Tiedolla johtamisesta ja datavetoisesta liiketoiminnan kehittämisestä puhutaan ja kirjoitetaan paljon. Silti tähän aiheeseen liittyy rutkasti väärinymmärryksiä, puhumattakaan perusteettomista odotuksista ja niiden aikaansaamista pettymyksistä. Niinpä ajattelin käydä muutaman asian läpi rautalangan kanssa.

Datan laadun ja saatavuuden varmistaminen

On selvää, ettei tiedolla voi johtaa, eikä liiketoimintaa kehittää datavetoisesti, jos data lojuu hajallaan eri tietokannoissa. Siksi suuri määrä energiaa on aluksi käytettävä datan koostamiseen, yhdistämiseen ja rikastamiseen. Meillä tämä ensimmäinen askel tunnetaan dataekosysteemin kehittämisenä. Kyse on pakollisista pohjatöistä AI-analytiikkanäkymien muotoilulle.

Seuraavaksi huomio on kiinnitettävä datanäkymien suunnitteluun. On tyypillistä, että data-asiantuntijoille annetaan tehtäväksi laatia erilaisia liiketoimintaan liittyviä raportteja, ilman sen selkeämpiä ohjeita siitä mitä mittareita halutaan seurata. Ja toki taitava analyytikko saa raportteja aikaan yleispätevien mallien tai omien arvaustensa varassa.

Haaste on siinä, että kun näitä raportteja ihaillaan johtoryhmän kesken, kukaan ei tohdi huomauttaa, että ei oikein ymmärrä kuinka lukuja pitäisi tulkita, tai että raportista nyt ei vaan käy ilmi mitään uutta. Tästä syystä, ennen datan mallintamista ja visualisointia, mielellään jo datan keräämistä suunniteltaessa, kannattaa pysähtyä suunnittelemaan tarkat datanäkymät, jotka palvelevat kunkin liiketoimintajohtajan tarpeita.

Datanäkymien käyttäjä- ja tarvelähtöinen suunnittelu

Analytiikkanäkymien käyttäjälähtöinen suunnittelu on silta raakadatan ja todellisten liiketoimintapäätösten välillä. Yksi megaraportti voi olla helpoin ja halvin vaihtoehto, mutta se ei suinkaan ole hyödyllisin. Ihminen pystyy käsittelemään vain rajallisen määrän tietoa kerrallaan, ja jos hänellä on edessään loputon määrä erilaisia taulukoita, hän uupuu. Siksi roolikohtaisessa dataraportissa tulee olla esillä vain ne avainluvut (KPI), jotka ovat kyseisen roolin kannalta kriittisiä.

Myyntijohtaja tarvitsee osaltaan samaa dataa kuin toimitus- ja talousjohtajat, mutta myös paljon spesifimpää dataa esimerkiksi tiiminsä suoriutumisesta. Markkinointijohtaja voi hyödyntää osaltaan samaa dataa kuin myyntijohtaja, mutta tarvitsee rutkasti tarkempia tietoja kampanjoista, kanavista, kohderyhmistä ja niin edelleen. HR-johtajan datatarpeet ovat melko irrallaan näistä kaikista.

Erityisesti hienostuneiden, tekoälyä hyödyntävien ja ennakointiin fokusoituvien analytiikkanäkymien on tarkoitus toimia ongelmanratkaisun työkaluna. Vain relevantti data auttaa analysoimaan nykytilannetta ja ennakoimaan tulevaa. Liian yleispätevä tai vaikeaselkoinen raportti saa aikaan pettymyksiä, päätöksenteon viivästymistä ja "mututuntumalla" johtamista.

Datanäkymien suunnittelu on vain puolivoittoa

AI-pohjaisten ennakoivien analytiikkanäkymien perimmäinen tarkoitus on luoda ymmärrystä, joka johtaa toimintaan. Perinteinen dataraportti on kooste tiedoista, jotka ovat jo mennyttä aikaa. Se, että tiedot koostetaan yhteen auttaa havaitsemaan muutostrendejä, kuten onko myynti kasvanut vai laskenut. Tämä tieto itsessään ei kuitenkaan muuta mitään. Datan ohelle tarvitaan analyysiä siitä, mitä muutos tarkoittaa, mistä se johtuu ja mitä se indikoi. Tämä on joko ihmisen, tai yhä useammin tekoälyn, tehtävä.

Ennakoivan AI-analytiikkadatan on tarkoitus antaa kimmokkeita muutoksille. Vaikka tämä kuulostaa itsestään selvältä, tiedon tulkitsemisvaihe tuppaa unohtumaan monissa organisaatioissa. Toisinaan syy on siinä, että olemassa olevat dataraportit eivät vastaa niihin kysymyksiin, jotka ovat kyseisen yksikön kehittämisen kannalta olennaisia. Ja toisinaan on epäselvää, kenen rooli on tulkita dataa ja tehdä havaintoja tai ehdottaa muutoksia niiden pohjalta.

Näin ollen, kun roolikohtaisesti suunnitellut ja tekoälyä hyödyntävät datanäkymät valmistuvat, tulee tehdä myös toiminnallisia uudistuksia: Miettiä datajohtamisen roolit ja vastuut yhdessä, osana organisaation olemassa olevia päätöksentekoprosesseja.

Yksittäinen data-analyytikko ei todennäköisesti voi palvella kaikkien osastojen tiedolla johtamisen tarpeita isossa organisaatiossa. Hänen on käytännössä mahdotonta olla riittävän syvällä myyjien SLA-tavoitteista, markkinointikampanjoiden konversiotavoitteista tai asiakaskäyttäytymisen muutoksista kivijalassa, että kykenisi johtamaan datasta relevantteja havaintoja ja muutosehdotuksia. Ja eikös tiedolla johtaminen ole nimenomaan johtajien tehtävä.

Tiedolla johtaminen edellyttää toimintaa

Jotta data todella palvelisi liiketoiminnan ja johtajien tarpeita, tulee tiedolla johtamisen prosessien muotoilussa huomioida osaston tavoitteet, päätöksentekofoorumit ja yksilöiden dataosaamisen taso.

Vasta silloin, kun dataraportin lukeminen kytkeytyy jonkin liiketoimintapäätöksen tekemiseen, voidaan puhua tiedolla johtamisesta. Jos raporttia vain silmäillään ilman, että sen perusteella tehdään päätöksiä, kyse on lähinnä tiedon arkistoinnista ja kertaamisesta. Tiedolla johtaminen toimintana edellyttää sitä, että datan analysointi tuodaan osaksi organisaation jatkuvaa päätöksentekosykliä.

Kaikesta kerätystä ja koostetusta datasta ei saada arvoa, ennen kun siitä johdetaan informaatiota ja tämän informaation pohjalta rakennetaan ymmärrystä, joka johtaa toimintaan, joka puolestaan vaikuttaa liiketoimintaan. Tästä tiedolla johtamisessa on kyse. Jos tämä ketju katkeaa ennen kuin se synnyttää toimintaa, on datainvestoinnit heitetty hukkaan.

Dataraportti on vain kasa lukuja. Datan pohjalta tehdyt korjausliikkeet ovat johtamista.

Jos kaipaat apua dataekosysteemisi kehittämiseen, liiketoimintamittareiden asettamiseen, tekoälyä hyödyntävien datanäkymien suunnitteluun tai tiedolla johtamisen prosessin muotoiluun, ota yhteyttä!