovat esimerkiksi ylimääräisten tuotteiden ja korkean teknologian turha käyttöönotto, IT-hankkeen kehittäminen liiketoiminnasta irrallaan sekä huono tietoturva ja tietosuoja.
Samalla lainsäädäntö ja sääntely huomioidaan varmuudella, aineiston laatuongelmiin puututaan ja myöhässä tehtyjen muutosten ja korjausten aiheuttamilta kustannuksilta vältytään.
Raakadata muuttuu kilpailueduksi vain, jos lähtökohtana on selkeä liiketoiminnallinen tarve. Lisäksi kyvykkyys ymmärtää, hallita ja hyödyntää omassa toiminnassa syntyvää dataa on tärkeä strateginen menestystekijä.
Datastrategian osana tarkastellaan eri toimintoja datan hyödyntäjien näkökulmasta: Kartoitetaan nykytilaa, tarpeita ja tavoitetila, jonka pohjalta tehdään tavoitteen asetantaa. Näin luodaan hyvä pohja lähteä hyödyntämään ja avaamaan lisää datan potentiaalia eri toimenpiteillä.
Datahankkeet ovat monisyisiä ja tekeminen erikoistunutta, jonka takia harvemman organisaation kannattaa tehdä niitä itse.
Data sinänsä ei tuo arvoa – vasta sen pohjalta syntyvä oivallus ja toiminta tuottavat kilpailuetua. Tämän vuoksi on kriittistä, että datastrategiassa huomioidaan koko polku: Mitä dataa kerätään, miten sitä tulkitaan ja miten oivallukset saadaan vietyä käytäntöön?
Malliesimerkkinä dataa hyödyntävästä ja siitä kilpailuetua luoneesta yrityksestä voi käyttää Amazonia. Se on hyödyntänyt toiminnassaan massiivia määriä asiakasdataa mallintaakseen selaus- ja ostokäyttäytymistä, analysoidakseen tuotearviointeja, ennustaakseen asiakaspreferenssejä koneoppimisella ja tuottaakseen erittäin personoituja tuotesuosituksia.
Amazon yrityksenä on hyötynyt tästä esimerkiksi:
Osana strategian luomista tarkastellaan datan hyödyntämistä, tunnistetaan tarpeita ja asetetaan tavoitteita. Näiden myötä hyvin tehdyn strategiatyön pohjalta on helppo tunnistaa potentiaalisia kehityskohteita.
Lisäksi käsitemallien teko organisaation toiminnasta ja terminologiasta auttaa sekä dataentiteettien tunnistamisessa että myöhemmin edistyneemmässä analytiikassa.
Kysymyspatteristo työn aloitukseen:
☑️Mitkä ovat organisaation strategiset tavoitteet (esimerkiksi kasvu, tehokkuus, asiakaskokemus)? Ja miten niiden tilannetta ja etenemistä mitattaisiin?
☑️Missä prosesseissa on haasteita, hitautta tai tehottomuutta?
☑️Tiedon puute? Manuaalinen työ? Tee tästäkin mitattavaa, jos pystyt, niin voit kontekstualisoida hukkaa.
☑️Missä päätöksenteko perustuu mutuarvioon, ei tietoon ja koviin faktoihin?
☑️Mitä dataa organisaatiolla jo on eri toiminnoissa (asiakkuudet, talous, henkilöstö, tuotanto...)? Kaipaisivatko ne jotain lisää?
☑️Missä data sijaitsee ja minkä muotoisena (järjestelmät, tiedostot, manuaaliset prosessit)?
☑️Onko poikkitieteellinen tarkastelu näiden kesken mahdollista?
☑️Onko data luotettavaa, ajantasaista ja käyttökelpoista?
Potentiaalin tunnistaminen ja hyödyntäminen on usein aikaa vievää. Itse datahankkeet ovat monisyisiä ja tekeminen erikoistunutta, jonka takia harvemman organisaation kannattaa tehdä niitä itse. Kokonaiskuvan ja hyvien käytäntöjen muodostaminen vaatii asiantuntemusta ja vision organisaatiolle sopivista menettelytavoista.
Tuote- ja järjestelmäkenttä datataloudessa on nykyään valitettavan hajautunut. Moni yhden luukun ratkaisu lupaa helppoa fiksiä ongelmiin, mutta se usein tarkoittaisi jälleen yhden tuotteen ottamista repertuaariin lisäämään kompleksisuutta.
Kolme vinkkiä datastrategian alkutaipaleelle: