Datahankkeen seitsemän kuolemansyntiä

Ylpeys, ahneus, himo, kateus, ylensyönti, viha ja laiskuus. 500-luvulla paavi Gregorius I laittoi synnit järjestykseen ja laati seitsemän kohdan listan kuolemansynneistä eli ns. pääsynneistä. Nämä seitsemän syntiä kun olivat Gregoriuksen mukaan alkusyynä moniin muihinkin synteihin. Itselleni nämä kuolemansynnit jäivät erityisesti mieleen Brad Pittin ja Morgan Freemanin tähdittämästä ”Seitsemän”-leffasta.

Organisaatiot investoivat koko ajan entistä enemmän tietovarastoihin, tietoaltaisiin (data lake) ja data-alustoihin voidakseen hyödyntää arvokkaan tietovarallisuutensa parhaalla mahdollisella tavalla. Datan kerääminen ja tallentaminen tietovarastoon tai tietoaltaaseen ei kuitenkaan ole suoraviivaista ja helppoa, minkä takia datahankkeessa voi olla monia haasteita. Lupaavista mahdollisuuksista huolimatta datahankkeet epäonnistuvat usein. Mitkä sitten ovat ne kompastuskivet, joihin datahankkeet yleensä kompuroivat? Mitkä olisivat datahankkeen seitsemän kuolemansyntiä, jotka meidän tulisi tunnistaa ja välttää?

Organisationaaliset esteet

Datahankkeet edellyttävät organisaation eri yksiköiden välistä tiivistä yhteistyötä ja kommunikaatiota. Liiketoiminnan on tärkeää keskustella tietohallinnon kanssa dataan liittyvistä tietoturva- ja saatavuuskysymyksistä. Tietohallinnon ja liiketoiminnan välisen ”Mitä haluatte?” vs ”Mitä voitte tarjota?” pallottelun sijaan kaikkien tulee istua saman pöydän ääreen ja katsoa asiaa samalta kannalta. Eri osapuolten saaminen kartalle vaatii runsaasti aikaa, mutta on ehdottoman välttämätöntä. Ammattitaitoinen tietovarastokumppani osaa toimia tässä keskustelussa monesti eri osapuolien yhdistäjänä ja fasilitaattorina.

Vesiputousmallilla datahankkeeseen

Datahankkeet eroavat muista tyypillisistä ICT-projekteista. Monesti hankkeen lopullinen tavoite ei ole vielä täysin selvä projektin alussa. Hankkeen sisältö, aikataulu ja prioriteetit muuttuvat yleensä matkan varrella ja tämä vaatii joustavuutta niin kehityskumppanilta kuin asiakkaaltakin. Projektimenetelmistä vesiputousmalli ei sovi datahankkeelle, vaan siihen kannattaa mielummin valita ketterät menetelmät ja inkrementaalinen kehitystapa.

Datan laatuongelmat

Tietovarastossa tietoja tulee useista eri lähdejärjestelmistä. Tietovarasto on yhtä hyvä kuin sen sisältämä data. Epäjohdonmukainen data, dublikaatit ja puuttuvat tiedot aiheuttavat haasteita tietojen laadussa. Nämä laatuhaasteet voivat johtaa virheelliseen raportointiin ja analyyseihin, ja sitä kautta myös vääriin liiketoimintapäätöksiin. Datahankkeeseen lähdettäessä kannattaa siis suhtautua datan laatuun vakavasti ja pohtia esimerkiksi, voisiko Master Data -järjestelmä tuoda apua yrityksen datan laatuongelmiin.

Automaation puute

Tietovarastoissa tarvitaan automaatiota, sillä se nopeuttaa ylläpitoa ja vähentää käsityötä. Tietovaraston automaation ajatuksena on se, että vaikka jokainen tietovarastoprojekti on erilainen, tietovarastojen suunnittelussa, mallinnuksessa ja orkestroinnissa on paljon samankaltaisuutta projektista riippumatta. Tietovaraston automaatio-ohjelmistot tuovat apua tietovaraston rakentamiseen, sen tietomallin luomiseen sekä tietolatausten ja dokumentoinnin kokonaisuuksiin.

Dokumentaation ryvettyminen

Vanhemman tietovaraston yleinen ongelma on vanhentunut dokumentaatio. Tietovaraston toteutusprojektin aikana tehtyä dokumentaatiota ei päivitetä säännöllisesti ja ongelma paljastuu monesti vasta siinä vaiheessa, kun avainhenkilö vaihtuu ja uuden henkilön pitäisi perehtyä tietovaraston toimintaan. Siksi dokumentaatiolle kannattaa rakentaa hyvä hallintamalli ja sen aktiiviseen ylläpitoon kiinnittää huomiota. Hallintamalli ei kuitenkaan saisi olla liian byrokraattinen tai raskas, jotta organisaatio jaksaa noudattaa sitä säntillisesti. Dokumentaatiossa kannattaa myös hyödyntää edellä mainittua automaatiota.

Puutteelinen tietomallinnus

Onnistuneessä datahankkeessa panostetaan tyypillisesti hyvään mallinnukseen. Tietomallit toimivat siltana kommunikoinnissa IT:n ja liiketoiminnan välillä. Yhteisen mallin ääressä keskustelu ryhdistyy ja erilaiset näkemykset ja tietojen määritykset saadaan tehtyä. Mallit toimivat siltana myös tilaajien ja toimittajien välillä. Oikein tehtynä tietomallinnuksen avulla saadaan kokonaiskuva eri tietojärjestelmien sekä koko organisaation tiedoista  nyt ja tavoitetilassa.

Olematon datakulttuuri ja -strategia

On myös tärkeää rakentaa datakulttuuri ja -strategia organisaatioon. Hyvässä datakulttuurissa kaikki yrityksen henkilöt hyödyntävät omassa toiminnassaan käytettävissä olevaa dataa. He käyttävät sitä, ymmärtävät sen potentiaalin ja tiedostavat myös sen rajallisuuden.  Vahva datakulttuuri alkaa ylhäältä toimitusjohtajasta ja johtoryhmästä. Hyvä johtajuus, avoimmuus, koulutus ja tuki ovat parhaat keinot vahvistaa organisaation datakulttuuria.

Teologisessa terminologiassa kuolemansynnit johtavat hengelliseen kuolemaan. Datahankkeessa nämä yllämainitut kuolemansynnit johtavat tyypillisesti epäonnistuneeseen datahankkeeseen. Tunnistitko sinä kaikki seitsemän syntiä tai joudutko myöntämään langenneesi itsekin ainakin johonkin niistä?

Datan yhdistely eri lähteistä, analysointi sekä hyödyntäminen päätöksenteon tukena tuovat kilpailuetua.